Simulation of groundwater using artificial intelligence system (Case study: Komeh Basin of Isfahan province)

Document Type : Research paper

Authors

1 MSc, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran.

2 Assistant Professor, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran.

3 Associated Professor, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran.

Abstract

The limitation of surface water resources has led the demand for water consumption to the use of underground water resources and the withdrawal from these sources and the lack of feeding of the aquifers has caused a drop in the level of groundwater. On the other hand, to evaluate and manage water resources in the conditions of todays and future dangers, it is necessary to predict the level of ground water. The purpose of this research is to predict the ground water level of Komeh basin in Semirom city of Isfahan province using artificial intelligence system. In this regard, were used the observational data of groundwater level, precipitation and discharge on a monthly scale with a 20-year time series (1379-1398). Multilayer perceptron (MLP) network algorithm was used to check the prediction power and influence of inputs from different arrangement, change of input weights, change of layers and number of neurons. In order to check the performance of the models, were used two measures of root mean square error (RMSE) and coefficient of determination (R2). For this purpose, 75% of the data (180 data series) were used for training the network and the remaining 25% (60 data series) were used to evaluate and test the network. Based on the comparison of the tables of RMSE and R of different arrangements, in predicting the groundwater level of the studied basin, the effect of precipitation is more than discharge and Levenberg–Marquardt  training algorithm has a better performance than others with a coefficient of determination of 0.99 and root mean square error of 0.0047. The results, while confirming the appropriate efficiency of artificial neural network models in simulating the groundwater level, showed that the use of climatic parameters compared to hydrological parameters to model small amounts of underground water in the artificial neural network model has a better performance. The results indicate that in the simulation of the groundwater level using artificial neural network, due to the existence of many uncertainties in the input data to the network, the selection of the type and structure of the model is of particular importance.

Keywords

Main Subjects

References

باباعلی، ح.، دهقانی، ر.، 1396. پیش­بینی دبی سیلابی با استفاده از شبکه عصبی موجک. مجله هیدوژئومرفولوژی، 3(11)، 168-149.
بروجردی، آ.، فریدونی، م.، 1394. شبیه‌سازی تراز آب زیرزمینی دشت شیراز با استفاده از مدل‌های بردار پشتیبان و مقایسه آن با مدل‌های عصبی فازی و موجک عصبی (مطالعه موردی: دشت شیراز)، کنفرانس و نمایشگاه مهندسی آب، 1-13.
جندقی، ن.، 1400. مدلسازی تراز آب زیرزمینی ماهانه با استفاده از مدل شبکه عصبی‌مصنوعی، چهلمین گردهمایی ملی علوم زمین، تهران.
حسینی، م.، روشنی، ع.، ذباح، ا.، 1399. مدل‌سازی تغییرات سطح آب زیرزمینی بر‌اساس روش‌های مبتنی بر هوش مصنوعی (مطالعه موردی: دشت زاوه تربت‌حیدریه). پ‍‍ژوهشنامه مدیریت حوزه آبخیز، ۱۱ (۲۱) :۲۳۵-۲۲۳.
دلاور، م.، مرید، س.، شفیعی فر، م.، 1387. شبیه‌سازی و تحلیل حساسیت و عدم‌قطعیت تغییرات تراز آب دریاچه ارومیه نسبت به مؤلفه های بیلان آبی آن. مجله هیدرولیک، 3(1): 55-45.
زارع ابیانه، ح.، بیات ورکشی، م.، 1392. توسعه و کاربرد مدل‌های عصبی، فازی، الگوریتم ژنتیک و زمین‌آمار در برآورد توزیع مکانی سطح ایستابی دشت همدان. نشریه پژوهش­های حفاظت و آب وخاک، 20(4): 25-1.
زاهدی، ا.، فریدونی، م.، 1393. مقایسه شبکه عصبی‌مصنوعی با سیستم استنتاج فازی عصبی تطبیقی در پیش‌بینی تراز آب زیرزمینی توابع دشت ارسنجان. همایش ملی راهکارهای پیش‌روی بحران آب در ایران و خاور میانه، 1-6.
مبارکی، م.، فریدونی، م.، 1394. شبیه‌سازی تراز آب زیرزمینی با استفاده از ترکیب مدل­های موجک، فازی عصبی و مقایسه آن با مدل فازی عصبی. کنفرانس بین‌المللی دستاوردهای نوین پژوهشی در مهندسی عمران معماری شهرسازی، 1-10.
مختاری، ز.، ناظمی، ا.، ندیری، ع.، 1391. پیش بینی تراز آب زیرزمینی با استفاده از مدل شبکه­های عصبی‌مصنوعی (مطالعه موردی: دشت شبستر)، فصلنامه زمین شناسی کاربردی، 8(4): 353-345.
ملکی نژاد، ح.، پور شرعیاتی، ر.، (1392). کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش­بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری، 36 (3): 92-81.
مهدوی­زاده، م.، 1383. شبکه­های عصبی‌مصنوعی و کاربردهای آن در مهندسی عمران. انتشارات عبادی. 192 ص.
ندیری، ع.، صدقی، ز.، کاظمیان، ن.، 1396. بهینه‌سازی روش DRASTIC با استفاده از هوش‌مصنوعی برای ارزیابی آسیب‌پذیری آبخوان‏ چند‏گانۀ دشت ورزقان. مجله اکوهیدرولوژی، 4(4): 1089- 1103.
نیک منش، م.، رخشنده­رو، غ.، 1390. ارزیابی توانایی شبکه­های مختلف عصبی‌مصنوعی در پیش­بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس. تحقیقات منابع آب ایران، 7(1): 86-82.
سراوانی، ز.، محمدرضاپور، ا. سیاسر، هادی.، 1402. پیش‌بینی پارامترهای کیفی آب‌های زیرزمینی استان گلستان با مدل‌های هوش‌مصنوعی. هیدروژئولوژی 8(2): 15-28.
یوسفی مبرهن، ا.، صابر چناری، ک.، زندی فر، س.، 1403. تحلیل تغییرات زمانی خشک‌سالی بر منابع آب زیرزمینی دشت قروه-دهگلان با استفاده از شاخص‌های خشکسالی آب زیرزمینی و بارش استاندارد. هیدروژئولوژی، 9(2): 1-14.
 
