مقایسه عملکرد مدل‌های هوشمند در شبیه‌سازی پارامترهای کیفی آب سطحی و زیرزمینی (مطالعه موردی:دشت ساوه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 ، گروه علوم و مهندسی خاکشناسی، دانشکده کشاورزی، دانشگاه ملایر

2 دانشگاه ملایر

چکیده

هدف از تحقیق حاضر شبیه­سازی پارامترهای کیفیت منابع آب با استفاده از مدل­های هوشمند و بررسی اثر منبع آب سطحی و زیرزمینی در دقت شبیه‌سازی پارامترهای کیفی آب می­باشد. در این مطالعه کاربرد روش‌های شبکه عصبی مصنوعی (ANN) و عصبی-فازی (CANFIS) در شبیه‌سازی پارامترهای مهم کیفی آب سطحی و زیرزمینی دشت ساوه شاملTDS, SAR, EC,TH مورد ارزیابی قرار گرفت. بدین منظور پس از بررسی میزان همبستگی کاتیون‌ها و آنیون‌ها با پارامترهای هدف در هر دو منبع آبی، متغیرهای کیفی SO4, Cl, Mg, Ca, pH طی دوره 50 ساله از 1345 لغایت 1395 به عنوان متغیرهای ورودی انتخاب گردیدند. نتایج شبیه­سازی نشان داد که کمترین خطای برآورد شبکه عصبی مصنوعی برای منابع زیرزمینی و سطحی، به‌ترتیب مربوط به شبیه‌سازی TH و EC با خطای NRMSE معادل 29/1 و 3/5 درصد بود. بیشترین مقدار خطا در هر دو منبع مربوط به پارامتر SAR می‌باشد. به همین ترتیب، نتایج مشابه در شبیه-سازی با روش فازی-عصبی بدست آمد. آزمون تی-تست نشان داد، که استفاده از روش‌های هوشمند عصبی و عصبی-فازی در برآورد پارامتر کیفی SAR در منابع آب زیرزمینی اختلاف معنی‌داری دارند، به‌طوری­که مقدار NRMSE از 09/32 درصد در روش ANN به 82/22 در روش CANFIS کاهش یافته است. در مورد سایر پارامترهای کیفی آب زیرزمینی، اختلاف معنی‌داری مشاهده نگردید. در مورد منابع آب سطحی، روش عصبی-فازی سبب بهبود معنی‌دار نتایج مدل‌سازی پارامترهای کیفی TDS, SAR شد، به‌طوری­که مقدار NRMSE به ترتیب از 35/60 و 27/29 درصد در روش شبکه عصبی مصنوعی به 72/28 و 85/16 درصد در روش فازی-عصبی کاهش یافت. در مجموع می‌توان این‌گونه استنباط نمود که اثر نوع منبع آب در میزان خطای شبیه‌سازی هر یک از پارامترهای کیفی مشهود بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessment of the Impact of the Iype of Water Resource (surface and ground) on the Performance of Intelligent Models in Simulation of Water Quality Parameters

نویسندگان [English]

  • Maryam Bayatvarkeshi 1
  • ahmad bagheri 2
  • maryam hashemi 2
1 Assistant Professor, Department of Soil Science, Agriculture Faculty, Malayer University
2 malayer university
چکیده [English]

The main purpose of this study is to evaluate the effect of type of water resource in simulating water quality parameters in Savel plain by the intelligent models. In this investigation, the performance of ANN and CANFIS models in simulation of TDS, SAR, EC, and TH were compared with each other. For this aim, considering the correlation of the parameters, the Ph, Ca, Mg, Cl, and SO4 from 1966 to 2016 were selected as the input variables. The results indicated that the minimum error by the ANN in groundwater and surface water resources were related to the TH and the EC with 1.29 and 5.3 % respectively. The maximum error in both resources corresponded to the SAR. The same results were obtained by the CANFIS. The consequences of the T-Test showed that there was a significant difference between the ANN and the CANFIS in estimation of the SAR in the groundwater. So that the value of NRMSE decreased from 32.9% in the ANN to 22.82% in the CANFIS.  Concerning the other parameters, there was not any significant distinction. In case of the surface water, the CANFIS led to increase of proficiency of simulation of the SAR and the TDS. So thar, the value of the NRMSE declined from 60.35 and 29.27% in the ANN to 28.72 and 16.85 % in the CANFIS. In general, the impact of the type of the water resource in the accuracy of intelligent models in simulation of water quality parameters was approved.

کلیدواژه‌ها [English]

  • Word
  • Intelligent models
  • ANN
  • CANFIS
  • Water quality
  • Water resource

