بخشی از مقاله
پيش بيني سطح ايستابي آب زير زميني با استفاده از شبکه عصبي مصنوعي (مطالعه موردي: دشت بيرجند)
خلا صه
دشت بيرجند با قرار گرفتن در منطقه خشک ، استفاده از آبها ي زيرزميني را به عنوان مهمترين و در عين حال تنهاترين منبع توليد آ ب شيرين در پيش رو دارد. در همين زمينه پيش بيني نوسانا ت سطح آ ب زيرزميني دشت مي تواند کمک شاياني به برنامه ريز ي وتصميم گيري ها ي بعد ي، جهت تامين دراز مد ت آ ب شر ب ، کشاورز ي و صنعت بنمايد. دشت بيرجند با وسعت ٢٦٨,٨٢ کيلومترمربع و با داشتن بيش از٢٣ چاه مشاهده ا ي که اغلب بيش از ١٥ سال اطلاعا ت ماهانه سطح آ ب در آنها درج شده است ، در اين تحقيق مورد آزمون قرار گرفت . بدين منظور ابتدا مرز حو ضه که از سه طرف به ارتفاعا ت و از يک سو به گسلها ي منطقه محدود مي شد، تعيين گرديد. ١٦پيزومتر که دارا يتوالي آمار ي مناسبي بودند انتخا ب شدند. شبکه تيسن با استفاده از نرم افزار GIS برا ي هر پيزومنر نرسيم شد. ورود ي ها ي شبکه ها يعصبي شامل سه پارامتر برداشت ماهانه آ ب از چاهها ي شر ب و کشاورز ي، ريزشها ي جو ي منطقه برا ي هر تيسن و سطح آ ب هر پيزومتر در زمان ١-t انتخا ب شد. عملکرد شبکه ها ي مختلف عصبي مصنوعي(ANN)، به صور ت تک تک برا ي هر پيزومتر و به صور ت يکجا با استفاده از نرم افزارMATLAB مورد آزمون واقع شدند. خروجي سطح آ ب زيرزميني در هر پيزومتر در زمان t محاسيه شد. سپس نتايج مدل شبکه با سطح آ ب زيرزميني ماهانه دشت به عنوان معيار سنجش مورد مقايسه و ارزيابي قزار گرفت . نتايج نشان داد، با استقاده از شبکه عصبي مصنوعي مي توان نوسانا ت سطح آ ب زيرزميني را با دقت مطلوبي برآورد نمود.
کلمات کليد ي: شبکه عصبي مصنوع ، سطح آب زيرزميني، دشت بيرجند.
١. مقدمه
آبها يزيرزميني به عنوان تنها منبع مورد اعتماد مصر ف آ ب در زمينه ها ي شر ب ، کشاورز ي و صنعت در مناطق خشک و نيمه خشک محسو ب مي شوند. با توجه به اينکه ريزشها ي جو ي در اين مناطق عمدتا به گونه ايست که در زمانها ي محدود اتفاق مي افتد، لذا جريانها ي سطحي عموما به صور ت سيلابي وپس از هر بار ش مشاهده وقطع مي گردد. بنابراين در اين مناطق مهار و بهره بردار ي از آبها ي سطحي فقط به شکل پروژه ها ي آبخيزدار ي و در جهت تغذيه آبها ي زيرزميني انجام مي گيرد، لذا کليه برنامه ريز ي ها ي کوتاه مد ت و دراز مد ت تامين آ ب در اين مناطق ، بر مبنا ي حجم آ ب زيرزميني در دستر س مي باشد.
تا کنون مدلها ي زياد ي جهت پيش بيني سطح آ ب زيرزميني به کار برده شده است . از جمله اين مدلها مي توان به مدلها ي سر ي زماني تجربي و مدلها يفيزيکي اشاره کرد(ايزد ي و همکاران ١٣٨٦). از مدلها ي سر ي زماني تجربي، به طور گسترده ا ي برا ي مدل ساز ي سطح آ ب زيرزميني استفاده شده است ، ولي هنگامي که رفتار ديناميکي يک سيستم هيدرولوژيکي با گذشت زمان تغيير مي کند مدلها ي ياد شده برا يپيش بيني پارامترها ي منابع آ ب توانايي کافي نداشته و مدلها ي مناسبي نيستند(١٩٩٨ ,Bierkens). از طر ف ديگر، مدلها يفيزيکي نيز در عمل به داده ها ي زياد ي برا ي شبيه ساز ي نوسانا ت سطح آ ب زيرزميني نياز دارند و از آنجا که روابط بين متغير ها ي موثر بر سطح آ ب زير زميني احتمالا غير خطي مي باشد مدلها يفوق در ارائه رابطه بين اين متغيرها نيز نمي توانند به خوبي عمل کنند(٢٠٠٦ ,.Nayak et al).
