تخمین پارامترهای کیفی آب‌خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دکتری رشته مهندسی منابع آب دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

2 دکتری رشته علوم و مهندسی آب -منابع آب، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران. *(مسوول مکاتبات)

3 استادیار گروه مهندسی منابع آب دانشکده کشاورزی، دانشگاه گیلان، گیلان، ایران.

4 کارشناسی ارشد، مدیریت دولتی دانشگاه پیام نور گیلان، گیلان، ایران.

10.22034/jest.2019.13946

چکیده

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم­ترین پارامترهای اولیه مدیریت جامع منابع آب­زیرزمینی می­باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب­خوان­های دشت گیلان تعیین گردد.
روش بررسی: در این تحقیق از داده­های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل­های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین­ها به­ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش­های شش ماه و مختصات چاهک­های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین­ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب­های ورودی برتر بخش اول صورت گرفته است.
یافته‌ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به­ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µmos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به­ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µmos/cm) 448/186 می­باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل­ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه­گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین­ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته­اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت­سنجی به­ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µmos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به­ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µmos/cm) 412/55 می­باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است.
بحث و نتیجه‌گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب­خوان­ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به­ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می­باشد. نتایج بخش دوم نشان داد که آزمون گاما می­تواند به­صورت کاملا کابردی و دقیق در تعیین ترکیب­های ورودی موثر مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات


 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیست و یکم، شماره دو، اردیبهشت 98

 

تخمین پارامترهای کیفی آب­خوان دشت گیلان با استفاده از آزمون گاما و مدل­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی

 

محمد عیسی زاده[1]

سید مصطفی بی آزار[2]

seyedmostafa.b@gmail.com

افشین اشرف زاده[3]

رضوان خانجانی[4]

تاریخ دریافت: 13/07/95

تاریخ پذیرش:15/10/95

 

چکیده

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم­ترین پارامترهای اولیه مدیریت جامع منابع آب­زیرزمینی می­باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب­خوان­های دشت گیلان تعیین گردد.

روش بررسی: در این تحقیق از داده­های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل­های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین­ها به­ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش­های شش ماه و مختصات چاهک­های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین­ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب­های ورودی برتر بخش اول صورت گرفته است.

یافته‌ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به­ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µmos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به­ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µmos/cm) 448/186 می­باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل­ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه­گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین­ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته­اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت­سنجی به­ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µmos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به­ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µmos/cm) 412/55 می­باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است.

بحث و نتیجه‌گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب­خوان­ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به­ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می­باشد. نتایج بخش دوم نشان داد که آزمون گاما می­تواند به­صورت کاملا کابردی و دقیق در تعیین ترکیب­های ورودی موثر مورد استفاده قرار گیرد.

واژه­های کلیدی: آزمون گاما، تخمین پارامترهای کیفی، دشت گیلان، شبکه عصبی مصنوعی، ماشین بردار پشتیبان.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

J. Env. Sci. Tech., Vol 21, No.2,April, 2019

 

 

 

 

 


Estimation of Aquifer Qualitative Parameters in Guilans Plain Using Gamma Test and Support Vector Machine and Artificial Neural Network Models

                                                                                                                                                    

Mohammad Isazadeh [5]

Seyed Mostafa Biazar [6]*

seyedmostafa.b@gmail.com

Afshin Ashrafzadeh [7]

Rezvan Khanjani [8]

 

Admission Date: January 4, 2017

Data Received: October 4, 2016

 

Abstract

Background and Objective: Having information about qualitative and quantitative parameters distribution of groundwater supplies is one of most important parameters in integrated groundwater management. Thus, in this study it has been attempted to determine a proper model and input combination for estimation of quality parameters including electrical conductivity (EC), calcium (Ca) and sodium (Na) ions in aquifers of Guilans plain.

