دوره 13، شماره 26 - ( پاییز و زمستان 1401 1401 )
جلد 13 شماره 26 صفحات 68-58 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
piri H, mobaraki M, siasar S. (2022). Temporal and Spatial Modeling of Groundwater Level in Bushehr Plain using Artificial Intelligence and Geostatistics. jwmr. 13(26), 58-68. doi:10.52547/jwmr.13.26.58
URL: http://jwmr.sanru.ac.ir/article-1-1151-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1151-fa.html
پیری حلیمه، مبارکی مجتبی، سیاسر صالح. مدل سازی زمانی و مکانی سطح آب زیرزمینی دشتستان بوشهر با استفاده از هوش مصنوعی و زمین آمار پژوهشنامه مديريت حوزه آبخيز 1401; 13 (26) :68-58 10.52547/jwmr.13.26.58
گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل
چکیده: (1149 مشاهده)
ﭼﻜﻴﺪه مبسوط
مقدمه و هدف: یکی از اقدامات اساسی برای رسیدن به مدیریت بهینه منابع آب، مدلسازی و پیشبینی سطح ایستابی چاه ها است. ﻛﻨﺘﺮل ﺳﻄﺢ اﻳﺴﺘﺎﺑﻰ ﺑﺎ اﺳﺘﻔﺎده از ﭼﺎهﻫﺎی ﻣﺸﺎﻫﺪهای، ﻣﻨﺒﻊ اﺻﻠﻰ اﻃﻼﻋﺎت ﺟﻬﺖ ﺑﺮرﺳﻰ ﺗﻨﺶﻫﺎی ﻫﻴﺪروﻟﻮژﻳﻜﻰ ﻣﺤﺴﻮب ﻣﻰﺷﻮد. ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎی روزاﻧﻪ و ﻣﺎﻫﺎﻧﻪ ﭼﺎهﻫﺎ ﻣﻰﺗﻮان ﻧﻮﺳﺎﻧﺎت ﺳﻄﺢ آب را ﺑﺮرﺳﻰ ﻧﻤﻮد و اﻳﻦ ﺑﺮرﺳﻰﻫﺎ ﺑﻪﻣﻨﻈﻮر درک رﻓﺘﺎر ﻣﻨﺎﺑﻊ آب زﻳﺮزﻣﻴﻨﻰ در دراز ﻣﺪت و اﺧﺬ ﻫﺮ ﮔﻮﻧﻪ ﺗﺼﻤﻴﻢ ﻣﺪﻳﺮﻳﺘﻰ ﻻزم ﻣﻰﺑﺎﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻫﻤﻴﺖ ﭘﻴﺶﺑﻴﻨﻰ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ، ﻳﺎﻓﺘﻦ روﺷﻰ ﻣﻨﺎﺳﺐ در اﻳﻦ ﺧﺼﻮص دارای اﻫﻤﻴﺖ ﻣﻰﺑﺎﺷﺪ. در ﺳﺎلﻫﺎی اﺧﻴﺮ ﻛﺎرﺑﺮد ﺳﺎﻣﺎﻧﻪﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻰ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ ﺑﻪ ﺳﺮﻋﺖ رو ﺑﻪ اﻓﺰاﻳﺶ اﺳﺖ ﻛﻪ دﻟﻴﻞ اﻳﻦ اﻣﺮ ﺑﻪ آﺳﺎﻧﻰ ﻛﺎرﺑﺮد و دﻗﺖ ﺑﺎﻻی اﻳﻦ ﻣﺪلﻫﺎ در ﺗﻘﺮﻳﺐ ﻣﻌﺎدﻟﻪﻫﺎی ﻏﻴﺮﺧﻄﻰ و ﭘﻴﭽﻴﺪه رﻳﺎﺿﻰ میباشد. ﻫﺪف از اﻳﻦ ﭘﮋوﻫﺶ ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ آب زﻳﺮزﻣﻴﻨﻲ دشتستان بوشهر ﺑﻪﻛﻤﻚ ﻣﺪلﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻰﻣﺼﻨﻮﻋﻰ، ﻣﺪل ماشین بردار پشتیبان و درخت تصمیم ﻣﻲﺑﺎﺷﺪ.
