مدلسازی پارامترهای کیفی آب زیرزمینی با استفاده از مدلهای شبکه عصبی مصنوعی و زمین آمار (مطالعه موردی: دشت زیدون)

مقاله پژوهشی

پایداری، توسعه و محیط زیست، دوره سوم، شماره 1، بهار 1401، صص 63-78

مدل­سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل­های شبکه عصبی مصنوعی و

زمین آمار (مطالعه موردی: دشت زیدون)

عبدالامیر عچرش زاده^[1]

اصلان اگدرنژاد^[2]*

a_eigder@ymail.com

چکیده

زمینه و هدف: امروزه یکی از موانع توسعه و گسترش جوامع، کیفیت نامناسب آب می­باشد. بررسی کیفیت و روند تغییرات کیفی آب زیرزمینی در مدیریت پایدار منابع آب هر منطقه، اهمیت زیادی دارد. اندازه­گیری این پارامترها در یک سطح وسیع، هزینه­بر و زمان­بر بوده و برای مدل­سازی آن­ها، روش­های تخمین­گر مورد نیاز است. هدف از پژوهش حاضر مدل­سازی پارامترهای کیفی آب زیرزمینی  دشت زیدون با استفاده از مدل­های ANN+PSO و زمین آمار می باشد.

روش بررسی: بدین منظور از اطلاعات ۴۲ حلقه چاه مشاهده­ای موجود در دشت زیدون به صورت ماهانه طی ۷ سال، استفاده شده است. ورودی­های مدل شبکه عصبی شامل پارامترهای کیفی SO₄^2- ، pH ، HCO₃^2-،  Na⁺، Mg²⁺، Ca²⁺، TDS، SAR و EC در نظر گرفته شد.

یافته­ها: نتایج حاصل از شبیه­سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل ANN+PSO نشان داد، در مدل شبیه­ساز SAR بیشترین دقت شبیه­سازی مربوط به مدل با تابع لگاریتم سیگموئید، در مدل شبیه­ساز EC هم بیشترین دقت شبیه­سازی مربوط به مدل با تابع محرک تانژانت سیگموئید می­باشد. همچنین در مدل شبیه­ساز TDS هم بیشترین دقت شبیه­سازی مربوط به مدل با تابع محرک تانژانت سیگموئید به­دست آمد. به­طوری­که مقدار RMSE و MAE کمترین مقدار و شاخص R² بیشترین مقدار را دارد. همچنین نتایج حاصل از شبیه­سازی پارامترهای کیفی آب زیرزمینی با استفاده از مدل زمین آمار نشان داد، بالاترین دقت مدل کریجینگ در شبیه­سازی به­ترتیب مربوط به پارامترهای EC، SAR و TDS است.

بحث و نتیجه‌گیری: در نهایت، مقایسه نتایح حاصل از مقایسه نتایج مدل ANN+PSO و مدل کریجینگ نشان داد که مدل ANN+PSO دقت بیشتری در شبیه­سازی پارامترهای کیفی آب زیرزمینی دشت زیدون نسبت به مدل کریجینگ دارد. همچنین نتایج این پژوهش نشان داد، تلفیق مدل­های هوشمند با الگوریتم­های بهینه­سازی با معماری صحیح و ورودی­های کامل مدل، به عنوان ابزاری مفید برای شبیه­سازی پارامترهای کیفی آب زیرزمینی کاربرد دارند.

کلمات کلیدی: آب زیرزمینی، پارامترهای کیفی، زمین آمار، شبیه­سازی، مدل شبکه عصبی مصنوعی.

Modeling of Groundwater Quality Parameters Using Artificial Neural Network and Geostatistics Models (Case Study: Zeidoun plain)

Abdol Amir Echreshzadeh ^[3]

 Aslan Egdernezhad ^[4]*

a_eigder@ymail.com

Abstract

Background and Aim: One of the obstacles to develop sustainable is the poor quality of water. The assessment of water quality is usually based on chemical decomposition and measurement of chemical parameters of water. Measuring these parameters in big area is costly and time-consuming, as result it required to estimating methods for prediction of those parameters. The purpose of this study is to model the groundwater quality parameters of Zeydoon plain using ANN+PSO and geostatistics models.

Methods: For this purpose, the information of 42 observation wells in Zeidoon plain on a monthly basis for 7 years has been used. Neural network model inputs including qualitative parameters SO₄^2- ، pH ، HCO₃^2-،  Na⁺، Mg²⁺، Ca²⁺، TDS، SAR and EC were considered.

