Temporal and spatial modeling of underground water level using Kriging models and Artificial Neural Networks (case study: Minab Plain)

Subject Areas : Analysis, design and construction of water structures

Vahid Sohrabi ¹ (Department of Geography, Faculty of Humanities, Islamic Azad University, Larestan Branch, Fars, Iran.)
Mohammad Ibrahim Afifi ² (Department of Geography, Faculty of Humanities, Islamic Azad University, Larestan Branch, Fars, Iran.)

Received: 2024-04-03 Accepted : 2024-06-22 Published : 2024-07-14

Keywords: Temporal modeling, Water level, Kriging models, Neural Networks, Minab,

Abstract :

Most of the world's water sources are underground water sources. Rapid population growth, agricultural development, and unresponsive surface water levels have led to an increase in water pumping, resulting in a drop in groundwater levels and depletion of aquifers. Life in arid and semi-arid regions is completely de-pendent on groundwater resources due to low rainfall, so proper management of groundwater in such regions is very critical. This research is aimed at modeling the spatial and temporal level of underground water in the Minab Plain. In order to know and evaluate the process of illegal withdrawal from the underground water table of the Minab Plain, the available information related to water resources (observation wells) and hydrogeological of Minab Plain in a period of 17 years (1376-1392) was used as the basis of the work. In addition to the geostatistical Kriging method, the Radial Basis Functions (RBF) method, which is based on a neural network, has also been used for zoning and interpolation of the underground water level of Minab Plain. In this context, the interpolation models of implementation and changes were investigated temporally and spatially in Minab Plain. The level of accuracy for each of the models was examined, and Kendall's time series method was used to examine the changes, and finally, spatio-temporal modeling was done during the years under review. The results of this research showed that the average balance had a completely decreasing trend. Among the kriging methods, the simplified kriging method with a determination coefficient of 0.89 showed the most accuracy among other models. Among the RBF methods, the fully regular spline method with a coefficient of determination of 0.67 was the most accurate compared to other models. After choosing the kriging method as the optimal method, spatial trending was done using annual level maps and it was found that the amount of level drop has a geographically uneven distribution and in some areas, the level drop was much more intense. All spatial-temporal trend zoning maps show that the decreasing trend of Minab Plain's underground water level is different from each other in terms of spatial distribution, and in different parts of the water level has changed with different intensity, which is necessary to choose the best method. Finally, different kriging and neural network models were used from the results of RMSE statistics and it was found that the kriging method has better modeled the water level changes in the Minab Plain compared to the RBF method.

References:

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)

Full-Text:



Technical Strategies in Water Systems https://sanad.iau.ir/journal/tsws ISSN (Online): 2981-1449 Spring 2024: Vol 1, Issue 4, 255-276 https://doi.org/10.30486/TSWS.2024/1106197

 

Research Article

 

Temporal and spatial modeling of underground water level using Kriging models and Artificial Neural Networks (case study: Minab Plain)

Mohammad Ibrahim Afifi ,Vahid Sohrabi*

Department of Geography, Faculty of Humanities, Islamic Azad University, Larestan Branch, Fars, Iran.

 

* Corresponding author: [e-mail]

© The Author)s( 2024

 

Received: 03 Apr 2024

Accepted: 22 Jun 2024

Published: 14 Jul 2024

 

Abstract

Most of the world's water sources are underground water sources. Rapid population growth, agricultural development, and unresponsive surface water levels have led to an increase in water pumping, resulting in a drop in groundwater levels and depletion of aquifers. Life in arid and semi-arid regions is completely dependent on groundwater resources due to low rainfall, so proper management of groundwater in such regions is very critical. This research is aimed at modeling the spatial and temporal level of underground water in the Minab Plain. In order to know and evaluate the process of illegal withdrawal from the underground water table of the Minab Plain, the available information related to water resources (observation wells) and hydrogeological of Minab Plain in a period of 17 years (1376-1392) was used as the basis of the work. In addition to the geostatistical Kriging method, the Radial Basis Functions (RBF) method, which is based on a neural network, has also been used for zoning and interpolation of the underground water level of Minab Plain. In this context, the interpolation models of implementation and changes were investigated temporally and spatially in Minab Plain. The level of accuracy for each of the models was examined, and Kendall's time series method was used to examine the changes, and finally, spatio-temporal modeling was done during the years under review. The results of this research showed that the average balance had a completely decreasing trend. Among the kriging methods, the simplified kriging method with a determination coefficient of 0.89 showed the most accuracy among other models. Among the RBF methods, the fully regular spline method with a coefficient of determination of 0.67 was the most accurate compared to other models. After choosing the kriging method as the optimal method, spatial trending was done using annual level maps and it was found that the amount of level drop has a geographically uneven distribution and in some areas, the level drop was much more intense. All spatial-temporal trend zoning maps show that the decreasing trend of Minab Plain's underground water level is different from each other in terms of spatial distribution, and in different parts of the water level has changed with different intensity, which is necessary to choose the best method. Finally, different kriging and neural network models were used from the results of RMSE statistics and it was found that the kriging method has better modeled the water level changes in the Minab Plain compared to the RBF method.

 

Keywords: Temporal modeling, Water level, Kriging models, Neural Networks, Minab

 

مقاله پژوهشی

 

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

محمدابراهیم عفیفی، وحید سهرابی* 

 

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

 

نویسنده مسئول:  [e-mail]

        © The Author)s( 2024

 

چاپ: 1403/04/24

پذیرش: 1403/04/02

دریافت: 1403/01/15

چکیده

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 نقشه­های پهنه­بندی 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 بخش­های مختلف تراز آب با شدت متفاوتی تغییر یافته است که برای انتخاب بهترین روش از بین مدل­های 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 مدل­سازی کرده است.

