ارتباط بین بارش و تراز آب زیرزمینی با استفاده از رگرسیون تاخیر زمانی

Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 71

This Paper With 24 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JWSC-30-2_002

تاریخ نمایه سازی: 8 آبان 1402

Abstract:

سابقه و هدف: در کشور ایران شرایط اقلیمی بهگونهای است که حتی در پربارانترین مناطق کشور، به منابع ﺁب زیرزمینی نیاز است و همه ساله این نیاز بیشتر میشود. از آنجا که ﺁبهای زیرزمینی یکی از ارزشمندترین منابع ﺁب در کشور ایران بهشمار میروند، پیش بینی تغییرات آن به منظور بهرهبرداری بهینه با هدف توسعه پایدار بسیار ضرورت است. یکی از پیچیده ترین فرآیندهای هیدرولوژیکی در طبیعت، فرآیند بارش-تراز آب زیرزمینی است که متاثر از پارامترهای مختلف فیزیکی و هیدرولوژیکی است. اگرچه مدل های مختلفی برای پیش بینی تغییرات تراز آب زیرزمینی با استفاده از الگوی بارش ارایه شده است اما به مدل تابع انتقال کمتر توجه شده است. از این رو هدف اصلی این پژوهش معرفی و استفاده از مدل تابع انتقال جهت پیش بینی تراز آب زیرزمینی ماهانه با استفاده از آمار بارش و مقایسه نتایج آن با مدل های شبکه عصبی-فازی و شبکه عصبی مصنوعی می باشد. مواد و روش ها: در پژوهش حاضر از آمار ۳۰ ساله (۱۴۰۰-۱۳۷۱) ایستگاه های هواشناسی و چاه های مشاهده ای در ۳ حوضه آبخیز گالیکش، رامیان و محمدآباد جهت مدل سازی بارش-تراز آب زیرزمینی استفاده شد.سپس، با توجه به اینکه سال های نزدیک تر به زمان حال اطلاعات دقیق تری از وضعیت این زمان دارند، سال ها به صورت فرآیند پیش رو در شبکه های عصبی مصنوعی در نظر گرفته شد. برازش مدل و پیش بینی مقادیر تراز آب زیرزمینی با استفاده از داده های بارش برای ۱۲ ماه آینده به کمک سه مدل شبکه عصبی مصنوعی (ANN)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF) انجام شد. برای این منظور از نرم افزارهای MINITAB SAS, SPSS, و R استفاده شد. در مرحله بعد اعتبارسنجی مقادیر پیش بینی شده توسط مدل ها با استفاده از ۳ شاخص میانگین قدرمطلق فاصله (MAD)، ریشه مربع میانگین خطا (RMSE) و میانگین قدرمطلق درصد خطا (MAPE) مورد ارزیابی قرار گرفت.یافته ها: نتایج حاصل از نمودارهای خودهمبستگی نگار تراز آب زیرزمینی چاه ها نشان داد، تمامی سری های زمانی دارای روند فصلی با دوره ۱۲ ماهه هستند. بر اساس نمودارهای خودهمبستگی متقابل نیز مشخص شد که اثر مستقیم بارش بر تراز آب زیرزمینی در دو حوضه آبخیز گالیکش و محمدآباد با تاخیر ۳ ماهه و در حوضه آبخیز رامیان با تاخیر یک ماهه انجام شده است. نتایج اعتبارسنجی مدل ها با کمک ۳ شاخص MAD، RMSE و MAPE نشان داد که مدل شبکه عصبی مصنوعی جهت پیش بینی تراز آب زیرزمینی با استفاده از داده های بارش ماهانه در هر ۳ حوضه آبخیز مورد بررسی دارای مناسب ترین عملکرد می باشد (RMSE=۰.۰۷۷۸, ۰.۰۲۴۳, ۰.۰۵۳۲m) و مدل شبکه عصبی-فازی (RMSE=۰.۱۸۴۱, ۰.۰۸۳۲, ۰.۱۰۱۲m) در رتبه دوم قرار دارد. اگرچه مدل تابع انتقال نسبت به دو روش دیگر دقت کمتری داشت (RMSE=۰.۵۷۱۱, ۰.۵۰۲۳, ۰.۳۲۳۴m)، اما این مدل در برازش مقادیر تراز آب زیرزمینی ماهانه عملکرد مناسبی داشته است. این مدل در شناسایی تاخیر در تاثیرگذاری بین متغیرهای ورودی و خروجی و همچنین بیان مدلی که می توان بر اساس آن نحوه اثرگذاری بارش را به صورت یک مدل بیان کرد، بسیار موثر است.نتیجه گیری: نتایج این پژوهش نشان داد که برای پیش بینی تراز آب زیرزمینی با کمک مقادیر بارش ماهانه، می توان از هر ۳ مدل شبکه عصبی مصنوعی، شبکه عصبی-فازی و تابع انتقال استفاده کرد. برای ۳ مدل مورد استفاده بیش برآوردی و کم برآوردی پیوسته که باعث افزایش خطا و کاهش عملکرد مدل ها می شود، مشاهده نشد. همچنین هر ۳ مدل در تشخیص روندها و تغییرات داده ها عملکرد مناسبی دارند. با این وجود عملکرد مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر از دقت بالاتری برخوردار است. علاوه بر این هنگامی که از عملکرد پیش رو در مدل سازی شبکه عصبی مصنوعی استفاده می شود نسبت به حالتی که از سری کامل داده ها استفاده می شود، کارایی مدل به نحو چشمگیری بهبود می یابد.