Findings: The results of simulation of groundwater quality parameters using ANN + PSO model showed that in SAR simulator model the highest simulation accuracy is related to the model with sigmoid logarithm function, in EC simulator model the highest accuracy is similar. The construction is related to the model with the stimulus function of the sigmoid tangent. Also, in the TDS simulator model, the highest simulation accuracy of the model with the sigmoid tangent stimulus function was obtained. As RMSE and MAE have the lowest value and R² index has the highest value. The results of simulation of groundwater quality parameters using the geostatistical model showed that the highest accuracy of the kriging model in the simulation is related to EC, SAR and TDS parameters, respectively.

Discussion and Conclusion: Finally, comparing the results of comparing the results of ANN + PSO model and Kriging model showed that ANN + PSO model is more accurate in simulating groundwater quality parameters of Zidon plain than Kriging model. Also, the results of this research showed that the combination of intelligent models with optimization algorithms with correct architecture and complete model inputs are used as a useful tool for simulating groundwater quality parameters.

Keywords: Groundwater, Quality Parameters, Geostatistics, Simulation, Artificial Neural Networks model.

مقدمه

مقدار آب موجود در طبیعت در بخش­های مختلف (سطح، زیر و بالای زمین) ثابت نمی­باشد. آب شیرین فقط 5/2 درصد کل آب موجود در کره زمین را تشکیل می­دهد ولی تمام این مقدار هم برای استفاده در دسترس نمی­باشد. در این میان آب زیرزمینی بخش عمده­ای از آب شیرین در دسترس را تشکیل می­دهد و به همین دلیل از مهم­ترین منابع آب، به­شمار می­رود (1).

تغییرات کمی و کیفی آب زیرزمینی نقش مهمی در آینده اقتصادی یک منطقه ایفا می­کند، از این رو مدیریت و برنامه­ریزی مناسب منابع آب زیرزمینی مستلزم شناخت صحیح کلیه فاکتورها و عوامل موثر بر آن و نیز برقراری ارتباط منطقی بین هر یک از این عوامل است. مدیریت موثر منابع آب زیرزمینی مستلزم توانایی پیش­بینی و کنترل مقادیر کمی و کیفی می­باشد. مدل کردن پارامترهای کمی و کیفی آب زیرزمینی می­تواند از نظر ایجاد سازه­های مهندسی، مطالعات هیدرولوژی و مدیریتی، مصارف کشاورزی و دست­یابی به آب­های زیرزمینی با کیفیت مناسب، دارای اهمیت باشد. دست­یابی به مدل­های دقیق و قابل اطمینان، می­تواند به استفاده پایدار از آب­های زیرزمینی کمک به­سزایی نماید.

در سال­های اخیر روش­های آماری، ریاضی و کامپیوتری بسیاری به منظور شبیه­سازی و برآورد پارامترهای هیدرولیکی آبخوان و همچنین پارامترهای کمی و کیفی آب زیرزمینی مورد توجه قرار گرفته است. مرآتی و همکاران (1396)، در پژوهشی به مدل­سازی کیفی منابع آب زیرزمینی حوضه آبخیز سلیمانشاه استان کرمانشاه، با استفاده از روش­های زمین آمار پرداختند. نتایج این پژوهش برتری مدل کریجینگ نسبت به روش وزن­دهی معکوس فاصله را برای درون­یابی پارامترهای کیفی آب زیرزمینی منطقه مورد مطالعه نشان می­دهد (2). صیادی شهرکی و همکاران (1400)، برای شبیه­سازی عمق آب زیرزمینی کشت و صنعت نیشکر سلمان فارسی از روش­های زمین آمار، وزن­دهی معکوس فاصله و مدل شبکه عصبی مصنوعی استفاده کردند. نتایج نشان داده که بالاترین دقت بر اساس کم­ترین خطا مربوط به مدل شبکه عصبی مصنوعی و همچنین در بین مدل­های آماری، مدل کریجینگ دقت بیشتری نسبت به مدل وزن­دهی معکوس فاصله داشته است (3). معاشری و همکاران (2012)، با استفاده از روش ترکیبی زمین آمار و شبکه عصبی مصنوعی مقدار نسبت جذب سدیم را در دشت بیرجند برآورد نمودند. نتایج بدست آمده، قابلیت بالای این روش را در تخمین مقدار نسبت جذب سدیم نشان داد (4). نصر و فاروک (2014)، مدل شبکه عصبی مصنوعی را برای تخمین میزان شوری آب زیرزمینی جهت آبیاری مزارع آلکساندریا مصر توسعه دادند. نتایج حاصل از این تحقیق نشان داد مدل شبکه عصبی مصنوعی تطبیق خوبی با مقادیر اندازه­گیری شده و مورد انتظار شوری آب زیرزمینی دارد (5). حسن و همکاران (2016)، تغییرات مکانی عمق آب زیرزمینی را در بخش شمال غربی بنگلادش با استفاده از روش­های قطعی و زمین آماری بررسی کردند. نتایج این پژوهش نشان داد که ورودی­های مدل به شدت در سطح آب زیرزمینی تاثیرگذارند (6).

