میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,147
تعداد مقالات76,903
تعداد مشاهده مقاله154,902,452
تعداد دریافت فایل اصل مقاله116,880,885
آقایی, محمدجواد, کتابچی, حامد. (1404). پیش‌بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس). , 15(2), 279-299. doi: 10.22059/jwim.2025.389999.1208
محمدجواد آقایی; حامد کتابچی. "پیش‌بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس)". , 15, 2, 1404, 279-299. doi: 10.22059/jwim.2025.389999.1208
آقایی, محمدجواد, کتابچی, حامد. (1404). 'پیش‌بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس)', , 15(2), pp. 279-299. doi: 10.22059/jwim.2025.389999.1208
آقایی, محمدجواد, کتابچی, حامد. پیش‌بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس). , 1404; 15(2): 279-299. doi: 10.22059/jwim.2025.389999.1208

پیش‌بینی سطح آب زیرزمینی مناطق با کمبود داده با استفاده از مدل LSTM (مطالعه موردی: محدوده مطالعاتی سعادت آباد، استان فارس)

مدیریت آب و آبیاری
دوره 15، شماره 2، شهریور 1404، صفحه 279-299    اصل مقاله (2.15 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2025.389999.1208
نویسندگان
محمدجواد آقایی؛ حامد کتابچی*
گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران.
چکیده
پیش‌بینی سطح آب زیرزمینی برای استفاده پایدار از منابع آب، اهمیت زیادی دارد. این پیش‌بینی می‌تواند در مناطقی که با بحران‌های آبی مواجه هستند، به بهبود مدیریت منابع آب کمک کند. در سال‌های اخیر، استفاده از هوش مصنوعی برای پیش‌بینی سطح آب زیرزمینی توجه بسیاری را به خود جلب کرده است. این مدل‌ها می‌توانند وابستگی‌های پیچیده و غیرخطی میان داده‌ها را شبیه‌سازی کنند و در مناطقی که داده‌های هیدرولوژیکی دقیق و جامع در دسترس نیست، کاربرد فراوانی دارند. در این مطالعه، از مدل Long Short-Term Memory (LSTM) برای پیش‌بینی سطح آب زیرزمینی در محدوده مطالعاتی سعادت‌آباد در حوضه آبریز طشک-بختگان استان فارس استفاده شد. هدف اصلی این مطالعه، ارزیابی عملکرد مدل LSTM در مقایسه با مدل‌های سنتی و تحلیل تأثیر توابع فعال‌ساز مختلف بر دقت پیش‌بینی سطح آب زیرزمینی بود. برای بهینه‌سازی هایپرپارامترهای مدل از بهینه‌ساز بیزین (Bayesian optimization) بهره گرفته شد که باعث بهبود دقت پیش‌بینی و شبیه‌سازی وابستگی‌های بلندمدت میان داده‌های ورودی گردید. نتایج نشان داد که مدل LSTM قادر است نوسانات و روندهای بلندمدت سطح آب زیرزمینی را با دقت پیش‌بینی کند. هم‌چنین، مقایسه عملکرد توابع فعال‌ساز مختلف نشان داد که تابع فعال‌ساز ReLU توانست با مقدار NSE برابر با 99/0، R² برابر با 97/0 و RMSE برابر با 67/0 متر، روند تغییرات سطح آب زیرزمینی را شبیه‌سازی کند. هم‌چنین، مشاهده شد که استفاده از GPU به‌طور قابل‌توجهی زمان پردازش را کاهش داد. به‌طور خاص، زمان اجرا برای مدل با CPU برابر با 31 دقیقه و با GPU برابر با 9 دقیقه بود. این مدل توانایی بالایی در شبیه‌سازی الگوهای زمانی پیچیده و پیش‌بینی دقیق سطح آب زیرزمینی دارد و می‌تواند به‌عنوان ابزاری کارآمد برای مدیریت منابع آب زیرزمینی در مناطق مختلف با کمبود داده، استفاده شود.