واژه‌های کلیدی: مدل‌سازی زمانی، تراز آب، مدل‌های کریجینگ، شبکه‌های عصبی، میناب

1-       مقدمه

منابع آب‌های زیرزمینی از مهم‌ترین منابع تأمین نیازهای آبی در اکثر نقاط دنیا بشمار می‌آیند. افزایش نیازهای آبی در بخش‌های مختلف و در نتیجه آن برداشت بیش از ظرفیت آبخوان‌ها منجر به تخریب این منابع باارزش و افت قابل‌توجه تراز سطح آب زیرزمینی شده است. همچنین تزریق انواع آلاینده‌ها به سفره‌های زیرزمینی که در نتیجه توسعه جوامع شهری، صنعتی و کشاورزی و مدیریت ناصحیح می‌باشد، اثرات زیست‌محیطی جبران‌ناپذیری را در جهت کاهش کیفیت این منبع به دنبال داشته است. آب‌های زیرزمینی به‌عنوان یکی از باارزش‌ترین منابع و مسائل قرن حاضر می‌باشد که مستلزم شناخت و بررسی همه‌جانبه است (Mubaraki & Fereidoni, 2015).2019)  (Ghorbani et al., پیش‌بینی نوسانات تراز آب زیرزمینی در استراﻟیا را مورد بررسی قرار دادند و نتیجه گرفتند که ساختار درختی و برنامه‌ریزی بیان ژن برای تمام ‌مقیاس‌های زمانی نسبت به شبکه ﻋﺼبی از دقت باﻻتری برخوردار است .یکی از مشکلات امروزه جهان و بخصوص کشور ایران که در منطقه نیمه‌خشک جهان قرار دارد، مسئله کمبود آب است. با افزایش جمعیت و مصرف روزافزون آب، طی هفتاد سال گذشته مصرف آب 6 برابر شده است(Kazemi et al., 2021) .وقوع خشکسالی‌های متوالی در دهه اخیر لزوم برنامه‌ریزی صحیح و همه‌جانبه جهت مقابله با مسئله کم‌آبی را افزایش داده است؛ این در حالی است که در اکثر مناطق خشک و نیمه‌خشک، منـابع آب زیرزمینـی سـهم عمده‌ای در تـأمین نیازهـای آبـی در بخـش‌های کـشاورزی، شـرب و صـنعت را ایفـا می‌نمایند. بهره‌برداری بی‌رویه از منابع آب زیرزمینی در سال‌های اخیر باعث به‌هم‌خوردن تعادل طبیعی شده و به‌تبع آن تراز آب زیرزمینی در آبخوان‌های بسیاری از نقاط کشور منفی شده است. به‌منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن­ها، لازم است پیش‌بینی دقیقی از نوسانات تراز آب زیرزمینی صورت گیرد. نظر به اهمیت بالای تراز آب زیرزمینی مطالعة دقیق و برآورد صحیح پارامتر فوق در مطالعات هیدروژئولوژیکی نقش بسزایی دارد. با توجه ‌به محدودیت‌های موجود در حفر گمانه، مدل‌سازی زمانی و مکانی این پارامتر نیازی اساسی بشمار می‌رود (Rajaei & Zainivand, 2014). 

(Hosseini Soumae et al., 2020) مدلسازی تغییرات سطح آب زیرزمینی بر اساس روش­های مبتنی بر هوش مصنوعی را برای دشت زاوه انجام دادند. نتایج این تحقیق نشان داد که شبکه ﻋﺼبی مصنوعی با دقت باﻻ ((0.99=2R قادر به پیشبینی تراز سطح ایستابی می باشد. از جمله روش‌های درون‌یابی که می‌توان برای تخمین متغیرهای مکانی از قبیل سطح ایستابی بکار برد روش‌های زمین‌آماری است. با درنظرگرفتن پراکنش مکانی داده‌ها دستیابی به‌دقت مطلوب همیشه امکان‌پذیر نیست. تخمین زمین‌آماری فرایندی است که طی آن می‌توان مقداری کمیت در نقاطی با مختصات معلوم را با استفاده از مقدار همان کمیت در نقاط دیگری با مختصات معلوم بدست آورد. در روش‌های میان‌یابی مبتنی بر آمار کلاسیک مانند روش وزن‌دهی عکس فاصله توجهی به مبحث خودهمبستگی فضایی نمونه‌ها نمی‌شود، ازاین‌رو روش‌های زمین‌آماری از قبیل کریجینگ توسعه یافتند.

 آب‌های زیرزمینی یکی از مهم‌ترین منابع آبی در ایران هستند و بخش مهمی از آب مورد نیاز کشاورزی و مصارف شهری از منابع آب زیرزمینی تأمین می‌شوند. برای مدیریت بهینه آب‌های زیرزمینی ضرورت دارد که اطلاعات کافی از مجموعه ویژگی‌های کمی و کیفی آبخوان موردمطالعه جمع‌آوری شود. برای پـیش‌بینـی نوسانات سطح آب‌های زیرزمینی به علت پیچیده بودن ماهیـت آن و عـدم قطعیت در مؤلفه‌های مربوطه نیاز به مدل‌هـای پیچیـده‌ای می‌باشد (Nayak et al., 2001)بنابراین یکـی از مهم‌ترین رویکردهـا در برنامه‌ریزی مدیریت منابع آب به‌دست‌آوردن مـدل مناسـبی جهـت پیش‌بینی رفتار منابع آب تحت‌تأثیر متغیرهای مؤثر بر این پدیده است. مهم‌ترین مدل‌های رایج در این زمینه مدل‌های رگرسـیونی بـا سـری زمانی (Shirzaei et al., 2019)، مدل‌های فیزیکـی (Fakher 2000)، مدل‌های مبتنی بر شـبکه عصـبی مصـنوعی، مدل‌های زمین‌آماری و مدل‌های فازی (Moghadisi et al., 2021) هستند.Ramezani Chermahineh & Zounematkermani, 2017) ) کارایی روش‌های¹ SVR، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره را به‌منظور پیشبینی تراز سطح آب زیرزمینی، مورد بررسی قرار دادند. که از اطلاعات ماهانه 18چاه مشاهده­ای طی سال­های1379تا1389به منظورشبیه­سازی و پیشبینی سطح آب زیرزمینی با مدل­های رگرسیون خطی چندمتغیره، شبکه عصبی پرسپترون چند لایه و دو مدل رگرسیونی ماشین بردار پشتیبان با توابع کرنل پایه شعاعی و خطی استفاده کردند. با توجه به معیارهای خطا، مدل­های پرسپترون چند لایه و ماشین بردار پشتیبان به همراه توابع کرنل پایه شعاعی و خطی نتایج بهتری را در برداشتند .از روش‌های کریجینگ نیز در چند سال اخیر به‌وفور در این زمینه استفاده شده است. کریجینگ درون‌یابی زمین‌آماری است و فرایندی است تخمینی که مبتنی بر میانگین متحرک وزن‌دار می‌باشد. در طی آن، برای تخمین مقادیر در نقاط نمونه‌برداری نشده، وزن‌هایی را به مقادیر نمونه‌برداری شده اطراف نسبت می‌دهد و بهترین تخمین‌گر خطی نااریب  است. به‌منظور انجام درون‌یابی از سمی واریوگرام استفاده می‌شود که نشان‌دهنده درجه وابستگی مکانی متغیرهای اندازه‌گیری شده در خاک می‌باشد. از مدل‌های سری زمانی تجربی هـر چنـد بـه طـور گسترده‌ای برای مدل‌سازی سطح آب استفاده شده است، ولی هنگامی که رفتار دینامیک یک سیستم هیدرولوژیک باگذشت زمان تغییر می‌کند مدل‌های یاد شده برای پیش‌بینی مولفـه‌هـای منـابع آب توانـایی کافی نداشـته و مدل‌های مناسـبی نیسـتند .(Bierkens, 1998) از طرف دیگر، مدل‌های بر مبنای فیزیکـی نیـز در عمـل بـه داده‌هـای زیادی برای پیش‌بینی سطح آب زیرزمینـی نیـاز دارنـد و ازآنجاکه روابط بین متغیرهای مؤثر بر سطح آب در یـک سـفره آب زیرزمینـی احتمالاً غیرخطی هستند مدل‌های فـوق در ارائـه رابطـه بـین ایـن متغیرها نیز نمی‌توانند به‌خوبی عمـل کننـد .(Nayak et al., 2001)

