پیش بینی نوسانات سطح آب زیرزمینی در آبخوان باروق با استفاده از مدل Somai

قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه‌ خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی آبخوان باروق در استان آذربایجان غربی و محدوده مطالعاتی میاندوآب از مدلهای هوش مصنوعی شامل مدل فازی و مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی برگشتی با به کارگیری داده‌های سطح آب زیرزمینی 7 پیزومتر انتخابی و همچنین تغییرات دما و بارش طی دوره زمانی 14 ساله(8194) استفاده گردیده است. با وجود توانایی‌های ذاتی هر یک از این مدلهای هوش مصنوعی در پیش‌بینی سطح آب زیرزمینی، ناهمگنی فراوان محدوده مطالعاتی از حصول بازده بالای مدل‌ها می‌کاهد. لذا مدل‌سازی somai که ترکیب روش دسته بندی نقشه خودسازمانده و مدلهای اجرا شده است، با تقسیم بندی منطقه مطالعاتی به مناطق همگن باعث افزایش بازده هر یک از مدل‌های مرکب در قسمتهای مختلف آبخوان گردید. نتایج نشان داد که روش ارائه شده می‌تواند روشی کارا در مدل‌سازی آبخوان‌های ناهمگن و حتی چند لایه باشد.

Forecasting of groundwater level fluctuations in Baruq aquifer using the SOMAI model

Most of the country’s geographically area is located in dry and semidry zone with low rainfall. The growing population, the limitation of water resources and the prevalence of groundwater resources in most parts of the country requirement to accurate prediction of the amount of these resources due to the importance of these resources in optimal planning and management. In this research, in order to estimate the fluctuations of groundwater level in the Baruq aquifer, the artificial intelligence models including fuzzy, support vector machine and neural network models were used by the data of depth from 7 piezometers with longterm data of 14 years, as well as changes in temperature and precipitation in this period. Despite the inherent abilities of each models in predicting groundwater level, the heterogeneity of the study area prevented the high efficiency of these models. Therefore, SOMAI modeling combined the selforganized maps (SOM) classification method and each model that is increased the efficiency of each composite model in different parts of the aquifer by dividing the study area into homogeneous regions. The results showed that the proposed method can be an effective method in the modeling of heterogeneous and even multilayered aquifers.