ارائه کننده: زینب پیروزنیا
استاد راهنما: دکتر وحید موسوی
استاد مشاور: دکتر مهدی وفاخواه
استاد ناظر داخلی: دکتر حمیدرضا مرادی رکابدارکلائی
استاد ناظر خارجی: دکتر علیرضا مقدم­ نیا
نماینده تحصیلات تکمیلی: دکتر عبدالواحد خالدی درویشان
تاریخ: 1403/12/12
ساعت: 13
مکان: سالن اصلی کاخ

چكيده:
باتوجه‌به محدودیت منابع آب سطحی، به‌ویژه در مناطق خشک و نیمه‌خشک، بهره‌برداری از آب‌های زیرزمینی به طور فزاینده‌ای افزایش یافته است؛ بنابراین، مدیریت پایدار این منابع آبی از اهمیت بالایی برخوردار است. با توجه به تغییرپذیری مکانی-زمانی آب زیرزمینی، مدل­سازی توزیعی آن، از جمله گام‌های ضروری در مطالعات منابع آب می­باشد. در این پژوهش، با هدف بهبود دقت مدل­سازی توزیعی تراز آب زیرزمینی در آبخیز سفیدرود، عملکرد مدل‌های مختلف هوش مصنوعی شامل مدل‌های برخورد گروهی با داده‌ها (GMDH)، مدل­های یادگیری عمیق خودرمزنگار (AE)، و حافظه بلند کوتاه مدت (LSTM) و نیز رویکردهای ترکیبی با روش پردازش سیگنال موجک (WT) مانند WT-AE، WT-GMDH، AE-LSTM و WT-AE-LSTM ارزیابی شد. نتایج نشان داد که مدل ترکیبی WT-AE-LSTM با کمترین مقدار میانگین مربعات خطای نرمال شده (79/11درصد) نسبت به سایر مدل‌ها، صحت بالاتری در پیش‌بینی تراز آب زیرزمینی داشته است. در مقابل، مدل GMDH با بالاترین مقدار میانگین مربعات خطای نرمال شده (70/21درصد)، کمترین صحت را از خود نشان داد. همچنین استفاده از تبدیل موجک باعث کاهش نسبی   NRMSEبه میزان  37/11، 25/18 و16/10 درصد به ترتیب در مدل‌های GMDH، AE و LSTM AE- شده‌ است. نتایج این پژوهش حاکی از آن است که مدل‌های ترکیبی مبتنی بر یادگیری عمیق و پردازش سیگنال با تبدیل موجک پتانسیل بالایی در پیش‌بینی دقیق تراز آب زیرزمینی دارند و می‌توان از آن‌ها به عنوان ابزارهای مدیریتی قدرتمندی در مدیریت منابع آب زیرزمینی بهره برد.