The mining association rules for water table fluctuations analysis of Ghazvin city by Apriori algorithm

Authors

1 Ph.D. student, Dept. of Water Engineering, Faculty of Water and Soil, University of Zabol.

2 Assistant Professor, Dept. of Water Engineering, Faculty of Water and Soil, University of Zabol.

3 Associate Professor, Dept. of Irrigation and Drainage, Faculty of Agriculture and Natural Resources, University of Tehran.

4 Assistant Professor, Dept. of Water Engineering, Faculty of Agriculture, University of Zanjan

Abstract

The necessity of existence of a model is very important for suitable planning along with management of ground water resources and  with regard to water scarcity and decline aquifers. Because of various factors in the amount of changes the depth of the aquifer can be effective. in this article by using association rules, dependency between aquifer depth changes in irrigation network of Qazvin city and human and natural factors affecting on it, was investigated. for the years 2001 to 2015 using Apriori algorithm. to evaluate accuracy of the rules used three indicator such as lift, support percent and confidence percent.The results show that the maximum positive correlation has been between two sets of the Antecedent value, consisting high percent of relative humidity and low volume of water in irrigation network and withdraw of agricultural water, and Consequent, rising of aquifer depth more than one meter. With 4.8 percent of support it can be stated that effective factors on aquifer fluctuations are low precipitation, high volume of water in irrigation network and high crop water requirements occurred simultaneously with decline of 0.3 to one meter. In cases that the temperature was high, air humidity and precipitation were low, the  decline has been 0.3 to one meter with 66 percent of confidence. Furthermore, due to the derived association rules by increasing withdrawal of water from the well, air temperature, volume of water in irrigation network and crop water requirements, causes aquifer drops and On the other hand, increasing air humidity and precipitation causes a slump in aquifer decline.

Keywords

References

باریکانی، الف.، م. احمدیان و ص. خلیلیان. 1390. بهره­برداری بهینه پایدار از منابع آب زیرزمینی در بخش کشاورزی: مطالعه موردی زیربخش زراعت دشت قزوین. نشریه اقتصادی و توسعه کشاورزی (علوم و صنایع کشاورزی)، 25: 262-253.
رحیمی­خوب، ع. 1389. پیش­بینی حداکثر بارندگی ماهانه ایستگاه ایلام از روی دمای سطح آب خلیج فارس و دریای سرخ با استفاده از روش داده­کاوی، جله تحقیقات آب و خاک ایران، (1) 42، 1-7.
ستوده­نیا، ع.، و س. ستوده­نیا. 1395. برسی نقش احداث سد مخزنی طالقان بر رسوبگذاری شبکه آبیاری دشت قزوین، پانزدهمین کنفرانس هیدرولیک ایران، دانشکده فنی و مهندسی ، دانشگاه بین المللی امام خمینی، قزوین 24 و 25 آذر 1395
شهرابی، ج.، و ر. ص. نیستانی. 1387. " تجزیه و تحلیل سبد خرید مشتریان با استفاده از قوانین وابستگی در فروشگاه­های زنجیرهای شهروند" ، دومین کنفرانس داده­کاوی، دانشگاه امیرکبیر
عباس­نژاد، ا.، و ع. شاهی­دشت. 1392. بررسی آسیب­پذیری دشت سیرجان با توجه به برداشت بی­رویه از سفره آب زیرزمینی منطقه. جغرافیا و آمایش شهری- منطقه­ای، (7): 96 -85.
فتاحی، م. ه.، الف. بامداد و ع. رحیمی خوب. 1391.کاربرد قواعد انجمنی در رصد کردن وقایع بارندگی و خشکسالی با
استفاده از دمای سطح آبهای آزاد، مجله مهندسی منابع آب، سال پنجم، ص .96-89
قربانی، خ.، ع، خلیلی .، س ک، علوی­پناه و غ. ر. نخعی­زاده. 1388. مطالعه تطبیقی نمایه­های هواشناسی خشکسالی  SPI ,SIAP به روش داده­کاوی (مطالعه موردی استان کرمانشاه). نشریه آب و خاک. 24(3): 417-426).
محمدی، م.، م. محمدی­قلعه­نی و ک. ابراهیمی. 1390. تغییرات زمانی و مکانی کیفیت آب زیرزمینی دشت قزوین. مجله پژوهش آب ایران، 8 : 52-41.
نیکزاد، م.، م. ر. بهبهانی و ع. رحیمی­خوب. 1392. آشکارسازی وابستگی­های بین پارامترهای اقیانوسی-جوی و اقلیمی برای پایش خشکسالی با روش داده­کاوی مطالعه موردی: استان خوزستان، مجله پژوهش آب ایران، (13)7، 175-183.
Agrawal, R., T. Imielinski, and A. Swami. 1993. Mining association rules between sets of items in large databases. conference on Management of data. June 1, 1993, Washington DC, USA. PP: 207–216.
Cheung, D. W., J. Han, V, Ng and Wong, C. Y. 1996. Maintenance of discovered association rules in large databases: An incremental updating technique. In Proc. 1996 Int. Conf.Data Engineering (ICDE’96), pages 106–114.
Dhanya, C. T. and D. Nagesh-Kumar. 2009. Data mining for evolution of association rules for droughts and floods in India using climate inputs. J. Geophys. Res., 114, D02102, doi:10.1029/2008JD010485.
Harms, S. K. and J. S. Deogun. 2004. Sequential association rule mining time lags. Journal of Intelligent Information Systems. 22(1): 7-22..
Jang, C.S., S.K. Chen. and Y.M. Ku. 2013. Applying indicator-based geostatistical approaches to determine potential zones of groundwater recharge based on borehole data. Catena, 101, 178–187.
Khan, S., H. F. Gabriel and T. Rana. 2008. Standard precipitation index to track drought and assess impact of rainfall on watertables in irrigation areas. Irrig Drainage Syst, 22, 159–177.
Ramageri, M. 2011. Data mining techniques and applications. Indian Journal of Computer Science and Engineering.;4(1): 301-5.
Tadesse, T. 2002. Identifying Drought and its association with climatic and Oceanic Parameters Using Data Mining Techniques. Nebraska, Graduate college University of Nebraska
 
Tan, P, M. Steinbach and V Kumar. 2006. Introduction to data mining. 2th ed. Boston: Addison-Wesley

Files

Share

How to cite

Statistics