در مجموع با توجه به پژوهش­های انجام شده و همچنین اهمیت دشت زیدون از لحاظ شرب و کشاورزی، شبیه­سازی پارامترهای کیفی آب زیرزمینی به­منظور پیش­بینی و اقدامات مدیریتی، بیش از پیش ضروری است. در پژوهش حاضر شبیه­سازی پارامترهای کیفی آب زیرزمینی دشت زیدون، با استفاده از روش­های زمین آمار و مدل شبکه عصبی مصنوعی انجام گردیده است.

مواد و روش­ها

حوضه آبریز زیدون در مختصات جغرافیایی ´42 °49 تا ´15 °50 عرض شمالی و ´16 °30  تا ´41 °30 طول شرقی در جنوب غرب شهرستان بهبهان و فاصله تقریبا 180 کیلومتری شهرستان اهواز در استان خوزستان واقع شده است. محدوده مطالعاتی با مساحتی در حدود 1178 کیلومترمربع، به 50 زیرحوضه تقسیم می­گردد. رودخانه زهره و خیرآباد مهم­ترین و اصلی­ترین رودخانه­های این حوضه هستند. رودخانه خیرآباد

پس از تلاقی با رودخانه زهره با نام رود زهره (هندیجان)، با روند تقریبا جنوب­شرقی- شمال­غربی از مرکز دشت زیدون عبور می­نماید.

منطقه مورد مطالعه از شمال به محدوده مطالعاتی بهبهان، از شرق به محدوده مطالعاتی خیرآباد، از جنوب به استان بوشهر و از غرب به محدوده مطالعاتی هندیجان، محدود می­گردد. بلندترین نقطه ارتفاعی در این حوضه آبریز در ارتفاع 490 متری از سطح دریا می­باشد. پست­ترین نقطه ارتفاعی در این حوضه آبریز با ارتفاع 5 متر از سطح دریا در قسمت خروجی دشت واقع شده است.

روش کار

کلیه پارامترهای ورودی مدل شامل هدایت الکتریکی، نسبت جذب سدیم، اسیدیته، سولفات، کلسیم، منیزیم، سدیم، مقدار کل نمک‌های محلول، بی کربنات از دشت زیدون طی سال‌های 1390 تا 1397 از 42 حلقه چاه مشاهده­ای به­صورت ماهانه از سازمان آب و برق خوزستان دریافت گردید. با استفاده از مدل شبکه عصبی مصنوعی ترکیب شده با الگوریتم بهینه­سازی تجمع ذرات و مدل کریجینگ پارامترهای کیفی آب زیرزمینی شامل SAR، EC و TDS شبیه­سازی شد. سپس دقت پیش‌بینی‌های دو مدل  محاسبه و با مقادیر واقعی اندازه‌گیری شده، مقایسه گردید. نحوه پراکنش چاه­های منطقه مورد مطالعه در شکل (1) نشان داده شده است.

شکل 1- نحوه پراکنش چاه­های مشاهده­ای در منطقه مورد مطالعه

Figure 1- The distribution of observation wells in the study area

مدل شبکه عصبی مصنوعی[5]

شبکه­های عصبی مصنوعی به عنوان یک مدل غیرخطی که حساسیت کمتری به خطای داده­های ورودی دارند، در سال­های اخیر کاربرد فراوانی در مدل­سازی داشته است. در این مدل­ها، پردازش داده­ها به صورت موازی انجام می­شود و برای ایجاد رابطه بین داده­های ورودی و خروجی به فرمول­های پیچیده ریاضی نیازی نیست. شبکه عصبی مصنوعی یک سامانه پردازشی داده است که از مغز انسان الگو گرفته و پردازش داده­ها را به عهده پردازنده­های کوچک و بسیار زیادی سپرده که به صورت شبکه­ای به هم پیوسته و موازی با یکدیگر رفتار می­کنند تا یک مسئله را حل کنند.

یک مدل شبکه عصبی معمولا از لایه ورودی، لایه میانی (مخفی) و لایه خروجی تشکیل شده است. لایه ورودی یک لایه انتقال دهنده و وسیله­ای برای تهیه کردن داده­ها می­باشد. آخرین لایه یا لایه­های خروجی شامل مقادیر پیش­بینی شده به وسیله مدل می­باشد و بنابراین خروجی مدل را معرفی می­کند و لایه­های میانی و مخفی که از گره­های پردازشگر تشکیل شده­اند، محل پردازش داده­ها است. تعداد لایه­های مخفی و تعداد گره­ها در هر لایه مخفی به طور معمول به­وسیله روش آزمون و خطا مشخص می­شوند (7).

