دوره 11، شماره 21 - ( بهار و تابستان 1399 )
جلد 11 شماره 21 صفحات 235-223 |
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:
Hosseini M, Roshani A, zabbah I. (2020). Modeling of Groundwater Fluctuations Based on Artificial Intelligence Methods (Case study: Zawah-Torbat Heidarieh plain). jwmr. 11(21), 223-235. doi:10.52547/jwmr.11.21.223
URL: http://jwmr.sanru.ac.ir/article-1-968-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-968-fa.html
حسینی مرجان، روشنی علیرضا، ذباح ایمان. مدلسازی تغییرات سطح آب زیرزمینی بر اساس روش های مبتنی بر هوش مصنوعی (مطالعه موردی: دشت زاوه تربت‌حیدریه) پژوهشنامه مديريت حوزه آبخيز 1399; 11 (21) :235-223 10.52547/jwmr.11.21.223
گروه مهندسی آب، دانشگاه آزاد اسلامی تربت‌حیدریه، تربت‌حیدریه، ایران
چکیده: (2302 مشاهده)
منابع آب زیرزمینی یکی از مهمترین منابع آبی هر کشور می‌باشد که شناخت صحیح و بهره برداری اصولی از آن می‌تواند در توسعه پایدار فعالیت های اجتماعی و اقتصادی یک منطقه بویژه در مناطق خشک و نیمه‌خشک نقش بسزایی داشته باشد. پیش‌بینی نوسان های سطح آب زیرزمینی برای مدیریت آب، امر ضروری می‌باشد. منطقه مورد مطالعه با گستره‌ای حدود 2504 کیلومترمربع در شمال کویر نمک، در جنوب شهر مشهد واقع است. هدف از این پژوهش، مدلسازی تغییرات سطح آب زیرزمینی دشت زاوه- تربت‌حیدریه با استفاده از شبکه‌های عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا و شبکه عصبی LVQ می باشد. به همین منظور جهت آموزش مدل، از اطلاعات 18 پیزومتر که دارای آمار 20 ساله (1395-1375) بودند، مستخرج و توسط محقیقن این پژوهش از سازمان آب منطقه ای استان خراسان رضوی جمع آوری شدند و پس از پیش پردازش، در این مطالعه مورد استفاده قرار گرفت. هریک از پیزومترها با تاخیر زمانیt0-1 (ماه قبل) به صورت ماهانه ثبت شده و در هر پیزومتر، هفت پارامتر، ورودیهای سیستم را تشکیل می دهند. جهت ارزیابی خطای سیستم از روش حداقل مربعات خطا (RMSE) محاسبه‌شده است. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه عصبی را شامل می‌شود. براین اساس نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با الگوریتمهای آموزشی آموزشی Gradient Descent, Gradient Descent with Momentum, Levenberg Marquardt قادر به پیش‌بینی سطح آب زیرزمینی به صورت ماهانه بادقت (RMSE=0/0012 (R2=0/9810, در مرحله آموزش و با دقت (RMSE=0/021 R2 = 0/9622,) در مرحله آزمون در محدوده مورد مطالعه است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مديريت حوزه های آبخيز
دریافت: 1397/7/18 | ویرایش نهایی: 1399/6/14 | پذیرش: 1398/11/12 | انتشار: 1399/6/14
دریافت: 1397/7/18 | ویرایش نهایی: 1399/6/14 | پذیرش: 1398/11/12 | انتشار: 1399/6/14
فهرست منابع
1. Akbarzadeh, F., H. Hasanpour and S. Imam Gholizadeh. 2016. The prediction of groundwater level in Shahroud plain using artificial radial neural network, Water Management Management Research Center, seventh year, No. 13.
2. Banerjee Chattopadhyaya, P. and R. Rangarajana. 2014. Applicationof ANN in sketching spatial nonlinearity of unconfined aquifer inagricultural basin. Agricultural Water Management, 133: 81-91. [DOI:10.1016/j.agwat.2013.11.007]
3. 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]
4. Chung, Y.W. 2008. Prediction water table fluctuation using artifical neural network, in partial fulfillment of the requirements for the degree of doctor of philosophy, University of Maryland, 185 pp.
5. Coppola, E., M. Poulton, E. Charles, J. Dustman and F. Szidarovszky. 2003. Application of artificialneural networks to complex groundwater management problem, Natural Resources Research, 12: 303-320. [DOI:10.1023/B:NARR.0000007808.11860.7e]
6. Esmaeili, V., M. Khayyate Kholqi and M. Shafiey. 2002. Presentation of an intelligent model for estimating groundwater level fluctuations in an alluvial aquifer using artificial neural network. The first Annual Conference of Iran Water Resources Management, Water Resources Science Forum Tehran Iran, Tehran University.
7. Izadi, A.S., A. Davari, K. Alizadeh, A.B. Qahraman and S.A. Haqaiqi Moqaddam. 2007. Estimation of surface level using artificial neural network, Iranian Journal of Irrigation and Drainage, 2: 59-71.
