فهرست نشریات علمی دسترسی آزاد ایران

آب زیرزمینی به‌عنوان یکی از منابع حیاتی برای تأمین نیازهای انسانی، کشاورزی، صنعتی و محیط‌زیستی، نقش مهمی در مدیریت منابع آبی ایفا می‌کند. با توجه به چالش‌های روزافزون در مدیریت منابع آب، پیش‌بینی دقیق سطح آب زیرزمینی، اهمیت بسیاری در بهره‌برداری پایدار از این منابع دارد. در این تحقیق، از مدل یادگیری عمیق شبکه عصبی کانولوشنی (CNN) برای پیش‌بینی سطح آب زیرزمینی در منطقه سیدان-فاروق در حوضه آبریز طشک بختگان مهارلو، استان فارس استفاده شده است. مدل پیشنهادی از داده‌های هواشناسی شامل بارش، دما، تبخیر تعرق و داده‌های تاریخی سطح آب زیرزمینی به‌عنوان ورودی استفاده می‌کند. نتایج نشان می‌دهد که افزودن داده‌های سطح آب زیرزمینی گذشته (با تأخیر یک ماهه) به مدل، دقت پیش‌بینی را افزایش داده است. در سناریوی اول، مدل با استفاده از پارامترهای هواشناسی به مقادیر نش 0/99 و ضریب تعیین 0/98 دست یافت. در سناریوی دوم که داده‌های تاریخی سطح آب زیرزمینی اضافه شد، مقدار RMSE از 0/49 متر به 0/35 متر کاهش یافته و شاخص پایداری مدل (PI) از 0/6 به 0/8 افزایش یافته است. همچنین تحلیل خطا و دقت مدل به‌طور فصلی و ماهانه نشان می‌دهد که سناریوی دوم عملکرد بهتری را نسبت به سناریوی اول داشته است. این نتایج نشان‌دهنده توانایی بالای مدل در شبیه‌سازی تغییرات زمانی سطح آب زیرزمینی و نوسانات فصلی آن است. این رویکرد می‌تواند به‌عنوان ابزاری مؤثر برای مدیریت منابع آب زیرزمینی در مناطقی که با کمبود داده‌های مشاهداتی مواجه هستند، مورد استفاده قرار گیرد.