فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی سطح آب زیرزمینی برای استفاده پایدار از منابع آب، اهمیت زیادی دارد. این پیش‌بینی می‌تواند در مناطقی که با بحران‌های آبی مواجه هستند، به بهبود مدیریت منابع آب کمک کند. در سال‌های اخیر، استفاده از هوش مصنوعی برای پیش‌بینی سطح آب زیرزمینی توجه بسیاری را به خود جلب کرده است. این مدل‌ها می‌توانند وابستگی‌های پیچیده و غیرخطی میان داده‌ها را شبیه‌سازی کنند و در مناطقی که داده‌های هیدرولوژیکی دقیق و جامع در دسترس نیست، کاربرد فراوانی دارند. در این مطالعه، از مدل Long Short-Term Memory (LSTM) برای پیش‌بینی سطح آب زیرزمینی در محدوده مطالعاتی سعادت‌آباد در حوضه آبریز طشک-بختگان استان فارس استفاده شد. هدف اصلی این مطالعه، ارزیابی عملکرد مدل LSTM در مقایسه با مدل‌های سنتی و تحلیل تأثیر توابع فعال‌ساز مختلف بر دقت پیش‌بینی سطح آب زیرزمینی بود. برای بهینه‌سازی هایپرپارامترهای مدل از بهینه‌ساز بیزین (Bayesian optimization) بهره گرفته شد که باعث بهبود دقت پیش‌بینی و شبیه‌سازی وابستگی‌های بلندمدت میان داده‌های ورودی گردید. نتایج نشان داد که مدل LSTM قادر است نوسانات و روندهای بلندمدت سطح آب زیرزمینی را با دقت پیش‌بینی کند. هم‌چنین، مقایسه عملکرد توابع فعال‌ساز مختلف نشان داد که تابع فعال‌ساز ReLU توانست با مقدار NSE برابر با 99/0، R² برابر با 97/0 و RMSE برابر با 67/0 متر، روند تغییرات سطح آب زیرزمینی را شبیه‌سازی کند. هم‌چنین، مشاهده شد که استفاده از GPU به‌طور قابل‌توجهی زمان پردازش را کاهش داد. به‌طور خاص، زمان اجرا برای مدل با CPU برابر با 31 دقیقه و با GPU برابر با 9 دقیقه بود. این مدل توانایی بالایی در شبیه‌سازی الگوهای زمانی پیچیده و پیش‌بینی دقیق سطح آب زیرزمینی دارد و می‌تواند به‌عنوان ابزاری کارآمد برای مدیریت منابع آب زیرزمینی در مناطق مختلف با کمبود داده، استفاده شود.