الگوریتم بهینه‌سازی تجمع ذرات[6]

الگوریتم مجموعه ذرات که یکی از روش‌های فراکاوشی است، این قابلیت را داراست که در بسیاری از مسائل بهینه‌سازی مهندسی مورد استفاده قرار گیرد.

در الگوریتم PSO، تعدادی از موجودات وجود دارند که به آنها ذره گفته می‌شود و در فضای جستجوی تابعی که قصد کمینه کردن یا بهینه کردن آن هست، پخش شده‌اند. هر ذره مقدار تابع هدف را در موقعیتی از فضا که در آن قرار گرفته است، محاسبه می‌کند. سپس با استفاده از ترکیب اطلاعات محل فعلی‌اش و بهترین محلی که درگذشته در آن بوده است و هم‌چنین اطلاعات یک یا چند ذره از بهترین ذرات موجود در جمع، جهتی را برای حرکت انتخاب می‌کند. همه‌ی ذرات جهتی برای حرکت انتخاب می‌کنند و پس از انجام حرکت، یک مرحله از الگوریتم به پایان می‌رسد. این مراحل چندین بار تکرار می‌شود تا آن که جواب مورد نظر به دست بیاید. در واقع انبوه ذرات مقدار کمینه یک تابع را جستجو می‌کند. بهینه‌سازی با  PSOساده و نیاز به حافظه پایین دارد (8). مانند همه الگوریتم‌های هوشمند، روش بهینه‌سازی مبتنی بر روش اجزای جمعی در حالت عمومی با ایجاد یک جمعیت تصادفی از افراد شروع می‌شود، و هر جزء در جمعیت شامل راه‌حل‌های بالقوه می‌باشد که باید مقدار بهینه آنها تعیین شود. در واقع هر جزء یک نقطه از فضای راه‌حل را ارائه می‌دهد. مزیت اصلی این روش بر استراتژی‌های بهینه‌سازی دیگر این است که، تعداد فراوان ذرات ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ بهینۀ محلی می‌گردد.

ترکیب مدل شبکه عصبی مصنوعی با الگوریتم بهینه­سازی تجمع ذرات (ANN+PSO)

 مفهوم آموزش شبکه عصبی در حقیقت تعیین مقادیر وزن‌ها و بایاس‌ها در شبکه است. در شبکه عصبی معمول از روش پس انتشار خطا برای آموزش شبکه استفاده می‌شود که اصلی ترین عیب آن همگرایی زودرس به بهینه محلی و بالا بودن مقدار خطای شبیه­سازی می‌باشد. در بهینه سازی با استفاده از الگوریتم تجمع ذرات، ﻣﺘﻐﯿﺮﻫﺎی ﺑﻬﯿﻨﻪﺳﺎزی در آﻣﻮزش ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺷﺎﻣﻞ وزنﻫﺎ و ﺑﺎﯾﺎسﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﺷﺒﮑﻪ ﻣﯽﺷﻮﻧﺪ.

روش کریجینگ

کریجینگ^[7] یک روش کارآمد درون­یابی است که می‌توان آن را دقیق یا غیردقیق (هموار) در نظر گرفت که این خود بستگی به مدل خطای اندازه­گیری دارد. این شیوه انعطاف پذیری بالایی دارد و این امکان را می‌دهد که کاربر گراف‌های خودهمبستگی مکانی را بررسی نماید. روش کریجینگ از مدل‌های آماری استفاده می­کند که این امکان را فراهم می­سازد تا گستره‌ای از نقشه­های خروجی شامل پیش­بینی، پیش­بینی استاندارد، احتمال و... فراهم گردد. انعطاف­پذیری این روش توسط نیاز این روش به تعداد زیادی تصمیم­گیری کاربر، فراهم شده است. کریجینگ فرض می­کند داده‌ها از یک فرآیند تصادفی مانا^[8] می‌آیند و از توزیع نرمال پیروی می­کنند. روش کریجینگ ‌بر مبنای تئوری متغیر‌های ناحیه‌ای^[9]() می‌باشد و همبستگی مکانی بین داده‌ها نقش اساسی را در آن ایفا می­کند.

کریجینگ نوعی شیوه تخمین می­باشد که در این تخمین هم از پارامترهای واریوگرام (که قبلا مشخص شده) و هم از داده­های معلومی که در اطراف نقطه مجهول وجود دارد، استفاده می­گردد. فاصله نقاطی که باید در آن­ها تخمین صورت گیرد بر اساس طرز قرارگیری داده‌های مجهول نسبت به داده‌های معلوم تعریف می­شود.

