ارزیابی مدلهای فراابتکاری در تحلیل سطح آب زیرزمینی دشت دلفان لرستان

نوحانی, ابراهیم; باباعلی, حمیدرضا; دهقانی, رضا

doi:10.22077/jaaq.2025.8834.1096

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیارگروه عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران

² دانشیار، گروه مهندسی عمران، دانشگاه ازاد واحد خرم اباد، خرم آباد، ایران

³ دکتری علوم و مهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، خرم آباد، ایران.

10.22077/jaaq.2025.8834.1096

چکیده

آب زیرزمینی اغلب یکی از منابع طبیعی مهم تأمین آب شیرین، به ویژه در مناطق خشک و نیمه‌خشک است و از اهمیت بالایی برخوردار است. این مطالعه یک تکنیک جدید و بسیار دقیق برای پیش‌بینی سطح آب زیرزمینی ارائه می‌دهد. در این تحقیق، از مدل هوشمند ترکیبی مبتنی بر رویکرد مدل شبکه عصبی مصنوعی برای پیش‌بینی سطح آب زیرزمینی توسعه داده‌شده است. بدین منظور در این پژوهش از سه الگوریتم بهینه‌سازی شامل موجک، نهنگ و ازدحام ذرات برای مدلسازی سطح آب زیرزمینی بکار برده شد. جهت مدلسازی از آمار و اطلاعات چاههای پیزومتری شهرستان دلفان واقع در استان لرستان بعنوان مطالعه موردی طی 4 سناریو ترکیبی از پارامترهای ورودی در سالهای 1392 تا 1402 استفاده شد. به‌منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدلها از نمودار سری زمانی و تیلور استفاده شد. نتایج نشان داد سناریوهای ترکیبی در مدل‌های موردبررسی باعث بهبود عملکرد مدل می‌شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل شبکه عصبی مصنوعی-موجک (ضریب همبستگی962-951/0 ، ریشه میانگین مربعات خطا (m)224-436/0 ، میانگین قدر مطلق خطا (m) 215-375/0 و ضریب نش ساتکلیف 960-970/0) نسبت به سایر مدلهای مورد بررسی از عملکرد بهتری برخوردار است. درمجموع نتایج نشان داد استفاده از مدل‌های هوشمند مبتنی بر رویکرد شبکه عصبی مصنوعی می‌تواند گامی مؤثر در جلوگیری از کاهش سطح آب زیرزمینی و پدیده فرونشست باشد.

کلیدواژه‌ها

موضوعات

آبخوان وقنات

عنوان مقاله [English]

Evaluation of metaheuristic models in groundwater level analysis of Delfan Plain, Lorestan

نویسندگان [English]

Ebrahim Nohani ¹
Hamidreza Babaali ²
Reza Dehghani ³

¹ Assistant Professor, Department of Civil Engineering, Materials and Energy Research Center, Dezful Branch, Islamic Azad University, Dezful, Iran.

² Associate Professor, Department of Civil Engineering, Azad University, Khorramabad Branch, Khorramabad, Iran

³ PhD in Water Sciences and Engineering, Department of Soil Conservation and Watershed Management, Lorestan Province Agriculture and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, Khorramab

چکیده [English]

Groundwater plays a crucial role in supplying freshwater, especially in arid and semi-arid regions. This study presents a novel and accurate approach for predicting groundwater level. The metaheuristic algorithms, namely, whale optimization algorithm (WOA), particle swarm optimization (PSO), and wavelet optimization algorithm (WV) are used to train the artificial neural network (ANN) model for predicting groundwater level. In this study, a dataset consisting of 20 wells and Piezometric observations from Delfan Plain, Lorestan province, is used for training and testing of the proposed models. The performance of the models is evaluated using statistical metrics, including coefficient of correlation ®, root mean square error (RMSE), mean absolute error (MAE), and Nash-Sutcliffe efficiency (NSE). The results indicate that the hybrid models outperform the traditional models in terms of prediction accuracy. The ANN-WV model exhibits the best performance among the developed models, with R = 0.976, RMSE = 0.341, MAE = 0.267, and NSE = 0.956. The results of this study demonstrate the potential of metaheuristic optimization algorithms in improving the accuracy of groundwater level prediction models.

