آبخوان و قنات

با همکاری انجمن هیدرولیک ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

ارزیابی دقت مدل ترکیبی موجک - عصبی فازی، عصبی فازی و موجک در پیش‌بینی سطح آب زیرزمینی (مطالعه موردی: دشت بیرجند)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه علوم و مهندسی آب دانشگاه بیرجند، بیرجند، ایران

2 دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب،دانشگاه بیرجند، بیرجند، ایران

3 دانش آموخته کارشناسی ارشد سازه های آبی، دانشگاه زابل، بیرجند، ایران

10.22077/jaaq.2025.9046.1105

چکیده

در سال‌های اخیر باتوجه‌به مشکل کمبود منابع آبی، مسئله استفاده و مدیریت بهینه این منابع اهمیت خاصی پیدا کرده است. به‌منظور آگاهی از وضعیت این منابع و مدیریت بهینه آنها، لازم است پیش‌بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. امروزه مدل-های مختلفی در پیش‌بینی نوسانات سطح آب زیرزمینی ارائه شده که می‌توانند به استفادة پایدار از آب‌های زیرزمینی به‌منظور تأمین نیازهای شهری، کشاورزی و صنعتی کمک کنند. ازاین‌رو توجه خاصی به مدل‌های هوشمند شده است که می‌توان به مدل‌های سری زمانی، آنالیز موجک، شبکه‌های عصبی مصنوعی، مدل‌های ماشین بردار پشتیبان و غیره اشاره نمود. در این پژوهش از مدل تلفیقی موجک - عصبی فازی برای پیش‌بینی سطح آب زیرزمینی در دشت بیرجند بهره گرفته شد. در نهایت نتایج به‌دست‌آمده با نتایج مدل موجک و شبکه عصبی فازی مقایسه گردید. داده‌های مورد استفاده در این تحقیق شامل بارندگی، تبخیر، حداکثر درجه‌حرارت، متوسط درجه‌حرارت، حداقل رطوبت و تراز سطح آب زیرزمینی برای تعداد 16 پیزومتر به مدت 18 سال آماری است که به‌صورت ماهیانه اندازه-گیری شده‌اند. نتایج به‌دست‌آمده نشان داد که مدل ترکیبی موجک - عصبی فازی با توجه میزان ضریب میانگین مربعات خطا 19/0 RMSE= و ضریب نش ساتکلیف 95/0 NS= نسبت به سایر مدل‌ها از دقت بالاتری در پیش‌بینی سطح آب زیرزمینی برخوردار است. مدل موجک عصبی فازی به دلیل ترکیب و ادغام ویژگی‌های مفید تبدیل موجک، شبکه‌های عصبی و سیستم‌های فازی، نه‌تنها دقت پیش‌بینی را افزایش می‌دهد بلکه می‌تواند نگرش جامع‌تری به داده‌ها دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of the Accuracy of Wavelet-Neuro-Fuzzy, Neuro-Fuzzy, and Wavelet Hybrid Models in Groundwater Level Prediction (Case Study: Birjand Plain)

نویسندگان [English]

  • Mehdi Dastuorani 1
  • Amir Khayat 2
  • Zahra Akhondi 3

1 Associate Professor, Department of Water Science and Engineering, University of Birjand, Birjand,Iran

2 PhD student in Irrigation and Drainage, Department of Water Science and Engineering, University of Birjand, Birjand, Iran

3 Master's degree in Hydraulic Structures, Zabol University,Birjand,Iran

چکیده [English]

In recent years, due to the problem of water scarcity, the issue of optimal use and management of these resources has become particularly important. In order to be aware of the status of these resources and their optimal management, it is necessary to accurately predict groundwater level fluctuations. Today, various models have been presented for predicting groundwater level fluctuations, which can help in the sustainable use of groundwater to meet urban, agricultural, and industrial needs. Therefore, special attention has been paid to intelligent models, which include time series models, wavelet analysis, artificial neural networks, support vector machine models, etc. In this research, a Wavelet-Neuro-Fuzzy hybrid model was used to predict groundwater levels in the Birjand plain. Finally, the results obtained were compared with the results of the wavelet model and the neuro-fuzzy network. The data used in this research includes rainfall, evaporation, maximum temperature, average temperature, minimum humidity, and groundwater level elevation for 16 piezometers over a statistical period of 18 years, which were measured monthly. The results showed that the Wavelet-Neuro-Fuzzy hybrid model, with an Root Mean Square Error of RMSE= 0.19 and a Nash-Sutcliffe efficiency coefficient of NS= 0.95, has higher accuracy in predicting groundwater levels compared to other models. The Wavelet-Neuro-Fuzzy model, due to the combination and integration of the useful features of wavelet transform, neural networks, and fuzzy systems, not only increases the accuracy of prediction but can also provide a more comprehensive view of the data.

