پیش‌بینی زمانی و مکانی سطح آب‌ زیرزمینی محدودۀ متروی شهر تبریز توسط روش کریجینگ عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار/دانشکده علوم طبیعی، دانشگاه تبریز

2 استادیار /دانشکده مهندسی عمران، دانشگاه تبریز

3 دانشجوی دانشجوی دکتری/ هیدروژئولوژی، دانشگاه تبریز

چکیده

تغییرات سطح آبهای زیرزمینی یکی از عوامل اصلی تأثیر گذار بر اجرای پروژه‌های مهندسی می‌باشد. پیش‌بینی زمانی و مکانی سطح آبهای زیرزمینی در محدودۀ شهر تبریز به علت وجود پروژه‌های مهندسی در دست اجرا از جمله پروژۀ متروی شهر تبریز ضروری به نظر می‌‌رسد. به علت پیچیده و چند لایه بودن آبخوان محدودۀ شهر تبریز، مدل‌سازی آن با مدل‌های ریاضی کلاسیک با مشکلات فراوانی رو به رو است. در این تحقیق به عنوان روشی جدید از دو مدل شبکههای عصبی مصنوعی و زمین‌آمار (کریجینگ عصبی) به صورت ترکیبی برای پیش‌بینی زمانی و مکانی تغییرات سطح آبهای زیرزمینی در آبخوان محدودۀ شهر تبریز استفاده شد. به طوری که ابتدا از ساختارهای مختلف شبکه‌های عصبی مصنوعی برای پیش‌بینی سطح آبهای زیرزمینی در پیزومتر مرکزی استفاده گردید و بهترین ساختار شناسائی شد. سپس این ساختار برای مدل‌سازی پیزومترهای منتخب به‌کار برده شد. نتایج مدل‌های مذکور، شامل داده‌های پیش‌بینی ماهانۀ سطح آبهای زیرزمینی در پیزومترهای منتخب در بازۀ زمانی دو ساله، به عنوان ورودی مدل ‍زمین‌آمار برای پیش‌بینی مکانی سطح آبهای زیرزمینی در محدودۀ مطالعاتی به کار گرفته شد. برای بدست آوردن مدلی با بازده بالا روشهای مختلف زمین‌آمار استفاده شد. در نهایت مدل به‌‌ دست آمده توسط نتایج مربوط به پیزومترهای استفاده نشده در مدل‌سازی و در دست احداث، مورد آزمون قرار گرفت، که نتایج قابل قبولی را ارائه داد.

 

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Spatiotemporal Water Levels by Neural Kriging Method in Tabriz City Underground Area

نویسندگان [English]

  • A Asghari Moghaddam 1
  • V Norani 2
  • A. O Nadiri 3
1 Associate professor, Department of Geology, University of Tabriz, Tabriz, Iran
2 Assistant professor, Department of Water Engineering, University of Tabriz, Tabriz, Iran
3 Ph.D. Candidate in Hydrogeology, Department of Geology, University of Tabriz, Tabriz, Iran
چکیده [English]

Groundwater level variations can essentially affect the execution of many engineering projects. Accordingly, due to the projects underway in Tabriz district and especially Tabriz Underground Project (METRO), spatiotemporal prediction of the groundwater level is crucial. Due to the aquifer complexity in the Tabriz area, there are problems in using classical mathematical models. In this research a combination of the artificial neural networks and Geostatistic models were applied as a new method for spatiotemporal  prediction of groundwater levels using selected pizometers. For this purpose, the different neural networks were examined for groundwater level forecasting in central piezometer and an optimal ANN architecture was identified. This ANN structure was then used for modeling the selected piezometers. The results of these models were used as the inputs of the geostatistics model for forecasting spatial groundwater level in the study area. Two year monthly groundwater level prediction data in selected piesometers resulted by ANN modeling were among these input data. In order to obtain a high efficiency model, different methods of the geostatistic model were used. Finally the obtained model was tested by water level data in piesometers other than those used for model calibration. The results of this hybrid model were acceptable.  

کلیدواژه‌ها [English]

  • Fluctuation of groundwater table
  • Artificial Neural Networks
  • Geostatistic model
  • Tabriz city area aquifer
  • Hybrid Model

اصغری مقدم، اصغر، نورانی، وحید، ندیری، عطاالله (1386)، "پیش‌بینی زمانی و مکانی سطح آبهای زیرزمینی در محدوده شهر تبریز". یازدهمین همایش انجمن زمین‌شناسی، دانشگاه فردوسی مشهد، ص 388.

