مدل بندی اثرات مصرف و بارش بر نوسانات تراز سطح ایستایی (مطالعه موردی: آبخوان دشت عجب شیر)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب دانشگاه تبیرز

2 استاد- گروه مهندسی آب دانشگاه تبیرز

3 استادیار- گروه مهندسی آب دانشگاه تبیرز

چکیده

ارزیابی و پیشبینی تغییرات تراز سطح آب زیرزمینی با استفاده از مدلهای خاص، اطلاعات ارزشمندی جهت مدیریت
منابع آب و برنامهریزی مصرف، در اختیار میگذارد. از بین ابزار و روشهای متفاوت موجود، مدلهای رگرسیون غیرخطی
چند متغیره برای پیشبینی پدیدههای هیدرولوژیکی از اهمیت زیادی برخوردارند. در این پژوهش از دادههای ماهانه مصارف،
بارش و ارتفاع سطح ایستابی برای سالهای 1380 الی 1390 دشت عجبشیر استفاده گردید. با تجزیهوتحلیل همبستگی
0/ 0/39 و 86 (R متقاطع مشخصشد که بارندگیها با تأخیر یکماهه و مصارف با تأخیر دوماهه بهترتیب با ضرایب تعیین ( 2
بیشترین تأثیر را بر ارتفاع سطح ایستابی داشتند. سپس رابطه عمومی بین این سه متغیر از طریق یک معادله رگرسیونی
0/35 متر بهدست آمد. برای پیشبینی (RMSE) 0 و ریشه متوسط مربعات خطا / غیرخطی چندمتغیره با ضریب تعیین 87
مقادیر ارتفاع سطح ایستابی در سالهای آتی، نخست مصارف و بارش بهترتیب با استفاده از روشهای شبکه عصبی
مصنوعی و توماس – فیرینگ پیشبینی شدند، سپس با قرار دادن در معادله رگرسیونی بهدستآمده، مقادیر ارتفاع سطح
ایستابی پیشبینی گردید. از طرف دیگر، از شبکه عصبی مصنوعی برای پیشبینی ارتفاع سطح ایستابی استفاده شد که با این
0 متر بهدست آمد. مقایسه نتایج دو روش نشان داد که / 0 و ریشه متوسط مربعات خطا 39 / روش مقدار ضریب تعیین 82
مدل رگرسیونی غیرخطی چند متغیره از دقت بیشتری در پیشبینی ارتفاع سطح ایستابی دشت موردمطالعه برخوردار است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling the Effects of Consumption and Precipitation on the Water Table Oscillations (Case Study: Ajabshir Aquifer)

نویسندگان [English]

  • M Abdolahzadeh 1
  • A Fakheri Fard 2
  • E Asadi 3
  • A.H Nazemi 2
چکیده [English]

Prediction of groundwater table through specific models, provide a valuable information for water
resources management and consumption planning. Among the different available methods, the
multivariate nonlinear regression is of utmost importance for prediction of hydrological phenomena.
The data bases of this research were the amounts of precipitation amounts, water table elevation and
water consumptions in monthly time scale for the period of 2001- 2011. The cross correlation analysis
indicated that the one lagged monthly precipitation as well as the two lagged monthly consumptions
values had the highest impacts on water table elevation with the determination coefficients of 0.39 and
0.86, respectively. Then, the general relationship of these three variables obtained with R2=0.87 and
root mean square error (RMSE) =0.35m through a multivariate nonlinear regression analysis. For
prediction of the water table elevation in the coming years, initially, the consumptions and precipitation
data extended up to 2014, using ANN and Thomas-firing methods, respectively. So, the outcome of
putting them into regression equation gave the water table elevation. On the other hand, the artificial
neural network was used to predict the water table elevation, for which, the resulted values of R2 and
RMSE were 0.82 and 0.39m, respectively. The comparison of two methods showed that the
multivariate nonlinear regression model represented more accurate results in predicting the elevation of
water table, in the studied plain.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Multivariate nonlinear regression model
  • Thomas-Firing method
  • Water table elevation