پیش‌بینی تراز سطح آب زیرزمینی با شبکه‌های عصبی مصنوعی بر مبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی

پیش‌بینی دقیق و قابل اعتماد از سطح آب زیرزمینی در یک منطقه برای استفاده پایدار و مدیریت منابع آب بسیار مهم است. این پژوهش با هدف ارزیابی شبکه‌های عصبی مصنوعی (anns)؛ پیش‌رونده عمومی (gff) و تابع پایه شعاعی (rbf)  در پیش‌بینی ماهانه تراز سطح آب زیرزمینی در دشت دزفول اندیمشک در جنوب غربی ایران انجام شد. برای تعیین متغیرهای موثر ورودی در anns از الگوریتم اطلاعات متقابل جزئی (pmi) استفاده شد. نتایج به‌کارگیری الگوریتم pmi نشان می‌دهد که متغیرهای ورودی موثر بر پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای تحت تاثیر برداشت و تغذیه آب، فقط شامل تراز سطح آب در ماه فعلی است. همچنین متغیرهای ورودی موثر بر پیش‌بینی تراز سطح آب برای پیزومترهای تحت تاثیر فقط برداشت آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، مختصات عرضی پیزومتر به utm، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل و مختصات طولی پیزومتر به utm است. علاوه بر این متغیرهای ورودی موثر بر پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای نه تحت تاثیر برداشت و نه تغذیه آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل، تراز سطح آب در شش ماه قبل، مختصات عرضی پیزومتر به utm و مختصات طولی پیزومتر به utm است. نتایج نشان می‌دهد که شبکه gff از دقت بیشتری نسبت به شبکه rbf، در پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل برداشت و تغذیه آب و پیزومترهای شامل فقط برداشت آب برخوردار است. علاوه بر این شبکه rbf دقت بیشتری در پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل نه برداشت و نه تغذیه آب نسبت به شبکه gff برخوردار است.

prediction of groundwater level using artificial neural networks based on efficient input variables selection by partial mutual information algorithm

an accurate and reliable prediction of groundwater level in a region is very important for sustainable use and management of water resources. in this study, the generalized feedforward (gff) and radial basis function (rbf) of artificial neural networks (anns) have been evaluated for monthly predicting groundwater levels in the dezfulandimeshk plain in southwestern iran. the partial mutual information (pmi) algorithm was used to determine efficient input variables in anns. the results of using the pmi algorithm showed that efficient input variables for monthly predicting groundwater level for piezometers affected by water discharge and recharge include only water level in the current month. also, efficient input variables for predicting the water level for piezometers affected only by water discharge include the water level in the current month, the water level in the previous month, the water level in the previous two months, transverse coordinates of piezometers to utm, the water level in the previous three months, the water level in the previous four months, the water level in the previous five months and longitudinal coordinates of piezometers to utm. in addition, efficient input variables of monthly predicting groundwater level for piezometers neither affected by water discharge nor water recharge, respectively, include the water level in the current month, the water level in the previous month, the water level in the previous two months, the water level in the previous three months, the water level in the previous four months, the water level in the previous five months, the water level in the previous six months, transverse coordinates of piezometer to utm and longitudinal coordinates of piezometer to utm. the results indicated that the gff network is more accurate than the rbf network for monthly predicting groundwater level for piezometers including water discharge and recharge and piezometers including only water discharge. also, the rbf network is more accurate for monthly predicting groundwater levels for piezometers that include neither water discharge nor recharge than the gff network.