مدل‌سازی تراز آب زیرزمینی با بهره‌گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف‌آباد)

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

چکیده

منابع آب زیرزمینی یکی از مهم­ترین منابع تأمین آب می­باشند، از این­رو مدل­سازی آن­ها بسیار حائز اهمیت می­باشد. ارزیابی و پیش­بینی تراز آب زیرزمینی به پیش­بینی منابع آب زیرزمینی کمک می­کند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (MLR)، مدل هیبرید موجک- شبکه عصبی (WNN) و شبکه عصبی مصنوعی (ANN) در پیش­بینی سطح آب زیرزمینی (GWL)، بر مبنای دو معیار ریشه خطای مربع متوسط (RMSE) و ضریب کارایی نش- ساتکلیف (E) می­باشد. داده­های استفاده شده در این پژوهش مربوط به دو حلقه چاه مشاهده­ای در حوضه آبریز شریف­آباد استان قم هستند. مدل­سازی تراز آب زیرزمینی چاه­ها با استفاده از داده­های تراز آب زیرزمینی 15 سال و 6 ماه، برای پیش­بینی تراز 19 ماهه دوره آزمون انجام شده است. نتایج نشان داده­اند که مدل موجک- شبکه عصبی تطابق بهتری با مقادیر مشاهده­ای تراز آب زیرزمینی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling of Groundwater Level using ANN–Wavelet Hybrid Model (Case Study: Sharif Abad Plain)

نویسندگان [English]

  • Taher Rajaee
  • Akram Zeynivand
Department of Civil Engineering, University of Qom

کلیدواژه‌ها [English]

  • Sharif Abad plain
  • Groundwater level
  • Artificial neural network
  • wavelet transform
  • Multiple linear regression
[1]        Yang, Z. P., Lu, W. X., Long, Y. Q., Li, P. "Application and Comparison of Two Prediction Models for Groundwater Levels: A Case Study in Western Jilin Province, China", Journal of Arid Environments, 2009, 73, 487-492.
[2]        Banerjee, P., Singh, V. S., Chatttopadhyay, K., Chandra, P. C., Singh, B., ''Artificial Neural Network Model as a Potential Alternative for Groundwater Salinity Forecasting'', Journal of Hydrology, 2011, 398, 212-220.
[3]        Hwa Cho, K., Sthiannopkao, S., A. Pachepsky, Y., Kim, K. W., Ha Kim, J., ''Prediction of Contamination Potential of Groundwater Arsenic in Cambodia, Laos, and Thailand using artificial neural network'', Water Research, 2011, 45, 5535-5544.
[4]        Taormina, R., Chau, K. W., 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.
[5]        Mohanty, S., Jha, M., Kumar, A., Panda, D. K., '' Comparative Evaluation of Numerical Model and Artificial Neural Network for Simulating Groundwater Flow in Kathajodi-Suru Inter-basin of Odisha, India'', Journal of Hydrology, 2013, 495, 38-51.
[6]        Rajaee, T., Mirbagheri, S. A.,"Suspended Sediment Modeling in Rivers Using Artificial Neural Networks", Journal of Civil Engineering, 2009, 21 (1), 23-47.
[7]        Fallah-Mehdipour, E., Bozorg Haddad, O., Marin, M. A., ''Prediction and Simulation of Monthly Groundwater Levels by Genetic Programming'', Journal of Hydro-Environment Research, 2013, 1-8.
[8]        Nikmanesh, M., Rakhshanderoo, Gh., "Forecasting Groundwater Level In Saadat-Shahr Plain, Iran, Using Artificial Neural Networks", Journal of Iran-Water Resources Research, 2011, 7 (1), 82-86.
[9]        Mohtasham, M., Dehghani, A. A., Akbarpur, A., Meftah, M., Etebari, B., ''Groundwater Level Determination by Using Artificial Neural Network (Case study: Birjand Aquifer)'', Iranian Journal of Irrigation and Drainage, 2010, 4 (1), 1-10.
[10]     Mokhtari, Z., Nazemi, A. H., Nadiri, A. A., ''Predicting Groundwater Level using Artificial Neural Network Model (Case Study: SHABESTAR Aquifer)'', Quarterly of Applied Geology, 2012, 4, 345-353.
[11]     Rajaee, T., Nourani, V., Zounemat-Kermani, M., Kisi, O., ''River Suspended Sediment Load Prediction: Application of ANN and Wavelet Conjunction Model'' Journal of Hydrologic Engineering, 2011, 16 (8), 613-627.
[12]     Wang, Y., XiaohuiLei, H., XinshanSong, Y., ''Flood Simulation using Parallel Genetic Algorithm Integrated Wavelet Neural Networks'', Neurocomputing, 2011, 74, 2734-2744.
[13]     Nourani, V., Kisi, O., Komasi, M., ''Two Hybrid Artificial Intelligence Approaches for Modeling Rainfall-Runoff Process'', Journal of Hydrology, 2011, 402, 41-59.
[14]     Rajaee, T., ''Wavelet and ANN Combination Model for Prediction of Daily Suspended Sediment Load in Rivers'', Science of The Total Environmental, 2011, 409, 2917-2928.
[15]     Adamowski, J., Chan, H. F., ''A Wavelet Neural Network Conjunction Model for Groundwater Level Forecasting'', Journal of Hydrology, 2011, 407, 28-40.
[16]     Rajaee, T., Mirbagheri, S. A., Nourani, V., Alikhani, A., ''Prediction of Daily Suspended Sediment Load Using Wavelet and Neuro-Fuzzy Combined Model'', International Journal of Environmental Science and Technology, 2010, 7 (1), 93-110.
[17]     Nakhaee, M., Saberi Nasr, A., ''Predicting Groundwater Level Fluctuations of GHARVE Aquifer using Wavelet-Neural Network and comparing with MODFLOW Numerical Model'', Journal of Developed Applied Geology, 2012, 1 (4), 47-58,
[18]     Fathi, B., "Prediction of Groundwater Level Fluctuations using combined models Wavelet -Adaptive Fuzzy-Neural Network and Wavelet-Neural Network and Linear Model", MSc Thesis Sharif University of Technology 2012.
[19]     Nayak, P. C., Venkatesh, B., Krishna, B., Jain, S. K., ''Rainfall-Runoff Modeling using Conceptual, Data Driven, and Wavelet Based Computing Approach'', Journal of Hydrology, 2013, 493, 57-67.
[20]         Polikar, R., ''Fundamental Concepts and Overview of the Wavelet Theory'', 2nd Edition, 1996.