تاثیر پارامترهای تغییر اقلیم بر افت سطح آب زیرزمینی (مطالعه موردی: کوهدشت-لرستان)

نوحانی, ابراهیم; باباعلی, حمیدرضا; دهقانی, رضا

doi:10.22077/jaaq.2025.9841.1119

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار، گروه مهندسی عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران.

² دانشیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد خرم آباد، لرستان، ایران

³ دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات،

10.22077/jaaq.2025.9841.1119

چکیده

در سال‌های اخیر، گرم شدن هوا، نوسانات اقلیمی و فشار برداشت از منابع آب، سبب افت سطح آب‌های زیرزمینی شده است؛ بنابراین برای جلوگیری از تشدید روند فوق و مدیریت بهینه بهره‌برداری از منابع آب زیرزمینی دشت‌ها، شبیه‌سازی و پیش‌بینی تراز آب‌های زیرزمینی امری ضروری و اجتناب ناپذیر است. به‌منظور پیش‌بینی تغییرات سطح آب زیرزمینی آبخوان کوهدشت ابتدا از مدل گردش عمومی جو CIMP6 تحت سناریو مختلف، پارامترهای هواشناسی پیش‌بینی و تحلیل گردید. سپس با استفاده از پارامترهای دما، بارش و مقدار برداشت از آبخوان طی دوره آماری 2022-2002 عملکرد مدل‌های هیبریدی شبکه عصبی مصنوعی- موجک(WANN) و شبکه عصبی مصنوعی - ازدحام مرغ CSO-ANN در برآورد سطح آب زیرزمینی موردبررسی قرار گرفت. در گام بعد با بهره‌گیری از مدل منتخب هیبریدی تغییرات سطح آب زیرزمینی منطقه برای دوره آماری 2042-2022 پیش‌بینی شد. نتایج حاصل از مدل گردش عمومی جو نشان داد با افزایش دما میزان بارش کاهش می یابد و دمای شبیه‌سازی شده در کلیه مدل‌های اقلیمی (SSp126، SSP245 و SSP585) مورد بررسی در دوره آتی (2022-2042) نسبت به دوره پایه در تمام‌ ماه‌ها افزایش داشته در حالی‌که میانگین بارش روند مشخصی از خود نشان نداده است. همچنین نتایج حاصل از مدلسازی نشان داد مدل شبکه عصبی مصنوعی-موجک عملکرد بهتری نسبت به سایر مدلها در براورد سطح اب زیرزمینی دشت کوهدشت دارد همچنین نتایج مطابق مدل منتخب نشان داد این دشت طی سالهای 2042-2022 میزان 5/4- 3 متر افت سطح آب زیرزمینی دارد.

کلیدواژه‌ها

موضوعات

آبخوان وقنات

عنوان مقاله [English]

The Impact of Climate Change Parameters on Groundwater Level Decline (Case Study: Kuhdasht-Lorestan)

نویسندگان [English]

Ebrahim nohani ¹
hamidreza babaali ²
reza dehghani ³

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

² Associate Professor, Department of Civil Engineering, Islamic 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, Areeo, Khorramabad, Iran

چکیده [English]

In recent years, global warming, climatic fluctuations, and the pressure of water resource extraction have led to a decline in groundwater levels. Therefore, to prevent the intensification of the above trend and to optimally manage the exploitation of groundwater resources in plains, simulating and predicting groundwater levels is essential and inevitable. To predict groundwater level changes in the Kuhdasht aquifer, meteorological parameters were first predicted and analyzed using the CIMP6 General Circulation Model under various scenarios. Then, using temperature, precipitation, and aquifer extraction data from the 2002-2022 statistical period, the performance of hybrid Artificial Neural Network-Wavelet (WANN) and Artificial Neural Network-Creative Shooter (CSO-ANN) models in estimating groundwater levels was investigated. In the next step, using the selected hybrid model, groundwater level changes in the region were predicted for the 2022-2042 statistical period. The results from the General Circulation Model indicated that with increasing temperature, precipitation decreases. The simulated temperature in all investigated climate models (SSp126, SSP245, and SSP585) for the future period (2022-2042) showed an increase compared to the baseline period in all months, while the average precipitation did not show a clear trend. Furthermore, the modeling results showed that the Artificial Neural Network-Wavelet model performed better than other models in estimating the groundwater level of the Kuhdasht plain. The results from the selected model also indicated a groundwater level decline of 3 to 4.5 meters in this plain during the years 2022-2042.

