چکیده

امروزه به دلیل افزایش جمعیت، توسعه صنعتی، بهره برداری بی رویه، خشکسالی ها بهره برداری از آب های زیرزمینی چندین برابرشده است. بنابراین تشخیص مناطق دارای آب زیرزمینی به عنوان یکی از منابع مهم برای تأمین آب آشامیدنی، کشاورزی، صنایع مختلف به خصوص  از موارد مهم و ضروری در مدیریت منابع آب محسوب می شود. هدف از انجام این پژوهش، بررسی و پهنه بندی مناطق دارای آب زیرزمینی در دشت خرم آباد واقع در استان لرستان با استفاده از روش شبکه عصبی کانولوشن است. بدین منظور ابتدا از طریق بازدیدهای میدانی، نقشه های زمین شناسی و توپوگرافی و با مرور منابع قبلی و بررسی شرایط منطقه، نه عامل طبقات ارتفاعی، شیب، جهت شیب، فاصله از گسل، فاصله از رودخانه، بارش، لیتولوژی و کاربری اراضی، خاک به عنوان عوامل مؤثر بررسی و انتخاب شدند و  نقشه آن ها در محیط ArcGisتهیه شدند. درروش کانولوشن تعداد نمونه ها به عنوان نسبت بین مجموعه آموزشی و مجموعه آزمایشی70:30 تعیین شد و چارچوب شبکه عصبی کانولوشن به عنوان 2 لایه کانولوشن و 2 لایه ادغام، 2 اتصال کامل استفاده شد. لایه ها و در نهایت لایه sigmoid برای در طبقه بندی از هسته کانولوشن 3 3، تابع Relu به عنوان تابع فعال سازی و تابع آنتروپی متقاطع به عنوان تابع زیان استفاده شد. نقشه های به دست آمده در 5 کلاس طبقه بندی شد. هم چنین برای اعتبارسنجی نتایج مدل از ماتریس کانفیوزن استفاده شد.30 درصد از داده های واقعی برای ارزیابی استفاده شد که منجر به دقت کلی92 درصد شد، یعنی مدل توانسته 92درصد داده ها را آب زیرزمینی و93درصد عدم آب زیرزمینی رو به درستی تشخیص دهد. تجزیه و تحلیل نقشه پتانسیل آب زیرزمینی مدل شبکه عصبی کانولوشن نشان می دهد که حدود 57 درصد منطقه در شرایط کم آب زیرزمینی و43درصد منطقه در شرایط خوب آب زیرزمینی قرار دارد.

Prediction of underground water potential in Khorramabad plain based on convolutional neural networks

Today, due to population increase, industrial development, excessive exploitation, droughts, exploitation of underground water has multiplied. Therefore, identifying areas with underground water as one of the important sources for providing drinking water, agriculture, and various industries is considered to be one of the important and necessary issues in water resources management. The purpose of this research is to investigate and zonate the areas with underground water in Khorram Abad plain located in Lorestan province using convolutional neural network method. For this purpose, maps of nine factors affecting underground water were first prepared in the ArcGist environment. In the convolution method, the number of samples was determined as the ratio between the training set and the test set was 70:30, and the convolution neural network framework was used as 2 convolution layers and 2 integration layers, 2 complete connections. layers and finally the sigmoid layer was used for classification from the 3-3 convolution kernel, the Relu function as the activation function and the cross entropy function as the loss function. The obtained maps were classified into 5 classes: very good, good, average, low and very low. Confusion matrix was also used to validate the results of the model. 30% of the real data was used for evaluation, which resulted in an overall accuracy of 92%, that is, the model was able to correctly identify 92% of the data as underground water and 93% as the absence of underground water. The analysis of the groundwater potential map of the convolutional neural network model shows that about 57% of the area is in low groundwater conditions and 43% of the area is in good groundwater conditions.

تبلیغات