Method: In this study, the data from 132 observation wells during 2001 to 2013 were used and artificial neural network (ANN) and support vector model (SVM) were applied. In the first approach, estimations were conducted according to five different combinations, including water level, distance from see, total precipitation of six months and coordinates of observation wells. In the second approach, estimations were conducted based on combination of the selected qualitative parameters of gamma test with combinations of the best input in the first part.

Findings: Comparison of the results from the first part indicated that SVM model outperformed the ANN mode in the estimation of Ca, Na and EC parameters. Support vector machine error values for estimating Ca, Na and EC variables at the test period were 1.218 (meq/l), 0.867(meq/l), and 175.742 (µmos/cm), while for artificial neural network these values were 1.268 (meq/l), 0.933 (meq/l), and 186/448 (µmos/cm) respectively. The results from this part showed that adding the distance from see input improves the estimation of models in all cases. In the second part, using gamma test for measuring the nine quality parameters, the best combination of quality parameters was determined to estimate the three parameters: Ca, Na and EC. The results from the second part show that both ANN and SVM models have an excellent performance in the estimation of the three qualitative parameters. ANN model error values in estimating Ca, Na and EC variables in validation period were 0.662 (meq/l), 0.305(meq/l), and 47.346 (µmos/cm), while these values were 0.671 (meq/l), 0.356 (meq/l), and 55.412 (µmos/cm) for SVM model respectively.  Obviously, the results from ANN model in this section were better than those from SVM model.

Discussion and Conclusion:Results showed that both ANN and SVM models have a great ability in predicting qualitative parameters in the aquifers. Also, in less inputs, the results of SVM model are better than those of ANN model and in more inputs it is vice versa. Results of the second section showed that gamma test is fully practical and accurate in determining the effective input combinations.

Keywords: Artificial Neural Network, Gamma Test, Guilan Plains, Qualitative Parameters Prediction, Support Vector Machine.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


مقدمه

 

آب یک عنصر ضروری برای زندگی است و ما در جهانی زندگی می­کنیم که دچار کمبود آب می­باشد. در سراسر دنیا آب­های سطحی و زیرزمینی نقش مهمی را در زندگی بشریت برای تامین آب با کیفیت بازی می­کنند (1). اکثر فعالیت­های انسانی همچون فعالیت­های کشاورزی، صنعتی و ... بر کیفیت آب زیرزمینی تاثیر منفی می­گذارند. به دلیل اثرات منفی فعالیت­های انسانی، آب­های زیرزمینی به­عنوان یک منبع حساس آبی شناخته شده­ است. بنابراین اطلاع از کمیت و کیفیت این آب­ها در مدیریت و مهندسی منابع آب و همچنین توزیع آب شهری، روستایی، صنعت و کشاورزی بسیار مهم می­باشد. به علت هزینه بالای احداث، بررسی و آزمایش­های کیفی آب چاهک­های مشاهداتی، نمی­توان برای دستیابی به مقادیر کیفی آب­خوان در کلیه نقاط آن چاهک مشاهداتی احداث کرد. جهت برطرف کردن این مشکل، در دهه­های اخیر مدیران و محققان با استفاده از روش­های ریاضی، آماری، هوشمند و ... مقادیر کمی و کیفی آ­ب­خوان­ها را با دقت قابل قبولی مورد تخمین قرار می­دهند. مدل­سازی و تخمین پارامترهای کیفی آب­خوان­ها دارای فوایدی همچون کاهش هزینه، صرفه­جویی در زمان، کاهش نیاز به آزمایشگاه و تجهیزات اندازه­گیری، کاهش تعداد نیروهای اجرایی و فنی، تولید داده­های مصنوعی با دقت بالا و در گستره مکانی بیشتر و بازسازی اطلاعات ازدست رفته می­باشد (2). تاکنون مدل­های متعددی به طور گسترده برای بررسی و حل مشکلات مربوط به کیفیت آب استفاده شده است (3). با توجه به اینکه هر یک از این روش­ها نتایج خاص خود را دارا هستند، تعیین روش بهتر برای تخمین هر یک از پارامتر­های هدف در هر یک از آب­خوان­های کشور ضروری می­باشد. این مدل­ها می­توانند بیشتر پارامتر­های کیفی را با استفاده از پارامترهای ورودی مناسب با دقت قابل قبولی شبیه­سازی کنند. در زمینه تخمین پارامترهای کیفی آب­خوان­ها در داخل و خارج از کشور مطالعات زیادی انجام گرفته است که در ادامه به بخشی از آن­ها اشاره می­گردد.

