مدل‌سازی زمانی و مکانی تراز آب زیر زمینی با استفاده از مدل‌های کریجینگ و شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت میناب)

الموضوعات :

وحید سهرابی ¹ , محمدابراهیم عفیفی ²

1 - گروه جغرافیا، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد لارستان، فارس، ایران.
2 - گروه جغرافیا، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد لارستان، فارس، ایران.

تاريخ الإرسال : 24 الأربعاء , رمضان, 1445 تاريخ التأكيد : 16 السبت , ذو الحجة, 1445 تاريخ الإصدار : 08 الأحد , محرم, 1446

الکلمات المفتاحية: مدل‌سازی زمانی, تراز آب, مدل‌های کریجینگ, شبکه‌های عصبی, میناب,

ملخص المقالة :

بخش اعظمی از منابع آب دنیا، منابع آب زیرزمینی است. رشد سریع جمعیت، توسعه کشاورزی و جوابگو نبودن میزان آب‌های سطحی منجر به افزایش روند پمپاژ آب و در نتیجه افت سطح آب‌های زیرزمینی و تهی‌شدن سفره‌ها شده است. حیات مناطق خشک و نیمه‌خشک، به دلیل کمی بارندگی کاملاً وابسته به منابع آب زیرزمینی است، بنابراین مدیریت مناسب آب‌های زیرزمینی در چنین مناطقی بسیار حیاتی است. این پژوهش با هدف مدل‌سازی مکانی و زمانی تراز آب‌های زیرزمینی در دشت میناب صورت‌گرفته است. به‌منظور شناخت و ارزیابی روند برداشت بی‌رویه از سفره‌های آب زیرزمینی دشت میناب، اطلاعات موجود مربوط به منابع آبی (چاه‌های مشاهده‌ای) و هیدروژئولوژیکی دشت میناب در دورة زمانی ۱۷ساله (1376-1392) مبنای کار قرار گرفت. برای پهنه‌بندی و درون‌یابی تراز آب زیرزمینی دشت میناب علاوه بر روش زمین‌آماری کریجینگ از روش توابع پایه شعاعی (RBF)که مبتنی بر شبکه عصبی است نیز استفاده شد. در این راستا، مدل‌های درون‌یابی اجرا و تغییرات به‌صورت زمانی و مکانی در سطح دشت میناب بررسی شد. میزان دقت برای هر کدام از مدل‌ها مورد بررسی قرار گرفت و برای بررسی تغییرات از روش سری زمانی من کندال استفاده شد و در نهایت مدل‌سازی مکانی - زمانی در طی سال‌های(1376-1392) مورد بررسی صورت گرفت. نتایج این پژوهش نشان داد که میانگین تراز روندی کاملاً کاهشی داشته است. در میان روش‌های کریجینگ روش کریجینگ ساده نمایی با ضریب تعیین 89/0 بیشترین دقت را در بین سایر مدل‌ها نشان داد. در بین روش‌های RBF نیز روش اسپلاین کاملاً منظم با ضریب تعیین 67/0 بیشترین دقت را نسبت به سایر مدل‌ها داشت. پس از انتخاب روش کریجینگ به‌عنوان روش بهینه، روندیابی فضایی با استفاده از نقشه‌های سالانه تراز صورت گرفت و مشخص شد که میزان افت تراز از نظر جغرافیایی توزیع ناهمسان دارد و در برخی مناطق افت تراز بسیار شدیدتر بوده است. تمامی نقشه¬های پهنه¬بندی روند مکانی-زمانی نشان از آن دارد که روند کاهشی تراز آب زیرزمینی دشت میناب از نظر توزیع مکانی با هم متفاوت است و در بخش¬های مختلف تراز آب با شدت متفاوتی تغییر یافته است که برای انتخاب بهترین روش از بین مدل¬های مختلف کریجینگ و شبکه عصبی در نهایت از نتایج حاصل از آماره RMSE استفاده شد و مشخص شد که روش کریجینگ در مقایسه با روش RBF به شکل بهتری تغییرات تراز آب را در دشت میناب مدل¬سازی کرده است.