معیارهای ارزیابی مدل‌ها

 برای تعیین میزان دقت مدل‌ها از مقادیر آماره­های ریشه میانگین مربعات خطا ()، میانگین مطلق خطا () و ضریب تعیین () استفاده شد:

در رابطه بالا  : مقادیر پیش‌بینی شده  : مقادیر مشاهداتی و n: تعداد داده‌ها است. هر چه  و  به صفر نزدیک‌تر ، و مقدار  به یک نزدیک‌تر باشد، دقت مدل در پیش‌بینی بهتر است.

نتایج و بحث

در این پژوهش به منظور شبیه­سازی پارامترهای کیفی SAR، EC و TDS از داده‌های کیفیت آب زیرزمینی دشت زیدون طی سال‌های 1390 تا 1397 استفاده شد. اطلاعات جمع­آوری شده برای طراحی دو مدل ANN+PSO و کریجینگ شامل شامل هدایت الکتریکی، نسبت جذب سدیم، اسیدیته، سولفات، کلسیم، منیزیم، سدیم، مقدار کل نمک‌های محلول، بی کربنات می­باشد. مشخصات پارامترهای کیفی آب زیرزمینی دشت زیدون در جدول (1) ارائه شده است.

جدول 1- مشخصات آماری پارامترهای کیفی آب زیرزمینی دشت زیدون

Table 1- Statistical characteristics of underground water quality parameters of Zaydon Plain

با مروری بر منابع موجود نظیر موسوی جهرمی و گلابی (2008) و بانژاد و همکاران (2013)، می‌توان نتیجه گرفت که انتخاب پارامترهایی نظیر SO₄^2- ، pH ، HCO₃^2-،  Na⁺، Mg²⁺، Ca²⁺، TDS، SAR و EC در شبیه­سازی پارامترهای کیفی مورد بحث، نتایج خوبی را ارائه نموده است. لذا از ترکیب‌های مختلف همین پارامترها به عنوان ورودی مدل‌ شبکه عصبی مصنوعی استفاده گردید.

در جدول (2) همبستگی بین متغیرهای اندازه­گیری شده با پارامترهای SAR، TDS و EC در منطقه مورد مطالعه نشان داده شده است. بر این اساس بیشترین همبستگی پارامتر EC در سطح اطمینان99/0 به ترتیب مربوط به کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم و همچنین بیشترین همبستگی به پارامتر TDS به ترتیب مربوط به سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم است. برای پارامتر کیفی SAR هم بالاترین میزان همبستگی مربوط به سدیم، کل نمک‌های محلول، بی­کربنات، کلسیم و منیزیم می‌باشد. بنابراین پارامترهای ورودی مدل­ها برای پارامتر کیفی TDS شامل سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم و برای پارامتر کیفی SAR شامل سدیم، کل نمک‌های محلول، بی­کربنات، کلسیم و منیزیم و برای پارامتر کیفی EC شامل کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم است.

جدول 2- میزان همبستگی بین EC، TDS و SAR با پارامترهای ورودی مدل‌ها

Table 2- The degree of correlation between EC, TDS and SAR with the input parameters of the models

** معنی­داری در سطح یک درصد

سلطانی محمدی (2016) در پژوهشی در دشت رامهرمز گزارش نمودند که بیشترین همبستگی پارامتر EC در سطح اطمینان99/0 به ترتیب مربوط به کلسیم و سولفات و همچنین بیشترین همبستگی به پارامتر TDS به ترتیب مربوط به سدیم، کلسیم، هدایت الکتریکی، نسبت جذب سدیم و سولفات و بیشترین همبستگی SAR هم مربوط به سدیم و کل نمک‌های محلول می‌باشد. در پژوهش آهنین­جان و اگدرنژاد (1399) در دشت بهبهان، پارامترهای ورودی مدل­ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذب سدیم، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک‌های محلول، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم است.

نتایج عددی مدل­سازی پارامترهای SAR، TDS و EC با استفاده از مدل ANN+PSO

در این پژوهش به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی شامل SAR ، EC و TDS از مدل ANN+PSO استفاده شد. خروجی هرکدام از مدل‌ها برای هر سه پارامتر SAR ، EC و TDS برای دو تابع محرک بدست آمد سپس با توجه به معیارهای ارزیابی مدل، سناریویی که دارای کمترین مقدار خطا در دوره‌های آموزش، صحت­سنجی و آزمون بود، به عنوان ساختار بهینه انتخاب گردید. مقادیر  ،  و  سه پارامتر مذکور با استفاده از مدل ANN+PSO با دو تابع محرک تانژانت سیگموئید و لگاریتم سیگموئید در سه مرحله آموزش، صحت­سنجی و آزمون در جدول (3) تا (5) نشان داده شده است.

