بررسي تراز آب زيرزميني بر مبناي خشکسالي ژئولوژيک با استفاده از تئوري موجک (مطالعه موردي: آبخوان بوشکان)

محورهای موضوعی : مدیریت منابع آب

مهرداد دنیادیده ¹ , علیرضا نیکبخت شهبازی ^{2 *} , حسین فتحیان ³ , نرگس ظهرابی ⁴

1 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
2 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
3 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
4 - گروه مهندسي محيط زيست، واحد تهران شمال، دانشگاه آزاد اسلامي، تهران، ايران.

تاریخ دریافت : 1402/10/09 تاریخ پذیرش : 1403/11/01 تاریخ انتشار : 1403/11/27

کلید واژه: آبخوان, بوشکان, روش موجک, مدل آب زيرزميني,

چکیده مقاله :

زمينه و هدف: با توجه به افت شديد آب­هاي زيرزميني دشت­هاي کشور به دنبال برداشت بي رويه از آن‌ها براي اهداف کشاورزي، مديران به دنبال راهکارهاي مديريت و احيا سفره­هاي آب زيرزميني هستند. يکي از راهکارهاي جبران افت سطح آب زيرزميني که خود از مؤثرترين عوامل نابودي ظرفيت تغذيه و کاهش افت کيفيت در پهنه آب زيرزميني است، در کنار سناريوهاي کاهش برداشت از چاه­هاي کشاورزي تهيه طرح­هاي ممنوعيت با کم‌ترين عدم قطعيت براساس حساسيت ناحيه­اي به آلودگي است. در اين مطالعه به‌منظور استخراج روابط بارش- خشکسالي در يک محدوده منتخب تحت عنوان آبخوان بوشکان، از مجموع روابط هيدرولوژيکي و هم‌چنين مدل­هاي عددي مادفلو با استفاده از شاخص آسيب‌پذيري و ناحيه‌بندي استفاده شد.

روش پژوهش: استخراج حجم و نوع توزيع جريان در آبخوان که مرکز اثر خشکسالي هيدرولوژيک است، توسط روش تحليل منطقه­اي و استخراج خشکسالي­هاي با دوره بازگشت تاريخي و در عين حال محتمل از بررسي هيدروگراف مستخرج از مدل MODFLOW صورت پذيرفت. خروجي مطالعات هيدرولوژيکي که بر طبق عناصر فيزيوگرافي تهيه شد به‌عنوان ورودي­هاي مدل توزيع جريان آب زيرزميني در ناحيه مذکور استفاده گرديده. به‌منظور تهيه يک ساختار تعيين مناطق حساس در خشکسالي، از پردازش تصاوير ماهواره Sentinel-2 در تهيه شاخص NDWI به‌عنوان شاخص استاندارد شده تغييرات ساختار آب و همچنين پوشش زمين، و يک لايه ساختار زمين تدقيق شده بر اساس طبقه بندي به روش يادگيري ماشين و روش EO استفاده شد. لايه ساختار زمين تحت عنوان Geology، ملاک کلاسه بندي نواحي در تعيين اولويت خشکسالي (از منظر تغذيه آب زيرزميني) انتخاب شد.

يافته‌ها: ارزيابي درستي روش مذکور، تهيه يک جدول ارتباط تغييرات شاخص NDWI با کلاسه­هاي لايه Geology بود. اين همبستگي در لايه کلاسه بندي تغييرات ارتفاعي مشاهده نشد؛ با اين حال بررسي روند و بسامد (موجک) سري هاي زماني تغييرات آب رابطه مشخصي را با افت تراز آب زيرزميني مشخص کرد. از نتايج مشخص اين پژوهش مي­توان به اين موضوع اشاره کرد که براي تعيين نواحي خشکسالي، و يا مفهوم مقابل آن، يعني نواحي منتشر کننده خشکسالي به آب زيرزميني، ملاک اساسي بايد تنوع زمين شناسي در تحليل همزمان با توسعه کشاورزي منطقه باشد. با استفاده از تصاوير ماهواره­هاي سنتينل مي­شود بر طبق تشريحات حاضر در اين پژوهش، بازه­هاي کلاسه بندي شده اي را جهت دريافت بيشترين تغييرات شاخصNDWI  کشف کرد. اين بازه­هاي مکاني حدود تصميم گيري براي اجراي سازه­هاي انحراف جريان، و حتي محدوديت­هاي کشت به جهت بازسازي اقليم در مقابل خشکسالي­هاي منتج از کشاورزي را بهتر معين مي­کند. مقادير اوليه و نهايي پس از اجراي دوره واسنجي صورت مشابهي از پارامتر­هاي هيدروليکي را نمايش مي­دهد. مقدار خطاي نسبي RMS يا RMSE معادل با 86/2 مي­باشد که دقت بالاي شبيه­سازي را نشان مي­دهد.

نتايج: مدل رياضي MODFLOW در 126 دوره ماهانه مورد شبيه­سازي و در 25% دوره زماني نهايي مورد صحت سنجي قرار گرفت. حد کل خطا تا 18/3 کاهش يافت. اين مقدار با توسعه مدل مفهومي و ارائه داده پايه بيشتر مي­تواند بيشتر کاهش يابد. دشت بيشتر از نواحي مياني و شمالي چند متبادل آبخوان، تغذيه مي­شود. با توجه به مطالعه نقشه تراز آب­هاي زير زميني، آب اين منطقه از جهت شمال و شمال شرق به طرف مركز دشت و سپس جنوب و جنوب غرب جريان دارد؛ که با توجه به گسترش نواحي کشاورزي، از اين نظر جهت جريان، عامل گسترش آلودگي مي­باشد. نتايج تراز آبخوان براي اين مدت نشان مي‌دهد كه سطح آب در بيشتر قسمت­هاي دشت، همواره در حال پايين رفتن بوده و ميزان بالا آمدگي آن در دوره­هاي­تر همواره كمتر از ميزان پايين افتادگي آن در دوره­هاي خشك است. همچنين نتايج نشان مي­دهد که با فرض اينکه ميزان تخليه و تغذيه دشت همانند سال­هاي قبل باشد، اکثر چاه­هاي مشاهده­اي با تشديد شيب افت سطح آب مواجه خواهند شد.

چکیده انگلیسی:

Background and Aim: Due to the sharp decline of the underground water in the country's plains due to their indiscriminate extraction for agricultural purposes, managers are looking for solutions to manage and restore underground water tables. One of the solutions to compensate for the drop in the underground water level, which is one of the most effective factors in destroying the recharge capacity and reducing the quality loss in the groundwater area, is to prepare ban plans with the least uncertainty based on the regional sensitivity to pollution, along with the scenarios of reducing the withdrawal from agricultural wells. In this study, in order to extract rainfall-drought relationships in a selected area called Bushkan aquifer, the sum of hydrological relationships as well as numerical models were used up to the use of vulnerability index and zoning.

Method: Extraction of the volume and type of flow distribution in the aquifer, which is the center of the effect of hydrological drought, was done by the method of regional analysis and the extraction of droughts with a historical and at the same time probable return period from examining the hydrograph extracted from the MODFLOW model. The output of the hydrological studies which were prepared according to the physiographic elements were used as the inputs of the groundwater flow distribution model in the mentioned area. In order to prepare a structure for determining sensitive areas in drought, the processing of Sentinel-2 satellite images was used to prepare the NDWI index as a standardized index of water structure changes as well as land cover, and a refined land structure layer based on classification using machine learning and EO methods. The earth structure layer under Geology was chosen as the criteria for classifying areas in determining the priority of drought (from the point of view of underground water supply).

Results: The evaluation of the correctness of the mentioned method was to prepare a correlation table of changes in the NDWI index with the classes of the Geology layer. This correlation was not observed in the elevation change classification layer; however, the examination of the trend and frequency (wave) of the time series of water changes determined a specific relationship with the drop in the underground water level. From the specific results of this research, it can be pointed out that in order to determine the drought areas, or its opposite concept, i.e. the areas spreading drought to the underground water, the basic criterion should be the geological diversity in the analysis at the same time as the agricultural development of the region. By using the images of Sentinel satellites, it is possible to discover the classified intervals to receive the most changes of the NDWI index, according to the descriptions in this research. These spatial intervals better determine the decision-making limits for the implementation of flow diversion structures, and even the limits of cultivation in order to restore the climate against droughts resulting from agriculture. The initial and final values ​​after the model calibration showed a similar form of hydraulic parameters. The RMS or RMSE relative error value was equal to 2.86, which indicates high simulation accuracy.

Conclusion: MODFLOW mathematical model was simulated in 126 monthly periods and validated in 25% of the final time period. The total margin of error was reduced to 18.3. This amount can be further reduced by developing the conceptual model and providing more basic data. The plain is mostly fed from the middle and northern areas of the aquifer. According to the study of the underground water level map, the water in this area flows from the north and northeast towards the center of the plain and then south and southwest; considering the expansion of agricultural areas, the direction of the flow is the cause of the spread of pollution. The results of the aquifer level for this period show that the water level in most parts of the plain is always going down and the rate of its rise in wet periods is always less than the rate of its fall in dry periods. Also, the results show that assuming that the amount of draining and feeding of the plain is the same as in previous years, most of the observation wells will face an intensification of the water level drop.

