تخمین پارامترهای کیفی آب‌خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی

الموضوعات :

محمد عیسی زاده ¹ , سید مصطفی بی آزار ² , افشین اشرف زاده ³ , رضوان خانجانی ⁴

1 - دکتری رشته مهندسی منابع آب دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.
2 - دکتری رشته علوم و مهندسی آب -منابع آب، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران. *(مسوول مکاتبات)
3 - استادیار گروه مهندسی منابع آب دانشکده کشاورزی، دانشگاه گیلان، گیلان، ایران.
4 - کارشناسی ارشد، مدیریت دولتی دانشگاه پیام نور گیلان، گیلان، ایران.

تاريخ الإرسال : 03 الثلاثاء , محرم, 1438 تاريخ التأكيد : 06 الأربعاء , ربيع الثاني, 1438 تاريخ الإصدار : 16 الأحد , شعبان, 1440

الکلمات المفتاحية: آزمون گاما, تخمین پارامترهای کیفی, دشت گیلان, شبکه عصبی مصنوعی, ماشین بردار پشتیبان,

ملخص المقالة :

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین ها به ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش های شش ماه و مختصات چاهک های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب های ورودی برتر بخش اول صورت گرفته است. یافته‌ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µmos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µmos/cm) 448/186 می باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت سنجی به ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µmos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µmos/cm) 412/55 می باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه‌گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب خوان ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می باشد. نتایج بخش دوم نشان داد که آزمون گاما می تواند به صورت کاملا کابردی و دقیق در تعیین ترکیب های ورودی موثر مورد استفاده قرار گیرد.

المصادر:

1-     Parmer, K.S., Bhardwaj, R., 2013.Wavelet and statistical analysis of river water quality parameters, Journal of Applied Mthematics and Computation. Vol. 219, PP.10172-10182.

2-     Diamantopoulou, M.J., Antonopoulos, V.Z., Papamichail, D.M., 2005. The use of a neural network technique for the prediction of water quality parameters of Axios River in Northern Greece. Journal of Eur Water, Vol. 11, PP. 55–62.

3-     Mcknight, U.S., Funder, S., Rasmussen, J.J., Finkel, M., Binning, P.J., Bjerg, P.L., 2010. An integrated model for assessing the risk of TCE groundwater contamination to human receptors and surface water ecosystems. Journal of Ecological Engineering, Vol. 36, PP 1126-1137.

4-     Gholami, V., Jafari, M., 2001. Investigating Effective Factors in Groundwater Salinity to Provide Regional Modeling in Mazandaran Shores, Civil Engineering and Environmental Engineering Journal of Tabriz University, Vol. 23, pp 81-87,[In persian]

5-     Mehrdadi, N., Nabi Bid HindI, G., Baghand, A., Zare Abyaneh, H., Abbasi Maedeh, p., 2012. Projection of changes in the electrical conductivity parameter in underground water in Tehran using artificial neural network , Civil engineering and environmental engineering Journal of Tabriz University, Vol 10, pp13-25 [In Pearsian].

6-     Mirzavand, M, Ghasemiye, H, Akbari. M., Sadatinejad, S., 2015. Simulaytion of Underground Water Quality Changes with Artificial Neural Network Model (Case Study: Kashan Aquifer), Civil Engineering Journal and Environment Engineering Journal of Tabriz University, Vol. 68, pp159-171, [In Persian].

7-     Nadiri, A., Vahedi, F., Asghari Moghadam, A., Kadkhodaee, A., 2015, Use of Artificial Intellighence Model Supervised to predicte groundwater level, Civil Engineering and Environmental Engineering Journal of Tabriz University. Vol. 46, pp101-112 [In Persian].

8-     Dehgani, R., Pourhaghi, A., Kheyraei, M., 1395. Compersian of Adaptive Neuro-Fuzzy Inference System Techniques, Artificial Neural Network and Gene Experssion Planning in estimating Groundwater Hardness (Case Study: Mazandaran Plain). New finding in applied geology. 10(19), 51-62, [In Persian].

