بهینه‌سازی تعداد پیزومترها در پیش‌بینی سطح آب‌های زیرزمینی با روش‌های تحلیل عاملی (مطالعه موردی: دشت میناب)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس ،ایران

2 گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان

چکیده

به­دلیل کمبود بارندگی در مناطق خشک و نیمه­خشک و در نتیجه محدود بودن منابع آب­های سطحی در این مناطق، مصرف آب در بخش کشاورزی، صنعت و شرب به­شدت به آب زیرزمینی متکی است. در برداشت­های صحرایی مثل نمونه­برداری از عمق آب در چاه­ها، تعیین نقاط مهم جهت نمونه­برداری به لحاظ کاهش حجم نمونه­ها و صرفه­جویی در هزینه و زمان بسیار مهم است. در این مقاله، از آنالیز مؤلفه­های اصلی و تحلیل خوشه­ای جهت تعیین چاه­های مؤثر برای تعیین تراز سطح ایستابی سفره آب زیرزمینی دشت میناب واقع در استان هرمزگان و حذف چاه­های کم­اهمیت استفاده شده است. برای این منظور، 38 چاه پیزومتری در منطقه مورد مطالعه بررسی  گردید و با استفاده از آنالیز مؤلفه­های اصلی، اهمیت نسبی هر چاه بین 0 تا 1 محاسبه گردید. بررسی به­عمل آمده نشان داد با حذف چاه­هایی که اهمیت نسبی آن­ها کمتر از 7/0  است، ضریب تغییرات سطح آب زیرزمینی نسبت به حالتی که از تمامی چاه­ها استفاده می­گردید؛ افزایش چندانی نمی­کند. با استفاده از تحلیل خوشه­ای، پیزومترها به سه خوشه تقسیم­بندی شدند که از بین خوشه­ها، خوشه سه با 12 پیزومتر معرف بهتری از پیزومترها بود و کمترین خطا را داشت. درنهایت تحلیل خوشه­ای با خطای کمتر نسبت به روش PCA، ملاک نتیجه­گیری قرار گرفت.

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of Piezometeric wells Number for Groundwater Level Prediction Using Factor Analysis (Case Study: Minab Plain)

نویسندگان [English]

  • Ommolbanin Bazrafshan 1
  • Zahra Gerkani NezhadMoshozi 2
1 Assistant Professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran.
2 Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas
چکیده [English]

The lack of rainfall in arid and semi-arid areas result in the limited availability of surface water resources in these areas, hence water consumption in the agricultural, industrial and drinking industries relies heavily on groundwater. In field surveys, such as sampling from deep wells, determining the critical points for sampling is very important in terms of reducing sample size and saving costs and time. In this paper, the principal component analysis (PCA) and the hierarchical clustering have been used to select the effective wells for measuring the static level of groundwater in the Minab plain in Hormozgan province. For this purpose, 38 piezometric wells were considered and the relative importance of each well was computed using the PCA by allocating the values between 0 and 1. The study showed that by removing the wells with the relative importance less than 0.7, the coefficient of variation of groundwater doesn’t increases significantly compared to the case of using all wells. Based hierarchical cluster analysis, the piezometers were divided well into three clusters, which the 3rd cluster with 12 piezometers is the best representative with the lowest error. Finally, the cluster analysis with the lower error compared to the PCA was used as the criterion of conclusion

کلیدواژه‌ها [English]

  • Principal component analysis
  • Cluster analysis
  • Groundwater
  • Minab Plain

بابایی حصار، س.، ق. همدمی و ه. قاسمیه. 1395. شناسایی چاه­های مؤثر در تعیین عمق آب زیرزمینی دشت ارومیه با استفاده از آنالیز مؤلفه­های اصلی، نشریه آب و خاک (علوم و صنایع کشاورزی)، 31(1): 50 – 40.

تقی­زاده مهرجردی، ر. ا.، م. زارعیان جهرمی، ش. محمودی، ا. حیدری و ف. سرمدیان. 1387. بررسی روش­های درون­یابی مکانی جهت تعیین تغییرات مکانی ویژگی­های کیفی آب­های زیرزمینی دشت رفسنجان، علوم و مهندسی آبخیزداری ایران، 2(5): 70-63.

