ارزیابی سیستم های هوش مصنوعی، عصبی فازی و زمین آمار در پیش بینی پارامتر هدایت الکتریکی در آب های زیرزمینی

آب زیرزمینی مهمترین منبع تامین آب در بخش شرب، کشاورزی و صنعت در مناطق خشک و نیمه خشک ایران است از این رو ارزیابی کیفیت این منابع از اهمیت زیادی برخوردار است. در دهه های اخیر سیستم های هوش مصنوعی (AI)، فضایی جدید در ارزیابی مسایل مهندسی آب و محیط زیست ایجاد کرده است. در این مطالعه روش کریجینگ معمول به عنوان یک تخمین گر آماری خطی و دو روش هوشمند شبکه عصبی مصنوعی ANN و سیستم استنتاج تطبیقی عصبی فازی ANFIS ، در پیش بینی مقدار هدایت الکتریکی در آب های زیرزمینی ارزیابی شدند. بدین منظور در حوضه مورد مطالعه، موقعیت 55 چاه ثبت و مقدار هدایت الکتریکی در آنها اندازه گیری شد. در این مدل ها طول و عرض جغرافیایی به عنوان ورودی و هدایت الکتریکی به عنوان خروجی تعیین شدند. 70 درصد از داده ها برای آماده سازی و توسعه روش های مذکور و 30 درصد آنها به منظور ارزیابی و اعتبار سنجی استفاده شدند. در نهایت، خروجی مدل ها با مقدار اندازه گیری شده در چاه های مشاهداتی بر اساس معیارهای ارزیابی متقابل خطا مقایسه شد. نتایج نشان داد مدل ANFIS نسبت به دو مدل درون یابی دیگر عملکرد بهتری در پیش بینی دقیق مقدار هدایت الکتریکی با ریشه میانگین مربعات خطا 246/63(ds/m), (RMSE) با میانگین اریب خطا (MBE)؛ 74/17 و با ضریب همبستگی 0/7867؛ (R) داشته است. مدل ANN به مراتب نتایج بهتری نسبت به روش کریجینگ معمول داشت. بر این اساس مدل ANFIS برای پیش بینی مکانی هدایت الکتریکی در حوضه مطالعاتی پیشنهاد می شود.

Keywords:

آب زیرزمینی , شبکه عصبی و مصنوعی , استنتاج فازی , کریجینگ معمول