کلیدواژه‌ها [English]

  • Wavelet analysis
  • groundwater level
  • Birjand Plain
  • fuzzy neural network
  • water resources management
مراجع
Adamowski, J., & Chan, H. F. (2011). A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(1-4), 28-40. https://doi.org/10.1016/j.jhydrol.2011.06.013
Adhikary, S. K., Rahman, M., & Gupta, A. D. (2012). A stochastic modeling technique for predicting groundwater table fluctuations with time series analysis. International Journal of Applied Science and Engineering Research, 1(2), 238-249. https://doi/10.6088/ijaser.0020101024.
Chitsazan, M., Rahmani, G., & Neyamadpour, A. (2015). Forecasting groundwater level by artificial neural networks as an alternative approach to groundwater modeling. Journal of the Geological Society of India, 85, 98-106. https://doi.org/10.1007/s12594-015-0197-4.
Ebrahimi, E., kardan moghadam, h., & Roozbahani, a. (2021). Simulation of Calcium concentration in groundwater resources (Case study: Birjand aquifer). Journal of Aquifer and Qanat, 2(1), 1-12. https://doi.org/10.22077/jaaq.2021.1860
Eftekhari, M., Haji Elyasi, A., & Eslaminezhad, S. A. (2024). Assessment of machine learning models in GIS for predicting groundwater in semi-arid regions of eastern Iran. Journal of Aquifer and Qanat, 4(2), 49-66. https://doi.org/10.22077/jaaq.2024.7282.1062
Emamgholizadeh, S., Moslemi, K., & Karami, G. (2014). Prediction of the Groundwater Level of Bastam Plain (Iran) by Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS). Water resources management, 28, 5433-5446. https://doi.org/10.1007/s11269-014-0810-0
Eskandari, A., Faramarzyan yasuj, F., Solgi, A., & Zarei, H. (2019). Evaluation of Combined ANFIS with Wavelet Transform for Modeling and Forecasting Groundwater Level [Research]. Journal of Watershed Management Research, 9(18), 56-69. https://doi.org/10.29252/jwmr.9.18.56
Habibi, M. H., Nadiri, A. A., & Asghari Moghaddam, A. (2016). Spatio-temporal Groundwater Level Prediction Using Hybrid Genetic-Kriging Model (Case Study: Hadishahr Plain). Iran-Water Resources Research, 11(3), 85-99. https://www.iwrr.ir/article_14009_1eaba82f2055b7ee746423ed1be21e3c.pdf
Hamed, Y., Elkiki, M., & Al Gahtani, O. S. (2015). Prediction of future groundwater level using artificial Neural Network, southern Riyadh, KSA (CASE STUDY). International Water Technology Journal, 5(2), 149-162. https://www.researchgate.net/publication/327834035
Jang, J.-S. R., Sun, C.-T., & Mizutani, E. (1997). Neuro-fuzzy and soft computing computational approach to learning and machine intelligence [Book Review]. IEEE Transactions on Automatic Control, 42(10), 1482-1484. http://doi.org/10.1109/TAC.1997.633847
Koorehpazan Dezfouli, A. (2015). Principles of Fuzzy Set Theory and Its Applications in Modeling Water Engineering Problems.
Maier, H. R., & Dandy, G. C. 2000 Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications. Environmental Modelling & Software, 15(1), 101-124. https://doi.org/https://doi.org/10.1016/S1364-8152(99)00007-9
Mohtasham, M., Dehghani, A. A., Akbarpour, A., & Meftah, M. (2017). Evaluation of Artificial Neural Networks and MODFLOW Numerical Model in Forecasting Groundwater Table (Case Study: Birjand Aquifer, Southern Khorasan). Iranian Journal of Irrigation & Drainage-1, 11(1), 10. https://idj.iaid.ir/article_79421_d72337fd05734ec488f46d80ff3287ad.pdf
Mokarram, M., Mokarram, M. J., Zarei, A. R., & Safarianejadian, B. (2017). Using of adaptive Neuro-Fuzzy network (ANFIS) to predict underground water quality in the west of Fars province during the 2003 to 2013 period. Iranian Journal of Eco Hydrology, 4(2), 547-559. https://www.magiran.com/paper/1686874
Moosavi, V., Vafakhah, M., Shirmohammadi, B., & Behnia, N. (2013). A wavelet-ANFIS hybrid model for groundwater level forecasting for different prediction periods. Water resources management, 27, 1301-1321. https://doi.org/10.1007/s11269-012-0239-2
Nakken, M. (1999). Wavelet analysis of rainfall-runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling & Software, 14(4), 283-295. https://doi.org/10.1016/S1364-8152(98)00080-2
