تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

مقایسه مدل‌ عددی، روش‌های هوشمند عصبی و زمین آمار در تخمین سطح آب زیرزمینی

نویسندگان
مریم بیات ورکشی
روژین فصیحی
دانشگاه ملایر
10.29252/jgs.18.48.165
چکیده
مدل‌سازی به‌عنوان روشی کارآمد با کم­ترین هزینه، امکان مطالعه پیچیدگی جریان آب زیرزمینی را برای مدیران فراهم می‌نماید. هدف این تحقیق مقایسه مدل عددی، روش­های هوشمند عصبی و زمین آمار در مدل‌سازی تغییرات سطح آب زیرزمینی می‌باشد. بدین منظور اطلاعات آبخوان دشت همدان – بهار به‌عنوان یکی از مهم‌ترین منابع تامین آب منطقه، مورد مطالعه قرار گرفت. در این پژوهش از کد عددی MODFLOW در نرم­افزار GMS، شبکه عصبی مصنوعی و روش عصبی - فازی در نرم‌افزار NeuroSolution، روش عصبی – موجک در نرم­افزار MATLAB و روش زمین آمار در نرم‌افزار ArcGIS استفاده گردید. مقایسه نتایج نشان داد که دقت روش‌های محاسبه سطح آب زیرزمینی برحسب کم­ترین آماره مجذور میانگین مربعات خطای نرمال (NRMSE)، به‌ترتیب به روش عصبی - موجک، عصبی – فازی، زمین آمار، شبکه عصبی مصنوعی و مدل عددی تعلق داشت. به‌طوری که مقدار آماره NRMSE در روش عصبی - موجک به‌عنوان روش بهینه، برابر 0/11درصد و در روش مدل عددی برابر 2/2 درصد بدست آمد. مقدار ضریب همسبتگی روش‌های فوق به‌ترتیب 0/998و 0/904بود. بنابراین می‌توان کاربرد روش­‌های ترکیبی هوشمند عصبی به‌ویژه نظریه موجک را در محاسبه سطح آب زیرزمینی مناسب‌تر از روش زمین آمار و مدل عددی دانست. ضمن آن‌که در روش­‌های هوشمند عصبی از متغیرهای زودیافت طول و عرض جغرافیایی و ارتفاع از سطح دریا به‌عنوان بردار اطلاعات ورودی استفاده شد . نتایج پهنه‌بندی سطح آب زیرزمینی آبخوان نیز گویای روند کاهش سطح آب زیرزمینی از بخش غرب به شرق آبخوان بود که همسو با گرادیان هیدرولیکی می‌باشد.
کلیدواژه‌ها
مدل عددی
عصبی – موجک
عصبی - فازی
زمین آمار
سطح آب زیرزمینی

عنوان مقاله English

Comparison of numerical model, neural intelligent and GeoStatistical in estimating groundwater table

نویسندگان English

Maryam Bayatvarkeshi
Rojin Fasihi
malayer university
چکیده English

Modeling provides the studying of groundwater managers as an efficient method with the lowest cost. The purpose of this study was comparison of the numerical model, neural intelligent and geostatistical in groundwater table changes modeling. The information of Hamedan – Bahar aquifer was studied as one of the most important water sources in Hamedan province. In this study, MODFLOW numerical code in GMS software, artificial neural network (ANN) and neural – fuzzy (CANFIS) method in NeuroSolution software, wavelet-neural method in MATLAB software and geostatistical method in ArcGIS software were used. The results showed that the accuracy of methods in estimation of the groundwater table with the lowest Normal Root Mean Square Error (NRMSE) include Wavelet-ANN, CANFIS, geostatistical, ANN and numerical model, respectively. The NRMSE value in Wavelet-ANN method as optimization method was 0.11 % and in numerical model was 2.2 %. Also the correlation coefficients were 0.998 and 0.904, respectively. So application of neural combination models, specially, wavelet theory in estimated the groundwater table is most suitable than geostatistical and numerical model. Moreover, in the neural intelligent models were applied latitude, longitude and altitude as available variables in input models. The zoning results of groundwater table indicated that the decreased trend of groundwater table was from the west to the east of aquifer which was in line with the hydraulic gradient.