کلیدواژه‌ها [English]

Groundwater level
Artificial neural network
Metaheuristic optimization
Delfan plain

مراجع

Adamowski, J., Chan, H. F. (2011). A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(2), 28-40. https://doi.org/10.1016/j.jhydrol.2011.06.013

Afzaal, H., Farooque, A.A., Abbas, F., Acharya, B., Esau, T. (2019). Groundwater estimation from major physical hydrology components using artificial neural networks and deep learning. Water ,12(1),5–23.https://doi.org/10.3390/w12010005

Bahmani, R., Taha, B.M., Ouarda, J. (2021). Groundwater level modeling with hybrid artificial intelligence techniques. Journal of Hydrology, 595, 842-461.https://doi.org/10.1016/j.jhydrol.2020.125659

Bubakran, K.S., Novinpour, E.A., Aghdam, F.S. (2023). A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in the Ziveh Aquifer–West Azerbaijan, NW Iran. Arab J Geosci,16, 287-299. https://doi.org/10.1007/s12517-023-11180-z

Eberhart, R., Kennedy, J. (1995). A New Optimizer Using Particle Swarm Theory Proc. Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, Piscataway, NJ: IEEE Service Center,15, 39-43.https://doi.org/10.1109/MHS.1995.494215

Ebrahimi, H., Rajaee, T. (2017). Simulation of groundwater level variations using wavelet combined with a neural network, linear regression, and support vector machine. Global and Planetary Change, 148(4),181–191. https://doi.org/10.1016/j.gloplacha.2016.11.014

Feng, F., Ghorbani, H., Radwan, A. (2024).Predicting groundwater level using traditional and deep machine learning algorithms.Frontiers in Environmental Science, 12(4),525-537. https://doi.org/10.3389/fenvs.2024.1291327

Hornik, K. (1998). Multilayer feed-forward networks are universal approximators. Neural Networks, 2(5), 359–366. https://doi.org/10.1016/0893-6080(89)90020-8

Jalalkamali, A., JalalKamali, N. (2018). Adaptive Network-based Fuzzy Inference System-Genetic Algorithm Models for Prediction Groundwater Quality Indices: a GIS-based Analysis. Journal of Artificial Intelligence & Data Mining, 6(2), 439-445. https://doi.org/10.22044/jadm.2017.1086

Jalalkamali, A., Sedghi, H., Manshouri, M. (2011). Monthly groundwater level prediction using ANN and neuro-fuzzy models: a case study on Kerman plain, Iran. Journal of Hydroinformatics, 13(3), 867-876. https://doi.org/10.2166/hydro.2010.034

Jha, M. K., Sahoo, S. (2015). Efficacy of neural network and genetic algorithm techniques in simulating spatiotemporal fluctuations of groundwater. Hydrological Processes, 29(2), 671–691. https://doi.org/10.1002/hyp.10166

Jolly, I. D., McEwan, K. L., Holland, K. L. (2008). A review of groundwater-surface water interactions in arid/semiarid wetlands and the consequences of salinity for wetland ecology. Ecohydrology, 1(2), 43–58. https://doi.org/10.1002/eco.6

Kardan Moghaddam, H., Ghordoyee Milan, S., Kayhomayoon, Z., Rahimzadeh kivi, Z., Arya Azar, N. (2021).The prediction of aquifer groundwater level based on a spatial clustering approach using machine learning. Environ Monit Assess, 193, 173 -188. https://doi.org/10.1007/s10661-021-08961-y

Kisi, O., Karahan, M., Sen, Z. (2006). River-suspended sediment modeling using the fuzzy logic approach. Hydrol Process, 20(2), 4351-4362.https://doi.org/10.1002/hyp.6166

Li, F., Feng, P., Zhang, W., Zhang, T.(2013). An integrated groundwater management mode based on control indexes of groundwater quantity and level. Water Resources Management, 27(3), 3273–3292. https://doi.org/10.1007/s11269-013-0346-8

Mirboluki, A., Mehraein, M., Kisi, O., Kuriqi, A., Barati, R. (2024). Groundwater level estimation using improved deep learning and soft computing methods. Earth Sci Inform, 17, 2587–2608. https://doi.org/10.1007/s12145-024-01300-y

Mirjalili, S., Lewis, A. (2016). The whale optimization algorithm. Advances in Engineering Software, 95(6), 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008

Mirzania, E., Ghorbani, M.A., Asadi, E. (2023). Enhancement of groundwater level prediction using a hybrid ANN-HHO model: a case study (Shabestar Plain in Iran). Arabian Journal of Geosciences, 16(2), 464-482. https://doi.org/10.1007/s12517-023-11584-x

Mirzavand, M., Khoshnevisan, B., Shamshirband, S., Kisi, O., Ahmad, R., Akib, S.(2015). Evaluating groundwater level fluctuation by support vector regression and neuro-fuzzy methods: a comparative study. Natural Hazards, 102(3), 1611–1612. https://doi.org/10.1007/s11069-015-1602-4

Mustafa, M. R., Isa, M. H., Rezaur, R. B. (2012). Artificial neural networks modeling in water resources engineering: infrastructure and application. International Journal of Civil and Environmental Engineering. 6(2), 128–136. https://doi.org/10.3390/w13152011

Nagy, H., Watanabe, K., Hirano, M. (2002). Prediction of sediment load concentration in rivers using an artificial neural network model. Journal of Hydraulics Engineering, 128, 558-559. https://doi.org/10.1061/(ASCE)07339429(2002)128:6(588).

