بررسي ارتباط بين خصوصيات هيدروژئومرفولوژي و ميزان جريان‌هاي زير قشري با استفاده از رويكرد شبكه عصبي مصنوعي (مطالعه موردي سدهاي زيرزميني استان كرمان)

Investigation of Relationship between Hydro-geomorphological Characteristics of the Watershed Basin and Interflows Using Artificial Neural Network Approach Case Study: Kerman's Subsurface Dams

به دليل نياز روزافزون به آب و عدم دسترسي به منابع تأمين‌كننده آن، حفظ و استفاده از منابع آب زيرزميني ضروري به نظر مي‌رسد. شناسايي و بهره‌برداري اين منابع از اهميت خاصي برخوردار است. بررسي جريان‌هاي زير قشري نياز به مطالعات ژئوالكتريك و ژئوتكنيك دارد كه هر دو اين عمليات مستلزم صرف وقت و هزينه زياد است؛ بنابراين ارائه روش يا مدلي كه بتوان هزينه بررسي جريان‌هاي زير قشري را به حداقل ممكن كاهش بدهد ضروري است. در اين پژوهش با استفاده از دو نوع شبكه عصبي مصنوعي پرسپترون چندلايه (MLP)و شبكه تابع پايه شعاعي (RBF)به بررسي رابطه بين خصوصيات هيدروژئومورفولوژي حوزه آبخيز جريان‌هاي زير قشري در 7 زير حوزه آبخيز واقع در استان كرمان پرداخته شد. خصوصيات هيدروژئومورفولوژي سدهاي زيرزميني به‌عنوان متغير مستقل ورودي و دبي جريان زير قشري در خروجي حوزه آبخيز به‌عنوان متغير وابسته در نظر گرفته شد. نتايج اين پژوهش نشان مي‌دهد كه شبكه عصبي تابع پايه شعاعي (RBF) با ضريب تعيين 0/9182 و ميانگين مربعات خطاي 0/0289 نسبت به روش شبكه عصبي مصنوعي پرسپترون چندلايه (MLP) با ضريب تعيين0/5288 و ميانگين مربعات خطا 0/0725 نتايج دقيق‌تري در برآورد ميزان دبي جريان زير قشري ارائه مي­نمايد. با توجه به ضريب تعيين محاسبه‌شده مي‌توان نتيجه گرفت كه مدل شبكه عصبي راهكاري مناسب و كم‌هزينه براي بررسي اين ارتباط در حوزه ­هاي آبخيز است.

Due to the increasing need for water and the lack of access to its sources, it is essential to maintain and use groundwater resources. So, identifying and exploiting these resources has particular importance. Investigating interflows requires geo-electric and geotechnical studies, both of which require a lot of time and cost. Therefore, it is necessary to provide a method or model that can minimize the cost of investigating interflows as much as possible. In this research, two types of artificial neural networks; multi-layer perceptron (MLP) and radial base function (RBF) were used to study the relationship between hydro-geomorphological characteristics of the watershed basin and interflows in seven watershed sub-basins in Kerman province. Hydro-geomorphological characteristics of subsurface dams were considered as input independent variables, and the discharge of interflow in the watershed basin outlet was considered as dependent variable. The results of this study show that radial base function (RBF) with determination coefficient of 0.9182 and mean squared error of 0.0289, has more accurate results in estimating the discharge of interflow, compared to artificial neural network method of multilayer perceptron (MLP) with determination coefficient of 0.5288 and mean squared error of 0.725. Regarding the determination coefficient in the used methods, it can be concluded that the model of the neural network is the appropriate solution and low cost to check this connection in the watershed.