کلیدواژه‌ها English

Numerical Model
CANFIS
Wavelet-ANN
GeoStatistical
Groundwater Table
Chang, F., Chang, Y. )2006(. Adaptive neuro-fuzzy inference system forprediction of water level in reservoir. Advanc. Water Resour, 29: 1-10.
Daliakopoulos, N, I., Coulibaly, P., Tsanis, I, K. )2005(.Ground water level forecasting using artificial neuralnetworks. Journal of Hydrology, 309( 1): 229-240.
Dehghani, A,A., Asgari, M., Mosaedi, A. )2009(. Comparison of Geostatistics, Artifitial Neural Networks and Adaptive Neuro-Fuzzy Inference System Approaches in Groundwater Level Interpolation (Case study: Ghazvin aquifer). Journal Agric. Sci. Natur.Resour, 16(1): 517-528.
Faghih, H. )2010(. Evaluating Artificial Neural Network and its Optimization UsingGenetic Algorithm in Estimation of Monthly Precipitation Data (Case Study:Kurdistan Region). Journal Agric. Tech. Sci. Natur.Resour, 145(1): 27-44.(In Persian).
Kazemi, GH, A., Parhizkar, S., Ajdary ,KH., Emamgholizadeh, S. )2015(. Predicting water level drawdown and assessment of land subsidence in Damghan aquifer by combining GMS and GEP models. Geopersia, 5 (1): 63-80
Khadri, S, F, R., Pande, C. )2016(. Ground water flow modeling for calibrating steady state using MODFLOW software: a case study of Mahesh River basin, India. Modeling Earth Systems and Environment, 2(1): 1-17.
Kholgi, M., Hosseini, S, M. )2006(. Estimation of aquifer transmissivity usingkriging, artificial neural network. Journal Spat. Hydr, 6(2): 68-81.
Kim, J., Sultan, M. )2002(. Assessment of long-term hydrologic impacts of Lake Nasser and related irrigation projects in Southwestern Egypt. Journal of Hydrology, 26(2): 68-83.
Kresic, N. (1997). Quantitative solution in hydrogeology and groundwater modeling. CRC Press LLC, 115p.
Mohammadi, K. )2008(. Groundwater table estimation using MODFLOW and Artificial Neural Networks. Water Science and Technology Library, 68(2): 127-138.
Manzione ,R,L., Knotters ,M., Heuvelink, G,M,B. )2006(. Mapping trends in water table depths in a Brazilian Cerrado area. Procedings of Accuracy.449-458.
Mohanty, S., Jha, M., Kumar, A., Panda, D, K. )2013(. Comparative Evaluation of NumericalModel and Artificial Neural Network forSimulating Groundwater Flow in Kathajodi-Suru Inter-basin of Odisha, India, Journal of Hydrology. 49(5): 38-51.
Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N. )2013(.A wavelet-ANFIS hybrid model for groundwater level forecasting for different prediction periods.Water resources management, 27(5): 1301-1321.
Nayak, P., Satyaji Rao, Y, R., Sudheer, K, P. )2006(. Groundwater levelforecasting in a shallow aquifer using artificial neural network approach. WaterResour. Manage, 2(1): 77-99.
Prickett, T, A. )1975(. Modeling Techniques forGroundwater Evaluation. Journal of Advances inHydrosciense, 10(1): 1-143.
Raterman, B., Schaars, F, W, d., Griffioen, M. )2005(. GIS and MATLAB integrated for groundwater modeling. ESRI User Conference Proceedings.
Gnana Sheela, K., Deepa, S, N. )2013(.Review on methods to fix number of hidden neurons in neural networks. Mathematical Problems in Engineering.1-11.
Shiri, J., Kişi, Ö. )2011(. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers & Geosciences, 3(7): 1692-1701.
Tabari, H., Maroufi, S., Zareabyaneh, H., Sharifi, M, R. )2010(. Comparison of artificial neural network and combined models in estimating spatial distribution of snow depth and snow water equivalent in samsami basin of Iran. Neural Comp. Appl, 19(4): 625-635.
Turan, M, E., Yurdusev, A. )2009(. River flow estimation from upstream flow records by artificial intelligence methods. Journal Hydrology. 36(9): 71–77.
Yang, Z, P., Lu, W, X., Long, Y, Q., Li, P. )2009(. Application and Comparison of Two Prediction Models for Groundwater Levels: A Case Study in Western Jilin Province China. Journal of Arid Environments, 7(3): 487-492.
Yarar, A., Onucyıldız, M., Copty, N, K. )2009( .Modelling level change in lakes using neuro-fuzzy and artificial neural networks. Journal Hydrology. 36(5): 329–334.
Zhang, R., Dong, Z., Guo, H. )2009(. Forcast of Poyang lake's water level by Wavelet-ANFIS model. In Intelligent Computing and Intelligent Systems, 2009. IEEE International Conference.
Zheng, Z., Zhang, F., Chai, X., Zhu, Z., Ma F. )2009(. Estimation of Soil Moisture and Salinity with Neural Kriging.In IFIP International Federation for Information Processing, Computer and Computing Technologies in Agriculture II, 2: 1227-1237