Journal d'hydrogéologie et de génie hydrologique

Comment le niveau des eaux souterraines peut être prédit sous l'effet du changement climatique en utilisant les réseaux neuronaux artificiels de Narx

Safieh Javadinejad

Le phénomène du changement climatique au cours des dernières années a entraîné des changements importants dans les éléments climatiques et par conséquent dans l'état des ressources en eaux de surface et souterraines, en particulier dans les régions arides et semi-arides, ce problème a parfois provoqué une baisse significative des ressources en eaux souterraines. Dans cet article, les effets du changement climatique sur l'état des ressources en eaux souterraines de la plaine de Marvdasht ont été étudiés. L'approvisionnement en eau de différentes parties de cette région dépend fortement des ressources en eaux souterraines et, par conséquent, l'étude des changements des eaux souterraines dans les périodes futures est importante pour le développement de cette plaine et la gestion de ses ressources en eau. Afin d'évaluer les effets du changement climatique, la sortie des modèles de circulation atmosphérique (GCM) a été utilisée. Ensuite, afin d'adapter l'échelle de sortie de ces modèles à l'échelle requise par les études locales sur le changement climatique, les données de précipitations et de température ont été réduites par le modèle LARS-WG. Les informations réduites ont été utilisées pour déterminer la quantité d'alimentation et de drainage de l'aquifère dans les périodes futures. Pour étudier les changements des niveaux des eaux souterraines à différentes étapes, un modèle dynamique de réseau neuronal a été développé dans l'environnement logiciel MATLAB. Il est également possible d'étudier et de comparer d'autres points en utilisant d'autres scénarios et modélisation mathématique. Les résultats de l'étude, en supposant l'état actuel de développement de la région, indiquent une tendance à la baisse du volume de l'aquifère en raison du changement climatique et de ses effets sur les ressources et les utilisations de la zone d'étude. Les résultats présentent également le scénario A2 comme le scénario le plus critique lié au changement climatique, qui montre également la plus grande diminution de l'aquifère dans la modélisation des réseaux neuronaux.