Predicting and zoning of groundwater quality using geographical information system (GIS) models and machine learning methods (case study: Zahedan plain)

Document Type : Research paper

Authors

1 M.Sc., Watershed Engineering Department, Faculty of Water and Soil, University of Zabol, Sistan and Balouchestan, Iran.

2 Associated Professor, Watershed Engineering Department, Faculty of Water and Soil, University of Zabol, Sistan and Balouchestan, Iran.

3 Ph.D. in irrigation and drainage, Water Engineering Department, Faculty of Water and Soil, University of Zabol, Sistan and Balouchestan, Iran.

4 Lecturer, Soil Engineering Department, Faculty of Water and Soil, University of Zabol, Sistan and Balouchestan, Iran.

10.22034/hydro.2022.48571.1250

Abstract

In recent decades, the growing population, limited water resources, and overexploitation of aquifers have caused irreparable damage to the quantity and quality of the country's aquifers. In the current study, geographical information system (GIS) models and machine learning (ML) techniques using available groundwater quality variables were applied for the prediction and zoning of salinity and SAR of groundwater in the Zahedan plain and then the accuracy of these methods was compared.The input data were based on water quality sampling in 2018 from 59 observation wells. The study of parameters showed that in Zahedan plain, EC, SAR, and TDS parameters had high variability (CV>41%) and acidity showed low variability (CV = 4.16%). The results of the geostatistical analysis showed that the IDW model represented better results with the power value of 2 for TDS and EC parameters while for pH and SAR parameters, the ordinary Kriging method revealed the best result with minimum RMSE in the test stage. Performance evaluation of ML models showed that all three models RF, ANN, and SVM showed acceptable results with R2 above 90% and NRMSE values below 15% for all parameters (except acidity). However, better estimations were observed in the training step than in the test step. A comparison of different GIS models and ML also revealed the notable superiority of ML models in estimating these parameters. Finally, it can be concluded that under a shortage of field facilities for the assessment of groundwater quality, data-driven methods can be a reliable alternative to water quality monitoring.

