توسعه و ترکیب مدل‌های زمین‌آمار و محاسبات نرم در برآورد توزیع مکانی سطح آب‌زیرزمینی

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

سامان معروف پور ¹ , احمد فاخری فرد ² , جلال شیری ³

1 - دانشگاه تبریز
2 - هیئت علمی دانشگاه تبریز
3 - هیئت علمی دانشگاه تبریز

تاریخ دریافت : 1395/11/29 تاریخ پذیرش : 1396/03/19 تاریخ انتشار : 1396/03/01

کلید واژه: سیستم استنتاج فازی-عصبی انطباقی, شبکه عصبی مصنوعی, کریجینگ ساده, توزیع مکانی,

چکیده مقاله :

از اساسی‌ترین موارد در مدیریت کمی منابع آب زیرزمینی، تخمین سطح آب با استفاده از داده‌های برداشت شده از شبکه چاه‌های مشاهده‌ای است. هدف از این پژوهش، میان‌یابی سطح آب ‌زیرزمینی با استفاده از زمین‌آمار و محاسبات نرم در منطقه ای از دشت‌های بم نرماشیر و رحمت‌آباد (استان کرمان) با مساحت 19028 کیلومتر مربع به عنوان نمونه می باشد. از روش‌های کریجینگ ساده و عکس فاصله وزنی و همچنین مدل‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی-عصبی انطباقی و برنامه‌ریزی بیان ژن برای پیش‌بینی توزیع مکانی سطح آب‌زیرزمینی استفاده و بهترین مدل از بین مدل‌های هوشمند و زمین آماری انتخاب و برای نمونه‌برداری بیشتر در منطقه مورد مطالعه استفاده شد. بدین منظور از اطلاعات مربوط به نمونه‌های حاصل از 65 حلقه چاه در طول آماری سال 1381 تا 1390 استفاده شد. برای مقایسه مدل‌ها معیارهای آماری RMSE، R2، AARE و MAE به کار بسته شدند. نتایج نشان داد در بین مدل‌های هوشمند با ورودی طول جغرافیایی و عرض جغرافیایی، شبکه عصبی مصنوعی و در بین مدل‌های زمین ‌آماری، روش عکس فاصله وزنی با داشتن کمترین RMSE (به‌ترتیب 138/7 و 062/15 متر) و AARE(به ترتیب 33 و 47 درصد) و بیشترین R2 (به ترتیب 606/0 و 591/0 ) مناسب‌ترین مدل جهت برآورد به ترتیب نقطه‌ای و ناحیه‌ای سطح آب‌زیرزمینی می‌باشد. در نهایت مدل هیبرید IDW-ANN جهت تخمین و پهنه‌بندی سطح آب‌زیرزمینی در آینده انتخاب شد.

چکیده انگلیسی:

One of the most important issues in groundwater resources quantitative management is estimating water table level using observation wells network data. The purpose of this study is to estimate the groundwater level using the combination of the geostatistics and soft computing methods. Bam Normashir and Rhmtabad plains (Kerman province) with an area of 1928 km2 was selected as a case study of this work. In this study, Kriging and IDW methods were used along with the data driven ANN, ANFIS and GEP models for predicting the spatial distribution of groundwater level, then, the best model was selected for further sampling in the studied region. Data from 65 wells during the period of 2002 to 2011 were used. RMSE, R2, AARE and MAE statistical indices were used for comparing the applied models. Results showed that for all of the models with two input parameters (including longitude and latitude), ANN and IDW models presented the most accurate results with the lowest RMSE (7.138 and 15.062m, respectively) and AARE (33 and 44%, respectively), and the highest R2 (0.606 and 0.596, respectively) for the point and regional estimation of groundwater table level. Finally, ANN-IDW hybrid model was selected for estimation and zoning the groundwater level for the future investigations.

منابع و مأخذ:

دهقانی، ا.، عسگری، ا. و مساعدی، ا. 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی- عصبی تطبیقی و زمین آمار در میانیابی سطح آب زیرزمینی (مطالعه موردی:دشت قزوین). مجله علوم کشاورزی و منابع طبیعی، 16 (ب-1): 517- 529.

زارع‌ابیانه، ح.، بیات‌ورکشی، م. 1392. توسعه و کاربرد مدل‌های عصبی، فازی، الگوریتم ژنتیک و زمین آمار در برآورد توزیع مکانی سطح ایستابی. مجله پژوهش‌های حفاظت آب و خاک، 20(4): 77-65.

زارع‌ابیانه، ح.، بیات‌ورکشی، م.، معروفی، ص.، ایلدرومی، ع. 1390. شبیه‌سازی سطح ایستابی دشت ملایر براساس داده‌های هواشناسی با استفاده از شبکه عصبی مصنوعی. پژوهش‌های جغرافیای طبیعی، 78: 28-17.

فلاح‌قالهری، غ.، موسوی‌بایگی، س. و حبیبی‌نوخندان، م. 1388. مقایسۀ نتایج به‌دست‌آمده از کاربرد سیستم استنباط فازی ممدانی و شبکه‌های عصبی مصنوعی در پیش‌بینی بارش فصلی، مطالعۀ موردی: منطقۀ خراسان. نشریه تحقیقات منابع آب ایران، 5 (2): 40-52.

محمدی، ج. 1385. آمار مکانی (ژئو استاتیستیک)، چاپ اول، انتشارات پلک، تهران، ایران، 314 ص.

محمودی، ر.، آخوندعلی، ع.، صمدی‌بروجنی، ح.، زارعی، ح. 1391. تخمین سطح آب زیرزمینی با استفاده از روش ترکیبی زمین آمار و شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت شهرکرد). مجله علوم و مهندسی آبیاری، 36 (1): 56-45.

Ahmadi, SH. and Sedghamiz, A. 2007. Geostatistical analysis of spatial and temporal variations of groundwater level. Environmental Monitoring and Assessment, 129 (1 -3): 277-294.

Childs, G. and Colin, R. 2004. Interpolating surfaces in ArcGIS spatial analyst, ArcGIS User ESRI. Redlands, Canada, 350 pp.

Jang, J.S.R. 1993. ANFIS: Adaptive-network-based Fuzzy Inference System. IEEE Transactions on Systems, Man and Cybernetic, 23 (3): 665–685.

Kelin, H., Yuangfang, H., Hong, L., Baoguo, L., Deli, C. and Robert, E.W. 2005. Spatial variability of shallow groundwater level, electrical conductivity and nitrate concentration, and risk assessment of nitrate contamination in North China Plain. Environment International, 31: 896 – 903

Kholghi, M. and Hosseini, S.M. 2009. Comparison of groundwater level estimation using neuro-fuzzy and ordinary kriging. Journal of Environmental Modeling and Assessment, 14: 729-737.

Lallahema, S., Maniaa, J., Hania, A. and Najjarb, Y. 2005. On the Use of Neural Networks to Evaluate Groundwater Levels in Fractured Media. Journal of Hydrology, 307: 92 -111.

Sreekanth, P.D., Geethanjali, N., Sreedevi, P.D., Shakeel Ahmed, Ravi Kumar, N. and Kamala Jayanthi, P.D. 2009. Forecasting Groundwater Level Using Artificial Neural Networks, Journal of Hydrology Current Science, 96(7): 933- 939.

Tayfur, G. 2002. Artificial neural networks for sheet sediment transport. Hydrological Sciences Journal, 47(6): 879-892.

Wilson, G.C. and Banzhaf, W. 2008. A Comparison of Cartesian Genetic Programming and Linear Genetic Programming. Lecture Notes in Computer Science, 4971(1): 182-193.