بخشی از مقاله
چکیده
در مطالعات آب زیر زمینی تغییرات سطح ایستابی از اهمیت بسیار بالایی برخوردار است. در چند دهه اخیر سیستمهاي هوش مصنوعی مانند شبکه عصبی بیزین کاربرد زیادي در علوم مختلف از جمله مدیریت منابع آب داشته است. دراین پژوهش کاربرد شبکه عصبی بیزین براي پیش بینی تراز سطح ایستابی در منطقه دشت تبریز مورد بررسی و ارزیابی قرارگرفته، که براي این منظور از میزان بارندگی و دما در دوره زمانی مورد نظر و عمق سطح ایستابی دردوره زمانیما قبل به عنوان پارامترهاي ورودي و عمق سطح ایستابی در دوره موردنظر بعنوان خروجی مدل انتخاب گردید.معیارهاي ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف براي ارزیابی و عملکرد مدل مورد استفاده قرار گرفت. نتایج حاصله نشان داد مدل شبکه عصبی بیزین داراي ضریب همبستگی - 0/919 - ، ریشه میانگین مربعات خطا - - 0/002m و نیز معیار نش ساتکلیف - - 0/843 در مرحله صحت سنجی توانسته با دقت قابل قبولی به تخمین سطح ایستابی بپردازد.
کلمات کلیدي: پیش بینی، دشت تبریز، سطح ایستابی، شبکه عصبی بیزین
.1مقدمه
باتوجه به رشد روزافزون جمعیت و ضرورت استفاده بهینه از منابع آب، تأمین بیشترین مقدار ممکن آبهاى زیرزمینی براى رفع نیازهاى همه انسانها از اهمیت ویژه اي برخوردار است. در بیشترمناطق کشور براي بررسی اطلاعات سطح ایستابی یک دشت از طریق پیزومترهاي مشاهده اى موجود در منطقه که توسط وزارت نیرو با حفظ استانداردهاي جهانی جهت آماربرداري ماهانه حفرشده است، با اندازه گیرى سطح آب پیزومتر نسبت به سطح زمین، جمع آورى می شوند. هدف از بررسی تغییرات مکانی، انتخاب روش مناسب درون یابی براي تخمین عمق سطح ایستابی آب زیرزمینی است. منظور از بررسی تغییرات مکانی سطح ایستابی آب زیرزمینی، برداشت بهینه از منابع آب زیرزمینی می باشد. بررسی تغییرات مکانی و زمانی سطح آب زیرزمینی یکی از پارامترهاي بسیار مؤثر در شناخت پتانسیل آبی منطقه جهت برنامه ریزي در آینده است.
امروزه سیستم هاي هوشمند به طور گسترده براي پیشبینی پدیدههاي غیرخطی مورد استفاده قرار میگیرد، که شبکههاي عصبی بیزین عنوان یکی از روش هاي مبتنی بر شبکه هاي عصبی در مدل کردن مسائل غیر خطی و پیچیده از طریق الگوریتم هاي خاص و روش هاي آماري است. با استفاده از این روش می توان به مدل کردن روابط علت و معلولی یک فرآیند ،آنالیز وضعیت موجود و تخمین وضعیت آینده یک سیستم پرداخت - طباطبائی و دشتی زاده،. - 1387 طی سالهاي اخیر استفاده از روش شبکه هاي عصبیدر مطالعات درون یابی تراز سطح آب زیر زمینی مورد توجه محققین قرار گرفته است، که از جمله می توان به موارد ذیل اشاره نمود:
تسلطی - 1382 - مدل شبکه عصبی پرسپترون در دشت چمچال براي شبیه سازي سطح آب زیرزمینی در هر چاهک مشاهده اي مورد بررسی قرار داده و نتایج حاصله حاکی از توانایی بالاي مدل مذکور می باشد. نتایج پژوهش ایزدي و همکاران - - 1386 نشان داد پیش بینی سطح آب زیرزمینی با شبکه هاي عصبی در طی 6 ماه آینده نتایج نسبتا خوبی را ارائه می نماید که در این پژوهش متغیر هاي ورودي شبکه عصبی در دشت نیشابور شامل سطح آب زیرزمینی در زمان t-1،تبخیر و تعرق گیاه مرجع و بارندگی در هر پلیگون بوده است. از سوي دیگر میرعربی - 1387 - براي تعیین پارامترهاي موثر بر تغییرات سطح آب زیرزمینی دشت بیرجند، بررسی مکانی و زمانی سطح آب و مدلسازي نوسانات سطح آب زیرزمینی در پیزومترهاي منتخب دشت مورد مطالعه از شبکههاي عصبی مصنوعی استفاده کرد.
