نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

پیش‌بینی افت سطح آب زیرزمینی آبخوان نهاوند با ترکیب پیش پردازش تجزیه مد تجربی یکپارچه کامل با مدلهای LSTM وGMDH

نوع مقاله : مقاله پژوهشی

نویسندگان
سمیه عبدی 1
حسین فتحیان 2
مهدی اسدی لور 3
اصلان اگدرنژاد 3
علی عصاره 3
1 گروه آبیاری و زهکشی‌، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2 گروه مهندسی منابع آب‌، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
3 گروه آبیاری و زهکشی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
10.22125/iwe.2026.539288.1893
چکیده
کاهش بارندگی و بهره‌برداری بی‌رویه از منابع آب زیرزمینی موجب افت قابل‌توجه تراز سطح آب زیرزمینی در بسیاری از مناطق جهان شده است. یکی از آبخوان‌هایی که با افت سطح آب زیرزمینی مواجه هست، آبخوان نهاوند در استان همدان و غرب ایران می‌باشد. برای مدلسازی تراز سطح آب زیرزمینی، مدل‌های حافظه کوتاه مدت طولانی LSTM)) و روش گروهی مدیریت داده (GMDH) به کار گرفته شد. به منظور افزایش دقت مدل‌ها از ابزار پیش پردازش تجزیه مد تجربی یکپارچه کامل (CEEMD) استفاده شد و در نهایت چهار مدل LSTM، GMDH، CEEMD-LSTM و CEEMD-GMDH حاصل شدند. نتایج نشان داد که مدل GMDHعملکرد بهتری نسبت به مدل LSTMداشته است. همچنین ترکیب این دو مدل با ابزارهای پیش پردازش CEEMD موجب افزایش عملکرد آنها شده است. به‌طوری‌که ضریب تعیین مدل LSTM از 867/0 به950/0 در مدل CEEMD-LSTM ارتقاء یافته است. ضریب تعیین در مدل GMDH با 885/0 به 945/0 در مدل CEEMD-GMDH رسیده است. همچنین بررسی جذر میانگین مربعات خطا (RMSE) و معیاراطلاعاتی آکائیک (AIC) هم نشان می‌دهد که استفاده از ابزار پیش پردازش CEEMD موجب کاهش خطای مدل‌ها شده است. با توجه به این نتایج مدل ترکیبی CEEMD-LSTM بهترین مدل شناخته شده و از آن برای پیش‌بینی تراز سطح آب زیرزمینی برای شش ماه آتی (شش ماه اول سال آبی 1404-1403) استفاده شد. به‌طور کلی می‌توان گفت که عملکرد مدل ترکیبی CEEMD-LSTMبرای مدل‌سازی تراز سطح آب زیرزمینی آبخوان نهاوند بسیار مناسب بوده و قابلیت این را دارد که برای بررسی سطح آّب زیرزمینی آبخوان‌های دیگر نیز استفاده شود.
کلیدواژه‌ها
سطح آب زیرزمینی
آبخوان نهاوند
CEEMD
مدل‌های هوش مصنوعی. ‌
موضوعات

عنوان مقاله English

Forecasting the Groundwater Level Decline in the Nahavand Aquifer Using a Combination of Complete Ensemble Empirical Mode Decomposition (CEEMD) Preprocessing with LSTM and GMDH Models

نویسندگان English

Somaye Abdi 1
Hossein Fathian 2
Mehdi Asadi Lour 3
Aslan Igdernejad 3
Ali Asare 3
1 Department of Irrigation and Drainage, Ahv.C., Islamic Azad University, Ahvaz, Iran.
2 Department of Water Resources Engineering, Ahv.C., Islamic Azad University, Ahvaz, Iran.
3 Department of Irrigation and Drainage, Ahv.C., Islamic Azad University, Ahvaz, Iran.
چکیده English

The decrease in precipitation and excessive exploitation of groundwater resources have led to a significant decline in groundwater levels in many regions worldwide. One of the aquifers experiencing groundwater level depletion is the Nahavand aquifer, located in Hamadan Province, western Iran. To model the groundwater level, the Long Short-Term Memory (LSTM) model and the Group Method of Data Handling (GMDH) were employed. In order to enhance model accuracy, the Complete Ensemble Empirical Mode Decomposition (CEEMD) preprocessing technique was applied, resulting in the development of four models: LSTM, GMDH, CEEMD-LSTM, and CEEMD-GMDH. The results indicated that the GMDH model performed better than the LSTM model. Moreover, integrating these models with the CEEMD preprocessing technique improved their performance. Specifically, the coefficient of determination (R²) for the LSTM model increased from 0.867 to 0.950 in the CEEMD-LSTM model. Similarly, the R² value for the GMDH model improved from 0.885 to 0.945 in the CEEMD-GMDH model. Additionally, the analysis of Root Mean Square Error (RMSE) and Akaike Information Criterion (AIC) also demonstrated that the use of CEEMD preprocessing reduced model errors. Based on these findings, the CEEMD-LSTM hybrid model was identified as the most accurate and was therefore used to forecast groundwater levels for the next six months (the first half of the 2024–2025 water year). Overall, the CEEMD-LSTM hybrid model showed excellent performance in modeling groundwater levels in the Nahavand aquifer and has the potential to be applied to other aquifers as well.

