بررسی کارایی مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی در پیش‌بینی پارامترهای کیفی آب زیرزمینی دشت یزد- اردکان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته دکتری بیابان‌زدایی، دانشکده منابع طبیعی و کویر‌شناسی، دانشگاه یزد، یزد، ایران

2 دانشیار گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، یزد، ایران

چکیده

آب‌های زیرزمینی یکی از مهمترین منابع آبی هستند که مطالعه کیفی آن‌ها برای حفاظت و برنامه‌ریزی منابع آب بسیار مهم است. همچنین اندازه‌گیری پارامترهای کیفی آب زیرزمینی پر هزینه و زمان‌بر است. مدل‌ها هزینه برآوردهای کیفی آب را کاهش داده و بانک اطلاعاتی برای مدیریت منابع آب ارائه می‌دهند. در این پژوهش کارایی مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی در پیش‌بینی مقادیر هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول آب زیرزمینی مورد بررسی قرار گرفته است. برای بررسی کیفی نمونه‌ی آب زیرزمینی، 201 حلقه چاه (داده‌های وابسته) شبکه پایش شرکت آب منطقه‌ی استان یزد در سال 1395 و داده‌های محیطی (داده‌های مستقل) شامل: داده‌های زمین‌شناسی، کاربری اراضی، شاخص‌های پوشش گیاهی، شاخص‌های شوری خاک، مشتقات حاصل از مدل رقومی ارتفاعی، فاصله از معادن، فاصله از جاده، فاصله از رودخانه، فاصله از نقاط مسکونی، بارندگی و جمعیت استفاده شده است. نتایج مدل‌سازی پارامترهای هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول با استفاده از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی نشان‌دهنده دقت مناسب مدل شبکه عصبی مصنوعی در پیش‌بینی این پارامترها است به‌طوری‌که نقشه نهایی پارامترهای هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول آب زیرزمینی را به‌ترتیب با ضریب تبیین 82/0، 92/0، 92/0 و 97/0 پیش‌بینی کرده است و این در حالی است که مدل جنگل تصادفی پارامترهای هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول آب زیرزمینی را به‌ترتیب با ضریب تبیین 37/0، 65/0، 80/0 و 68/0 پیش‌بینی نموده است. پارامترهای هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول در شمال، مرکز و جنوب‌غربی دارای بالاترین مقدار و در جنوب‌شرقی و جنوب‌غربی دارای پایین‌ترین مقدار می‌باشند. با انتخاب نوع و تعداد مناسب عوامل ورودی و نیز استفاده از نوع مناسب و سازگار شبکه عصبی مصنوعی و نیز کالیبره کردن مناسب آن می‌توان گفت که این تکنیک ابزاری بسیار کارا و مناسب برای برآورد پارامترهای هدایت الکتریکی، نسبت جذب سدیم، سولفات و کل مواد جامد محلول در دشت یزد-اردکان می‌باشد.

