Journal of Rainwater Catchment Systems

fa پیش بینی ماهانه سطح آب زیرزمینی با استفاده از مدل یادگیری عمیق بر مبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزیی Monthly Groundwater Level Forecasting Using Deep Learning Model Based on Efficient Input Variables Selection by Partial Mutual Information Algorithm تخصصي Special پژوهشي Research کاهش بارندگی و بهره‌برداری بی‌رویه از منابع آب زیرزمینی موجب افت قابل‌توجه تراز سطح آب زیرزمینی در بسیاری از مناطق جهان شده است. یکی از آبخوانهایی که با افت سطح آب زیرزمینی مواجه هست، آبخوان نهاوند در استان همدان و غرب ایران میباشد. در این مقاله برای پیش بینی تراز سطح آب زیرزمینی، مدل حافظه کوتاه مدت طولانی LSTM)) به کار گرفته شد. برای تعیین متغیرهای موثر ورودی در مدل LSTM از الگوریتم اطلاعات متقابل جزیی (PMI) استفاده گردید. نتایج بکارگیری الگوریتم PMI نشان میدهد که متغیرهای ورودی موثر بر پیش‌بینی ماهانه تراز سطح آب زیرزمینی، شامل تراز سطح آب زیرزمینی زمان فعلی و یک ماه قبل است. نتایج نشان داد که برای دوره زمانی آموزش مدل LSTM ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) به ترتیب 96/0 و 023/0 متر بدست آمد. همچنین برای دوره زمانی آزمون مدل LSTM ضریب R2و RMSE به ترتیب 89/0 و 037/0 متر بدست آمد. نتایج این تحقیق نشان می‌دهد که مدل LSTM قادر است روابط غیرخطی و وابستگی‌های زمانی پیچیده موجود در داده‌های آب زیرزمینی را به‌خوبی شناسایی کرده و تغییرات آینده تراز آب زیرزمینی را با دقت قابل قبولی پیش‌بینی نماید. بنابراین استفاده از این مدل می‌تواند به بهبود مدیریت منابع آب زیرزمینی، برنامه‌ریزی بهره‌برداری پایدار از آبخوان و کاهش پیامدهای ناشی از افت سطح آب زیرزمینی کمک کند.   Declining precipitation and excessive groundwater exploitation have led to significant groundwater level depletion in many regions worldwide. The Nahavand aquifer, located in Hamadan Province in western Iran, is one of the aquifers experiencing considerable groundwater level decline. In this study, a Long Short-Term Memory (LSTM) deep learning model was employed to forecast groundwater levels. The Partial Mutual Information (PMI) algorithm was utilized to identify the most influential input variables for the LSTM model. The results of the PMI analysis indicated that the current groundwater level and the groundwater level lagged by one month were the most effective predictors for monthly groundwater level forecasting. The performance of the LSTM model during the training period yielded a coefficient of determination (R²) of 0.96 and a root mean square error (RMSE) of 0.023. For the testing period, the model achieved an R² of 0.89 and an RMSE of 0.037. Overall, the results demonstrate that the LSTM model provides satisfactory performance in forecasting groundwater levels in the Nahavand aquifer. Therefore, the proposed model can be effectively applied to predict groundwater level fluctuations and support sustainable groundwater resource management in the study area.   پیش بینی آب زیرزمینی, آبخوان نهاوند, LSTM, الگوریتم PMI Groundwater Level forecasting, Nahavand aquifer, LSTM, PMI algorithm. 0 0 http://jircsa.ir/browse.php?a_code=A-10-2440-1&slc_lang=fa&sid=1 Somayeh Abdi سمیه عبدی abdi.s@iau.ir 10031947532846006354 10031947532846006354 No Islamic Azad University of Ahvaz دانشگاه آزاد اسلامی اهواز Hossein Fathian حسین فتحیان Fathian.h@iau.ac.ir 10031947532846006355 10031947532846006355 Yes Islamic Azad University of Ahvaz دانشگاه آزاد اسلامی اهواز Mehdi Asadi Lour مهدی اسدی لور mehdi.asadilour@iau.ir 10031947532846006356 10031947532846006356 No Islamic Azad University of Ahvaz دانشگاه آزاد اسلامی اهواز Aslan Egdernezhad اصلان اگدرنژاد a_eigder@iau.ac.ir 10031947532846006357 10031947532846006357 No Islamic Azad University of Ahvaz دانشگاه آزاد اسلامی اهواز Ali Asareh علی عصاره asareh.a@iau.ac.ir 10031947532846006358 10031947532846006358 No Islamic Azad University of Ahvaz دانشگاه آزاد اسلامی اهواز