مقايسه مدل‌ عددي، روش‌هاي هوشمند عصبي و زمين آمار در تخمين سطح آب زيرزميني

Comparison of numerical model, neural intelligent and GeoStatistical in estimating groundwater table

مدل‌سازي به‌عنوان روشي كارآمد با كم­ترين هزينه، امكان مطالعه پيچيدگي جريان آب زيرزميني را براي مديران فراهم مي‌نمايد. هدف اين تحقيق مقايسه مدل عددي، روش­هاي هوشمند عصبي و زمين آمار در مدل‌سازي تغييرات سطح آب زيرزميني مي‌باشد. بدين منظور اطلاعات آبخوان دشت همدان – بهار به‌عنوان يكي از مهم‌ترين منابع تامين آب منطقه، مورد مطالعه قرار گرفت. در اين پژوهش از كد عددي MODFLOW در نرم­افزار GMS، شبكه عصبي مصنوعي و روش عصبي - فازي در نرم‌افزار NeuroSolution، روش عصبي – موجك در نرم­افزار MATLAB و روش زمين آمار در نرم‌افزار ArcGIS استفاده گرديد. مقايسه نتايج نشان داد كه دقت روش‌هاي محاسبه سطح آب زيرزميني برحسب كم­ترين آماره مجذور ميانگين مربعات خطاي نرمال (NRMSE)، به‌ترتيب به روش عصبي - موجك، عصبي – فازي، زمين آمار، شبكه عصبي مصنوعي و مدل عددي تعلق داشت. به‌طوري كه مقدار آماره NRMSE در روش عصبي - موجك به‌عنوان روش بهينه، برابر 0/11درصد و در روش مدل عددي برابر 2/2 درصد بدست آمد. مقدار ضريب همسبتگي روش‌هاي فوق به‌ترتيب 0/998و 0/904بود. بنابراين مي‌توان كاربرد روش­‌هاي تركيبي هوشمند عصبي به‌ويژه نظريه موجك را در محاسبه سطح آب زيرزميني مناسب‌تر از روش زمين آمار و مدل عددي دانست. ضمن آن‌كه در روش­‌هاي هوشمند عصبي از متغيرهاي زوديافت طول و عرض جغرافيايي و ارتفاع از سطح دريا به‌عنوان بردار اطلاعات ورودي استفاده شد . نتايج پهنه‌بندي سطح آب زيرزميني آبخوان نيز گوياي روند كاهش سطح آب زيرزميني از بخش غرب به شرق آبخوان بود كه همسو با گراديان هيدروليكي مي‌باشد.

Modeling provides the studying of groundwater managers as an efficient method with the lowest cost. The purpose of this study was comparison of the numerical model, neural intelligent and geostatistical in groundwater table changes modeling. The information of Hamedan – Bahar aquifer was studied as one of the most important water sources in Hamedan province. In this study, MODFLOW numerical code in GMS software, artificial neural network (ANN) and neural – fuzzy (CANFIS) method in NeuroSolution software, wavelet-neural method in MATLAB software and geostatistical method in ArcGIS software were used. The results showed that the accuracy of methods in estimation of the groundwater table with the lowest Normal Root Mean Square Error (NRMSE) include Wavelet-ANN, CANFIS, geostatistical, ANN and numerical model, respectively. The NRMSE value in Wavelet-ANN method as optimization method was 0.11 % and in numerical model was 2.2 %. Also the correlation coefficients were 0.998 and 0.904, respectively. So application of neural combination models, specially, wavelet theory in estimated the groundwater table is most suitable than geostatistical and numerical model. Moreover, in the neural intelligent models were applied latitude, longitude and altitude as available variables in input models. The zoning results of groundwater table indicated that the decreased trend of groundwater table was from the west to the east of aquifer which was in line with the hydraulic gradient.