مدل سازی آب های زیرزمینی

در مناطق خشک و نیمه خشک، کمبود آب های سطحی منجر به برداشت بی رویه از آب های زیرزمینی و کاهش شدید سطح آب شده که در بسیاری از دشت های ایران به پدیده فرونشست زمین انجامیده است. درک تغییرات سطح آب زیرزمینی برای مدیریت بهینه منابع آبی و کاهش مخاطرات مرتبط اهمیت زیادی دارد. روش های مختلف آماری، ریاضی و یادگیری ماشین برای مدل سازی این تغییرات استفاده شده اند. اخیراً، شبکه های عصبی عمیق به ویژه برای تحلیل رفتار پیچیده آب های زیرزمینی، به دلیل ماهیت زمانی-مکانی آن ها، مورد توجه قرار گرفته اند. در این تحقیق، از مدل ترکیبی Wavelet-Principal Component Analysis (PCA) برای تحلیل داده های ۴۴ چاه پیزومتری دشت قهاوند طی دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس های مختلف زمانی استخراج کرده و سپس مؤلفه های اصلی به دست آمده از Wavelet-PCA به مدل شبکه عصبی بازگشتی Long Short Term Memory (LSTM) ارائه شدند تا سری های زمانی سطح آب پیش بینی شود. سطوح مختلف تبدیل موجک برای شناسایی روندهای کوتاه مدت و بلندمدت به کار گرفته شد. مدل LSTM با دقت R2 = 0.85 برای گروه آموزشی و R2 = 0.62 برای داده های آزمایشی توانست روندهای سطح آب زیرزمینی را مدل سازی کند. همچنین، داده های راداری ماهواره Sentinel-1 بین سال های ۲۰۱۴ تا ۲۰۱۹ نشان داد که بیشینه فرونشست زمین در مناطقی با افت قابل توجه سطح آب زیرزمینی رخ داده است. همپوشانی این نقشه ها با لایه های کاربری زمین، ارتباطی معنادار بین فعالیت های کشاورزی و افت سطح آب زیرزمینی و فرونشست زمین را نشان داد.