کاربرد منطق فازی و نظریه موجک در برآورد تراز آب زیرزمینی با استفاده از شاخص‌های انسو

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده کشاورزی، دانشگاه ملایر

2 دانشکده کشاورزی، دانشگاه بوعلی سینا

چکیده

     مدل‌سازی آب‌های زیرزمینی در مناطق گرم و خشک به‌ دلیل برداشت بی‌رویه، از اهمیت ویژه‌ای برخوردار است. در این مطالعه به بررسی روش­های مختلف هوشمند عصبی شامل شبکه عصبی مصنوعی، روش عصبی- فازی، عصبی- موجک و عصبی- فازی- موجک در برآورد تراز آب زیرزمینی پرداخته شد. بدین منظور کاربرد شاخص‌های مختلف انسو در برآورد تراز آب زیرزمینی فصلی 11 چاه پیزومتری استان هرمزگان طی سال‌های 1369 تا 1392 مورد توجه قرار گرفت. نتایج نشان داد که شاخص اقیانوس آرام آمریکای شمالی (PNA) بیش­ترین همبستگی را با تغییرات تراز آب زیرزمینی داشت. اجرای ساختارهای مختلف به تفکیک چهار فصل نشان داد، دقت پیش‌بینی تراز آب زیرزمینی فصل تابستان بیش از سایر فصول بود. بر اساس نتایج بهترین ساختار در پیش‌بینی تراز آب زیرزمینی فصل تابستان، مقدار آماره‌های خطاسنجی مجذور میانگین مربعات خطای نرمال، 014/0 با ضریب همبستگی 986/0 بود که 093/0 متر بیش‌برآورد داشت. از طرفی، برتری روش عصبی- موجک در برآورد تراز آب زیرزمینی فصل‌های بهار، تابستان و زمستان نسبت به سایر روش‌ها، مشاهده گردید. لیکن در فصل پاییز، روش عصبی- فازی- موجک مناسب‌تر از روش‌های دیگر عمل نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Fuzzy Logic and Wavelet Transform In Estimation of Ground Water Level Using ENSO Indexes

نویسندگان [English]

  • Maryam Bayatvarkeshi 1
  • Parisa Gheysari 1
  • Vahid Varshavian 2
1 Faculty of Agriculture, Malayer University, Malayer
2 Faculty of Agriculture, Bu Ali Sina University, Hamedan
چکیده [English]

Due to excessive withdrawal of groundwater, it's modeling in warm and arid regions are of very importance. Prediction of groundwater is important from different aspects of water resource management. In current years, the application of intelligent models in simulation has good results because of simplicity and high accuracy. Based on the previous studies, tin more investigations were used weather and hydrogeology parameters as input in intelligent models. While the effect of the ENSO phenomenon on climate and hydrology and hydrogeology was evaluated. The purpose of present study was an evaluation of intelligent models including artificial neural network (ANN) and co-active neuro-fuzzy inference system (CANFIS), wavelet transform combined with ANN (WANN) and WCANFIS models in forecasting groundwater level base on ENSO indexes.

کلیدواژه‌ها [English]

