studying the Performance of the Modflow Conceptual Model, and Meta Simulator Model of Gene Expression in Hydrograph Modeling of Aquifer(Case Study: Lour_Andimeshk Plain)

Document Type : Research paper

Authors

1 Ph.D. Candidate, Department of Water Resources Engineering, Faculty of Water Sciences, Shahid Chamran University of Ahvaz.

2 MSC. of Water Resources Engineering, Faculty of Agriculture, Razi University, Kermanshah.

3 Associate Professor, Graduate Faculty of Environment, University of Tehran.

4 Assistant Professor of Water Engineering, Faculty of Agriculture, Razi University, Kermanshah.

Abstract

      In order to apply a proper management, it is necessary to identify the groundwater level in the plains for a long-term planning and use the potentials in the water plains more efficiently. In this study, the monthly statistical information for the 5 water years (1388-1289 to 1392-1393) related to the water levels of 8 piezometer in the Lour-Andimeshk plain aquifer was used. At first using the tiessen method, the average weight of each piezometer was obtained and the time series of the major plain, which represented the hydrograph of the aquifer of the study area, was calculated. Then using, the conceptual  groundwater model of Modflow and the simulator Meta model of the gene expression, the hydrograph of the aquifer unit was modeled and the results were compared. The results showed that the conceptual model of Modflow with an explanation coefficient of 0.7836 in the testing phase compared to the transmutation of gene expression with an explanation coefficient of 0.739 with a very slight difference has a better performance.