خسروی، ح.، ا. مرادی و ح. دارابی. 1394. شناسایی مناطق همگن از نظر کیفیت آب زیرزمینی با استفاده از تحلیل عاملی و خوشه­ای؛ مطالعه موردی دشت قیر استان فارس، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 6(21): 133- 119.

رجائی، ط.، و ف. پوراصلان. 1394. پیش­بینی زمانی و مکانی تراز آب زیرزمینی دشت داورزن، هیدروژئومورفولوژی، 4: 19- 1.

رضایی، م. و و. امیری. 1391. ارزیابی تغییرات کیفی آب زیرزمینی دشت لنجانات با استفاده از تحلیل عاملی ترکیب شده با نظریه آنتروپی اطلاعات. مجله محیط شناسی، 2: 44- 33.

رضیئی، ط.، 1394. بررسی ویژگی­های خشکسالی در منطقه خشک و نیمه­خشک ایران، نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز، 7(4): 363- 378.

رهنما، ه.، م. ر. قنبرپور، م. حبیب نژاد روشن و ا. دادرسی سبزوار. 1387. تعیین زمان­های کمینه و بیشینه­ بهره­برداری از منابع آب­های زیرزمینی با استفاده از هیدروگراف واحد سالانه­ دشت جوین، اولین کنفرانس بین­المللی بحران آب دانشگاه زابل.

سامانی، س.، ن. کلانتری و م. ح. رحیمی. 1390. استفاده از روش آماری تحلیل خوشه­ای جهت ارزیابی کیفی آب زیرزمینی دشت اوان، مجله مهندسی منابع آب، 4: 86- 75.

شیخ­الاسلامی، ن.، ب، قهرمان، ا. مساعدی، ک.، داوری و م. مهاجرپور. 1393. پیش­بینی تبخیر و تعرق گیاه مرجع (ETo) با استفاده از روش آنالیز مؤلفه­های اصلی (PCA) و توسعه مدل رگرسیونی خطی چندگانه (MLR-PCA) (مطالعه موردی: ایستگاه مشهد)،  نشریه آب و خاک (علوم و صنایع کشاورزی)، 28(2): 429- 420.

عساکره، ح. 1387. کاربرد روش کریجینگ در میان­یابی بارش (مطالعه موردی: میان­یابی بارش 26/12/1376 در ایران زمین)، جغرافیا و توسعه، 12: 42-25.

عطایی، ه. و ه. شیران. 1390. شناسایی زیرحوضه­های هیدرولوژیکی همگن از نظر عوامل ژئومورفولوژیک مؤثر بر سیلاب با استفاده از تحلیل خوشه­ای (مطالعه موردی: دشت کرون)، مجله جغرافیا و برنامه­ریزی محیطی، 42(2): 98- 79.

فرجی سبک­بار، ح. و ق. عزیزی. 1385. ارزیابی میزان دقت روش­های درون­یابی فضایی مطالعه موردی: الگوسازی بارندگی حوضه کارده مشهد، پژوهش­های جغرافیایی، 58: 15-1.

فرشادفر، ع. 1384. اصول و روش­های آماری چند متغیره. چاپ دوم. انتشارات طاق بستان. 752 صفحه.

قدم پور، ز. و م. شقاقیان. 1390. مقایسه مدل­های کلاسیک سری زمانی و هوش مصنوعی در تعیین سطح تراز آب زیرزمینی، ششمین کنگره ملی مهندسی عمران، 8-1.

لشکری­پور، غ.، ح. رستمی بارانی و ح. ترشیزی. 1385. افت سطح آب زیرزمینی و نشست زمین در دشت کاشمر، دهمین همایش انجمن زمین­شناسی ایران، تهران. 2438- 2428.

محمودی، م. د.، ع. ندیری، ا. اضغری­مقدم، م. پوراکبر و ع. مرادیان هره­دشت. 1395. بررسی منابع آب دشت شیرامین با استفاده از روش­های آماری چندمتغیره. نشریه پژوهش­های حفاظت آب و خاک، 23(3): 302- 289.

مدرس، ر.، س. فیض­نیا، م. ناصری و ا. نجفی. 1389. تعیین مناطق همگن بر اساس برخی از عوامل مؤثر بر رسوب. نشریه مرتع و آبخیزداری، مجله منابع طبیعی ایران، 63(2): 260-249.

