محمدجواد رضایی؛ محمدرضا رضایی؛ جعفر رضایی
چکیده
در نواحی خشک و نیمه خشک، آب عمده‌ترین عامل محدودیت کشاورزی است. در این مناطق به دلیل کمبود جریان‌های سطحی، فشار عمده بر آب‌های زیرزمینی وارد می‌شود. منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی‌رویه دچار افت شدید گردیده است. در این تحقیق، ما از چهار مدل متفاوت شبکه عصبی تکاملی شامل، شبکه عصبی پرسپترون چندلایه ...
بیشتر
در نواحی خشک و نیمه خشک، آب عمده‌ترین عامل محدودیت کشاورزی است. در این مناطق به دلیل کمبود جریان‌های سطحی، فشار عمده بر آب‌های زیرزمینی وارد می‌شود. منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی‌رویه دچار افت شدید گردیده است. در این تحقیق، ما از چهار مدل متفاوت شبکه عصبی تکاملی شامل، شبکه عصبی پرسپترون چندلایه با الگوریتم ژنتیک (ANN-GA)، شبکه عصبی پرسپترون چندلایه با بهینه‌سازی ازدحام ذرات (ANN-PSO)، شبکه عصبی پرسپترون چندلایه با الگوریتم رقابت استعماری (ANN-ICA) و شبکه عصبی پرسپترون چندلایه با بهینه سازی کلونی مورچگان (ANN-ACOR) برای تخمین سطح آب زیرزمینی بر طبق جریان ورودی زیرزمینی، نفوذ موثر از بارندگی، نفوذ موثر از جریان سطحی و سیلاب، نفوذ موثر از آب برگشتی کشاورزی، جریان خروجی زیرزمینی، برداشت از آبخوان جهت کشاورزی، تبخیر از سطح آب زیرزمینی و داده‌های گذشته سطح آب زیرزمینی استفاده کرده‌ایم. ترکیب ورودی‌ها با استفاده از تجزیه و تحلیل خود همبستگی، خود همبستگی جزئی و همبستگی متقابل برای هر مدل آماده شده است. مدل‌های بهینه با تغییر پارامترهای کنترلی به دست آمده اند. بهترین دقت از بین مدل‌های ارائه شده برای ورودی (GWLt-1 ، GWLt-2، Qint، Qpt-1، Qrt-1، Qit-1، Qoutt-1، Qwt-1 و Qet-1) به دست آمده است. دقت میانگین مربعات خطا در فاز آزمایش برای مدل‌های ANN-PSO، ANN-ICA، ANN-ACOR به ترتیب برابر 1.2208، 0.9456و 1.7720 و برای مدل ANN-GA برابر 0.8739 به دست آمده است. میانگین خطای نسبی مدل ANN-GA برابر 3.6% و ضریب اطمینان آن 0.9388 است. با توجه به نتایج به دست آمده مدل ANN-GA عملکرد بهتری نسبت به سه مدل دیگر برای تخمین سطح آب زیرزمینی از خود نشان داده است.
