ارزیابی عملکرد مدل‌های کوکریجینگ و نروفازی جهت تخمین غلظت نیترات در آبخوان کرج

پورفرح آبادی, الهه; خلقی, مجید

ارزیابی عملکرد مدل‌های کوکریجینگ و نروفازی جهت تخمین غلظت نیترات در آبخوان کرج

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ کارشناس‌ارشد منابع آب/ پردیس کشاورزی و منابع طبیعی، دانشگاه تهران

² دانشیار/ گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب و خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران

چکیده

امروزه تکنیک‌های مدرن بر اساس مدل‌های زمین‌آمار برای به دست آوردن غلظت نیترات آب زیرزمینی در نقاط نامعلوم و تعیین نقاط جدید نمونه‌برداری به کار گرفته شده است. در این تحقیق، از مدل‌های کوکریجینگ و نروفازی، جهت ارزیابی تغییرات مکانی غلظت نیترات در آبخوان کرج استفاده گردیده ‌است. تخمین غلظت نیترات با استفاده از مدل‌های مذکور بر اساس نمونه‌های حاصل از 179 حلقه چاه آب شرب در آبخوان کرج انجام پذیرفته ‌است. بدین منظور، مقادیر غلظت نیترات در سال 1384 به عنوان متغیر اولیه و مقادیر غلظت نیترات در سال‌های 1379 تا 1383 به عنوان متغیر‌های کمکی مدل کوکریجینگ و متغیرهای ورودی به مدل نروفازی در نظر گرفته ‌شده‌اند. نتایج این تحقیق نشان می‌دهد، پنج مدل نروفازی تهیه شده جهت پیش‌بینی غلظت نیترات سال 1384، در مقایسه با مدل‌های کوکریجینگ از کارایی و دقت بیشتری برخوردار است. همچنین از بین مدل‌های نروفازی بررسی شده، مدلی که غلظت نیترات سال 1383 را به عنوان متغیر ورودی در نظر گرفته است از شاخص‌های ارزیابی بالاتری نسبت به دیگر مدل‌های نروفازی برخوردار بوده است.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Cokriging and Neurofuzzy Model Performance in Estimating the Nitrate Concentration in Karaj Aquifer

نویسندگان [English]

E. Poor Farah Abadi ¹
M. Kholghi ²

¹ MSC graduate in Water Resources Engineering, Agriculture and Natural Resources Campus, University of Tehran, Karaj, Iran

² Associate Professor, Department of Irrigation and Reclamation Engineering, Agriculture and Natural Resources Campus, University of Tehran, Karaj

چکیده [English]

Recently, new techniques based on geostatistical methods have been used to estimate groundwater nitrate concentrations in unmeasured areas as well as to determine new sampling locations. In this study the Cokriging and Anfis models have been developed in interpolation step for nitrate parameter spatiovariation in Karaj aquifer. Nitrate concentrations have been estimated annually using samples derived from 179 drinking water wells. For this purpose, values of nitrate concentration in 1384 (2005) have been considered as the initial values. Nitrate concentration in 1379 to 1383 (200-2004) have been applied as the covariate for cokriging model and as the input parameters for neuro fuzzy model. The comparison between cokriging and Anfis results showed that in five neuro fuzzy models, the error function are less than the cokrihging model, especially for the data of 2004.

کلیدواژه‌ها [English]

Nitrate concentration
Cokriging
Neurofuzzy
Karaj aquifer

مراجع

ایزدی ع، دلقندی م، فراستی م (1389) کاربرد روشهای کریجینگ و کوکریجینگ در تخمین مکانی پارامترهای کیفی آبهای زیرزمینی. سومین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اهواز، ایران، 1-2 اسفند.

هاشمی س ا، موسوی س ف، طاهری س م، قره‌چاهی ع (1389) ارزیابی کیفیت آب زیرزمینی 9 شهر استان اصفهان برای مصارف شرب با استفاده از سیستم استنتاج فازی. مجله تحقیقات منابع آب ایران، سال 6، شماره 3.

Afrous A, Hosseini S.M, Goudarzi Sh (2007) Assesment of the Ordinary Kriging and Neuro-Fuzzy appraoches in interpolation of the groundwater level. Journal of Groundwater:978-984.

Amini M, Afyuni M, Fathianpour N, Khademi H, Fluhler H (2005) Continuous soil pollution mapping using fuzzy logic and spatial interpolation. Geoderma 124 (3–4):223–233.

Marsily G.D, Ahmed Sh (1987) Application of Kriging techniques in groundwater hydrology. Journal of the Geology Society of India 29(1):57-79.

Mertens M, Huwe B (2002) Fun-Balance: a fuzzy balance approach for the calculation of nitrate leaching with incorporation of data imprecision. Geoderma 109:269–287.

Mousavi S.F, Amiri M.J (2012) Modelling nitrate concentration of groundwater using adaptive neural-based fuzzy inference system. Journal of Soil and Water Res 7(2):73-83.

Shrestha R.R, Bardossy A, Rode M (2007) A hybrid deterministic–fuzzy rule based model for catchment scale nitrate dynamics. Journal of Hydrology 342:143– 156.