بررسی نوسانات تراز آب زیرزمینی با روش محاسبات نرم (مطالعه موردی: دشت‌های ارومیه و میاندوآب)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مسئول آزمایشگاه هیدرولیک مکانیک سیالات موسسه غیردولتی علم و فن ارومیه

2 گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه ارومیه

3 گروه مهندسی آب دانشگاه ارومیه

4 دانشجوی دکترای آبیاری و زهکشی، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه

چکیده

مطالعة رفتار نوسانات تراز آب‌ها به‌دلیل توزیع نامتوازن در چرخة هیدرولوژیک برای بیلان آب حائز اهمیت است. در تحقیق حاضر، نوسانات تراز آب زیرزمینی دشت‌های ارومیه و میاندوآب در دو مدل SVM و Wavelet از گروه محاسبات نرم، بررسی شده است. برای این منظور، اطلاعات مربوط به بازة زمانی سال‌های 1381-1396 برای هر دو دشت‌های ارومیه و میاندوآب با در نظر گرفتن چهار سناریو: (1) تراز آب زیرزمینی- تراز آب زیرزمینی با یک ماه تأخیر، (2) تراز آب زیرزمینی- تراز آب زیرزمینی با دو ماه تأخیر، (3) تراز آب زیرزمینی- بارش و (4) تراز آب زیرزمینی- دما صورت گرفت. نتایج حاصل از شبیه‌سازی مورد مقایسه قرار گرفت و بهترین مدل معرفی گردید. نتایج تحلیل رگرسیون حاصل نشان داد 90/0=R2 و 4/0MSE= به ترتیب متعلق به چاه پیزومتر دوم دشت ارومیه و چاه پیزومتر سوم دشت میاندوآب در هر دو مدل SVM و Wavelet برای سه سناریوی تراز آب زیرزمینی- تراز آب زیرزمینی با یک ماه تأخیر، تراز آب زیرزمینی-بارش و تراز آب زیرزمینی-دما بوده است. داده‌های متغیرهای اقلیمی دما، بارش و تراز آب زیرزمینی با یک ماه تأخیر به‌عنوان متغیر مستقل و داده‌های تراز آب زیرزمینی به‌عنوان متغیر وابسته سناریوهای مذکور با 80% داده‌های آموزشی و 20% داده‌های آزمون را تشکیل دادند؛ و نتایج این بررسی نشان داد که متغیر اقلیمی بارش در نوسانات تراز آب زیرزمینی تأثیر بسزایی دارد. در حالت کلی، نتایج پیش‌بینی مدل Wavelet بهتر از مدل SVM در بررسی نوسانات تراز آب زیرزمینی در دشت‌های ارومیه و میاندوآب بدست آمدند. در تحقیق حاضر، بررسی مستقل مدل‌های مذکور به‌منظور شبیه­سازی نوسانات تراز آب زیرزمینی و مقایسه یکایک آن دو مدل در کاربرد آنها می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Survey of Groundwater Level Fluctuations by Soft Computing Techniques (Case Study: Urmia and Miandoab Plains)

نویسندگان [English]

  • Farnaz Mohammadi 1
  • Mirali Mohammadi 2
  • Javad Behmanesh 3
  • saeid jalili 4
1 Head, Hydraulics and Fluid Mechanics Lab. University college of Science and technology, Urmia, Iran
2 Department of Civil Eng., Faculty of Eng., Urmia University
3 Urmia university, Water Engineering Dept.
4 Department of Irrigation and Reclamation Engineering, Faculty of Agriculture Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

The study of behavior of water level fluctuations is important for water balance due to the unbalanced distribution in the hydrological cycle. In present study, the groundwater level fluctuations of Urmia and Miandoab plains in two models SVM and Wavelet from the group of soft calculations have been investigated. For this purpose, information about the period years of 1381-1386 for both plains of Urmia and Miandoab by considering four scenarios of groundwater level -groundwater level with a delay of one month, groundwater level -groundwater level with a delay of two months, Groundwater level -precipitation and groundwater level -temperature. The simulation results were compared and the best model was introduced. The results of regression analysis showed that R2=0.9 and MSE=0.4 belong to the second piezometer well of Urmia plain and the third piezometer well of Miandoab plain in both SVM and Wavelet models for 3 scenarios of groundwater level -groundwater level with a delay of one month, Groundwater level was precipitation and groundwater level was temperature. Data on climatic variables of temperature, precipitation and groundwater level with a delay of one month as an independent variable and groundwater level data as a dependent variable formed the mentioned scenarios with 80% of educational data and 20% of test data. The results showed that the climatic variable of precipitation has a significant effect on groundwater level fluctuations. In general, the prediction results of Wavelet model were better than SVM model in investigating groundwater level fluctuations in Urmia and Miandoab plains. In the present study, an independent study of the mentioned models in order to simulate groundwater level fluctuations and compare each of the two models in their application.

