Comparison of ARIMA Time Series, Multi Linear Regression and Artificial Neural Network Model for Prediction of the Variations of Groundwater Level

Document Type : Research paper

Authors

Ph.D. Student on Water Resources Engineering, Department of Science and Water Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

Abstract

Prediction of groundwater level fluctuations is an essential for planning in arid and semi-arid regions. In this study, artificial neural network models, ARIMA time series and multivariate linear regression models were used to predict groundwater fluctuations of two piezometers located in Kerman plain. In order to achieve this goal, the depth of groundwater of the monthly piezometers was used during the years 2002-2013. The results of studying different models of ARIMA model showed that the ARIMA (0,1,1) and (2,0,2) for south Baghin piezometer and ARIMA (1,1,1) and (2,0,0) for Airport areas piezometer are the best-fit time series model with the data. In the model of MLP and RBF artificial neural network, MLP with 2 and 4 layers of hidden and RBF with 8 and 10 hidden layers for southern Baghin piezometers and the airport areas have the best fit with the data. In multivariate linear regression modeling, for each of the two piezometers, the best correlations of the multivariable linear regression model show that the multivariate linear regression relationship of groundwater depth of the current month is a function of groundwater depth of one month prior; in other words, the depth of water the ground water level has the highest dependence on groundwater depth of its prior month. The results showed that prediction of groundwater depth by multivariate linear regression model is better than Neural Network and ARIMA model.

Keywords


باباعلی، ح. ر.، دهقانی، ر.، 1396. مقایسه مدل­های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش­بینی سطح آب زیرزمینی. هیدروژئولوژی، جلد 2، شماره 2، 108-96.
رجایی، ط.، ابراهیمی، ه.، 1392. مدل‌سازی‌ نوسان­های ماهانه آب زیرزمینی به وسیله تبدیل موجک و شبکه عصبی پویا. مدیریت آب و آبیاری. جلد 4. شماره 1. 87-83.
رجایی، ط زینی­وند، ف. الف.، 1393. مدل‌سازی‌ تراز آب زیرزمینی با بهره­گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف­آباد)، نشریه مهندسی عمران و محیط زیست، جلد 44، شماره 4، 65-51.
رجایی، ط.، میرباقری، الف.، 1388. مدل بار معلقرودخانه‌ها با استفاده از شبکه­های عصبی مصنوعی. نشریه مهندسی عمران. جلد 21. شماره1. 43- 27.
عبداله­زاده، م.، فاخری­فرد، الف.، اسدی، الف.، ناظمی، الف. ح.، 1394. مدل­بندی اثرات مصرف بارش بر نوسانات تراز سطح ایستابی (مطالعه موردی: آبخوان دشت عجب­شیر). نشریه دانش آب و خاک. جلد 26. شماره 1. 97-83.
محتشم، م.، دهقانی، الف. الف.، اکبرپور، الف.، مفتاح هلقی، م.، اعتباری، ب.، 1389. پیش‌بینی سطح ایستابی با استفادهاز شبکه عصبی مصنوعی (مطالعه موردی: دشتبیرجند). آبیاری و زهکشی ایران. جلد 4. شماره 1. 10-1.
میر عربی، ع.، نخعی، م.، 1387.پیش‌بینی نوسانات سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی. مجموعه مقالات دوازدهمین همایش انجمن زمین‌شناسی ایران. اهواز. ایران.
ندیری، ع. ا.، نادری، ک.، اصغری مقدم، ا.، حبیبی، م. ح.، 1395 پیش­بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش­های مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامه­ریزی. جلد 20. شماره 58. 301-281.
نیکبخت، ج.، ذوالفقاری، م.، نجیب، م.، 1395. پیش­بینی سطح آب زیرزمینی دشت تسوج آذربایجان شرقی با کوک شبکه­های عصبی مصنوعی. هیدروژئولوژی. جلد 1. شماره 2. 115-99.
نیک­منش، م.، رخشنده­رو، غ.، 1390. ارزیابی توانایی شبکه­های مختلف عصبی مصنوعی در پیش­بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس. تحقیقات منابع آب ایران. جلد 7. شماره 1. 86-82.
Adamowski, J., Chan, F. H. 2011. A waveletneural network conjunction model forgroundwater level forecasting.  Journal of Hydrology. 407(1- 4): 28–40.
Bahmani, A., Ebrahimi, S.H., Gholinejad, S. 2006. Development of rainfall-runoff ANN model for watershed and investigation its extend ability for neighborhood stations. 2nd  conference of water resource management. 22-23 January. Isfahan university of technology. 1-8.
Box, G.E.P., Jenkins, G.M., 1976. Time series analysis forecasting and control. 2nd ED. Holden-Day. San Francisco. 575p.
Box, G.E.P., Jenkins, G.M., Reinsel, G.C., 2008. Time series analysis, forecasting and control. 4th ED. Englewood Cliffs. New Jersey: Prentice Hall. 688p.
Cybenko, G., 1989. Approximation by super positions of a sigmoid function, Mathematics of Control, Signals and Systems. Journal of Mathematics. 2: 303-314.
Dibike, Y.B., Solomatin, D.P., Abbot, M. B., 1999. On the encapsulation of numerical- Hydrulic models in artificial neural networks. hydraulic research. 37(2): 147-161.
 Djurovic, N., Domazet, N., Stricevic, R., Pocuca, V.,Spalevic, V., Pivic, R., Gregoric, E., Domazet, U., 2015. Comparison of groundwater level modelsbased on artificial neural networks and ANFIS.The Scientific World Journal. 2015: 1-14.
Hecht- Nielson, R., 1989. Kolmogorov's Mapping Neural Network Existence Theorem. 1st International Symposium on Neural Networks San Diego.
Husna, NEA., Hefzul bari, S., Shouroy, H., Rahman, T., 2016. Ground water level prediction using artificial neural network. International Journal of Hydrology Science and Technology. 6(4): 371-381.