Journal of Watershed Management Research

fa پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی Groundwater Level Prediction of Shahrood Plain using RBF Neural Networks تخصصي Special پژوهشي Research      پیشبینی تراز آب زیرزمینی به منظور مدیریت و برنامهریزی منابع آب، بسیار مهم است. برای انجام این پیشبینی، از روشهای متعددی مانند روشهای استوکستیکی، منطق فازی و شبکه عصبی مصنوعی میتوان استفاده نمود. در تحقیق حاضر، مدل شبکه عصبی مصنوعی RBF هیبرید برای پیشبینی تراز آب زیرزمینی دشت شاهرود مورد استفاده قرار گرفته است. این هیبرید بودن شبکه باعث افزایش دقت روش نسبت به شبکه RBF پایه میشود. بدین منظور آمار ماهانه تراز ایستابی دشت شاهرود و همچنین دادههای هواشناسی مانند دما، بارندگی، رطوبت و تبخیر، دادههای آبهای سطحی مانند دبی ورودی و خروجی به دشت شاهرود (دبی ورودی مجن آبشار، دبی ورودی تاش فرحزاد و دبی خروجی قلعه نو) طی یک دوره آماری 1994 تا 2010 استفاده شده است. بررسی دادهها نشان میدهد که برخی از دادهها، همبسته بوده و دارای الگوی فصلی هستند، این مسأله، پیشبینی دادهها را دشوار میکند. بر این اساس، روش ارائه شده در این مقاله شامل مراحل غیرفصلی سازی،  نرمالسازی و حذف دادههای وابسته است که پیش از این به آن در تحقیقات پرداخته نشده است. سپس از 85 درصد دادهها برای آموزش و از 15 درصد آنها، برای تست مدل استفاده شده است. در نهایت، بررسی نتایج نشان میدهد که مدل شبکه عصبی ارائه شده، تراز  آب دشت شاهرود را برای سه سال پیاپی با میانگین مربعات خطای 0257/0 متر برای سال اول، 0270/0 متر در سال دوم و 0452/0 متر در سال سوم میتواند پیشبینی کند. همچنین در صورتی که بارش منطقه در یک سال، 30 درصد کاهش یابد، نتایج پیشبینی مدل مذکور نشان میدهد که تراز  آب زیرزمینی 7/0 کاهش مییابد.      Groundwater level prediction is an important issue in scheduling and managing water resources. A number of approaches such as stochastic, fuzzy networks and artificial neural network have been used for such prediction. A neural network model has been employed in this research for Shahrood plain groundwater level prediction. For this reason, statistical parameters of groundwater level fluctuations for 16 successive years 1994 to 2010, have been used and also, weather forecasting parameters for 16 successive years from 1994 to 2010 have used. This study indicates that some of the data are correlated an possesed a seasonal pattern. This issue makes difficult the forecasting process. Hence, the proposed method employed policies for non season analyzing, normalizing, and ignoring the correlated date. 85% of the data for train and the rest for testing the proposed neural networks model have used. Results indicate that the proposed method can predict groundwater level of Shahrood Plain for three successive years with the mean square errors of 0.0257m, 0.0270m and 0.0452m. Also, the prediction shows that if the precipitation decreases 30 percent in a year, the groundwater level will decrease 0.7 m. تراز آب زیرزمینی, دشت شاهرود, مدل شبکه عصبی مصنوعی RBF, داده فصلی Groundwater level, RBF Neural Networks, Seasonal Data, Shahrood Plain 118 104 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-130&slc_lang=fa&sid=1 فرزانه اکبرزاده 10031947532846003879 10031947532846003879 No حمید حسن پور 10031947532846003880 10031947532846003880 No صمد امامقلی زاده 10031947532846003881 10031947532846003881 Yes