Jornal de Hidrogeologia e Engenharia Hidrológica

Como o nível das águas subterrâneas pode prever o efeito das alterações climáticas utilizando redes neuronais artificiais de Narx

Safieh Javadinejad

O fenómeno das alterações climáticas nos últimos anos levou a mudanças significativas nos elementos climáticos e, como resultado, no estado dos recursos hídricos superficiais e subterrâneos, especialmente nas regiões áridas e semiáridas, esta questão tem por vezes causado um declínio significativo nos recursos hídricos subterrâneos. Neste artigo foram investigados os efeitos das alterações climáticas no estado dos recursos hídricos subterrâneos na planície de Marvdasht. O abastecimento de água de diferentes partes desta região é altamente dependente dos recursos hídricos subterrâneos e, por isso, o estudo das alterações das águas subterrâneas em períodos futuros é importante no desenvolvimento desta planície e na gestão dos seus recursos hídricos. Para avaliar os efeitos das alterações climáticas, tem sido utilizado o resultado dos Modelos de Circulação Atmosférica (GCM). De seguida, de forma a adaptar a escala de saída destes modelos à escala exigida pelos estudos locais de alterações climáticas, os dados de precipitação e temperatura foram reduzidos pelo modelo LARS-WG. Foram utilizadas informações reduzidas para determinar a quantidade de alimentação e drenagem do aquífero em períodos futuros. Para investigar as alterações nos níveis das águas subterrâneas em diferentes fases, foi desenvolvido um modelo dinâmico de rede neural no ambiente de software MATLAB. É também possível estudar e comparar outros pontos utilizando outros cenários e modelações matemáticas. Os resultados do estudo, assumindo o actual estado de desenvolvimento da região, indicam uma tendência decrescente no volume do aquífero devido às alterações climáticas e aos seus efeitos sobre os recursos e usos da área de estudo. Os resultados apresentam também o Cenário A2 como o cenário mais crítico relacionado com as alterações climáticas, que mostra também o maior declínio do aquífero na modelação de redes neuronais.