مدل سازی زمانی و مکانی تراز آب زیر زمینی با استفاده از مدل های کریجینگ و شبکه های عصبی مصنوعی (مطالعه موردی: دشت میناب)

بخش اعظمی از منابع آب دنیا، منابع آب زیرزمینی است. رشد سریع جمعیت، توسعه کشاورزی و جوابگو نبودن میزان آب های سطحی منجر به افزایش روند پمپاژ آب و در نتیجه افت سطح آب های زیرزمینی و تهی شدن سفره ها شده است. حیات مناطق خشک و نیمه خشک، به دلیل کمی بارندگی کاملا وابسته به منابع آب زیرزمینی است، بنابراین مدیریت مناسب آب های زیرزمینی در چنین مناطقی بسیار حیاتی است. این پژوهش با هدف مدل سازی مکانی و زمانی تراز آب های زیرزمینی در دشت میناب صورت گرفته است. به منظور شناخت و ارزیابی روند برداشت بی رویه از سفره های آب زیرزمینی دشت میناب، اطلاعات موجود مربوط به منابع آبی (چاه های مشاهده ای) و هیدروژئولوژیکی دشت میناب در دوره زمانی ۱۷ساله (۱۳۷۶-۱۳۹۲) مبنای کار قرار گرفت. برای پهنه بندی و درون یابی تراز آب زیرزمینی دشت میناب علاوه بر روش زمین آماری کریجینگ از روش توابع پایه شعاعی (RBF)که مبتنی بر شبکه عصبی است نیز استفاده شد. در این راستا، مدل های درون یابی اجرا و تغییرات به صورت زمانی و مکانی در سطح دشت میناب بررسی شد. میزان دقت برای هر کدام از مدل ها مورد بررسی قرار گرفت و برای بررسی تغییرات از روش سری زمانی من کندال استفاده شد و در نهایت مدل سازی مکانی - زمانی در طی سال های(۱۳۷۶-۱۳۹۲) مورد بررسی صورت گرفت. نتایج این پژوهش نشان داد که میانگین تراز روندی کاملا کاهشی داشته است. در میان روش های کریجینگ روش کریجینگ ساده نمایی با ضریب تعیین ۸۹/۰ بیشترین دقت را در بین سایر مدل ها نشان داد. در بین روش های RBF نیز روش اسپلاین کاملا منظم با ضریب تعیین ۶۷/۰ بیشترین دقت را نسبت به سایر مدل ها داشت. پس از انتخاب روش کریجینگ به عنوان روش بهینه، روندیابی فضایی با استفاده از نقشه های سالانه تراز صورت گرفت و مشخص شد که میزان افت تراز از نظر جغرافیایی توزیع ناهمسان دارد و در برخی مناطق افت تراز بسیار شدیدتر بوده است. تمامی نقشه های پهنه بندی روند مکانی-زمانی نشان از آن دارد که روند کاهشی تراز آب زیرزمینی دشت میناب از نظر توزیع مکانی با هم متفاوت است و در بخش های مختلف تراز آب با شدت متفاوتی تغییر یافته است که برای انتخاب بهترین روش از بین مدل های مختلف کریجینگ و شبکه عصبی در نهایت از نتایج حاصل از آماره RMSE استفاده شد و مشخص شد که روش کریجینگ در مقایسه با روش RBF به شکل بهتری تغییرات تراز آب را در دشت میناب مدل سازی کرده است.

Keywords:

مدل سازی زمانی , تراز آب , مدل های کریجینگ , شبکه های عصبی , میناب