پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 115,001,398 |
| تعداد دریافت فایل اصل مقاله | 89,679,829 |
تحلیل مکانی و زمانی تراز آب زیرزمینی با استفاده از رویکرد همگنی ناحیه‌ای با تلفیق شبکه عصبی مصنوعی (منطقه مورد مطالعه: آبخوان میاندوآب) | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 1، دوره 51، شماره 4، تیر 1399، صفحه 801-812 اصل مقاله (1.61 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2019.288757.668313 | ||
| نویسندگان | ||
| احسان رزاق دوست1؛ بایرامعلی محمدنژاد* 2؛ حمید کاردان مقدم3 | ||
| 1گروه تخصصی مدیریت ساخت و آب، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه صنعتی قم، قم، ایران | ||
| 3پژوهشکده مطالعات و تحقیقات منابع آب، موسسه تحقیقات آب، تهران، ایران | ||
| چکیده | ||
| با توجه به اهمیت منابع آب زیرزمینی در تامین مطمئن نیاز آبی کشورها، بویژه در مناطق خشک و نیمه خشک، برنامه‌ریزی بلند مدت و مدیریت صحیح بهره‌برداری از این منابع ارزشمند امری ضروری می‌باشد. بدین منظور استفاده از ابزارهای مناسب شبیه‌سازی جهت پیش‌بینی تغییرات مکانی و زمانی سفره‌های آب زیرزمینی و رفتار آتی آنها بسیار مفید می‌باشد. این مطالعه با هدف منطقه‌بندی آبخوان میاندوآب و پیش‌بینی مکانی و زمانی سطح آب زیرزمینی با استفاده از روش شبکه عصبی مصنوعی انجام شده است. ابتدا جهت شناسایی اهمیت پارامترهای موثر در شبیه‌سازی، شش پارامتر ضریب قابلیت انتقال، سطح آب زیرزمینی، تراز زمین، افت آب زیرزمینی، بارندگی و تخلیه در سطح منطقه خوشه‌بندی مکانی شد. پس از تحلیل آماری از سه رویکرد خوشه‌بندی منفرد، سه پارامتره و تلفیقی استفاده گردید. تعداد خوشه‌های مناسب با استفاده از عرض سیلهوت تعیین شد. در فرایند آموزش و صحت سنجی مدل از داده‌های 77 چاه مشاهده‌ای آبخوان میاندوآب، که دارای سری زمانی اندازه‌گیری شده 10 ساله (1391-1382) برای سطح آب زیرزمینی می‌باشند، استفاده شد. نتایج تحلیل خوشه‌بندی مکانی نشان داد که رویکرد خوشه‌بندی با در نظر داشتن همبستگی دارای دقت بهتری است. پس از انتخاب رویکرد مکانی مناسب، 4 پارامتر بارندگی، تغذیه آبخوان، تخلیه آبخوان و سطح آب زیرزمینی در ماه قبل به عنوان متغیرهای ورودی به شبکه عصبی مصنوعی انتخاب گردید. پس از شبیه‌سازی سطح آب زیرزمینی با استفاده از روش شبکه عصبی پس‌انتشار برگشتی، پیش‌بینی سطح آب زیرزمینی برای 2 سال انجام گرفت. نتایج نشان داد که تغییرات ضریب همبستگی در 6 خوشه بین 71/0 تا 97/0 و میزان تغییرات میانگین مجذور خطا بین 19/0 تا 58/0 بوده که حاکی از دقت مناسب این رویکرد جهت پیش‌بینی سطح آب زیرزمینی است. | ||
| کلیدواژه‌ها | ||
| آب زیرزمینی؛ خوشه بندی؛ عرض سیلهوت؛ شبکه عصبی مصنوعی؛ آبخوان میاندوآب | ||
| عنوان مقاله [English] | ||
| Spatio-temporal Analysis of Groundwater Level Using Clustering Method Combined with Artificial Neural Network | ||
| نویسندگان [English] | ||
| Ehsan Razaghdoust1؛ Bayramali Mohammadnezhad2؛ Hamid Kardan Moghaddam3 | ||
| 1Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 2Department of Civil Engineering, Faculty of Technical Engineering, Qom University of Technology, Qom, Iran | ||
| 3Department of Water Resources Research, Water Research Institute, Ministry of Energy, Tehran, Iran | ||
| چکیده [English] | ||
| Long-term planning and proper management of groundwater resources utilization are essential to ensure a reliable supply of water to countries, especially in arid and semi-arid regions. Therefore, it is necessary to employ appropriate models to predict the spatial and temporal fluctuations of aquifers and their future behavior. This study aimed to apply zoning strategies to Miandoab aquifer and predict its spatial and temporal groundwater level using an artificial neural network. First, the six parameters of transmissivity coefficient, groundwater level, ground elevation, withdrawal, rainfall, and discharge were spatially clustered to identify their effect on the simulation model. Three clustering approaches of single-parameter, three-parameter and integrated-parameter were evaluated using some statistical indices. The number of suitable clusters was determined using silhouette width. Groundwater level data (2002-2012) from 77 observational wells were used for model training and validation. Results showed that the correlation clustering approach performs better than the other methods. Precipitation, aquifer recharge, aquifer discharge, and groundwater level of the previous month were inputs to the back-propagation artificial neural network (ANN) for predicting a two-year period of groundwater level. The results showed that the correlation coefficients of variation in 6 clusters were 0.71- 0.97, and the RMSE variations were 0.19 - 0.58, indicating appropriate accuracy of this approach for predicting groundwater level. | ||
| کلیدواژه‌ها [English] | ||
| Groundwater, Clustering, Silhouette width, Artificial Neural Network, Miandoab Aquifer | ||
| مراجع | ||
|
Akbarzadeh, M., Ghahraman, B., & Davary, K. (2016). Identification of homogeneous stations for quality monitoring network of Mashhad aquifer based on nitrate pollution. Journal of Water and Soil, 30(5), 1382-1393. (In Farsi). Barzegar, R., Fijani, E., Moghaddam, A. A., & Tziritis, E. (2017). Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment, 599, 20-31. Ebrahimi Varzane, S., TishehZan, P., & Akhondali, A. m. (2019). Evaluation of Groundwater-Surface Water Interaction by Using Cluster Analysis (Case Study: Western Part of Dezful-Andimeshk Plain). Iran Water Resources Research, 15(3), 246-257. (In Farsi). Javadi, S., Hashemy, S., Mohammadi, K., Howard, K., & Neshat, A. (2017). Classification of aquifer vulnerability using K-means cluster analysis. Journal of hydrology, 549, 27-37. Kardan, M. H., & Roozbahani, A. (2015). Evaluation of Bayesian networks model in monthly groundwater level prediction (Case study: Birjand aquifer). Journal of Water and Irrigation Management, 5(2), 139-151. (In Farsi). Lee, S., Lee, K.-K., & Yoon, H. (2019). Using artificial neural network models for groundwater level forecasting and assessment of the relative impacts of influencing factors. Hydrogeology Journal, 27(2), 567-579. MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Paper presented at the Proceedings of the fifth Berkeley symposium on mathematical statistics and probability. Maier, H. R., & Dandy, G. C. (2000). Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental modelling & software, 15(1), 101-124. Moghaddam, H., Banihabib, M., & Javadi, S. (2018). Quantitative sustainability analysis of aquifer system (case study: South Khorasan-Birjand aquifer). Journal of Water and Soil, 31(6). (In Farsi). Nayak, P. C., Rao, Y. S., & Sudheer, K. (2006). Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water resources management, 20(1), 77-90. Nikbakht, J., & Nouri, S. (2017). Clustering Observation Wells Network and Forecasting Groundwater Level by Artificial Neural Networks (Case Study: Marageh Plain). water and Soil Science, 27(1), 281-294. (In Farsi). Rakhshandehroo, G., Akbari, H., Afshari Igder, M., & Ostadzadeh, E. (2017). Long-term groundwater-level forecasting in shallow and deep wells using wavelet neural networks trained by an improved harmony search algorithm. Journal of Hydrologic Engineering, 23(2), 04017058. Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20, 53-65. Soroush, F., & Seifi, A. (2019). Application of a Self-Organizing Map for Clustering the Groundwater Quality in Kerman Province and Assessment its Suitability for Drinking and Irrigation Purposes. JWSS-Isfahan University of Technology, 23(2), 281-302. (In Farsi). | ||
|
آمار تعداد مشاهده مقاله: 559 تعداد دریافت فایل اصل مقاله: 377 |
||