مدلسازی خوشه‌ای تراز آب زیرزمینی دشت تبریز با استفاده از مدل آریما

نوع مقاله : مقاله پژوهشی

نویسنده

گروه عمران، دانشگاه آزاد اسلامی واحد تبریز

چکیده

مطالعه تغییرات زمانی و مکانی، و تخمین نوسانات تراز آب‌های زیرزمینی در مطالعات و برنامه‌ریزی مدیریت منابع آب جهت استمرار و یا توسعه بهره‌برداری آن از اهمیت بسیاری برخوردار است. تاکنون مدل‌های مختلفی برای تخمین پارامتر تراز آب زیرزمینی مورد استفاده قرار گرفته است، در این بین مدل‌های تصادفی غالباً در زمینه‌ی مطالعه پارامترهای هیدرولوژیکی به وفور بکار گرفته شده‌اند. نمونه‌ی پرکاربرد از مدل‌های تصادفی در بررسی سری‌های زمانی، مدل‌ خود همبسته یکپارچه میانگین متحرک(ARIMA) می‌باشد که اساس این مدل‌ها بر پایه زنجیره مارکف بنا نهاده شده است. در مطالعات گذشته معمولاً یک یا چند چاه با استفاده از مدل‌های تصادفی مورد مطالعه قرار گرفته است ولی در تحقیق حاضر برای بررسی تغییرات زمانی و مکانی تراز آب‌های زیرزمینی دشت تبریز در مقیاس ماهانه، ‌46 ایستگاه انتخاب شده است. در محدوده مورد مطالعه بین مقادیر سطح آب زیرزمینی چاه های مشاهداتی نزدیک به همدیگر همبستگی بیشتری نسبت به سایر چاه ها وجود دارد، در نتیجه به منظور جلوگیری از بررسی اثرات نوسانات چاه‌های نزدیک به همدیگر، در ابتدا کل ایستگاه‌ها با استفاده از فرآیند خوشه‌بندی به 7 بخش تقسیم شده و مطالعه مکانی بر روی چاه‌های منتخب واقع در هر کدام از این بخش‌ها انجام گرفته شده است. نتایج حاکی از آنست که خوشه های اول،سوم و هفتم بخاطر وجود داده‌های پرت دقت قابل قبولی در شبیه سازی را نداشتند و چهار خوشه دیگر از دقت خوبی برخوردار بودند. همچنین خوشه دوم و اول به ترتیب بهترین و بدترین مد‌‌ل‌سازی را با دارا بودن بالاترین ضریب تعیین و کمترین ریشه میانگین مربعات خطا داشته اند. استفاده از مدل آریما بر روی ایستگاه‌های مختلف موجود در سطح حوضه تبریز نشان داد، دقت مدل زمانی کاهش می‌یابد که سری‌های مورد بررسی با نوسان‌های بیش از حد و همراه با روند در میانگین و واریانس باشند که منجر به ناایستایی سری می‌گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Cluster Modeling of Groundwater Level of Tabriz Plain Using ARIMA Model

نویسنده [English]

  • Rasoul Jani
Department of Civil Engineering, Tabriz Branch , Islamic Azad University, Tabriz, Iran
چکیده [English]

The study of temporal and spatial variations and the estimation of groundwater fluctuations in researching and planning water resources management are important for continuation or development of exploitation.So far, various models have been used to estimate the groundwater level parameter. Stochastic models have been used more than the other models for hydrological studies. The most common stochastic model is autoregressive integrated moving average model (ARIMA). This model is based on the Markov chain theory.In previous studies, one or a few wells have been studied using stochastic models but in this research, 46 selected stations with the monthly data of the Tabriz catchment were used to analyze temporal and spatial variations of groundwater level.In this case study, there was a good correlation between the values of the groundwater level of wells near each other than the other wells, thus to avoid the effects of closed wells fluctuations, at first the whole stations are divided into seven sections using the clustering process, thenspatial studies done just for selected station in every section. The results indicate that the first, third and seventh clusters didn't have acceptable accuracy in simulation due to the throw data and four other clusters had good accuracy. Also, the second and first clusters had the best and worst modeling with maximum R-Square and minimum RMSE, respectively.The use of the Arima model on various stations in the Tabriz catchment area revealed that the accuracy of the model is reduced when the time series have more fluctuations with trends in the mean and variance that lead to unsteady series.