منابع و مأخذ:

Adamowski, J., Fung Chan, H., Prasher, S.O., Ozga-Zielinski, B., Sliusarieva, A., 2012. Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resour. Res. 48, W01528.
Afan, H.A., El-shafie, A., Mohtar, W.H.M.W., Yaseen, Z.M., 2016. Past, present and prospect of an Artificial Intelligence (AI) based model for sediment transport prediction. J. Hydrol.
Chong K. L., 2021, "Review on Dam and Reservoir Optimal Operation for Irrigation and Hydropower Energy Generation Utilizing Meta-Heuristic Algorithms," in IEEE Access, vol. 9, pp. 19488-19505.
Dixit, P., Londhe, S., Deo, M.C., 2016. Review of Applications of Neuro-Wavelet Techniques in Water Flows. Ina. Lett. 1, 99–104.
Dogani, A. Dourandish, M. Ghorbani and M. R. Shahbazbegian, 2020, "A Hybrid Meta-Heuristic for a Bi-Objective Stochastic Optimization of Urban Water Supply System," in IEEE Access, vol. 8, pp. 135829-135843.
Du, K., Zhao, Y., Lei, J., 2017. The incorrect usage of singular spectral analysis and discrete wavelet transform in hybrid models to predict hydrological time series. J. Hydrol. 552, 44– 51.
Fahimi, F., Yaseen, Z.M., El-shafie, A., 2017. Application of soft computing-based hybrid models in hydrological variables modeling: a comprehensive review. Theor. Appl. Climatol. 128, 875–903.
Hoaglund III, J.R. and PoIllard, D., 2003. Dip and anisotropy effects on flow using a vertically skewed model grid. Groundwater, 41(6), pp.841-846.
Jeong, C.B., Kang, H.M., Lee, M.C., Kim, D.H., Han, J., Hwang, D.S., Souissi, S., Lee, S.J., Shin, K.H., Park, H.G. and Lee, J.S., 2017. Adverse effects of microplastics and oxidative stress-induced MAPK/Nrf2 pathway-mediated defense mechanisms in the marine copepod Paracyclopina nana. Scientific reports, 7(1), p.41323.
Khazaee Poul, A., Shourian, M. & Ebrahimi, H. A, 2019, Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction. Water Resour Manage 33, 2907–2923.
Kresic, N., 2014. Hydraulic methods. In Methods in Karst hydrogeology (pp. 65-92). CRC Press.
Minh, D., Wang, H.X., Li, Y.F. and Nguyen, T.N., 2022. Explainable artificial intelligence: a comprehensive review. Artificial Intelligence Review, pp.1-66.
Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O., 2014. Applications of hybrid Wavelet-Artificial Intelligence models in hydrology: A review. J. Hydrol. 514, 358–377.
Saatsaz, M. A historical investigation on water resources management in Iran. Environ Dev Sustain 22, 2020, 1749–1785
Sang, Y.-F., 2013. A review on the applications of wavelet transform in hydrology time series analysis. Atmos. Res. 122, 8–15.
Schilling, J., Hertig, E., Tramblay, Y. et al. Climate change vulnerability, water resources and social implications in North Africa. Reg Environ Change 2020 20, 15.
Sentinel Hub, https://www.sentinel-hub.com, 2021, Sinergise Solutions d.o.o., a Planet Labs company.
Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.
Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.
Solomatine, D.P., Ostfeld, A., 2008. Data-driven modelling: some past experiences and new approaches. J. Hydroinformatics 10, 3–22.
Spiro D. Alexandratos, Naty Barak, Diana Bauer, F. Todd Davidson, Brian R. Gibney, Susan S. Hubbard, Hessy L. Taft, and Paul Westerhof ACS Sustainable Chemistry & Engineering 2019 7 (3), 2879-2888.
Water Resources Report, 2020. Iran water resources management organization. [in Persian]
Yaseen, Z.M., El-shafie, A., Jaafar, O., Afan, H.A., Sayl, K.N., 2015. Artificial intelligence-based models for stream-flow forecasting: 2000-2015. J. Hydrol.
Zhang, Shuifeng; Zhang, Jinchi; Meng, Miaojing; Chen, Peixian; Liu, Xin; Liu, Guoliang; Gu, Zheyan. 2021. "A Multi-Objective Decision Making System (MDMS) for a Small Agricultural Watershed Based on Meta-Heuristic Optimization Coupling Simulation" Water 13, no. 10: 1338.

متن کامل:



Print ISSN: 2251-7480 Online ISSN: 2251-7400     Journal of Water and Soil Resources Conservation  (WSRCJ)   Web site: https://wsrcj.srbiau.ac.ir   Email: [e-mail] [e-mail]           Vol. 14 No. 4 (56)           Received: 2023-12-30   Accepted: 2025-01-20       Pages: 95-109

 

Investigating of Underground Water Level Based on Geological Drought Using Wavelet Theory

 (Case Study: Bushan Aquifer)

 

Mehrdad Donyadideh1, Alireza Nikbakht Shahbazi1*, Narges Zohrabi1, Hosein Fathian1 and Ali Afrous2

 

1) Department of Water Resources Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.

2) Department of Environmental Engineering, North Tehran Branch, Islamic Azad University, Tehran, Iran.

*Corresponding author emails: a [e-mail], [e-mail]

 

Abstract:

Background and Aim: Due to the sharp decline of the underground water in the country's plains due to their indiscriminate extraction for agricultural purposes, managers are looking for solutions to manage and restore underground water tables. One of the solutions to compensate for the drop in the underground water level, which is one of the most effective factors in destroying the recharge capacity and reducing the quality loss in the groundwater area, is to prepare ban plans with the least uncertainty based on the regional sensitivity to pollution, along with the scenarios of reducing the withdrawal from agricultural wells. In this study, in order to extract rainfall-drought relationships in a selected area called Bushkan aquifer, the sum of hydrological relationships as well as numerical models were used up to the use of vulnerability index and zoning.

Method: Extraction of the volume and type of flow distribution in the aquifer, which is the center of the effect of hydrological drought, was done by the method of regional analysis and the extraction of droughts with a historical and at the same time probable return period from examining the hydrograph extracted from the MODFLOW model. The output of the hydrological studies which were prepared according to the physiographic elements were used as the inputs of the groundwater flow distribution model in the mentioned area. In order to prepare a structure for determining sensitive areas in drought, the processing of Sentinel-2 satellite images was used to prepare the NDWI index as a standardized index of water structure changes as well as land cover, and a refined land structure layer based on classification using machine learning and EO methods. The earth structure layer under Geology was chosen as the criteria for classifying areas in determining the priority of drought (from the point of view of underground water supply).

Results: The evaluation of the correctness of the mentioned method was to prepare a correlation table of changes in the NDWI index with the classes of the Geology layer. This correlation was not observed in the elevation change classification layer; however, the examination of the trend and frequency (wave) of the time series of water changes determined a specific relationship with the drop in the underground water level. From the specific results of this research, it can be pointed out that in order to determine the drought areas, or its opposite concept, i.e. the areas spreading drought to the underground water, the basic criterion should be the geological diversity in the analysis at the same time as the agricultural development of the region. By using the images of Sentinel satellites, it is possible to discover the classified intervals to receive the most changes of the NDWI index, according to the descriptions in this research. These spatial intervals better determine the decision-making limits for the implementation of flow diversion structures, and even the limits of cultivation in order to restore the climate against droughts resulting from agriculture. The initial and final values ​​after the model calibration showed a similar form of hydraulic parameters. The RMS or RMSE relative error value was equal to 2.86, which indicates high simulation accuracy.

Conclusion: MODFLOW mathematical model was simulated in 126 monthly periods and validated in 25% of the final time period. The total margin of error was reduced to 18.3. This amount can be further reduced by developing the conceptual model and providing more basic data. The plain is mostly fed from the middle and northern areas of the aquifer. According to the study of the underground water level map, the water in this area flows from the north and northeast towards the center of the plain and then south and southwest; considering the expansion of agricultural areas, the direction of the flow is the cause of the spread of pollution. The results of the aquifer level for this period show that the water level in most parts of the plain is always going down and the rate of its rise in wet periods is always less than the rate of its fall in dry periods. Also, the results show that assuming that the amount of draining and feeding of the plain is the same as in previous years, most of the observation wells will face an intensification of the water level drop.

Keywords: Aquifer, Bushkan, EO Learn, Wavelet Method

 

 

 

بررسي تراز آب زيرزميني بر مبناي خشکسالي ژئولوژيک با استفاده از تئوري موجک (مطالعه موردي: آبخوان بوشکان) 

 

مهرداد دنياديده1، عليرضا نيکبخت شهبازي1*، نرگس ظهرابي1، حسين فتحيان1 و علي افروس2

 

1) گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.

2) گروه مهندسي محيط زيست، واحد تهران شمال، دانشگاه آزاد اسلامي، تهران، ايران.

* ايميل نويسنده مسئول: [e-mail], [e-mail]

 

چکيده:

زمينه و هدف: با توجه به افت شديد آب­هاي زيرزميني دشت­هاي کشور به دنبال برداشت بي رويه از آن‌ها براي اهداف کشاورزي، مديران به دنبال راهکارهاي مديريت و احيا سفره­هاي آب زيرزميني هستند. يکي از راهکارهاي جبران افت سطح آب زيرزميني که خود از مؤثرترين عوامل نابودي ظرفيت تغذيه و کاهش افت کيفيت در پهنه آب زيرزميني است، در کنار سناريوهاي کاهش برداشت از چاه­هاي کشاورزي تهيه طرح­هاي ممنوعيت با کم‌ترين عدم قطعيت براساس حساسيت ناحيه­اي به آلودگي است. در اين مطالعه به‌منظور استخراج روابط بارش- خشکسالي در يک محدوده منتخب تحت عنوان آبخوان بوشکان، از مجموع روابط هيدرولوژيکي و هم‌چنين مدل­هاي عددي مادفلو با استفاده از شاخص آسيب‌پذيري و ناحيه‌بندي استفاده شد.

روش پژوهش: استخراج حجم و نوع توزيع جريان در آبخوان که مرکز اثر خشکسالي هيدرولوژيک است، توسط روش تحليل منطقه­اي و استخراج خشکسالي­هاي با دوره بازگشت تاريخي و در عين حال محتمل از بررسي هيدروگراف مستخرج از مدل MODFLOW صورت پذيرفت. خروجي مطالعات هيدرولوژيکي که بر طبق عناصر فيزيوگرافي تهيه شد به‌عنوان ورودي­هاي مدل توزيع جريان آب زيرزميني در ناحيه مذکور استفاده گرديده. به‌منظور تهيه يک ساختار تعيين مناطق حساس در خشکسالي، از پردازش تصاوير ماهواره Sentinel-2 در تهيه شاخص NDWI به‌عنوان شاخص استاندارد شده تغييرات ساختار آب و همچنين پوشش زمين، و يک لايه ساختار زمين تدقيق شده بر اساس طبقه بندي به روش يادگيري ماشين و روش EO استفاده شد. لايه ساختار زمين تحت عنوان Geology، ملاک کلاسه بندي نواحي در تعيين اولويت خشکسالي (از منظر تغذيه آب زيرزميني) انتخاب شد.

