سطح تراز ایستابی

ماهیت متغیرهای کمی و کیفی آب های زیرزمینی به دلیل تأثیر مستقیم در زندگی انسان، همواره یکی از موضوعات مطرح در تحقیقات علمی و دانشگاهی بوده است. هزینه بر بودن و عدم امکان مطالعه دقیق این منابع، لزوم استفاده از روش جدیدی را برای برآورد چنین متغیرهایی به طور کامل آشکار می کند. در این میان روش های درون یابی ریاضی و زمین آماری و مدل های هوش مصنوعی در سال های اخیر نتایج بسیار قابل قبولی از این برآوردها ارائه کرده اند. در تحقیق حاضرکه با هدف ارزیابی دقت روش های زمین آمار و شبکه عصبی مصنوعی انجام گرفته است، با استفاده از آمار اندازه گیری شده سطح تراز ایستابی آب های زیرزمینی در 46 حلقه چاه مشاهده ای منتخب برای سال 93، در دشت شبستر- صوفیان، اقدام به برآورد مقادیر نامعلوم سطح تراز در منطقه مورد  مطالعه با استفاده از روش های زمین آمار ( kriging ) و روش شبکه عصبی پرسپترون چند لایه ( MLP ) شده است. نتایج حاصل از این تحقیق نشان می دهد، روش شبکه عصبی ( MLP ) با میزان همبستگی بالا (96/0) و جذر میانگین مربعات خطای کمتر (18/13) نسبت به روش کریجینگ (با میزان همبستگی 90/0 و جذر میانگین مربعات خطای 10/20)، توانایی بالاتری در میان یابی سطح تراز آب زیرزمینی دشت شبستر- صوفیان دارد، که این نتیجه با تحقیقات قبلی در این زمینه مبنی بر توانایی  و انعطاف بیشتر مدل های هوش مصنوعی در مطالعات هیدروژئولوژیکی آبخوان ها مطابقت دارد. از این رو استفاده از روش های جدید مانند شبکه های عصبی مصنوعی( ANN ) و روش های فازی - عصبی تطبیقی ( ANFIS ) می تواند، در دستیابی به برآورد های دقیق تر از شرایط سفره های آب زیرزمینی و اطلاع از کم و کیف آن ها کمک شایانی به محققان و برنامه ریزان در این زمینه ارائه کند.