Application of Wavelet Neural Network Model in Prediction of Groundwater Resources (Case Study, Lorestan Province, Iran)

Document Type : Research paper

Authors

1 Associate Professor of Water Engineering, University of Lorestan, Khorramabad, Iran

2 Assistant Professor of Water Engineering, University of Lorestan, Khorramabad, Iran

3 Ph.D. Student of Water Structure, Faculty of Agric., University of Lorestan, Khorramabad, Iran

Abstract

The phenomenon of the exploitation of groundwater recently has caused a sharp decline in groundwater levels, resulting in both subsidence and desertification caused by the groundwater withdrawal. Thus, reliable prediction of groundwater level has been an important component in sustainable water resources management. In this study, a data-driven prediction wavelet neural network model (WNN) was proposed for groundwater level in Azna-Aligodarz, Dourod-Brojerd, Delfan, Selseleh plain forecasting, and the results were compared with the artificial neural network. Parameters including precipitation, temperature, flow rate and water level balance during the period of the previous month were used as input of the model and level of the water table in each period as the output of the model through monthly scale (2002-2019) were selected. The criterion of the correlation coefficient, Root-Mean-Square-Error and average absolute error and coefficient of Nash Sutcliff for evaluating and the comparison of performance models were used.  The results of the hydrograph analysis indicated that the increase of rainfall has an effect on groundwater resources, and also the findings evaluation of criteria showed that WNN has better performance and less error than the artificial neural network.

Keywords

References

باباعلی، ح.، دهقانی، ر.، 1396. مقایسه مدل های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش­بینی سطح آب زیرزمینی. هیدروژئولوژی، دوره 2، شماره 2، 96-108.
دانشور وثوقی، ف.، 1399. استفاده از رفع نویز موجکی در بررسی روند تراز آب زیرزمینی (مطالعه موردی: دشت اردبیل). هیدروژئولوژی، دوره 5، شماره 1، 61-72.
رجایی، ط.، ابراهیمی، ه.، 1393. مدل­سازی نوسان‌های ماهانه آب زیرزمینی به­وسیله تبدیل موجک و شبکه عصبی پویا. مدیریت آب و آبیاری، جلد4، شماره1 ،73-87.
رجایی، ط.، زینی­وند، الف.، 1393. مدل‌سازی تراز آب زیرزمینی با بهره‌گیری از مدل هیبرید موجک-شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف‌آباد). عمران و محیط­زیست، جلد 4/44، شماره 77، 51-63.
شهرکی، ن.، یونسی، م.، طاهری تیزرو، ع.، 1398. مقایسه مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چندمتغیره در پیش‌بینی تغییرات سطح آب زیرزمینی. هیدروژئولوژی، دوره 4، شماره 1، 129-139.
قوردویی میلان، س.، آریاآذر، ن.، جوادی، س.، رازدار، ب.، 1399. شبیه‌سازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین­بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره. هیدروژئولوژی، دوره 5، شماره 1، 118-133.
محتشمی، م.، دهقانی، ااف.، اکبرپور، ا.، مفتاح هلقی، م.، اعتباری، ب.، 1389. پیش‌بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند). مجله آبیاری و زهکشی ایران، جلد 4، شماره 1، 1-10.
مختاری، ز.، ناظمی، الف.، ندیری، ع.، 1391. پیش‌بینی تراز آب زیرزمینی با استفاده از مدل شبکه های عصبی مصنوعی (مطالعه موردی: دشت شبستر). زمین شناسی ژئوتکنیک (زمین شناسی کاربردی)، جلد 8، شماره 4، 345-353.
نیکبخت، ج.، نوری، س.، 1395. پیش‌‌بینی تراز آب زیرزمینی با کمک شبکه‌های موجک-عصبی (مطالعه موردی: دشت مراغه-آذربایجان‌شرقی). هیدروژئولوژی. دوره 1، شماره 1، 29-43.
Adamowski, J., Chan., H. 2011. A wavelet neural network conjunction model for groundwater level forecasting, 407(1-4): 28-40.
Ashmaul Husna, N.E., 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.
Chitsazan, M., Rahmani, G., Neyamadpour, A., 2013. Groundwater level simulation using artificial neural network: a case study from Aghili plain, urban area of Gotvand, south-west Iran. JGeope, 3(1): 35-46.
Hornik, K., 1998.  Multilayer feed-forward networks are universal approximators. Neural Networks, 2(5): 359-366.
Li, H., Lu, Y., Zheng, C., Yang, M., Li, S., 2019. Groundwater Level Prediction for the Arid Oasis of Northwest China Based on the Artificial Bee Colony Algorithm and a Back-propagation Neural Network with Double Hidden Layers. Water Resources Management and Governance, 11(4): 2-20.
Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N., 2013. A Wavelet-ANFIS Hybrid Model for Groundwater Level Forecasting for Different Prediction Periods. Water Resources Management, 27(5): 1301-1321.
Nourani, V., Kisi, Ö., Komasi, M., 2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology, 402(1–2): 41–59.
Nourani,V., Alami, MT., Aminfar, MH., 2009.A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22(2): 466-472.
Shin, S., Kyung, D.,  Lee, S., Taik & Kim, J., Hyun , J., 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(1): 127-135.
Sreekanth, P.D., Geethanjali, N., Sreedevi, P.D., Shakeel A., Ravi Kumar, N., Kamala Jayanthi, P.D., 2009. Forecasting groundwater level using artificial neural networks, Current science, 96(7): 99-112.
Steyl, G., 2009. Application of Artificial Neural Networks in the Field of Geohydrology. University of the Free State, South Africa.
Thendiyath, R., Madan, K., Deo, R., Vandana, A., 2019. Development and Evaluation of Hybrid Artificial Neural Network Architectures for Modeling Spatio-Temporal Groundwater Fluctuations in a Complex Aquifer System. Water Resources Management, 33(7): 2381-2397.
Tokar, A.S., Johnson, P.A., 1999. Rainfall-Runoff modeling using artificial neural networks. Journal of Hydrology Engineering, 3(2): 232-239.
Vapnik, V.N., 1988. Statistical Learning Theory. Wiley, New York.
Wang, D., Safavi, A.A., Romagnoli, J.A., 2000. Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal, 46(8): 1607-1615.
Zhu,  Y.M., Lu, X.X., Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjian River in the Upper Yangtze Catchment. Geomorphology, 84(1): 111-125.
Ziya Kaya, Y., Unes, F., Demirci, M., Tasar, B., 2018. Groundwater Level Prediction Using Artificial Neural Network and M5 Tree Models. Air and Water Components of the Environment Conference, 4(3): 195-201.
Qureshi, M., Muzaffar K., Kamran; Bessaih, N., Al-Mawali, K., Al-Sadrani, K., 2014. An empirical Relationship between In-situ Permeability and RQD of Discontinuous Sedimentary Rocks. EJGE, 19: 4781-4790.
Soleymani, S. Akhtarpour, A., 2011. Seepage Analysis for Shurijeh Reservoir Dam Using Finite element Method, Geo-Frontiers Congress 2011, American society of civil engineering, 4 (211): 3227-3234.
Hydrogeology
Volume 6, Issue 1
Publisher
September 2021
Pages 1-12

Files

Share

How to cite

Statistics