کلیدواژه‌ها English

Groundwater level
Nahavand aquifer
CEEMD
artificial intelligence models
پناهی، م.، ف. میثاقی، و پ. عسگری. 1397. شبیه­سازی و تخمین نوسانات سطح آب زیرزمینی با استفاده از GMS­. فصلنامه علوم محیطی، دوره 16، شماره 1، ص 14-1.
جمالی­زاده، م.ع.، ا.ا. بذرافشان، ر. مهدوی نجف­آبادی، ع. آذره، و ا. رفیعی ساردوئی. 1399. پیش­بینی نوسانات سطح آب زیرزمینی با استفاده از مدل­های سری زمانی و GMS (مطالعه موردی: دشت رفسنجان). اکوهیدرولوژی، دوره 7، شماره 1، ص 109-97.
 خطیبی­نیا، ک. 1394. پیش­بینی نوسانات سطح آب زیرزمینی در آبخوان بهاباد با استفاده از مدل عددی. پایان­نامه کارشناسی ارشد، گروه علوم زمین، دانشگاه صنعتی شاهرود.
خیاط، ا.، م. امیرآبادی­زاده، م. پوررضا بیلندی، و ح. خزیمه­نژاد. 1400. پیش­بینی سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی-فازی تحت تأثیر تغییر اقلیم. مجله آبخوان و قنات، دوره 3، شماره 1،پیاپی 2، ص 51-38.
سلامتیان، س.ا.، ح. ابراری، و  ع. نظری. 1402. پیش­بینی تراز آب زیرزمینی با استفاده از مدل استنتاج تطبیقی عصبی فازی (مطالعه موردی: دشت قم). نشریه مهندسی آبیاری و آب ایران، دوره 13، شماره 51، ص 304-285.
سلگی، ا. 1393. پیش­بینی جریان رودخانه با مدل ترکیبی شبکه عصبی مصنوعی-موجک و مقایسه آن با روش­های سیستم استنتاج فازی عصبی تطبیقی و شبکه عصبی مصنوعی (مطالعه موردی: رودخانه گاماسیاب نهاوند)، پایان­نامه کارشناسی ارشد رشته مهندسی منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.
 سلیمان­پور، س.م.، س. زندی­فر، ا. رحمتی، و م. معتمدنیا. 1404. ارزیابی روند تغییرات دوره­ای سطح آب زیرزمینی حوزه آبخیز بهادران استان یزد. مدل­سازی و مدیریت آب و خاک، دوره 5، شماره 1، ص 44-29.
شهبازی، م.، ح. زارعی، و ا. سلگی. 1401. ارزیابی عملکرد مدل­های مبتنی بر تجزیه داده و داده­های ماهواره گریس برای مدل­سازی سطح آب زیرزمینی (مطالعه موردی: آبخوان آسپاس). نشریه پژوهش­های حفاظت آب و خاک، دوره 29، شماره 4، ص50-27.
ندیری، ع.ا.، ک. نادری، ا. اصغری­مقدم، و م.ح. حبیبی. 1395. پیش­بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش­های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). جغرافیا و برنامه­ریزی، دوره 20، شماره 58، پیاپی 2، ص 301-281.
 یاری، ر.ا.، و ع. درزی­نفت­چالی. 1396. پیش­بینی نوسانات سطح آب زیرزمینی تحت سناریوهای مختلف مدیریتی با استفاده از مدل MODFLOW. آبیاری و آب ایران، دوره 8، شماره 2، پیاپی 30، ص 115-103.
Aderemi, B.A., T.O. Olwal, M. Julius, J.M. Ndambuki, and S.S. Rwanga. 2023. Groundwater levels forecasting using machine learning models: A case study of the groundwater region 10 at Karst Belt, South Africa. Systems and Soft Computing, 5(200049).
Amirat, Y., M. Benbouzidb, T. Wang, K. Bacha, and G. Feld. 2018. EEMD-based notch filter for induction machine bearing faults detection. Applied Acoustics,133: 202-209.
Asikoglu, O.L. 2017. Outlier Detection in Extreme Value Series. Journal of Multidisci plinary Engineering Science and Technology (JMEST), 4(5): 7314-7318.
Bahmani, R, and T.B.M.J. Ouarda. 2020. Groundwater level modeling with hybrid artificial intelligence techniques. Journal of Hydrology, 595:1-12.
Bahmani, R., A. Solgi, and T.B.M.J. Ouarda. 2020. Groundwater level simulation using gene expression programming and M5 model tree combined with wavelet transform. Hydrological sciences journal, 65(8): 1430-1442.
Farrow, S.J. 1984. The GMDH algorithm. In S.J. Farrow (ed.), Self- organizing Methods in Modeling: GMDH type Algorithms. Marcel Dekker. New York, pp 1-27.
Havril, T., Á. Tóth, J.W. Molson, A. Galsa, and J. Mádl-Szőnyi. 2018. Impacts of predicted climate change on groundwater flow systems: Can wetlands disappear due to recharge reduction? Journal of Hydrology, 563: 1169-1180.
Huang, Y., F.G. Schmitt, Z. Lu, and Y. Liu. 2009. Analysis of daily river flow fluctuations using empirical mode decomposition and arbitrary order Hilbert spectral analysis. Hydrology, 373(1-2):103-111.
Kayhomayoon, Z., N. Arya Azar, S. Ghordoyee Milan, H. Kardan Moghaddam, and R. Berndtsson. 2021. Novel approach for predicting groundwater storage loss using machine learning.Journal of Environmental Management, 296 (15)113237.
Konikow, L.F. and E. Kendy. 2005. Groundwater Depletion: A Global Problem. Hydrogeology Journal, 13: 317-320.
Mirarabi, A., H.R. Nassery, M. Nakhaei, J. Adamowski, A.H. Akbarzadeh, and F. Alijani. Evaluation of data‑driven models (SVR and ANN) for groundwater‑level prediction in confined and unconfined systems. Environmental Earth Sciences, 478 (489).
Moustadraf, J., M. Razack, and M. Sinan. 2003. Evaluation of the impacts of climate changes on the coastal Chaouia aquifer, Morocco, using numerical modeling. Hydrogeology Journal, 16(7):1411-1426.
Mujahid, I., A.N. Usman, A. Afaq, R. Habib-ur, G. Usman, and F. Tallat. 2020. Relating groundwater levels with meteorological parameters using ANN technique. Measurement, 166 (108163).
Mukul Fishman, R. T. Siegfried, P. Raj, V. Modi, and U. Lall. 2011. Over-extraction from shallow bedrock versus deep alluvial aquifers: Reliability versus sustainability considerations for India's groundwater irrigation. Water Resources Research, 47( 6).
Pachepsky, Ya., W. Rawls, D. Gimenez, and J.P.C. Watt. 1998. Use of soil penetration resistance and group method of data handling to improve soil water retention estimates. Soil Tillage Research, 49:117-128.
Sang, Y.F., Z. Wang, and C. Liu. 2012. Period identification in hydrologic time series using empirical mode decomposition and maximum entropy spectral analysis. Hydrology, 424-425:154-164.
Sattari, M.T., R. Mirabbasi, R. Shamsi Sushab, and J. Abraham. 2017. Prediction of Groundwater Level in Ardebil Plain Using Support Vector Regression and M5 Tree Model. National GroundWater Association, 56(4): 636-646.
Shahbazi, M., H. Zarei, and A. Solgi. 2023 De‑noising groundwater level modeling using data decomposition techniques in combination with artificial intelligence (case study Aspas aquifer). Applied Water Science, 13(88):1-18.
Sophocleous, M. 2000. From Safe Yield to Sustainable Development of Water Resources-The Kansas Experience. Journal of Hydrology, 235: 27-43.
Van Loon, A.F. and H.A.J. Van Lanen. 2013. Making the distinction between water scarcity and drought using an observation-modeling framework. Water Resources Research, 49: 1483-1502.
Wu, Z. and N.F Huang. 2004. A study of the characteristics of white noise using the empirical mode decomposition method. Proceedings of the Royal Society of London, Series A: Mathematical, Physical and Engineering Sciences, 460(2046):1197-1611.
Yeh, J.R., Shieh, J.S., & Huang, N.E. (2010). Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method. Advances in Adaptive Data Analysis, 2(2), 135–156.
Torrence, C., & Compo, G.P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, 79(1), 61–78.