TY - JOUR JF - ijwmse JO - jwmseir VL - 12 IS - 42 PY - 2018 Y1 - 2018/10/01 TI - Prediction of Aquifer Fluctuations Using Neural Networks Models and HARTT Model (Case Study: Yazd-Ardakan Plain) TT - پیش‎بینی تغییرات سطح آبخوان زیرزمینی دشت یزد-اردکان با استفاده از مدل های شبکه عصبی و مدل تجزیه رگرسیون چندگانه خطی هیدروگراف آبخوان N2 - در طول قرن‎های اخیر، منابع آب زیرزمینی به‎عنوان یکی از اصلی‎ترین منابع تامین‌کننده آب مورد نیاز جوامع انسانی به‎شمار می‎آیند. متاسفانه استحصال بی‎رویه آب از این منابع، در بسیاری از مناطق باعث سیر نزولی سطح آب شده است و ادامه این روند، موجب تهدید جدی برای اکوسیستم و جوامع انسانی موجود در منطقه می‎شود. دشت یزد-اردکان، یکی از کانون‎های بحرانی از نظر روند نزولی آب‎های زیرزمینی محسوب می‎شود. در تحقیق حاضر آینده‎نگری سطح آبخوان اصلی یزد-اردکان، از نظر تغییر اقلیم و برداشت‎های انسانی برای دوره 2034-2016 انجام شد. به‎منظور بررسی تغییر اقلیم در منطقه مطالعاتی، از سناریوهای مدل HadCM3 و نرم‎افزار Lars-WG استفاده شد. مدل‎سازی سطح آبخوان نیز، با متغیرهای اقلیمی و روند افت قبلی سفره، توسط انواع شبکه عصبی و مدل تجزیه رگرسیون چندگانه خطی هیدروگراف آبخوان (HARTT) انجام شد. صحت‎سنجی مدل‎های به‎کار رفته نشان داد، مدل HARTT توانایی مناسبی در مدل‎سازی و پیش‎بینی نوسانات آبخوان دارد. به‎کارگیری این مدل در آینده‎نگری آبخوان نشان داد، در صورت ادامه روند فعلی برداشت بی‎رویه از ذخیره آبخوان، تا پایان سال 2033، افت نه متری سطح آبخوان را خواهیم داشت. ادامه این وضعییت، تخریب جدی ذخایر زیرزمینی را از نظر کمی و کیفی دربر خواهد داشت. لذا با توجه به وضعیت نامناسب اقلیمی و منابع آب بحرانی در منطقه، پیشنهاد می‎شود دولت‎مردان و تصمیم‎گیران، در تدوین چشم‎اندازهای آتی منطقه، این مساله را در نظر داشته باشند. SP - 102 EP - 111 AU - برزگری, فاطمه AD - دانشگاه پیام نور KW - Aquifer KW - HARTT Model KW - Artificial Neural Networks KW - Climate Changes UR - http://jwmsei.ir/article-1-737-fa.html ER -