Revista de hidrogeología e ingeniería hidrológica

Cómo predecir el nivel de las aguas subterráneas bajo el efecto del cambio climático mediante el uso de redes neuronales artificiales de Narx

Safieh Javadinejad

El fenómeno del cambio climático en los últimos años ha provocado cambios significativos en los elementos climáticos y, como resultado, en el estado de los recursos de aguas superficiales y subterráneas, especialmente en regiones áridas y semiáridas; este problema ha provocado en ocasiones una disminución significativa de los recursos de aguas subterráneas. En este artículo, se han investigado los efectos del cambio climático en el estado de los recursos de aguas subterráneas en la llanura de Marvdasht. El suministro de agua de diferentes partes de esta región depende en gran medida de los recursos de aguas subterráneas y, por lo tanto, el estudio de los cambios de las aguas subterráneas en períodos futuros es importante para el desarrollo de esta llanura y la gestión de sus recursos hídricos. Para evaluar los efectos del cambio climático, se ha utilizado la salida de los modelos de circulación atmosférica (GCM). Luego, para adaptar la escala de salida de estos modelos a la escala requerida por los estudios locales de cambio climático, los datos de precipitación y temperatura se han reducido mediante el modelo LARS-WG. La información reducida se utilizó para determinar la cantidad de alimentación y drenaje del acuífero en períodos futuros. Para investigar los cambios en los niveles de agua subterránea en diferentes etapas, se ha desarrollado un modelo dinámico de red neuronal en el entorno de software MATLAB. También es posible estudiar y comparar otros puntos utilizando otros escenarios y modelos matemáticos. Los resultados del estudio, asumiendo el estado actual de desarrollo en la región, indican una tendencia a la baja en el volumen del acuífero debido al cambio climático y sus efectos sobre los recursos y usos del área de estudio. Los resultados también introducen el Escenario A2 como el escenario más crítico relacionado con el cambio climático, que también muestra la mayor disminución del acuífero en el modelado de redes neuronales.