Cluster Modeling of Groundwater Level of Tabriz Plain Using ARIMA Model

Document Type : Research paper

Author

Department of Civil Engineering, Tabriz Branch , Islamic Azad University, Tabriz, Iran

Abstract

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.

Keywords

References

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.
Hydrogeology
Volume 4, Issue 2
Publisher
March 2020
Pages 74-91

Files

Share

How to cite

Statistics