کاربرد روشهای استوکاستیک و مدلهای ریاضی در پیش بینی تغییرات سطح آب های زیرزمینی شهر شیراز

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

سیدامیر شمس نیا ¹ (استادیار گروه مهندسی آب، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران)
نازنین پیرنیا ² (دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده علوم و کشاورزی و فناوری نوین، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران)
رضا افشین شریفان ³ (استادیار گروه مهندسی آب، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران)

تاريخ الإرسال : 02 الثلاثاء , شوال, 1443 تاريخ التأكيد : 07 الإثنين , ربيع الأول, 1444 تاريخ الإصدار : 08 الأربعاء , جمادى الأولى, 1445

الکلمات المفتاحية: شیراز, سری زمانی, آب زیرزمینی, مدل, استوکستیک,

ملخص المقالة :

مدل‌های استوکستیک به عنوان یک روش جهت بررسی تغییرات داده‌های سری زمانی در آینده مورد استفاده قرار می‌گیرند. هدف از پژوهش حاضر تحلیل وضعیت سطح آب زیرزمینی چاه‌های پیزومتری شهر شیراز، شبیه‌سازی و پیش‌بینی کوتاه‌مدت وضعیت آن در آینده با استفاده از روشهای استوکستیک می‌باشد. در این تحقیق جهت مدل‌سازی، از آمار سطح آب 14 عدد چاه پیزومتری که آمار کامل‌تری داشتند از سال 1372 تا 1398 استفاده شد. سپس بر اساس مدل آریما و روش خودهمبستگی و خودهمبستگی جزئی و با ارزیابی تمامی الگوهای احتمالی به لحاظ ایستا بودن و بررسی پارامترها و انواع مدل‌ها، مدل مناسب جهت پیش‌بینی سطح آب زیرزمینی در هرچاه به صورت جداگانه بدست آمد. پس از اعتبارسنجی و ارزیابی مدل براساس معیارهای ضریب تعیین همبستگی خطی (R2)، معیار اطلاعاتی ضریب آکاییک (AIC)، جذر میانگین مربعات خطا (RMSE) و ضریب کارایی مدل (EF)، پیش‌بینی مقدار سطح آب زیرزمینی در سالهای 1399 تا 1405 انجام گرفت. نتایج حاصل از پیش‌بینی سطح آب زیرزمینی در چاه‌های سطح شهر شیراز با استفاده از مدلهای سری زمانی نشان داد که با فرض ثابت ماندن الگوی مصرف و عدم تغییر محسوس در روند تغذیه سفره آب زیرزمینی در طی 7 سال آینده به طور متوسط با کاهش حدود 5/3 متر در سطح آب زیرزمینی نسبت به وضعیت فعلی مواجه خواهد شد. بنابراین با توجه به افت قابل ملاحظه سطح آب زیرزمینی در آینده و محدودیت منابع تأمین آب شرب شهر شیراز و لزوم برداشت آب بیشتر در آینده، تصمیم‌گیری مناسب جهت مدیریت تأمین و مدیریت مصرف در این شهر ضروری به نظر می‌رسد.

المصادر:

• Afruzi, A., & Zare Abyaneh, H. (2017). Groundwater level modeling and forecasting using time series models: Case study of the plains of Hamedan province. Journal of Watershed Management Research, 8(15), 102-111. [In Persian]


• Babazadeh, H., Shamsnia, A., Boostani, F., Norouzi Aghdam, E., & Khodadadi Dehkordi, D. (2012). Investigation of drought, wet season, and prediction of climatic parameters of rainfall and temperature in Shiraz region using stochastic methods. Journal of Geography and Planning, 16(41), 23-47. [In Persian]


• Cheraghi, A. M., Najafi, B., Shajari, Sh., & Javan, M. (2020). The trend of changes in groundwater quantity and quality in the Sarvestan plain of Fars province. Journal of Watershed Management Research, 33(2), 82-96. DOI: 10.22092/wmej.2019.128069.1283 [In Persian]


• Gibrilla, A., Anornu, G., & Adomako, D. (2017). Trend analysis and ARIMA modeling of recent groundwater levels in the White Volta River basin of Ghana. Journal of Geographical Sciences, doi.org/10.1016/j.gsd.2017.12.006


• Jamalizadeh, M. A., Bazrafshan, O., Mahdavi Najafabadi, R., Azare, A., & Rafee Sardooni, E. (2020). Predicting groundwater level fluctuations using time series models and GMS: Case study of Rafsanjan plain. Ecohydrology, 7(1), 97-109. [In Persian]


• Karimipoor, A., Rakhshanderoo, Gh., & Banitalebi Dehkordi, G. (2011). Evaluation of the drainage system to lower the groundwater aquifer in Shiraz plain using Pmwin model. Journal of Water and Wastewater, 91(2), 30-41. [In Persian]


• Mirzavand, M., Sadatinejad, S. A., Ghasemieh, H., Imani, R., & SoleymaniMotlagh, M. (2014). Prediction of groundwater level in arid environment using a non-deterministic model. Journal of Water Resource and Protection, 6(2014), 669-676. doi.org/10.4236/jwarp.2014.67064.


• Mirzavand, M., & Ghazavi, R. (2014). A stochastic modeling technique for groundwater level forecasting in an arid environment using time series methods. DOI 10.1007/s11269-014-0875-9


• Nasseri, N. (2019). Comparison of fourteen methods of time series to analyze and predict groundwater changes in Marand Plain-North of Urmia Lake. Iranian Journal of Irrigation and Drainage, 13(1), 58-68. [In Persian]


• Patle, G. T., Singh, D. K., Sarangi, A., Rai, A., Khanna, A., & Sahoo, R. N. (2015). Time series analysis of groundwater level projection of future trend. Geological Society of India, V85, 232-242.


• Poormohammadi, S., Malekinezhad, H., & Poorshareyati, R. (2013). Comparison of ANN and time series appropriately in the prediction of groundwater table: Case Study Bakhtegan basin. Journal of Water and Soil Conservation, 20(4) [In Persian]


• Rahmani, A., & Sedehi, M. (2004). Prediction of groundwater level changes in the plain of Hamedan-Bahar using the time series model. [In Persian]


• Retike, I., Bikse, J., Kalvans, A., Delina, A., Avotniece, Z., Zaadnoordjik, W., Jemeljanova, M., Popovs, K., Babre, A., Zelenkevics, A., & Baikovs, A. (2022). Rescue of groundwater level time series: How to visually identify and treat errors. Journal of Hydrology, 605, 127294.


• Salehi, M., Radmanesh, F., Zaree, H., Mansoori, B., & Solgi, A. (2018). Predicting groundwater level by using time series-wavelet combination model. Journal of Irrigation Science and Engineering, 41(4), 1-16. [In Persian]


• Shahraki, N., Yunesi, M., & Taheri Tizro, A. (2019). Comparison of artificial neural network, ARIMA time series, and multivariate linear regression models in predicting groundwater level changes. Journal of Hydrogeology, 4(1), 126-139. [In Persian]


• Takafuji, E., Rocha, M., & Manzione, R. (2018). Groundwater level prediction/forecasting and assessment of uncertainty using SGS and ARIMA models: A case study in the Bauru aquifer system (Brazil). Natural Resources Research, doi.org/10.1007/s11053-018-9403-6


•