مقایسه مدل‌های IBK و M5 با روش‌های زمین‌آماری در کیفیت آب زیرزمینی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، گروه علوم و مهندسی آب، دانشگاه بیرجند، دانشکده کشاورزی، بیرجند، ایران.

2 استاد، گروه علوم و مهندسی آب، دانشگاه بیرجند، دانشکده کشاورزی، بیرجند، ایران.

3 دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، دانشکده کشاورزی، بیرجند، ایران.

10.22034/hydro.2023.42801.1218

چکیده

در مدیریت کمی آب زیرزمینی، یکی از موارد بسیار مهم و اساسی، تخمین سطح آب زیرزمینی است که معمولاً براساس داده‌هایی که از شبکه چاه‌های مشاهده‌ای بدست می‌آید، انجام می‌گردد. در این پژوهش، هدف اصلی، بررسی شوری آب زیرزمینی دشت مشهد در بازه زمانی 1 تا 31 اردیبهشت 1398 می‌باشد. برای این منظور، از دو مدل آماری IBK و M5 استفاده و نتایج آن‌ها با روش‌های زمین‌آماری مقایسه گردید. در این راستا، از نمونه‌برداری نقطه‌ای با مختصات جغرافیایی X و Y استفاده شد. همچنین، متغیر کلر به عنوان یک متغیر مهم و معیاری برای شوری آب زیرزمینی مد نظر قرار گرفت. دلیل اصلی انتخاب کلر به­عنوان متغیر مورد بررسی، همبستگی مناسب آن با ضریب هدایت الکتریکی است. در نهایت، نتایج نشان داد که مدل IBK عملکرد بهتری نسبت به مدل M5 و روش‌های زمین‌آماری داشت. با استفاده از مدل IBK، میزان دقت در پیش‌بینی شوری آب زیرزمینی به شکل قابل‌توجهی افزایش یافت. بر اساس مقادیر آماری به‌دست آمده، می‌توان نتیجه گرفت که مدل IBK با داشتن ضریب تییین برابر با 98/0، خطای جذر میانگین مربعات برابر با 85/200 و میانگین خطای مطلق برابر با 48/97، بهترین مدل برای پیش‌بینی شوری آب زیرزمینی در دشت مشهد است. در نتیجه، مدل IBK قابلیت بالایی در تخمین دقیق شوری آب زیرزمینی را دارد و می‌توان آن را به‌عنوان یک ابزار موثر در مدیریت کمی آب زیرزمینی، به‌کار برد. این مدل با دقت و عملکرد بالا، می‌تواند به مدیران و تصمیم‌گیران در اتخاذ تدابیر و راهبرد‌های مناسب برای حفظ و بهینه‌سازی منابع آب زیرزمینی کمک کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Compare IBK and M5 Models with Ground-Based Methods in Underground Water Quality

نویسندگان [English]

  • Fahime Khadempoor 1
  • Abbas Khashei 2
  • Ali Shahidi 3
1 Ph.D. Student of water Resource Engineering, Department of Science and Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran.
2 Professor of Department of Science and Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran.
3 Associate professor of Department of Science and Water Engineering, Faculty of Agriculture., University of Birjand, Birjand, Iran.
چکیده [English]

In groundwater management, one of the crucial and fundamental aspects is estimating the groundwater level, which is typically done based on data obtained from monitoring well networks. In this research, the main objective was to investigate the groundwater salinity in the Mashhad Plain during the period of 1st to 31st of April, 2019. For this purpose, two statistical models, IBK and M5, were used, and their results were compared with geostatistical methods. Point sampling with geographic coordinates X and Y was employed to examine the groundwater salinity. Additionally, chloride was considered as an important variable and indicator of groundwater salinity due to its significant correlation with electrical conductivity, which is indirectly related to groundwater salinity. The results showed that the IBK model outperformed the M5 model and geostatistical methods. By using the IBK model, the accuracy in predicting groundwater salinity significantly improved. Based on the obtained statistical values, it can be concluded that the IBK model, with an R-squared value of 0.98, a root mean square error (RMSE) of 85.200, and a mean absolute error (MAE) of 48.97, performed the best in predicting groundwater salinity in the Mashhad Plain. Thus, the IBK model serves as an effective tool for accurate estimation of groundwater salinity and quantitative groundwater management. Its high performance enables better decision-making and implementation of appropriate measures for preserving and optimizing groundwater resources. These findings can be valuable for managers.

