Prediction of Golestan Province’s Groundwater Quality Parameters Using Artificial Intelligence Moldels

Document Type : Research paper

Authors

1 MSc. Student in Water resource Engineering, Department of Water and Soil, University of Zabol, Zabol, Iran.

2 Associated Professor, Department of Water and Soil, Gorgan University of Agricultural Science and natural Resourses, Gorgan and University of Zabol, Zabol, Iran.

3 Assistant Professor, Department of Agricultural, Payame Noor University (PNU),Research institute of Zabol, Zabol, Iran.

10.22034/hydro.2022.44480.1222

Abstract

Water quality is directly related to individual and public health. In this study, using water quality data from 96 observation wells in Golestan province, Iran, with a common 19-year statistical year, the prediction of water quality parameters including sodium adsorption ratio (SAR), total dissolved solids (TDS) and electrical conductivity (EC) was investigated using three methods of artificial neural network (ANN), gene expression programming (GEP), and neuro-fuzzy inference system (NFIS) with 9 different input combinations. The data used included water quality data for sodium (Na+), water alkalinity (pH), chloride (Cl-), sulfate (SO42-), calcium (Ca2+), and magnesium (Mg2+), and the data was validated using 70% of the data and the performance of the methods was evaluated using the remaining data. To evaluate the accuracy of the models, three criteria were used: root mean square error (RMSE), correlation coefficient (R2), and mean absolute error (MAE). The results showed that with the exception of input combination 8, all other models had high performance. The results also showed that the parameters Na+ and SO42- had the most significant impact on the accuracy of the prediction results for all three models and all three parameters under investigation, and all three models performed poorly in input combination 8. In most inputs, the neural network was superior to the other two models. Although the accuracy and performance of all three models were comparable, all three models could be used to predict water quality parameters.

Keywords

Main Subjects

References

آروین، ع. خواجه، ا.م.، مازینی، ف.، 1391. تعیین الگوی زمانی مکانی بارش استان گلستان با استفاده از تحلیل خوشه­ای. مجله امایش جغرافیایی فضا، 2(6): 117-132.
ترابی پوده، ح. حیدر نصر الهی، ع.، دهقانی، ر.، 1400. ارزیابی مدل شبکه عصبی موجک در پیشبینی منابع آب زیرزمینی (مطالعه موردی: استان لرستان). هیدروژئولوژی، 6(1):1-1.
حسنی، ق.، ا.، محوی. س.، عرب.، م.، یونسیان.، ح.، قریبی.، 1391. طراحی شاخص کیفی آب­های زیرزمینی با استفاده از منطق فازی . سلامت و بهداشت اردبیل، 3(1):31-18.
دولت کردستانی. م.، ا.، نوحه­گر،. س.، جانی­زاده.، 1396. ارزیابی چند مدل هوش­مصنوعی برای پیش­بینی کیفیت آب زیر­زمینی ( مطالعه موردی: دشت گرو) . مهندسی اکوسیستم بیابان، 6(17):42-27.
روکی. ر.، ا.، آریافر.، ج.، عادلی نصب.، 1396. بررسی کیفیت آب زیر زمینی آبخوان دشت گناباد خراسان رضوی با استفاده از روش­های اماری چند متغیره و هوش مصنوعی. نشریه مهندسی منابع معدنی، 2(1):61 -49.
رخ شاد، ا.م. شهیدی، ع.، 1400. عملکرد شش روش ترکیبی هوشمند در مدلسازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق. هیدروژئولوژی، 6(1):139-126.
زمانی احمد محمودی، ر.، 1391 . بررسی کاربرد روش ترکیبی زمین آمار و شبکه­های عصبی بهینه شده با الگوریتم ژنتیک در میانیابی سطح آب زیرزمینی دشت. پایان­نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، گروه مهندسی منابع آب.
سلاجقه ، م. خلیلی، ک.، و بهمنش، ج.، 1388. "پیش­بینی مقادیر پارامتر­های کیفی EC و TDS با استفاده از تغییرات دبی رودخانه مطالعه موردی رودخانه­های مهابادچای و بالخلوچای (بایزید آباد) دریاچه، فصلنامه پژوهش در بهداشت محیط، 2(4): 298-285.
سلگی. ا.، زارعی. ح.، شهنی دارابی. م.، علیدادی ده کهنه. ص.، 1397. کاربرد مدل­های برنامه­ریزی بیان ژن و ماشین بردار رگرسیونی جهت مدل­سازی و پیش­بینی بارش ماهانه. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 18(50): 103-91.
صابری نصر.، ا.، م.، رضایی. م.، دشتی. ج.، منصوری.، 1390. ارزیابی کاربرد سیستم استنتاج فازی در تحلیل کیفیت آب زیرزمینی، مطالعه موردی: آبخوان طبس، مهندسی آب و محیط زیست ایران، 1(1): 34-25.
عبداالله پور آزاد، م. ستاری، م.، 1393. پیش­بینی جریان اهرچای با استفاده از روش­های شبکه عصبی مصنوعی و مقایسه آن با سیستم استنتاج فازی- عصبی. نشریه حفاظت آب و خاک، (1) 1:22-12.
عسکری. م.، ا.، آریافر.، ح.، ضیا.، 1390. پیش­بینی پارامتر­های کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی. هفتمین کنفرانس زمین شناسی مهندسی و محیظ زیست ایران. دانشگاه صنعتی شاهرود. شهریور 1390. شاهرود.
علوی­پناه، سید کاظم.، 1386. سنجش از دور و کاربرد آن در علوم زمین. انتشارات دانشگاه تهران.
قوردویی میلان، س.، آریا آذر، ن.، جوادی، س.، رازدار، ب.، 1399. شبیه­سازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره. هیدروژئولوژی،5(1):133-118.
 