يافته‌ها: ارزيابي درستي روش مذکور، تهيه يک جدول ارتباط تغييرات شاخص NDWI با کلاسه­هاي لايه Geology بود. اين همبستگي در لايه کلاسه بندي تغييرات ارتفاعي مشاهده نشد؛ با اين حال بررسي روند و بسامد (موجک) سري هاي زماني تغييرات آب رابطه مشخصي را با افت تراز آب زيرزميني مشخص کرد. از نتايج مشخص اين پژوهش مي­توان به اين موضوع اشاره کرد که براي تعيين نواحي خشکسالي، و يا مفهوم مقابل آن، يعني نواحي منتشر کننده خشکسالي به آب زيرزميني، ملاک اساسي بايد تنوع زمين شناسي در تحليل همزمان با توسعه کشاورزي منطقه باشد. با استفاده از تصاوير ماهواره­هاي سنتينل مي­شود بر طبق تشريحات حاضر در اين پژوهش، بازه­هاي کلاسه بندي شده اي را جهت دريافت بيشترين تغييرات شاخصNDWI  کشف کرد. اين بازه­هاي مکاني حدود تصميم گيري براي اجراي سازه­هاي انحراف جريان، و حتي محدوديت­هاي کشت به جهت بازسازي اقليم در مقابل خشکسالي­هاي منتج از کشاورزي را بهتر معين مي­کند. مقادير اوليه و نهايي پس از اجراي دوره واسنجي صورت مشابهي از پارامتر­هاي هيدروليکي را نمايش مي­دهد. مقدار خطاي نسبي RMS يا RMSE معادل با 86/2 مي­باشد که دقت بالاي شبيه­سازي را نشان مي­دهد.

نتايج: مدل رياضي MODFLOW در 126 دوره ماهانه مورد شبيه­سازي و در 25% دوره زماني نهايي مورد صحت سنجي قرار گرفت. حد کل خطا تا 18/3 کاهش يافت. اين مقدار با توسعه مدل مفهومي و ارائه داده پايه بيشتر مي­تواند بيشتر کاهش يابد. دشت بيشتر از نواحي مياني و شمالي چند متبادل آبخوان، تغذيه مي­شود. با توجه به مطالعه نقشه تراز آب­هاي زير زميني، آب اين منطقه از جهت شمال و شمال شرق به طرف مركز دشت و سپس جنوب و جنوب غرب جريان دارد؛ که با توجه به گسترش نواحي کشاورزي، از اين نظر جهت جريان، عامل گسترش آلودگي مي­باشد. نتايج تراز آبخوان براي اين مدت نشان مي‌دهد كه سطح آب در بيشتر قسمت­هاي دشت، همواره در حال پايين رفتن بوده و ميزان بالا آمدگي آن در دوره­هاي­تر همواره كمتر از ميزان پايين افتادگي آن در دوره­هاي خشك است. همچنين نتايج نشان مي­دهد که با فرض اينکه ميزان تخليه و تغذيه دشت همانند سال­هاي قبل باشد، اکثر چاه­هاي مشاهده­اي با تشديد شيب افت سطح آب مواجه خواهند شد.

کليد واژه‌ها: آبخوان، بوشکان، روش موجک، مدل آب زيرزميني

 

 

 

 

 

 

 

 

 

 

مقدمه

بررسي تئوريک و نرم­افزاري براي دستيابي به بهترين مدل­هاي تحليل آبخوان­ها در حيطه رخداد کاهش کيفيت آب، به عنوان يک دغدغه بزرگ داراي منابع متعددي از مطالعات مي­باشد. در اين حوزه با تمرکز بر کد­هاي رياضي که قادر به استخراج بهترين پيش­بيني از شرايط يک منبع آب در لايه­هاي زمين هستند، همچنين روش­هاي ­هاي­هاي بررسي ناهنجاري، تحليل مطالعات و تجربيات گذشته در منابع داخلي و خارجي مد نظر بوده است. با اين حال در زمينه ترکيب روش­هاي مدل‌سازي آسيب‌پذيري ساختار آبخوان و تحليل آماري خروجي­هاي مدل­هاي تفاضل محدود در ترکيب با روش­هاي عددي، مطالعات کمتري صورت پذيرفته است. زانيني و سليکو¹ (2017) در يک تحقيق بيان کردند که مدل MODFLOW امروزه محبوب ترين ابزار مدل سازي در تحقيق جريان آب در سفره­هاي زيرزميني و در مدل سازي آبخوان­ها است. براي ساده سازي رابط MODFLOW، GUI­هاي (منظور از GUI­ها رابط­هاي گرافيکي کاربر هستند. يعني نرم­افزارهايي که در محيط ويندوز بين کاربر و خود مدل­هاي عددي به منظور تسريع و راحتي اجراي محاسبات واسطه مي­شود. در اينجا GMS براي مدل جريان آب زيرزميني مصداق اين واسطه هست) مختلف براي ايجاد فايل­هاي تعريف مدل و براي تجسم و تفسير نتايج به دست آمده است. شبيه­سازي شبيه­سازي از منظر استفاده از مدل هاي کيفيت آب به جهت تصميم سازي در کنترل بحران مي­توان به موارد زير مشابه با وضعيت موجود در منطقه مطالعاتي اين مقاله اشاره کرد.

ژئونگ و همکاران² (2017)، در يک پژوهش اقدام به شناسايي داده­هاي پرت با توزيع غير گاوسي آب­هاي زيرزميني بر مبناي ارزيابي اثر کلي روند دراز مدت کردند. در تحقيق اين پژوهشگران، از سه روش شناسايي داده پرت - قاعده سيگما سه محدوده بين چارکي و ميانگين انحراف مطلق که از روش رگرسيون گروهي استفاده مي­کنند، با توجه به خصوصيات غير گاوسي داده­هاي آب زيرزميني استفاده کردند. روش­هاي پيشنهادي آنها مي­توانند به عنوان ابزار بالقوه براي شناسايي ناهنجاري­هاي آينده با بهره گيري از آموزش مدل بر اساس داده­هاي موجود مورد استفاده قرار گيرند. البته با رويکرد صرف مدل سازي و انحرافات عمده پارامتري آنها، درک فصلي و جزيره­اي از سيستم­هاي طبيعي منجر به حصول تصميم­هاي مخرب مديريتي با توجه به وجود تضاد منافع ذي نفعان و تصميم سازان مي­گردد. به همين دليل است که تعيين و جانمايي دقيق آسيب پذيري­ها به صورت يکپارچه، هزينه دستيابي به يک اکوسيستم پايدار را بسيار کاهش مي­دهد (Minh et al, 2020). در يک سيستم تصميم سازي محلي، تعيين دقيق شرايط نهايي مستلزم وجود مطالعات مستند مي­باشد. مستند سازي يک ناحيه دقيق منتخب براي تعريف نقشه آسيب پذيري دشت در خطر رخدادهاي محتمل افت کيفيت، تنها با استفاده از نقشه­هاي مکاني ميسر خواهد بود. يک راهکار کاربردي، استفاده از نقشه­هاي داراي ارقام کمي به منظور تعيين شانس کاهش خطرات ثانويه هر تصميم مديريتي است. بنابراين استفاده از مدل­هاي آب زيرزميني بعنوان روشي ارزان و سريع در تحقيق چگونگي حرکت، بررسي بيلان و مديريت بهره برداري از آب­هاي زيرزميني، از اهميت قابل توجهي برخوردار شده است. بر اساس نوع فرضيات معرف پديده مورد نظر، مدل­هاي مختلفي از نوع جعبه سياه، مدل مفهومي و مدل رياضي (تحليلي و عددي) به عنوان نمايشگر سيستم وجود دارند. پس از مدل­هاي نوع جعبه سياه، مي­توان مدل­هاي مفهومي را به واقعيت نزديك تر دانست. اين نوع مدل­ها با توجه به آنچه در طبيعت آبخوان وجود دارد، مانند شرايط زمين شناسي، نوع جريان، اعم از ورقه­اي و يا متلاطم، مؤلفه­هاي جريان ورودي و خروجي، شرايط مرزي و غيره تهيه مي‌شوند (آبفا، 1390).

شي و همکاران³ (2018) در يک مطالعه بيان داشتند، براي سيستم­هاي مديريت آب سطحي تهيه هشدارهاي اوليه در مورد تغييرات ناگهاني و زياد در کيفيت آب بسيار مهم است که احتمالاً وقوع حوادث را نشان مي­دهد. در اين مطالعه، يک روش ترکيبي يک مدل شبکه عصبي مصنوعي موجک (موجک-ANN) و اندازه گيري­هاي جانشين با فرکانس بالا به عنوان يک روش تشخيص ناهنجاري کيفيت آب و ارائه هشدار ارائه شده است. سري­هاي زماني با فرکانس بالا از شاخص­هاي اصلي کيفيت آب (TN، TP، COD و ...) از طريق مدل جايگزين مبتني بر رگرسيون توليد شدند. پس از تجزيه موجک و رسوب زدايي، يک سيگنال با فرکانس پايين براي پيش بيني يک مرحله­اي براي شناسايي ويژگي­هاي عمده تغييرات کيفيت آب، به يک شبکه عصبي با انتشار عقب وارد شد. دقيقاً آموزش ديده موجک-ANN مخصوص محل، سري زماني خطاهاي باقيمانده را خروجي مي­دهد. وقتي خطاي باقيمانده واقعي بيش از يک آستانه داده شده باشد، يعني الگوي پايه که بر اساس تغييرات کيفيت طولاني مدت آب تخمين زده مي­شود، هشدار ايجاد مي­شود. يک مطالعه موردي بر اساس برنامه نظارت بر حوضه رودخانه Potomac در ويرجينيا، ايالات متحده انجام شد. روش يکپارچه با موفقيت دو رويداد ناهنجاري از تغييرات TP را در مقياس 15 دقيقه­اي از سنسورهاي آنلاين با فرکانس بالا شناسايي کرد. يک رويداد طوفاني و ورودي منبع نقطه احتمالاً عامل اين رويدادها هستند. نتايج نشان مي­دهد که مدل موجک-ANN براي پيش بيني کيفيت سطح آب با فرکانس بالا کمي دقيق تر از ANN است و از الزامات تشخيص ناهنجاري برخوردار است. تجزيه و تحليل عملکرد در ايستگاه­هاي مختلف و طي دوره­هاي مختلف ثبات روش پيشنهادي را نشان مي­دهد. با ترکيب ابزارهاي نظارتي و اقدامات جايگزين، رويکرد ارائه شده مي­تواند شناسايي ناهنجاري به موقع را پشتيباني کند و براي محيط­هاي آبخيزداري در محيط­هاي آبي شهري اعمال شود.

