مدل‌سازي پارامترهاي كيفي EC، SAR و TDS در آب زيرزميني با استفاده از شبكه عصبي مصنوعي (مطالعه موردي: دشت مهران و دهلران)

Modeling quality parameters EC, SAR and TDS in groundwater using artificial neural network (case study: Mehran Plain and DEHLORAN

با توجه به اهميت آب­ هاي زيرزميني در بخش شرب و كشاورزي، شبيه ­سازي و پيش­ بيني تغييرات كيفي آن از نيازهاي روزافزون بشر محسوب مي ­گردد. در اين تحقيق كار مدل­ سازي پارامترهاي كيفي TDS و EC بر اساس ساير مؤلفه ­هاي شيميايي يعني آنيون­ها و كاتيون­هاي اصلي، SAR و pH انجام شده است. همچنين جهت مدل ­سازي نسبت جذب سديم به عنوان متغير وابسته، فراسنج ­هاي طول و عرض جغرافيايي، هدايت الكتريكي، ميزان كل عناصر محلول و مقادير pH به عنوان متغير مستقل به كار گرفته شدند. در اين مطالعه شبكه عصبي با الگوريتمMarquardt Levenberg- براي پيش­ بيني پارامترهاي كيفي آب زيرزميني انتخاب گرديد. نتايج نشان داد روش شبكه عصبي كارايي بالايي در پيش­بيني مقادير پارامترهاي كيفي آب زيرزميني دارد. مقدار بالاي ضريب همبستگي به دست آمده بين پارامترهاي مدل­سازي شده بيان­گر نزديك بودن مقادير پيش ­بيني گرديده با داده ­هاي اندازه­ گيري شده و توانايي و دقت بالاي روابط بين متغيرهاي ورودي با خروجي است. ضريب تبيين هر سه عنصر مدل ­سازي شده نيز در سه مرحله آموزش، اعتبارسنجي و تست بالاي 90 درصد مي­ باشد كه نشان دهنده ­ي دقت قابل قبول شبكه عصبي مصنوعي و يادگيري خوب و كارآمد شبكه با استفاده از الگوريتم آموزشي مورد نظر و داده ­هاي ارايه شده به شبكه است. نتايج اين مطالعه از اهميت زيادي در جهت برنامه ­ريزي و مديريت يكپارچه كيفيت منابع آب و حفاظت و بهره­ وري مناسب از آن در منطقه مطالعاتي برخوردار مي­باشد

Given the importance of ground water for drinking and agriculture sector، simulation and forecasting changes its quality is an increasing human needs. In this study، the modeling of water quality parameters TDS and EC based on other chemical components of the major anions and cations، SAR and pH have been carried out. In addition to modeling the sodium adsorption ratio as the dependent variable parameters latitude، electrical conductivity، total dissolved elements and pH values were used as independent variables. The neural network to predict Marquardt Levenberg- groundwater quality parameters were selected. Results showed that high performance neural network to predict the groundwater quality parameters. High levels of correlation coefficient obtained between the values of parameters modeled closely reflects anticipated the measured data and the ability and accuracy of the relationships between input variables with output. Coefficient of determination of all three elements were modeled in three phases: training، validation and testing is over 90 percent Which indicate acceptable accuracy and good learning neural network and efficient network using the learning algorithm and data provided to the network. The results of great importance for the planning and integrated management of water resources and conservation and better utilization of it is important in the study area.