کلیدواژه‌ها [English]

Groundwater
Prediction
Artificial Neural Network
General Circulation Model

مراجع

Abbasian, M., Moghim, S., & Abrishamchi, A. (2019). Performance of the general circulation models in simulating temperature and precipitation over Iran. Theoretical and Applied Climatology, 135, 1465–1483. https://doi.org/10.1007 / s00704-018-2456-y

Affandi, A., Watanabe, K. (2007). Daily groundwater level fluctuation using a soft computing technique. Journal Nature and Science, 5(2), 1–10. https://doi.org/10.1007 / s00521-019-04234-5

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. Arabian Journal of Geosciences, 16, 287-299. https://doi.org/10.1007/s12517-023-11180-z

Chang, F., Chang, Y. (2006). Adaptive neuro-fuzzy inference system for the prediction of water level in a reservoir. Advances in Water Resources, 1(10), 1–10. https://doi.org/10.1016/j.advwatres.2005.04.015

Dehghani, R., Totabi Poudeh, H., Izadi, Z.(2022). The effect of climate change on groundwater level and its prediction using a modern meta-heuristic model.Groundwater for Sustainable Development, 16(3), 822-845. https://doi.org/10.1016/j.gsd.2021.100702

Dehghani, R. Torabi Poudeh, H., Younesi, H., Shahinejad, B. (2020). Forecasting Daily River Flow Using an Artificial Flora–Support Vector Machine Hybrid Modeling Approach (Case Study: Karkheh Catchment, Iran). Air, Soil, and Water,14, 22-35. https://doi.org/10.1177/1178622120969659

Endo, H., Kitoh, A., Ose, T., Mizuta, R., and Kusunoki, S. (2012). Future changes and uncertainties in Asian precipitation simulated by multiphysics and multi-sea surface temperature ensemble experiments with high-resolution Meteorological Research Institute atmospheric general circulation models (MRI-AGCMs). Journal of Geophysical Research, 117, 244-256. https://doi.org/10.1029/2012JD017874.

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

Irwin, S.E., Rubaiya, S., Leanna, M., King, S., Simonovic, P. (2012). Assessment of climatic vulnerability in the Upper Thames River basin: Downscaling with LARS-WG. Water Resources Research Report,12(2), 258-272. https://doi.org/10.4296/cwrj2011-938.

Jahangir, M.H., Haghighi, P., Danehkar, S.H. (2022). Downscaling climate parameters in Fars province using models of the fifth report and RCP scenarios. Ecological Informatics, 68(4), 558-562. https://doi.org/10.1016/j.ecoinf.2022.101558

Jalalkamali, A., JalalKamali, N. (2018). Adaptive Network-based Fuzzy Inference System-Genetic Algorithm Models for Prediction of 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

Jeong, D.I., Yu, B. & Cannon, A.J. (2023). Climate change impacts on linkages between atmospheric blocking and North American winter cold spells in CanESM2 and CanESM5. Clim Dyn,60, 477–491. https://doi.org/10.1007 / s00382-022-06307-z

Li, T., Zhang, L., & Murakami, H. (2015). Strengthening of the Walker circulation under global warming in an aqua-planet general circulation model simulation. Advances in Atmospheric Sciences, 32, 1473–1480. https://doi.org/10.1007 / s00376-015-5033-7

Meng, X., Liu, Y., Gao, X., & Zhang, H. (2014). A new bio-inspired algorithm: chicken swarm optimization. In International Conference on Swarm Intelligence,8, 86-94. https://doi.org/10.1007/978-3-319-11857-4_10

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

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

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. 10.22059/JGEOPE.2012.29233

Nourani, V., Kisi, Ö., Komasi, M. (2011).Two hybrid artificial intelligence approaches for modeling 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

Roeckner, E., Bäuml, G., Bonaventura, L., Brokopf, R., Esch, M., Giorgetta, M., Hagemann, S., Kirchner, I., Kornblueh, L., Manzini, E., Rhodin, A., Schlese, U., Schulzweida, U., Tompkins, A. (2003). The atmospheric general circulation model ECHAM5, part I: Model description. Max-Planck-Institut für Meteorologie, 349,2-140. https://hdl.handle.net/11858/00-001M-0000-0012-0144-5

Shin, S., Kyung, D., Lee, S., Taik, & Kim, J., and 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

Vapnik, V.N. (1995). The Nature of Statistical Learning Theory. Springer, New York. 8(2), 155-202. 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

Yang, Q., Song, G.W., Gao, X.D., Lu, Z.Y., Jeon, S.W., Zhang, J. (2023). A random elite ensemble learning swarm optimizer for high-dimensional optimization. Complex & Intelligent Systems, 9(5), 5467–5500. https://doi.org/10.1007/s40747-023-00993-w

Zeidalinejad, N., Dehghani, R.(2023). Use of meta-heuristic approach in the estimation of the 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

Zouache, D., Arby, Y. O., Nouioua, F., & Abdelaziz, F. B. (2019). Multi-objective chicken swarm optimization: A novel algorithm for solving multi-objective optimization problems. Computers & Industrial Engineering, 129, 377-391. https://doi.org/10.1016/j.cie.2019.01.055

آبخوان و قنات

تاثیر پارامترهای تغییر اقلیم بر افت سطح آب زیرزمینی (مطالعه موردی: کوهدشت-لرستان)

مراجع

مراجع

دوره 6، شماره 1 - شماره پیاپی 10
شهریور 1404
صفحه 87-106

تاثیر پارامترهای تغییر اقلیم بر افت سطح آب زیرزمینی (مطالعه موردی: کوهدشت-لرستان)

مراجع

مراجع

دوره 6، شماره 1 - شماره پیاپی 10شهریور 1404صفحه 87-106

دوره 6، شماره 1 - شماره پیاپی 10
شهریور 1404
صفحه 87-106