خزاعي و همکاران⁴ (2019) در يک مطالعه بيان داشتند، پيش بيني دقيق و قابل اطمينان از جريان رودخانه، نگراني عمده­اي در تجزيه و تحليل منابع آبي و هيدرولوژيکي است. در اين مطالعه، از رگرسيون چند خطي (MLR) به عنوان يک روش آماري، شبکه عصبي مصنوعي (ANN) و سيستم استنتاج عصبي فازي تطبيقي ​​(ANFIS) به عنوان يک روش غير خطي و K-نزديکترين همسايگان (KNN) به عنوان يک روش غير پارامتري براي پيش بيني جريان ماهانه رودخانه سنت کلير بين ايالات متحده و کانادا از روش رگرسيون استفاده شد. در روش­هاي توسعه يافته، شش سناريو براي ترکيبات ورودي به منظور بررسي تأثير داده­هاي ورودي مختلف بر نتايج تعريف شده است. عملکرد مدل­ها با استفاده از شاخص­هاي آماري به عنوان معيار عملکرد ارزيابي مي­شوند. نتايج به دست آمده نشان مي­دهد که افزودن زمان تأخير جريان، دما و بارش به ورودي­ها، دقت پيش بيني­ها را به ميزان قابل توجهي بهبود مي­بخشد. براي بررسي بيشتر، مدلهاي فوق با تبديل موجک همراه هستند. با استفاده از تبديل موجک، مقادير Nash-Sutcliff را با جفت شدن با مدلهاي MLR، ANN، ANFIS و KNN به ترتيب از 0.340، 0.404، 0.376 و 0.419 به 0.907، 0.930، 0.923 و 0.847 بهبود مي­بخشد.

همچنان که از منابع مطالعه مهم در اين حيطه بر مي­آيد، وجود دوره­هاي متعدد، گذرا و يا روند در سري­هاي زماني منابع آب، معمولاً روش­هاي پيش بيني داده محور سنتي (سري­هاي زماني، يادگيري ماشين، هوش محاسباتي و غيره) (Solomatine and Ostfeld, 2008) را با مشکلاتي غير قابل حل در حصول نتيجه همراه مي­کند. به عنوان مثال، ميانگين متحرک خود همبسته (ARIMA)، رگرسيون خطي چندگانه (MLR)، شبکه­هاي عصبي مصنوعي (ANN) و غيره (Adamowski et al., 2012). اين واقعيت که تبديل موجک (به اختصار WT يا موجک) مي­تواند اين اطلاعات (تجزيه موجک) را به مجموعه فرعي زمان (ضرايب موجک و مقياس) جداگانه (با فرکانس بالا و پايين) تجزيه کرده و ساختار منسجم تري از سري­هاي زماني پيچيده (و متغيرهاي مربوط به آن) به يک مدل داده ارائه دهد، اغلب منجر به پيشرفت­هاي چشمگيري در دقت پيش بيني شده و به همين دليل آن را به ابزاري محبوب در پيش بيني منابع آب تبديل کرده است (Fahimi et al., 2017). بررسي­هاي اخير (Afan et al., 2016; Dixit et al., 2016; Fahimi et al., 2017; Nourani et al., 2014, Dogani et al., 2020; Chong, 2021; Shi, 2018; Zhang et al., 2021; Sang, 2013; Yaseen et al., 2015) در پيش بيني در هيدرولوژي و منابع آب محبوبيت موجک محور را برجسته کرده­اند. به عنوان مثال، با استفاده از Scopus، در يک مطالعه Nourani و همکاران (2014) حدود 100 مقاله در مورد اين موضوع را بين سال­هاي 2003 تا 2013 ذکر کرده­اند در حالي که در زمان نگارش اين محتوا افزايش 10 درصدي ديده مي­شود.

با توجه به منابع اشاره شده اخير، مي­توان انتظار داشت که با بکار گيري روش­هاي نوين تحليل آمار تغييرات سطح منابع محدوده آبخوان، به ضعف بزرگ دستيابي به يک مدل پيش بيني در قالب شاخص آسيب پذيري به نتايج واقعي تر دست يافت. لذا در اين مطالعه به منظور استخراج روابط بارش-خشکسالي در يک محدوده منتخب تحت عنوان آبخوان بوشکان، از مجموع روابط هيدرولوژيکي و همچنين مدل­هاي عددي با استفاده از شاخص آسيب پذيري و ناحيه بندي استفاده شد.

 

مواد و روش­ها

در يک حوضه آبريز بزرگ مقياس نظير مند، تا زماني که اختلال قابل توجهي در منطقه وجود نداشته باشد، رابطه بين مصارف (خروجي) و آورد تجمعي موثر (ورودي خالص) خطي است. تأثير تغييرات آب و هوايي عموما در بارش خالص بررسي شده يا نرمال شده است. هرگونه انحراف قابل توجه از رابطه خطي منحني جرم بين مصارف تجمعي و آورد تجمعي را مي توان به اثر اختلال حوضه نسبت داد. ذخيره آب ها به عنوان پارامتري هيدرولوژيکي از مجموع ميزان بارندگي، تبخير آب، خروجي آب رودخانه و ميزان نفوذ آن به آب هاي زير زميني، تشکيل شده است و اندازه گيري دقيق آن مي تواند قيد پرارزشي براي مدل هاي آب باشد و کمک شاياني با دقت تر پيش بيني، مديريت تغييرات منابع آب و محيطي مانند زير نظر گرفتن آب موجود براي اهداف کشاورزي و همينطور ارزيابي نمودن خطر خشکسالي در مناطق بزرگ همچون حوضه ها، مفيد و موثر واقع شود. با اين حال، مطالعات در مورد پيامدهاي هيدرولوژيکي اختلالات تامين آب حوضه، بيشتر بر ميانگين جريان سالانه متمرکز شده است. اين مطالعه به دنبال تعيين آستانه اختلال منطقه اي در ويژگي هاي خشکسالي هيدرولوژيکي حوضه آبريز مند بر اساس تغييرات دقيق تر و خرد مقياس تر شاخص ساختارهاي آبي است.

حوضه آبريز مند يکي از حوضه هاي آبريز درجه 2 حوضه خليج فارس و درياي عمان به شمار مي آيد که با مساحت 47802 کيلومترمربع در جنوب غرب کشور قرار دارد. اين حوضه بين 51 درجه و 7 دقيقه تا 54 درجه و 49 دقيقه طول شرقي و بين 27 درجه و 17 دقيقه تا 29 درجه و 54 دقيقه عرض شمالي در راستاي شمال غربي – جنوب شرقي شکل گرفته است. بخش عمده حوضه آبريز مند در استان فارس و پاياب آن در استان بوشهر قرار دارد. رود اصلي آن، رود مند است که از ارتفاعات شمال غربي شيراز سرچشمه مي‌گيرد و در نهايت در غرب روستاي زيارت در استان بوشهر وارد خليج فارس مي‌شود. 

محدوده مطالعاتي بوشکان در غرب حوضه آبريز مند واقع شده است. مساحت اين محدوده مطالعاتي 1367.5 کيلومترمربع است که 1207 کيلومترمربع از آن در ارتفاعات و 160.5 کيلومترمربع از آن در دشت واقع شده است. مساحت آبخوان هاي اين محدوده 127 کيلومترمربع شامل دو آبخوان بوشکان و خرمايک مي باشد.

اين حوضه شامل 8 محدوده مطالعاتي در استان بوشهر مي باشد. 18 حلقه چاه مشاهده اي شبکه پايش کمي آبخوان را ايجاد نموده اند و با توجه به وسعت آبخوان، تقريباً تراکم 1 حلقه چاه در هر 7 کيلومتر مربع دارند.

 

 

شکل 1. موقعيت حوضه آبريز درجه 2 مند

 

شکل 2 موقعيت محدوده مطالعاتي بوشکان

 

 

شکل 3. نمودار هيدروگراف واحد بلندمدت محدوده مطالعاتي 

 

 

در اين محدوده از 4 حلقه چاه بهره برداري آزمايش پمپاژ به عمل آمده و نکته قابل توجه در نتايج آزمون­ها ميزان قابليت انتقال پايين در دو حلقه از چاه ها به ترتيب برابر با 21 و 71 متر مربع بر روز و قابليت انتقال بالا در دو حلقه چاه ديگر واقع در مرکز دشت مي­باشد. در محدوده مطالعاتي بوشکان بيشترين رقم منحني­هاي عمق سطح آب زيرزميني در حاشيه شمال شرق و کمترين مقدار آن در غرب آبخوان است. در قسمت­هاي شمال، شرق و شمال غرب رقم منحني­هاي سطح آب از حاشيه به سمت مرکز دشت افزايش نشان مي­دهد، اما در نواحي شمال شرق و جنوب شرق اين روند معکوس شده و منحني­ها در مرکز دشت رقم پايين تري نسبت به حاشيه دارند.