Authors

یول آمان ناظری

دانش آموخته کارشناسی ارشد آبخیزداری، گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، ایران.

نادر جندقی

نویسنده مسئول، استادیار هیدرولوژی مهندسی، گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، ایران.

مجتبی قره محمودلو

دانشیار هیدروژئولوژی زیست محیطی، گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، ایران.

مجید عظیم محسنی

دانشیار آمار، گروه آمار، دانشکده علوم، دانشگاه گلستان، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Gunduz, O., & Simsek, C. (۲۰۱۱). Influence of climate change ...
  • Fistikoglu, O., Gunduz, O., & Simsek, C. (۲۰۱۶). The correlation ...
  • Jyrkama, M. I., & Sykes, J. F. (۲۰۰۷). The impact ...
  • Bai, M. D., & Jha, M. K. (۲۰۱۲). Hydrologic time ...
  • Bai, C., Hong, M., Wang, D., Zhang, R., & Qian, ...
  • Bisht, D., & Jangid, A. (۲۰۱۱). Discharge modelling using adaptive ...
  • Rashmi, N., & Sudhir, N. (۲۰۱۷). Multivariate rainfall-runoff modeling of ...
  • Tsakiri, K. G., Marsellos, A., & Kapetanakis, S. (۲۰۱۸). Artificial ...
  • Mohtasham, M., Dehghani, A.A., Akbarpour, A., & Meftah Halghi, M. ...
  • Amutha, R., & Porchelvan, P. (۲۰۱۱). Seasonal prediction of groundwater ...
  • Emamgholizadeh, S., Moslemi, Kh., & Karami, Gh. (۲۰۱۴). Prediction the ...
  • Lohani, A. K., & Krishan, G. (۲۰۱۵). Application of Artificial ...
  • Rashidi, S., Mohammadian, M., & Vagharfard, H. (۲۰۱۶). Predicting of ...
  • Mohanasundaram, S., Balaji, N., & Suresh Kumar, G. (۲۰۱۷). Transfer ...
  • Willem, J.Z., Stefanie, A.R.B., Aris, L., & Wilbert, L.B. (۲۰۱۹). ...
  • Salem, A. (۲۰۲۱). Forecasting rainfall in Saudi Arabia via transfer ...
  • Heshmatpour, A., Jandaghi, N., Pasand, S., & Ghareh Mahmoodlu, M. ...
  • Khan, M. Z., & Khan, M. F. (۲۰۱۹). Application of ...
  • Zhang, G. P., & Qi, M. (۲۰۰۵). Neural network forecasting ...
  • Lohani, A.K., Kumar, R., & Singh, R. D. (۲۰۱۲). Hydrological ...
  • Wang, L. X., & Mendel, J. M. (۱۹۹۲). Generating fuzzy ...
  • Crayer, J. (۱۹۸۶). Time series analysis. PWP Publication, Boston. ۲۸۶ ...
  • Bowerman, B. L., & O’Connel, R. (۱۹۹۳). Forecasting and time ...
  • نمایش کامل مراجع