غلامی و جعفری (4) در پژوهشی با استفاده از روش رگرسیون خطی چند گانه ([9]MLR ) و شبکه عصبی مصنوعی([10]ANN )شوری آب زیرزمینی سواحل استان مازندران را شبیه­سازی کردند. نتایج بدست آمده از هر دو روش نشان داد که عوامل نوع تشکیلات آب­خوان، فاصله از دریا و شوری آب­های سطحی از عوامل اصلی میزان شوری آب زیرزمینی می­باشند. البته کارایی شبکه عصبی مصنوعی در برآورد شوری آب زیرزمینی مناسب­تر از روش رگرسیون خطی چند گانه بوده است. مهردادی و همکاران (5) تغییرات رسانایی الکتریکی در آب زیرزمینی شهر تهران را با کمک مدل شبکه عصبی مصنوعی پیش­بینی نموده­اند. آن­ها جهت بررسی کیفیت آب زیرزمینی از داده­های هیدروشیمیایی 10 ساله مربوط به 71 نقطه مختلف شهر تهران استفاده نموده­اند. نتایج نشان دهنده عملکرد مناسب مدل  شبکه عصبی مصنوعی بوده است. میرزاوند و همکاران (6) تغییرات کیفی آب­زیرزمینی را با مدل شبکه عصبی مصنوعی در آبخوان کاشان مورد بررسی قرار دادند. متغیرهای ورودی مدل شامل تراز سطح ایستابی، ارتفاع بارندگی سالیانه و غلظت کلر در سال قبل و متغیر خروجی مدل، غلظت کلر در سال جاری بوده است. نتایج نشان داد که مدل شبکه عصبی پرسپترون چند لایه ([11]MLP )نسبت به مدل تابع پایه شعاعی (RBF)[12] نتیجه بهتری در پیش­بینی غلظت کلر داشته است. ندیری و همکاران (7) با استفاده از مدل­های هوش مصنوعی مرکب نظارت شده، سطح آب زیرزمینی دشت مشکین شهر را مورد بررسی قرار دادند. در این تحقیق از چهار مدل شبکه عصبی پیشرو[13]، شبکه عصبی برگشتی[14]، منطق فازی[15] ساگتو و ماشین بردار پشتیبان(SVM)[16] برای پیش­بینی سطح آب زیرزمینی استفاده شده است. با توجه به اینکه مدل­های مختلف در مراحل مختلف مدل­سازی نتایج متفاوتی ارائه دادند و توانایی آن­ها متفاوت بوده است، لذا جهت تقویت پیش­بینی­ها، از توانایی مدل­های مختلف به­طور همزمان استفاده گردیده است. در این روش خروجی مدل­های منفرد به عنوان ورودی برای مدل مرکب استفاده شد و سطح آب زیرزمینی دوباره توسط یک شبکه عصبی مصنوعی پیش­بینی گردید. با توجه به اینکه همه مدل­ها توانایی پیش­بینی سطح آب زیرزمینی را دارا می­باشند اما نتایج نشانگر برتری مدل هوش مصنوعی مرکب نسبت به هر یک از مدل­های منفرد هوش مصنوعی بوده است. دهقانی و همکاران (8) کارایی روش­های سیستم استنتاج فازی-عصبی تطبیقی[17]، شبکه عصبی مصنوعی و برنامه­ریزی بیان­ژن[18] در تخمین سختی آب زیرزمینی را با یکدیگر مقایسه کردند. در این پژوهش مقادیر هیدروژن، کربنات، کلرید، سولفات، منیزیم و کلسیم در مقیاس زمانی ماهانه و طی دوره آماری (1373-1393) به­عنوان ورودی مدل­ها و میزان سختی آب دشت مازندران به­عنوان خروجی مدل­ها انتخاب گردیده است. در مجموع نتایج نشان­دهنده برتری مدل برنامه­ریزی بیان­­ژن در تخمین میزان سختی آب زیرزمینی بوده است. چو و همکاران (9) پتانسیل آلودگی آب­های زیرزمینی را با استفاده از مدل شبکه عصبی مصنوعی پیش­بینی کرده­اند. در این تحقیق از چهار روش مختلف برای مدل­سازی استفاده شده است. مدل­ها شامل رگرسیون خطی چند گانه، رگرسیون مولفه­های اصلی(PCR)[19]، شبکه عصبی مصنوعی و ترکیبی از مولفه­های اصلی و شبکه عصبی مصنوعی (PC-ANN) بوده­اند. مدل­سازی برای کشورهای جنوب شرقی آسیا شامل کامبوج، لائوس و تایلند انجام شده است. نتایج نشان می­دهد که مدل شبکه عصبی مصنوعی مبتنی بر مولفه­های