کلیدواژه‌ها [English]

  • Groundwater
  • Mashhad plain
  • Salinity
  • Variogram
  • WEKA software

مراجع

احمدیان، م.، چاوشیان، م.، درویش، م.، 1394. بررسی نوسان های سطح سفره آب زیرزمینی به عنوان معیاری از تخریب اراضی مناطق نیمه­خشک با استفاده از فنون زمین آمار (مطالعه موردی دشت کبودرآهنگ- فامنین). تحقیقات مرتع و بیابان ایران، 1، 109-120.
خاشعی سیوکی، ع.، سربازی، م.، 1393. بررسی توزیع مکانی کیفیت آب زیرزمینی با استفاده از مدل­های MLP، LS-SVM و زمین آماری. آب و فاضلاب، 26(3)، 93-103
خاشعی سیوکی، ع.، قهرمان، ب.، کوچک­زاده، م.، 1392. مقایسه مدل­های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور، آبیاری و زهکشی ایران، 1: 10-22.
خاشعی سیوکی، ع.، کوچک زاده، م.، قهرمان، ب.، 1390. پیش بینی عملکرد گندم دیم از داده های هواشناسی با استفاده از سیستم خبره در استان خراسان، ایران. علوم و فنون کشاورزی ایران، 13: 640-627.
رضایی، ا.، خاشعی سیوکی، ع.، شهیدی، ع.، 1393. طراحی شبکه پایش سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM). تحقیقات آب و خاک ایران، 4: 389-396.
رضایی، م.، دعوتگر، ن.، تاجداری، ک.، ابوالپور، ب.، 1389. بررسی تغییرپذیری مکانی برخی عوامل مهم کیفی آب زیرزمینی در گیلان. آب و خاک ایران، 24(5)، 932-941.
زمانی احمد محمودی، ر.، آخوندعلی، ع.م.، زارعی، ح.، رادمنش، ف.، 1393. تخمین سطح ایستابی با استفاده از یک روش ترکیبی بهینه­شده با الگوریتم ژنتیک در دشت رامهرمز. مهندسی آب و آبیاری ایران، 4(3)، 26-38
کاردان مقدم، ح.، خاشه سیوکی، ع.، 1391. پهنه‌بندی در علوم آب توسط زمین آمار. انتشارات آستان قدس. مشهد، ایران
نکوآمال کرمانی، م.، میرعباسی نجف­آبادی، ر.، 1395. ارزیابی روش­های درون­یابی در تخمین سطح آب زیرزمینی (مطالعه موردی: دشت سرخون). هیدروژئولوژی، 2(2)، 84-95
نهرین، ف.، ستاری، م.ت.، بیگ­زالی، ن.، 1392. مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و مدل درختی M5 (مطالعه موردی: رودخانه لیقوان چای). دوازدهمین اجلاس هیدرولیک ایران، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، تهران، ایران.
Barcae, E., Passarella, G., 2008. Spatial evaluation of the risk of groundwater quality degradation: A comparison between disjunctive kriging and geostatistical simulation. Journal of Environmental Monitoring and Assessment, 133: 261-273.
Dagostino, V., Greene, E.A., Passarella, G., Vurro, M., 1998. Spatial and temporal study of nitrate concentration in groundwater by means of co regionalization. Journal of Environmental Geology, 36: 285-295.
Fallahi, M.R., Varvani, H., and Goliyan, S. 2012. Precipitation forecasting using regression tree model to flood control. 5th international watershed and water and soil resources management, Kerman, Iran.‏
Gundogdu, K.S., Guney, I., 2007. Spatial analyses of groundwater levels using universal kriging. Journal of Earth System Science, 116(1): 49-55.
Kisi, O., 2012. Least squares support vector machine for modeling daily reference evapotranspiration, Irrigation Science, 31(4): 611-619.
Lallahema, S., Maniaa, J., Hania, A., Najjarb, Y., 2005. on the use of neural networks to evaluate groundwater levels in fractured media. Journal of Hydrology, 307. 92-111.
Liang, X., Schilling, K., Kuan-Zhang, Y., Jones, C., 2016. CoKriging estimation of Nitrate-Nitrogen loads in an agricultural river. Journal of Water Resources Management, 30 (5): 1771-1784.
Maroufpoor, S., Fakheri-Fard, A., and Shiri, J. 2019. Study of the spatial distribution of groundwater quality using soft computing and geostatistical models. ISH Journal of Hydraulic Engineering, 25(2), 232-238.‏
Mouser, P. J., and Rizzo, D.M. 2004. Evaluation of geostatistics for combined hydrochemistry and microbial community fingerprinting at a waste disposal site. In Critical Transitions in Water and Environmental Resources Management, 1-11.
Pal, M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4), 825-831.
Witten, I. H., and Frank, E. 2002. Data mining: practical machine learning tools and techniques with Java implementations. Acm Sigmod Record, 31(1), 76-77.
Yates, D., Gangopadhyay, S., Rajagopalan, B., Strzepek, K., 2003. A technique for generating regional climate scenarios using a nearst-neighbor algorithm. Water Resources Research, 39 (7): 1-15.
 
هیدروژئولوژی
دوره 8، شماره 1
ناشر
شهریور 1402
صفحه 51-60

فایل ها

هم رسانی

ارجاع به این مقاله

آمار