  • Ground water level
  • PNA
  • ANN
  • Fuzzy
  • Wavelet transform
انصاری مهابادی س، شمسی آ، مساح بوانی آ، "مدل­سازی سطح آب در سفیددشت توسط مدل "GMS. P 1- دومین کنفرانس ملّی تحقیقات کاربردی در منابع آب، زنجان، ایران.
ایزدی ع ا، داوری ک، علیزاده ا، قهرمان ب، حقایقی مقدم س ا، "پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی"، مجله آبیاری و زهکشی ایران، 1386، 1 (2)، 59-71.
جمالی م، میرعربی ع، نخعی م، "مقایسه روش خطی (ARIMA) و غیر خطی (ANN) در مدل­سازی نوسانات سطح آب زیرزمینی منطقه مورد مطالعه دشت قاین"، نخستین کنفرانس سراسری آب­های زیرزمینی، بهبهان، دانشگاه آزاد اسلامی واحد بهبهان، 1388.
خاشعی سیوکی ع، قهرمان ب، کوچک­زاده م، "مقایسه مدل­های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور"، نشریه آبیاری و زهکشی ایران، 1392، 7 (1)، 10-22.
دهقانی ا، عسگری م، مساعدی ا، "مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی- عصبی تطبیقی و زمین آمار در میان­یابی سطح آب­زیرزمینی (مطالعه موردی: دشت قزوین)"، مجله علوم کشاورزی و منابع طبیعی، 1388، 16، ویژه­نامه 1- ب، 517-529.
رضایی م، معماریان ه،"کاربرد سری­های زمانی بارش و نمایه­های آماری اقلیمی در پیش­بینی خشکسالی به کمک شبکه CANFIS (مطالعه موردی: بیرجند- خراسان جنوبی"، دو فصلنامه علمی- پژوهشی خشک بوم، 1394، 5 (2)، 51-66.
رجائی ط، زینی­وند ا، "مدل­سازی تراز آب زیرزمینی با بهره­گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف­آباد)"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1393، 44 (4)، 51-66.
رفیعی ا، اسپهبد م، "تأثیر چشمه­های آبگرم (گنو و خورگو) در استان هرمزگان بر آب شرب منطقه"، دومین همایش ملی راهکارهای پیش­روی بحران آب در ایران و خاورمیانه، 1394، شیراز، 1-10.
زمانی ر، محمودی ا، آخوندعلی ع، صمدی بروجنی ح، زارعی ح، "تخمین سطح آب­زیرزمینی با استفاده از روش ترکیبی زمین آمار و شبکه­های عصبی مصنوعی دشت شهرکرد"، علوم مهندسی آبیاری (مجله علمی کشاورزی)، 1394، 36 (1)، 45-56.
زارع ابیانه ح، بیات ورکشی م، "توسعه و کاربرد مدل­های عصبی، فازی، الگوریتم ژنتیک و زمین آمار در برآورد توزیع مکانی سطح ایستابی"، نشریه پژوهش­های حفاظت آب و خاک، 1392، 20 (4)، 1-26.
سدیدی ج، رضائیان ه، حمیدیان ع، باعقیده م، آریانژاد ح، "پیش­بینی سطح ایستابی مناطق خشک و نیمه خشک با استفاده از شبکه عصبی مصنوعی و روش Gradieant Descent"، مطالعات جغرافیایی مناطق خشک، 1393، 4 (16)، 39-53.
علیزاده ا، عرفانیان م، انصاری ح، "بررسی الگوهای پیوند از دور مؤثر بر پارامترهای بارش و دما (مطالعه موردی: ایستگاه سینوپتیک مشهد)"، نشریه آبیاری و زهکشی ایران، 1390، 2 (5)، 176-185.
فاتحی مرج ا، مهدیان م، "پیش­بینی بارش پاییزه با استفاده از شاخص­های انسو به روش شبکه عصبی در حوضه دریاچه ارومیه"، پژوهش­های آبخیزداری (پژوهش و سازندگی)، 1388 (84)، 42- 52.
فتحی ب، "پیش­بینی نوسانات سطح آب­زیرزمینی با استفاده ازمدل­های تلفیقی شبکه عصبی- فازی تطبیقی- موجکی (WNF) و شبکه عصبی- موجکی (WNN) و مدل خطی (ARIMA) (مطالعه موردی: دشت قم)"، پایان­نامه کارشناسی ارشد دانشگاه صنعتی شریف، 1391.
فتحی ع، نوری ه، مسعودیان ا، "تأثیر کاهش منابع آب بر کشاورزی طی سال­های آبی (1391-1370) با تأکید بر تغییرات سطح زیر کشت و تولید محصولات باغی (مطالعه موردی: شهرستان لنجان)"، مجله علمی- پژوهشی برنامه­ریزی فضایی جغرافیا، 1393، 4 (1)، پیاپی 12، 102-87.
مختاری ز، ناظمی ا، ندیری ع، "پیش­بینی تراز آب زیرزمینی با استفاده از مدل شبکه­های عصبی مصنوعی (دشت شبستر)"، فصل­نامه زمین­شناسی کاربردی، 1391، 8 (4)، 345-353.
محتشم م، دهقانی ا، اکبرپور ا، مفتاح هلقی ا، اعتباری ب، "پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی مطالعه موردی (دشت بیرجند)"، مجله آبیاری و زهکشی، 1389، جلد 4 (1)، 10-1.
مسلمی خ، امام قلی­زاده ص، کرمی غ، "مقایسه سیستم­های هوش مصنوعی ANN و ANFIS در پیش­بینی سطح آب زیرزمینی دشت بسطام"، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک، 1390، 9 تا 10 اسفند، کرمان، 1-8.
نوحه­گر ا، قشقایی­زاده ن، حیدرزاده م، ایدون م، پناهی م، "ارزیابی خشکسالی و تأثیر آن بر منابع آب سطحی و زیرزمینی حوزه آبخیز رودخانه میناب"، پژوهش­های دانش زمین، 1395، سال هفتم (27)، 28- 43.