اصغری مقدم، اصغر، نورانی، وحید، ندیری، عطاالله (1387)، "مدل سازی بارش دشت تبریز با استفاده از شبکه‌های عصبی مصنوعی". مجلة دانش کشاورزی دانشگاه تبریز، شمارة 1، جلد 18، ص 1-15.

ندیری، عطاالله، اصغری مقدم، اصغر (1385)، "مبانی شبکه‌های عصبی مصنوعی(ANNs) و کاربرد آن در هیدروژئولوژی". دهمین همایش انجمن زمین شناسی، دانشگاه تهران، ایران، ص 45.

ندیری، عطاالله (1386)، "پیش‌بینی سطح آبهای زیرزمینی توسط مدل ANNs در محدودة متروی شهر تبریز. پایاننامة کارشناسی ارشد، دانشگاه تبریز".178ص.

Aboufirassi, M. and Maano, M. A. (1983), "krigingof water level in the Souss aquifer", Morocco. Math. Geol., 15(4), pp. 537-551.

ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000), "Artificial neural network in hydrology, part I and II". J. Hydrol. Eng. ASCE, 5(2), pp. 115-137.

 ASCE American Society of Civil Engineering Task Committee on geostatical techniques in geohydrology (1990), Review of geostatistics in geohydrology 1:Basic concepts; 2:applications. ASCE J. Hydraul. Eng., 116(5), pp. 612-658.

Coulibaly, P., Anctil, F. and Bobée, B. (2000), "Daily reservoir inflow forecasting using artificial neural networks with stopped training approach". J. of Hydrol., 230, pp. 244-257.

Coulibaly, P., Anctil, F., Aravena, R. and Bobée, B. (2001a), "Artificial neural network modeling of water table depth fluctuation". Water Resour. Rese., 37, pp. 885-896.

Coulibaly, P., Bobée, B. and Anctil, F. (2001b), "Improving extreme hydrologic events forecasting using a new criterion for artificial neural network selection". Hydrol. Process., 15, pp. 1533-1536.

Daliakopoulos, N. I., Coulibaly, P. and Tsanis, I. K. (2005), "Ground water level forecasting using artificial neural networks". J. of Hydrol., 309, pp. 229-240.

Delhomme, J. P. (1978), "kriging in hydrosciences". Adv. Water Resour., 1(5), pp. 251-266.

Desbarats, A. J., Logan, C. E., Hinton, M. J. and Sharp, D. R. (2002), "On the kriging of water table elevation using collateral information from a digital elevation model". J. of Hydrol., 255, pp. 25-38.

Dunlap, L. E. and Spinazola, J. M. (1984), "Interpolation water-table altitudes in west-central kanses using kriging techniques", US geological Survey water-supply paper 2238, US Geol. Surv., Reston, 19p.

French, M. N., Krajewski, W. F. and Cuykendal, R. R. (1992), "Rainfall forecasting in space and time using a neural network". J. of Hydrol., 137, pp.1-37.

 Hoeksema, R.J., Clapp, R. B., Thomas, A. L., Hunley, A. E., Farrow, N. D. and Dearstone, K. C. (1989), "Cokriging model for estimation of water table elevation. Water Resour. Res., 25 (3), pp. 429-438.

Isaaks, E. H. and Srivastava, R. M. (1989), Applied Geostatistics, Oxford Universisity press, 561p.

Goovaerts, P. (2000), "Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall". J. of Hydrol., 228, pp. 113-129.

Lallahem, S., Mania, J., Hani, A. and Najjar, Y. (2005), "On the use of neural networks to evaluate ground water levels in fractured media". J. of Hydrol., 307, pp. 92-111.

Maier H. R. and Dandy G. C. (2000), "Neural network for the prediction and forecasting water resources variables: a review of modeling issues and applications". Environ. Modeling Software, 15, pp. 101-124.

Rizzo, D. M. and Dougherty, D. E. (1994), Characterization of aquifer properties using artificial neural networks: Neural kriging, Water Resour. Res., 30(2), pp. 483-497.