 (Boroujerdi & Feridouni, 2015) در تحقیقی با عنوان شبیه‌سازی تراز آب زیرزمینی با استفاده از مدل‌های بردار پشتیبان و مقایسه آن با مدل‌های عصبی فازی و موجک عصبی (مطالعه موردی دشت شیراز)، به بررسی مبانی علمی هر سه روش به‌کاررفته در پژوهش خود اعم از² SVM،³ ANFIS و موجک عصبی پرداختند. نویسندگان در این پژوهش با استفاده از جعبه‌ابزارهای نرم‌افزار MATLAB به پیاده‌سازی الگوریتم‌ها و مدل‌های حاصله پرداختند. در نهایت با استفاده از داده‌های دو گام زمانی ماهیانه داده‌های 5/19 ساله بارش و سطح تراز آب از ابتدای سال 72 تا شش‌ماهه دوم 92 به ‌پیش­بینی ماهیانه تراز آب شیراز پرداخته شد که در بهترین حالات به ترتیب ضریب رگرسیون 993/0، 986/0 و 767/0 برای مدل موجک عصبی، ANFIS و ماشین بردار پشتیبان حاصل شد. نتایج آن­ها گواه آن است که مدل موجک عصبی از سایر تکنیک‌ها موفق‌تر و مدل SVM در بین مدل‌ها ضعیف‌تر از سایرین عمل کردند. (Feridouni & Khojand, 2014) در تحقیق با عنوان کاربرد مدﻝ زمین‌آماری (کریجینگ) و تلفیق آن با سیستم استنتاج فازی عصبی در پهنه‌بندی تراز آب زیرزمینی (مطالعه موردی: دشت شیراز) به ‌پیش بینی تراز آب زیرزمینی با مدل‌های شبکه عصبی و عصبی فازی پرداختند. نتایج مدل‌سازی آن­ها نشان داد که بهترین پیش‌بینی‌ها توسط سیستم استنتاج فازی با ضریب همبستگی 95% به­دست می‌آید. ((Yazidi et al., 2007 با استفاده از شبکه عصبی مصنوعی به‌پیش بینـی سطح آب زیرزمینی در دشت نیشابور پرداخت و بهترین مدل حاصل را ارائه داد. تحقیقاتی نیز به توانایی شبکه‌های عصبی مصنوعی در پیش‌بینی پارامترهای آبخوان مانند ضریب انتقـال و آبـدهی ویـژه اشاره دارد (Sarzabi & Esmaili, 2013). در ایـن تحقیقـات تنهـا از مـدل شبکه‌های عصبی استفاده شد و روش‌های زمین‌آماری مورد بررسـی قـرار نگرفتـــه اســـت درصورتی‌که نتایج برخی تحقیقات حاکی از آن است که مدل‌های زمین‌آماری عملکرد بهتری نسبت به شبکه‌های عصبی مصنوعی دارند (Ahmadizadeh & Maroufi 2017).

(Affandi & Watanabe, 2007)  با استفاده از داده‌های روزانه سطح آب، به کنترل افت آب زیرزمینی پرداختند و با مدل‌های ANFIS, RBF⁴ و LM⁵ سطح آب را بر اساس تأخیر زمـانی از یک تا 7 روز مورد بررسی قرار دادند. نتایج این تحقیق نشان داد که با افزایش گام زمانی، از دقت مدل‌ها کاسته می‌شود. در تحقیقات انجام شده اثرات پارامترهای تأثیرگذار بـر تغییـرات سـطح آب در نظـر گرفته نشد و تنها از اطلاعات سطح آب در روزهای قبل، جهت پیش‌بینی سطح آب استفاده نموده­اند.

 ((Mir Arabi & Nakhai, 2008 به بررسی دقت سیستم شبکه عصـبی مصنوعی در پیش‌بینی نوسـانات سـطح آب زیرزمینـی بـر اسـاس اطلاعات پیزومتری در دشت بیرجند پرداختند و نتیجه گرفتند کـه بـا واردکردن میزان بارندگی و برداشت بـا تأخیر زمـانی ۲ ماهه دقـت شبکه افزایش می‌یابد آن­ها از برداشت و بارندگی کـل دشـت، به‌عنوان ورودی مدل استفاده کردند درحالی‌که میـزان بارنـدگی و تخلیـه در قسمت‌های مختلف دشت بـا هـم متفـاوت اسـت و تأثیر بسـزایی بـر نوسانات سطح آب دارد. هدف از این پژوهش مدل‌سازی زمانی و مکانی تراز آب زیر زمینی دشت میناب با استفاده از مدل‌های کریجینگ (انواع روش‌ها) و نیز مدل‌های درون‌یابی مبتنی بر شبکه‌های عصبی مصنوعی است. همچنین ارزیابی دقت روش‌های درون‌یابی جهت پهنه‌بندی مکانی و زمانی و پارامترهای کمی آب‌های زیر زمینی نیز انجام شد. باتوجه ‌به جایگاه آب‌های زیرزمینی به‌عنوان یکی از منابع آبی قابل‌استفاده و همچنین روبه‌ کاهش آن، مطالعه و مدیریت بهره‌برداری از آن دارای اهمیت ویژه‌ای می‌باشد؛ از طرفی مدیریت صحیح منابع آب مستلزم داشتن اطلاعات از تغییرات مکانی و زمانی سطح آب زیرزمینی در سطح حوزه مورد مطالعه می‌باشد.

