تخمین تغییرات زمانی و مکانی سطح آب زیرزمینی با تلفیق مدل‌های هوشمند و روش‌های زمین آماری(دشت سمنان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان

2 استادیار گروه مهندسی عمران- مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

چکیده

به­ دلیل پیچیدگی­های موجود در طبیعت سیستم­های آب زیرزمینی و همچنین محدودیت­های موجود در حفر گمانه‌ها، مدل­سازی زمانی و مکانی تراز آب زیرزمینی به آسانی میسر نمی­باشد. به­ منظور یافتن راهکارهایی مفید برای پیش­بینی زمانی-مکانی سطح آب زیرزمینی، از روش­های هوش مصنوعی مانند RBF, ANN, SVR, ANFIS و مدل­سازی ARIMA و ترکیب آن­ها با روش­های زمین­آماری استفاده شده است. مطالعه موردی این تحقیق دشت سمنان می‌باشد. مرحله اول، مدل­سازی زمانی سطح آب زیرزمینی با استفاده از روش‌های مختلف انجام گرفته است. نتایج نشان داد که مدل ANFIS نسبت به روش‌های دیگر پیش­بینی ماهانه تراز آب زیرزمینی را در مرحله آزمایش با دقت بالاتری ارائه می‌دهد (994/0= R2 و 041/0 = .( RMSEمرحله بعد، از داده­های خروجی ANFIS، به عنوان داده­های ورودی مدل زمین­آمار استفاده شده است و مدل کریجینگ خطی به عنوان بهترین مدل برای توسعه مکانی تراز آب زیرزمینی انتخاب گردیده است (8889/0=R2 و 376/2=(RMSE  . نتایج این پژوهش نشان داد که تلفیق مدل ANFIS و مدل کریجینگ خطی، یک روش مناسب برای پیش­بینی زمانی و مکانی تراز آب زیرزمینی می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of Temporal and Spatial Variations of Groundwater Level by Combining Intelligent Models and Geostatistical Methods )Semnan Plain(

نویسندگان [English]

  • Mobina Rabiee 1
  • hojat karami 2
1 MSc student in water resources engineering and management, Faculty of Civil Engineering, Semnan University.
2 Assistant Professor, Department of Civil Engineering, Semnan University, Semnan, Iran
چکیده [English]

Due to the complexity of the nature of groundwater systems as well as the limitations of borehole drilling, temporal and spatial modeling of groundwater levels are not readily possible. Artificial intelligence methods such as RBF, ANN, SVR, ANFIS and ARIMA modeling and their combination with geostatistical methods have been used to find useful solutions for spatial prediction of groundwater level. The case study of this study is Semnan plain. The first step is the temporal modeling of groundwater level using different methods. The results showed that the ANFIS model provides more accurate prediction of the monthly groundwater level in the experimental stage than other methods (R2 = 0.994 and RMSE = 0.041). Next step, the ANFIS output data is used as input data for the geostatistical model and the linear kriging model is selected as the best model for spatial development of groundwater level. (R2 = 0.8889 and RMSE = 2.376). The results of this study showed that the combination of ANFIS model and linear kriging model is an appropriate method for temporal and spatial prediction of groundwater level.

کلیدواژه‌ها [English]

  • : time forecast
  • spatial forecast
  • groundwater level
  • geostatistical
جهانشاهی، ا. و ع. مقدم­نیا. 1390. پیش­بینی تراز آب زیرزمینی با استفاده از شبکه­های عصبی مصنوعی (مطالعه موردی دشت شهربابک استان کرمان). دومین کنفرانس مدیریت و برنامه­ریزی محیط زیست، دانشگاه تهران، دانشکده محیط زیست.
چاهکوتاهی، ف. و م. خاشعی. 1398. پیش‌بینی بار الکتریکی با بکارگیری مدل‌های ترکیبی پرسپترون‌های چندلایه و خودرگرسیون میانگین متحرک انباشته فصلی. روش‌های هوشمند در صنعت برق، سال دهم، شماره چهل، ص 44-35.‎
 