کلیدواژه‌ها [English]

  • Groundwater Fluctuation
  • Regression Analysis
  • SVM
  • Wavelet

مراجع

اسمی­خانی م.، صفوی ح.ر. و یزدانی­پور م. (1389). مدیریت تلفیقی منابع آب سطحی و زیرزمینی با کاربرد روش­های ماشین­های بردار پشتیبان و الگوریتم ژنتیک. پنجمین کنگره ملی مهندسی عمران. دانشگاه فردوسی، مشهد، ایران.
قبادی، س.، عبقری، ه. و عرفانیان، م. (1396). تحلیل نوسانات هیدروگراف تراز آب زیرزمینی و معرفی مناسب­ترین معادله در غرب دریاچه ارومیه. مدیریت سامانه­های منابع آب. جلد 1(2): 25-36.
کماسی، م.، گودرزی، ح. و بهنیا، ا. (1396). بررسی نوسانات مکانی- زمانی سطح ایستابی آب­های زیرزمینی به روش ماشین­بردار پشتیبان (SVM) و کریجینگ (Kriging) (مطالعه موردی: دشت سیلاخور). پژوهش­های حفاظت آب و خاک. 24 (4): 209-195.
ندیری، ع. ا.، اصغری­مقدم، ا.، عبقری، ه. و فیجانی، ا. (1392). توسعه مدل هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان، مطالعه موردی: دشت تسوج. تحقیقات منابع آب ایران. 9(1): 1-14.
ندیری، ع.، طاهرخانی، ز. و صادقی­اقدم، ف. (1396). پیشبینی سطح آب زیرزمینی دشت بستان­آباد با استفاده از ترکیب نظارت شده مدلهای هوش مصنوعی. تحقیقات منابع آب ایران. 13(3): 43-55.
 
