نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه شهید چمران اهواز

2 استاد گروه هیدرولوژی و منابع آب دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز

چکیده

     از آنجایی که برداشت آب از چاه‌های مشاهده‌ای موجود در دشت‌ها به صورت نقطه‌ای انجام می‌گیرد، لذا ضرورت دارد به منظور  محاسبه مقدار متوسط سطح آب زیرزمینی در دشت‌ها و تخمین سطح آب، اطلاعات حاصل از برداشت نقطه­ای به کل سطح تعمیم داده شود. هدف از انجام این پژوهش بررسی کاربرد روش ترکیبی زمین آمار و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در تخمین سطح آب زیرزمینی در دشت‌های دزفول و زیدون واقع در استان خوزستان می­باشد. نتایج حاصل از کاربرد روش­های کوکریجینگ، کریجینگ و روش عکس فاصله نشان داد که در دشت دزفول روش کوکریجینگ با مدل نیم­تغیرنما و نیم­تغییرنمای متقابل گوسین، و در دشت زیدون روش کریجینگ با نیم­تغیرنمای گوسین بهترین روش زمین آماری برای تخمین سطح ایستابی و ترکیب با شبکه­های عصبی می­باشد. همچنین نتایج حاصل از ترکیب این دو مدل در هر دو دشت، نشان داد که مدل ترکیبی بهینه شده با الگوریتم ژنتیک دارای معیارهای ارزیابی مناسب­تری در تخمین سطح ایستابی نسبت به کاربرد روش­های زمین آماری به تنهایی می­باشد. به­طوری که کاربرد این روش ترکیبی بهینه شده در دشت زیدون که دارای تعداد چاه­های مشاهد­ه­ای کمتری می­باشد، موثر­تر از دشت دزفول بوده است.

کلیدواژه‌ها

عنوان مقاله [English]

An Application of Combined Geostatistics with Optimized Artificial Neural Network by Genetic Algorithm in Estimation of Groundwater Level (Case study: Dezful and Zeidoon plains)

نویسندگان [English]

  • Reza Zamani 1
  • Ali Mohammad Akhond Ali 2
  • heidar Zarei 1

چکیده [English]

     Since the withdrawal of the observation wells at the plains done for the point, it is necessary to calculate the average groundwater level and also generalization the estimated water level from collected point to the surface of plain. The aim of this study is an investigation on the application of combined geostatistics method with optimized artificial neural networks by genetic algorithm in interpolation of groundwater level over Dezful and Zeidoon plains located in the Khozestan province. The obtained results from Cokriging, Kriging and IDW methods indicated that Cokriging with the Gaussian variogram and cross-variogram in Dezful Plain, and Kriging with the Gaussian variogram in Zeidoon plain are the best geostatistical methods for estimation the groundwater level and combined with artificial neural networks. Also the results of combination these two models showed that optimized model by genetic algorithm have better evaluation criteria than geostatistical methods and proposed as an effective combined model for estimation of the groundwater level. So that an application of this optimized combined method in Zeidoon plain with fewer observation wells was better than Dezful plain

کلیدواژه‌ها [English]

  • Groundwater
  • Genetic Algorithm
  • Geostatistics
  • Artificial neural network

1-  آذری، ا. ۱۳۸۷. برآورد میزان بار گاز مصرفی شهر تهران با استفاده از فناوری شبکه های عصبی. نشریه­ دانشکده فنی، (8)42: 968-961.

 

2-  اصغری مقدم، ا.، ندیری، ع. و الف فیجانی. 1388. پیش­بینی مکانی غلظت فلوئورید با استفاده از مدل­های شبکه­های عصبی مصنوعی و زمین آمار. مجله دانش آب وخاک، (2) 129:145-119.

 

3- حاجی­هاشمی­جزی، م.، آتشگاهی، م. و ا. ح. حمیدیان. 1389. برآورد مکانی مولفه­های کیفی آب­های زیرزمینی با استفاده از روش­های زمین آمار(مطالعه موردی: دشت گلپایگان). نشریه محیط زیست طبیعی، مجله منابع طبیعی ایران، (4)63 :357-347.

 

4-  حسنی پاک، ع. ا. 1377. زمین آمار (ژئواستاتیستیک)، انتشارات دانشگاه تهران، 314 ص.

 

5-  دهقانی، ا.، عسگری ا. و. ا. مساعدی. 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی-عصبی تطبیقی و زمین آمار در میان­یابی سطح آب زیرزمینی (مطالعه موردی:دشت قزوین). مجله علوم کشاورزی و منابع طبیعی، 16(ب-1): 528-517.

 

6- رحمانی، غ. ر. 1390.شبیه­سازی منابع آب زیرزمینی دشت عقیلی با استفاده از شبکه­های عصبی مصنوعی و مقایسه آن با نتایج مدل ریاضی تفاضلات محدود. پایان نامه کارشناسی ارشد، رشته زمین­شناسی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز.