9-     Cho, K.H., Sthiannopkao, S., Pachepsky, Y.A., Kim, K.W., Kim, J.H., 2011. Prediction of contamination potential of groundwater arsenic in Cambodia, Laos and Thailand using artificial neural network. Journal of Water Research, Vol. 45, PP. 5535-5544.

10-  Alagha, J.S., Said, M.A.M., Mogheir, Y., 2014. Modeling of nitrate concentration in groundwater using artificial intelligence approach- acase study of Gaza coastal aquifer. Vol.186, PP.35-45.

11-  Kheradpisheh, Z., Talebi, A., Rafati L., Ghaneian, M.T., Ehrampoush, M.H., 2015. Groundwater quality assessment using artificial neural network: A case study of Bahabad plain. Yazd, Iran. Journal of Desert, Vol. 20, PP. 65-71.

12-  Khaki, M., Yusoff, I., Islami N., 2015. Application of the Artificial Neural Network and Neuro-fuzzy System for Assessment of Groundwater Quality. Journal of Clean Soil Air Water, Vol. 43, PP. 551-560.

13-  Gong, Y., Zhang, Y., Lan, S., Wang, H., 2016. A Comparative Study of Artificial Neural Networks, Support Vector Machines and Adaptive Neuro Fuzzy Inference System for Forecasting Groundwater Levels near Lake Okeechobee, Florida. Water Resources Management, Vol. 30, PP. 375-391.

14-  Ehteshami, M., Dolatabadi Farahani, N., Tavassoli S., 2016. Simulation of nitrate contamination in groundwater using artificial neural networks. Modeling Earth Systems and Environment, Vol. 28, PP. 2-10.

15-  Arabgol, R., Sartaj, M., Asghari, A., 2016. Prediction Nitrate Concentration and Its Spatial Distribution in Groundwater Resources Using Support Vector Machines (SVMS) Model. Journal of Environmental Modeling & Assessment, Vol. 21, PP. 71-82.

16-  16-Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, Vol. 319, PP. 391-409.

17-  Coulibaly, P., Anctil, F., Bobée, B., 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology, Vol. 230, PP. 244-257.

18-  ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural networks in hydrology. I preliminary concepts. Journal of Hydrologic Engineering, Vol.5, PP.115-123.

19-  Dibike, Y., Velickov, S., Solomatine, D., Abbott, M., 2001. Model induction with of support vector machines: Introduction and applications. Journal of Computing in Civil Engineering, Vol. 15, PP. 208- 216.

20-  Yoon, H., Jun, S.C., Hyun Y., Bae, G.O., Lee, K.K., 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, Vol. 396, PP. 128-138.

21-  Isazadeh, M., Biazar, S. M., Ashrafzadeh, A., 2017. Support vector machines and feed-forward neural networks for spatial modeling of groundwater qualitative parameters. Environmental Earth Sciences, 76(17), 610.

22-  Kavzoglu, T., Colkesen, I., 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, Vol. 11, PP. 352-359.

23-  Ashrafzadeh, A., Malik, A., Jothiprakash, V., Ghorbani, M. A., Biazar, S. M., 2018. Estimation of daily pan evaporation using neural networks and meta-heuristic approaches. ISH Journal of Hydraulic Engineering, 1-9.

24-  Durrant, P.J., 2001.  Win_Gamma ^TM A non-linear data analysis and modeling tool with applications to flood prediction. PhD Thesis, Department of Computer Science, Cardiff University Wales, UK.

25-  Evans, D., Jone, A., 2002 A proof of the gamma test. Proceedings of Royal Society, Series A, Vol. 458, PP. 2759-2799.

26-  Misra, D., Oommen, T., Agarwal, A., and Mishra, S.K., 2009. Application and analysis of Support Vector machine based simulation for runoff and sediment yield. Journal of Biosystems Engineering, Vol.103, PP. 527-535.