کلیدواژه‌ها
بهینه‌ساز بیزین؛ تابع فعال‌ساز؛ شبیه‌سازی؛ مدیریت منابع آب
عنوان مقاله [English]
Groundwater Level Forecasting of Data-Scare areas using a Deep Learning Long-Short Term Memory (LSTM) Model (Case Study: Saadatabad study area, Fars Province)
نویسندگان [English]
Mohammad Javad Aghaei؛ Hamed Ketabchi
Department of Water Engineering and Management, Tarbiat Modares University, Tehran, Iran.
چکیده [English]
Groundwater level forecasting is a crucial approach in water resource management and planning. This forecasting can assist in improving water resource management, especially in regions facing water crises. In recent years, the use of artificial intelligence for forecasting groundwater levels has gained significant attention. These models can simulate complex and nonlinear relationships between data and are widely used in areas where accurate and comprehensive hydrological data is not available. In this study, the Long Short-Term Memory (LSTM) model was used to forecast groundwater levels in the Saadat Abad area of the Tashk-Bakhtegan Basin in Fars Province. The main objective of this study was to evaluate the performance of the LSTM model compared to traditional models and to analyze the impact of different activation functions on the accuracy of groundwater level forecasting. Bayesian optimization was employed to optimize the model's hyperparameters, which significantly improved the forecasting accuracy and the simulation of long-term dependencies between input data.The results of this study showed that the LSTM model is capable of forecasting groundwater level fluctuations and long-term trends with high accuracy. Additionally, a comparison of different activation functions revealed that the ReLU activation function with NSE value of 0.99, an R² value of 0.97, and an RMSE of 0.67 m, simulated the changes in groundwater levels. Furthermore, it was observed that using GPU significantly reduced processing time. Specifically, the execution time with CPU was 31 minutes, while with GPU it was only 9 minutes. This model demonstrated a high ability to simulate complex temporal patterns and accurately forecast groundwater levels, making it an efficient tool for groundwater resource management in regions with limited data.
کلیدواژه‌ها [English]
Bayesian optimization, Activation function, Simulation, Water resource management
مراجع
  1. Abadi, M., Barhum, P., & Mishra, A. K. (2017). A machine learning approach to radar sea clutter suppression. 2017 IEEE Radar Conference, RadarConf 2017, 1222-1227. https://doi.org/10.1109/RADAR.2017.7944391
  2. Abdi, E., Ali, M., Santos, C. A. G., Olusola, A., & Ghorbani, M. A. (2024). Enhancing groundwater level prediction accuracy using interpolation techniques in deep learning models. Groundwater for Sustainable Development, 26(June). https://doi.org/10.1016/j.gsd.2024.101213
  3. Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157-166. https://doi.org/10.1109/72.279181
  4. Benielli, D., Capponi, C., Koço, S., Kadri, H., Huusari, R., Bauvin, B., & Laviolette, F. (2022). Toolbox for Multimodal Learn (scikit-multimodallearn). Journal of Machine Learning Research, 23, 1-7.
  5. Bowes, B. D., Sadler, J. M., Morsy, M. M., Behl, M., & Goodall, J. L. (2019). Forecasting groundwater table in a flood prone coastal city with long short-term memory and recurrent neural networks. Water (Switzerland), 11(5). https://doi.org/10.3390/w11051098
  6. Chen, Q., Ling, Z., Jiang, H., Zhu, X., Wei, S., & Inkpen, D. (2017). Enhanced LSTM for natural language inference. ACL 2017-55th Annual Meeting of the Association for Computational Linguistics, Proceedings of the Conference (Long Papers), 1(2008), 1657-1668. https://doi.org/10.18653/v1/P17-1152
  7. Chollet, F. (2015). No Title. Keras. https://github.com/keras-team/keras
  8. Feng, F., Ghorbani, H., & Radwan, A. E. (2024). Predicting groundwater level using traditional and deep machine learning algorithms. Frontiers in Environmental Science, 12(February). https://doi.org/10.3389/fenvs.2024.1291327
  9. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation, 12(10), 2451-2471. https://doi.org/10.1162/089976600300015015
  10. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  11. Hock, R. (1999). A distributed temperature-index ice- and snowmelt model including potential direct solar radiation. Journal of Glaciology, 45(149), 101-111. https://doi.org/DOI: 10.3189/S0022143000003087
  12. Hou, A. Y., Kakar, R. K., Neeck, S., Azarbarzin, A. A., Kummerow, C. D., Kojima, M., Oki, R., Nakamura, K., & Iguchi, T. (2014). The global precipitation measurement mission. Bulletin of the American Meteorological Society, 95(5), 701-722. https://doi.org/10.1175/BAMS-D-13-00164.1
  13. Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55
  14. Jeong, J., Park, E., Chen, H., Kim, K. Y., Shik Han, W., & Suk, H. (2020). Estimation of groundwater level based on the robust training of recurrent neural networks using corrupted data. Journal of Hydrology, 582(December 2019), 124512. https://doi.org/10.1016/j.jhydrol.2019.124512
  15. Lallahem, S., Mania, J., Hani, A., & Najjar, Y. (2005). On the use of neural networks to evaluate groundwater levels in fractured media. Journal of Hydrology, 307(1), 92-111. https://doi.org/https://doi.org/10.1016/j.jhydrol.2004.10.005
  16. Loh, H. W., Ooi, C. P., Seoni, S., Barua, P. D., Molinari, F., & Acharya, U. R. (2022). Application of explainable artificial intelligence for healthcare: A systematic review of the last decade (2011–2022). Computer Methods and Programs in Biomedicine, 226, 107161. https://doi.org/https://doi.org/10.1016/j.cmpb.2022.107161
  17. Masoumi, Z., Rezaei, A., & Maleki, J. (2019). Improvement of water table interpolation and groundwater storage volume using fuzzy computations. Environmental Monitoring and Assessment, 191(6), 1-15. https://doi.org/10.1007/s10661-019-7513-1
  18. McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference, 1(Scipy), 56-61. https://doi.org/10.25080/majora-92bf1922-00a
  19. Omar, P. J., Gaur, S., Dwivedi, S. B., & Dikshit, P. K. S. (2019). Groundwater modelling using an analytic element method and finite difference method: An insight into Lower Ganga river basin. Journal of Earth System Science, 128(7), 195. https://doi.org/10.1007/s12040-019-1225-3
  20. Ren, H., Cromwell, E., Kravitz, B., & Chen, X. (2022). Technical note: Using long short-term memory models to fill data gaps in hydrological monitoring networks. Earth Syst. Sci., 26(7), 1727-1743. https://doi.org/10.5194/hess-26-1727-2022
  21. Shin, M. J., Moon, S. H., Kang, K. G., Moon, D. C., & Koh, H. J. (2020). Analysis of groundwater level variations caused by the changes in groundwater withdrawals using long short-term memory network. Hydrology, 7(3). https://doi.org/10.3390/HYDROLOGY7030064
  22. Sreekanth, P. D., Sreedevi, P. D., Ahmed, S., & Geethanjali, N. (2011). Comparison of FFNN and ANFIS models for estimating groundwater level. Environmental Earth Sciences, 62(6), 1301-1310. https://doi.org/10.1007/s12665-010-0617-0
  23. Tan, M. L., & Duan, Z. (2017). Assessment of GPM and TRMM precipitation products over Singapore. Remote Sensing, 9(7), 1-16. https://doi.org/10.3390/rs9070720
  24. Van der Walt, S., & Aivazis, M. (2011). The NumPy Array: A Structure for Efficient Numerical Computation, Computing in Science & Engineering. Computing in Science and Engineering, 13(2), 22-30. http://aip.scitation.org/doi/abs/10.1109/MCSE.2011.37
  25. Wang, Z., Zhong, R., Lai, C., & Chen, J. (2017). Evaluation of the GPM IMERG satellite-based precipitation products and the hydrological utility. Atmospheric Research, 196(May), 151-163. https://doi.org/10.1016/j.atmosres.2017.06.020
  26. Zeydalinejad, N. (2022). Artificial neural networks vis-à-vis MODFLOW in the simulation of groundwater: a review. Modeling Earth Systems and Environment, 8(3), 2911-2932. https://doi.org/10.1007/s40808-022-01365-y
  27. Zhang, J., Zhu, Y., Zhang, X., Ye, M., & Yang, J. (2018). Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas. Journal of Hydrology, 561, 918-929. https://doi.org/10.1016/j.jhydrol.2018.04.065
آمار
تعداد مشاهده مقاله: 414
تعداد دریافت فایل اصل مقاله: 299





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب