fa ترکیب روش‌های هوش مصنوعی و زمین‌آمار برای پیش‌بینی زمانی و مکانی سطح آب زیرزمینی دشت هادیشهر تخصصي Special پژوهشي Research <p dir="RTL"></p> <p dir="RTL"><strong>دشت هادیشهر با وسعتی معادل 57/55 کیلومترمربع در شمال غرب استان آذربایجان شرقی واقع شده است. در چند سال اخیر، به دلیل برداشت بی‌رویه از آب&shy;های زیرزمینی این دشت، سطح آب زیرزمینی افت شدیدی پیدا کرده است. لذا به&shy;منظور یافتن راهکارهایی مفید برای مدیریت صحیح منابع آب زیرزمینی، از ترکیب مدل هوش مصنوعی و زمین&shy;آمار برای پیش&shy;بینی زمانی و مکانی سطح آب زیرزمینی استفاده شده است. ابتدا برای مدل&shy;سازی به روش شبکه عصبی مصنوعی و تعیین بهترین ساختار و الگوریتم از پیزومتر مرکزی استفاده شد. نتایج نشان داد که الگوریتم لونبرگ-مارکوارت(</strong><strong><span dir="LTR">LM</span></strong><strong>) با ساختار 1؛2؛3 (سه ورودی، دو گره میانی و یک خروجی) به ترتیب بهترین الگوریتم و ساختار برای مدل&shy;سازی با شبکه عصبی در این دشت می&shy;باشد. سپس پیزومتر&shy;های انتخاب شده دشت با روش خوشه&shy;بندی سلسله&shy;مراتبی(</strong><strong><span dir="LTR">HCA</span></strong><strong>) دسته&shy;بندی شد و هر دسته از پیزومترها با مدل شبکه عصبی و فازی ساگنو مدل&shy;سازی شد و نتایج با استفاده از معیارهای ارزیابی مانند </strong><strong><span dir="LTR">R</span></strong><strong>^{<span dir="LTR">2</span>}</strong><strong> و </strong>&nbsp;<strong><span dir="LTR">RMSE</span>مقایسه گردید. در این تحقیق از داده&shy;های ماهانه بارش، تبخیر و تراز آب زیرزمینی به&shy;عنوان ورودی&shy;های مدل استفاده شد که نتایج نشان داد از بین روش&shy;های فازی و شبکه&nbsp;</strong><strong style="line-height: 20.8px;">عصبی روش شبکه عصبی کارایی بالاتری داشت. لذا برای پیش&shy;بینی زمانی و مکانی سطح آب زیرزمینی از روش کریجینگ و کوکریجینگ عصبی استفاده شد.</strong></p> <p></p> <p>The Hadishahr plain, with 56 km²area, is located in the northwest of the East Azarbaijan province. Due to the intensive withdrawal of groundwater from this area in the recent years, the water level has been declined significantly. In order to find the best method for managing the groundwater resources of the study area efficiently, artificial neural networks and fuzzy methods were utilized to model and predict the temporal and spatial variations of the groundwater level. Firstly, the central piezometer was used for modeling artificial neural network and determining the best algorithm structure. The results show that the forward neural network with the Levenberg<span dir="RTL">ـ</span>Markvrat (LM) algorithm with 1, 2 and 3 order structure is the best method in this plain, respectively. Afterward, the selected piezometers of the plain were classified with the hierarchical clustering (HCA) methods and each piezometers batch was modeled with the Sugeno fuzzy technique. The results were compared using the statistical parameters such as RMSE and R². In this study, monthly data of rainfall, evaporation, and groundwater level were used as inputs to the model. The results show that the fuzzy and neural network techniques using feed forward neural network with the Levenberg-Markvrat (LM) algorithm achieves the best answer. Thus the neural kriging and neural cokriging method were used, for predicting the temporal and spatial variations of groundwater level.&nbsp;&nbsp;</p> دشت هادیشهر, سطح آب زیرزمینی, شبکه عصبی مصنوعی, فازی ساگنو, کریجینگ عصبی Groundwater level, the Hadishahr plain, artificial neural network, Sugeno fuzzy, neural kriging 27 32 http://jwmsei.ir/browse.php?a_code=A-10-317-3&slc_lang=fa&sid=1 mohamadhasan habibi محمدحسن حبیبی 10031947532846006473 10031947532846006473 No دانشکده علوم طبیعی دانشگاه تبریز ataallah nadiri عطاله ندیری 10031947532846006474 10031947532846006474 Yes ، دانشکده علوم طبیعی دانشگاه تبریز asaghar asgharimoghdam اصغر اصغری مقدم 10031947532846006475 10031947532846006475 No دانشکده علوم طبیعی دانشگاه تبریز keivan naderi کیوان نادری 10031947532846006476 10031947532846006476 No دانشکده علوم طبیعی دانشگاه تبریز