در اين مطالعه به منظور استخراج روابط بارش-خشکسالي در يک محدوده منتخب تحت عنوان آبخوان بوشکان، از مجموع روابط هيدرولوژيکي و همچنين مدل هاي عددي تا استفاده از شاخص آسيب پذيري و ناحيه بندي استفاده شد. استخراج حجم و نوع توزيع جريان در آبخوان که مرکز اثر خشکسالي هيدرولوژيک است، توسط روش تحليل منطقه اي و استخراج خشکسالي هاي با دوره بازگشت تاريخي و در عين حال محتمل از بررسي هيدروگراف مستخرج از مدل MODFLOW صورت پذيرفت. خروجي مطالعات هيدرولوژيکي که بر طبق عناصر فيزيوگرافي تهيه شد به عنوان ورودي هاي مدل توزيع جريان آب زيرزميني در ناحيه مذکور استفاده گرديد. به منظور تهيه يک ساختار تعيين مناطق حساس در خشکسالي، از پردازش تصاوير ماهواره Sentinel-2 در تهيه شاخص NDWI به عنوان شاخص استاندارد شده تغييرات ساختار آب و همچنين پوشش زمين استفاده شد. يک لايه ساختار زمين تدقيق شده بر اساس طبقه بندي به روش يادگيري ماشين و روش Eearth Object استفاده شد. لايه ساختار زمين تحت عنوان Geology، ملاک کلاسه بندي نواحي در تعيين اوليت خشکسالي (از منظر تغذيه آب زيرزميني) انتخاب شد. ارزيابي درستي روش مذکور، تهيه يک جدول ارتباط تغييرات شاخص NDWI با کلاسه هاي لايه Geology بود. اين همبستگي در لايه کلاسه بندي تغييرات ارتفاعي مشاهده نشد؛ با اين حال بررسي روند و بسامد (موجک) سري هاي زماني تغييرات آب رابطه مشخصي را با افت تراز آب زيرزميني مشخص کرد. نتايح نشان داد مي توان به اين موضوع اشاره کرد که براي تعيين نواحي خشکسالي، و يا مفهوم مقابل آن، يعني نواحي عامل خشکسالي به آب زيرزميني، ملاک اساسي بايد تنوع ژئولوژيک در تحليل همزمان با توسعه کشاورزي منطقه باشد. با استفاده از تصاوير ماهواره هاي سنتينل مي شود بر طبق تشريحات حاضر در اين پژوهش، بازه هاي کلاسه بندي شده اي را جهت دريافت بيشترين تغييرات شاخصNDWI  کشف کرد. اين بازه هاي مکاني حدود تصميم گيري براي اجراي سازه هاي انحراف جريان و حتي محدوديت هاي کشت به جهت بازسازي اقليم در مقابل خشکسالي هاي منتج از کشاورزي را بهتر معين مي کند.

 

 

شبيه‌سازي جريان آب زيرزميني با استفاده از کد MODFLOW در نرم افزار GMS

از جمله کدهايي که کاربرد گسترده­اي داشته و از مقبوليت بالايي نزد هيدروژيولوژيست­ها برخوردار بوده و در اين تحقيق از آن براي حل معادلات جريان آب­هاي زيرزميني در آبخوان بوشکان استفاده شده است کد رايانه­اي MODFLOW مي­باشد. لذا در اين قسمت به ويژگي­هاي اين کد رايانه­اي اشاره شده است. اين ماژول­ها به صورت بسته گروه­بندي شده­اند که هر بسته در ارتباط با قسمتي از سيستم هيدروژيولوژيک به­کار گرفته مي­شود. تقسيم برنامه به تعدادي برنامه­هاي فرعي باعث مي­شود که استفاده­ کننده به راحتي بتواند مؤلفه­هاي مختلف هيدرولوژيکي را شبيه­سازي نمايد (Kresic,2007). اين مدل در واقع حل تفاضل محدود براي معادلات ديفرانسيل جزيي حاکم بر جريان آب­هاي زيرزميني مي­باشد. مدل MODFLOW جهت شبيه­سازي جريان آب­هاي زيرزميني در سفره­هايي با حالت مرزي مشخص و با فرض مقادير لازم جهت هدايت هيدروليکي و ديگر پارامترهاي سفره کاربرد دارد (Hoaglund,2002).

 

محاسبه بارش

از آنجا که منبع خشکسالي مشخصاً بارندگي است و اين مقدار در نقاط مورد مطالعه به صورت کاملي فاقد آمار مي­باشد، الزام به تخمين آن وجود داشت. يک روش جهت محاسبه صحيح­تر مقدار بارش ميانگين سالانه در سطح حوضه هدف جهت انجام محاسبات، استفاده از روش­هاي ميان يابي با بهره گيري از ابزار GeoStatistical Analyst بود. براي اين منظور لازم بود تا به تعداد کافي نقاط مرجع در سطح مطالعاتي به نرم افزار معرفي ميشد. اما آنچه در اين پژوهش به عنوان هدف داده­هاي بارندگي مد نظر است، مقدار حجم آب باريده در ناحيه واسنجي در مدل بارش-رواناب براي يک رخداد کوتاه مدت است که در تخمين مقدار آن رقوم متوسط بارش ساليانه در نهايت با ترجيح، از ارقام بارندگي ايستگاه­هاي سينوپتيک منتخب بدست داده مي­شود. به اين ترتيب که ابتدا با دريافت آمار از سامانه آنلاين سازمان هواشناسي کشور، ترتيب زماني داده­ها به صورت کاملا همگن هماهنگ مي­شود.

روابط اساسي تهيه بارندگي با دوره­هاي بازگشت به شرح زير است:

 

که در آن  متوسط حداکثر بارش­هاي 24 ساعته و  متوسط بارندگي سالانه منطقه برحسب ميلي متر مي­باشد. خروجي رابطه بالا بارش يک ساعته با دوره بازگشت 10 ساله است که براي مناطق مختلف ايران محاسبه شده است. در اين پژوهش نيز براي حوضه مجاور از همين رابطه بهره گرفته شد. اهميت تعيين مقدار بارش يک ساعته با دوره باز گشت 10 ساله، استفاده در فرمول­هايي است که مقدار اين دور رقم را به دلخواه به کاربر خواهد داد. رابطه زير بارندگي با طول و دوره بازگشت مختلف را بدست مي­دهد:

 

1

 

اين رابطه که به معادله بل مشهور است توسط يک دانشمند آمريکايي تهيه گرديده است. رابطه معادل با آن در ايران به صورت زير مطرح شده است:

2

 

نکته بسيار مهم در استفاده از رابطه بالا اين است که بازه زماني و مقدار آمار بارندگي بکار رفته در واسنجي و تهيه آن؛ و همچنين مناطق با ضريب بيشتر در سال­هاي قبل از 1990 بوده است. به اين ترتيب دقت اين رابطه نيز مورد ترديد است. در اين پژوهش از مقدار متوسط اين دو رابطه در گام اول استفاده گرديد. خروجي دوره بازگشت براي ايستگاه­هاي سينوپتيک، به دليل همبستگي غير خطي بالا با رقوم بارندگي، معادله­اي را حاصل نمود که از طريق آن و با داشتن متوسط بارش براي نقاط مجهول، قادر به حدس و تخمين  در ديگر مناطق بوديم.

با توجه به وسعت مطالعاتي محدوده، لازم بوده است تا با استفاده از يک رابطه رگرسيون تواني، مقدار بارش در محل هر بخش منفک شده، در تهيه هيدروگراف واحد اشنايدر محاسبه شود. ارقام بارندگي پس از تبديل به مقدار رواناب مستقيم، در ابعاد هيدروگراف واحد اشنايدر ضرب مي­گردد. در شکل بالا، ستون "بارش Line" اطلاعات بارندگي لايه خطوط هم مقدار بلند مدت است که به جهت عدم تطابق با آمار اخير مورد استفاده نبوده است.

براي نقطه واسنجي، که معادل با يک زيرحوضه در نظر گرفته شده است، حجم آب باران با دوره بازگشت 50 ساله در طول 6 ساعت به صورت افزايشي با ضريب معين محاسبه شده است. اين اعداد به صورت مستقيم در مدل بارش-رواناب بکار گرفته شده­اند. اما نکته مهم تمايز ارتفاع کل بارش در هر زيرحوضه با رقم اوليه معادلاتي بدست داده شده است. علت اين امر به واسنجي هيدروگراف واحد اشنايدر براي هر مورد باز مي­گردد که در نهايت منجر به توليد يک ضريب تغيير بارندگي با دوره بازگشت مد نظر بود. اين ضريب واسنجي از طريق تطابق دبي اوج هيدروگراف واحد اشنايدر محاسبه شده با دبي هيدرومتري همان دوره بازگشت بدست آمد.

 

محاسبه شاخص NDWI (The Normalized Difference Water Index)

NDWI براي نظارت بر تغييرات مربوط به محتواي آب در ساختار آبي استفاده مي­شود. از آنجا که بدنه­هاي آبي مثل درياچه­ها و... به شدت نور را در طيف الکترومغناطيسي مادون قرمز قابل جذب، دريافت مي­کنند، NDWI از نوارهاي سبز و نزديک به مادون قرمز براي برجسته سازي آب ها استفاده مي­کند. اين شاخص توسط McFeeters، 1996 ارائه شد.

رابطه اساسي تحليل باند تصاوير ماهواره براي اين شاخص به صورت زير تعريف مي­شود:

 

3

4	NDWI = (B03 - B08) / (B03 + B08)

شرح مقادير: مقادير شاخص بيشتر از 5/0 معمولاً مربوط به بدنه­هاي آب است. پوشش گياهي معمولاً مربوط به مقادير بسيار کمتر و مناطق ساخته شده به مقادير بين صفر تا 2/0 است. شاخص NDWI اغلب مترادف با شاخص NDMI استفاده مي­شود، اغلب از ترکيب NIR-SWIR به عنوان يکي از دو گزينه استفاده مي­گردد. به نظر مي­رسد NDMI به طور مداوم با استفاده از ترکيب NIR-SWIR توصيف مي­شود. از آنجا که شاخص­هاي داراي اين دو ترکيب بسيار متفاوت عمل مي­کنند، با NIR-SWIR تفاوت در محتواي آب برگ­ها را برجسته مي­کند، و GREEN-NIR تفاوت در محتواي ساختارهاي آبي مثل درياچه­ها را برجسته مي­کند.

