فهرست نشریات علمی دسترسی آزاد ایران

محدودیت منابع آب سطحی، تقاضای مصرف آب را به سمت استفاده از منابع آب زیرزمینی سوق داده است و برداشت از این منابع و عدم تغذیه آبخوان­ها باعث افت سطح تراز آب­های زیرزمینی گردیده است. از طرفی برای ارزیابی و مدیریت منابع آب در شرایط مخاطرات امروز و آینده نیاز به پیش­بینی تراز آب­های زیرزمینی می­باشد. هدف از این پژوهش پیش­بینی تراز آب زیرزمینی حوزه آبخیز کمه شهرستان سمیرم استان اصفهان با استفاده از سیستم هوش مصنوعی می­باشد. در این راستا داده­های مشاهداتی تراز آب زیرزمینی، بارش و دبی در مقیاس ماهانه با سری زمانی 20 ساله (1398 -1379) مورد استفاده قرار گرفت. در الگوریتم شبکه پرسپترون چند لایه (MLP) جهت بررسی قدرت پیش­بینی و تأثیر ورودی­ها از آرایش مختلف، تغییر وزن­های ورودی، تغییر لایه­ها و تعداد نرون­ها استفاده شد. به‌منظور بررسی عملکرد مدل­ها، از دو معیار جذر میانگین مربع خطا (RMSE) و ضریب تعیین (R2) استفاده گردید. به‌این‌منظور از 75 درصد داده­ها (180 سری داده) برای آموزش شبکه و از 25 درصد مابقی (60  سری داده) به‌منظور ارزیابی و تست شبکه استفاده شد. براساس مقایسه جداول RMSE و R آرایش­های مختلف، در پیش­بینی تراز آب زیرزمینی حوضه مورد مطالعه، تأثیر بارش بیشتر از دبی می­باشد و الگوریتم آموزش لونبرگ مارکوارت با داشتن ضریب همبستگی 99/0 و جذر میانگین مربع خطا 0047/0 عملکرد بهتری نسبت به سایرین دارد. نتایج ضمن تایید کارایی مناسب مدل‌های شبکه عصبی مصنوعی در شبیه‌سازی تراز آب زیرزمینی نشان داد که استفاده از پارامترهای اقلیمی نسبت به پارامترهای هیدرولوژیکی جهت مدل­سازی مقادیر کمی آب­زیرزمینی در مدل شبکه عصبی مصنوعی دارای عملکرد بهتری می­باشد. نتایج حاکی از آن است که در شبیه‌سازی تراز آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، با توجه به وجود عدم قطعیت‌های متعدد در داده‌های ورودی به شبکه، انتخاب نوع و ساختار مدل از اهمیت ویژه‌ای برخوردار می‌باشد.