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

Document Type : Original Article

Authors

1 Assistant Professor, Department of Soil Science, Agriculture Faculty, Malayer University

2 malayer university

Abstract

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.

Keywords

Main Subjects

References

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.

Files

Share

How to cite

Statistics