NDWI با استفاده از اصول مشابه اصول استفاده شده براي استخراج NDVI بدست مي­آيد. در اين شاخص B03 نواري است که نور سبز منعکس شده را در بر مي­گيرد و  B08نشان دهنده تابش نزديک به مادون قرمز است. انتخاب اين طول موج­ها به اين صورت بود که: (1) به حداکثر رساندن بازتاب معمولي ويژگي­هاي آب با استفاده از طول موج­هاي نور سبز. (2) بازتاب کم B08 توسط ويژگي­هاي آب را به حداقل برساند. و (3) از انعکاس زياد  B08توسط پوشش گياهي خشکي و ويژگي­هاي خاک استفاده کند. وقتي از معادله براي پردازش يک تصوير ماهواره اي چند طيفي استفاده مي­شود که شامل يک باند سبز قابل مشاهده و يک باند B08 است، ويژگي­هاي آب داراي مقادير مثبت هستند. در حالي که ويژگي­هاي خاک و پوشش گياهي خشکي داراي مقادير صفر يا منفي هستند، به دليل بازتاب معمولاً B08 آنها نسبت به نور سبز. نرم افزار پردازش تصوير مي­تواند به راحتي براي تحليل مقادير منفي پيکربندي شود. اين مطلب به طور موثري اطلاعات مربوط به پوشش گياهي و خاکي را جدا مي کند و اطلاعات آبهاي آزاد را براي تجزيه و تحليل منفک مي­کند. دامنه NDWI از صفر تا يک است اما آنچنان که اشاره شد، رقوم منفي ماهيت مشخصي دارند. ضرب معادله در يک عامل مقياس (به عنوان مثال، 255) تصوير حاصل را براي تفسير بصري افزايش مي­دهد (sentinel-hub, 2021).

پايش EO (Eearth Object)

بعنوان هدف اساسي پژوهش، اهميت يابي يا ارجحيت بندي مناطق بالادست حوضه آبريز منتشر کننده خشکسالي آبخوان توسط مجموعه از مطالعات سنجش از دور و با استفاده از پايش منحصر شده EO انجام شد. در اصل EO-Learn يک کتابخانه پايتون منبع باز است که به عنوان پلي بين ارتباط زمين-مشاهده، سنجش از دور و اکوسيستم براي علم داده و يادگيري ماشين عمل مي­کند (sentinel-hub, 2021). اين مجموعه کد از آرايه­هاي بي شماري و شماتيک منعطف به منظور ذخيره و اداره داده­هاي سنجش از دور استفاده مي­کند. هم اکنون در منبع GitHub ماهواره سنتينل دسترسي به اصل اين کد موجود است. در اين پژوهش اين کد براي لايه ريخت-زمين تا استخراج شاخص NDWI (شاخص تفاوت آب نرمال شده) بر روي مرز­هاي کلاسه بندي شده از همين لايه، منحصر سازي شد.

براي توسعه مطالعات پايش فضايي در بخش اول، لازم است تا از طريق روند انتخاب و تقسيم يک منطقه مورد نظر و به دست آوردن اطلاعات مربوطه، مانند داده­هاي باند Sentinel-2 و ماسک­هاي ابري اقدام شود. تا اين مرحله آنچه حاصل مي­شود، پردازش توسط خروجي سنجنده­هاي ماهواره است. اما در بخش دوم، براي تهيه داده­هاي يادگيري ماشين، اساس محاسبات مکاني با وضوح دقيق انجام مي­گردد که شامل نمونه گيري تصادفي از زير مجموعه اي از پيکسل­هاي آموزش، تست، فيلتر کردن کاهش صحنه­هايي که بسيار ابري هستند، انجام درون يابي خطي در بعد زماني به منظور "پر کردن شکاف ها" و غيره است. وقتي داده­ها آماده شوند، ابزار طبقه بندي کننده ارائه مي­گردد. اعتبار سنجي شده و نتايج استخراج مي­گردد. اين روند محاسبات EO است که براي هر محدوده، مستلزم محلي سازي يا منحصر سازي محاسبات مي­باشد.

 

مدل موجک (Wavelet) و ماشين بردار پشتيبان (SVM) 

ماشين بردار پشتيبان⁵ يکي از روش­هاي يادگيري با ناظر است که از آن براي طبقه‌بندي و رگرسيون استفاده مي‌کنند. اين روش از جمله روش­هاي نسبتاً جديدي است که در سال‌هاي اخير کارايي خوبي نسبت به روش­هاي قديمي‌تر براي طبقه‌بندي نشان داده‌ است. مبناي کاري دسته‌بندي کننده SVM دسته‌بندي خطي داده­ها است و در تقسيم خطي داده­ها سعي مي‌کنيم خطي را انتخاب کنيم که حاشيه اطمينان بيشتري داشته باشد. حل معادله پيدا کردن خط بهينه براي داده­ها به وسيله روش­هاي QP که روش­هاي شناخته شده‌اي در حل مسائل محدوديت‌دار هستند صورت مي‌گيرد. قبل از تقسيم خطي براي اينکه ماشين بتواند داده­هاي با پيچيدگي بالا را دسته‌بندي کند داده­ها را به وسيله تابعِ phi به فضاي با ابعاد خيلي بالاتر مي‌بريم. براي اينکه بتوانيم مسئله ابعاد خيلي بالا را با استفاده از اين روش­ها حل کنيم از قضيه دوگاني لاگرانژ براي تبديل مسئله مينيمم‌سازي مورد نظر به فرم دوگاني آن که در آن به جاي تابع پيچيده phi که ما را به فضايي با ابعاد بالا مي‌برد، تابع ساده‌تري به نام تابع هسته که ضرب برداري تابع phi است ظاهر مي‌شود استفاده مي‌کنيم. از توابع هسته مختلفي از جمله هسته‌هاي نمايي، چندجمله‌اي و سيگمويد مي‌توان استفاده نمود. در عين حال در اين پژوهش از تبديلات موجک نيز به منظور پيش بيني روند تغييرات نمونه­ها استفاده شد. موجک⁶ دسته‌اي از توابع رياضي هستند که براي تجزيه سيگنال پيوسته به مؤلفه‌هاي فرکانسي آن بکار مي‌رود که رزولوشن هر مؤلفه برابر با مقياس آن است. تبديل موجک تجزيه يک تابع بر مبناي توابع موجک مي‌باشد. موجک‌ها (که به عنوان موجک­هاي دختر شناخته مي‌شوند) نمونه‌هاي انتقال يافته و مقياس شده يک تابع (موجک مادر) با طول متناهي و نوساني شديداً ميرا هستند. براي مطالعه بيشتر در اين خصوص مرجع Du et al., 2017 مطالعه شود. خلاصه مراحل اجراي پژوهش در شکل 4 نشان داده شده است.

 

نتايج و بحث

نتايج مدل

هدف اساسي مطالعات حاضر کشف ارتباط بين لايه هاي سطحي ژئولوژيک زمين با کاهش تراز آب در محدوده آبخوان بر اساس فرض تغذيه آبخوان از سطح زمين است. در اصل بر پايه لايه تدقيق شده Geology به عنوان خروجي محسبات طبقه بندي گر روش يادگيري ماشين، مرز بندي خشکسالي در محدوده آبخوان انجام مي­شود. رويکرد ارزيابي صحيح بودن اين روش که بخش نوآورانه مطالعات حاضر نيز مي­باشد، با استفاده از تحليل­هاي آماري بر مجموعه مفصلي از تصاوير ماهواره Sentinel-2 و با ملاک شاخص نرمال شده تغييرات آب يعني NDWI انجام ­شد.

نتايج مدل کلاسه بندي لايه Geology

اين لايه کامپوزيت به صورت اوليه خود از باند 12 مادون قرمز موج کوتاه (SWIR) براي تمايز بين انواع مختلف سنگ استفاده مي­کند (باند منطقه اي از طيف الکترومغناطيسي است؛ يک سنسور ماهواره اي مي­تواند زمين را در باند­هاي مختلف تصوير کند) و با پردازش تصوير قابل تهيه نيز مي­باشد. هر نوع سنگ و ماده معدني، نور مادون قرمز موج کوتاه را به صورت متفاوتي منعکس مي­کند و امکان ترسيم نقشه زمين شناسي با مقايسه نور SWIR منعکس شده را فراهم مي­کند. باند 8 مادون قرمز (NIR) پوشش گياهي را برجسته مي­کند و باند 2 رطوبت را تشخيص مي­دهد، و هر دو به تمايز مواد زميني کمک مي­کنند (sentinel-hub, 2021). اين کامپوزيت براي يافتن سازه­ها و ويژگي­هاي زمين شناسي (به عنوان مثال گسل، شکستگي)، سنگ شناسي (به عنوان مثال گرانيت، بازالت و غيره) و کاربردهاي استخراج مفيد است؛ که در اين پژوهش نوع متغير بافت زمين مورد توجه بوده است. در اصل از بافت متفاوت زمين به منظور کلاسه بندي نواحي خشکسالي استفاده مي­شود. در اينجا با فرض اثر متفاوت بافت زمين در حرکت جريان خشکسالي چه در نفوذ و چه شکل هيدروگراف خروجي جريان، ابتدا 6 کلاس مستخرج در محاسبات به عنوان ملاک مرز بندي و يا کلاسه بندي تعيين شد. شکل زير لايه Geology در محدوده مورد مطالعه را با رنگ بندي پيوسته نمايش مي­دهد.

در شکل­ 5 مي­توان حدود قرار گيري لايه­هاي مکاني کلاس­هاي 1 تا 6 را بر لايه شاخص NDWI مشاهده کرد. خود شاخص NDWI به صورت آنچه تشريح شد از تحليل باندهاي تصاوير ماهواره Sentinel-2 محاسبه شد. مرز بندي­ها نشان مي­دهد که پراکنش هر کلاس لزوماً منحصر به يک ارتفاع يا جهت جغرافيايي نيست. با اين حال تراکم کلاس 1 نسبت به کلاس 6 بسيار اندک مي­باشد.

