ارائه مدل ترکیبی ژنتیک ـ کریجینگ برای پیش‌بینی زمانی و مکانی سطح آب زیرزمینی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد/ گرایش آبشناسی، دانشگاه تبریز

2 استایار/ گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز

3 استاد /گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز

چکیده

استفاده از روش‌های هوشمند تکاملی و مدل‌های ترکیبی برای پیش‌بینی زمانی ـ مکانی نوسانات سطح آب زیرزمینی در دهه‌های اخیر بیشتر مورد توجه محققین قرار گرفته است. الگوریتم ژنتیک و نروفازی از روش‌های جدید پیش‌بینی نوسانات سطح آب زیرزمینی هستند که برای پیش‌بینی مسائل پیچیده و غیرخطی می‌توانند به‌صورت منفرد و ترکیبی به‌کار روند. در این پژوهش، از روش‌های فوق برای مطالعه آبخوان دشت هادیشهر که به دلیل برداشت بی‌رویه از آب‌های زیرزمینی، سطح آب زیرزمینی آن افت شدیدی پیدا کرده است؛ استفاده شد. دشت هادیشهر در شمال غرب استان آذربایجان شرقی واقع شده و بخشی از محدوده مطالعاتی جلفا ـ دوزال است. به‌منظور یافتن راهکارهایی مفید برای پیش‌بینی زمانی ـ مکانی سطح آب زیرزمینی، از روش‌های هوش مصنوعی مانند نروفازی و برنامه‌ریزی ژنتیک و ترکیب بهترین مدل آن‌ها با روش‌های زمین‌ آماری استفاده شد. بارش و تبخیر در گام زمانی t0 و سطح آب زیرزمینی در گام زمانی t0-1 ورودی‌های مدل‌های نروفازی و برنامه‌ریزی ژنتیک بودند. نتایج نشان داد دقت مدل برنامه‌ریزی ژنتیک بیشتر از مدل نروفازی است به‌طوری‌که RMSE میانگین برای پیزومتر‌های منتخب در مرحله آزمایش در مدل برنامه‌ریزی ژنتیک 19 سانتی‌متر و در مدل نروفازی 23 سانتی‌متر به‌دست آمد. لذا مدل برنامه‌ریزی ژنتیک برای ترکیب با مدل‌ زمین ‌آماری (کریجینگ) استفاده شد و در نهایت مدل ترکیبی کریجینگ ـ ژنتیک برای پیش‌بینی زمانی ـ مکانی به‌دست آمد؛ و نتایج شبیه‌سازی‌شده به کل دشت و مناطق فاقد شبکه پایش سطح آب زیرزمینی بسط داده شد.

کلیدواژه‌ها


عنوان مقاله [English]

Spatio-temporal Groundwater Level Prediction Using Hybrid Genetic-Kriging Model (Case Study: Hadishahr Plain)

نویسندگان [English]

  • M.H. Habibi 1
  • A.A. Nadiri 2
  • A. Asghari Moghaddam 3
1 MSc. Student of Hydrogeology, Department of Earth Science, University of Tabriz, Tabriz, Iran.
2 Assistant Professor, Department of Earth Science, Faculty of the Natural Resources, University of Tabriz, Tabriz, Iran
3 Professor, Department of Earth Science, Faculty of the Natural Resources, University of Tabriz, Tabriz, Iran
چکیده [English]

In recent decades, the application of intelligent evolutionary methods and hybrid models for forecasting groundwater spatiotemporal fluctuations were more focused by researchers. Genetic algorithm and Neuro-Fuzzy are new methods which are applicable in single and hybrid forms for forecasting in complex and nonlinear problems. In this research, aforementioned methods were applied to study the Hadishahr plain aquifer. The Hadishahr plain is located in the north of East Azerbaijan province and it is a part of Julfa–Duzal study area. This aquifer suffers from groundwater level declination due to groundwater withdrawal increase. To achieve practical ways for spatio-temporal groundwater level forecasting, the artificial intelligence methods such as neuro–fuzzy (NF), genetic programming (GP) and combination their best model with geostatistical methods were used. Precipitation and evaporation in t0 time step and groundwater table in t0-1 time step were the inputs to the Neuro-Fuzzy and Genetic Programming. The results showed that the average RMSE of selective piezometers for genetic programming and neuro-fuzzy were 19 and 23 centimeter in the test step, respectively. Then, genetic programming was used to present a hybrid model in combination with the geostatistical model (kriging). Finally, the hybrid model “genetic - kriging” were applied to predict the spatiotemporal prediction of the groundwater level. The simulated results were extended to the whole plain and the area with no groundwater level monitoring network.

