مقایسه روش های زمین آمار و شبکه عصبی مصنوعی در تخمین سطح آب زیرزمینی(مطالعه موردی: دشت نورآباد، استان لرستان)

محورهای موضوعی : مدیریت محیط زیست

رضا دهقانی ¹ , عاطفه نورعلیئی ²

1 - کارشناس ارشد منابع آب، دانشکده کشاورزی، دانشگاه تبریز*(مسوول مکاتبات).
2 - کارشناس ارشد منابع آب، دانشکده کشاورزی، دانشگاه بوعلی سینا

تاریخ دریافت : 1393/01/14 تاریخ پذیرش : 1393/10/25 تاریخ انتشار : 1395/01/01

کلید واژه: آب های زیرزمینی, زمین آمار, درون یابی, شبکه عصبی,

چکیده مقاله :

زمینه و هدف: در بررسی مسایل ژئوهیدرولوژى، تغییرات سطح ایستابى از اهمیت بسیار بالایی برخوردار است. بنابراین تحقیق و پژوهش در تخمین نقاط فاقد اطلاعات ضروری می باشد. روش بررسی: یکی از روش های مهم در برآورد سطح ایستابی آب های زیرزمینی درون یابی است. طى چند دهه اخیر به دلیل وجود همبستگی مکانی بین مقادیریک متغیر در یک ناحیه مبانى علم زمین آمار به خوبى گسترش یافته و توانایی هاى این شاخه از آمار در بررسى و پیش بینى متغیرهاى مکانى گسترش یافته است. در این پژوهش درون یابی سطح آب زیرزمینی دشت نورآباد واقع در استان لرستان، با استفاده از روش های زمین آمار مورد بررسی قرار گرفته و نتایج آن با روش های مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه گردید. معیارهای متوسط قدرمطلق خطا، متوسط خطای اریب، ریشه میانگین مربعات خطا و انحراف استاندارد عمومی برای ارزیابی و عملکرد روش ها مورد استفاده قرار گرفت. یافته ها: نتایج حاصل نشان داد با تحلیل مکانی تغییرات سطح ایستابی آب های زیرزمینی، روش کوکریجینگ ساده با مدل دایره ای توانسته با متوسط قدرمطلق خطای 0001/0، متوسط خطای اریب 0347/0، ریشه میانگین مربعات خطا( m0451/0 و انحراف استاندارد 3/20 نسبت به سایر روش ها در اولویت قرار گرفت. بحث و نتیجه گیری:در مجموع نتایج نشان داد که روش کوکریجینگ توانایی بالایی در درون یابی و تخمین مقادیر کمینه و بیشینه سطح آب های زیرزمینی دارد.

چکیده انگلیسی:

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​​.

منابع و مأخذ:

1. 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.


2. 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


3. صفری،م. تعیین شبکه بهینه اندازه گیری سطح آب زیرزمینی به کمک روش های زمین آماری مطالعه موردی دشت چمچال. 1381


4. 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


5. 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.


6. Nguyen, R. T., Prentiss and j. E. shively..Rainfall interpolation for santa Barbara county. UCSB, Department Geography, USA. 1988


7. 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


8. Tokar, A.s. Johnson, P.A..”Rainfall- Runoff modeling using artificial neural  networks”. Journal of Hydrology Engineering.1999. Vol. 3. 232-239.


9. Khanna T. Foundation of neural networks: Addison-Wesley Series in New Horizons in Technology. 1st ed. New York: Addison-Wesley; 1990.


10. Dayhoff JE. Neural Network Principles. 1st ed. New York: Prentice-Hall International; 1990.


11. 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.


12. 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


13. 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.