Keywords

References

اعلمی، م. ت.، صادق فام، س.، فاضلی‌فرد، م. ح. 1393. مدل‌سازی سری داده‌ها: راهنمای کاربردی مدل‌های برنامه‌ریزی بیان ژن، سیستم استنتاج فازی، شبکه بیزین، شبکه عصبی مصنوعی. موسسه چاپ و انتشارات دانشگاه تبریز،304 صفحه.
اکبرزاده، ف.، حسن‌پور، ح.، امام قلی زاده، ص. 1395. پیش‌بینیترازآبزیرزمینیدشتشاهرودبااستفادهازشبکۀعصبیمصنوعیتابعپایهشعاعی. دانشگاهعلومکشاورزیومنابعطبیعیساریپژوهشنامهمدیریتحوزهآبخیز سالهفتم.شماره 13: 118-104.
ایمانی، ر.، قاسمیه، ه.، اسمعلی عوری، ا. 1395. مقایسه کارایی مدل هیدرولوژیکیWetSpa، شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی در شبیه‌سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل). نشریه دانش آب و خاک، جلد26. شماره 1: 99-116.
پورمحمدی، س.،  ملکی نژاد، ح.، پورشرعیاتی، ر. 1392. مقایسه کارایی روش‌های شبکه عصبی و سری‌های زمانی در پیش‌بینی سطح آب زیرزمینی (مطالعه موردی: زیر حوزه بختگان استان فارس). نشریه پژوهش‌های حفاظت آب و خاک. شماره4: 251- 262.
زارعی،ح.،آخوندعلی، ع. م. 1386. مقایسهروش‌هایزمینآماریوآمارکلاسیکدرترسیمهیدروگرافواحدآبزیرزمینی. طرحپژوهشیسازمانآبوبرقخوزستان.71 صفحه.
سینگ، ویپی.، ترجمه: نجفی، م.ر. 1381. سیستم‌های هیدرولوژیکی مدل‌سازی بارندگی –رواناب. جلد اول. انتشارات دانشگاه تهران. چاپ اول. 578 صفحه.
کاوه کار ، ش.، قربانی، م. ع.، اشرف زاده، ا.، دربندی، ص. 1392. شبیه‌سازی نوسانات تراز آب با استفاده از برنامه‌ریزی بیان ژن. نشریه مهندسی عمران و محیط زیست (دانشکده فنی).43: 69-75.
گلابی، م. ر.، آخوندعلی، ع. م.، رادمنش، ف. 1392. مقایسه عملکرد الگوریتم‌های مختلف شبکه عصبی مصنوعی در مدل‌سازی بارندگی فصلی (مطالعه موردی: ایستگاه‌های منتخب استان خوزستان). نشریه تحقیقات کاربردی علوم جغرافیایی. 30: 151-169.
مشکانی، ع.، ناظمی، ع.، 1388. مقدمه‌ای بر داده‌کاوی. موسسه چاپ و انتشارات دانشگاه فردوسی، مشهد.456 صفحه.
معصومی ، ز.، رضایی، ا. 1395. روش تیسن یا تکنیک‌های درون‌یابی: برآورد هیدروگراف واحد آب زیرزمینی. سی و چهارمین گردهمایی و دومین کنگره بین‌المللی تخصصی علوم زمین، تهران، ایران.
ملکی نژاد، ح.، پورشرعیاتی، 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 (مجله­ی علمی کشاورزی)/ جلد 36، شماره‌ 3: 81-92.
ندیری، ع.، نادری، ک.، اصغری مقدم، ا.، حبیبی، م. ح. 1395. پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامه‌ریزی. دوره 20، شماره 58 (2): 281-301.
نیکبخت، ج.، نوری، س. 1395. پیش­بینی تراز آب زیرزمینی با کمک شبکه­های موجک-عصبی (مطالعه موردی: دشت مراغه- آذربایجان شرقی). نشریه هیدروژئولوژی. 1(1): 1-16.
نیکبخت، ج.، ذوالفقاری، م.، نجیب، م. 1395. پیش­بینی سطح آب زیرزمینی دشت تسوج - آذربایجان شرقی با کمک شبکه­های عصبی مصنوعی. نشریه هیدروژئولوژی. 1(2): 99-115.
Anderson, M.P., Woessner, W.W. 1992. Applied groundwater modeling flow and adjective Transport. Academic Press, Inc.
Barzegar, R., Fijani, E., Asghari Moghaddama, A., Tziritis, E. 2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment. 60: 20–31.
Bear, J. 2010.  Modeling Groundwater Flow and Contaminant Transport. Springer Verlag. Vol.23. 834 P.
Danandeh Mehr, A., Majdzadeh Tabatabai, M.R. 2010. Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. Journal of water and soil. 24(2): 325-33.
EMRL. 2010. Groundwater Modeling System v7.1 Tutorials. Brigham Young University: Environmental Modeling Research Laboratory.
Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence (Studies in Computational Intelligence). ed n, editor. Springer-Verlag New York, Inc. Secaucus, NJ, USA.
Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst. 13: 87-129.
Lu, C., Chen, Y., Zhang, C., Luo, J. 2013. Steady-state freshwater–seawater mixing zone in stratified coastal aquifers, Journal of Hydrology. 505: 24-34.
Mattar, M.A., Alamoud, A.I. 2015. Artificial neural networks for estimating the hydraulic performance of labyrinth-channel emitters. Computers and Electronics in Agriculture. 114: 189-201.
Norouzi, H., Asghari Mogaddam, A. and Nadiri, A.A. 2016. Determining vulnerable areas of Malikan Plain Aquifer for Nitrate, Using Random Forest method. Journal of Environmental Studies. 41(4): 923-94.
Norouzi, H., Nadiri, A.A., Moghaddam, A.A., Gharekhani, M. 2018. Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer, Journal of ecohydrology. 5(3): 739-751. doi.org/10.22059/ije.2018.239914.707
Rezaie-balf, M., Naganna, S.R., Ghaemi, A., Deka, P.C. 2017. Wavelet coupled MARS and M5 model tree approaches for groundwater level forecasting. Journal of Hydrology. 553: 356-373.
Stanley Raj, A., Hudson Oliver, D., Srinivas, Y., Viswanath, J. 2017. Wavelet based analysis on rainfall and water table depth forecasting using Neural Networks in Kanyakumari district, Tamil Nadu, India. Groundwater for Sustainable Development. 5: 178–186.
Yoona, H., Hyunb, Y., Ha, K., Leec, K. K., Kimd, G. B. 2016. A method to improve the stability and accuracy of ANN- and SVM-based time series models for long-term groundwater level predictions. Computers and Geosciences. 90: 144-155.
Hydrogeology
Volume 3, Issue 2
Publisher
May 2019
Pages 33-45

Files

Share

How to cite

Statistics