8. Khashei seok, A.S., B. Qahraman and M. Kochek Kord. 2013. Compared to artificial neural network models, ANFIS, regression In the estimation of aquifer Nishapur, Iranian Journal of irrigation and drainage, 1(7): 10-22.
9. Lallahem, S., J. Mania, A. Hani and Y. Najjar. 2005. On the use of neural networks to evaluate groundwater levels in fractured media. Journal of Hydrology, 307: 92-111. [DOI:10.1016/j.jhydrol.2004.10.005]
10. Mekanik, F., M.A. Imteaz, S Gato-Trinidad and A. Elmahdi. 2013. Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503, 11-21 [DOI:10.1016/j.jhydrol.2013.08.035]
11. Mir Arabi, M. 2008. AS. Nakhaie. Prediction of ground water level fluctuations in Birjand plain using artificial neural network, Proceedings of the Twelfth Iranian Geological Survey, Ahvaz, pp: 1-8.
12. Mohanty, S., Jha, Madan, K. Kumar Ashwani and D.K. Panda. 2013. Comparative evaluation of numerical model and artificial neural network for simulating groundwater flow in Kathajodi-Suru Inter-basin of Odisha, India. Journal of Hydrology, 495: 38-51. [DOI:10.1016/j.jhydrol.2013.04.041]
13. Mohtasham, M., A. Dehghani, A. Akbarpour, M. Meftah Holghi and M. Eatebari. 2010. Estimation of the level of the station using the Artificial Neural Network of Shabestar Plain, Journal of Irrigation and Drainage, Year, No. 1.
14. 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.
15. Moslemei, K., S. Emam Qolizadeh and G.H. Karami. 2011. Comparison of artificial intelligence systems ANN and ANFIS in forecasting groundwater level of Bastam Plain Fifth conference of watershed management and soil and water resource management, Kerman, Iran, irrigation and water engineering.
16. Mothakane, A., B. Arabi, H. Shokri and B. Mir Bagheri. 2012. Estimated amount Changes in rainfall estimation using combined techniques of artificial neural networks and geostatistics in the North West of Iran, Quarterly Journal of Remote Sensing and GIS of Iran, 16: 37 pp.
17. Nayak, Satyaji Rao, Y.R. and K.P. Sudheer. 2006. Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 2(1): 77-99 [DOI:10.1007/s11269-006-4007-z]
18. Nikbakht, J. and S. Noori. 2017. Clustering of Observational Wells and Forecasting Groundwater Levels Using Artificial Neural Networks (Case Study: Maragheh Plain). Water and Soil Knowledge 27(1): 281-94.
19. Pour Mohammadi, S., H. Malekinejad and V. Pour Sharaani. 2013. Comparison of different methods Vsry time neural network to predict the groundwater level (case study: Sub-basin Bakhtegan Fars Province) Journal of Water Conservation and Watershed Research, 20(4): 251-261.
20. Report of Integrated Water Resources Management Studies,Torbat Heydarieh, Cover two, Meteorology, Khorasan Razavi Regional Water Company, Year, 2014.
21. Report of Integrated Water Resources Management Studies,Torbat Heydarieh, Cover three, Meteorology, Khorasan Razavi Regional Water Company, Year, 2013.
22. Sadidi, G., M. Kamangar, H. Rezaeian, A.S. Hamidiyan, M. Baaqedeh and H. Aryan Nezhad. 2014. Anticipation of the level watear of arid and arid regions using Artificial Neural Network and Gradient Descent method, Geographical studies of arid regions, 16: 39-53.
23. Shigidi, A. and L.A. Garcia. 2003. Parameter estimation in groundwater hydrology using artificia neural networks. J.of Computing in Civil Engineering, 17(4): 281-289. [DOI:10.1061/(ASCE)0887-3801(2003)17:4(281)]
24. Sreekanth, P.D. Geethanjali, N. Sreedevi, P.D. Ahmed, Sh.N. Ravi Kumar and P.D. Kamala Jayanthi. 2009. Forecasting groundwater level using artificial neural networks, Current Science, 96: 1-7.
25. Taormina, R., Ch. Kwok-wing and S. Rajandrea. 2012. Artificial neural network simulation of hourly groundwater levels in acoastal aquifer system of the Venice lagoon. Engineering Applications ofArtificial Intelligence, 25: 1679-1676. [DOI:10.1016/j.engappai.2012.02.009]
26. Tasaloti, B. 2003. Estimation of groundwater level using mudflow and artificial neural network. Master thesis, Faculty of Agriculture, Tarbiat Modares University, p. 105.
27. Zabbah, I., A. Roshani and A. Khafage. 2018. Prediction of monthly rainfall using artificial neural network mixture approach, Case Study: Torbat-e Heydariyeh. Journal of the Earth and Space Physics, 44(4), 115-126. doi: 10.22059/jesphys.2018.244511.1006941
28. Zamani, N., M. Javaheri Tehrani, S. Eslamian and F. Mousavi. 2016. Simulation of Groundwater Table of Mahyar Plain with Artificial Neural Network Geographic Information System Under Different Scenarios.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
