Optimal Design of Groundwater-Quality Sampling Networks with MOPSO-GS (Case Study: Neyshabour Plain)

Document Type : Research Paper

Authors

1 Graduated M.Sc Water Resources Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran

2 Assistant Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran

3 Associate Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran

Abstract

Monitoring network optimization is a decision making process for the best combination of available stations. Due to economic considerations and reduction of monitoring costs ، the optimization approach in this study is to reduce monitoring stations without reducing the amount and accuracy of the information obtained. In this study, an optimal design of groundwater quality monitoring network was carried out with the help of an optimization model in the Neishabour plain aquifer. The optimization of the wells network was accomplished by a Multi Objective Particle Swarm Optimization (MOPSO) algorithm. Two objectives containing of minimizing the root mean square error (RMSE) and the number of wells was applied in current research. Kriging interpolation was used for calculating groundwater chlorine concentration values and compared with observation values. As a result of this research was presented a Pareto front exctracted from MOPSO showing the number of wells against their corresponding RMSE, which could be a guide for the design of a groundwater quality monitoring network. The outcome showed that the sampling wells can be reduced to 58 percent with a minimum error increase (all 50 wells in base network with zero error may be reduced to 21 with chlorine concentration error of 13.57 mg/l) in the Neishabour aquifer. Also, the position of these wells was considered as the optimal position.

Keywords

References

1. خاشعی سیوکی، ع.، قهرمان، ب. و کوچک زاده، م. (1392). مقایسه مدل‌های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور. آبیاری و زهکشی ایران. 7 (1): 10-22.
2. رجایی، ط. و ابراهیمی، ه. (1393). مدل‌سازی نوسان‌های ماهانۀ آب زیرزمینی به‌‌وسیلۀ تبدیل موجک و شبکۀ عصبی پویا. مدیریت آب و آبیاری. 4 (1): 73-87.
3. قادری، ک.، زلقی، آ. و بختیاری، ب. (1393). بهینه‌سازی بهره‌برداری از سیستم چندمخزنی با استفاده از الگوریتم تکامل رقابتی جوامع (SCE) (مطالعۀ موردی: حوضۀ کرخه). مدیریت آب و آبیاری. 4 (2): 215-228.
4. قائمی، م.، آستارایی، ع. و ثنایی نژاد، س.ح. (1390). ارزیابی تغییرات مکانی و تخمین کربن آلی خاک در مناطق خشک و نیمه‌خشک با استفاده از توابع انتقالی و امکان‌سنجی آن با داده‌های سنجش از دور (مطالعه موردی: منطقه نیشابور). پژوهش‌های زراعی ایران. 9 (2): 294-300.
5. قربان‌زاده، ر.، رضایی، م.، جعفری راد، ع. و دانبیان، ح. (1374). بهینه‌سازی شبکه پایش کیفی آلودگی منابع آب زیرزمینی در دشت دزفول- اندیمشک با استفاده از تکنیک زمین آمار و GIS. پانزدهمین همایش انجمن زمین‌شناسی ایران.
6. کاووسی، م.، خاشعی سیوکی، ع.، پوررضا بیلندی، م.، نجفی، م.ح. (1397). کاربرد الگوریتم نوین شبیه‌ساز بهینه‌ساز LSSVM-PSO در طراحی شبکه بهینه پایش تراز سطح آب زیرزمینی. اکوهیدرولوژی. 5(4): 1309-1319.
7. گنجی خرمدل، ن.، کیخایی، ف. (1395). طراحی بهینه چاه‌های مشاهده‌ای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک. مدیریت حوزه آبخیز. 7 (14): 159-165.
8. گنجی خرمدل، ن.، کیخایی، ف.، محمدی، ک.، منعم، م.ج. (1394). بهینه‌سازی شبکه پایش تراز آب زیرزمینی با استفاده از روش فراکاوشی اجزای جمعی. علمی- پژوهشی هیدرولیک. 10 (1): 25-35.
9. ولایتی، س.، توسلی، س. (1370). منابع و مسائل آب استان خراسان. مؤسسه چاپ و انتشارات آستان قدس رضوی، مشهد. 279 صفحه.
10. Balavalikar, S.,  Nayak, P., Narayan Shenoy, N. &  Nayak, K. (2018). Particle swarm optimization based artificial neural network model for forecasting groundwater level in Udupi district. AIP Conference Proceedings. 1952 (1).
11. Clerc, M. & Kennedy, J. (2002). The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 1(6): 58-73.
12. Cressie, N.A.C. (1991). Statistics for spatial data. John Wiley & Sons, New York.
13. Gaur, S., Ch, S., Graillot, D., Chahar, B.R., and Kumar, D. N. (2013).Application of Artificial Neural Networks and Particle Swarm Optimization for the Management of Groundwater Resources. Water Resources Management, 27 (3): 927-941.
14. Jalalkamali, A. (2015). Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters. Earth Science Informatics, 8 (4): 885-894.
 15. Kennedy, J. and Eberhart, R.C. (2001). Swarm Intelligence. Morgan Kaufmann Publishers, San Francisco, California.
16. Mirzaie-Nodoushan, F., Bozorg-Haddad O., and Loáiciga, H.A. (2017). Optimal design of groundwater-level monitoring networks. Hydroinformatics. 1-10.
17. Rezaei, F., Safavi, H., and Zekri, M. (2017). A Hybrid Fuzzy-Based Multi-Objective PSO Algorithm for Conjunctive Water Use and Optimal Multi-Crop Pattern Planning. Water Resources Management, 31 (4): 1139-1155.
 18. Yousefi, M.,  EbrahimBanihabib, M., Soltani, J., and Roozbahani, A. (2018). Multi-objective particle swarm optimization model for conjunctive use of treated wastewater and groundwater. Agricultural Water Management, 208: 224-231.
Water and Irrigation Management
Volume 9, Issue 2
February 2020
Pages 199-210

Files

Share

How to cite

Statistics