Predicting the Groundwater level by Adaptive Neuro-Fuzzy Inference System (Case Study: Qom plain)

Document Type : Original Article

Authors

1 Civil and Architecture Department, Shahab Danesh University, Qom, Iran

2 Master Graduated, Civil and Architecture Department, Shahab Danesh University, Qom, Iran.

3 Ph.D. student of Kharazmi University

Abstract

Groundwater is considered the most important water source in the Qom plain. Therefore, predicting the groundwater level fluctuations of this plain can be a great help for planning and decision-making. The main aim of this study is to predict the groundwater level of Qom plain by the Adaptive Neuro-Fuzzy Inference System. It is easily possible to study the process of nonlinear models such as groundwater without considering the physics of the problem or knowing the characteristics of aquifer layers and complex geological information by this method. In this study nine observation wells were selected in Qom plain. Different patterns and combinations including groundwater level, well discharge, and rainfall in the earlier 12 months were used for input data and groundwater level in the current month was selected for output in the model. According to the results, the mentioned model have had suitable accuracy in predicting the groundwater level with respect to the correlation coefficient (R2) equal to 0.96 and the root mean square error equal to 0.26. The use of well discharge data in modeling improved the results in observation wells, which shows that these data have an effect on decreasing the groundwater level of this plain. Results showed that drainage from wells is the most important factor in reducing the groundwater level of this plain. The results also illustrated that the groundwater level of previous months and the amount of well drainage are suitable for predicting the groundwater level in arid and semi-arid climates such as Qom plain at the modeling entrance.         
   

Keywords

Main Subjects

References

زندی دره ‌غریبی، ف.، ز. خورسندی کوهانستانی، م. مزین و ن. آرمان. 1396. گزارش فنی: بررسی کارآیی مدل‌های بارش - رواناب GR4J و GR2M در شبیه‌سازی جریان حوزه آبخیز دره ‌تخت. نشریه مهندسی و مدیریت آبخیز، دوره 9, شماره 3، ص 360-370.
عزیزپور، س.، پ. فتحی و س. رضوانی. 1389. بررسی تأثیر عوامل اقلیمی بر نوسانات سطح آب زیرزمینی دشت دهگلان با استفاده از شبکه های عصبی مصنوعی. اولین کنفرانس ملی پژوهشهای کاربردی منابع آب ایران، شرکت آب منطقه ای کرمانشاه.
فتاحی، م. 1393. بررسی روند تغییرات منابع آب سطحی و زیرزمینی استان قم. اولین همایش کشوری بحران ها و چالش های آب در حوزه دریاچه نمک، قم.
کوره پزان دزفولی، ا. 1394. اصول تئوری مجموعه های فازی و کاربردهای آن در مدل سازی مسایل مهندسی آب، جهاد دانشگاهی واحد صنعتی امیر کبیر، تهران.
میر عربی، ع.، م. نخعی. 1374. پیش بینی نوسانات سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی، دوازدهمین همایش انجمن زمین شناسی ایران.
محمدی بصیر، م.، ف. رادمنش. 1396. عوامل موثر بر نوسانات سطح آبهای زیرزمینی، سومین همایش ملی مدیریت آب در مزرعه (تقاضا محوری آب)، کرج، موسسه تحقیقات خاک و آب.
محتشم، م.، ا. دهقانی، ا. اکبرپور، م. مفتاح هلقی و ب. اعتباری. 1389. پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)، مجله آبیاری و زهکشی ایران، دوره 4، شماره 1، ص10-1.
مسلمی، خ.، ص. امام قلی زاده و غ. کرمی. 1390. مقایسه سیستم های هوش مصنوعی ANN و ANFIS در پیش بینی سطح آب زیرزمینی دشت بسطام. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور، کرمان، انجمن مهندسی آبیاری و آب ایران.
نظری، ع. 1386. گزارش ادامه مطالعات دشت های استان قم، شرکت آب منطقه ای قم.
نیک منش، م. 1390.کاربرد روشهای تلفیقی هوش مصنوعی در پیش بینی دبی متوسط روزانه رودخانه کر در محل ایستگاه چمریز. چهارمین کنفرانس مدیریت منابع آب ایران، تهران.
واحدی، ف.، ع. ندیری و ا. اصغری مقدم. 1394. ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی. اولین کنگره بین المللی زمین، فضا و انرژی پاک، اردبیل، دانشگاه محقق اردبیلی.
 
Adamowski, J., and F.H., Chan. 2011. A wavelet neural network conjunctionmodel for groundwater level forecasting. Journal of Hydrology, 407(1): 28-40.
Adhikary, S.K., M.M. Rahman and A.D. Gupta. 2012 .A Stochastic modeling technique for predicting groundwater table fluctuations with timeseries analysis. International Journal of Applied Sciences and Engineering Research, 1(2): 238-249.
Daliakopoulos, NI., P. Coulibaly and I.K. Tsanis. 2005. Ground water level forecasting using artificial neuralnetworks. Journal of Hydrology, 309(1): 229-240.
Hamed, Y., M. Elkiki, and O.S. Gahtani. 2015. Prediction of future groundwater, level using artificial neural networks Southern Riyadh, KSA, International Water Technology Journal, 5(2), 149-162.
Jang, R., C.H. Sun and E. Mizutani. 1997. Neuro-Fuzzy and soft computing: a computer approach to learning and machine intelligence. Prentice Hall Upper Saddle River, NJ 07458.
Kumar, A. Sharma, S.P. Ranu Rani Sethi and H.C. Verma. 2010. Prediction of water table depth in a hard rock basin by using artificial neural network. J. International Journal of Water Resources and Environmental Engineering, 2(4): 95-122.
Taormina, R., K. Chau and R. Sethi. 2012. Artificial neural networksimulation of hourly groundwater levels in a coastal aquifer system of theVenice lagoon. Engineering Applications of Artificial Intelligence, 25: 1670–1676.
Yang, C., C. Prasher, S. Lacroix, R. Sreekanth, S. Patni and N. Masse. 1997. Artificial Neural Network Model for subsurface drained farmland. Journal of Irrigation and drainage,  123(4): 285-292.
Zadeh L.A., 1965. Fuzzy sets. Information and control, 8: 338–353.

Files

Share

How to cite

Statistics