Modeling quality parameters EC, SAR and TDS in groundwater using artificial neural network (case study: Mehran Plain and DEHLORAN)
Subject Areas : Water and EnvironmentMir Mehrdad Mirsanjari 1 , Fatemeh Mohammadyari 2 , Reza Basiri 3 , Fatemeh Hamidi pour 4
1 - Assistant professor Department Environmental scieneces , Malayer University, Malayer, Iran. *(Corresponding Author).
2 - PhD Student of Evaluation and land use planning, Faculty of Natural Resources, Malayer University, Malayer, Iran.
3 - Associate professor of Environment Department, Faculty of Natural Resources, Khatam Alanbia University of Technology, Behbahan, Iran.
4 - MSc student of Evaluation and land use planning, Faculty of Natural Resources, Khatam Alanbia University of Technology, Behbahan, Iran.
Keywords: Modeling, Neural Network, The Sodium Adsorption Ratio, The Electrical Conductivity, Total Dissolved Solids,
Abstract :
Given the importance of ground water for drinking and agriculture sector, simulation and forecasting changes its quality is an increasing human needs. In this study, the modeling of water quality parameters TDS and EC based on other chemical components of the major anions and cations, SAR and pH have been carried out. In addition to modeling the sodium adsorption ratio as the dependent variable parameters latitude, electrical conductivity, total dissolved elements and pH values were used as independent variables. The neural network to predict Marquardt Levenberg- groundwater quality parameters were selected. Results showed that high performance neural network to predict the groundwater quality parameters. High levels of correlation coefficient obtained between the values of parameters modeled closely reflects anticipated the measured data and the ability and accuracy of the relationships between input variables with output. Coefficient of determination of all three elements were modeled in three phases: training, validation and testing is over 90 percent Which indicate acceptable accuracy and good learning neural network and efficient network using the learning algorithm and data provided to the network. The results of great importance for the planning and integrated management of water resources and conservation and better utilization of it is important in the study area.
1- شمسایی، احمد، »هیدرولیک جریان آب در محیطهای متخلخل«، مرکز نشر دانشگاه صنعتی امیرکبیر ،1381، 234 ص.
2- میرزایی – ع ا، ناظمی – ا ح، »پیشبینی تراز آب زیرزمینی با استفاده از شبکههای عصبی مصنوعی«-اولین همایش ملی مدیریت منابع آب اراضی ساحلی، بهار 1389 - ساری - دانشگاه علوم کشاورزی و منابع طبیعی ساری- ایران.
3- دهقانی، امیر و همکاران، »مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی تطبیقی و زمین آمار در میانیابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین)«، مجله علوم کشاورزی و منابع طبیعی، 1388، دوره 16، صص 536-517.
4- غلامی، وحید و همکاران، »بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران«، مجله پژوهش آب در کشاورزی، 1391. دوره 26، شماره 3، صص 70-61.
5- عسگری- م ص، آریافر- ا، ضیاء- ح، »پیشبینی پارامترهای کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی«- هفتمین کنفرانس زمین شناسی مهندسی و محیط زیست ایران، 1390، دانشگاه صنعتی شاهرود، سمنان- ایران.
6- دریایی- م، اگدرنژاد- ا، بینا- م، رادمنش- ف، »بررسی تاثیر عوامل کیفی آب رودخانه بر روی EC و TDSبه کمک شبکههای عصبی مصنوعی«- هشتمین سمینار مهندسی رودخانه، 1388، دانشگاه شهید چمران اهواز، اهواز- ایران
7- Luk, KC., Ball, JE., Sharma, A., 2001. An application of artificial neural network for rainfall forecasting. Math Compute Modelو Vol. 33, pp. 683-693.
8- موسوی- ع، خسروپور- ف، »پیشبینی سطح ایستابی آب زیرزمینی دشت داریون به روش شبکه عصبی مصنوعی«- اولین همایش ملی حفاظت از تالابها و اکوسیستمهای آبی، 1392، همدان، ایران.
9- Baghvand, A., Nasrabadi, T., Nabi Bidhendi, GR., Vosoogh, A., Karbassi, AR., Mehrdadi, N., 2010. Groundwater quality degradation of an aquifer in Iran central desert. Desalination, Vol. 260, pp. 264–275.
10- Jamshidzadeh, Z., Mirbagheri, SA., 2011. Evaluation of groundwater quantity and quality in the Kashan Basin, Central Iran. Desalination, Vol. 270, pp. 23–30.