 

2- مواد و روش­‌ها

تحقیق حاضر از نوع کاربردی و رویکرد حاکم بر آن توصیفی - تحلیلی می‌باشد. در این پژوهش از اطلاعات چاه‌های مشاهده‌ای مربوط به سال‌های 1376 تا 1392 به‌عنوان نمونه معلوم استفاده گردید و با استفاده از تکنیک­های زمین‌آمار و شبکه عصبی مدل‌های  درون‌یابی اجرا و تغییرات به‌صورت زمانی و مکانی در سطح دشت میناب مورد کنکاش قرار گرفت. به‌منظور شناخت و ارزیابی آثار برداشت بی‌رویه از سفره آب زیرزمینی دشت رودان و آسیب‌پذیری منطقه از این مسئله، ابتدا اطلاعات موجود مربوط به منابع آبی (چاه‌های مشاهده‌ای) و هیدروژئولوژیکی دشت در دورة زمانی ۱۷ساله مبنای کار قرار گرفت. جهت مطالعه تغییرات کمی آب‌های زیرزمینی، اطلاعات مربوط به موقعیت مکانی و متوسط سطح آب چاه‌های مشاهده‌ای محاسبه شده است.

برای پهنه‌بندی تراز آب زیرزمینی دشت میناب علاوه بر روش زمین‌آماری کریجینگ از روش RBF  که مبتنی بر شبکه عصبی است نیز استفاده شد. در نهایت برای بررسی تغییرات به‌صورت سری زمانی از روش سری زمانی من کندال استفاده شده است و پهنه‌بندی مکانی زمانی در طی سال‌های 1392-1376 مورد بررسی صورت گرفت. در شکل(1) فرایند پژوهش نشان‌داده‌شده است.

شکل 1- فرایند پژوهش

 

Fig 1. Research process

2-1- منطقه مورد مطالعه

دشت میناب در استان هرمزگان و شهرستان میناب در طول‌های جغرافیایی 56 درجه و 48 دقیقه و عرض جغرافیایی 57 درجه و 19 دقیقه واقع شده است (شکل 2). این دشت در ناودیسی با وسعت 1378 کیلومتر مربع واقع شده است که بر اساس نقشه رقومی ارتفاعی سازمان زمین شناسی امریکا (USGS) حداقل ارتفاع آن از سطح دریا 20 و حداکثر ارتفاع آن 197 متر می‌باشد. مهم‌ترین رودخانه این دشت رودخانه میناب است. این زیرحوزه براساس تقسیم بندی طرح جامع آب کشور، قلمرو مطالعاتی بخشی از حوضه آبریز رودخانه کل می‌باشد. متوسط بارندگی182 میلی‌متر در سال، متوسط دمای سالیانه 3/25 درجه سانتی‌گراد، حداقل دمای آن 3/17 و حداکثر دمای آن 3/33 درجه سانتی‌گراد و تبخیر سالیانه 4/2778 میلی‌متر می‌باشد. منطقه مورد مطالعه زیر پوشش اقلیم‌های بیابانی گرم میانه تا بیابانی گرم شدید (روش آمبرژه) قرار می‌گیرد. از نظر زمین‌شناختی منطقه مورد مطالعه در زون ساختاری زاگرس چین خورده قرار داشته و به لحاظ لیتولوژی و چینه شناسی، غالب منطقه متعلق به دوران سوم زمین شناسی می‌باشد. رسوبات آبرفتی دوران چهارم نیز در شمال و شمال غرب منطقه دیده می‌شود. بافت رسوبات آبرفتی دشت را عمدتاٌ شن و ماسه تشکیل می‌دهد که در بین آن‌ها میان لایه‌های ریزدانه سیلتی و رسی نیز وجود دارد. سفره آب زیرزمینی دشت از نوع آزاد است. بخش‌های مرتفع‌تر این دشت در امتداد قسمت‌های شمال شرقی تا جنوب شرقی کشیده شده‌اند و به سمت جنوب و جنوب غرب از ارتفاع دشت کاسته می‌شود(Mashaikhi et al., 2022).

شکل 2- موقعیت منطقه مورد مطالعه

 

Fig 2. Location of the study area

 

2-2- جمع‌آوری و آماده‌سازی داده‌های پژوهش

 

داده‌های خام جمع‌آوری‌شده برای دشت میناب شامل 38 چاه مشاهده­ای بود. اطلاعات این چاه‌ها برای هر ماه از سال موجود بود که با میانگین­گیری از آن­ها داده‌ها به فرمت سالانه تبدیل شدند. از آنجا که برای برخی از سال‌ها داده‌ها ناقص بود، لذا در نهایت تعداد 25 نقطه شاهد به عنوان داده نهایی انتخاب شد. همچنین از آنجا که داده‌ها در محیط اکسل بودند لذا به‌منظور تهیه نقشه­های درونیابی شده و بررسی میزان تغییرات تراز آب زیرزمینی در محدوده مورد مطالعه از نرم افزار ArcGIS استفاده شد. جدول (1) مشخصات جغرافیایی چاه‌های مشاهداتی مورد استفاده در پژوهش حاضر را نشان می‌دهد.

استفاده از روش‌های زمین‌آماری مستلزم بررسی وجود ساختار مکانی در بین داده‌هاست که توسط تجزیه‌وتحلیل واریوگرام این امر بررسی می‌شود. شرط استفاده از این تجزیه‌وتحلیل، نرمال بودن داده‌هاست؛ بنابراین تمامی داده‌های مربوط به هر پارامتر از نظر توزیع نرمال بودن بررسی گردید. این کار با استفاده از آزمون‌های کلموگراف -اسمیرنف و شاپیرو - ویلک در محیط SPSS انجام شد و مشخص شد که داده‌ها از توزیع نرمال برخوردار نیستند. ازاین‌رو با لگاریتم‌گیری از داده‌ها، نرمال‌سازی صورت گرفت. سپس داده‌های نرمال به محیط نرم‌افزار Arc GIS منتقل شده و اقدام به برازش واریوگرام و انتخاب مدل مناسب برای پهنه‌بندی گردید. علاوه بر هیستوگرام، میزان همبستگی آماری داده­ها در سال­های مختلف نیز مشخص شد. لازم به ذکر است که همبستگی مکانی داده­ها برای داده­های مکانی اهمیت بیشتری دارد و این موضوع پایه بسیاری از روش­های زمین آمار است.