کلیدواژه‌ها [English]

  • groundwater level
  • Hadishahr Plain
  • Neuro-Fuzzy
  • Genetic programming
  • Geostatistics

اصغری مقدم الف، نورانی و، ندیری ع (1388) پیش­بینی زمانی و مکانی سطح آب­های زیرزمینی در محدوده متروی شهر تبریز با استفاده از مدل کریجینگ عصبی. تحقیقات منابع آب ایران، جلد 13، شماره 1: 14-24.

اکبری م، جرگه م­ر، مدنی سادات ح (1388) بررسی افت سطح آب‌های زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی (GIS) مطالعه موردی: آبخوان دشت مشهد. پژوهش­های حفاظت آب‌وخاک (علوم کشاورزی و منابع طبیعی)، جلد 16، شماره 4: 63-78.

فربودفام ن، قربانی م­ع، اعلمی م­ت (1388) پیش­بینی جریان رودخانه با استفاده از برنامه­ریزی ژنتیک. دانش آب‌وخاک، جلد 19، شماره 1.

ندیری ع­ا، اصغری مقدم الف، عبقری ه، فیجانی ا (1392) توسعه مدل‌های هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان مطالعه موردی: دشت تسوج. تحقیقات منابع آب ایران، جلد 26، شماره 1: 1-14.

نورانی و، طالب بیدختی ن، عابدینی م­ج، رخشندرو غ­ر(1384) تخمین بار رسوبی معلق با استفاده از زمین‌آمار مطالعه­ی موردی تلخه‌رود تبریز. تحقیقات منابع آب ایران، جلد 1، شماره 2: 42-50.

ندیری، 1387. پیش‌بینی سطح آب زیرزمینی در محدوده متروی شهر تبریز با استفاده از شبکه‌های عصبی مصنوعی. پایان‌نامه کارشناسی ارشد، دانشکده علوم طبیعی، 187 ص.

Affandi A, Watanabe K (2007) Daily groundwater level fluctuation forecasting using soft computing technique. J Nature and Science 5(2):1-10.

ASCE Task Committee on Geostatistical Techniques in Geohydrology of the Ground Water Hydrology Committee of the ASCE Hydraulics Division. (1990) Review of geostatistics in geohydrology, part I: Basic Concepts. J Hydrol. Eng 116:612-632.

Aytek A, Alp M (2008) An application of artificial intelligence for rainfall runoff modeling. J Earth Syst Sci 117 (2):145–155.

Barcae E, Passarella G (2008) Spatial evaluation of the risk of groundwater quality degradation: Acomparison between Disjunctive Kriging and geostatistical simulation. Journal of Environmental Monitoring and Assessment 133: 261-273.

Copertino VA, Molino B, Telesca V (1998) Spatial and temporal evolution of water quality in reservoirs. Phys Chem Earth 23(4): 475-478.

Cramer NL (1985) A representation for the adaptive generation of simple sequential programs. In: Proc. of International Conference on Genetic Algorithms and their Applications (ICGAA-1985), 24-26 July, Carnegie-Mellon Universality Pittsburgh, PA, USA, 183- 187.

Desbarats AJ, Logan CE, Hiton MJ, Sharpe DR (2002) On the kriging of water table elevations using collateral information from a digital elevation model. J Hydrol 255: 25-38.

Ferreira C (2001a) Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems 13(2): 87–129.

Ferreira C (2006b) Automatically defined functions in gene expression programming. In: Nedjah, N, Mourelleh, L.de M, Abraham, A (Eds.), Genetic Systems Programming: Theory and Experiences, Studies in Computational Intelligence, Springer-Verlag, 13: 21–56.

Fetouani S, Sbaa M, Vanclooster M, Bendra B (2008) Assessing groundwater quality in the irrigated plain of Triffa (Northeast Morocco). Journal of Agricultural Water Management 95: 133-142.

Fijani E, Nadiri AA, Moghaddam AA (2013) Optimization of DRASTIC method by supervised committee machine artificial intelligence to assess groundwater vulnerability for Maragheh–Bonab plain aquifer, Iran. J Hydrology 503: 89-100.

Ghorbani MA, Makarynskyy O, Shiri J, Makarynska D (2009) genetic programming for Sea water level predictions in an island environment. Journal of Ocean and Climate systems 1(1): 27-36.

Ghorbani MA, Khatibi R, Aytek A, Makarynskyy O, Shiri J (2010) Sea water level forecasting using genetic programming and comparing the performance with artificial neural networks. Computers & Geosciences 36(5): 620-627.

Isaaks EH, Srivastava RM (1989) Applied Geostatistics. Oxford Universisity press 561p.