نوری قیداری، م. ح. 1391. تعیین چاه­های مؤثر در تعیین تراز سطح آب زیرزمینی با آنالیز مؤلفه­های اصلی، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 17(64):158- 149.

نوری، ر. ا.، ر. کراچیان، ا. خدادادی دربان، و ا. شکیبایی نیا. 1386. ارزیابی اهمیت ایستگاه­های پایش کیفی رودخانه­ها با استفاده از آنالیز مؤلفه­های اصلی و آنالیز فاکتور (مطالعه موردی: رودخانه کارون)، آب و فاضلاب، 18(63): 69-60.

هوشنگی، ن.، ع. ا. آل شیخ و ع. ندیری. 1394. بهینه­سازی تعداد پیزومترها در پیش­بینی سطح آب­های زیرزمینی با روش­های  PCA و زمین آماری، نشریه دانش آب و خاک، 25(42): 66- 53.

 

Beveridge, D., A. St-Hilaire, T. B. Ouarda, B. Khalil, F. M. Conly, L. I. Wassenaar and E. Ritson-Bennett. 2012. A geostatistical approach to optimize water quality monitoring networks in large lakes: Application to Lake Winnipeg. Journal of Great Lakes Research 38: 174-182.

Camdevyren, H., N. Demyr, A. Kanik and S.

 

 

 Keskyn. 2005. “Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-an in reservoirs.” Ecol. Model., 181, 581–589.

Cloutier, V., R. Lefebvre, R. Therrien and M. Savard. 2008. Multivarariate statical analysis of geochemical data as indicative of the hydrogeochemical evolution of groundwater in a sedimentary rock aquifer system. J. Hydrol, 353, 294-313.

Emran Khaled Abd El Aziz, M. 2013. A Multiapproach Study of Soil Attributes under Land Use and Cover Change at the Cap de Creus Península, NE Spain.

Guler, C., G. D. Thyne, J. E. McCray and A. K. Tumer. 2002. Evaluation of graphical and multivariate statistical methods for classification of water chemistry data, Hydrogeology journal, 10, 455- 474.

Gurunathan, K. and S. Ravichandran. 1994. Analysis of water quality data using a multivariate statistical technique - a case study. IAHS Pub., No. 219.

Johnson, R. A. and D. W. Wichern. 2002. Applied multivariate statistical analysis (Vol. 5, No. 8). Upper Saddle River, NJ: Prentice hall. ‏

Johnson, R. A., and D. W. Wichern. 1982. Applied multivariate statistical analysis, 3rd Ed., Prentice-Hall Inc., Englewood Cliffs, SA, 590.

Khan, S., H. F. Gabriel and T. Rana. 2008. Standard precipitation index to track drought and assess impact of rainfall on water tables in irrigation areas, Irrigation Drainage Systems, 22: 159–177.

Lu, W. Z., W. J. Wang, X. K. Wang, Z. B. Xu and A. Y. T. Leung. 2003. “Using improved neural network to analyze RSP, NOX and NO2 levels in urban air in Mong Kok, Hong Kong.” Environmental Monitoring and Assessment, 87, 235–254.

Manly, B. F. J. 1986. Multivariate statistical methods: A primer, 2nd Ed., Chapman and Hall, London.

Nicolas, C., G. Masciandaro, T. Hernandez and C. Garcia. 2013. Chemical-Structural Changes of Organic Matter in a Semi-Arid Soil after Organic Amendment”, Pedosphere, Vol. 22, No. 3, pp. 283-293.

Petersen, W. 2001. Process identification by principal component analysis of river water-quality data. Ecol. Model.138: 193-213.

Salah, H. 2009. Geostatistical analysis of groundwater levels in the south Al Jabal Al Akhdar area using GIS. GIS Ostrava 25: 1-10.

Sivapragasam C, V. Arun and D. Giridhar. 2010. A simple approach for improving spatial interpolation of rainfall using ANN. Meteorology and Atmospheric Physics 109: 1-7.

Yakirevich A, Y. Pachepsky, T. Gish, A. Guber, M. Kuznetsov, R. Cady and T. Nicholson. 2013. Augmentation of groundwater monitoring networks using information theory and ensemble modeling with pedotransfer functions. Journal of Hydrology 501: 13-24.