کلیدواژه‌ها

مراجع

  • Abu-Khalaf, N., Khayat, S. & Natsheh, B. (2013). Multivariate data analysis to identify the groundwater pollution sources in Tulkarm area/Palestine. Science and Technology, 3(4), 99-104. Doi: 10.5923/j.scit.20130304.01.
  • Adimalla, N. & Taloor, A. K. (2020). Hydrogeochemical investigation of groundwater quality in the hard rock terrain of South India using Geographic Information System (GIS) andgroundwater quality index (GWQI) techniques. Groundwater for Sustainable Development, 10, 100288. Doi: 10.1016/j.gsd.2019.100288.
  • Adimalla, N., Qian, H. & Li, P. (2019). Entropy water quality index and probabilistic health risk assessment from geochemistry of groundwaters in hard rock terrain of Nanganur County, South India. Geochemistry, 125544. Doi: 10.1016/j.chemer.2019.125544.
  • Alabjah, B., Amraoui, F., Chibout, M. & Slimani, M. (2018). Assessment of saltwater contamination extent in the coastal aquifers of Chaouia (Morocco) using the electric recognition. Journal of Hydrology, 566, 363-376. Doi: 10.1016/j. jhydrol.2018.09.003.
  • Almasri, M. N. & Kaluarachchi, J. J. (2005). Modular neural networks to predict the nitrate distribution in ground water using the on-ground nitrogen loading and recharge data. Environmental Modelling & Software, 20(7), 51-871. Doi: 10.1016/j.envsoft.2004.05.001.
  • Arzani, H. & King, G. W. (2008). Application of remote sensing (Landsat TM data) for vegetation parameters measurement in western division of NSW. In International Grassland Congress. Hohhot, China. ID (No. 1083).
  • Baghvand, A., Nasrabadi, T., Bidhendi, G. N., Vosoogh, A., Karbassi, A. & Mehrdadi, N. (2010). Groundwater quality degradation of an aquifer in Iran central desert. Desalination, 260(1-3), 264-275. Doi: 10.1016/j.desal.2010.02.038.
  • Bilali, A. E., Taleb, A., Mazigh, N. & Mokhliss, M. (2020). Prediction of chemical water quality used for drinking purposes based on artificial neural networks. Moroccan Journal of Chemistry, 8(3), 8-3. Doi: 10.48317/IMIST.PRSM/morjchem-v8i3.19786.
  • Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. Doi: 10.1023/A:1010933404324.
  • Burri, N. M., Weatherl, R., Moeck, C. & Schirmer, M. (2019). A review of threats to groundwater quality in the anthropocene. Science of the Total Environment, 684, 136-154. Doi: 10.1016/j.scitotenv.2019.05.236.
  • Castrillo, M. & Garcia, A. L. (2020). Estimation of high frequency nutrient concentrations from water quality surrogates using machine learning methods. Water Research, 172, 115490. Doi: 10.1016/j.watres.2020.115490.
  • Chou, J. S., Ho, C. C. & Hoang, H. S. (2018). Determining quality of water in reservoir using machine learning. Ecological Informatics, 44, 57-75. Doi: 10.1016/j.ecoinf.2018.01.005.
  • Chowdury, M. S. U., Emran, T. B., Ghosh, S., Pathak, A., Alam, M. M., Absar, N. & Hossain, M. S. (2019). IoT based real-time river water quality monitoring system. Procedia Computer Science, 155, 161-168. Doi: 10.1016/j.procs.2019.08.025.
  • Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L. & Bohner, J. (2015). System for automated geoscientific analyses (SAGA) v. 2.1.4. Geoscientific Model Development, 8(7), 1991-2007. Doi: 10.5194/gmd-8-1991-2015.
  • Crippen, R. E. (1990). Calculating the vegetation index faster. Remote Sensing of Environment, 34(1), 71-73. Doi: 10.1016/0034-4257(90)90085-Z.
  • Danielsson, P. E. (1980). Euclidean distance mapping. Computer Graphics and Image Processing, 14(3), 227-248. Doi: 10.1016/0146-664X(80)90054-4.
  • Das, A., Das, S. S., Chowdhury, N. R., Joardar, M., Ghosh, B. & Roychowdhury, T. (2020). Quality and health risk evaluation for groundwater in Nadia district, West Bengal: An approach on its suitability for drinking and domestic purpose. Groundwater for Sustainable Development, 10, 100351. Doi: 10.1016/j.gsd.2020.100351.
  • Derakhshan, Z., Faramarzian, M., Miri, M. & Shokouhi, M. R. (2015). The zoning of groundwater quality for drinking purpose using scholler model and geographic information system (GIS). Journal of Community Health Research, 4(2), 138-147.
  • Di, Z., Chang, M. & Guo, P. (2019). Water quality evaluation of the Yangtze River in China using machine learning techniques and data monitoring on different time scales. Water, 11(2), 339. Doi: 10.3390/w11020339.
  • El Asri, H., Larabi, A. & Faouzi, M. (2019). Climate change projections in the Ghis-Nekkor region of Morocco and potential impact on groundwater recharge. Theoretical and Applied Climatology, 138(1), 713-727. Doi: 10.1007/s00704-019-02834-8.