کلیدواژه‌ها [English]

  • Arima
  • Temporal and Spatial variations
  • Clustering
  • Heating plan
  • Dendogram
اصغری‌مقدم، ا.، برزگر،ر.، 1393. بررسیعواملمؤثربرغلظتبالایآرسنیکدرآبزیرزمینیآبخوان‌هایدشتتبریز. زمین‌شناسیمهندسیومحیطزیست، شماره 24، 177-190.
افروزی، ع.، زارع‌ابیانه، ح.،1396. مدل‌سازی و پیش‌بینی تراز آب زیرزمینی با کاربرد مدل‌های سری‌زمانی (مطالعه موردی: دشت‌های استان همدان). پژوهش‌نامه مدیریت حوزه آبخیز، سال هشتم، جلد8، شماره 15،102-111.
باباعلی، ح.، دهقانی،ر.، 1396. مقایسه مدل‌های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش‌بینی سطح آب زیرزمینی. مجله هیدروژئولوژی، سال دوم، شماره 2، 96-108.
جعفرزاده، ج.، رستم‌زاده، ه.، اسدی، ا.،1396. مدل‌سازی زمانی تراز آب زیرزمینی با استفاده از روش‌های پایه تحلیل سری‌های زمانی (مطالعه موردی: دشت اردبیل). فصلنامه دانش آب و خاک، سال بیست و هفتم، شماره 4، 185-196.
رضایی‌بنفشه، م.، جلالی‌عنصرودی، ط.، حسن‌پور اقدم‌بگلو، م.ع.،1397. تحلیل و مدل‌سازی تغییرات سطح آب زیرزمینی حوضه آبریز تسوج با استفاده از فرآیند اتو رگرسیو میانگین متحرک. فصلنامه فضای جغرافیایی، سال هفدهم، شماره 57. 273-287.
شهرکی، ن.، یونسی، م.، طاهری تیزرو، ع.، 1397. مقایسه‌های مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره در پیش‌بینی تغییرات سطح آب زیرزمینی. مجله هیدروژئولوژی، سال 4، شماره1، 126-139.
صادق زاده سادات، م.، ناظمی، ا.م.، صدرالدینی، ع. ا.،1396. اثرات کیفیت آب‌های سطحی بر کیفیت آب‌های زیرزمینی(مطالعه موردی: دشت تبریز). فصلنامه دانش آب و خاک، جلد بیست و هفتم، شماره3،225-237.
عساکره، ح.،1386الف. بررسیآماریرونددمایسالانهتبریز.مجلۀاندیشهجغرافیایی،شماره‌ی اول،9-21.
عساکره،ح.،1388.الگوسازی ARIMA برای میانگینسالانهدمایشهر تبریز. فصلنامهتحقیقاتجغرافیایی،شماره2 (پیاپی 93)، 166-188.
نیکبخت، ج.، نوری، س.،1396. خوشه‌بندی شبکه چاهک‌های مشاهده‌ای و پیش‌بینی سطح آب زیرزمینی به کمک شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت مراغه). فصلنامه دانش آب و خاک، سال بیست و هفتم، دوره 27، شماره 1،281-294.
 
Demir, U., Coleri Ergen, S. 2016. Arima-based time variation model for beneath the chassis UWB channel. Eurasip Journal on wireless communicationa and networking. 178:1-11.
Chun Feng, H., Jun, Q., Fang fang, L. 2017. Methodology for Analyzing and Predicting the Runoff and Sediment into a Reservoir. Water journal. 9:1-16.
Mooi, E., Sarstedt, M. 2011. Cluster analysis. Springer: Berlin Heidelberg.
Wei, W. 2006. T ime series analysis:Univariate and Multivariate Methods(2nd Edition).Pearson,USA.
Box, G., Jenkins, G. 1970. Time Series Analysi: Forecasting and Control. (Holden-Day,San Francisco).
 Villeneuve, J.P., Banton, O., Lafrance, P. 1990. A probabilistic approach for the groundwater vulnerability to contamination by pesticides:the VULPEST model. Ecological Modelling. 51: 47–58.