تخمین پارامترهای کیفی آب خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم­ترین پارامترهای اولیه مدیریت جامع منابع آب­زیرزمینی می­باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب­خوان­های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده­های ۱۳۲ چاهک مشاهداتی در دوره آماری ۱۳۸۱ تا ۱۳۹۳ و مدل­های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین­ها به­ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش­های شش ماه و مختصات چاهک­های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین­ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب­های ورودی برتر بخش اول صورت گرفته است. یافته ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به­ترتیب برابر با (meq/l) ۲۱۸/۱، (meq/l) ۸۶۷/۰ و (µmos/cm) ۷۴۲/۱۷۵ بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به­ترتیب برابر با (meq/l) ۲۶۸/۱، (meq/l) ۹۳۳/۰ و (µmos/cm) ۴۴۸/۱۸۶ می­باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل­ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه­گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین­ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته­اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت­سنجی به­ترتیب برابر با (meq/l) ۶۶۲/۰، (meq/l) ۳۰۵/۰ و (µmos/cm) ۳۴۶/۴۷ بوده است و این مقادیر برای مدل SVM به­ترتیب برابر با (meq/l) ۶۷۱/۰، (meq/l) ۳۵۶/۰ و (µmos/cm) ۴۱۲/۵۵ می­باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب­خوان­ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به­ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می­باشد. نتایج بخش دوم نشان داد که آزمون گاما می­تواند به­صورت کاملا کابردی و دقیق در تعیین ترکیب­های ورودی موثر مورد استفاده قرار گیرد.

Keywords:

آزمون گاما , تخمین پارامترهای کیفی , دشت گیلان , شبکه عصبی مصنوعی , ماشین بردار پشتیبان