مواد و روش ها: در اﻳﻦ ﺗﺤﻘﻴﻖ از ﻣﺪلﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻰ ﻣﺼﻨﻮﻋﻰ، ﻣﺪل ماشین بردار پشتیبان و درخت تصمیم ﺑﺮای ﺗﺨﻤﻴﻦ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ دﺷﺖ دشتستان اﺳﺘﻔﺎده شد. همچنین از روش زمین آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. دادهﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده ﺷﺎﻣﻞ ﺗﺮاز ماهانه ﺳﻄﺢ اﻳﺴﺘﺎﺑﻰ 50 حلقه چاه موجود در آبخوان دشت ﻃﻰ ﻳﻚ دوره آﻣﺎری ده ساله از سال 1388 ﺗﺎ 1397 بود. ﺑﺮای ﺑﺮرﺳﻰ ﻧﺘﺎﻳﺞ ﻣﺪل های ﻣﺬﻛﻮر از ﻣﻌﻴﺎرﻫﺎی ارزﻳﺎﺑﻰ ﻣﺠﺬور ﻣﻴﺎﻧﻴﮕﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ، میانگین مطلق خطا و ﺿﺮﻳﺐ تبیین R2 اﺳﺘﻔﺎده ﺷﺪ.
یافته ها: نتایج نشان داد هر سه روش دقت بالایی در شبیه سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R2 بالاتری (0/993)، کمترین مجذور میانگین خطا (0/29) و کمترین میانگین مطلق خطا (0/024) به عنوان روش برتر برای پیشبینی سطح ایستابی انتخاب شد. پهنه بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل 10 متر بود.
نتیجه گیری: نتایج مدل سازی روش ها و نتایج آماره های ارزیابی مدل، نشان دهنده عملکرد خوب مدل ها در برآورد سطح ایستابی آب زیرزمینی است اما با توجه به مقایسه ضریب تبیین مدل ها در این تحقیق نشان داده شد که روش شبکه عصبی مصنوعی دقت بالاتری در پراکنش داده های موجود دارد و مقادیر محاسبه شده نسبت به مقادیر مشاهداتی مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر، اختلاف کمتری داشتند. در مجموع نتایج تحقیق نشان داد که روش شبکه عصبی مصنوعی دارای دقت بالاتری در تخمین میزان تراز آب زیرزمینی می باشد.
مقدمه و هدف: یکی از اقدامات اساسی برای رسیدن به مدیریت بهینه منابع آب، مدلسازی و پیشبینی سطح ایستابی چاه ها است. ﻛﻨﺘﺮل ﺳﻄﺢ اﻳﺴﺘﺎﺑﻰ ﺑﺎ اﺳﺘﻔﺎده از ﭼﺎهﻫﺎی ﻣﺸﺎﻫﺪهای، ﻣﻨﺒﻊ اﺻﻠﻰ اﻃﻼﻋﺎت ﺟﻬﺖ ﺑﺮرﺳﻰ ﺗﻨﺶﻫﺎی ﻫﻴﺪروﻟﻮژﻳﻜﻰ ﻣﺤﺴﻮب ﻣﻰﺷﻮد. ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎی روزاﻧﻪ و ﻣﺎﻫﺎﻧﻪ ﭼﺎهﻫﺎ ﻣﻰﺗﻮان ﻧﻮﺳﺎﻧﺎت ﺳﻄﺢ آب را ﺑﺮرﺳﻰ ﻧﻤﻮد و اﻳﻦ ﺑﺮرﺳﻰﻫﺎ ﺑﻪﻣﻨﻈﻮر درک رﻓﺘﺎر ﻣﻨﺎﺑﻊ آب زﻳﺮزﻣﻴﻨﻰ در دراز ﻣﺪت و اﺧﺬ ﻫﺮ ﮔﻮﻧﻪ ﺗﺼﻤﻴﻢ ﻣﺪﻳﺮﻳﺘﻰ ﻻزم ﻣﻰﺑﺎﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻫﻤﻴﺖ ﭘﻴﺶﺑﻴﻨﻰ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ، ﻳﺎﻓﺘﻦ روﺷﻰ ﻣﻨﺎﺳﺐ در اﻳﻦ ﺧﺼﻮص دارای اﻫﻤﻴﺖ ﻣﻰﺑﺎﺷﺪ. در ﺳﺎلﻫﺎی اﺧﻴﺮ ﻛﺎرﺑﺮد ﺳﺎﻣﺎﻧﻪﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻰ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ ﺑﻪ ﺳﺮﻋﺖ رو ﺑﻪ اﻓﺰاﻳﺶ اﺳﺖ ﻛﻪ دﻟﻴﻞ اﻳﻦ اﻣﺮ ﺑﻪ آﺳﺎﻧﻰ ﻛﺎرﺑﺮد و دﻗﺖ ﺑﺎﻻی اﻳﻦ ﻣﺪلﻫﺎ در ﺗﻘﺮﻳﺐ ﻣﻌﺎدﻟﻪﻫﺎی ﻏﻴﺮﺧﻄﻰ و ﭘﻴﭽﻴﺪه رﻳﺎﺿﻰ میباشد. ﻫﺪف از اﻳﻦ ﭘﮋوﻫﺶ ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ آب زﻳﺮزﻣﻴﻨﻲ دشتستان بوشهر ﺑﻪﻛﻤﻚ ﻣﺪلﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻰﻣﺼﻨﻮﻋﻰ، ﻣﺪل ماشین بردار پشتیبان و درخت تصمیم ﻣﻲﺑﺎﺷﺪ.
مواد و روش ها: در اﻳﻦ ﺗﺤﻘﻴﻖ از ﻣﺪلﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻰ ﻣﺼﻨﻮﻋﻰ، ﻣﺪل ماشین بردار پشتیبان و درخت تصمیم ﺑﺮای ﺗﺨﻤﻴﻦ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ دﺷﺖ دشتستان اﺳﺘﻔﺎده شد. همچنین از روش زمین آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. دادهﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده ﺷﺎﻣﻞ ﺗﺮاز ماهانه ﺳﻄﺢ اﻳﺴﺘﺎﺑﻰ 50 حلقه چاه موجود در آبخوان دشت ﻃﻰ ﻳﻚ دوره آﻣﺎری ده ساله از سال 1388 ﺗﺎ 1397 بود. ﺑﺮای ﺑﺮرﺳﻰ ﻧﺘﺎﻳﺞ ﻣﺪل های ﻣﺬﻛﻮر از ﻣﻌﻴﺎرﻫﺎی ارزﻳﺎﺑﻰ ﻣﺠﺬور ﻣﻴﺎﻧﻴﮕﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ، میانگین مطلق خطا و ﺿﺮﻳﺐ تبیین R2 اﺳﺘﻔﺎده ﺷﺪ.
یافته ها: نتایج نشان داد هر سه روش دقت بالایی در شبیه سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R2 بالاتری (0/993)، کمترین مجذور میانگین خطا (0/29) و کمترین میانگین مطلق خطا (0/024) به عنوان روش برتر برای پیشبینی سطح ایستابی انتخاب شد. پهنه بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل 10 متر بود.