Adamowski J, Chan FH, “A wavelet neural network conjunction model for groundwater level forecasting”, Journal of Hydrology, 2011, 407 (1-4), 28-40.
Akbari M, Jorge M, Madanisadat H, “Check declining groundwater levels using GIS (Case Study: Aquifer Mashhad)”, Journal of Soil and Water Conservation Research, 2009, 16 (5), 78-63.
Bayat-Varkeshi M, “The Impact of ENSO on Ground Water Variability in Iran”, 43rd IAH CONGRESS, 2016, 25-29th September, le Corum, Montpellier, France.
Bayazit M, Aksoy H, “Using wavelets for data generation”, Journal of Applied Statistics, 2001, 28, 157-166.
Coulibaly P, Anctil F, Aravena R, Bobee B, “Artificial neural network modeling of water table depth fluctuations”, Wate Resources Research, 2001, 37, 885-896.
Daliakopoulos I, Coulibalya P, Tsanis L, “Groundwater level forecasting using artificial neural networks”, Journal Hydrology, 2005, 309, 229-240.
Fleming SW, Quilty EJ, “Aquifer Responses to El Niño-Southern Oscillation, Southwest British Columbia”, Ground Water, 2006, 44 (4), 595-9.
Konrad CE, “Intramonthly Indices of the Pacific/North American Teleconection Pattern and Tempreature Regies Over the United States”, Theoretical and Applied Climatology, 1998, Printed in Australia.
Kuss AJM, Gurdak JJ, “Groundwater level response in U.S. principal aquifers to ENSO”, NAO, PDO, and AMO, 2014, 519 (27), 1939-1952.
Mitra S, Srivastava P, Singh S, Yates D, “Effect of ENSO-Induced Climate Variability on Groundwater Levels in the Lower. Apalachicolachattahoochdee- Flint River Basin”, American Society of Agricultural and Biological Engineers, 2014, 57 (5), 1393-1403.
Mohanty S K, Jha M, Kumar A, Sudhee K P, “Artificial neural network modeling for groundwater level forecasting in a river island of Eastern India”, Water Resour Manage, 2009, 24 (9), 1845-1865.
Monahan A H, Fyfe C, Pandolfo L, “The vertical structure of wintertime climate regimes of the northern hemisphere extratropical atmosphere”, Journal of Climate, 2003, 16, 62-71.
Niebauer HJ, Robert H, “Causes of Interannual Variability in the Sea Ice Core of the Eastern Bring Sea, Institute of Marine Science, 1999, University of Alask.
Nourani N, HosseiniBaghanam A, Adamowski A, Kisi O, “Applications of hybrid wavelet- artificial intelligence models in hydrology: a review”, Journal of Hydrology, 2014, 514, 358-377.
Okkan U, Serbes ZA, “The combined use of wavelet transform and black box models in reservoir inflow modeling”, Journal of Hydrology and Hydromechanics, 2013, 61 (2), 112-119.
Sreekanth PD, Geethanjali ND, Sreedevi PD, Shakeel A, Steyl G, “Application of Artificial Neural Networks in the Field of geohydrology”, Institute of Groundwater Studies Faculty of Natural and Agricultural Sciences, 2009, University of the Free State.
Taormina R, Chau KW, Sethi R, “Artificial Neural Network Simulation of Hourly Groundwater Levels in a Coastal Aquifer System of the Venice Lagoon”, Engineering Applications of Artificial Intelligence, 2012, 25, 1670-1676.
Tiwari S, Babbar R,Kaur G, “Performance Evaluation of Two ANFIS Models for Predicting Water Quality Index of River Satluj (India)”, Advances in Civil Engineering, 2018, 1-10.
Wang L, Kisi K, Zounemat- Kermani M, Li H, “Pan evaporation modeling using six different heuristic computing methods in different climates of China”, Journal of Hydrology, 2017, 544, 407-427.
Yang ZP, Lu WX, Long YQ, Li P, “Application and comparisonof two prediction models for groundwater levels: a case study in Western Jilin “Province, China, Journal Arid Environments, 2009, 73, 487-492.
Zareabyaneh H, Bayatvarkeshi M, Marofi, S, “Forecasting of garlic (Allium sativum L.) Evapotranspiration by using multiple modeling”, Journal of Agriculture and Natural Resources Sciences, 2011, 18 (2), 89-107.