Nayak, P. C., Rao, Y. S., & Sudheer, K. (2006). Groundwater level forecasting in a shallow aquifer using an artificial neural network approach. Water resources management, 20, 77-90. https://doi.org/10.1007/s11269-006-4007-z
Nazari, H., Dehghani, M., Pirkharrati, H., Asadzadeh, F., & Hajizadeh, F. (2022). Monitoring of groundwater quality parameters using adaptive neural-fuzzy inference system (ANFIS) method (Case study: Ardabil plain). Journal of New Findings in Applied Geology, 16(31), 1-12. https://www.magiran.com/paper/2454855
Partal, T., & Kişi, Ö. (2007). Wavelet and neuro-fuzzy conjunction model for precipitation forecasting. Journal of Hydrology, 342(1-2), 199-212. https://doi.org/10.1016/j.jhydrol.2007.05.026
Polikar, R. (1996). The wavelet tutorial part III. IOWA State University, USA.
Rajaee, T., Nourani, V., Zounemat-Kermani, M., & Kisi, O. (2011). River Suspended Sediment Load Prediction: Application of ANN and Wavelet Conjunction Model. Journal of Hydrologic Engineering, 16(8), 613-627. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000347
Rakhshandehroo, G., Akbari, H., Afshari Igder, M., & Ostadzadeh, E. (2018). Long-term groundwater-level forecasting in shallow and deep wells using wavelet neural networks trained by an improved harmony search algorithm. Journal of Hydrologic Engineering, 23(2), 04017058. https://doi.org/10.1061/(ASCE)HE.1943-5584.0001591
Salamatian, S. A., Abrari, H., & Nazari, A. (2023). Predicting the Groundwater Level by Adaptive Neuro-Fuzzy Inference System (Case Study: Qom plain). Irrigation and Water Engineering, 13(3), 285-304. https://doi.org/10.22125/iwe.2023.169890
Sethi, R. R., Kumar, A., Sharma, S., & Verma, H. (2010). Prediction of water table depth in a hard rock basin by using an artificial neural network. International Journal of Water Resources and Environmental Engineering, 2(4), 95-102. https://www.researchgate.net/publication/266472104_Prediction_of_water_table_depth_in_a_hard_rock_basin_by_using_artificial_neural_network.
Shakarami, M. (2021). Forecasting Groundwater table depth fluctuations using conjunction models of Wavelet – Neural - Fuzzy Network (WNF) (case study: Aleshtar Plain). Irrigation and Water Engineering, 12(1), 295-318. https://doi.org/10.22125/iwe.2021.138347
Tarahi, M., & Darafshan, A. (2018). Prediction of Groundwater Level Using Artificial Neural Network Model (ANN): Case Study of Jahrom Plain. https://civilica.com/doc/748670
Second National Conference on Civil Engineering and Sustainable Development, https://civilica.com/doc/748670
Umamaheswari, G., & Kalamani, D. (2014). Fuzzy logic model for the prediction of groundwater level in Amaravathi River Minor Basin. International Journal of Mathematics Trends and Technology-IJMTT, 11. https://doi.org/10.14445/22315373/IJMTT-V11P505
Vahedi, F., Nadiri, A., & AsghariMoghaddam, A. (2015). Evaluation of Artificial Neural Network and Fuzzy Logic Models Efficiency in Groundwater Level Prediction he 1st International Congress on Earth, Space and Clean Energy, https://civilica.com/doc/456421
Yang, C.-C., Prasher, S. O., Lacroix, R., Sreekanth, S., Patni, N. K., & Masse, L. (1997). Artificial neural network model for subsurface-drained farmlands. Journal of Irrigation and Drainage Engineering, 123(4), 285-292. https://doi.org/10.1061/(ASCE)07339437(1997)123:4(285)
Zandi Dareh Gharibi, F., Khorsandi Kouhanestani, Z., Mozayan, M., & Arman, N. (2017). Technical Note: Evaluating the proficiency of GR2M and GR4J rainfall-runoff models in Darehtakht Basin runoff simulation. Watershed Engineering and Management, 9(3), 360-370. https://anian Journal of Irrigation & Drainag.org/10.22092/ijwmse.2017.112377
Zeraati Neyshabouri, S., pourreza bilondi, m., Kashei-Siuki, A., & Shahidi, A. (2022). Estimating The Groundwater Table Of Neyshabour Plain With Introducing Fuzzy Possibilistic Regression Model. Journal of Aquifer and Qanat, 3(1), 53-64. https://doi.org/10.22077/jaaq.2018.1727.1008.
 
آبخوان و قنات
دوره 5، شماره 2 - شماره پیاپی 9
اسفند 1403
صفحه 139-154
فایل ها
هم رسانی
ارجاع به این مقاله
آمار