بهترین مدلسازي نوسانات سطح آب با مدل شبکه عصبی FNN-LM از طریق انتخاب پارامترهاي مناسب و با قابل قبولترین تاخیر زمانی بدست آمد. همپنین رحمانی - 1390 - براي شبیه سازي منابع آب زیرزمینی دشت عقیلی از مدلهاي شبکه عصبی مصنوعی و تفاضلات محدود استفاده کرد. مقایسه نتایج نشان داد که شبکه عصبی مصنوعی نسبت به مدل ریاضی با دقت قابل توجهی سطح آب زیرزمینی را پیشبینی نموده است. زمانی احمد محمودي - 1391 - از تلیفق مدل شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک و روش زمین آمار براي تخمین تراز سطح ایستابی دشتهاي دزفول، زیدون و رامهرمز استفاده کرد. نتایج این تحقیق نشان داد تلفیق این دو مدل قابلیت بسیار بالایی در تخمین سطح آب زیرزمینی این دشتها دارد. بوستامی و همکاران - 2007 - بارش و سطح آب را در بوداپ مالزي با استفاده از تکنیک شبکه هاي عصبی پیشبینی کردند.
نتایج ایشان نشان داد که شبکههاي عصبی مصنوعی با دقت 96/4 درصد قابلیت پیشبینی بارش را در رودخانه مورد مطالعه دارد. سریکانت و همکاران - 2009 - عملکرد شبکه عصبی استاندارد FFN که با الگوریتم لونبرگ-مارکورت - LM - آموزش داده شده، براي پیشبینی نوسانات سطح آب زیرزمینی در حوضه آبریز می شی وارم حیدرآباد هند را مورد آزمایش قراردادند. نتایج این تحقیق نشان داد که مدل مذکور بهترین انطباق و روند پیش بینی با دادههاي مشاهداتی دارد. از سوي دیگر استیل - 2009 - در مطالعهاي کاربرد شبکههاي عصبی مصنوعی را در زمینهي ژئوهیدرولوژي مورد بررسی قرارداد. وي کاربرد انواع شبکههاي عصبی را با استفاده از الگوریتمهاي متعدد مورد تحلیل قرار داده و بیان داشت که شبکههاي پیشرو همراه با تاخیر زمانی موثرترین نوع شبکه در زمینه ژئوهیدرولوژي هستند. در مجموع با توجه به پژوهشهاي انجام شده و همچنین اهمیت دشت تبریز از لحاظ شرب و کشاورزي تغییرات تراز سطح ایستابی به منظور پیش بینی و اقدامات مدیریتی جهت بهبود با استفاده از شیکه عصبی بیزین از جمله اهداف پژوهش حاضر در نظر گرفته شده است.
.2مواد و روش ها
.1-2 منطقه مورد مطالعه و داده هاي مورد استفاده
دشت تبریز از حوضه آبریز رودخانه آجی چاي بوده که در استان آذربایجان شرقی قرار گرفته است. این دشت با مختصات45˚ 30 -́ 46˚ 15 ́ طول شرقی و37˚ 56 ́- 38˚ 17 ́ عرض شمالی در شرق دریاچهي ارومیه واقع شده است - شکل. - 1 محدودهي غربی آن به باتلاقهاي نمکی حاشیه دریاچهي ارومیه، حد شمالی آن به کوههاي میشو، حد جنوبی آن به تودهي کوهستانی سهند و حد شرقی آن به کوههاي عونبنعلی محدود میشود. رود اصلی دشت آجیچاي میباشد که به طرف دریاچه ارومیه جریان دارد. سایر رودخانههاي دشت را سعیدآبادچاي، مهرانرود، گمانابچاي و غیره تشکیل میدهند. در شرق، شمال-شرق و جنوبشرقی دشت، آبخوانهاي آزاد گسترش یافت است و در قسمت هاي غربی دشت وجود دو نوع آبخوان آزاد و تحت فشار بدیهی به نظر میرسد - اصغري مقدم،. - 1991 آبخوانهاي آزاد تشکیل شده در آبرفتها - مخروط افکنهها - با وجود وسعت کمی که دارند کیفیت آب آنها نیز خوب است. آبخوان تحت فشار بخش مرکزي و غربی دشت، آبهایی با کیفیت نسبتاً مناسبی دارند - ندیري، . - 1386 در جدول1 خصوصیات آماري پارامترهاي موثر بر تراز سطح ایستابی در بازه هاي زمانی مذکور نشان داده شده است.جدول2 نیز ماتریس همبستگی بین تراز سطح ایستابی و پارامترهاي ورودي را نشان میدهد بر اساس جدول مذکور، تراز سطح ایستابی دوره زمانی t-1 بیشترین همبستگی را با تراز سطح ایستابی دارند همچنین نتایج معنی دار بودن پارامترهاي موثر بر تراز سطح ایستابی در سطوح احتمال 5 و 10 درصد نشان داد، فقط تراز سطح ایستابی دوره زمانی t-1 همبستگی معنی داري در هردو سطح احتمال دارد.