اصلی عملکرد مناسب­تری نسبت به مدل­های دیگر داشته است. آلاقا[20] و همکاران (10) تمرکز نیترات را در آب زیرزمینی با استفاده روش­های هوش مصنوعی مدل­سازی نموده­اند. آن­ها در این تحقیق از دو روش هوش مصنوعی با نام­­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده نموده­اند. همچنین در این تحقیق تاثیر روش خوشه بندی در مدل­سازی نیز مورد بررسی قرار گرفته است. در این مطالعه از داده­های 22 حلقه چاه شهرداری منطقه ساحلی غزه واقع در فلسطین استفاده شده است. طول دوره­ی آماری داده­ها از سال 2000 تا 2010 می­باشد. نتایج نشان­دهنده عملکرد خوب هر دو مدل و تاثیر مثبت خوشه­بندی داده­ها قبل از مد­ل­سازی بوده است. خردپیشه و همکاران (11) کیفیت آب زیرزمینی بهاباد یزد را با استفاده از شبکه عصبی مصنوعی مورد بررسی قرار دادند. در این پژوهش از شبکه عصبی مصنوعی برای تخمین پارامترهای کیفی غلظت یون کلر، غلظت یون سولفات، غلظت یون نیترات و هدایت الکتریکی استفاده شده است. نتایج نشان دهنده این موضوع بود که مدل شبکه عصبی مصنوعی در تخمین پارامترهای کلرید، هدایت الکتریکی و سولفات عملکرد مناسبی داشته است، ولی برای نیترات عملکرد این مدل مناسب نبوده است. خاکی و همکاران (12) کاربرد شبکه عصبی مصنوعی و سیستم نروفازی را در تخمین کیفیت آب زیرزمینی مورد بررسی قرار دادند. در این تحقیق از شبکه عصبی مصنوعی و مدل سیستم استنتاجی عصبی- فازی تطبیقی برای پیش­بینی مقدار هدایت الکتریکی و مجموع مواد جامد حل شده در آب به­دست آمده از پنج ایستگاه نمونه­برداری واقع در حوضه لنگت مالزی استفاده شده است. نتایج حاکی از عملکرد بهتر مدل سیستم استنتاجی عصبی- فازی تطبیقی بوده است. گنگ[21] و همکاران (13) عملکرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاجی فازی- عصبی تطبیقی را در پیش­بینی سطح آب زیرزمینی در نزدیکی دریاچه اوکیچوبی فلوریدا مقایسه کردند. آن­ها از این سه مدل برای داده­های دو حلقه چاه استفاده کردند. داده­های ورودی مدل­ها شامل ده سال داده ماهانه، شامل دمای آب، سطح آب زیرزمینی، بارندگی و سطح آب رودخانه بوده است. نتایج بیانگر دقت بالای مدل­های ماشین بردار پشتیبان و سیستم استنتاج فازی-عصبی تطبیقی نسبت به شبکه عصبی مصنوعی می­باشد. احتشامی و همکاران (14) از دو شبکه عصبی پس­انتشار خطا و تابع پایه شعاعی برای تخمین نیترات آب­زیرزمینی بابل استفاده کرده­اند. در این تحقیق از پارامترهای هیدروژئولوژی، نیتروژن خاک، مواد معدنی خاک و کربن خاک به­عنوان متغیرهای ورودی برای پیش­بینی نیترات آب زیرزمینی استفاده شده است. نتایج نشان داد که هر دو شبکه نتایج قابل قبولی در پیش­بینی نیترات آب زیرزمینی داشته­اند، و می­توانند به­عنوان ابزاری مناسب برای شبیه­سازی پارامترهای ذکر شده استفاده گردند. عرب­گل و همکاران (15) پیش­بینی تمرکز نیترات و توزیع آن در آب­های زیرزمینی را با استفاده از مدل ماشین بردار پشتیبان مورد بررسی قرار دادند. آن­ها مدل ماشین بردار را برای پیش­بینی نیترات آب­های زیرزمینی در اراک توسعه دادند. در این تحقیق از پارامترهای دمای آب، هدایت الکتریکی آب، تراز آب زیرزمینی، مجموع مواد جامد محلول، اکسیژن محلول، PH، کاربری اراضی و ماه اندازه­گیری کیفیت آب زیرزمینی به­عنوان متغیرهای ورودی استفاده شده است. نتایج حاکی از عملکرد مناسب مدل ماشین بردار پشتیبان می­باشد.

