Comparison of Geo-Statistical Methods and Artificial Neural Network in Estimating Groundwater Level
(Case Study: Nourabad Plain, Lorestan)
Subject Areas :
environmental management
Reza Dehghani
1
*
,
Atefeh Noorali
2
1 - MSc, Department of Water Engineering, Faculty of Agriculture, University of Tabriz
2 - MSc, Department of Water Engineering, Faculty of Agriculture, University of Bu-Ali
Received: 2014-04-03
Accepted : 2015-01-15
Published : 2016-03-20
Keywords:
Groundwater,
land statistics,
Interpolation,
Neural Network,
Abstract :
Background and Purpose: Geo-hydrology issues of changes in the water table are very important. Therefore research is necessary to estimate the missing data. Materials and Methods: One of the important methods to estimate the groundwater table is interpolated. Recent decades due to the spatial correlation between the values of a variable in a well developed area, geo-statistical science concepts and capabilities in the field of statistics to evaluate and predict the spatial variables expanded. In this study, the interpolation of groundwater level of Noorabad plains in the province of Lorestan, using geo-statistical methods, have been studied and the results were compared with conventional smart as artificial neural network. Measures average absolute error, mean bias error, root mean square error and standard deviation, and the methods used to assess the public. Results: The results showed that the spatial variation of groundwater table co-krigings simple circular model had a mean absolute error (0.0001), mean bias error (0.0347), root mean square error (0.0451m) and standard deviation (20.3) priority than other methods were. Discussion and Conclusions: the results showed a high capacity co-krigings interpolation and prediction groundwater level is minimum and maximum values.
References:
Ben-jama, F., M. A. Mario and H. A. loaiciga. Multivariate geostatistical design of ground water monitoring network. J. water Res. Pi, 1994. 120(4): 505-522.
رحیمی بندر آبادی، س.. بررسی کاربرد روش های ژئواستاتیستیک در برآورد بارندگی مناطق خشک و نیمه خشک جنوب شرق ایران. پایان نامه کارشناسی ارشد بیابان زدایی، دانشکده منبع طبیعی دانشگاه تهران. 1379
صفری،م. تعیین شبکه بهینه اندازه گیری سطح آب زیرزمینی به کمک روش های زمین آماری مطالعه موردی دشت چمچال. 1381
میثاقی، ف. توسعه الگوریتم ترکیبی زمین آمار و شبکه عصبی مصنوعی به منظور استخراج توزیع مکانی بارندگی. پایان نامه کارشناسی ارشد آبیاری زهکشی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران. 1383
گلمحمدی، گ.، معروفی، ص.، محمدی، ک.. منطقه ای نمودن ضریب رواناب در استان همدان با استفاده از روش های زمین اماری و GIS، علوم و فنون کشاورزی و منابع طبیعی،1386. شماره 46، صص 14.
Nguyen, R. T., Prentiss and j. E. shively..Rainfall interpolation for santa Barbara county. UCSB, Department Geography, USA. 1988
Mckenna, S. A.. Simulating geological uncertainty with imprecise data for ground water flow and advective transport modeling. pp 1-15. Department of geology and geological Engineerig. Colorado school of mines Golden. Colorado, U.S.A. 2002
Tokar, A.s. Johnson, P.A..”Rainfall- Runoff modeling using artificial neural networks”. Journal of Hydrology Engineering.1999. Vol. 3. 232-239.
Khanna T. Foundation of neural networks: Addison-Wesley Series in New Horizons in Technology. 1st ed. New York: Addison-Wesley; 1990.
Dayhoff JE. Neural Network Principles. 1st ed. New York: Prentice-Hall International; 1990.
Zhu, Y.M., X.X. Lu and Y. Zhou. 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment. Geomorphology, 84: 111-125.
معروفی، ص.، ترنجیان، ا.، زارع ابیانه،ح.، ارزیابی روش های زمین امار جهت تخمین هدایت الکتریکی و PH زه آب آبراهه ای دشت همئان- بهار، مجله پژوهش های حفاظت آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ج 16، ش دوم، 169- 176..1388
رضایی،م.، دواتگر، ن.، تاجداری،خ.، ابولپور،ب.، " بررسی تغییرات مکانی برخی شاخص های کیفی آبهای زیرزمینی استان گیلان با استفاده از زمین آمار"، نشریه آب و خاک، جلد 24 ، شماره5،932-941. 1389.