جدول 3- نتایج حاصل از مدل­ ANN+PSO در شبیه­سازی پارامتر SAR

Table 3- The results of ANN+PSO model in the simulation of SAR paramete

جدول 4- نتایج حاصل از مدل­ ANN+PSO در شبیه­سازی پارامتر  EC

Table 4- The results of ANN+PSO model in the simulation of EC paramete

جدول 5- نتایج حاصل از مدل­ ANN+PSO در شبیه­سازی پارامتر  TDS

Table 5- The results of ANN+PSO model in the simulation of TDS parameter

در مدل شبیه­ساز SAR بیشترین دقت شبیه­سازی مربوط به مدل با تابع لگاریتم سیگموئید و در مدل شبیه­ساز EC هم بیشترین دقت شبیه­سازی مربوط به مدل با تابع محرک تانژانت سیگموئید می­باشد. همچنین در مدل شبیه­ساز TDS هم بیشترین دقت شبیه­سازی مربوط به مدل با تابع محرک تانژانت سیگموئید به­دست آمد. به­طوری­که مقدار RMSE و MAE کمترین مقدار و شاخص R² بیشترین مقدار را دارد.

آهنین­جان و اگدرنژاد (1399)، در هرکدام از مدل‌های ANN و ANN+PSO به طور جداگانه دقت شبیه‌سازی پارامترهای EC و TDS، در مدل با تابع محرک تانژانت سیگموئید بالاتر از تابع محرک لگاریتم سیگموئید می‌باشد و دقت شبیه­سازی SAR، در مدل با تابع محرک لگاریتم سیگموئید بیشتر است.
صیادی شهرکی و همکاران (1395)، برای شبیه­سازی شوری آب زیرزمینی کشت و صنعت نیشکر دعبل خزاعی، مدل شبکه عصبی تلفیق شده با الگوریتم بهینه­سازی تجمع ذرات را به عنوان مدل بهینه، معرفی نمودند. زحمتکش و همکاران (1396)، از مدل شبکه عصبی مصنوعی و ترکیب مدل شبکه عصبی مصنوعی با الگوریتم بهینه­سازی تجمع ذرات و ژنتیک برای تخمین پارامترهای مخزنی استفاده نمودند که نتایج آن­ها نشان داد بالاترین دقت تخمین مربوط به ترکیب مدل شبکه عصبی مصنوعی با الگوریتم بهینه­سازی تجمع ذرات بود.

برازش منحنی بین نقاط شبیه­سازی شده و اندازه­گیری شده پارامترهای کیفی آب زیرزمینی در اشکال (2) تا (4) نشان داده شده است.

شکل 2- برازش منحنی بین نقاط شبیه­سازی شده و اندازه­گیری شده پارامتر کیفی SAR با استفاده از مدل ANN+PSO

Figure 2- Curve fitting between simulated and measured points of SAR quality parameter using ANN+PSO model

شکل 3- برازش منحنی بین نقاط شبیه­سازی شده و اندازه­گیری شده پارامتر کیفی EC با استفاده از مدل ANN+PSO

Figure 3- Curve fitting between simulated and measured points of EC quality parameter using ANN+PSO model

شکل 4- برازش منحنی بین نقاط شبیه­سازی شده و اندازه­گیری شده پارامتر کیفی TDS با استفاده از مدل ANN+PSO

Figure 4- Curve fitting between the simulated and measured points of TDS quality parameter using ANN+PSO model

نتایج مدل­سازی پارامترهای SAR، TDS و EC با استفاده از مدل کریجینگ

قبل از شروع درون­یابی در نرم­افزار GIS، ابتدا برای اطمینان از نرمال بودن داده­ها از هیستوگرام و نمودار Q-Q plot استفاده شد. سپس از قسمت Geostatistical Wizard روش کریجینگ انتخاب و درون­یابی پارامترهای کیفی انجام شد. شکل (5) تا (7)، نمودار پیش­بینی و تغییرنما و جدول (6) نتایج حاصل از شبیه­سازی پارامترهای SAR، TDS و EC با استفاده از مدل کریجینگ را نشان می­دهند. با توجه به جدول (6)، بالاترین دقت مدل کریجینگ در شبیه­سازی به­ترتیب مربوط به پارامترهای EC، SAR و TDS است. اشکال (8) تا (10)، نقشه پیش­بینی پارامترهای کیفی آب زیرزمینی منطقه مورد مطالعه با استفاده از روش کریجینگ را نشان می­دهد.