 

 

 

 

شکل 4. مراحل اجراي مطالعه در بخش­هاي کلي

 

 

 

موقعيت کلاس 1 لايه Geology.	موقعيت کلاس 2 لايه Geology.
موقعيت کلاس 3 لايه Geology.	موقعيت کلاس 4 لايه Geology.
موقعيت کلاس 6 لايه Geology.	موقعيت کلاس 5 لايه Geology.
شکل 5 . لايه­هاي مکاني کلاس­هاي 1 تا 6 را بر لايه شاخص NDWI

 

همچنين در محدوده کلي خشکسالي آبخوان، مقدار شاخص NDWI و شاخص Moisture Index در طول بازه 5 ساله از سال 2016 تا 2021 محاسبه شده است. شاخص NDWI در اينجا به منظور رديابي اثر بارش­هاي خشکسالي بر روي محدوده مورد مطالعه انتخاب شده است. اين مقدار همچنين بر روي کل حوضه آبريز درجه دوم مادر، نيز محاسبه گرديده است. تصاوير مقادير دو شاخص NDWI و Moisture Index را براي کل حوضه آبريز مادر منطقه مطالعاتي در آخرين بازه زماني نشان مي­دهد.

نتيجه اين محاسبات که حاصل پردازش ده­ها تصوير از ماهواره Sentinel-2 مي­باشد در نمودار ترسيم شده به صورت نمودارهايي داراي حدود تغييرات قابليت اطمينان نشان داده شده است. لازم به ذکر است که شاخص Moisture Index که رفتاري مخالف NDWI دارد را مي­توان به عنوان ارزياب صحيح بودن نحوه محاسبه هر مورد استخراج NDWI بررسي کرد.

براي 6 کلاس تقسيم شده لايه Geology مقدار شاخص تغييرات NDWI بر پايه ده­ها تصوير ماهواره Sentinel-2 محاسبه شد. نتيجه مشابه آنچه در مرحله قبل بدست آمد در شکل 7 ترسيم شده است. بخوبي مي­توان مشاهده کرد که رفتار هر نمودار از نمودار کلي منطقه خشکسالي تبعيت مي­کند. در عين حال رفتار تغييرات کلي نمودار NDWI در محدوده خشکسالي آبخوان با رفتار حوضه آبريز درجه دوم همخواني دارد.

 

 

شکل Error! No text of specified style in document.6. لايه Geology حوضه آبريز موثر خشکسالي آبخوان

 

شکل 7. تغييرات شاخص NDWI در بازه 5 ساله 6 کلاس Geology حوضه آبريز موثر خشکسالي آبخوان

 

مي­توان مشاهده کرد که حداقل مقدار متوسط در کلاس­هاي 1 تا 4 و حداکثر مقدار شاخص متوسط در کلاس­هاي 5 تا 6 رخ داده است. کلاس 6 براي نمونه در اينجا بخش­هايي را نشان مي­دهد که مرتبط با بستر گياهي و زمين­هاي کشاورزي است. بنابراين رشد پوشش گياهي در دوره­هايي از سال که منجر به افزايش مقدار شاخص NDWI مي­شود قابل حدس بوده است. با توجه به اينکه تغييرات مقدار شاخص NDWI به تغييرات ارتفاعي لزوماً وابسته نيست. و بنابراين مي توان رخداد خشکسالي را به تغييرات پوشش زمين محدود کرد.

 

 

شکل 8. متوسط شاخص NDWI در حوضه آبريز موثر

خشکسالي آبخوان در مقابل بارش روزانه ماهواره GPM

علي رغم آنکه در دوره 5 ساله در شکل 8، مقدار بارندگي به شکل مشخصي داراي افزايش نيز بوده است، اما شيب رگرسيون خطي برازش شده بر تغييرات زماني شاخص NDWI منفي است. همچنين مي­توان مشاهده کرد که تغييرات شاخص در دوره دوم بازه 5 ساله بسيار بيشتر از دوره اول آن است. با توجه به آنکه بافت خاکي و ساختار Geology منطقه ثابت است، علت اصلي اين موضوع مشخصاً به تغييرات پوشش گياهي باز مي­گردد. پوشش گياهي در کل محدوده به صورت آشکاري تنک شده و از بين رفته است. اين موضوع مي­تواند با تحليل بر روي شاخص استاندارد تغييرات پوشش برگ، موسوم به NDVI نيز بررسي شود. به عبارتي ديگر، برداشت­هاي از منابع آب سطحي و تقسيمات اراضي پراکنده، تا حد بسيار زيادي بر خشکي نواحي باير، از گياهان خودرو منجر شده است. اين گياهان در دوره­هاي سيلابي با تغذيه طبيعي رشد مي­کنند. تخريب پوشش منطقه مشخصاً عامل تخليه سريع جريان به نواحي پايين دست و عدم تغذيه آبخوان است. در ماه­هاي گذشته، از بررسي داده­هاي بارش GPM مي­توان مشخص کرد که حتي بارش­هاي روزانه تا بيش از 250 ميليمتر نيز در برهه­هايي از زمان در اين مختصات صورت گرفته است. بارش­هاي خشکسالي که با جاري شدن بر روي زمين­ها خالي از پوشش گياهي، علاوه بر فرسايش شديد خاک، منجر به طغيان بسيار شديد تر در ناحيه آبخوان مي­شود. نکته مهم آنکه اگر بارش­هاي سهمگين در فصل­هاي زراعي و يا آستانه کشت صورت بگيرد، عمدتا جريانات به سمت زمين­هاي با کاربري باغي و کشاورزي منحرف مي­گردد، اما سيلاب­هاي پاييزه در صورت رخداد با عامل کنترل زمين نه به صورت سازه هاي انتقال جريان سيلاب و نه پوشش­هاي گياهي روبرو نخواهد بود.

 

 

نتايج مدل SVM

در اين پژوهش، هدف اساسي به منظور پيش بيني وضعيت خشکسالي وابسته به ژئولوژيک منطقه، استفاده از روش SVM به عنوان يک رويکرد صحت يابي تا پيش بيني وضعيت پارامترهاي افت تراز آب برداشت شده توسط کاربر است. در اين مطالعه، ابتدا با استفاده از توابع SVM نتايج تهيه سري زماني براي داده­ها مورد بررسي قرار خواهد گرفت. اگر آنچه به عنوان رگرسيون در اين روش تطابق خوبي با رگرسيون خطي، در روش تجربي تهيه سري زماني داده داشته باشد، مي­توان نتيجه گرفت که رويکرد تجربي داراي عدم قطعيت قابل قبولي در بين داده­ها مي­باشد. در عين حال از تبديلات موجک به منظور کشف فرکانس تغييرات فصلي داده­هاي سري زماني تهيه شده استفاده شد. در گام نهايي ما براي تعيين تابع موجک، نوع Morl را انتخاب کرديم. اين نمونه مي­تواند به درستي بر روي سيگنال­هاي داده­هاي محيطي منتخب و مفروض اقدام به استخراج دوره­هاي تکراري فصلي جهت کاربرد در مدل­هاي پيش بيني کند.

آنچه از شکل 9 قابل تحليل است، تحت عنوان اسکالوگرام، تغييرات زماني در مقابل دوره براي CWT بدست داده شده است. CWT مخفف عبارت Continues Wavelet Transformation است. تراکم بالاي مقدار اين واحد تعيين کننده تکرار چهار واحد فصلي از داده است. بنابراين در يک مدل پيش بيني نظير شبکه­هاي عصبي مصنوعي مي­توان از اين يافته به منظور تنظيم پارامترهاي ورودي تا استخراج پيش بيني­هاي با کمترين خطا استفاده کرد.

دوره هاي خشک و تر تغذيه دشت متاثر از بارش هاي فصلي که در بخش پيش تحليل روند شد، نشان مي­دهد که تغييرات ژئولوژيک در منطقه مشخصاً به صورت کلاسه بندي که تفکيک نواحي با تاثير بيشتر تغذيه است، بخوبي منجر به بزرگنمايي اثر تغذيه بر دشت است.

 

 

شکل 9. خروجي محاسبات مدل موجک و مقدار CWT

 

نتيجه­گيري و بحث

در اين مطالعه به منظور استخراج روابط بارش-خشکسالي در يک محدوده منتخب تحت عنوان آبخوان، از مجموع روابط هيدرولوژيکي و همچنين مدل­هاي عددي و هيدروليکي تا استفاده از شاخص آسيب پذيري و ناحيه بندي استفاده شد. استخراج حجم و نوع توزيع جريان در آبخوان که مرکز اثر خشکسالي هيدرولوژيک است، توسط روش تحليل منطقه­اي و استخراج خشکسالي­هاي با دوره بازگشت تاريخي و در عين حال محتمل از بررسي هيدروگراف مستخرج از مدل MODFLOW صورت پذيرفت. خروجي مطالعات هيدرولوژيکي که بر طبق عناصر فيزيوگرافي تهيه شد به عنوان ورودي­هاي مدل هيدروليکي توزيع جريان آب زيرزميني در ناحيه مذکور استفاده گرديده. به منظور تهيه يک ساختار تعيين مناطق حساس در خشکسالي، از پردازش تصاوير ماهواره Sentinel-2 در تهيه شاخص NDWI به عنوان شاخص استاندارد شده تغييرات ساختار آب و همچنين پوشش زمين، و يک لايه ساختار زمين تدقيق شده بر اساس طبقه بندي به روش يادگيري ماشين و روش EO استفاده شد. لايه ساختار زمين تحت عنوان Geology، ملاک کلاسه بندي نواحي در تعيين اوليت خشکسالي (از منظر تغذيه آب زيرزميني) انتخاب شد. ارزيابي درستي روش مذکور، تهيه يک جدول ارتباط تغييرات شاخص NDWI با کلاسه­هاي لايه Geology بود. اين همبستگي در لايه کلاسه بندي تغييرات ارتفاعي مشاهده نشد.

نتايج نشان داد که براي تعيين نواحي خشکسالي، و يا مفهوم مقابل آن، يعني نواحي منتشر کننده خشکسالي به آب زيرزميني، ملاک اساسي بايد تنوع ژئولوژيک در تحليل همزمان با توسعه کشاورزي منطقه باشد. با استفاده از تصاوير ماهواره­هاي سنتينل مي­شود بر طبق تشريحات حاضر در اين پژوهش، بازه­هاي کلاسه بندي شده اي را جهت دريافت بيشترين تغييرات شاخصNDWI  کشف کرد. اين بازه­هاي مکاني حدود تصميم گيري براي اجراي سازه­هاي انحراف جريان، و حتي محدوديت­هاي کشت به جهت بازسازي اقليم در مقابل خشکسالي­هاي منتج از کشاورزي را بهتر معين مي­کند.