11- راحلی نمین، بهناز و همکاران، »کمیسازی رابطه فراسنجهای کیفی آب زیرزمینی و پدیدههای سطح زمین حوزه آبخیز قره سو استان گلستان«، مجله منابع طبیعی ایران، 1391، دوره 65، صص 82-67.
12- پیری، حلیمه و همکاران، »برآورد نسبت جذبی سدیم (SAR) در آبهای زیرزمینی با استفاده از وایازی خطی چند متغیره و شبکه عصبی مصنوعی (مطالعه موردی دشت بجستان)«، مجله مهندسی منابع آب، 1393، سال هفتم. صص 80-67.
13- Eslamian, S. S. and N. Lavaei, 2009, Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI), vol. 5, No. 2, pp. 194-203
14- Amiri, M. j., Abedi- Koupai, j., Eslamian, S., Mousavi, S. F. and Arshadi, M., 2013, Modeling pb adsorption based on synthetic and industrial wastewaters by ostrich bone char using artificial Neural Network and Multivariate non-linear regression, Int. J, Hydrology Science and Technology, vol. 3, No. 3, pp. 221-240
15- Moasheri, SA., Rezapour, OM., Beyranvand, Z., Poornoori, Z., 2013. Estimating the spatial distribution ofgroundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Science, Vol. 5 (20), pp. 2434-2442.
16- Asadollahfardi, Gh., Hemati, A., Moradinejad, S., Asadollahfardi, R., 2013. Sodium Adsorption Ratio (SAR) Prediction of the Chalghazi River Using Artificial Neural Network (ANN) Iran, Current World Environment, Vol. 8(2), pp.169-178 .
17- Nasr, M., Zahran, HF., 2014. Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egyptian Journal of Aquatic Research.
18- Sajikumara, N., Thandaveswra, BS., 1999. A non linear rainfall- runoff model using an artificialneural network. J. Hydrology, Vol. 216, pp. 32-55.
19- حقیرچهره قانی- س، علیپور- ع، »بررسی امکان بهرهگیری از شبکههای عصبی برای تعیین قابلیت استخراج در معادن سطحی«- سومین کنفرانس مکانیک سنگ ایران، 1386، دانشگاه صنعتی امیرکبیر تهران، ایران.
20- Maithani, S., 2009. A Neural Network based Urban Growth Model of an Indian City, J. Indian Soc. Remote Sensing, Vol. 37, pp. 363–376.
21- Wang, Y., Li, Sh., 2011. Simulating multiple class urban land-use/cover changes by RBFN-based CA model. Computers and Geosciences, Vol. 37, pp. 111–121.
22- فاطمی عقدا، سید محمود و همکاران، »پهنهبندی خطر رانش زمین در منطقه طالش با استفاده از سیستمهای هوشمند و شبکههای عصبی مصنوعی پرسپترون«، مجله زمین شناسی مهندسی، 1382، سال 1، شماره 2، صص 47-35.
23- Li, X., Yeh, A. G. O., 2002. Neural-network-based cellula r automata for simulating multiple landuse changes using GIS. int. j. geographical information science, Vol. 16, pp. 323- 343
24- محجوبی- ع، تجریشی_ م، »مقایسه عملکرد الگوریتمهای شبکه عصبی مصنوعی و درختان تصمیمگیری در پیشبینی تغییرات شوری آب رودخانهها مطالعه موردی: رودخانه کارون«- چهارمین همایش و نمایشگاه تخصصی مهندسی محیط زیست، 1389، دانشگاه تهران، ایران.
25- بامری، ابوالفضل و همکاران، »تغییرات مکانی کربن آلی در موقعیتهای مختلف شیب در منطقه توشن استان گلستان«، مجله حفاظت آب و خاک، 1391، دوره 19، صص61-43.
26- Almasri, MN., Kaluarachchi, JJ., 2005. Modular neural networks to predict the nitrate distribution in ground water using the onground nitrogen loading and recharge data. Environmental Modelling & Software, Vol. 20 (7), pp. 851- 871.
27- ذوقی، محمد جواد و همکاران، »مدلسازی غلظت تریهالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی«، مجله علوم و تکنولوژی محیط زیست، 1393، دوره 16، شماره 3، صص 10-2.
28- پورمحمدی، سمانه و همکاران، »مقایسه کارایی روشهای شبکه عصبی و سریهای زمانی در پیشبینی سطح آب زیرزمینی (مطالعه موردی: زیر حوزه بختگان استان فارس)«، نشریه پژوهشهای حفاظت آب و خاک، 1392، جلد بیستم، شماره 4، صص 261-251.
_||_