Nakhaei, M., Saberi Nasr, A. (2012a). Predicting groundwater level fluctuations in the Qorveh Plain using a wavelet neural network and comparing it with the MODFLOW numerical model.Advanced Applied Geology, 2(2), 47-58 (In Persian).

Nakhaei, M., Saberi Nasr, A. (2012b). A combined Wavelet- Artificial Neural Network model and its application to the prediction of groundwater level fluctuations.Geopersia , 2(2), 77-91. https://doi.org/10.22059/jgeope.2012.29233

Nourani, V., Kisi, Ö., Komasi, M. (2011).Two hybrid artificial intelligence approaches for modeling the rainfall-runoff process. Journal of Hydrology, 402(2), 41–59. https://doi.org/10.1016/j.jhydrol.2011.03.002

Nourani, V., Alami, M. T., Aminfar, M.H. (2009). A combined neural-wavelet model for the prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence. 22(2), 466–472. https://doi.org/10.1016/j.engappai.2008.09.003

Rajaee, T., Khani, S., Ravansalar, M. (2022). Artificial intelligence-based single and hybrid models for prediction of water quality in rivers: A review.Chemometrics and Intelligent Laboratory Systems, 200(3), 1039-1055. https://doi.org/10.1016/j.chemolab.2020.103978

Reddy, K., Saha, A.K. (2022). A modified Whale Optimization Algorithm for exploitation capability and stability enhancement. Heliyon, 8(10), 425-441. https://doi.org/10.1016/j.heliyon.2022.e11027

Shin, S., Kyung, D., Lee, S., Taik & Kim, J., Hyun, J. (2005). An application of support vector machines in a bankruptcy prediction model. Expert Systems with Applications, 28(4), 127-135. https://doi.org/10.1016/j.eswa.2004.08.009

Shrivastava, M., Prasad, V., Khare, R.(2015). Multi-objective optimization of water distribution system using particle swarm optimization. IOSR J. Mech. Civ. Eng, 12(1), 21–28. https://doi.org/10.5004/dwt.2021.26944

Sreekanth, P. D., Sreedevi, P. D., Ahmed, S., Geethanjali, N.(2011). Comparison of FFNN and ANFIS models for estimating groundwater level. Environmental Earth Sciences, 62(4), 1301-1310. https://doi.org/10.1007/s12665-010-0617-0

Vapnik, V.N. (1995). The Nature of Statistical Learning Theory. Springer, New York. https://doi.org/10.1007/978-1-4757-3264-1

Vapnik, V.N. (1998). Statistical learning theory. Wiley, New York. https://doi.org/10.1007/978-1-4757-3264-1

Wang, D., Safavi, A.A., and Romagnoli, J.A.(2000). Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal, 46(4), 1607-1615. https://doi.org/10.1002/aic.690460812

Zeidalinejad, N., Dehghani, R.(2023). Use of meta-heuristic approach in the estimation of aquifer's response to climate change under shared socioeconomic pathways. Groundwater for Sustainable Development, 20(4), 112-132. https://doi.org/10.1016/j.gsd.2022.100882

Zhou, T., Wang, F., Yang, Z.(2017). Comparative Analysis of ANN and SVM Models Combined with Wavelet Preprocessing for Groundwater Depth Prediction. Water,9(10),781-799. https://doi.org/10.3390 / w9100781

آبخوان و قنات

ارزیابی مدلهای فراابتکاری در تحلیل سطح آب زیرزمینی دشت دلفان لرستان

مراجع

مراجع

دوره 5، شماره 2 - شماره پیاپی 9
اسفند 1403
صفحه 79-98

ارزیابی مدلهای فراابتکاری در تحلیل سطح آب زیرزمینی دشت دلفان لرستان

مراجع

مراجع

دوره 5، شماره 2 - شماره پیاپی 9اسفند 1403صفحه 79-98

دوره 5، شماره 2 - شماره پیاپی 9
اسفند 1403
صفحه 79-98