با توجه به اين شرايط ، شبکه ها ي عصبي مصنوعي مي توانند در پيش بيني سطح آ ب زيرزميني موثر واقع شوند. در دشت چمچال مدل شبکه عصبي پرسپترون برا ي شبيه ساز ي سطح آ ب زيرزميني در هر چاهک مشاهده ا ي مورد استفاده قرار گرفت که نتايج مطلوبي را ارائه نمود(تسلطي ١٣٨٢). در دشت نيشابور نيز نتايج آزمايشها نشان مي دهد پيش بيني سطح آ ب زيرزميني در طي ٦ ماه آينده نتايج نسبتا خوبي را ارائه مي نمايد(ايزد ي و همکاران ١٣٨٦). در اين تحقيق هد ف پبش بيني سطح آ ب زيرزميني دشت بيرجند با استفاده از شبکه عصبي مصنوعي مي باشد.
٢. مواد وروشها
١.٢. منطقه مورد مطالعه
حوزه آبريز بيرجند دارا ي وسعت ٣١٥٥ کيلومتر مربع بوده ، که ١٠٤٥ کيلومتر دشت و بقيه را ارتفاعا ت تشکيل مي دهد. اين دشت از شرق به ارتفاعا ت مومن آباد و سيستان ، از جنو ب به کوهها ي باقران و کوه رج ، از شمال به ارتفاعا ت شاه نا صر و اسفدن و بند دره و از غر ب به ارتفاعا ت چنگ در و گرونگ محدود مي شود. دشت بيرجند طبق طبقه بنديها ي اقليمي جزء مناطق خشک محسو ب مي شود. از نظر توپوگرافي مرتفع ترين نقطه آن مربو ط به ارتفاعا ت شمالي منطقه در کوه بند دره با ارتفاع ٢٧٨٧ متر وپس ترين نقطه آن در خروجي دشت در روستا يفدشک با ارتفاع ١٢٤٠ متر بالاتر از سطح درياها ي آزاد قرار دارد. شيب زمين در قسمتها ي شرقي زياد و هرچه به سمت غر ب وقسمتها ي انتهايي دشت حرکت ميکنيم شيب آن کم و سطح زمين تقريبا حالت مسطح دارد.
دشت بيرجند مانند بسيار ي از دشت ها ي ديگر کشور به دليل خشکسالي ها ي ممتد اخير و نيز به دليل برداشت ها ي بي رويه توسط کشاورزان با افت نسبي مواجه شده است . در همين راستا يکي از متغير ها ي در نظر گرفته شده برا ي برآورد سطح آ ب زيرزميني ، ميزان برداشت آ ب از سطح سفره آ ب زيرزميني مي باشد. در بسيار ي از تحقيقا ت پيشين متغير ها يدر نظر گرفته شده برا يپيش بيني سطح آ ب زيرزميني، متغيرها ي بارندگي ، دما ي حداکثر، دما ي حداقل و متوسط مي باشد و به دليل موجود نبودن اطلاعا ت مربو ط به برداشت از سفره آ ب زير زميني در مقيا س ماهيانه در طول دوره مطالعه به طور دقيق ، متغير تبخير-تعرق گياه مرجع به عنوان معرفي برا ي برداشت از سفره آ ب زيرزميني انتخا ب شده است (ايزد ي و همکاران ١٣٨٦). متغير ها ي عنوان شده در بسيار ي از تحقيقا ت ديگر نيز به عنوان وروديها ي شبکه درنظر گرفته شده اند( ,.Coulibaly et al ٢٠٠١) و (٢٠٠٥ ,.daliakopoulos et al) و (٢٠٠٣ ,.Copola et al).
چون در اين تحقيق متغيرها يدر نظر گرفته شده برا ي ورود ي شبکه به ترتيب سطح آ ب هر پيزومتر در زمان ١-t، ميزان ريز ش آ ب به طور متوسط بر رو ي هر تيسن و نهايتا ميزان برداشت آ ب توسط چاهها ي آ ب شر ب و کشاورز ي بر حسب متر مکعب در ماه ، از هر تيسن مي باشد. تعداد ١٦ پيزومتر که دارا ي طول آمار ي به طور متوسط ١١ ساله بودند به پيشنهاد کارشناسان آ ب منطقه ا ي استان انتخا ب و در سامانه اطلاعا ت جغرافيايي برا ي هر پيزومتر چند ضلعي تيسن مربوطه رسم تا امکان مانور برا ي هر پيزومتر مقدور باشد. ميزان بارندگي در هر تيسن از رو ش معکو س فا صله و با توجه به ايستگاهها ي مختلف برآورد شده است .
