پيش بيني زماني و مكاني تراز آب زيرزميني دشت داورزن

Spatiotemporal Groundwater Level Forecasting in Davarzan Plain

هدف از اين پژوهش تخمين مقدار تراز آب زيرزميني در نقاط مختلف دشت داورزن واقع در استان خراسان رضوي در يك ماه آينده است. جهت پيش ­بيني زماني از روش پرسپترون چندلايه‌ شبكه­ عصبي و براي پيش ­بيني مكاني از روش كريجينگ استفاده شده است. داده­ هاي ورودي شامل سري زماني تراز آب زيرزميني است كه به ­مدت هشت سال از مهر 82 تا اسفند 89 به صورت ماهيانه اندازه ­گيري شده است. ابتدا به ­منظور تعيين ميزان دقت مدل، تراز آب زيرزميني 12 ماه پاياني يك پيزومتر جديد با استفاده از روش پيشنهادي مدل­ سازي شده و با مقدار واقعي آن مقايسه گرديده است. مقدار ضريب انطباق به ­دست آمده (0/812=E) نشان‌ دهنده­ كارايي مدل در اين دشت است. سپس با اتكا به نتايج قابل قبول به ­دست آمده، تراز آب زيرزميني يك ماه آينده پيش بيني شد. در مرحله­ بررسي كارايي مدل، روش شبكه­ عصبي با ميانگين ضريب انطباق 0/688براي پيزومترها و نيم تغييرنماي گوسي نيز با درصد همبستگي 0/657 نتايج قابل قبولي را براي دشت داورزن نشان دادند.

In this article, a hybrid, artificial neural network-geostatistics (Kriging) methodology is utilized to predict the spatiotemporal groundwater level in Davarzan plain in Khorasan Razavi province in Iran. The data for the study were the groundwater levels of 5 piezometers from September 2003 to April 2012 which were recorded on monthly basis. Neural network was used for predict the groundwater level of the successive months and geostatistic were used to estimate the groundwater level at any desired point in the plain. To determine the accuracy and efficiency of model, the method was tested on a new piezometer (Bagherabad) at the first stage. The results were compared with the actual value. And the results (E=0.812) show the efficiency of model. Then, based on appropriate achieved results, the groundwater level was predicted in the month ahead. The results show that neural network with average coefficient of determination (E=0.688) and Gaussian variogram with (R2=0.657) had high efficiency for predicting the groundwater level in this plain