فاطمه محمدیاری - دانشجوی کارشناسی ارشد ارزیابی و آمایش سرزمین، دانشکده منابع طبیعی دانشگاه صنعتی خاتم الانبیاء(ص) بهبهان
حسین اقدر - کارشناس ارشد سنجش از دور وGISدانشکده علوم دانشگاه شهید چمران اهواز

امروزه در دنیا آب و منابع آب به عنوان یکی از پایههای اصلی توسعه پایدار به شمار میروند و علاوه برکمیت، کیفیت آب نیز جزء پارامترهای مهم مورد توجه قرار میگیرد. در این راستا پارامترهایکیفی آب جزء مولفههایی هستند که بایستی در برنامهریزیها بهدقت شبیهسازی و تخمین زده شوند. محدودیت منابع آب سطحی مناسب، تقاضای مصرف آب به دلیل افزایش جمعیت و توسعه کشاورزی، انسانها را به سمت بهره برداری از ذخائر آب زیرزمینی سوق داده است. در این تحقیق جهت مدلسازیCLبه عنوان متغیر وابسته، فراسنجهای طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیرpHبه عنوان متغیرمستقل به کار گرفته شدند. نتایج نشان داد شبکههای عصبی مصنوعی قادر به مدلسازیCLبا ضریب همبستگی بسیار بالا وخطای بسیار کم میباشد. مقدار بالای ضریب همبستگی به دست آمده بین پارامترهای مدلسازی شده بیانگر نزدیک بودن مقادیر پیشبینی گردیده با دادههای اندازهگیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. ضریب تبیین عنصرمدلسازی شده نیز در سه مرحله آموزش، اعتبارسنجی و تست بالای 09 درصد میباشد که نشان دهندهی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و دادههای ارائه شده به شبکه است.

مدل سازی، شبکه عصبی مصنوعی ، CL ، آب زیرزمینی