Affandi, A. and Watanabe, K. 2007. Daily groundwater level fluctuation forecasting using soft computing technique. Natural science, 5:1–10
Ahmadi, F., Radmanesh, F. and Mirabbasi Najaf Abadi, R. 2015. Comparison between Genetic Programming and Support Vector Machine methods for daily river flow forecasting (case study: Baranduzchay river). Water and Soil (Agricultural Sciences and Technology), 28(6):1162:1171.
Baghvand, A., Nasrabadi, T., Bidhendi, G.N., Vosoogh, A., Karbassi, A. and Mehrdadi, N. 2010. Groundwater quality degradation of an aquifer in Iran central desert. Desalination, 260 (1–3): 264–275.
Chang, F.J., Chang, L.C., Huang, C.W. and Kao, I.O. 2016. Prediction of monthly regional groundwater levels through hybridsoft-computing techniques. Hydrology, 541: 965–976.
Coppola, E., Rana, A., Poulton, M., Szidarovszky, F. and Uhl, V. 2005. A neural network model for predicting water table elevations. Ground Water, 43: 231–241.
Coulibaly, P., Anctil, F., Aravena, R. and Bobee, B. 2001. Artificial neural network modeling of water table depth fluctuations. Water Resources Research, 37 (4): 885–896.
Daliakopoulos, L., Coulibaly, P. and Tsanis, I. 2005. Ground water level forecasting using artificial neural networks.  Hydrology, 309: 229–240.
Dash, N.B., Panda, S.N., Ramesan, R. and Sahoo, N. 2010. Hybrid neural modeling for groundwater level prediction. Neural Computing and Applications, 19: 1253–1261.
Gleeson, T., VanderSteen, J., Sophocleous, M.A., Taniguchi, M., Alley, W.M., Allen, D.M. and Zhou, Y. 2010. Groundwater sustainability strategies. Nature Geoscience, 3(6): 378–379.
Imani, M., You, R.J. and Kuo, C.Y. 2014. Forecasting Caspian Sea level changes using satellite altimetry data (June 1992–December 2013) based on evolutionary support vector regression algorithms and gene expression programming. Global and Planetary Change, 121:53-63.
Jeihouni, E., Eslamian, M.S., Mohammadi, M. and Zareian, M.J. 2019. Simulation of Groundwater Level Fluctuations in Response to Main Climate Parameters using a Wavelet-ANN Hybrid Technique for the Shabestar Plain, Iran. Proceedings Journal of Environmental Earth Sciences, 78: 1-9.
Jianhua, P., Yu, Q. and Ma, X. 2013. A combination model of chaos, Wavelet and Support Vector Machine predicting groundwater levels and its evaluation using three comprehensive quantifying techniques. Information Technology, 12: 3158-3163.
Masoud, M.H.Z., Basahi, J.M. and Zaidi, F.K. 2018. Assessment of artificial groundwater recharge potential through estimation of permeability values from infiltration and aquifer tests in unconsolidated alluvial formations in coastal areas. Environmental Monitoring Assessment, 191(1): 2-16.
Nadiri, A., Gharekhani, M., Khatibi, R., Sadeghfam, S. and Asghari Moghaddam, A. 2017. Groundwater vulnerability indices conditioned by supervised intelligence committee machine (SICM). Science of the Total Environment, 574: 691-706.
Naghibi, S.A., Pourghasemi, H.R., & Dixon, B. 2016. GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree, and random forest machine learning models in Iran. Environmental Monitoring Assessment, 188 (1): 44.
Natarajan, N., & Sudheer, C.h. 2020. Groundwater level forecasting using soft computing techniques. Neural Computing and Applications, 32: 7691- 7708.
Nayak, P.C., Rao, Y.R.S. and Sudheer, K.P. 2006. Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 20:77-90.
Nourani, V., Kisi, Ö. and Komasi, M. 2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Hydrology, 402(3): 41–59.
Nourani, V., & Mousavi, S. 2016. Spatio-temporal groundwater level modeling using hybrid artificial intelligence-meshless method. Hydrology, 536:10-25.
Pourghasemi, H.R., Sadhasivam, N., Yousefi, S., Tavangar,S., Ghaffari Nazarlou, H., and Santosh, M. 2020. Using machine learning algorithms to map the groundwater recharge potential zones. Environmental Management, 265: 1-17.
Sandoval, J.A. and Tiburan, C. L. 2019. Identification of potential artificial groundwater recharge sites in mount makiling forest reserve, Philippines using GIS and analytical hierarchy process. Applied Geography, 105: 73–85.
Shiri, J., Kisi, O., Yoon, H., Lee, K. K. and Nazemi, A.H. 2013. Predicting groundwater level fluctuations with meteorological effect implications — A comparative study among soft computing techniques. Computers & Geosciences, 56: 32–44.
Suryanarayana, C.h., Sudheer, C.h., Mahammood, V. and Panigrahi, B.K. 2014. An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India. Neuro-computing, 145: 324-335.
Todd, D.K. and Mays, L.W. 2005. Groundwater Hydrology. Wiley, Retrieved from. https://www.wiley.com/en-us/GroundwaterþHydrology%2Cþ3rdþEdition-p-9780 471059370.
Vapnik, V. 1998. Statistical learning theory. New York, NY: Wiley, Vol. 1.
Yadav, B., and Eliza, K.h. 2017. A hybrid wavelet-support vector machine model for prediction of Lake water level fluctuations using hydro-meteorological data. Measurement,  103: 294-301.
Yang, C.C., Prasher, S.O., Lacroix, R., Sreekanth, S., Patni, N.K and Masse, L .1997. Artificial neural network model for subsurface drained farmland. Structural Engineering, 123: 285-292.
Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O. and Lee, K.K. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Hydrology, 396(4):128–138.
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران
دوره 12، شماره 3 - شماره پیاپی 47
فروردین 1401
صفحه 200-219

فایل ها

هم رسانی

ارجاع به این مقاله

آمار