مراجع

احمدپور، س. ز.، احمدیان فر، ا.، اصغری­پری، س. ا. ۱۳۹۸. تخمین پارامترهای کیفی آب با استفاده از ترکیب روش ماشین یادگیری قدرتمند و تئوری موجک، اکو هیدرولوژی، دوره ۶، شماره ۲، تابستان ۱۳۹۸، ص ۳۶۹-۳۸۳.
پیری، ح.، بامری، ا. 1393. برآورد نسبت جذبی سدیم (SAR) در آبهای زیرزمینی با استفاده از وایازی خطی چند متغیره و شبکه­ی عصبی مصنوعی (مطالعه­ی موردی دشت بجستان)، مجله مهندسی منابع آب، سال هفتم، شماره 21، ص 80-67.
جوادی، ع.، مصطفی­زاده­فرد، ب.، شایان­نژاد، م.، مصدقی، م.ر.1396. ارزیابی معادلات نفوذ آب به خاک در شرایط تلفیق کیفیت آب و آبیاری، رطوبت اولیه خاک و بار آبی ثابت، نشریه پژوهش آب در کشاورزی، جلد 31، شماره3، ص470-482.
زارع­ابیانه، ح.، بیات­ورکشی، م.1390. ارزیابی مدل‌های هوشمند عصبی و تجربی در تخمین رواناب سالانه، نشریه آب و خاک (علوم و صنایع کشاورزی)، 25 (2)، ص 379-365.
زارع­ابیانه، ح.، قاسمی، ع.، بیات­ورکشی، م.، محمدی، ک.، سبزی­پرور، ع. الف.1388. ارزیابی کارایی دو نرم‌افزار شبکه عصبی مصنوعی در پیش‌بینی تبخیر-تعرق گیاه مرجع، مجله دانش آب و خاک، جلد1، شماره 19، ص 163-150.
صیادی­شهرکی، ف.، صیادی­شهرکی، ع. 1398. شبیه­سازی هدایت الکتریکی دشت بهبهان با استفاده از مدل­های ANN و ANN-PSO، علوم و مهندسی آب و فاضلاب، سال چهارم، شماره 1، ص 34-41.
زمان­زاد­قویدل، س.، زینال­زاده،ک.۱۳۹۴. برآورد مقدار جامدات محلول رودخانه با استفاده از محاسبات نرم (مطالعه موردی: بالادست سد بوکان)، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد ۲۹، شماره ۵، آذر ۱۳۹۲، ص ۱۲77-1262.
محقق، ع.، ولیخان­انارکی، م.، فرزین، س. ۱۳۹۹. مدل سازی پارامترهای کیفی (هدایت الکتریکی و کل مواد جامد محلول) رودخانه کارون در ایستگاه های ملاثانی، اهواز و فارسیات با بهره­گیری از روشهای مبتنی بر داده­کاوی، مجله سلامت و محیط زیست، دوره سیزدهم شماره اول، بهار 1۳۹۹، ص 122-103.
محمدی، پ.، ابراهیمی، ک. ۱۳۹۸. ارتقا الکتریکی رودخانه با کاربرد مدل­های شبکه عصبی مصنوعی (ANN) و استنتاج فازی عصبی تطبیقی (ANFIS-SC) بر اساس روش تجزیه به مولفه های اصلی (مطالعه موردی نکارود)، نشریه علوم و مهندسی آبخیزداری ایران، سال سیزدهم، شماره ۴۷، زمستان ۱۳۹۸، ص 30-3۹.
منتصری، م.، زمان­زاد­قویدل، س. 1395. مقایسه عملکرد مدل‌های هوش مصنوعی در تخمین پارامترهای کیفی رودخانه در دوره‌های کم آبی و پر آبی، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد30، شماره 6، بهمن-اسفند 1395، ص 1747-1733.
میرسنجری، م. م.، محمدیاری، ف.، بصیری، ر.، حمیدی پور، ف. ۱۳۹۶. مدل سازی پارامترهای کیفیEC،SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی دشت مهران و دهلران)، فصلنامه انسان و محیط زیست، شماره ۴۲، پاییز 13۹۶، ص 11-1.
وهابی­مشهور، م.، رحیمی­خوب، ع. 1394. مقایسه عملکرد مدل­های درختی و شبکه عصبی به منظور یافتن داده­های گمشده تبخیر از تشت در استان خوزستان، نشریه پژوهش­های حفاظت آب و خاک، جلد بیست و دوم، شماره چهارم، ص 202-187.
Al-Mukhtar, M., Al-Yaseen, F. 2019. Modeling Water Quality Parameters Using Data-Driven Models, a Case Study Abu-Ziriq Marsh in South of Iraq, Article in Hydrology.March 2019, 6, 24; doi:10.3390/hydrology6010024.
Bayatvarkeshi, M., Alam Imteaz, M., Kisi, O., Zarei, M., Mundher Yaseen, Z. 2020. Application of M5 model tree optimized with Excel Solver Platform for water quality parameter estimation, Environmental Science and Pollution Research
https://doi.org/10.1007/s11356-020-11047-w.
Gnana Sheela, K., Deepa, S. N. 2013. Review on Methods to Fix Number of Hidden Neurons in Neural Networks, Hindawi Publishing Corporation Mathematical Problems inngineering Volume 2013, Article ID 425740, 11 pages.
Moasheri, S. A., Rezapour, O.M., Beyranvand, Z., Poornoori, Z. 2013. Estimating the spatial distribution of groundwater quality parameters of Kashan plain with integration method of Geostatistics-Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Science, Vol. 5 (20), pp. 2434-2442.
Montaseri, M., Zaman Zad Ghavidel, S., Sanikhani, H. 2018. Water quality variations in different climates of Iran: toward modeling total dissolved solid using soft computing techniques, Stochastic Environmental Research and Risk Assessment, https://doi.org/10.1007/s00477-018-1554-9(0123456789().,-volV)(0123456789().,-volV).
Najah Ahmed,A., Binti Othman, F., Afan, H. A., Khaleel Ibrahim, R., Chow Ming, F., Shabbir Hossain,M., Ehteram, M., Elshafie, A. 2019. Machine learning methods for better water quality prediction, Journal of Hydrology 578 (2019) 124084, P 1-18.
Soltani Mohammadi, A., Sayadi Shahraki, A., Naseri, A.A. 2017. Simulation of groundwater quality parameters using ANN and ANN+PSO models (Case study: Ramhormoz Plain), Pollution, spring 2017 3(2): 191-200.
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران
دوره 12، شماره 3 - شماره پیاپی 47
فروردین 1401
صفحه 243-260

فایل ها

هم رسانی

ارجاع به این مقاله

آمار