المصادر:

Affandi, A. & Watanabe, K. (2007). Daily groundwater level fluctuation forecasting using soft computing estimation of reference evapotranspiration from pan evaporation in a semi-arid environment. Irrigation Science.
Ahmadizadeh, M., & Maroufi, P. (2017). Application of Bayesian analysis and particle filter in rainfall-runoff models and uncertainty analysis, Journal of Water and Soil Protection Research, 24(1), 251. https://doi.org/10.22069/jwfst.2017.12108.2663. (In Persian)
Aziz, O. I. A., & Burn, D. H. (2006). Trends and variability in the hydrological regime of the Mackenzie River Basin. Journal of hydrology, 319(1-4), 282-294.
Bierkens, M. (1998). Modeling water table fluctuations by means of a stochastic differential equation. Water Resources Reserch,34(10), 2485-2499.
Boroujerdi, A., & Feridouni, M. (2015). Simulation of underground water level using support vector models and its comparison with fuzzy neural models and neural wavelet (case study of Shiraz Plain), Water Engineering Conference and Exhibition. https://civilica.com/doc/407797/. (In Persian)
Connor KM, Davidson JR, Churchill LE, Sherweed A, & Foa EB. (2012). Psychometric properties of the Social Phobia Inventory (SPIN). The British Journal of Psychiatry, 176, 379-386.
Fakher, A. (2000). Application of physical models in teaching engineering courses. Iranian Engineering Educational Journal, 2(6), 39-72. https://doi.org/10.22047/ijee.2000.2014. (In Persian)
Feridouni, M., & Khojand, M. (2014). Application of geostatistical model (Kriging) and its integration with neural fuzzy inference system in underground water level zoning (case study: Shiraz plain), 2nd National Conference on Water, Man and Earth. https://cpro.ir/product/586034/. (In Persian)
Ghorbani, M.A., Khatibi, R., Hasanpour Kashani M., & Kisi, O. (2019). Comparison of three artificial intelli-gence techniques for discharge routing. Journal of Hydrology, 4. https://doi.org /10.22034/hydro.2024.60223.1310. (In Persian)
Hosseini Soumae, M., Roshani, A., & Zebah, A. (2020). Modeling of groundwater level changes based on methods based on artificial intelligence (Case study of Zaveh Torbat Heydariyeh plain). Water-shed Management, 11(21), 223-235. https://doi.org/10.52547/jwmr.11.21.223. (In Persian)
Kazemi, T., Fadeli, M., & Farzin, M. (2021) Assessment and analysis of peak flow with different return periods for Bashar river using HEC-HMS model, Iranian Water Resources Research, 17(4), 50-69. https://doi.org/20.1001.1.17352347.1400.17.4.3.0. (In Persian)
Mashaikhi, S., Ebrahimi, K., Modaresi, F., & Iraqhinejad, S. (2022). Integrated management of Minab basin water resources using modified sustainability index, Iranian Journal of Irrigation and Water Engineering, 12(47). (In Persian)
Mir Arabi, A., & Nakhai, M. (2008). Prediction of underground water level fluctuations in Birjand Plain using artificial neural network, 12th conference of Geological Society of Iran. (In Persian)
Moghadisi, M., Mardian, M., & Parsa, M. (2021). Comparison and evaluation of smart models and geostatistics in order to analyze the spatial changes of groundwater quality (Dasht Kamijan), Watershed Management Research Journal, 12(24), 54 -64. https://doi.org/10.52547/jwmr.12.24.54. (In Persian)
Mubaraki, M. & Fereidoni, M. (2015). Simulation of underground water level using the combination of wavelet, neural fuzzy models and its comparison with the neural fuzzy model, International Conference on New Research Achievements in Civil Engineering and Urban Architecture. (In Persian)
Nayak, P., Satyaji Rao, Y.R. & Sudheer, K.P. (2001). Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 20,77-90.
Rajaei, T. & Zainivand, A. (2014). Modeling the underground water level using the hybrid wavelet-artificial neural network model (case study: Sharifabad plain), Reist Civil and Environmental Engineering Journal, 44.4(77), 51-63. (In Persian)
Ramezani Charmehineh, A. & Zounematkermani, M. (2017). Investigating the efficiency of support vector regression, multilayer perceptron neural network and multivariable linear regression methods to predict the level of underground water (case study: Shahrekord Plain). Watershed Management Research Journal, 8(15), 1-12 . https://doi.org/10.29252/jwmr.8.15.1. (In Persian)
Sarzabi, H. & Esmaili, K. (2013). Investigation and quantitative modeling of groundwater (Case study: Neishabur Plain), Irrigation Engineering Sciences (Agriculture Scientific Journal), 36(4). https://doi.org/20.1001.1.25885952.1392.36.4.8.5. (In Persian)
Shirzaei, S. (2019). A review of variable selection methods in regression models with time series errors, Master's Thesis, Shahrood University of Technology. (In Persian)
Yazidi, A., Davari, K., Alizadeh, A., Kahraman, B., & Haqati Moghadam, S.A. (2007). Prediction of water level using artificial neural networks (case study: Neishabur Plain). Iranian Journal of Irrigation and Drainage, 1(2), 59-71. (In Persian)