  • El Mountassir, O., Bahir, M., Ouazar, D., Ouhamdouch, S., Chehbouni, A. & Ouarani, M. (2020). The use of GIS and water quality index to assess groundwater quality of krimat aquifer (Essaouira; Morocco). SN Applied Sciences, 2(5), 1-16. Doi: 10.1007/s42452-020-2653-z.
  • Fathizad, H., Ardakani, M. A. H., Sodaiezadeh, H., Kerry, R. & Taghizadeh-Mehrjardi, R. (2020). Investigation of the spatial and temporal variation of soil salinity using random forests in the central desert of Iran. Geoderma, 365, 114233. Doi: 10.1016/j.geoderma.2020.114233.
  • Fijani, E., Barzegar, R., Deo, R., Tziritis, E. & Skordas, K. (2019). Design and implementation of a hybrid model based on two-layer decomposition method coupled with extreme learning machines to support real-time environmental monitoring of water quality parameters. Science of the Total Environment, 648, 839-853. Doi: 10.1016/j.scitotenv.2018.08.221.
  • Foody, G. M., Cutler, M. E., McMorrow, J., Pelz, D., Tangki, H., Boyd, D. S. & Douglas, I. A. N. (2001). Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography, 10(4), 379-Doi: 10.1046/j.1466-822X.2001.00248.x.
  • Genuer, R., Poggi, J. M. & Tuleau, C. (2008). Random forests: some methodological insights. arXiv preprint arXiv:0811.3619.
  • Ha, H. & Stenstrom, M. K. (2003). Identification of land use with water quality data in stormwater using a neural network. Water Research, 37(17), 4222-4230. Doi: 10.1016/S0043-1354(03)00344-0.
  • Haykin, S. & Network, N. (2004). A comprehensive foundation. Neural Networks, 2(2004), 41.
  • Heib, L., Bouchaou, L., Tadoumant, S. & Reichert, B. (2020). Index-based groundwater vulnerability and water quality assessment in the arid region of Tata city (Morocco). Groundwater for Sustainable Development, 10, 100344. Doi: 10.1016/j.gsd.2020.100344.
  • Houemenou, H., Tweed, S., Dobigny, G., Mama, D., Alassane, A., Silmer, R., Babic, M., Ruy, S., Chaigneau, A., Gauthier, P., Socohou, A., Dossou, H.J., Badou, S. & Leblanc, M. (2020). Degradation of groundwater quality in expanding cities in West Africa. A case study of the unregulated shallow aquifer in Cotonou. Journal of Hydrology, 582, 124438. Doi: 10.1016/j.jhydrol.2019.124438.
  • Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309. Doi: 10.1016/0034-4257(88)90106-X.
  • Jahin, H. S., Abuzaid, A. S. & Abdellatif, A. D. (2020). Using multivariate analysis to develop irrigation water quality index for surface water in Kafr El-Sheikh Governorate, Egypt. Environmental Technology & Innovation, 17, 100532. Doi: 10.1016/j.eti.2019.100532.
  • Jamaa, H., El Achheb, A. & Namr, K. I. (2020). Spatial variation of groundwater quality and assessment of water table fluctuations in Plio-Quaternary aquifer formations in Doukkala Plain, Morocco. Groundwater for Sustainable Development, 11, 100398. Doi: 10.1016/j.gsd.2020.100398.
  • Jordan, C. F. (1969). Derivation of leaf‐area index from quality of light on the forest floor. Ecology, 50(4), 663-666. Doi: 10.2307/1936256.
  • Khan, N. M., Rastoskuev, V. V., Sato, Y. & Shiozawa, S. (2005). Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1-3), 96-109. Doi: 10.1016/j.agwat.2004.09.038.
  • Krupkova, L., Havrankova, K., Krejza, J., Sedlak, P. & Marek, M. V. (2019). Impact of water scarcity on spruce and beech forests. Journal of Forestry Research, 30(3), 899-909. Doi: 10.1007/s11676-018-0642-5.
  • Kullberg, E. G., DeJonge, K. C. & Chavez, J. L. (2017). Evaluation of thermal remote sensing indices to estimate crop evapotranspiration coefficients. Agricultural Water Management, 179, 64-73. Doi: 10.1016/j.agwat.2016.07.007.
  • Lu, H. & Ma, X. (2020). Hybrid decision tree-based machine learning models for short-term water quality prediction. Chemosphere, 249, 126169. Doi: 10.1016/j.chemosphere.2020.126169.
  • Major, D. J., Baret, F. & Guyot, G. (1990). A ratio vegetation index adjusted for soil brightness. International journal of Remote Sensing, 11(5), 727-740. Doi: 10.1080/01431169008955053.
  • Meyers, G., Kapelan, Z. & Keedwell, E. (2017). Short-term forecasting of turbidity in trunk main networks. Water Research, 124, 67-76. Doi: 10.1016/j. watres.2017.07.035.
  • Mountadar, S., Younsi, A., Hayani, A., Siniti, M. & Tahiri, S. (2018). Groundwater salinization process in the coastal aquifer sidi abed-ouled ghanem (province of el Jadida, Morocco). Journal of African Earth Sciences, 147, 169-177. Doi: 10.1016/j.jafrearsci.2018.06.025.
  • Nicolas, H. & Walter, C. (2006). Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 134(1-2), 217-230. Doi: 10.1016/j.geoderma.2005.10.009.