شکل 5- نمودار پیش­بینی و تغییرنمای پارامتر کیفی SAR با استفاده از مدل کریجینگ

Figure 5- Prediction chart and change of SAR quality parameter using kriging model

شکل 6- نمودار پیش­بینی و تغییرنمای پارامتر کیفی EC با استفاده از مدل کریجینگ

Figure 6- Prediction chart and change of EC quality parameter using Kriging model

شکل 7- نمودار پیش­بینی و تغییرنمای پارامتر کیفی TDS با استفاده از مدل کریجینگ

Figure 7- Prediction chart and change of TDS quality parameter using Kriging model

جدول 6- نتایج حاصل از شبیه­سازی پارامترهای SAR، TDS و EC با استفاده از مدل کریجینگ

Table 6- The results of simulation of SAR, TDS and EC parameters using kriging model

با مقایسه نتایج حاصل از جداول (3) تا (6)، می­توان دریافت که مدل ANN+PSO دقت بیشتری در شبیه­سازی پارامترهای کیفی آب زیرزمینی دشت زیدون نسبت به مدل کریجینگ دارد که با نتایج پژوهش­های جمشیدی و ابراهیمی (1391)، رجائی و همکاران (1394)، حبیبی و همکاران (1395)، عیسی­زاده و همکاران (1395)، عبادی و همکاران (1398)، نورانی و همکاران (2011) و غفاری و همکاران (2015) مطابقت دارد.

با توجه به اشکال (8) تا (10)، مقادیر SAR، TDS و EC در قسمت جنوب شرقی منطقه مورد مطالعه حداقل مقدار را دارد. اما در بخش­های مرکزی و در مجاورت رودخانه زهره به علت افزایش مسیر حرکت آب زیرزمینی و حضور رسوبات و کانی­های تبخیری حاصل از سازندهای اطراف دشت، مقدار املاح آب افزایش می­یابد. بالاترین مقدار SAR در مجاورت سازندهای بختیاری، میشان و گچساران می­باشد. همچنین بیشترین مقدار پارامترهای کیفی مورد بررسی، در قسمت غرب و جنوب غرب دشت زیدون مشاهده گردید.

شکل 8- نقشه پیش­بینی پارامتر کیفی SAR با استفاده از مدل کریجینگ

Figure 8- SAR qualitative parameter prediction map using kriging model

شکل 9- نقشه پیش­بینی پارامتر کیفی EC با استفاده از مدل کریجینگ

Figure 9- EC qualitative parameter prediction map using kriging model

شکل 10- نقشه پیش­بینی پارامتر کیفی TDS با استفاده از مدل کریجینگ

Figure 10- TDS qualitative parameter prediction map using kriging model

نتیجه­گیری

مدل کردن پارامترهای کمی و کیفی آب زیرزمینی می­تواند از نظر ایجاد سازه­های مهندسی، مطالعات هیدرولوژی و مدیریتی، مصارف کشاورزی و دست­یابی به آب­های زیرزمینی با کیفیت مناسب، دارای اهمیت باشد. دست­یابی به مدل­های دقیق و قابل اطمینان، می­تواند به استفاده پایدار از آب­های زیرزمینی کمک به­سزایی نماید. هدف از این پژوهش شبیه‌سازی پارامترهای کیفی آب زیرزمینی شامل SAR ، EC و TDS با استفاده از مدل ANN+PSO و مدل کریجینگ بوده است. نتایج این پژوهش نشان داد که مدل ANN+PSO دقت بیشتری در شبیه­سازی پارامترهای کیفی آب زیرزمینی دشت زیدون نسبت به مدل کریجینگ دارد. همچنین با توجه به کارایی بالای مدل شبکه عصبی مصنوعی با آموزش الگوریتم بهینه‌سازی تجمع ذرات می‌توان از این مدل جهت اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه استفاده نمود.

