fa بررسی ارتباط بین خصوصیات هیدروژئومرفولوژی و میزان جریان‌های زیر قشری با استفاده از رویکرد شبکه عصبی مصنوعی (مطالعه موردی سدهای زیرزمینی استان کرمان) تخصصي Special پژوهشي Research <div style="text-align: justify;"><strong>به دلیل</strong> <strong>نیاز</strong> <strong>روزافزون</strong> <strong>به</strong> <strong>آب</strong> <strong>و</strong> <strong>عدم</strong> <strong>دسترسی</strong> <strong>به</strong> <strong>منابع</strong> <strong>تأمین‌کننده</strong> <strong>آن،</strong> <strong>حفظ</strong> <strong>و</strong> <strong>استفاده</strong> <strong>از منابع آب زیرزمینی</strong> <strong>ضروری</strong> <strong>به نظر می‌رسد. شناسایی و بهره‌برداری این منابع از اهمیت خاصی برخوردار است. بررسی جریان‌های زیر قشری نیاز به مطالعات ژئوالکتریک و ژئوتکنیک دارد که هر دو این عملیات مستلزم صرف وقت و هزینه زیاد است؛ بنابراین ارائه روش یا مدلی که بتوان هزینه بررسی جریان‌های زیر قشری را به حداقل ممکن کاهش بدهد ضروری است. در </strong><strong>این پژوهش با استفاده از دو</strong><strong> نوع شبکه عصبی مصنوعی پرسپترون چندلایه</strong>&nbsp;<span dir="LTR">(MLP)</span><strong>و شبکه</strong> <strong>تابع پایه شعاعی</strong>&nbsp;<span dir="LTR">(RBF)</span><strong>به بررسی رابطه بین خصوصیات هیدروژئومورفولوژی حوزه آبخیز جریان‌های زیر قشری در 7 زیر حوزه آبخیز واقع در استان کرمان پرداخته شد. خصوصیات هیدروژئومورفولوژی سدهای زیرزمینی به‌عنوان متغیر مستقل ورودی و دبی جریان زیر قشری در خروجی حوزه آبخیز به‌عنوان متغیر وابسته در نظر گرفته شد. </strong><strong>نتایج این پژوهش نشان می‌دهد که شبکه عصبی </strong><strong>تابع پایه شعاعی </strong>&nbsp;<span dir="LTR">(RBF)</span><strong> با ضریب تعیین 9182/0</strong><strong> و میانگین مربعات خطای 0289/0 نسبت به روش شبکه عصبی مصنوعی پرسپترون چندلایه</strong> &nbsp;<span dir="LTR">(MLP) </span><strong>با</strong><strong> ضریب تعیین5288/0 و میانگین مربعات خطا 0725/0 نتایج دقیق‌تری در برآورد میزان دبی جریان زیر قشری ارائه می&shy;نماید. با توجه به ضریب تعیین</strong> <strong>محاسبه‌شده می‌توان نتیجه گرفت که مدل شبکه عصبی راهکاری مناسب و کم‌هزینه برای بررسی این ارتباط در حوزه &shy;های آبخیز است.</strong></div> <div style="text-align: justify;">Due to the increasing need for water and the lack of access to its sources, it is essential to maintain and use groundwater resources. So, identifying and exploiting these resources has particular importance. Investigating interflows requires geo-electric and geotechnical studies, both of which require a lot of time and cost. Therefore, it is necessary to provide a method or model that can minimize the cost of investigating interflows as much as possible. In this research, two types of artificial neural networks- multi-layer perceptron (MLP) and radial base function (RBF) were used to study the relationship between hydro-geomorphological characteristics of the watershed basin and interflows in seven watershed sub-basins in Kerman province. Hydro-geomorphological characteristics of subsurface dams were considered as input independent variables, and the discharge of interflow in the watershed basin outlet was considered as dependent variable. The results of this study show that radial base function (RBF) with determination coefficient of 0.9182 and mean squares error of 0.0289, has more accurate results in estimating the discharge of interflow, compared to artificial neural network method of multilayer perceptron (MLP) with determination coefficient of 0.5288 &nbsp;and mean squares error of 0.725. Regarding the determination coefficient in the used methods, it can be concluded that the model of the neural network is the appropriate solution and low cost to check this connection in the watershed.</div> استان کرمان,دبی جریان‌های زیر زیرزمینی, سد زیرزمینی, شبکه عصبی پایه تابع شعاعی, ضریب تعیین Kerman Province, Interflows, Subsurface dam, Neural Network of Radial Base Function, Determination coefficient 93 101 http://jwmsei.ir/browse.php?a_code=A-10-770-1&slc_lang=fa&sid=1 Mahdieh Shahidi Zandi مهدیه شهیدی زندی mshahidizandi@yahoo.com 100319475328460018322 100319475328460018322 No Islamic Azad University of Arak,Iran دانشگاه آزاد اراک- ایران Mohsen Najarchi محسن نجارچی m-najarchi@iau-arak.ac.ir 100319475328460018323 100319475328460018323 Yes Islamic Azad University of Arak,Iran دانشگاه آزاد اراک- ایران Reza JafariNia رضا جعفری نیا r-jafarinia@iau-arak.ac.ir 100319475328460018324 100319475328460018324 No Islamic Azad University of Arak,Iran دانشگاه آزاد اراک- ایران Shrou Mokhtari شهرو مختاری Sh-mokhtari@iua-arak.ac.ir 100319475328460018325 100319475328460018325 No Islamic Azad University of Arak,Iran دانشگاه آزاد اراک- ایران Ali Jan Abkar علی جان آبکار Abkar804@yahoo.com 100319475328460018326 100319475328460018326 No Agricultural Research and Training and Natural Resources Center of Kerman,Iran مرکز تحقیقات و آموزش کشاورزی ومنابع طبیعی استان کرمان- ایران