نتیجه گیری: نتایج مدل سازی روش ها و نتایج آماره های ارزیابی مدل، نشان دهنده عملکرد خوب مدل ها در برآورد سطح ایستابی آب زیرزمینی است اما با توجه به مقایسه ضریب تبیین مدل ها در این تحقیق نشان داده شد که روش شبکه عصبی مصنوعی دقت بالاتری در پراکنش داده های موجود دارد و مقادیر محاسبه شده نسبت به مقادیر مشاهداتی مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر، اختلاف کمتری داشتند. در مجموع نتایج تحقیق نشان داد که روش شبکه عصبی مصنوعی دارای دقت بالاتری در تخمین میزان تراز آب زیرزمینی می باشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1400/2/27 | ویرایش نهایی: 1401/11/5 | پذیرش: 1400/4/14 | انتشار: 1401/9/10
دریافت: 1400/2/27 | ویرایش نهایی: 1401/11/5 | پذیرش: 1400/4/14 | انتشار: 1401/9/10
فهرست منابع
1. Alberg, D., M. Last and A. Kandel. 2012. Knowledge Discovery in Data Streams with Regression Tree Methods. Wiley Interdisciplinary Reviews: Data Mining Knowledge Discovery, 2(1): 69-78. [DOI:10.1002/widm.51]
2. Banerjee, P., R.K. Prasad and V.S. Singh. 2009. Forecasting of groundwater level in hard rock region using artificial neural network. Environmental Geology, 58(6): 1239-1246 [DOI:10.1007/s00254-008-1619-z]
3. BayatVarkeshi, M. and R. Fasihi. 2017. Comparison of numerical model, intelligent neural methods and geostatistics in estimating groundwater level. Applied Research in Geographical Sciences, 18(48): 165-182 (In Persian). [DOI:10.29252/jgs.18.48.165]
4. Bouma, J. 1989. Using soil survey data for quantitative land evaluation. Advances Soil Science, 9: 177-213. [DOI:10.1007/978-1-4612-3532-3_4]
5. Burges, C.J. 1998. A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2: 121-167. [DOI:10.1023/A:1009715923555]
6. Choisnel, E. and P. Gavilan. 1992. Une approche uniformisee du calcul l'evapotranspiration potentialle pour l'ensamble des pays de la communaut'es europ'eene. Publication EUR 14223, Office des publications officielles des communaut'e europ'eene: Luxemberg.
7. Dawson C.W., R.J. Abrahart, A.Y. Shamseldin and R.L. Wibly. 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(14): 391-409. [DOI:10.1016/j.jhydrol.2005.07.032]
8. Dolatkhahi, M. and V. Ghorbani Nehooji. 2013. Introduction of high consumption medicinal plants in Dashtestan city in Bushehr province with emphasis on traditional application. Journal of Medicinal Plants, 12(2): 85-105 (In Persian).
9. DvodAbadi Farahani, M. 2013. Mapping Groundwater Potential in Karstic Area- West of Shahrood, M.S.Thesis, Shahrood University of Technology, Shahrood, Iran,130 pp (In Persian).
10. Fallahi, M., H. Varvani and S. Golian. 2011. Rainfall Forecasting Using Regression Tree Model for Flood Control, 5th National Conference on Watershed Management and Soil and Water Resource Management, Kerman, 248-256 pp (In Persian).
11. Ghorbani, M.A., R. Khatibi, M. Hasanpour kashani and O. Kisi. 2010. Comparison of three artificial intelligence techniques for discharge routing. Journal of Hydrology, 403(3-4): 201-212 (In Persian). [DOI:10.1016/j.jhydrol.2011.03.007]
12. Gorgij, A.D., O. Kisi and A. Moghaddam. 2016. Groundwater budget forecasting using hybrid wavelet-ANN-GP modelling: a case study of Azarshahr plain, East Azerbaijan, Iran. Journal of Hydrology Research (In Persian). [DOI:10.2166/nh.2016.202]
13. Hoseini Someh, M., A. Roshani and A. Zebah. 2021. Modeling of groundwater level changes based on methods based on artificial intelligence (Case study of Zaveh Torbat Heydariyeh plain). Watershed Management, 11(21): 223-235 (In Persian).