منابع

• Maidment, D. R. 1993. Handbook of Hydrology. McGraw Hill, New York, NY.
• Merati, E., Taheri, A., Parsafar, N. 2017. Qualitative Zoning of Groundwater Resources Using Geostatistical and GIS Methods (Case Study: Soleymanshah Watershed). Water and Soil Science, 27(2), 237-248. (In Persian)
• Sayadi Shahraki, A., Boroomand Nasab, S., Naseri, A.A. and Soltani Mohammadi, A. 2021. Evaluation and Accuracy of Artificial Intelligence, Geostatistics and Inverse distance weighting Methods in Simulation the Groundwater Depth. Water Resources Engineering, 14(50), 63-74. (In Persian)
• Moasheri, S. A., Tabatabai S. M., Sarani N. and Alai Y. 2012. Estimation Spatial distribution of Sodium adsorption ratio (SAR) in Groundwater Using ANN and Geostatitics Methods, the case of Birjand Plain, Iran. International Conference on Chemical, Ecology and Environmental Sciences (ICEESB2012), Bankok.
• Nasr, M. and Farouk, H. 2014. Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. The Egyptian Journal of Aquatic Researc, vol. 40, pp. 111-115.
• Hassan, I., Lawal, IM., Mohammed, A. and Abubakar, S. 2016. Analysis of geostatistical and deterministic techniques in the spatial variation of groundwater depth in the northwestern part of Bangladesh. American Journal of Engineering Research, vol. 5, pp. 29-34.
• Rahmani, Gh. Simulating the underground water resources of Aghili Plain using artificial neural networks and comparing it with the results of the finite difference mathematical model. Master's thesis, Shahid Chamran University, Ahvaz. (In Persian)
• Eberhart, R.C., Simpson, P. and Dobbins, R. 1996. Computational Intelligence PC Tools. Academic Press.
• Musavi-Jahromi, SH. and Golabi, M. 2008. Application of artificial neural networks in the river water quality modeling: Karoon river, Journal of Applied Sciences, vol. 8, pp. 2324-2328.
• Banejad H., Kamali M., Amirmoradi K. and Olyaie F. (2013). Forecasting Some of the Qualitative Parameters of Rivers Using Wavelet Artificial Neural Network Hybrid (W-ANN) Model (Case of study: Jajroud River of Tehran and Gharaso River of Kermanshah). Journal Health & Environ., vol. 6, pp. 277-294.
• Soltani Mohammadi,A., Sayadi Shahraki, A. and Naseri, A.A. 2016. Simulation of Groundwater Quality Parameters Using ANN and ANN+PSO Models (Case Study: Ramhormoz Plain). Journal of Pollution, vol. 3, pp. 191-200.
• Ahaninjan, K., Egdernezhad, A. 2020. Modeling Qualitative Parameters of SAR, EC, and TDS in Groundwater using Optimized Artificial Neural Network Model (Case Study: Behbahan Plain), Environment and Water Engineering, 6(2), pp. 161-172. (In Persian)
• Sayadi Shahraki, A., Soltani Mohammadi, A., Naseri, A.A. and Mokhtaran, A. 2016. Simulation of groundwater salinity using Artificial Neural Network (ANN), Particle Swarm Optimization (PSO) and SEAWAT model. (Case study: Debal khazaie sugarcane plantation). Journal of Water and Soil Conservation, 23(5), 307-316. (In Persian)
• Zahmatkesh, I., Mohsenipour, A. and Amraei, A. 2020. Estimation of reservoir rock properties from conventional well log data by using a hybrid particle swarm optimization and neural network approach. Advanced Applied Geology, 10(1), 96-109. (In Persian)
• Jamshidi Avanaki, M. and Ebrahimi, K. 2012. Comparison of artificial neural networks and geostatistical approach in predicting underground water level (case study: Mashhad plain aquifer). The second environmental planning and management conference, University of Tehran, Tehran. (In Persian)
• Rajayee, T. and Pouraslan, F. 2015. Spatiotemporal Groundwater Level Forecasting in Davarzan Plain. Hydrogeomorphology, 2(4), 1-19. (In Persian)  
• habibi, M., Nadiri, A., Asghari Moghdam, A. and Naderi, K. 2016. Combination of geostatistical and artificial intelligence methods for predicting spatiotemporal water level in the Hadishahr plain. Iranian Journal of Watershed Management Science and Engineering (jwmseir). 10 (32), 27-32. (In Persian)
• Isazadeh, M., Arabzadeh, R. and Darbandi, S. 2016. Performance Evaluation of Geostatistical Methods and Artificial Neural Network in Estimation of Aquifer Quality Parameters (Case Study: Qorveh Dehghan Plain). JWSS. 20 (77), 197-210. (In Persian)
• Ebadi, Y., Javdan, J., Rezaei Moghaddam, M. 2019. Estimating accuracy of Artificial Neural Networks (ANN) and Geo Statistical Methods in interpolating Groundwater Levels Case study: Shabestar - Sufian Plain. Scientific Research Quarterly of Geographical Data (SEPEHR), 28(110), 133-145. (In Persian)
• Nourani, V; Goli Ejlali, R. and Alami, M.T. 2011. Spatiotemporal Groundwater Level Forecasting in Coastal Aquifers by Hybrid Artificial Neural Network-Geostatistics Model: A Case Study. Environmental Engineering Science, vol. 28, pp. 217-228.
• Ghaffari Razin, M. R., Voosoghi, B. and Mohammadzadeh, A. 2015. Efficiency of artificial neural networks in map of total electron content over Iran. Acta Geodaetica et Geophysica, vol. 51, pp. 541-555.

[1] - دانشجوی کارشناسی ارشد مدریت منابع آب، گروه مهندسی عمران ، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

[2] - استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

[3]- M.Sc. Student, Department of Civil Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.

[4]- Assistant Professor, Department of Water Engineering and Sciences, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.

[5]- Artificial Neural Network

[6]-Particle Swarm Optimization

[7]-Kriging

[8]-Stationary Stochastic process

[9]- Regionalized variable theory