ارزیابی کارایی روشهای شبکة عصبی مصنوعی و رگرسیون چندمتغیره در بررسی افت سطح آبخوانهای کشور (مطالعة آبخوان دشت اراک)
نویسندگان
1 گروه مهندسی آب، دانشگاه آزاد اسلامی واحد اراک، اراک، ایران.
2 گروه منابع طبیعی و محیط زیست، دانشکده فنی مهندسی و کشاورزی، مرکز تحقیقات علوم گیاهی، دانشگاه آزاد اسلامی واحد اراک، اراک، ایران.
3 گروه مهندسی آب، دانشگاه آزاد اسلامی واحد اراک، اراک، ایران.
4 گروه کشاورزی و منابع طبیعی، دانشگاه آزاد اسلامی، واحد تربت جام، تربت جام، ایران.
5 گروه مهندسی آب، دانشگاه آزاد اسلامی واحد اراک، اراک، ایران.
doi
10.22059/jne.2023.353826.2518چکیده
در سال های اخیر، منابع آب زیرزمینی دشت اراک تحت تنش شدید قرار گرفته است، به طوری که در بعضی مناطق بهعلت خشک شدن چاه های بهرهبرداری، برای دسترسی به آب اقدام به افزایش عمق چاه کرده اند. در بعضی مناطق، سطح آب زیرزمینی بالاست که در آینده، زهدار شدن آن اراضی را درپی خواهد داشت. برای ساماندهی و سنجش واکنش منابع آب زیرزمینی دشت اراک در مقابل اعمال سناریوهای مختلف مدیریتی و اجرایی از مدل سازی منطقه ای استفاده شد. هدف این مطالعه، بررسی عوامل مؤثر در عمق سفره های آب زیرزمینی بهمنظور ارائة مدل منطقه ای با روش رگرسیون چند متغییره برای آبخوان دشت اراک بود. بدینمنظور عمق متوسط سفره های آب زیر زمینی در دشت اراک، بهعنوان متغییر وابسته و عوامل هدایت آبی تشکیلات آبخوان، ارتفاع، متوسط بارش منطقه، میزان تبخیر و فاصله از منابع آبی بهعنوان متغیرهای مستقل در نظر گرفته شد و در محیط نرمافزار SPSS تجزیة رگرسیونی بهمنظور ارائة یک مدل خطی انجام گرفت. در مرحلة بعد مدل ارائه شده با بکارگیری در مکان هایی که از آمار و اطلاعات آن برای ارائة مدل استفاده نشده بود، مورد ارزیابی و کارایی آن مورد بررسی قرار گرفت و در نهایت با بکارگیری این مدل در محیط GIS نقشة عمق سفرة آب زیرزمینی برای منطقة مورد مطالعه تهیه شد. همچنین از شبکة عصبی مصنوعی ANN برای شبیه سازی عمق آب زیرزمینی استفاده گردید. عملکرد شبکة عصبی از طریق پارامترهایی چون خطای جذر میانگین مربعات (RMSE) و ضریب همبستگی بین خروجیهای حقیقی و دلخواه (R) سنجیده شد. نتایج حاصل از هر دو روش نشان داد که عوامل نوع قابلیت انتقال تشکیلات آبخوان، افت سفره، توپوگرافی (ارتفاع محل چاه در سطح حوضه آبخیز)، مقادیر بهره برداری در حداکثر شعاع عمل چاه و فاصله از منابع آب از عوامل اصلی افت آب زیرزمینی می باشند اما کارایی شبکة عصبی مصنوعی در برآورد افت آب زیرزمینی بیشتر از روش رگرسیون چندمتغیره است.