Adamowski, J., Chan, H. F., 2011. A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407, 28-40.
Bunchingiv, B., Gerald, H., Holz, K.P., 2003. Short Term Water Level Prediction Using Neural Network and Neuro-Fuzzy Approach, ELSEVIER, page 439-450.
Chang, J., Wang, G., Mao, T., 2015. Simulation and prediction of supra permafrost groundwater level variation in response to climate change using a neural network model. Journal of Hydrology, 529, pp.1211-1220.
Chen, L. H., Chen, C. T., Pan, Y. G., 2009.Groundwater level prediction using SOM RBFN multisite model. Journal of Hydrologic Engineering, 15(8), 624-631.
Chitsazan, M., Rahmani, G., Neyamandpour, A., 2013.Ground Water Level Simulation Using Artifical Neural Network: A Case Study from Aghili Plain, Urban Area of Gotvand, Soth-West Iran, Jgeope, 3(1), P.35-46.
Emamgholizadeh, S., Moslemi, K. and Karami, G., 2014. Prediction the groundwater level of bastam plain (Iran) by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Water resources management, 28(15), 5433-5446.
Feng, Sh., Kang, Sh., Hou, Z., Chen, S and Mao, X., 2008. Neural Networks to Simulate Regional Ground Water Levels Affected by Human Activities, Ground Water, 46, page 80-90.
Galavi, H and Lee Teang, Shui., 2012. Neuro-Fuzzy-Modeling and Fore Casting in Water Resources, Academic Journals, Scientific Research and Essays, 7(24),2112-2121.
Khaled, A., Abdolmajid, A., hadad, B. O., Heydari, N., 2013. Estimation Of Virtual Water Using Support Vector Machine, K-nearest Neighbour and Radial Basis Function Neural Network Models, International Journal of Agronomy and Plant Production, 4(11), 2926-2936.
Moradi, A., Akhtari, A., Azari, A., 2023. Prediction of groundwater level fluctuation using methods based on machine learning and numerical model. Journal of Applied Research in Water and Wastewater, 10 (1), 20-28.
Nourmohammadi Dehbalaei, F., Azari, A., Akhtari, A. A., 2023. Development of a linear–nonlinear hybrid special model to predict monthly runof in a catchment area and evaluate its performance with novel machine learning methods. Applied Water Science, 13 (5), 1-23.
Panahi, J., Mastouri, R., Shabanlou, S., 2022. Insights into enhanced machine learning techniques for surface water quantity and quality prediction based on data pre-processing algorithms. Journal of Hydro informatics, 24 (4), 875–897.
Paul, A., Afroosa, M., Baduru, B., Paul, B. (2023). Showcasing model performance across space and time using single diagrams. Ocean Modelling, 181, 102150.
Samani, S., Vadiati, M., Delkash, M., Bonakdari, H. (2022). A hybrid wavelet–machine learning model for qanat water flow prediction. Acta Geophysica, 1-19.
Hydrogeology
Volume 9, Issue 2
Publisher
March 2024
Pages 65-76

Files

Share

How to cite

Statistics