ارتباط بین بارش و تراز آب زیرزمینی با استفاده از رگرسیون تاخیر زمانی

Abstract

سابقه و هدف: ﺩﺭ ﻛﺸﻮﺭ ایران ﺷﺮﺍﻳﻂ ﺍﻗﻠﻴﻤﻲ ﺑﻪﮔﻮﻧﻪﺍی ﺍﺳﺖ ﻛﻪ ﺣﺘﻲ ﺩﺭ پرﺑﺎﺭﺍﻥﺗﺮﻳﻦ ﻣﻨﺎﻃﻖ ﻛﺸﻮﺭ، ﺑﻪ منابع ﺁﺏ ﺯﻳﺮﺯﻣﻴﻨﻲ ﻧﻴﺎﺯ است ﻭ همه ساله ﺍﻳﻦ ﻧﻴﺎﺯ ﺑﻴﺸﺘﺮ ﻣﻲﺷﻮﺩ. از آنجا که ﺁﺏﻫﺎی ﺯﻳﺮﺯمینی یکی از ﺍﺭﺯﺷﻤﻨﺪﺗﺮﻳﻦ ﻣﻨﺎﺑﻊ ﺁﺏ در کشور ایران ﺑﻪﺷﻤﺎﺭ ﻣﻲﺭﻭﻧﺪ، پیش‌بینی تغییرات آن ﺑﻪ ﻣﻨﻈﻮﺭ ﺑﻬﺮﻩﺑﺮﺩﺍﺭی ﺑﻬﻴﻨﻪ ﺑﺎ ﻫﺪﻑ ﺗﻮﺳﻌﻪ ﭘﺎﻳﺪﺍﺭ بسیار ﺿﺮﻭﺭﺕ است. یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی در طبیعت، فرآیند بارش-تراز آب زیرزمینی است که متاثر از پارامترهای مختلف فیزیکی و هیدرولوژیکی است. اگرچه مدل‌های مختلفی برای پیش‌بینی تغییرات تراز آب زیرزمینی با استفاده از الگوی بارش ارایه شده است اما به مدل تابع‌انتقال کمتر توجه شده است. از این‌رو هدف اصلی این پژوهش معرفی و استفاده از مدل‌ تابع انتقال جهت پیش‌بینی تراز آب زیرزمینی ماهانه با استفاده از آمار بارش و مقایسه نتایج آن با مدل‌های شبکه عصبی-فازی و شبکه عصبی مصنوعی می‌باشد. مواد و روش‌ها: در پژوهش حاضر از آمار 30 ساله (1400-1371) ایستگاه‌های هواشناسی و چاه‌های مشاهده‌ای در 3 حوضه آبخیز گالیکش، رامیان و محمدآباد جهت مدل‌سازی بارش-تراز آب زیرزمینی استفاده شد.سپس، با توجه به اینکه سال‌های نزدیک‌تر به زمان حال اطلاعات دقیق‌تری از وضعیت این زمان دارند، سال‌ها به صورت فرآیند پیش‌رو در شبکه‌های عصبی مصنوعی در نظر گرفته شد. برازش مدل و پیش‌بینی مقادیر تراز آب زیرزمینی با استفاده از داده‌های بارش برای 12 ماه آینده به کمک سه مدل شبکه عصبی مصنوعی (ANN)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF) انجام شد. برای این منظور از نرم‌افزارهای MINITAB SAS, SPSS, و R استفاده شد. در مرحله بعد اعتبارسنجی مقادیر پیش‌بینی شده توسط مدل‌ها با استفاده از 3 شاخص‌ میانگین قدرمطلق فاصله (MAD)، ریشه مربع میانگین خطا (RMSE) و میانگین قدرمطلق درصد خطا (MAPE) مورد ارزیابی قرار گرفت.یافته‌ها: نتایج حاصل از نمودارهای خودهمبستگی‌نگار تراز آب زیرزمینی چاه‌ها نشان داد، تمامی سری‌های زمانی دارای روند فصلی با دوره 12 ماهه هستند. بر اساس نمودارهای خودهمبستگی متقابل نیز مشخص شد که اثر مستقیم بارش بر تراز آب زیرزمینی در دو حوضه آبخیز گالیکش و محمدآباد با تاخیر 3 ماهه و در حوضه آبخیز رامیان با تاخیر یک ماهه انجام شده است. نتایج اعتبارسنجی مدل‌ها با کمک 3 شاخص MAD، RMSE و MAPE نشان داد که مدل شبکه عصبی مصنوعی جهت پیش‌بینی تراز آب زیرزمینی با استفاده از داده‌های بارش ماهانه در هر 3 حوضه آبخیز مورد بررسی دارای مناسب‌ترین عملکرد می‌باشد (RMSE=0.0778, 0.0243, 0.0532m) و مدل شبکه عصبی-فازی (RMSE=0.1841, 0.0832, 0.1012m) در رتبه دوم قرار دارد. اگرچه مدل تابع انتقال نسبت به دو روش دیگر دقت کمتری داشت (RMSE=0.5711, 0.5023, 0.3234m)، اما این مدل در برازش مقادیر تراز آب زیرزمینی ماهانه عملکرد مناسبی داشته است. این مدل در شناسایی تاخیر در تاثیرگذاری بین متغیرهای ورودی و خروجی و همچنین بیان مدلی که می‌توان بر اساس آن نحوه اثرگذاری بارش را به صورت یک مدل بیان کرد، بسیار موثر است.نتیجه‌گیری: نتایج این پژوهش نشان داد که برای پیش‌بینی تراز آب زیرزمینی با کمک مقادیر بارش ماهانه، می‌توان از هر 3 مدل شبکه عصبی مصنوعی، شبکه عصبی-فازی و تابع انتقال استفاده کرد. برای 3 مدل مورد استفاده بیش‌برآوردی و کم‌برآوردی پیوسته که باعث افزایش خطا و کاهش عملکرد مدل‌ها می‌شود، مشاهده نشد. همچنین هر 3 مدل‌ در تشخیص روندها و تغییرات داده‌ها عملکرد مناسبی دارند. با این وجود عملکرد مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر از دقت بالاتری برخوردار است. علاوه بر این هنگامی که از عملکرد پیش‌رو در مدل‌سازی شبکه عصبی مصنوعی استفاده می‌شود نسبت به حالتی که از سری کامل داده‌ها استفاده می‌شود، کارایی مدل به نحو چشمگیری بهبود می‌یابد.

Keywords

• تراز آب زیرزمینی
• بارش
• شبکه عصبی مصنوعی
• شبکه عصبی-فازی
• تابع انتقال