Kelin H, Huang Y, Li H, Li B, Chen D, Robert EW (2005) Spatial variability of shallow groundwater level, electrical conductivity and nitrate concentration, and risk assessment of nitrate contamination in North China Plain. Environment International 31:893-903.

Koza JR (1992) Genetic programming: On the programming of computers by means of natural selection. Cambrigdge.MA: MIT Press.

Kurtulus B, Razack M (2010)  Modeling  daily  discharge  responses  of  a  large  karstic aquifer  using  soft  computing  methods:  Artificial  neural  network  and  neuro-fuzzy. Journal of Hydrology 381: 101-111.

Lallahem S, Mania J, Hani A, Najjar Y (2005) on the use of neural networks to evaluate ground water levels in fractured media. Journal of Hydrology 307: 92-111.

Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M, Muttil N (2002) Genetic programming, A new  paradigm in rainfall runoff modeling. J Am Water Res Assoc 38(3): 705-718.

Lopes HS, Weinert, WR (2004) EGIPSYS: an enhanced gene expression programming approach for symbolic regression problems. International Journal of Applied Mathematics and Computer Science 14(3): 375-384.

Maier HR, Jain A, Dandy GC, Sudheer KP (2010) Methods used for the development of neural networks for the prediction of water resource variables in river systems. Current status and future directions. Environmental Modelling & Software 25: 891-909.

Mehdipour FE, Haddad BO, Marin AM (2013) Prediction and simulation of monthly groundwater levels by genetic programming. J. Hydro-environment Research 7(4): 253-260.

Moosavi V, Vafakhah M, Shirmohammadi B, Behnia N (2013) A wavelet-ANFIS hybrid model for groundwater level forecasting for different prediction periods. J Water Resour Manage 27: 1301–1321.

Motaghian HR, Mohammadi J (2011) Spatial estimation of saturated hydraulic conductivity from terrain attributes using regression, Kriging, and Artificial Neural Networks. Pedosphere 21(2): 170-177.

Nadiri AA, Chitsazan N, Tsai FTC, Moghaddam AA (2013b) Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. J Hydrol Eng 19(3): 520-532.

Nadiri AA, Fijani E, Tsai FTC, Moghaddam AA (2013a) Supervised committee machine with artificial intelligence for prediction of fluoride concentration. J Hydroinformatics 15(4): 1474-1490.

Naoum S, Tsanis LK (2004) Ranking spatial interpolation techniques using a GIS-based DSS. J Global Nest 6(1): 1-20.

Nourani V, Mogaddam AA, Nadiri AO (2008) An ANN-based model for spatiotemporal groundwater level forecasting. J Hydrol Process 22: 5054– 5066.

Phillips DL, Dolph J, Marks D (1992) A comparison of geostatistical procedure for spatial analysis of precipitation in mountainous terrain. J Agr forest meteoral 58: 119-141.

Poli R, Langdon W, McPhee N, Koza J (2008) A field guide to genetic programming.

Prasad KL, Rastogi AK (2001) Estimating net aquifer recharge and zonal hydraulic conductivity values for Mahi Right Bank Canal project area, India by genetic algorithm. Journal of Hydrology 243: 149-161.

Saemi M, Ahmadi  M (2008)  Integration  of  genetic  algorithm  and  a  coactive  neurofuzzy inference  system  for  permeability  prediction  from  well  logs  data. J Transp Porous Med 71: 273–288.

Shiri J, Kişi Ö (2011) Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth  fluctuations. Computers & Geosciences 37: 1692-1701.

Taghizadeh Mehrjerdi R, Zareian M, Mahmodi Sh, Heidari A (2008) Spatial distribution of groundwater quality with geostatistics (Case study: Yazd-Ardakan plain), World Applied Science Journal. 4(1): 9-17.

Talei A, Chua LHC, Quek C (2010) A  novel  application  of  a  neuro-fuzzy computational  technique  in  event-based  rainfall–runoff  modeling. Expert Systems with Applications 37: 7456-7468.

Tayfur G, Nadiri AA, Moghaddam AA (2014) Supervised intelligent committee machine method for hydraulic conductivity estimation. J Water Resources Manage 28( 4): 1173-1184.

Tutmez B, Hatipoglu Z, Kaymak U (2006)  Modelling electrical  conductivity  of groundwater using an  adaptive  neuro-fuzzy  inference  system. Computers  &Geosciences 32: 421-433.

Yan H, Zou Z, Wang H (2010)  Adaptive neuro-fuzzy  inference  system  for classification  of  water  quality  status.  Journal  of  Environmental  Sciences 22: 1891-1896.

Zounemat-Kermani M, Teshnehlab M (2008) Using adaptive neuro-fuzzy inference system for hydrological time series prediction. J Soft Computing 8(2): 928-936.