حبیبی، م. ح.، ع. ندیری، ا. اصغری مقدم. 1394. ارائه مدل ترکیبی ژنتیک-کریجینگ برای پیش­بینی زمانی و مکانی سطح آب زیرزمینی (مطالعه موردی: دشت هادیشهر).‎ تحقیقات منابع آب ایران، سال یازدهم، شماره 3، ص 85-99.
حداد، ع. و ا. خراسانی. 1398. اثر تغییرات سطح آب زیرزمینی بر فرونشست دشت سمنان. علوم زمین، سال بیست و هشتم، شماره 112، ص 190-181.
حسنی­پاک، ع. ا. 1377. زمین­آمار. انتشارات دانشگاه تهران.
دهقانی، ا. ا.، م. عسگری و ا. مساعدی. 1388. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی-عصبی تطبیقی و زمین آمار در میان­یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین). مجله علوم کشاورزی و منابع طبیعی، جلد شانزدهم، ویژه­نامه 1-ب، 536-517.
دهقانی، ر. و ع. نورعلیئی. 1395.  مقایسه روش­های زمین آمار و شبکه عصبی مصنوعی در تخمین سطح آب زیرزمینی (مطالعه موردی: دشت نورآباد، استان لرستان). فصلنامه علوم و تکنولوژی محیط زیست، دوره هجدهم، شماره 1، 44-33.
رمضانی چرمهینه، ع. و م. ذونعمت کرمانی. 1396. بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش­بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد).‎ پژوهشنامه مدیریت حوزه آبخیز، دوره 8، شماره 15، ص 12-1.
سمنان، شرکت مدیریت منابع آب ایران، شرکت سهامی آب منطقه­ای سمنان.
طباطبائی، س. ح. و م. غزالی. 1390. ارزیابی دقت روش­های میان­یابی در تخمین سطح ایستابی آب زیرزمینی (مطالعه موردی: آبخوان­های فارسان ، جونقان و سفید دشت). مجله علوم و فنون کشاورزی و منابع طبیعی، سال پانزدهم، شماره پنجاه و هفتم، ص 22-11.
کار­آموز، م. و ش. عراقی­نژاد. 1389. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر.
کماسی، م.، ح. گودرزی و ا. بهنیا. 1396. بررسی روند نوسانات مکانی-زمانی سطح ایستابی آب‌های زیرزمینی به روش ماشین بردارپشتیبانSVM)) و کریجینگ (kriging)(مطالعه موردی دشت سیلاخور). نشریه پژوهش‌های حفاظت آب و خاک، جلد24، شماره 4، ص 209-195.
کیا، س.م. 1390. شبکه­های عصبی در MATLAB . تهران، انتشارات کیان رایانه سبز.
محمدی، م.، ح. کرمی، س. فرزین و ع. ر. فرخی. 1396. پیش­بینی بارش ماهانه بر اساس سیگنال­های بزرگ مقیاس اقلیمی با به کارگیری مدل­های هوشمند و رگرسیون خطی چندگانه )مطالعۀ موردی: ایستگاه سینوپتیک سمنان(. اکو هیدرولوژی، دوره 4، شماره 1، ص 214-201.
منهاج، م.ب. 1381. مبانی شبکه­های عصبی و هوش محاسباتی. انتشارات دانشگاه صنعتی امیرکبیر.
نیک­منش، م.ر. 1390. کاربرد روش­های تلفیقی هوش مصنوعی در پیش­بینی تراز آب زیرزمینی دشت خرامه مرودشت فارس. چهارمین کنفرانس مدیریت منابع آب ایران، اردیبهشت 1390، دانشگاه صنعتی امیرکبیر.
Anderson, J. A. 1995. An introduction to neural networks. MIT, Cambridge.
Box, G. E. P & G. M. Jenkins. 1970. Time series analysis: Forecasting and control. San Francisco: Holden-day.
Chang, F. J & Y. T. Chang. 2005. Adaptive neuron-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources, 29(1): 1-10.
Chen, S. H., Y. H. Lin, L. C. Chang & F. J. Chang. 2006. The strategy of building a flood forecast model by neuro fuzzy network. Hydr Proc 20: 1525–1540.
Daliakopoulos, I. N., P. Coulibaly & I. K. Tsani. 2008. Improving groundwater level forecasting with a feed forward neural network and linearly regressed projected precipitation. Journal of hydroinformatics 10(4):  317-330.
 Das, U. K., P. Roy & D. K. Ghose. 2019. Modeling water table depth using adaptive Neuro-Fuzzy Inference System. ISH Journal of Hydraulic Engineering, 25(3): 291-297.
