سمیرا اخوان

کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه گیریهای دقیق دوره ای است که با وجود اندازه گیری آن در برخی مناطق، به علت حساسیت های اجتماعی و سلامتی جامعه گزارش نمیشود. بنابراین مدل سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به نظر میرسد. هدف این مطالعه استفاده از روش شبکة عصبی مصنوعی در برآورد نیترات و مقایسة آن با مقادیر اندازه گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده ها از آمار و اطلاعات کمی و کیفی 53 حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای 1382 تا 1387 اخذ شد. در گروه اطلاعات پرهزینه از 13 متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از 7 و 8 متغیر به تفکیک برای مدل سازی نیترات استفاده شد. مقایسة نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکة عصبی در پیش بینی غلظت نیترات است. مقایسة میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنیداری بین نتایج مدل ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه های آب اندازه گیری شده است که موفق به پیش بینی غلظت نیترات با اطمینانی بیش از 80 درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است

هدف پژوهش حاضر، ارزیابی دقت مولد آب وهوایی LARS-WG و داده های CFSR در شبیه سازی پارامترهای اقلیمی (دمای کمینه و بیشینه و بارش) استان چهارمحال و بختیاری است. بدین منظور، از مقایسةشاخص های آماری RMSE، MBE، MAEو R2استفاده شد. در ایستگاه شهرکرد مقادیر RMSE و MAE برای بارش ماهانة داده های CFSR به ترتیب 49/20 و 19/11 میلی متر و برای بارش سالانه 88/92 و 51/72 میلی متر است. این مقادیر بارش، در مورد مدل LARS-WG در مقیاس ماهانه به ترتیب 45/41 و 75/24 میلی متر و در مقیاس سالانه 75/164 و 43/123 میلی متر است. در مجموع، داده های CFSRدر بازة زمانی کوتاه تر (ماهانه و سالانه) دارای آماره های خطاسنجی کمتری نسبت به مدل LARS-WGاست و همبستگی بیشتری با داده های مشاهداتی دارد. بنابراین، در تخمین پارامترهای اقلیمی کوتاه مدت، دقت بالاتری دارد. همچنین، نتایج بیانگر توان مندی مدل LARS-WG در شبیه سازی پارامترهای اقلیمی در بازة زمانی طولانی مدت (دهه) است. به همین دلیل، مقادیر آماره های مذکور در مقیاس های زمانی کوتاه تر، چندان مناسب نیست. بدین ترتیب، باتوجه به اهداف هر تحقیق، می توان از نتایج هر دو روش استفاده کرد. همچنین داده های CFSRدر نقاط فاقد ایستگاه هواشناسی گزینة ارزش مندی محسوب می شود.