Groundwater Simulation Using Artificial Neural Networks and ArcGIS Under Different Scenarios (Case Study: Mahyar Plain)

Document Type : Research Paper

Author

Abstract

North Mahyar plain in Isfahan, is one of the plains which has confront water crisis. In these circumstances, attention to the capacity of the resources and proper management is an important issue to pass this condition. Chitsazan et al. (2013) noted that artificial neural network is able to figure out the relation of hydrologic parameter. Also, this tool can be used in water resources management (Coppola et al., 2005).  Therefore, by applying artificial neural network, water-table data and cropping pattern in plain, three land-use scenarios were designed. Water table was simulated for water year of 2008 with one-layer network, Levenberg–Marquardt algorithm, and three functions in MATLAB­­_R2012a. Water table map was prepared by using simulated water table in ArcGIS 10.2, and zoning was performed according to the costs of water pumping. Results showed that 61-86 percent of the plain in all three scenarios had medium limitation. Also, using different management in field like fallowing and planting low-water use crops caused 3 and 5 percent increase in acreage of "without limitation" lands, respectively.

Keywords

Main Subjects

References

1-       ابراهیمی، م. ص. 1392. مدل‌سازی تغییرات زمانی– مکانی سطح آب زیرزمینی در اندرکنش با آب‌های سطحی با استفاده از تکنیک‌های شبکه عصبی مصنوعی و زمین‌آمار، مطالعه موردی: آبخوان نجف‌آباد. پایان­نامه کارشناسی ارشد، مهندسی عمران- آب، دانشکده عمران، دانشگاه صنعتی اصفهان.
 
2-       احمدپور، ح. خالدیان، م.ر. اشرف زاده، ا. و م. رضایی. 1392. بررسی شوری آب­های زیرزمینی دشت گیلان با توجه به پارامترهای شوری موثر و بالقوه. مجله پژوهش آب ایران، 7(12): 176-169.
 
3-       زمانی، ن. عابدی کوپایی، ج. و م. جواهری طهرانی. 1392. مکان­یابی اجرای طرح تغذیه مصنوعی در منطقه­ی علویجه با استفاده از نرم افزار GIS. اولین همایش ملی بحران آب، اصفهان.
 
4-       زمانی، ر. محمودی، ا. آخوند علی، ع. م. و ح. زارعی. 1396. کاربرد روش ترکیبی زمین آمار و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در تخمین سطح ایستابی (مطالعه موردی: دشت­های دزفول و زیدون). علوم و مهندسی آبیاری، 40(2): 37-27.
 
5-       صفوی، ح. ر. و ف. درزی. 1387. کاربرد شبکه­های عصبی مصنوعی در مدیریت تلفیقی آب­های سطحی و زیرزمینی. چهارمین کنفرانس ملی مهندسی عمران، تهران.
 
6-       عابدی کوپایی، ج. جواهری طهرانی، م. و ن. زمانی. 1392. بهبود کیفیت پساب خروجی تصفیه خانه فاضلاب با استفاده از تکنولوژی بتن متخلخل. نخستین کنفرانس بین المللی اکولوژی سیمای سرزمین، اصفهان.
 
7-       ملکی­نژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش­بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). مجله علوم و مهندسی آبیاری، 36(2): 92-81.
 
8-       مهدوی نجف آبادی، ع. 1390. مکانیابی عرصه­های مناسب برای تغذیه مصنوعی آب­های زیرزمینی به دو روش منطق بولین و منطق فازی در حوضه آبریز دشت شهرکرد. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 15(56): 79-63 .
 
9-       نادریان­فر، م. انصاری، ح. ضیایی، ع. و ک. داوری. 1389. بررسی روند تغییرات نوسانات سطح آب زیرزمینی در حوضه آبریز نیشابور تحت شرایط اقلیمی مختلف. فصلنامه مهندسی آبیاری و آب، 3: 37- 21.
 
10-    نخعی، م. و ا. صابری نصر. 1391. پیش­بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW. مجله زمین شناسی کاربردی پیشرفته، 4(1): 47-58.
11-   Affandi, A.K., Watanabe, K. and H. Tirtomihardjo. 2007. Application of anartificial neural networke to estimate ground water level fluctuation. Spatial Hydrology, 7(2):23-46.
 
12-   Banerjee, P. Singh, V.S., Chatttopadhyay, K., Chandra, P.C. and B. Singh. 2011. Artificial neural network model as a potential alternative for groundwater salinity forecasting. Journal of Hydrology, 398: 212-220.
 
13-   Chitsazan, M., Rahmani, Gh. and A. Neyamadpour. 2013. Groundwater level simulation using neural network: A case study from Aghili plain, urban area of Gotvand, south- west Iran. Journal of Geope, 3: 35-46.
 
14-   Coppola, E.A. J., Rana, A. M., Poulton, M., Szidarovszky, F. and V. W. Uhl. 2005. Ground Water, 43(2): 231-241.
 
15-   Daliakopoulos, I.N,. Coulialy, P. and I.K. Tsanis. 2005. Groundwater level forecasting using artificial neural networks. Hydrology, 309: 229-240.
 
16-   Falamarzi, Y., Palizdan, N., Huang, Y.F. and T. Shui Lee. 2014. Estimating evapotranspiration from temperature and wind speeddata using artificial and wavelet neural networks (WNNs). Agricultural Water Management, 140: 26–36.
 
17-   omran, e.e., ghallab, a., selmy, s. and a.a. gad. 2014. Evaluation and mapping water wells suitability for irrigation using GIS in Darb El-Arbaein, South Western desert, Egypt. Water Resources and Arid Environments, 3(1): 63-76.
 
18-   Nasiri, A. and H. Alipur. 2014. Estimation of Spatial Distribution of Groundwater Quality Parameters using Geostatistical Methods - A Case Study of (ISFAHAN- IRAN). Engineering & Technology Sciences, 2 (2): 159-173.
 
19-   Yao, L., Huo, Z., Feng, Sh., Mao, X., Kang, Sh., Chen, J., Xu, J. and T.S. Steenhuis. 2014. Evaluation of spatial interpolation methods for groundwater level in an arid inland oasis, northwest China. Environmental Earth Science, 71:1911-1924.
 
 
Irrigation Sciences and Engineering
Volume 40, Issue 3
December 2017
Pages 167-180

Files

History

  • Receive Date: 28 November 2015
  • Revise Date: 27 June 2016
  • Accept Date: 17 September 2016
  • Publish Date: 22 November 2017

Share

How to cite

Statistics