در آبخوان مورد مطالعه، منطقه ارتفاعي شماره 1 کلاس ساختار زمين که در تماس مستقيم با ناحيه شهري و محدوده خشکسالي مي­باشد، ارقام و اعداد حاصله تغييرات پوشش گياهي را حداقل در بازه 5 ساله نشان نمي­دهد. علت اين موضوع مي­تواند فعاليت­هاي کشاورزي در اين ناحيه، و يا حداقل پايين دست بودن منطقه مذکور براي دريافت منابع آب سطحي تفسير گردد. اما بخش­هاي پراکنده شرقي عامل اساسي براي رخداد خشکسالي معرفي مي­گردد. به عبارتي ديگر، کشاورزي ساختار گسيخته در خشکسالي نواحي پر شيب و مرتفع تر حوضه آبريز مطالعاتي موثر واقع شده است. بنابراين در اجراي طرح­هاي کنترل خشکسالي بايد ارجحيت بر اين بخش از حدود مختصاتي قرار گيرد. مي­توان با توسعه کد در کلاس­هاي بيشتر، مرز بندي دقيق تري را از محدوده­هاي خشکسالي تعيين کرد.

قاعدتاً خشکسالي­هاي با دوره بازگشت بيشتر و در شرايط وقوع بحراني­تر منجر به آسيب بيشتري در اين آبخوان خواهد بود. بدترين وضعيت هيدرولوژيکي لزوما بر اساس آمار اقليمي بدست نخواهد آمد.

در اين پژوهش با استفاده از يک مدل تفاضل محدود جريان آب زيرزميني، اقدام به توسعه شبيه ساز مفهومي به بهترين روش نرم افزاري و طبق داده­هاي خام پردازش شده گرديد، مدل جريان آب زيرميني با توجه به رويکرد خودکار واسنجي و صحت سنجي، کمترين انحراف آماري را بر روي پارامترهاي بهينه سازي ايجاد نمود. به صورتي که مقادير اوليه و نهايي پس از اجراي دوره واسنجي صورت مشابهي از پارامتر­هاي هيدروليکي را نمايش مي­دهد. مقدار خطاي نسبي RMS يا RMSE معادل با 86/2 مي­باشد که دقت بالاي شبيه­سازي را نشان مي­دهد. با توجه به روند تغييرات تراز آب دشت در محدوده شبيه ساز که با استفاده از صورت کوچکتر سلول­هاي شبکه تفاضل محدود تدقيق شده بود، مي­توان بيشترين افت رخ داده را نواحي با بيشترين برداشت از منابع مرتبط دانست. تغييرات کاربري اراضي در قسمت­هاي غربي دشت به صورت محسوس تري با تراکم جمعت و استفاده از آب منجر به افت سطح آب زيرزميني شده است. لزوما ارتباط مشخصي بين تغييرات تراز آب و نوع کاربري در دشت مورد مطالعه بر پايه خروجي نرم افزاري نمي­توان يافت کرد، با اين حال تعدد چاه­هاي پمپاژ مشخصا به تخريب ساختار عمودي دشت با نشست زمين منجر شده است.

فرآيند واسنجي با استفاده از مجموعه وسيعي از داده­هايي که فرض بر وجود عدم قطعيت در آنها بوده است انجام شد. رويکرد تحليل واسنجي بر پايه اندازه گيري بزرگترين مقدار موثر بر کاهش خطا در هر دوره، به صورت خودکار و با کد PEST بوده است. در اين مدل سازي و در فرآيند بهينه سازي از روش تحليل حساسيت تلفيق شده با مرحله واسنجي استفاده شده است. نتايج خروجي از آناليز حساسيت پارامترهاي موثر در واسنجي آبخوان مطالعاتي، نشان دهنده تأثير حدأکثري پارامترهاي هدايت هيدروليکي و ناهمسانگردي هدايت هيدروليکي بخصوص در برخي از پايلوت­ها مي­باشد. بعلاوه يک تک گروه از رودخانه حدود دشت داراي حساسيت بالايي گزارش شده است. بر همين اساس، ويرايش­هاي صورت گرفته بر مرزهاي با بار هيدروليکي پويا (مدل مفهومي) در حدود پارامترهاي با حساسيت زياد، خطاي کل واسنجي را در آخرين مرحله از مراحل چهار گانه واسنجي به حدأقل مطلوب کاهش داد.

به وضوح مي­توان تغييرات عمده در جهت گيري را در نواحي حساس تري که پارامترهاي واسنجي را با باياس آماري بدست آورده­اند مشاهده کرد. بيشترين مقدار خطوط سرعت، در نواحي مرزي و در محدوده حاشيه مرزهاي تراوا قابل مشاهده است. به اين شکل مي­توان بيان داشت که حفر چاه­هاي فراوان با دبي بهره برداري بالا در بخش­هاي مرکزي آبخوان، منجر به استخراج نقشه­هاي سرعت جريان با ساختار ناهمگن در محدوده دشت بوشکان شده است. روند موجود با توجه به رخدادهاي خشکسالي اقليمي در سال­هاي اخير و تشديد آن بر مبناي گرمايش جهاني و سو گيري يکسويه کاهش منابع تغذيه کننده، قطعاً وضعيت دشت را از مرحله بحران گذر خواهد داد. 

 

 

Reference:

Adamowski, J., Fung Chan, H., Prasher, S.O., Ozga-Zielinski, B., Sliusarieva, A., 2012. Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resour. Res. 48, W01528.

Afan, H.A., El-shafie, A., Mohtar, W.H.M.W., Yaseen, Z.M., 2016. Past, present and prospect of an Artificial Intelligence (AI) based model for sediment transport prediction. J. Hydrol.

Chong K. L., 2021, "Review on Dam and Reservoir Optimal Operation for Irrigation and Hydropower Energy Generation Utilizing Meta-Heuristic Algorithms," in IEEE Access, vol. 9, pp. 19488-19505.

Dixit, P., Londhe, S., Deo, M.C., 2016. Review of Applications of Neuro-Wavelet Techniques in Water Flows. Ina. Lett. 1, 99–104.

Dogani, A. Dourandish, M. Ghorbani and M. R. Shahbazbegian, 2020, "A Hybrid Meta-Heuristic for a Bi-Objective Stochastic Optimization of Urban Water Supply System," in IEEE Access, vol. 8, pp. 135829-135843.

Du, K., Zhao, Y., Lei, J., 2017. The incorrect usage of singular spectral analysis and discrete wavelet transform in hybrid models to predict hydrological time series. J. Hydrol. 552, 44– 51.

Fahimi, F., Yaseen, Z.M., El-shafie, A., 2017. Application of soft computing-based hybrid models in hydrological variables modeling: a comprehensive review. Theor. Appl. Climatol. 128, 875–903.

Hoaglund III, J.R. and PoIllard, D., 2003. Dip and anisotropy effects on flow using a vertically skewed model grid. Groundwater, 41(6), pp.841-846.

Jeong, C.B., Kang, H.M., Lee, M.C., Kim, D.H., Han, J., Hwang, D.S., Souissi, S., Lee, S.J., Shin, K.H., Park, H.G. and Lee, J.S., 2017. Adverse effects of microplastics and oxidative stress-induced MAPK/Nrf2 pathway-mediated defense mechanisms in the marine copepod Paracyclopina nana. Scientific reports, 7(1), p.41323.

Khazaee Poul, A., Shourian, M. & Ebrahimi, H. A, 2019, Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction. Water Resour Manage 33, 2907–2923.

Kresic, N., 2014. Hydraulic methods. In Methods in Karst hydrogeology (pp. 65-92). CRC Press.

Minh, D., Wang, H.X., Li, Y.F. and Nguyen, T.N., 2022. Explainable artificial intelligence: a comprehensive review. Artificial Intelligence Review, pp.1-66.

Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O., 2014. Applications of hybrid Wavelet-Artificial Intelligence models in hydrology: A review. J. Hydrol. 514, 358–377.

Saatsaz, M. A historical investigation on water resources management in Iran. Environ Dev Sustain 22, 2020, 1749–1785

Sang, Y.-F., 2013. A review on the applications of wavelet transform in hydrology time series analysis. Atmos. Res. 122, 8–15.

Schilling, J., Hertig, E., Tramblay, Y. et al. Climate change vulnerability, water resources and social implications in North Africa. Reg Environ Change 2020 20, 15.

Sentinel Hub, https://www.sentinel-hub.com, 2021, Sinergise Solutions d.o.o., a Planet Labs company.

Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.

Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.

Solomatine, D.P., Ostfeld, A., 2008. Data-driven modelling: some past experiences and new approaches. J. Hydroinformatics 10, 3–22.

Spiro D. Alexandratos, Naty Barak, Diana Bauer, F. Todd Davidson, Brian R. Gibney, Susan S. Hubbard, Hessy L. Taft, and Paul Westerhof ACS Sustainable Chemistry & Engineering 2019 7 (3), 2879-2888.

Water Resources Report, 2020. Iran water resources management organization. [in Persian]

Yaseen, Z.M., El-shafie, A., Jaafar, O., Afan, H.A., Sayl, K.N., 2015. Artificial intelligence-based models for stream-flow forecasting: 2000-2015. J. Hydrol.

Zhang, Shuifeng; Zhang, Jinchi; Meng, Miaojing; Chen, Peixian; Liu, Xin; Liu, Guoliang; Gu, Zheyan. 2021. "A Multi-Objective Decision Making System (MDMS) for a Small Agricultural Watershed Based on Meta-Heuristic Optimization Coupling Simulation" Water 13, no. 10: 1338. 

 

يادداشت‌ها⁷

 

---

[1]  Zanini and Silico

[2]  Jeong et al.

[3]  Shi et al.

[4]  Khazaee et al.

[5]  Support vector machines - SVMs

[6]  Wavelet

[7]  

---