پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی

     پیش­بینی تراز آب زیرزمینی به منظور مدیریت و برنامه­ریزی منابع آب، بسیار مهم است. برای انجام این پیش­بینی، از روش­های متعددی مانند روش­های استوکستیکی، منطق فازی و شبکه عصبی مصنوعی می­توان استفاده نمود. در تحقیق حاضر، مدل شبکه عصبی مصنوعی RBF هیبرید برای پیش­بینی تراز آب زیرزمینی دشت شاهرود مورد استفاده قرار گرفته است. این هیبرید بودن شبکه باعث افزایش دقت روش نسبت به شبکه RBF پایه می­شود. بدین منظور آمار ماهانه تراز ایستابی دشت شاهرود و هم­چنین داده­های هواشناسی مانند دما، بارندگی، رطوبت و تبخیر، داده­های آب­های سطحی مانند دبی ورودی و خروجی به دشت شاهرود (دبی ورودی مجن آبشار، دبی ورودی تاش فرحزاد و دبی خروجی قلعه نو) طی یک دوره آماری ۱۹۹۴ تا ۲۰۱۰ استفاده شده است. بررسی داده­ها نشان می­دهد که برخی از داده­ها، هم­بسته بوده و دارای الگوی فصلی هستند، این مساله، پیش­بینی داده­ها را دشوار می­کند. بر این اساس، روش ارائه شده در این مقاله شامل مراحل غیرفصلی سازی،  نرمال­سازی و حذف داده­های وابسته است که پیش از این به آن در تحقیقات پرداخته نشده است. سپس از ۸۵ درصد داده­ها برای آموزش و از ۱۵ درصد آنها، برای تست مدل استفاده شده است. در نهایت، بررسی نتایج نشان می­دهد که مدل شبکه عصبی ارائه شده، تراز  آب دشت شاهرود را برای سه سال پیاپی با میانگین مربعات خطای ۰۲۵۷/۰ ­متر برای سال اول، ۰۲۷۰/۰ متر در سال دوم و ۰۴۵۲/۰ متر در سال سوم می­تواند پیش­بینی کند. همچنین در صورتی که بارش منطقه در یک سال، ۳۰ درصد کاهش یابد، نتایج پیش­بینی مدل مذکور نشان می­دهد که تراز  آب زیرزمینی ۷/۰ کاهش می­یابد.

Keywords:

Groundwater level , RBF Neural Networks , Seasonal Data , Shahrood Plain , تراز آب زیرزمینی , دشت شاهرود , مدل شبکه عصبی مصنوعی RBF , داده فصلی