در این تحقیق پنج هدف اصلی زیر دنبال می­گردد. هدف اول تعیین دو مجموعه ترکیب ورودی کمی (بخش اول) و کمی-کیفی (بخش دوم) می­باشد. ترکیب­های ورودی کمی براساس پژوهش­های مرتبط و ترکیب­های ورودی کمی-کیفی نیز براساس ادغام نتایج بخش اول و آزمون گاما تعیین می­گردد. آزمون گاما با استفاده از پارامترهای کیفی چاهک­های مشاهداتی مورد بررسی انجام گرفته است. هدف دوم تخمین پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی به­وسیله مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان می­باشد. این تخمین­ها براساس دو مجموعه ترکیب ذکر شده انجام گرفته است. هدف سوم مقایسه عملکرد هر یک از مدل­ها در تخمین مقادیر هر یک از سه پارامتر کیفی مذکور به­ازای هر یک از مجموعه ترکیب­های ورودی است. هدف چهارم تحلیل و بررسی تاثیر هر یک از متغیرهای ورودی بر عملکرد مدل­های مورد بررسی در تخمین سه پارامتر کیفی مدنظر می­باشد. در نهایت هدف پنجم تعیین مدل و ترکیب برتر جهت تخمین هر یک از پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی آب­خوان استان گیلان می­باشد.