Healy Rrchard, W., 2010. Estimating groundwater recharge, Cambridge University press United Kingdom, 244 p.
Hsu, K. L., Gupta, H. V. and Sorooshian, S., 1995. Artificial neural network modeling of the rainfall‐runoff process. Water resources research, 31: 2517-2530.
Ferreira, C., 2001. Gene expression programming: A new adaptive algorithm for solving problems. Complex Systems, 13(2): 87-129.
Ferreira, C., 2005. Gene expression programming and the evolution of computer programs.  In L. Nunes de Castro & F. Von Zuben (Eds.), Recent Developments in Biologically Inspired Computing (pp. 82-103). IGI Global.Chiu, S. L. 1994. Fuzzy model identification based on cluster estimation. Journal of Intelligent & fuzzy systems, 2: 267-278.
Jalalkamali, A., andJalalkamali, N., 2018. Adaptive network-based fuzzy inference system-genetic algorithm models for prediction groundwater quality indices: A gis-based analysis. Journal of AI and Data Mining, 6: 439-445.
Kisi, O., Azad, A., Kashi, H., Saeedian, A., Hashemi, S. a. A. and Ghorbani, S., 2019. Modeling groundwater quality parameters using hybrid neuro-fuzzy methods. Water resources management, 33: 847-861.
Jang, J.-S., Sun, C.-T., 1995. Neuro-fuzzy modeling and control. Proceedings of the IEEE, 83: 378-406.
Vafakhah, M., Mohseni, S. M., Mahdavi, M. and Alavipanah, S., 2011. Snowmelt runoff prediction by using artificial neural network and adaptive neuro-fuzzy inference system in taleghan watershed Iran-Watershed Management Science and Engineering, 5)14): 36-23.
Jacquin, A. P. and Shamseldin, A. Y., 2006. Development of rainfall–runoff models using takagi–sugeno fuzzy inference systems. Journal of Hydrology, 329: 154-173.
Hydrogeology
Volume 8, Issue 2
Publisher
March 2024
Pages 15-28

Files

Share

How to cite

Statistics