نگین رشیدی؛ وحید موسوی
چکیده
مقدمه و هدف : مدلسازی سطح آب زیرزمینی به دلیل ماهیت پیچیده، غیرخطی و وابسته به عوامل مکانی زمانی، همواره چالشی اساسی در مدیریت منابع آب زیرزمینی بوده است. در این پژوهش، هدف اصلی ارائه و ارزیابی یک رویکرد مدلسازی توزیعی مبتنی بر یادگیری عمیق برای پیشبینی سطح آب زیرزمینی آبخوان کوشکفهان در حوضه آبریز سفیدرود است. با بهرهگیری ...
بیشتر
مقدمه و هدف : مدلسازی سطح آب زیرزمینی به دلیل ماهیت پیچیده، غیرخطی و وابسته به عوامل مکانی زمانی، همواره چالشی اساسی در مدیریت منابع آب زیرزمینی بوده است. در این پژوهش، هدف اصلی ارائه و ارزیابی یک رویکرد مدلسازی توزیعی مبتنی بر یادگیری عمیق برای پیشبینی سطح آب زیرزمینی آبخوان کوشکفهان در حوضه آبریز سفیدرود است. با بهرهگیری از شبکههای عصبی ترسیمی ترکیبشده با ساختارهای پیچشی و حافظه کوتاهمدت بلندمدت، تلاش میشود وابستگیهای مکانی و زمانی رفتار آبخوان شناسایی شده و دقت پیشبینی نسبت به روشهای متداول افزایش یابد.مواد و روشها: در این تحقیق، چهار ساختار یادگیری عمیق مبتنی بر گراف شامل شبکه عصبی ترسیمی (GNN)، شبکه توجه گرافی (GAT)، شبکه پیچشی گرافی (GCN) و مدل ترکیبی GCN LSTM به کار رفت. هر چاه پیزومتری بهعنوان یک گره در نظر گرفته شد و ماتریس مجاورت با وزندهی معکوس فاصله تشکیل گردید. دادههای ورودی شامل متغیرهای هیدرواقلیمی، اطلاعات زمینشناسی، ویژگیهای پمپاژ و فواصل مکانی از عوامل هیدروژئولوژیک بودند. ارزیابی با شاخصهای R²، RMSE، MAE، NSE و KGE انجام شد.یافتهها :نتایج نشان داد که مدل GNN اگرچه توانست روندهای کلی تغییرات سطح آب زیرزمینی را تا حدودی بازسازی کند، اما در نمایش رفتارهای حدی و وابستگیهای زمانی دقت کافی نداشت. مدل GAT نیز نسبت به GNN بهبود نسبی نشان داد، اما همچنان در استخراج الگوهای عمیق زمانی محدود بود. در مقابل، مدل GCN عملکرد بهتری در شناسایی وابستگیهای مکانی از خود نشان داد و موجب بهبود قابل توجه شاخصهای ارزیابی شد. بهترین عملکرد مربوط به مدل GCN-LSTM بود که توانست همزمان ویژگیهای مکانی و زمانی را بهصورت مؤثرتری بازنمایی کند و بیشترین همپوشانی را با دادههای مشاهدهای داشته باشد. بر اساس نتایج گزارششده، این مدل به مقادیر896/0R2=، 336/0 RMSE=و 269/0MAE= دست یافت که نشاندهنده دقت بالای آن در پیشبینی سطح آب زیرزمینی است.نتیجهگیری :یافتههای این پژوهش نشان میدهد که بهرهگیری از معماریهای ترکیبی مبتنی بر گراف و توالی، بهویژه مدل GCN-LSTM, میتواند ابزار بسیار مؤثری برای مدلسازی رفتار هیدرودینامیکی آبخوانهای پیچیده باشد. این مدل توانست با دقت بالا رفتار سطح آب زیرزمینی را پیشبینی کرده و برتری خود را نسبت به مدلهای صرفاً گرافی نشان دهد. در نتیجه، استفاده از این رویکرد برای پیشبینی عملیاتی سطح آب زیرزمینی و مدیریت پایدار منابع آب توصیه میشود. این روش میتواند بهعنوان یک چارچوب نوین در تحلیل و مدیریت آبخوانها، به تصمیمگیری بهتر در حوزه منابع آب کمک کند.