به کار گير ي چند ضلعي تيسن به اين دليل مي باشد تا به نوعي فيزيک مسئله نيز در متغير ها ي ورود ي شبکه ها ي عصبي گنجانده شده و همچنين تغيير پذير يفضايي متغير بارندگي در سطح دشت مد نظر قرار گيرد، بدين صور ت متغير ها ي هر تيسن مي تواند تاثير معني دار ي در ارائه نتايج داشته باشد(٢٠٠٣ ,.Copola et al).
٢.٢. شبکه هاي عصبي مصنوعي
شبکه ها ي عصبي مصنوعي، برا ي اولين بار در سال ١٩٤٣ توسط مک کولاک وپيتس معرفي شد، اما اين رو ش برا ي مدتها ي طولاني بلا استفاده بود که بعدها با توسعه رايانه ها و همچنين ظهور الگوريتم آموز ش پس انتشار خطا برا ي شبکه ها يپيش خور در سال ١٩٨٦ توسط راملهار ت و همکاران استفاده از آنها وارد مرحله تازه ا ي گرديد(به نقل ازمهديزاده ١٣٨٣).
شبکه ها ي عصبي مصنوعي ترکيبي از بهره بردار ي مواز ي از المانها ي ساده است . اين المانها از سيستم عصبي الهام گرفته شده است . مي توان شبکه عصبي مصنوعي را برا ي انجام يک تابع عملي به وسيله تنظيم مقادير ارتبا ط (وزنها) بين المانها آموز ش داد. معمولا با استفاده از داده ها ي واقعي، خروجي شبکه عصبي مصنوعي به خروجي هد ف تعيين شده سوق مي يابد و شبکه عصبي مصنوعي آموز ش مي بيند. همانگونه که در شکل (٢) ديده مي شود، شبکه بر اسا س مقايسه بين خروجي شبکه و خروجي هد ف تعديل مي شود، تا هنگامي که خروجي با هد ف مطابقت کند(تسلطي١٣٨٢).
ساختار شبکه ها ي عصبي مصنوعي لايه ها ي ورود ي، خروجي و مياني مي باشد. تعداد لايه ها ي مياني ممکن است يک يا چند لايه باشد که به نوع داده ها و ميزان خطا ي شبکه بستگي دارد. همچنين تعداد نرونها در لايه مخفي نقش مهمي در کارايي مدل شبکه عصبي باز ي مي کند. برا ي ايجاد شبکه عصبي مصنوعي، قوانين معيني وجود ندارد و چارچو ب ا صلي از فعاليتها ي مهندسي موفق قبلي تبعيت مي کند، فعاليتهايي که آموز ش و نوع خطا ي آن با ساختار شبکه عصبي مطلو ب مطابقت داشته باشد(٢٠٠٥ ,.Bhattacharya, A.K,Sarangi, A.).
برا ي آموز ش شبکه عصبي، در هر گام مقدار وزنها و باياسها با استفاده از قانون ويدور-ها ف ، طور يتغيير مي يابند که جذر ميانگين مربعا ت خطا(RMSE) مينيمم شود. مقدار خطا ي خروجي برابر اختلا ف بين مقدار هد ف و خروجي شبکه است . مباني آموز ش بدين سان است که ، سلولها ي لايه ورود يتحريک ها ي عصبي را از طريق تعداد ي اتصال به لايه ها ي مخفي منتقل مي کنند. بنابراين ورود ي لايه مخفي يک بردار است . ورود ي هر سلول لايه مخفي از يک تابع تبديل عبور مي کند .در ابتدا ماتريس ها ي وزن و بردارها ي بايا س به صور ت تصادفي مقدار دهي مي شوند . سپس بردار خروجي شبکه با بردار هد ف مقايسه مي شود تا مقدار خطا بدست آيد. اين خطا به شبکه باز گردانده مي شود تا مقادير جديد وزنها با استفاده از الگوريتمي که (RMSE) را مينيمم مي کند محاسبه شود(مختار ي١٣٨٠).
با توجه به پيشرفت ها ي انجام شده در زمينه شبکه عصبي نرم افزارها يزياد يدر اين زمينه نوشته شده که مي توان از آننها به , Neural Work Nerosolution و چند نرم افزار ديگر اشاره کرد. در همين زمينه مي توان به جعبه ابزار شبکه عصبي مصنوعي در نرم افزار MATLAB اشاره داشت که در اين نرم افزار علاوه بر امکان طراحي شبکه ها يعصبي مصنوعي با استفاده از توابع