Dibike, Y.B., D. Solomatine and M. B. Abbott. 1999. On the encapsulation of numerical-hydraulic models in artificial neural network, Journal of Hydraulic Research, 37(2): 147-161.
Jang, J. S. R, C. T. Sun and E. Mizutani. 1997. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall, New Jersey.
Jang, J. S. R. 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on System Management and Cybernetics 23(3): 665-685.
Mason, J.C., R. K. Price and A. Temme. 1996. A neural network model of rainfall- runoff using radial basis functions. J. of Hydraulic Research, 34: 537-548.
Millero, F. J.,  R. Feistel, D. J. Wright and T. J. McDougall. 2008. The composition of Standard Seawater and the definition of the Reference-Composition Salinity Scale. Deep Sea Research, 55(1): 50-72.
Mirarabi, A., H. R. Nassery, M., Nakhaei, J., Adamowski, A. H. Akbarzadeh & F. Alijani. 2019. Evaluation of data-driven models (SVR and ANN) for groundwater-level prediction in confined and unconfined systems. Environmental Earth Sciences, 78(15): 489.
Moghaddamnia, A., R. Remesan, M. Hassanpour Kashani, M. Mohammadi, D. Han & J. Piri. 2009. Comparison of LLR, MLP, Elman, NNARX and ANFIS modelswith a case study in solar radiation estimation. J. Atmos. Sol.-Terr. Phys. 71, 975–982.
Mokhtarzad, M., F. Eskandari, N. J. Vanjani & A. Arabasadi. 2017. Drought forecasting by ANN ANFIS and SVM and comparison of the models. Environ Earth Sci 76(21): 729.
Murphy, R. R., F. C. Curriero, W. P. Ball and M. Asce. 2010. Comparison of spatial interpolation methods for water quality evaluation in the chesapeake bay. Journal of Environmental Engineering, 136: 160-171.
Platt, J. C. 1999. Fast training of support vector machines using sequential minimal optimization. In: Sch olkopf B, Burges CJC, Smolar AJ (eds) Advances in Kernel methods—support vector learning. MIT Press, Cambridge.
 Porte, P., R. K. Isaac, K. Kiran & S. Mahilang. 2018. Groundwater level prediction using artificial neural network model. Int. J. Curr. Microbiol. Appl. Sci, 7(02): 2947-2954.
Shiri, J., O. Kisi, H. Yoon, K. K. Lee & A. H. Nazemi. 2013. Predicting groundwater level fluctuations with meteorological effect implications- A comparative study among soft computing techniques. Comput Geosci 56: 32– 44.
Smola, J. Alex & B. Scholkopf. 1998. A tutorial on support vector regression. Royal Holloway College, London, UK, NeuroCOLT, Technical Report Series.
Smola. 1996. Regression estimation with support vector learning machines.
Sujatha, P & G. N. Kumar. 2007. Prediction of water level using different artificial neural network architetures and algorithms. current science, 93(4): 732-739.
Vapnik, V. N. 1998. Statistical Learning Theory, 1st edn. John Wiley, New York.
Woo, S. M., H. Kim & S. S. Chirayath. 2020. Influence of the spatial Pu variation for evaluating the Pu content in spent nuclear fuel using Support Vector Regression. Annals of Nuclear Energy, 135: 106997.
Yoon, H., S. C. Jun, Y. Hyun, G. O. Bae & K. K. Lee. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, 396(1-2): 128-138.