Keywords

Main Subjects

References

ادیب، آ. و زمانی، ر.، 1394. بررسی تغییرات مکانی شاخص­های کیفی آب‌ زیرزمینی دشت دزفول با استفاده از زمین آمار، مجله مهندسی منابع آب، 8(27): 12-1.‎
امیدوار، ک.، شفیعی، ش.، تقی زاده، ز.، و علی پور، م.، 1393. ارزیابی کارایی مدل درخت تصمیم در پیش­بینی بارش ایستگاه سینوپتیک کرمانشاه، نشریه تحقیقات کاربردی علوم جغرافیایی، 34(3): 110-89.
بامری، ا.، پیری، ح.، و گنجی، ف.، 1394. ارزیابی آلودگی آب­های زیرزمینی دشت بجستان جهت مصارف کشاورزی با استفاده از روش کریجینگ شاخص. مجله پژوهش‌های حفاظت آب و خاک، 22(1): 229-211.‎
پورقاسمی، ح.، ذبیحی، م. و بهزادفر، م.، 1394. تهیه نقشه پتانسیل آب زیرزمینی با استفاده از مدل‌های انتروپی شانون و جنگل تصادفی دردشت بجنورد. مجله اکوهیدرولوژی، 2(2): 232-221.
جهانشاهی، 1.، روحی مقدم، ع.، و دهواری، ع.ح.، 1393. ارزیابی پارامترهای کیفی آب زیرزمینی با استفاده از GIS و زمین آمار (مطالعه موردی: آبخوان دشت شهربابک). نشریه دانش آب و خاک، 24(2): 197-183.‎
حسنی، ز.، میرعباسی نجف آبادی، ر.، و قاسمی، ا.ر.، 1397. پیش­بینی کیفیت آب زیرزمینی دشت خانمیرزا با استفاده از روش تصمیم­گیری درختی. مجله هیدروژئولوژی، 3(1): 110-99.
حسنی‌پاک، ع.ا.، 1377. زمین‌آمار (ژئواستاتیستیک). انتشارات دانشگاه تهران. 306 ص.
حکمت نیا، م.، حسینی، س.م.، و صفدری، م.، 1399. مدیریت منابع آب کشاورزی استان سیستان و بلوچستان از دیدگاه آب مجازی. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 41(3): 149-137.
خسروی، ی.، زمانی، ع. ع.، و تکین، ف. ز.، 1398. تحلیل مکانی ویژگیهای فیزیکوشیمیایی آبهای زیرزمینی در جنوب وجنوب­غربی حوضه آبریز دالکی استان بوشهر. مجله کاوش‌های جغرافیایی مناطق بیابانی، 7(2): 145-125.‎
دولت کردستانی، م.، نوحه­گر، ا. و جانی­زاده، س.، 1396. ارزیابی چند مدل هوش مصنوعی برای پیش بینی کیفیت آب زیرزمینی (مطالعۀ موردی: دشت گرو). مجله ی علمی-پژوهشی مهندسی اکوسیستم بیابان، 6(17): 42-27.
رخ­شاد، ا.م.، و شهیدی، ع.، 1400. عملکرد شش روش ترکیبی هوشمند در مدل­سازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق. نشریه هیدروژئولوژی، 6(1): 139-126.
رستگارنیا، م.، و صنعتی، ع. 1395. تعیین واحدهای جریان هیدرولیکی با استفاه از روش جگل تصادفی برای یکی از مخازن نفتی ایران، ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز، 135: 59-55.
رضایی، م.، ثامنی، ع.م.، و فلاح شمسی، س.ر.، 1397. استفاده از روش­های پیشرفته یادگیری ماشین در پایش فرسایش بادی در جنوب ایران، نشریه پژوهش­های فرسایش محیطی، 8(1): 58-39.
روکی، ر.، آریافر، ا.، و عادلی نسب، ج.، 1396. بررسی کیفیت آب زیرزمینی آبخوان دشت گناباد خراسان رضوی با استفاده از روش­های آماری چند­متغیره و هوش مصنوعی، نشریه مهندسی منابع معدنی، 2(1): 61-49.
ریاحی، ف.، وقارفرد، ح.، دانشکار آراسته، پ.، و کاردان مقدم، ح.، 1399. ارزیابی پتانسیل منابع آب زیرزمینی با استفاده از ترکیب روش­های داده­کاوی (منطقه مورد مطالعه: دشت سرخون هرمزگان). نشریه حفاظت منابع آب و خاک، 9(3): 120-105.
زارع ابیانه، ح.، بیات ورکشی، م.، اخوان، س. و محمدی ، م.، 1390. تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکة عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی. نشریه محیط شناسی، 58: 140-129.
سیفی، ا.، میرلطیفی، س.م.، و ریاحی، ح.، 1392. معرفی و کاربرد ماشین بردار پشتیبان حداقل مربعات در برآورد تبخیر تعرق مرجع و تحلیل عدم قطعیت نتایج، مطالعه موردی شهر کرمان، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 13(3): 79-67.
صمدیان فرد، س.، و پناهی، س.، 1397. برآورد تبخیر- تعرق مرجع روزانه با استفاده از روشهای داده کاوی رگرسیون بردار پشتیبان و مدل درختی M5، پژوهشنامه مدیریت حوزه آبخیز، 9(18):  167-157.
طاهری تیزرو، ع.، نوابیان، م.، و بدخشان، آ.، 1395. کاربرد تکنیک زمین آمار برای ارزیابی کیفیت آب زیرزمینی دشت فومنات استان گیلان. نشریه هیدروژئولوژی، 1(1): 56-44.
