مقایسه روشهای درون‌یابی به منظور بهبود پیش‌بینی سطح ایستابی آب زیرزمینی با استفاده از روشهای یادگیری عمیق

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده کشاورزی-دانشگاه تبریز

2 هئیت علمی دانشگاه تبریز گروه مهندسی آب

3 استاد، دانشگاه تبریز، دانشکده کشاورزی، گروه آبیاری، تخصص: هیدرولوژی، منابع آب

10.22059/jwim.2024.372424.1145

چکیده

پیش‌بینی سطح آب زیرزمینی برای ارزیابی کل منابع آب و تخصیص آنها، کمک به پایداری آب و کاهش خشکسالی بسیار مهم است. برخی اوقات وجود موانعی مانند نامساعد بودن شرایط جوی، مسدود بودن راه ها و یا نبود تجهیزات و افراد کافی اندازه گیری تا ماه ها انجام نمی گیرد. از طرفی داده های دقیق و فراوان سطح آب زیرزمینی به پیش بینی پیامدهای مختلف مربوط به مدیریت آب زیرزمینی و سلامت اکوسیستم کمک می کند. با این وجود تکمیل داده های مفقود شده و بهبود آن ها به روش درون‌یابی کمک موثری در پیش بینی سطح ایستابی به روش یادگیری عمیق می‌کند. در این مطالعه آبخوان آذرشهر که اخیرا با افت سطح آب زیر زمینی قابل توجهی رو به رو شده است به صورت ماهیانه از سال 1397 تا 1400 مورد بررسی قرار گرفت. همچنین جهت تکمیل داده هایی که به هر علتی اندازه گیری نشده بود از روش های درونیابی کریجینگ و الگوریتم M5P استفاده شد که با تجزیه و تحلیل هر روش، روش M5P با حداقل ریشه میانگین مربع خطا 83/1 متر و ضریب همبستگی 975/0 بهترین عملکرد را داشت. از طرفی برای پیش بینی سطح آب زیرزمینی داده ها به دو صورت کالیبراسیون و صحت سننجی70 به 30 تقسیم بندی شده و از روش یادگیری عمیق (DL) بهره گرفته شد که این روش با خطای 408/1 متر و دقت 88 درصد، قابل قبول بوده و می توان در تحقیقات آتی جهت مدیریت بهتر منابع آبی مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparison of interpolation methods in order to improve watertable prediction using deep learning methods

نویسندگان [English]

  • Erfan Abdi 1
  • ٍEsmaeil Asadi 2
  • Mohammad Ali Ghorbani 3
1 Faculty of Agriculture - Tabriz University
2 2- Assistant Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Iran
3 Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Iran
چکیده [English]

Groundwater resources are an important factor in managing and maintaining water that is used for drinking water, irrigation, and other purposes. Forecasting and controlling the fluctuations of the underground water level is very important, especially in areas where water shortage is severe. However, these areas have significant water needs, and on the other hand, they need cost-effective strategies to use underground water resources, so that approaches and decisions can be taken to prevent excessive loss in them. In this study, the Azarshahr Plain, which has recently faced a significant drop in the underground water level, was examined monthly from 2017 to 2018. Also, in order to complete the data that was not measured for any reason, kriging interpolation methods and M5P algorithm were used. By analyzing each method, the M5P method with the minimum root mean square error of 1.83 meters and correlation coefficient of 0.975 was the best. It had the function. On the other hand, the deep learning (DL) method was used to predict the underground water level. This method is acceptable with an error of 1.408 meters and an accuracy of 88%, and it can be used in future research.

کلیدواژه‌ها [English]

  • prediction
  • interpolation
  • groundwater level
  • deep learning
مدیریت آب و آبیاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 21 خرداد 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار