خوشه‌بندی شبکه چاهک‌های مشاهده‌ای و پیش‌بینی سطح آب زیرزمینی به کمک شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت مراغه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 1- دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان

2 2- دانش‌آموخته کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه زنجان

چکیده

هدف از پژوهش حاضر خوشه‌بندی چاهک‌های مشاهده‌ای آبخوان دشت مراغه (آذربایجان‌شرقی) و پیش‌بینی تراز آب زیرزمینی به‌کمک شبکه‌های عصبی مصنوعی بود. ابتدا با کمک روش خوشه‌بندی سلسله مراتبی-WARD 20 چاهک مشاهده‌ای محدوده دشت مراغه با طول دوره آماری بیش از 15 سال خوشه‌بندی شد. سپس یک خوشه با 3 زیرخوشه همگن انتخاب و نماینده هر زیرخوشه تعیین شد. با استفاده از شبکه‌های عصبی مصنوعی با ساختار پرسپترون چند لایه با الگوریتم پس انتشار خطا، تراز آب زیرزمینی نماینده هر زیرخوشه شبیه‌سازی گردید. نتایج نشان داد که در نظر گرفتن داده‌های دمای هوا به‌عنوان ورودی در شبکه‌های عصبی مصنوعی موجب اغتشاش شبکه و در نظر گرفتن تأخیر زمانی برای پارامترهای ورودی، باعث تخمین دقیق‌تر مقادیر سطح آب زیرزمینی شد. بر اساس نتایج، کمترین و بیشترین مقدار RMSE حاصل بین مقادیر محاسباتی و مشاهداتی به‌ترتیب 26/0 و 63/0 متر بود. هم‌چنین بیشترین و کمترین مقدار R2 به‌ترتیب 86/0 و 82/0 به‌دست آمد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Clustering Observation Wells Network and Forecasting Groundwater Level by Artificial Neural Networks (Case Study: Marageh Plain)

نویسندگان [English]

  • J Nikbakht1 1
  • S Nouri 2
چکیده [English]

The purpose of this study was to cluster the observation well networks in Marageh Plain in East Azarbaijan and to predict the groundwater level by artificial neural networks. Primarily, by Hierarchical WARD clustering method, 20 observation wells of Maragheh Plain with over 15 years data period were clustered. Then, a cluster with 3 homogenous subclusters was selected and the representative of each subcluster was determined. Artificial neural networks with a multilayer perceptron structure utilizing back-propagation algorithm was used to simulate the representative groundwater level of each subcluster. The results indicated considering monthly temperature data as input for the artificial neural networks caused disorder of the network while considering lag time for the input data increased the accuracy of the estimated groundwater levels. Based on the results, the minimum and maximum RMSE between the observed and calculated values were 0.26 m and 0.63 m, respectively. Also the Maximum and minimum quantities of R2 were 0.86 and 0.82, respectively.
 
 

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Clustering
  • Forecasting
  • Groundwater level
  • Hierarchical-WARD
آهنی ع، امامقلی‌زاده ص، موسوی ندوشنی س‌س و اژدری خ، 1394. تحلیل فراوانی منطقه‌ای سیلاب با استفاده از تحلیل خوشه‌ای ترکیبی و گشتاورهای خطی. پژوهشنامه مدیریت حوزه آبخیز، جلد 6، شماره 12، صفحه‌های 11 تا 20.
امیری ده‌احمدی ف و حسامی کرمانی م‌ر، 1391. بررسی پیش‌بینی نوسانات آب زیرزمینی با استفاده از هوش مصنوعی. صفحه‌های 1 تا 7، همایش ملی مهندسی آب و فاضلاب، اسفندماه 1391، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، دانشگاه شهید باهنر کرمان.
ایزدی ع، داوری ک، علیزاده ا و قهرمان ب، 1387. کاربرد مدل داده‌های ترکیبی در پیش‌بینی سطح آب زیرزمینی. مجله آبیاری و زهکشی ایران، جلد 2، شماره 2، صفحه‌های 133 تا 144.
بیابانکی م و اسلامیان س‌س، 1383. استفاده از روش خوشه‌بندی در تعیین همگنی هیدرولوژیک و ارزیابی آن توسط روش‌های تحلیل ممیزی و منحنی‌های Andrew در حوضه آبریز کرخه. مجله کشاورزی، جلد 6، شماره 2، صفحه‌های 13 تا 26.
پورمحمدی س، ملکی‌نژاد ح و پور شرعیاتی ر، 1392. مقایسه کارآیی روش‌های شبکه عصبی و سری‌های زمانی در پیش‌بینی سطح آب زیرزمینی (مطالعه موردی: زیرحوضه بختگان استان فارس). نشریه پژوهش‌های حفاظت آب و خاک، جلد 20، شماره 4، صفحه‌های 251 تا 262.
پیری ح، عباس‌زاده م، راهداری و و ملکی س، 1392. ارزیابی تطبیقی 4 نمایه خشکسالی هواشناسی با استفاده از روش تحلیل خوشه‌ای (مطالعه موردی استان سیستان و بلوچستان). مجله مهندسی منابع آب، دوره 6، شماره 17، صفحه‌های 25 تا 36.
زارع ابیانه ح، بیات ورکشی م، معروفی ص و ایلدرومی ع، 1390. شبیه‌سازی سطح ایستابی دشت ملایر بر اساس داده‌های هواشناسی با استفاده از شبکه‌های عصبی مصنوعی. پژوهش‌های جغرافیای طبیعی، جلد 43، شماره 78، صفحه‌های 17 تا 28.
زارع چاهوکی م‌ع، 1389. تجزیه و تحلیل داده‌ها در پژوهش‌های منابع طبیعی با نرم‌افزار SPSS. انتشارات جهاد دانشگاهی واحد تهران.
عابدی کوپایی ج، قره‌شیخلو اح و خسروانی شیری ز، 1389. مطالعه تشابه و خوشه‌بندی آب زیرزمینی مصرفی فضای سبز شهر اصفهان و بررسی تغییرات کیفیت آن در یک دهه. آب و فاضلاب، جلد 21، شماره 2، صفحه‌های 95 تا 100.
فقیه ه، 1389. ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه‌سازی آن با روش الگوریتم ژنتیک در تخمین داده‌های بارش ماهانه (مطالعه موردی: منطقه کردستان). علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، جلد 14، شماره 51، صفحه‌های 27 تا 42.
فلاحی ب، فاخری‌فرد ا، دین‌پژوه ی و دربندی ص، 1391. پهنه‌بندی شمال‌غرب ایران بر مبنای بارش‌های روزانه، فواصل زمانی بارش‌ها و روزهای بارانی با کاربرد روش‌های K-Means، WARD و PCA. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 26، شماره 4، صفحه‌های 979 تا 989.
محتشم م، دهقانی اا، اکبرپور ا، مفتاح هلقی م و اعتباری ب، 1389. پیش‌بینی سطح ایستابی با استفاده از شبکه عصبی، (مطالعه موردی: دشت بیرجند). مجله آبیاری و زهکشی ایران، جلد 1، شماره 4، صفحه‌های 1 تا 10.
معمار م، حسینی خ و کرمی ح، 1392. پیش بینی تراز آب زیر زمینی با استفاده از شبکه‌های عصبی (مطالعه موردی: دشت سمنان). صفحه‌های 1 تا 11، اولین همایش ملی بحران آب، اردیبهشت ماه 1392، دانشگاه آزاد اسلامی واحد خوراسگان.
نادی م و خلیلی ع، 1392. طبقه‌بندی اقلیم بارش ایران با روش تحلیل عاملی خوشه‌ای. تحقیقات آب و خاک ایران، جلد 44 شماره 3، صفحه‌های 237 تا 244.
نکوآمال کرمانی م، کشکولی ح‌ع و رهنما م، 1386. کاربرد نرم افزار MODFLOW در مطالعه نوسانات سطح آب زیرزمینی دشت بوچیر-حمیران. صفحه‌های 1 تا 8، نهمین سمینار سراسری آبیاری و کاهش تبخیر، بهمن ماه 1386، دانشگاه شهید باهنر کرمان.
نوشادی م، آذرپیکان ع و نوحه‌گر ا، 1388. بررسی کیفیت آب شرب بندرعباس با استفاده از آنالیز خوشه‌ای و تحلیل عاملی. مجله پژوهش آب ایران، جلد 3، شماره 5، صفحه‌های 79 تا 82.
نیک‌منش م‌ر و رخشنده‌رو غ‌ر، 1389. ارزیابی توانایی شبکه‌های مختلف عصبی مصنوعی در پیش‌بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس. مجله تحقیقات منابع آب ایران، جلد 7، شماره 1، صفحه‌های 82 تا 86.
Feng S, Kang S, Huo Z, Chen S and Mao X, 2008. Neural networks to simulate regional groundwater levels affected by human activities. Ground Water 46(1): 80-90.
Kim KH, Yun ST, Park SS, Joo Y and Kim TS, 2014. Model-based clustering of hydrochemical data to demarcate natural versus human impacts on bedrock groundwater quality in rural areas, South Korea. Journal of Hydrology 519: 626–636.
Rani Sethi R, Kumar A, Sharma SP and Verma HC, 2010. Prediction of water table depth in a hard rock basin by using artificial neural network. International Journal of Water Resources and Environmental Engineering 2(4): 95-102.
Rao AR and Srinivas VV, 2006. Regionalization of watersheds: an approach based on cluster analysis. Journal of Hydrology 318: 37–56.
Sreekanth PD, Geethanjali N, Sreedevi PD, Ahmed S, Kumar NR and Jayanthi PDK, 2009. Forecasting groundwater level using artificial neural networks. Current Science 96(7): 933-939.
Taormina R, Chau K and Sethi R, 2012. Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence 25(8): 1670–1676.
Trichakis IC, Nikolos IK and Karatzas GP, 2011. Artificial Neural Network (ANN) based modeling for karstic groundwater level simulation. Water Resources Management 25(4): 1143-1152.