جدول 1- مشخصات جغرافیایی چاه‌های مشاهداتی مورد استفاده در پژوهش

Table 1. Geographical characteristics of the observation wells used in the research

نام ایستگاه	طول جغرافیایی	عرض جغرافیایی	ارتفاع نقطه
p1	512351	3035796	915/221
p2	516449	3036384	449/201
p3	522396	3038158	006/237
p4	525957	3038955	338/223
p5	524127	3035266	099/203
p6	525011	3032143	627/188
p7	519696	3033344	59/181
p8	511365	3032376	837/192
p9	515841	3029740	013/180
p10	521023	3027934	342/165
p11	524761	3028327	129/200
p12	516187	3026933	817/188
p13	517863	3024440	636/183
p14	520506	3024352	039/158
p15	523792	3023955	989/182
p16	522323	3021282	783/170
p17	519946	3019940	593/161
p18	525567	3021179	796/211
p19	525901	3018345	262/186
p20	524128	3012841	344/216
p21	522049	3017335	356/152
p22	527701	3014642	434/202
p23	527874	3020449	586/238
p24	522376	3019529	264/174
p25	517339	3032520	868/173

 

 

 

2-3- پهنه‌بندی مکانی زمانی

برای بررسی تغییرات سطح آب زیرزمینی از روش آماری من کندال استفاده می­گردد. با توجه به شکل رایج آمار کلاسیک، در اغلب مقالات از آمار من کندال استفاده گردیده است که در این پژوهش، تغییرات بر روی نقشه­ها به‌صورت زمانی - مکانی تحلیل گردید. ابتدا سری‌های زمانی تغییرات تراز آب یا به عبارت ساده نقشه‌های درون‌یابی شده که دقت لازم را داشته‌اند به‌دست‌آمد و سپس از روش من کندال برای پهنه‌بندی مکانی زمانی تغییرات استفاده شده است. آزمون من کندال یک آزمون آماری ناپارامتری است که برای تجزیه‌وتحلیل روند در داده‌های بلندمدت استفاده می‌شود. روش‌های ناپارامتری نیاز به هیچ مفروضاتی باتوجه ‌به زمینه  توزیع آماری داده­ها ندارند. براین‌اساس آزمون من کندال نیاز به توزیع آماری خاص و تست حساسیت نمونه‌گیری به فاصله ندارد. روش من کندال می‌تواند برای مجموعه ‌داده‌هایی که شامل فواصل نمونه‌برداری نامنظم، اطلاعات زیر حد تشخیص، اطلاعات ازدست‌رفته یا ناچیز است، مورد استفاده قرار گیرد. این آزمون مخصوصاً در مواردی سودمند است که می‌توان اندازه‌گیری داده‌ها را با استفاده از روش‌های پارامتری تجزیه‌وتحلیل کرد. این روش می­تواند برای ردیابی روند داده­ها باهدف ارزیابی قابل‌قبول آب­های زیرزمینی، بررسی مکان، نظارت بر کارایی عملکردهای اصلاحی آب زیرزمینی استفاده شود (Connor et al., 2012). روابط مربوط جهت تعیین مقادیر آماره من کندال به‌صورت زیر است:

 

 (1)

  

 

 

 

که در روابط فوق n تعداد داده مشاهده‌ای (طول دوره آماری)، Xi و Xj به ترتیب i امین و j امین داده مشاهده‌ای، و q تعداد گروه‌های ایجاد شده (با داده‌های برابر و بیشتر از دو عضو)، tp  تعداد داده‌های برابر در p امین گروه و ZM مقدار آماره من کندال می‌باشد. مقدار منفی ZM بیانگر روند کاهشی و مقدار مثبت آن نشان‌دهنده روند افزایشی در سری داده‌ها می‌باشد.  باتوجه ‌به سطح معنی‌دار بودن 95 درصد اگر〖|Z〗m> 96/1 باشد فرض صفر رد شده و سری زمانی پارامتر مورد مطالعه دارای روند معنی­دار و در غیر این صورت فاقد روند ارزیابی می‌شود. برای روندیابی از نرم‌افزار Edrisi Terset استفاده شد. آزمون من کندال متکی بر سه پارامتر آماری است (Aziz & Burn, 2003) که در زیر شرح داده می‌شود:

آماره S :نشان می‌دهد که آیا روند در بازه زمانی به‌صورت کاهشی (-S) و یا افزایشی (+S) اتفاق افتاده است.

ضریب اطمینان: میزان ضریب اطمینان محاسبه آماره S را اصلاح می‌کند و درجه‌ای از اعتمادبه‌نفس را در تحلیل روند نشان می­دهد. مثلاً" کاهشی، احتمالاً" کاهشی، افزایشی، احتمالاً" افزایشی. همچنین اگر میزان ضریب اطمینان کم باشد به دلیل تنوع قابل‌توجهی در داده­ها یا به دلیل تغییر کمی در آن است. 

ضریب واریانس: ضریب واریانس برای تمایز میان نتیجه "بدون روند" (پراکندگی قابل‌توجهی در روند مقابل زمان) و نتیجه "پایدار" (تنوع محدود در برابر زمان) برای مجموعه‌داده با روند کاهشی یا افزایشی غیرقابل‌ملاحظه بوده است. جدول (2) واحدهای آماری استفاده شده در آزمون من کندال را نشان می­دهد.

 

جدول 2- واحدهای آماری استفاده شده در آزمون من-کندال (Aziz & Burn, 2003)

Table 2. Statistical units used in the Mann-Kendall test (Aziz & Burn, 2003)

آماره S	اطمینان در روند (CF)	روند
S > 0	CF > 95%	افزایش
S > 0	95% ≥ CF ≥ 90%	احتمال افزایش
S > 0	CF < 90%	بدون روند
S ≤ 0	CF < 90% and COV ≥ 1	بدون روند
S ≤ 0	CF < 90% and COV < 1	ثابت
S < 0	95% ≥ CF ≥ 90%	احتمال کاهش
S < 0	CF > 95%	کاهش

 

3- نتایج و بحث

3-1- نتایج درون‌یابی فضایی

 

برای یافتن مقادیر نامعلوم، از چاه‌های مشاهداتی دارای آمار استفاده شد تا معلوم گردد که میزان تراز آب در سایر مکان‌ها به چه شکل بوده است. تعیین مقادیر عددی برای مناطق مجهول با استفاده از تکنیک‌های زمین‌آمار و درون‌یابی فقط برای همان منطقه می‌تواند دقت لازم را داشته باشد، و شاید در مناطق دیگر مدل‌های دیگری قابل‌اعتماد باشد. در پژوهش حاضر برای تحلیل مکانی داده­ها از نیم تغییر نگار مدل‌های مذکور استفاده شده است که با استفاده از نرم‌افزار ARC GIS10 محاسبه گردید. مدل‌های مورداستفاده جهت برازش با روش کریجینگ شامل موارد زیر می‌باشد:

الف) مدل کروی ب)دایره ای پ) نمایی ت)گوسین 

همچنین از مدل شبکه عصبی با استفاده از تابع پایه شعاعی (RBF) استفاده گردیده است. در شکل (3) نقشه‌های درون‌یابی شده برای مدل‌های مختلف کریجینگ و شبکه عصبی ارائه شده است.

 

 

شکل 3- نقشه‌های درون­یابی شده برای مدل کریجینگ و مدل شبکه عصبی

 

 

Fig 3. Interpolated maps for the Kriging model and Neural Network model

برای روش توابع پایه شعاعی نیز نقشه‌های درون‌یابی تهیه شد) شکل 4).

 

شکل 4- نقشه‌های درونیابی شده برای مدل کریجینگ و مدل شبکه عصبی

 

 

Fig 4. Interpolated maps for the Kriging model and Neural Network model

علاوه بر نقشه‌های مکانی میانگین کلی تراز (میانگین سالانه تراز برای تمامی چاه­های مشاهداتی) در شکل (5) نمایش داده شد.

 

شکل 5- میانگین سالانه تراز آب در دشت میناب

 

Fig 5. Annual average water level in Minab Plain

 

همان‌گونه که شکل(5) نشان می‌دهد میانگین تراز روندی کاملاً کاهشی داشته است. طی سال‌های 1376 تا 1379 تقریباً روند ثابتی وجود داشته است و حتی در سال 1377 روند افزایشی بوده است. از سال 1380 تا 1383 روندی کاملاً کاهشی وجود داشته است سپس در سال 1384 با افزایشی اندک در تراز آب مواجه هستیم. در سال 1385 همچنان روند کاهش شدید است و این روند با کاهشی تقریباً یکسان تا سال 1388 ادامه دارد. در سال 1389 و 1390 اندکی از میزان کاهش تراز آب کاسته شده ولی روند کاهش همچنان تا سال 1392 ادامه داشته است.

 

3-2- اعتبارسنجی نتایج درون‌یابی کریجینگ

 

 مدل‌های مورد استفاده جهت برازش با روش کریجینگ دو نوع هستند: روش کریجینگ ساده و کریجینگ معمولی شامل مدل‌های کروی، دایره‌ای و نمایی می‌باشد که در این تحقیق نتایج مربوط به این روش‌ها ارزیابی شده است.

جهت ارزیابی و تعیین بهترین مدل، صحت و دقت هر یک از نقشه‌ها تولید شده، محاسبه گردید که دراین‌خصوص مقادیر اولیه در ساخت نقشه‌ها، با مقادیر محاسبه و تخمین زده شده، روی نمودار برازش قرار گرفته و با استفاده از محاسبه شاخص‌های ارزیابی متقاطع، میزان دقت هر کدام از نقشه‌ها تعیین گردید. میانگین مطلق خطا (MAE) و میانگین خطای انحراف (MBE) و ضریب تعیین (R2) نقشه‌ها برای مقایسه نتایج استفاده شده است. جدول (3) نتایج ارزیابی متقابل نقشه‌های تولید شده را نشان می‌دهد. لازم به ذکر است که نتایج ارزیابی میانگین خطا برای تمامی سال­ها برای هر روش می‌باشد. در ادامه نیز نتایج در سال­های مختلف با استفاده از آماره RMSE  و RMSS کنترل شده است.

 

 

 

 

جدول 3- نتایج ارزیابی متقابل روش­های درون­یابی کریجینگ

	خطای روش ارزیابی متقابل					مدل		روش
معادله خط رگرسیون	R2	RMSS	MAE	MBE میانگین مطلق خطا
y = 0.12x + 13.21	59/0	3/8	33/39	32/0-	کروی		کریجینگ معمولی
y =-1.4564 x +1438.4	64/0	3/7	44/39	05/0-	دایره­ای
y = 1.478x + 239.01	82/0	9/6	23/41	12/4-	نمایی
y = 0.121x + 66.51	59/0	3/8	45/38	44/5-	گوسین
y = 1.679x + 766.94	71/0	22/9	55/45	65/5-	کروی		کریجینگ ساده
y = 0.683x + 75.86	67/0	4/7	2/52	12/1-	دایره­ای
y =-0.586 x +1738.4	89/0	7/6	44/39	05/0-	نمایی
y = 1.885x + 118.06	49/0	7/7	13/51	14/4-	گوسین

 Table 3. Results of mutual evaluation of Kriging interpolation methods

 

همان‌گونه کنتایج نشان می‌دهد روش کریجینگ ساده نمایی با ضریب تعیین 89/0 بیشترین همبستگی را در بین سایر مدل‌ها داراست. همچنین در شکل­های 6 و 7 ، صحت مربوط به روش کریجینگ نمایی ساده به ترتیب مربوط به سال­های مختلف با آماره RMSE و آماره RMSS کنترل شده است.

شکل 6. نتایج ارزیابی روش کریجینگ در سال­های مختلف با آماره  RMSE

 

Fig 6. Evaluation results of Kriging method in different years with RMSE statistics

 

شکل 7- نتایج ارزیابی روش کریجینگ در سال­های مختلف با آماره RMSS

 

Fig 7. Evaluation results of Kriging method in different years with RMSS statistics

 

همان‌گونه که مشخص است آماره RMSE به شکل بهتری می‌تواند میزان خطا در سال‌های مختلف را به تصویر بکشد. بهترین دقت در این آماره مربوط به سال 1379 است.

 

3-3- اعتبارسنجی نتایج درون‌یابی با روش شبکه‌های عصبی

 

مدل‌های مورداستفاده جهت برازش با روش شبکه‌های عصبی (RBF) که مورد ارزیابی قرار گرفتند عبارت‌اند از:

1) اسپیلاین کاملاً منظم، 2) مولتی کوادریک معکوس، 3) مولتی کوادریک، 4) اسپیلاین با کشش، 5) اسپیلاین صفحه نازک

دو نوع روش کریجینگ ساده و کریجینگ معمولی شامل: مدل‌های کروی، دایره‌ای و نمایی می‌باشد که در این تحقیق نتایج مربوط به این روش‌ها ارزیابی شده است. همانند روش کریجینگ برای ارزیابی نتایج درون‌یابی مربوط به تراز آب زیرزمینی دشت میناب با استفاده از روش RBF که مبتنی بر شبکه عصبی است از میانگین مطلق خطا (MAE)، میانگین خطای انحراف (MBE) و ضریب تعیین (R2) نقشه‌ها استفاده شده است. جدول (4) نتایج ارزیابی متقابل نقشه‌های تولید شده در روش RBF را نشان می‌دهد. لازم به ذکر است که نتایج ارزیابی میانگین خطا برای تمامی سال­ها برای هر روش می‌باشد. نتایج ارزیابی روش شبکه عصبی در سال­های مختلف با آمار RMSE و RMSS در اشکال 8 و 9 نمایش داده شده است. نتایج جدول (4) نشان می‌دهد روش اسپلاین کاملاً منظم با ضریب تعیین 67/0 بیشترین همبستگی را در بین سایر مدل‌ها داراست.