14. Jabalbarezi, B. and A. Malekian. 2020. Comparison of the efficiency of artificial neural network methods and gene expression planning for predicting water table in arid and semi-arid regions (Case study: Jiroft plain). Iranian Range and Desert Research, 26(2): 292-301 (In Persian).
15. Jothiprakash, V. and S. Sakhare. 2008. Ground Water Level Fluctuations using Artificial Neural Network, The 12th International Conference of International Association for Computer Methods and Advances in Geomechanics (IACMAG), Goa, India.
16. Lallahem, S., J. Mania A. Hani and Y. Najjar. 2005. On the use of neural networks to evaluate ground water levels in fractured media. Journal of Hydrology, 307: 92-111. [DOI:10.1016/j.jhydrol.2004.10.005]
17. Menhaj, M.B. 2005. Fundamentals of neural networks, computational intelligence. Publishing Center of Amir Kabir University of Technology, Iran, 718 p.
18. Mohtasham, M., A. Dehghani, A. Akbarpour, M. Meftah and M. Eatebari. 2010. Estimation of the level of the station using the Artificial Neural Network of Shabestar Plain, Journal of Irrigation and Drainage, 11(1):1-10 (In Persian).
19. Mokhtari, Z., A. Nazemi and A. Nadiri. 2012. The prediction of ground watear leveling using Shistar plain artificial neural network model, Geotechnical Geology (Applied Geology), 8(4): 345-353
20. Norouzi Ghoshbalagh, H., A. Nadiri, A. Asghari Moghaddam and M. Qarahkhani. 2018. Comparison of the efficiency of artificial neural networks, fuzzy logic and random forest in estimating the aquifer transfer capability of Malekan plain. Echo Hydrology, 5(3): 739-751 (In Persian).
21. Nosrati Karizak, F., S.A. Movahedi Naeni and A. Hezarjaribi, 2012. Using Artificial Neural Networks to estimate saturated hydraulic conductivity from easily available soil properties. Journal of Soil Management and Sustainable Production, 2(1): 95-110 (In Persian).
22. Pal, M. 2006. M5 model tree for land cover classification. Remote Sensing. 27(4):825-831. [DOI:10.1080/01431160500256531]
23. Piri, H. and A. Bameri. 2013. Investigation of the trend of quantitative changes in the water table of groundwater resources using statistics and geographic information system (Case study: Sirjan plain). Application of Remote Sensing and GIS in Natural Resources Science, 5(1): 29-43 (In Persian).
24. Potop, V. and M. Možný. 2011. The application a new drought index-Standardized precipitation evapotranspiration index in the Czech Republic. Mikroklima a mezoklima krajinných structur a antropogenních prostředí, 2(4): 1-12.
25. Reghunath, R., T.R. Murthy and B.R. Raghavan. 2005. Time series analysis to monitor and assess water resources: A moving average approach. Environmental Monitoring and Assessment, 109: 65-72. [DOI:10.1007/s10661-005-5838-4]
26. Sreekanth, D., N. Geethanjali, P. Sreedevi, Sh. Ahmed, N. Ravi Kumar and P.D. Kamala Jayanthi. 2009. Forecasting groundwater level using artificial neural networks, Current Science, 96: 1-7.
27. Wang, Y. and I.H. Witten. 1997. Inducing model trees for continuous classes. In Proceedings of the Ninth European Conference on Machine Learning, 128-137.
28. Wosten, J.H.M., Y.A. Pachepsky and W.J. Rawls. 2001. Pedotransfer functions: bridging the gap between available basic soil data and missing soil hydraulic characteristics. Journal of Hydrology, 251: 123-150. [DOI:10.1016/S0022-1694(01)00464-4]
29. Yang, Z.P., W.X. Lu, Y.Q. Long and P. Li. 2009. Application and comparison of two prediction models for groundwater levels: A case study in Western Jilin Province. China. Journal Arid Environ. 73: 487-492. [DOI:10.1016/j.jaridenv.2008.11.008]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
