پیش بینی سطح ایستابی مناطق خشک و نیمه خشک با استفاده از شبکه عصبی مصنوعی و قانون یادگیری Gradient Descent.

نویسندگان

1 دانشگاه خوارزمی

2 دانشگاه هرمزگان

3 دانشگاه حکیم سبزواری

چکیده

قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. در نواحی فلات مرکزی و جنوبی اجتماعات شهری و روستایی با اتکاء به منابع آب زیر زمینی شکل گرفته و این منابع عمده‌ترین تامین کننده نیازهای آبی در این مناطق محسوب می‌شود. رشد روز افزون جمعیت و محدودیت منابع آبی لزوم پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. پیش بینی سطح ایستابی با استفاده از ابزارها و روش‌های نوین مدلسازی می‌تواند کمک شایانی به برنامه ریزی و تصمیم گیری بهینه جهت تامین دراز مدت آب نماید. هدف از این تحقیق تخمین سطح ایستابی آبخوان سرخون استان هرمزگان با استفاده از شبکه عصبی و بهره مندی از قانون Gradient Descent می باشد. این روش با استفاده از ارتباط ذاتی داده‌ها، روابط غیر خطی بین آن‌ها را یاد گرفته و نتایج را برای بقیه حالت‌ها تعمیم می‌دهد به منظور آموزش مدل از اطلاعات 10چاه مشاهده ای که دارای آمار 24ساله بودند استفاده گردید70درصد داده‌ها به عنوان داده‌های آموزشی به مدل معرفی و20درصد داده‌ها به عنوان تست برای اعتبار سنجی به کار برده شد. نتایج این روش, تراز سطح ایستابی آبخوان سرخون برای سال1400را بین22تا72متر در مناطق مختلف پیش بینی می کند. ارزیابی این مدل با خطای RMSE بین 0.00125- تا0.0509و همچنین خطای MEA بین 0.0012- تا 0.049 کارایی مدل شبکه عصبی Gradient Descent را در پیش بینی سطح ایستابی منابع زیر زمینی نشان می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of water table in arid and semi-arid zones using neural networks and Gradient Descent learning rule

نویسندگان [English]

  • javad sadidi 1
  • mohammad kamangar 2
  • Hani Rezaian 1
  • alireza hamidian 3
  • Mohammad Baaghideh 3
  • heidar aryanejad 2