 

 

 

 

جدول 4- نتایج ارزیابی متقابل نقشه‌های تولید شده در روش RBF

Table 4. Mutual evaluation results of the maps produced in the RBF method

	خطای روش ارزیابی متقابل					مدل		روش
معادله خط رگرسیون	R2	RMSE	MAE	MBE میانگین مطلق خطا
y = 0.110x + 548.31	67/0	99/7	67/65	144/4-	اسپیلاین کاملاً منظم		شبکه عصبی  RBF
y = 1.814x + 557.27	43/0	5/9	86/45	98/2-	مولتی کوادریک معکوس
y = 2.213x + 145.07	44/0	27/8	42/46	55/2-	مولتی کوادریک
y = 2.238x + 168.58	41/0	98/9	59/34	4454/1	اسپیلاین با کشش
y = 0.112x + 147.46	39/0	22/10	87/54	76/1-	اسپیلاین صفحه نازک

 

 

 

 

 

 

 

 

 

 

 

 

شکل 8- نتایج ارزیابی روش شبکه عصبی در سال­های مختلف با آماره RMSE

 

Fig 8. Evaluation results of the Neural Network method in different years with RMSE statistics

 

شکل 9- نتایج ارزیابی روش شبکه عصبی در سال­های مختلف با آماره RMSS

 

Fig 9. Evaluation results of the Neural Network method in different years with RMSS statistics

همانند روش کریجینگ آماره RMSE به شکل بهتری توانسته است میزان خطا در سال­های مختلف را به تصویر بکشد. بهترین دقت در این آماره مربوط به سال 1382 است.

 

3-4- انتخاب روش بهینه

 

برای انتخاب بهترین روش از بین مدل‌های مختلف کریجینگ و شبکه عصبی در نهایت از نتایج حاصل از آماره RMSE استفاده شده است. هر روشی که دقت بهتری را داشته باشد از نتایج آن برای بررسی روند تغییرات سطح تراز آب استفاده خواهد شد. در شکل (10) نمودار مقایسه دقت روش‌ها در کنار هم نشان داده شده است.

 

شکل 10- مقایسه همزمان روش کریجینگ و روش شبکه عصبی RBF

 

Fig10. Simultaneous comparison of the Kriging method and RBF Neural Network method

 

همان‌گونه که شکل(10) نشان می‌دهد روش کریجینگ در همه‌سال‌ها توانسته دقتی به‌مراتب بالاتر از روش شبکه عصبی به دست آورد؛ ازاین‌رو از نقشه‌های این روش برای بررسی روند تغییرات تراز آب استفاده شد.

 

3-5- بررسی روند تغییرات تراز آب 

 

برای بررسی روند مکانی - زمانی تغییرات سطح تراز آب در دشت میناب از آزمون من کندال استفاده شده است. آزمون من - کندال یکی از مناسب‌ترین روش‌ها برای تحلیل زمانی - مکانی داده‌های سری زمانی به‌منظور روندیابی فضایی است. روندیابی فضایی در نرم‌افزار ادریسی صورت‌گرفت. مدل‌های مختلفی برای روندیابی فضایی در نرم‌افزار ادریسی وجود دارد که همة آن­ها محاسبات را بر پایه نقشه‌های رستری انجام می‌دهند؛ بنابراین این قابلیت وجود دارد که علاوه بر بررسی میزان تغییرات و روند آن­ها، به‌صورت بصری و بر روی نقشه روند و شدت تغییرات بررسی شود. از جمله این مدل‌ها که بر اساس نوع روند و میزان اهمیت تغییرات دسته‌بندی می‌شوند می‌توان به موارد زیر اشاره کرد: آماره R2: در این آماره‌ها میزان ضریب همبستگی حداقل مربعات در سری‌های زمانی (نقشه‌های سالانه تراز آب) با استفاده از یک رابطه خطی محاسبه می‌شود. در شکل (11) نقشه R2 برای سری‌های زمانی ارائه شده است.

شکل 11- نقشه R2 روندهای تراز آب زیرزمینی

 

Fig 11. R2 map of groundwater level trends

 

در مناطقی که میزان R2 کمتر باشد میزان تغییرات بیشتر است و بر عکس در مناطقی که میزان R2 به 1 نزدیک‌تر است باشد میزان تغییرات کمتر است. همانگونه که مشخص است در بخش‌های مختلف منطقه مورد مطالعه تغییراتی در طی زمان صورت گرفته است و میزان این تغییرات از توزیع یکسانی برخوردار نیست.

علاوه بر R2 از نقشه روند خطی (OLS) که ضریب شیب رگرسیون حداقل مربعات معمولی بین ارزش هر پیکسل در طول زمان در یک سری کاملاً خطی را محاسبه می‌کند استفاده شده است. نتیجه بیان نرخ تغییرات در هر مرحله زمان است. به این معنی که هر پیکسل در نقشه خروجی نشان می‌دهد که شیب‌خط به‌صورت صعودی است یا نزولی و شدت آن نیز مشخص می‌شود. شکل (12) روند خطی OLS از سری زمانی داده‌های درون‌یابی شده به روش کریجینگ را نمایش می‌دهد.

شکل 12- روند خطی OLS از سری زمانی داده‌های درون­یابی شده به روش کریجینگ

 

Fig 12. OLS linear trend of the interpolated data time series using the Kriging method

همان‌گونه که مشخص است روند کاهشی در تمام منطقه وجود داشته است. شرق منطقه موردمطالعه روند نزولی با نرخ تغییرات نزدیک به 2- دارد و در مقایسه با سایر مناطق شدت تغییرات و میزان کاهش بیشتر بوده است. هر چه به سمت غرب حرکت کنیم روند تغییرات کاهش می‌یابد و در برخی مناطق روند ثابتی را داشته است.

مدل روندیابی من کندال نیز روندهای کاهشی و یا افزایشی پدیده‌ها را بررسی می‌کند. آزمون من کندال جزو روش‌های تجزیه‌وتحلیل پارامتریک رگرسیون خطی می‌باشد. نتایج روش من کندال بین اعداد 1- و 1 قرار دارد. عدد یک به این معنی است که پدیده موردمطالعه در آن منطقه بیشترین تغییرات افزایشی را داشته است و 1- به این معنی است که پدیده موردمطالعه در آن مکان بیشترین تغییرات کاهشی را داشته است و صفر به معنی عدم تغییر در پدیده موردمطالعه می‌باشد. این روش مشابه به روندیابی میانه محاسبه می‌شود. شکل (13) روند من کندال از سری زمانی داده‌های درون‌یابی شده به روش کریجینگ را نمایش می‌دهد.