عجم­زاده، ع.، ملائی نیا، م.ر.، و قندهاری، ق.، 1396. مقایسه برخی از روش­های هوش مصنوعی در پیشبینی سری­های زمانی روزانه دمای حداقل، حداکثر و بارش ایستگاه سد تنگاب واقع در استان فارس. فصلنامه ی علمی-پژوهشی فضای جغرافیایی، 59(3): 228-205.
عربی یزدی، ا.، نیکنیا، ن.، مجیدی، ن.، و امامی، ح.، 1393. بررسی امنیت آبی در اقلیم­های خشک از دیدگاه شاخص رد پای آب (مطالعه موردی : استان خراسان جنوبی). نشریه آبیاری و زهکشی ایران، 8(4): 764-735.
عزیزپور، ع.، ایزدبخش، م.ع.، شعبانلو، س.، یوسفوند، ف.و رجبی، ا.، 1400. شبیه­سازی تراز، کلر و بی­کربنات آب زیرزمینی توسط ماشین آموزش ترکیبی. نشریه هیدروژئولوژی، 6(1): 113-99.
علی پور، ع.، رحیمی، ج.، و آذرنیوند، ع.، 1396. بررسی کیفیت آب زیرزمینی جهت مصارف شرب و کشاورزی-پیش نیازی برای برنامه­ریزی آمایش سرزمین در مناطق خشک و نیمه خشک ایران. نشریه مرتع و آبخیزداری (منابع طبیعی ایران)، 70(2): 434-423.‎
عیسی زاده، م.، بی آزار، س.م.، اشرف زاده، ا.، و خانجانی، ر.، 1398. تخمین پارامترهای کیفی آبخوان دشت گیلان با استفاده از آزمون گاما ومدل­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی. فصلنامه علوم و تکنولوژی محیط زیست، 21(2):21-1.
عینلو، ف.، معافی رابری، ع.، ملکیان، آ.، قضاوی، ر.، و محسنی ساروی، م.، 1395. بررسی کیفیت آب زیرزمینی دشت زنجان از نظر استانداردهای شرب با استفاده از رویکرد زمین آمار، نشریه جغرافیا و برنامه ریزی محیطی، 62 (2): 16-1.
غضبان، ف. 1381. زمین‌شناسی زیست محیطی، چاپ اول، انتشارات دانشگاه تهران، ایران، 416 ص.
کلانتری، ن.، ایرانی اصل، ا.، و محمدی، ه.، 1401. بررسی کمی و کیفی آبخوان باغملک با استفاده از روش تحلیل آماری، روش­های هیدروشیمیایی و GIS. نشریه هیدروژئولوژی، 7 (1): 24-11.
محمدی، ص.، سلاجقه، ع.، مهدوی، م. و باقری، ر.، 1391. بررسی تغییرات مکانی و زمانی سطح آب زیرزمینی دشت کرمان با استفاده از روش زمین آماری مناسب (طی یک دوره آماری 10 ساله، 1375- 1385)، فصلنامه تحقیقات مرتع و بیابان ایران، 19(1): 71-60.
مدنی، ح.، 1373. مبانی زمین­آمار، انتشارات دانشگاه امیر کبیر، 659 ص.
ملکیان، آ.، و میردشتوان، م.، 1394. بررسی کیفیت آب زیرزمینی جهت مصارف کشاورزی بر اساس تحلیل­های زمین­آماری (مطالعة موردی: دشت هشتگرد استان البرز). مرتع و آبخیزداری، مجله منابع طبیعی ایران، 68(4): 820-809.
میرسنجری، م.م.، محمدیاری، ف.، بصیری، ر. و حمیدی­پور، ف. 1396. مدل­سازی پارامترهای کیفیEC ، SAR  و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران). فصلنامه انسان و محیط زیست، 42(3): 12-1.
میرک زهی، خ.، شهریاری، ع.، پهلوان راد، م.ر.، و بامری، ا.، 1396. کاربرد روش درختان تصمیم­گیری تصادفی در پیش­بینی کلاس­های خاک در اراضی با پستی و بلندی کم (مطالعه موردی: شهرستان هیرمند)، نشریه پژوهش های حفاظت آب و خاک، 24(1): 84-67.
نوروزی، ح.، ندیری، ع.، اصغری مقدم، ا.، و قره خانی، م.، 1396. پیش­بینی قابلیت انتقال آبخوان دشت ملکان با استفاده از روش جنگل تصادفی، نشریه دانش آب و خاک، 27(2): 75–61.
نیکبخت، ص.، و دلبری، م.، 1392. برآورد سطح ایستابی آب­های زیرزمینی با استفاده از روش­های زمین­آماری (مطالعه موردی : دشت زاهدان)، نشریه آب و توسعه پایدار، 1(1): 56-49.‎
ولیزاده، خ.، روستایی، ش.، رحیم­پور، ت.، و نخستین روحی، م.، 1395. تعیین مناسب­ترین روش زمین آمار در تهیه­ی تغییرات شوری آب­های زیرزمینی (مطالعه موردی: دشت شیرامین، استان آذربایجان شرقی). مجله هیدروژئومورفولوژی، 6(1): 32-17.
Ahmed, U., Mumtaz, R., Anwa, H., Shah, A.A., Irfan, R., and García-Nieto, J., 2019. Efficient Water Quality Prediction Using Supervised Machine Learning. Water, 11: 1-14.
Antonopoulos, V. Z., Papamichail, D. M., and Mitsiou, K. A., 2001. Statistical and trend analysis of water quality and quantity data for the Strymon River in Greece. Hydrology and Earth System Sciences 5 (4): 679-691.
