ارزيابي و دقت سنجي روش هاي هوش مصنوعي، زمين آمار و وزن دهي معكوس فاصله در شبيه سازي عمق آب زيرزميني

Evaluation and Accuracy of Artificial Intelligence, Geostatistics and Inverse distance weighting Methods in Simulation the Groundwater Depth

مقدمه: اگرچه تنش بر سر آب افزايش يافته است، اما احتمال بروز تضاد درباره منابع آب مشترك بيشتر است. تحقيق حاضر با هدف بررسي تضاد آب و روش ­هاي مديريت آن در بين كشاورزان انجام گرفت. روش­: اين تحقيق با روش توصيفي-پيمايشي انجام شد. ابزار جمع ­آوري داده­ ها، پرسشنامه بود كه روايي آن با مراجعه به اساتيد دانشگاه تأئيد گرديد. جمعيت موردمطالعه، كشاورزان شهرستان بهار در استان همدان بودند كه از چاه­ هاي آب مشترك براي تأمين آب كشاورزي استفاده مي­­ كردند. با استفاده از فرمول كوكران، حجم نمونه برابر 214 نفر برآورد گرديد كه با روش نمونه ­گيري ساده تصادفي انتخاب شدند. يافته ­ها: يافته ­هاي پژوهش نشان داد در دامنه امتياز 1 تا 5، "خشكسالي" و "افزايش تعداد كشاورزان" به ترتيب با ميانگين 3/56 و 3/45، از دلايل اصلي ايجاد تضاد آب كشاورزي مي ­باشند. همچنين اولويت­ روش ­هاي كاهش تضاد آب مربوط به مشاركت كشاورزان در مديريت آب چاه­­ هاي كشاورزي و مذاكره با آنان پيرامون آب بود. نتايج نشان داد در مقياس با دامنه 13 تا 65، تضاد ادراك‌شده پيرامون آب كشاورزي با ميانگين 38/51 در حد متوسط بود و با افزايش فاصله مزرعه از چاه آب، مساحت زمين كشاورزي اجاره­اي و همچنين درآمد سالانه از فعاليت ­هاي غير كشاورزي، ادراك و احساس كشاورزان از تضاد آب كشاورزي افزايش مي­ يافت. در مقابل، با افزايش مساحت زمين كشاورزي ملكي و ميزان درآمد حاصل از كشاورزي، ادراك و احساس كشاورزان از تضاد آب كشاورزي كمتر مي ­شد. بيشترين استفاده كشاورزان براي مديريت تضاد آب از راهبرد «كنترل» بود. از اين نظر، راهبرد «راه ­حل­ گرايي» و راهبرد «عدم مقابله» به ترتيب در اولويت­ هاي بعدي قرار داشتند. نتيجه­ گيري: لازم است سياست­ هاي مناسب براي محافظت از كشاورزان در هنگام خشكسالي به منظور كاهش تضاد آب دنبال شود. كسب درآمد از طريق فعاليت­ هاي غيركشاورزي به تنهايي نمي ­تواند ادراك كشاورزان از تضاد آب را كاهش دهد و افزايش درآمد كشاورزان از كشاورزي براي كاهش تضاد آب مورد نياز است. برگزاري جلسات گفتگو و تعامل بين كشاورزان مي­ تواند به تحليل دلايل تضاد آب كشاورزي و يافتن روش­ هاي مناسب براي كاهش آن كمك نمايد.

Successful management of groundwater resources using numerical models requires knowledge of spatial distribution of hydraulic heads and it's fluctuation, aquifer parameters and other input data. One of the most basical issues in groundwater resources management is the estimation of water table from observation well network data. In this study, three methods of artificial intelligence, geostatistics (Kriging) and IDW with evapotranspiration, air temperature, precipitation and geographic inputs were used to simulate the depth of groundwater Salman Farsi Sugarcane Plantation. The results showed that the highest simulation accuracy of groundwater depth in Salman Farsi Sugarcane Plantation was related to the artificial neural network model with the highest R2 (0/92) index and lowest RMSE and MAE (1.25 and 1.74) values. Also, among the Kriging and IDW models used, the accuracy of the Kriging model was more than the IDW model. Due to the acceptable accuracy of the results of the presented models, the water resource planner and decision maker in this field can apply this optimum interpolated groundwater depth to monitoring the spatiotemporal fluctuation of groundwater depth in this area by updating it's data.