شکل 13- روند من کندال از سری زمانی داده‌های درون­یابی شده به روش کریجینگ

 

Fig 13. Man-Kendall trend of the interpolated data time series by Kriging method

 

باتوجه‌به شکل، روند مثبت و افزایش در منطقه به جز در بخش کوچکی که با رنگ زرد است وجود ندارد. در تمام بخش‌های مرکزی روند کاهشی با شدت بالا و نزدیک 1- مشاهده می‌شود. شمال منطقه نیز روند کاهشی را نمایش می‌دهد با این تفاوت که از شدت کمتری نسبت به بخش مرکزی برخوردار است. برخی از مناطق در شرق و غرب منطقه روند تقریباً ثابتی را نشان می‌دهند.

 

4- نتیجه‌گیری

 

بخش اعظمی از منابع آب دنیا، منابع آب زیرزمینی است. رشد سریع جمعیت جهان و توسعه کشاورزی در دهه‌های گذشته و جوابگو نبودن میزان آب‌های سطحی به نیازهای بشر منجر به افزایش روند پمپاژ آب و در نتیجه افت سطح آب زیرزمینی و تهی‌شدن سفره‌ها شده است. تهی‌شدن سفره آب زیرزمینی و پی‌آمدهای آن از جمله افزایش هزینه‌های استحصال آب، نشست زمین و کاهش کیفیت آب، امروزه به یک مشکل جهانی تبدیل شده و در مناطق مختلف دنیا نیز شاهد چنین وضعیتی هستیم. ایران نیز ازجمله کشورهایی است که به دلیل کمبود منابع آب سطحی، بیشترین آب مصرفی در کشاورزی را از آب‌های زیرزمینی تأمین می‌کند؛ بنابراین کمبود منابع آب زیرزمینی یکی از بحران‌های زیست‌محیطی حال حاضر کشور محسوب می‌شود، به‌طوری‌که بسیاری از سفره‌های آب کشور به دلیل برداشت بیش از حد در شرایط بحرانی قرار دارند. در مناطق خشک و نیمه‌خشک ایران این منابع اهمیت بسیار زیادی دارند. این پژوهش با هدف مدل‌سازی مکانی و زمانی تراز آب‌های زیرزمینی در محدوده موردمطالعه (دشت میناب) با استفاده از مدل‌های کریجینگ و شبکه عصبی مصنوعی صورت گرفت. به‌منظور شناخت و ارزیابی آثار برداشت بی‌رویه از سفره آب زیرزمینی دشت میناب و آسیب‌پذیری منطقه از این مسئله، ابتدا اطلاعات موجود مربوط به منابع آبی (چاه‌های مشاهده‌ای) و هیدروژئولوژیکی دشت در دورة زمانی ۱۷ساله مبنای کار قرار گرفت. جهت مطالعه تغییرات کمی آب‌های زیرزمینی، اطلاعات مربوط به موقعیت مکانی و متوسط سطح آب چاه‌های مشاهده‌ای محاسبه شد. سپس برای پهنه‌بندی 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 زمینه با استفاده از تکنیک‌های زمین‌آمار و شبکه عصبی مدل‌های درون‌یابی اجرا و تغییرات به‌صورت زمانی و مکانی در سطح دشت میناب بررسی شد. برای بررسی تغییرات از روش سری زمانی من کندال استفاده شده است و مدل­سازی مکانی - زمانی در طی سال‌های مورد بررسی صورت گرفت.

نتایج این پژوهش نشان داد که میانگین تراز طی سال‌های 1376 تا 1392روندی کاهشی داشته است. هر چند که در برخی سال­ها مثل سال 1384 افزایشی اندک در تراز آب وجود داشت ولی به نظر می­رسد افزایش بارندگی در این سال دلیل این امر بوده و این امر یک روند محلی بوده است و روند کلی کاهشی می­باشد. از سال 1385 همچنان روند کاهش شدید است و این روند با کاهشی تقریبا یکسان تا سال 1388 ادامه دارد. هر چند در سال 1389 و 1390 اندکی از میزان کاهش تراز آب کاسته شده ولی روند کاهشی همچنان تا سال 1392 ادامه داشته است. علاوه بر بررسی نتایج درونیابی، مدل­های مختلف مورد استفاده در این تحقیق مورد ارزیابی قرار گرفت. جهت ارزیابی و تعیین بهترین مدل، با استفاده از محاسبه شاخص­های ارزیابی متقاطع، میزان دقت هر کدام از نقشه­ها تعیین گردید. میانگین مطلق خطا(MAE)، میانگین خطای انحراف(MBE) و ضریب تعیین (R2) نقشه­ها برای مقایسه نتایج استفاده شد. همچنین  با استفاده از آماره RMSE بهترین مدل درونیابی انتخاب شد. نتایج حاکی از آن بود که در میان روش­های کریجینگ روش کریجینگ ساده نمایی با ضریب تعیین 89/0 بیشترین همبستگی را در بین سایر مدل­ها داراست. برای ارزیابی نتایج درونیابی مربوط به تراز آب زیرزمینی دشت میناب با استفاده از روش RBF از میانگین مطلق خطا(MAE) ، میانگین خطای انحراف(MBE)  و ضریب تعیین (R2) نقشه­ها استفاده شد. نتایج نشان داد که روش اسپلاین کاملا منظم با ضریب تعیین 67/0 بیشترین همبستگی را در بین سایر مدل­ها داراست.

برای انتخاب بهترین روش از بین مدل­های 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 مدل­سازی کرده است. آخرین گام در پژوهش حاضر بررسی روند تغییرات بوده است. یافته‌ها نشان داد که روند کاهشی در تمام منطقه وجود داشته است. شرق منطقه مورد مطالعه نیز روند نزولی با نرخ تغییرات نزدیک به 2- داشت. همچنین روند مثبت و افزایش در منطقه به جز در بخش کوچکی وجود نداشت و در تمام بخش­های مرکزی نیز روند کاهشی با شدت بالا و نزدیک 1- مشاهده شد. شمال منطقه نیز روند کاهشی را نمایش داد با این تفاوت که از شدت کمتری نسبت به بخش مرکزی برخوردار بود. همچنین تمامی نقشه­های پهنه­بندی 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 بخش­های مختلف تراز آب با شدت متفاوتی تغییر یافته است.

5-  تضاد منافع نویسندگان

 

نویسندگان این مقاله اعلام می‌دارند که هیچ تضاد منافعی در رابطه با نویسندگی و یا انتشار این مقاله ندارند.

6- منابع

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)

 

 

 

 

 

 

 

 

256

 

---

[1]  Support Vector Regression

[2]  Support Vector Machine

[3]  Adaptive Neuro Fuzzy Inference System

[4] Radial Basis Function

5 Levenberg-Marquard

 

[5]  

---