Bameri, A., and Khaleghi, M., 2021. Monitoring and predicting the groundwater-level fluctuations for better management of groundwater resource in Lowlands Using Geographic Information System (GIS). Journal of Radar and Optic Remote Sensing, 4(2):7-16.
Bameri, A., Khormali, F., Kiani, F., and Dehghani, A.A., 2015. Spatial variability of soil organic carbon in different hillslope positions in Toshan area, Golestan Province, Iran: geostatistical approaches. Journal of Mountain Science, 12(6): 1422-1433.
Bui, D.T., Khosravi, K., Tiefenbacher, J., Nguyen, H., and Kazakis, N., 2020. Improving prediction of water quality indices using novel hybrid machine-learning algorithms,  Science of the Total Environment, 721, 137612.
Cambardella, C.A., Moorman, T.B., Parkin, T.B., Karlen, D.L., Novak, J.M., Turco, R.F., and Konopka, A.E., 1994. Field-scale variability of soil properties in central Iowa soils.Soil sci.Soc. Am. 58: 1501-1511.
Dash, J.P., Sarangi, A., and Singh, D.K., 2010. Assessment of groundwater pollution in West Delhi, India using geostatistical approach. Environ Monit Assess. 167: 599-615.
Delbari, M., Afrasiab, P., and Loiskandl, W., 2011. Geostatistical analysis of soil texture fractions on the field scale. Soil Water Research. 6: 173-189.
El Bilali, A., and Taleb, A., 2020. Prediction of irrigation water quality parameters using machine learning models in a semi-arid environment. Journal of the Saudi Society of Agricultural Sciences, 19: 439–451.
Granata, F., Papirio, S., Esposito, G., Gargano, R., and Marinis, G., 2017. Machine Learning Algorithms for the Forecasting of Wastewater Quality Indicators. Water, 9(105): 1-12.
Haghiabi, A.H., Nasrolahi, A.H., and Parsaie, A., 2018. Water quality prediction using machine learning methods. Water Quality Research Journal, 53 (1): 3-13.
Isaaks, E.H., and Srivastava, M.R., 1989. Applied Geostatistics. (No. 551.72 ISA).
Kardam, A., Raj, K.R., Arora, J.K., and Srivastava, S., 2012. Artificial neural network modeling for biosorption of Pb (II) ions on nanocellulose fibers. Bionanoscience, 2: 153–160.
Ma, W., Tan, K., and Du, P., 2016. Predicting soil heavy metal based on random forest model. International Geoscience and Remote Sensing Symposium (IGARSS): 4331-4334.
Norouzi, H., Moghaddam, A.A., Nadiri, A.A. 2016.  Investigation of Malikan Plain Groundwater’s Pollution to Arsenic. Journal of Ecohydrology. 5(3): 739-751.
Rahmati, O., Pourghasemi, H.R., and Melesse, A.M., 2016. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: A case study at Mehran Region, Iran. Catena, 137: 360–372.
Sarhadi, M., Nohtani, M., and Reiki, M., 2016. Effect of drought on qualitative and quantitative parameters of Zahedan plain aquifer. ECOPERSIA, 4(4): 1541-1554.
Taheri-Tizro, A., Voudouris, K. and Vahedi, S., 2014. Spatial variation of groundwater quality parameters: a case study from a semiarid region of Iran. International Bulletin of Water Resources & Development, 1(3): 1-14.
Wilding, L.P., Smeck, N. E., and Hall, G.F., 1983. Pedogenesis and soil taxonomy. I. Concepts and interactions. Elsevier Publishing Company, 303p.
Zhu, Q., and Lin, H.S., 2010. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes. Pedosphere, 20(5): 594-606.
Zhu, X., Wu, G., Coulon, F., Wu, L., and Chen, D., 2018. Correlating asphaltene dimerization with its molecular structure by potential of mean force calculation and data mining. Energy Fuel, 32: 5779–5788.
Hydrogeology
Volume 7, Issue 2
Publisher
February 2023
Pages 43-60

Files

Share

How to cite

Statistics