  • Nield, S. J., Boettinger, J. L. & Ramsey, R. D. (2007). Digitally mapping gypsic and natric soil areas using Landsat ETM data. Soil Science Society of America Journal, 71(1), 245-252. Doi: 10.2136/sssaj2006-0049.
  • Nielsen, D. R. & Bouma, J. (1985). Soil spatial variability. proceedings of a workshop of the ISSS (Int. Society of Soil Science) and the SSSA (Soil Science Society of America), Las Vegas (USA), 30 Nov-1 Dec 1984.
  • Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J. M., Tucker, C. J. & Stenseth, N. C. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9), 503-510. Doi: 10.1016/j.tree.2005.05.011.
  • Pijanowski, B. C., Brown, D. G., Shellito, B. A. & Manik, G. A. (2002). Using neural networks and GIS to forecast land use changes: a land transformation model. Computers, Environment and Urban Systems, 26(6), 553-575. Doi: 10.1016/S0198-9715(01)00015-1.
  • Plumb, A. P., Rowe, R. C., York, P. & Brown, M. (2005). Optimisation of the predictive ability of artificial neural network (ANN) models: a comparison of three ANN programs and four classes of training algorithm. European Journal of Pharmaceutical Sciences, 25(4-5), 395-405. Doi: 10.1016/j.ejps.2005.04.010.
  • Rajaee, T., Ebrahimi, H. & Nourani, V. (2019). A review of the artificial intelligence methods in groundwater level modeling. Journal of Hydrology, 572, 336-351. Doi: 10.1016/j.jhydrol.2018.12.037.
  • Rondeaux, G., Steven, M. & Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 55(2), 95-107. Doi: 10.1016/0034-4257(95)00186-7.
  • Sabahattin I., Latif K., Jon, S., Puneet, S. & Graeme, L. (2013). Modeling effects of changing land use/cover on daily streamflow: An Artificial Neural Network and curve number based hybrid approach. Journal of Hydrology, 485, 103-112.
  • Sakai, N., Mohamad, Z. F., Nasaruddin, A., Abd Kadir, S. N., Salleh, M. S. A. M. & Sulaiman, A. H. (2018). Eco-Heart Index as a tool for community-based water quality monitoring and assessment. Ecological Indicators, 91, 38-46. Doi: 10.1016/j.ecolind.2018.03.079.
  • Siebert, S., Burke, J., Faures, J. M., Frenken, K., Hoogeveen, J., Döll, P. & Portmann, F. T. (2010). Groundwater use for irrigation–a global inventory. Hydrology and Earth System Sciences, 14(10), 1863-1880. Doi: 10.5194/hess-14-1863-2010.
  • Taloor, A. K., Pir, R. A., Adimalla, N., Ali, S., Manhas, D. S., Roy, S. & Singh, A. K. (2020). Spring water quality and discharge assessment in the Basantar watershed of Jammu Himalaya using geographic information system (GIS) and water quality Index (WQI). Groundwater for Sustainable Development, 10, 100364. Doi: 10.1016/j.gsd.2020.100364.
  • Tung, T. M. & Yaseen, Z. M. (2020). A survey on river water quality modelling using artificial intelligence models: 2000–2020. Journal of Hydrology, 585, 124670. Doi: 10.1016/j.jhydrol.2020.124670.
  • Tyagi, S., Sharma, B., Singh, P. & Dobhal, R. (2013). Water quality assessment in terms of water quality index. American Journal of Water Resources, 1, 34-38. Doi: 10.12691/ajwr-1-3-3.
  • Wagh, V. M., Panaskar, D. B., Muley, A. A., Mukate, S. V., Lolage, Y. P. & Aamalawar, M. L. (2016). Prediction of groundwater suitability for irrigation using artificial neural network model: a case study of Nanded tehsil, Maharashtra, India. Modeling Earth Systems and Environment, 2(4), 1-10. Doi: 10.1007/s40808-016-0250-3.
  • Wilson, E. H. & Sader, S. A. (2002). Detection of forest harvest type using multiple dates of Landsat TM imagery. Remote Sensing of Environment, 80(3), 385-396. Doi: 10.1016/S0034-4257(01)00318-2.
  • Wu, J., Zhang, Y. & Zhou, H. (2020). Groundwater chemistry and groundwater quality index incorporating health risk weighting in Dingbian County, ordos basin of northwest China. Geochemistry, 80(4), 125607. Doi: 10.1016/j.chemer.2020.125607.
  • Yaseen, Z. M., Sulaiman, S. O., Deo, R. C. & Chau, K. W. (2019). An enhanced extreme learning machine model for river flow forecasting: State-of-the-art, practical applications in water resource engineering area and future research direction. Journal of Hydrology, 569, 387-408. Doi: 10.1016/j.jhydrol.2018.11.069.
  • Zhu, J., Yu, L. Z., Xu, T. L., Wei, X. & Yang, (2019). Comparison of water quality in two catchments with different forest types in the headwater region of the Hun River, Northeast China. Journal of Forestry Research, 30(2), 565-576. Doi: 10.1007/s11676-018-0688-4.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 24 آذر 1400
  • تاریخ بازنگری: 19 بهمن 1400
  • تاریخ پذیرش: 21 بهمن 1400
  • تاریخ اولین انتشار: 01 اسفند 1400

اشتراک گذاری

ارجاع به این مقاله

آمار