پيش‌بيني زماني و مكاني سطح آب زيرزميني با استفاده از روش‌هاي هوش مصنوعي و زمين آمار (مطالعه موردي: آبخوان دشت دوزدوزان)

Spatiotemporal Predicting of Groundwater Level Using Artificial Intelligence Models and Geostatistics Model Case study: Duzduzan plain

نبود منابع آب سطحي دائمي در بسياري از نقاط كشور باعث اضافه برداشت آب از منابع محدود زيرزميني شده است. در دشت دوزدوزان كه در حوضه آبريز درياچه اروميه قرار دارد، به­ دليل عدم جريان سطحي دائمي برداشت بي­رويه از منابع آب زيرزميني باعث ايجاد متوسط افت 76 سانتي ­متر در سال شده است. هدف از اين تحقيق پيش­ بيني سطح آب زيرزميني در اين دشت با استفاده از روش­ هاي هوش مصنوعي و زمين آمار مي­ باشد. در ابتدا با استفاده از روش خوشه ­بندي مرتبه ­اي (HCA) پيزومترها دسته ­بندي شدند. با انجام آناليز حساسيت، داده­هاي ماهانه سطح آب، بارش و تبخير هركدام با يك تأخير زماني طي دوره 10 ساله (91-82) به­ عنوان ورودي­ هاي مدل انتخاب شدند. پس از نرمال­ سازي داده­ ها مدل­ سازي با شبكه­ هاي عصبي (ANNs) انجام شد. به منظور بررسي بيشتر شبيه­ سازي با مدل فازي ساگنو (SFL) نيز انجام شد. براي مقايسه نتايج دو مدل شاخص­ هاي آماري جذر ميانگين مربعات خطا و ضريب تبيين به­ كار گرفته شدند. با توجه به برتري مدل ANNs، مدل كريجينگ و كوكريجينگ عصبي براي پيش ­بيني مكاني سطح ايستابي انتخاب شدند و پيش بيني مكاني با هر دو مدل انجام شد. نتايج نشان داد كه مدل كوكريجينگ با در نظر گرفتن پارامتر ثانويه توپوگرافي نسبت به مدل كريجينگ پيش ­بيني دقيق­تري داشته است. براساس نتايج به ­دست آمده با افزايش بازه زماني پيش بيني خطاي مدل تركيبي (كوكريجينگ عصبي) افزايش مي­ يابد كه بيش­تر به­ دليل افزايش خطاي مدل شبكه عصبي مصنوعي با افزاييش بازه زماني پيش ­بيني مي ­باشد و خطاي مدل زمين آمار ( كوكريجينگ) نامحسوس به­نظر مي ­رسد.

No permanent surface water resources in many parts of the country resulted in overdraft of limited underground water resources. Duzduzan plain is one of the UromiaLake sub basins. In this area, indiscriminate harvesting of groundwater resources has caused an average decline of 76 centimeters per year. The purpose of this research is Groundwater level spatiotemporal predicting using Artificial intelligence models and Geostatistics model. To predict the groundwater level in the duzduzan plain, initially the piezometera in the plain were classified. The groundwater level in each piezometers category were introduced as output for each of AI models and input of these models include a evaporation and a precipitation and grounwater level of the considered piezometers with one time delay (t0-1), respectively. Ann's model and Sugeno fuzzy (SF) model applied to predict groundwater level. The resulted values of Groundwater level were evaluated by statistical measures, includes root mean square error and correlation coefficient. The obtained results showed ANNs model has better performance. Then the result of ANNs model, including two year monthly groundwater level prediction data in selected piezometers, were used as inputs of geostatistics model (Kriging and Co Kriging) for predating spatially ground water level in the study area. Obtained results showed Co Kriging model has better performance.