میانگین مربعات خطا

در بررسی تغییرات مکانی پارامتر های کیفی آب های زیرزمینی برای شناخت وضعیت کیفی آبخوان، منابع آلوده کننده و تعیین مناسب ترین راهکارهای مدیریتی، روش های زمین آماری و GIS ابزار مفیدی هستند. در این پژوهش، توزیع پارامتر هایی نظیرEC ،TDS ، TH و pH در منابع آب زیرزمینی دشت زنجان با استفاده از روش های زمین آماری عکس فاصله (IDW)، توابع شعاعی(RBF)، تخمین گر موضعی (GPI)، تخمین گر عام (LPI) و روش کریجینگ معمولی (OK) در نرم افزار ArcGIS بر اساس نمونه های آب زیرزمینی 34 حلقه چاه ارزیابی و نقشه های پراکنش مکانی هر کدام تهیه شد. پس از بررسی واریوگرام و مشخص شدن مکانی بودن تغییرات پارامتر ها، اقدام به میان یابی پارامتر ها شد و با استفاده از روش اعتبارسنجی متقابل (CV) و ریشه دوم میانگین مربعات خطا (RMSE)، بهترین مدل ارزیابی با کمترین مقدار RMSE انتخاب شد. نتایج نشان داد، پارامترهای EC و pH با استفاده از روش عکس فاصله و پارامترهای TH و TDS با استفاده از روش تخمین گر توابع شعاعی کمترین مقدار RMSE را داشته اند و برای تهیه نقشه توزیع مکانی پارامترهای کیفیت آب زیرزمینی از این روش ها استفاده شد. با توجه به استاندارد آب آشامیدنی سازمان بهداشت جهانی و نقشه های به دست آمده از زمین آمار، پارامتر pH در کل دشت برای شرب بدون محدودیت است و مقدار پارامتر EC در چهار چاه والایش، دیزج آباد، زنجان و مهتر در جنوب شرقی، مرکز و شمال غربی دشت محدودیت دارد که ناشی از فعالیت های کشاورزی در این منطقه است. مقدار پارامتر TDS بجز شمال شرقی در کل دشت دارای محدودیت زیاد از نظر مصرف شرب است. در تعداد کمی از چاه های دشت مقدار TH بدون محدودیت است و مقادیر این پارامتر در دشت زنجان از نظر شرب محدودیت ایجاد می کند و از نظر سختی، آب کلیه چاه ها در طبقه سخت و خیلی سخت طبقه بندی می شوند. به نظر می رسد، دلیل روند کاهش کیفیت آب زیرزمینی برداشت بی رویه از منابع آب زیرزمینی و حفر چاه های غیرمجاز و گسترش فعالیت های صنعتی است.

روندیابی سیل یکی از روش های پیش بینی سیل در رودخانه ها به منظور مدیریت و مهار سیل است. روابط بارش - روناب و ایجاد سیل در یک منطقه، رابطه خطی ریاضیاتی نیست که با آن سیلاب خیزی و وقوع سیلاب را در یک منطقه پیش بینی کرد و باید به این نوع پدیده ها به صورت مدل نگریست. روش های هوش مصنوعی و از جمله آن ها روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، روش هایی مطلوب در این زمینه هستند. در این پژوهش با استفاده از روش های شبکه عصبی مصنوعی و سیستم استنتاج فازی اقدام به روندیابی سیلاب در زیرحوزه آبخیز رودخانه زرد شده است. برای اجرای هر دو روش، ابتدا داده های لازم جمع آوری، سپس داده های پرت از سری داده ها حذف و درنهایت نرمال سازی شدند. مدل سازی روندیابی سیل با استفاده از شبکه های عصبی مصنوعی با کمک کدنویسی در نرم افزار متلب روی داده ها اجرا شد. برای اجرای سیستم استنتاج فازی نیز از این داده های آماده شده استفاده شد. در این پژوهش انواع ساختارهای متفاوت شبکه عصبی مصنوعی با تعداد نرون ها، لایه های مخفی، تعداد دوره های آموزش و توابع فعالیت متفاوت بر روی داده ها اجرا شدند تا درنهایت بهترین ساختار برای منطقه مورد مطالعه به دست آید. برای مدل استنتاج فازی نیز انواع ساختارها اجرا شدند تا درنهایت بهترین مدل انتخاب شود. نتایج نشان داد در حالت کلی، سیستم استنتاج فازی داده های منطقه مورد مطالعه را بهتر شبیه سازی می کند و نتایج بهتری نسبت به مدل شبکه عصبی مصنوعی نشان می دهد و مقادیر MSE و r در سیستم استنتاج فازی و مدل شبکه عصبی مصنوعی به ترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که نشان دهنده دقت بالاتر سیستم استنتاج فازی در پیش بینی سیلاب در حوزه آبخیز مورد مطالعه است.