 

7- زارعی، ح. و ع. م. آخوندعلی. 1386. مقایسه روش­های زمین آماری و آمار کلاسیک در ترسیم هیدروگراف واحد آب زیر زمینی. طرح پژوهشی سازمان آب و برق خوزستان. 72 ص.

 

8- زمانی، ر. 1391. بررسی کاربرد روش ترکیبی زمین آمار و شبکه­ عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در میان­یابی سطح آب زیرزمینی، پایان­نامه کارشناسی ارشد، رشته منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.

 

9-  زهرایی، ب. و س. م. حسینی. 1388. الگوریتم ژنتیک و بهینه­سازی مهندسی. انتشارات گوتنبرگ، 298 ص.

 

10- صادقی­راد، ر. 1390. تأثیر تطویل آمار در تخمین توزیع مکانی بارش با استفاده از روش­های زمین آماری. پایان­نامه کارشناسی ارشد، رشته منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.

 

11-  محمدی، ج. 1385. پدومتری جلد دوم (آمار مکانی). انتشارات پلک، 453 ص.

 

12- مسلم­زاده، م. 1389. بهینه­سازی ایستگاه­های شبکه باران­سنجی جهت برآورد توزیع مکانی بارش با استفاده از ژئو استاتیستیک و الگوریتم ژنتیک. پایان­نامه کارشناسی ارشد، رشته مهندسی عمران، دانشگاه شهید چمران اهواز.

 

 

13- Amorim, A.M.T., Gonçalves, A.B., Nunes, L.M. and A.J. Sousa.  2012. Optimizing the location of weather monitoring stations using estimation uncertainty. International Journal of Climatology, 32 (6): 941-952.

 

14- Barcae, E. and G. Passarella. 2008. Spatial evaluation of the risk of groundwater quality degradation: Acomparison between disjunctive kriging and geostatistical simulation. Journal of Environmental Monitoring and Assessment, 133: 261-273.

 

15- Banerjee, P.R., Prasad, K., and V.S. Singh. 2009. Forecasting of groundwater level in hard rock region using artificial neural network. Environmental Geology, 58 (6):1239–1246.

 

16- Diamantopoulou, M.J., Antonopoulos, V.Z. and  D.M. Papamichail. 2005. The use of a neural network technique for the prediction of water quality parameters of Axios River in Northern Greece. European Water, 11/12:55-62.

 

17- Ghahreman, B., Hoseini, M. and H. Asgari. 2005. Application of geostatistics in ground water quality. Journal of Technical and Engineering. Amir Kabir University, 55(5): 971-981.

 

18- Izady, A., Davary, K., Alizadeh, A., Ghahraman, B., Sadeghi, M., A. Moghaddamnia.  2012. Application of "panel-data" modeling to predict groundwater levels in the Neishaboor Plain, Iran. HydrogeologyJournal, 20 (3):435-447.

 

19- Kholghi, M. and Hosseini S.M. 2009. Comparison of Groundwater Level Estimation UsingNeuro-fuzzy and Ordinary Kriging. Journal of Environmental Modeling and Assessment, 14(6):729-753.

 

20- Le, T.M.H., Gallipoli, D., Sanchez, M., S.J. Wheeler.  2012. Stochastic analysis of unsaturated seepage through randomly heterogeneous earth embankments. International Journal for Numerical and Analytical Methods in Geomechanics, 36(8):1056-1076.

 

21- Maskey, S., Dibike, Y.B., Jonoski, A., and D.Solomatine. 2000. Groundwater model approximation with artificial neural network for selecting optimal pumping strategy for plume removal. In: Workshop Proceedings in Artificial Intelligence Methods in Civil Engineering Applications, pp. 67–80.

 

22- Mohammadi, K. 2008. Ground water table estimation using MODFLOW and artificial neural networks. Water Science and Technology Library, 68(2):127–138.

23- Steyl, G. 2009. Application of artificial neural networks in the field of geohydrology. University of the Free State, South Africa.

 

24- Sethi, R.R., Kumar, A., Sharma, S.P., and H.C. Verma. 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.

 

25- Sreekanth, P.D., Geethanjali, N., Sreedevi, P.D., Shakeel, A., Ravi Kumar, N., and P.D. Kamala Jayanthi. 2009. Forecasting groundwater level using artificial neural networks, Current Science, 96(7), 933-939.

 

26- Uddameri, V. 2007. Using statistical and artificial neural network models toforecast potentiometric levels at a deep well in South Texas. Environmental Geology, 51(6):885–895.

 

27- Wei, S., Minasny, B., and A. Bratney. 2012. Analysis and prediction of soil properties using local regression- kriging. Geoderma, 171:16-23.