مواد و روش­ها

داده­ها و منطقه مورد مطالعه

استان گیلان به مرکزیت رشت در شمال کشور ایران قرار گرفته است که از شمال به دریای خزر، از شرق به استان مازندران، از جنوب به رشته کوه­های البرز و استان­های زنجان و قزوین و از غرب به استان اردبیل محدود می­باشد. توزیع ناهماهنگ نزولات جوی و حجم جریانات سطحی در طول سال و از طرفی نقش آب در کشاورزی منطقه خصوصا تولید محصول استراتژی برنج ضرورت بررسی و مطالعه سیستماتیک منابع آب اعم از سطحی و زیرزمینی را ایجاب نموده است. متوسط بارندگی استان گیلان 1100 میلی­متر و میانگین حجم بارش 15027 میلیون مترمکعب می­باشد که از حجم فوق میزان 7887 میلیون مترمکعب جز منابع غیرقابل دسترس (تبخیر و تعرق) و حجمی معادل 7140 میلیون مترمکعب قابل دسترس و تجدیدپذیر می­باشد. به­طوریکه سهم آب زیرزمینی از منابع آب تجدیدپذیر 473 میلیون مترمکعب و سهم آب­های سطحی قابل دسترس از منابع آب تجدید شونده 6667 میلیون مترمکعب می­باشد. در این تحقیق جهت تخمین سه پارامتر کیفی آب زیرزمینی هدایت الکتریکی، غلظت یون سدیم و غلظت یون کلسیم از داده­های کیفی، تراز آب، فاصله از دریا، مجموع بارش شش ماهه و مختصات جغرافیایی ([22]UTM) چاهک­های مشاهداتی آب­خوان استان گیلان استفاده شده است. نزدیک­ترین فاصله هر چاهک مشاهداتی از دریا با استفاده از نرم افزار Google Earth محاسبه گردید. داده­های بارندگی مربوط به هر چاهک مشاهداتی براساس پلیگون­های تیسن ایستگاه­های سینوپتیک و باران­سنجی تعیین گردید. بدین منظور از ایستگاه­های سینوپتیک فرودگاه رشت، آستارا، تالش و منجیل و ایستگاه­های باران­سنجی آب ویر، آستانه، پارودبار، پیرکوه، چوبر شفت، خلیان، رشت، شهربیجار، قلعه رودخان، کسما، ماسال، ناو، هراتبر و کاکرود استفاده گردیده است. در جدول 1 مشخصات آماری پارامترهای ورودی و خروجی داده­های چاهک­های مشاهداتی مورد استفاده در این تحقیق آورده شده است. در این تحقیق از داده­های 132 چاهک مشاهداتی آب­خوان استان گیلان در دوره آماری 1381 تا 1393 استفاده گردیده است (شکل 1). بدین منظور از 2954 رکورد ثبت شده که دارای اطلاعات صحیح و کامل بودند، استفاده گردید. این داده­ها به دو بخش صحت­سنجی و آموزش تقسیم گردیده­اند که 75 درصد داده­ها برای آموزش (2216) و 25 درصد دیگر (738) برای بخش صحت­سنجی استفاده شده است.

 

 

جدول 1- مشخصات آماری متغیرها و پارامترهای ورودی و خروجی استفاده شده.

Table 1. The statistical characteristics of the variables and input and output parameters are used

متغیرها و پارامترها

شاخص های آماری

مجموع بارش شش ماه

فاصله از  سطح دریا

تراز آب

Ca(meq/l)

Na(meq/l)

EC(µmos/cm)

1438

89/38930

906/86

5/11

3/12

2639

حداکثر

3/69

3/166

983/25-

01/0

02/0

124

حداقل

21/622

21/12930

88/0

81/3

72/1

44/758

متوسط

04/260

37/11478

89/22

65/1

85/1

567/372

انحراف معیار

 

   

شکل 1- منطقه مورد مطالعه به­همراه چاهک­های مشاهداتی، مرز آب­خوان و ایستگاه­های باران­سنجی

Figure 1. The study area, along with observation wells, drainage border and rain-storm stations

 

 

با توجه به ورودی­های مورد نظر، جدول 2 به­عنوان مجموعه
ترکیب­های اولیه ورودی هر یک از مدل­های تخمین­گر تعیین گردید.

 

 

 



جدول 2- ترکیب­های ورودی هر یک از مدل­های تخمینگر

Table 2. Composition of inputs of each of the estimated models

شماره ترکیب

پارامترهای ورودی

1

UTMX

UTMY

 

 

2

UTMX

UTMY

فاصله از دریا

 

3

UTMX

UTMY

تراز آب چاهک

 

4

UTMX

UTMY

تراز آب چاهک

فاصله از دریا

5

UTMX

UTMY

مجموع بارش شش ماهه

 


 


مدل شبکه عصبی پیشرو با آموزش لونبرگ - مارکوارت

از اوایل دهه 1990 تاکنون، شبکه‌های عصبی مصنوعی در زمینه هیدرولوژی نیز به طور موفقیت‌آمیز بکار گرفته شده است که از آن جمله می‌توان به مدل­کردن فرآیندهای بارش-رواناب، پیش‌بینی جریان رودخانه، مدل­کردن آب زیرزمینی، کیفت آب، پیش‌بینی بارندگی و ... اشاره کرد (16). حدود 90 % شبکه­هایی که در مسائل هیدرولوژی کاربرد دارد شبکه­های پیشرو هستند (17). معماری معمول این شبکه متشکل از سه لایه ورودی، پنهانی و خروجی است. تعداد نرون­های موجود در لایه ورودی و خروجی بستگی به نوع مسئله دارد ولی تعداد گره­های لایه پنهان با سعی و خطا بدست می­آید (Error! Reference source not found.2).

 

 

شکل 2 - الف) شمای کلی شبکه­های پیشرو سه­ لایه، ب) شمای jام گره از آن (18)

Figure 2. A) the general schema of the three-layer pre-network; b) the jm node of it (18)

 

 

در Error! Reference source not found.2، X (x1, …,xi, i=1, …,n) بردار ورودی­ها، wij وزن اتصالی از iامین گره به jامین گره در لایه بعد، bj بایاس مربوط به گره jام، yjها خروجی­های هر لایه، Y خروجی نهایی شبکه عصبی مصنوعی است. در شبکه­های پیشرو، اتصالات میان گره­هایی وجود دارد که در لایه­های متفاوت قرار دارند. هم­چنین ورودی­ها در لایه ورودی شبکه نمایش داده شده و عمل تحریک از ورودی به سمت خروجی شبکه شروع می­شود (18).

لازم به ذکر است که در تحقیق حاضر از تعداد نرون­های 1 تا 20 برای لایه پنهان شبکه استفاده گردید تا از این طریق تاثیر ساختار مختلف شبکه بر عملکرد آن در شبیه­سازی مقادیر کیفی آب­خوان مورد ارزیابی قرار گیرد. از آنجا که متداول‌ترین نوع توابع محرک تابع تانژانت سیگموئید می­باشد بنابراین در این مطالعه از آن برای نگاشت اطلاعات از لایه ورودی به لایه پنهان و هم­چنین برای نگاشت اطلاعات از لایه پنهان به لایه خروجی استفاده شد.

الگوریتم تکاملی تفاضلی

استراتژی تکاملی تفاضلی یک روش بهینه­سازی احتمالاتی مبتنی بر جمعیت است. در اصول پایه تولید جمعیت اولیه و ادامه تکامل نسل­های آینده و نگاه به ارزش­دهی تابع ارزیاب مطابق با الگوریتم ژنتیک است.

مدل ماشین بردار پشتیبان

اولین کاربرد این روش در مسائل آب توسط دیباک[23] و همکاران (19) با شبیه­سازی بارش- رواناب ارائه شد. ماشین بردار پشتیبان یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه­سازی مقید است که از اصل استقرای کمینه سازی خطای ساختاری استفاده کرده و منجر به یک جواب بهینه کلی میگردد. شکل (3) ساختار ماشین بردار پشتیبان را نشان می­دهد.

 

 

شکل 3- ساختار ماشین بردار پشتیبان (20)

Figure 3. Backup vector machine structure (20)

 

 

در مدل رگرسیون بردار پشتیبان تابعی مرتبط با متغیر وابسته y که خود تابعی از چند متغیر مستقل x است، برآورد می­شود. مشابه سایر مسائل رگرسیونی فرض می­شود رابطه میان متغیرهای مستقل و وابسته با تابع جبری مانند f(x) به علاوه مقداری اغتشاش (خطای مجاز ε) مشخص شود.

 (1)

 

 (2)

 

چنانچه W بردار ضرایب، b ثابت مشخصه­های تابع رگرسیونی و  نیز تابع کرنل باشد، آنگاه هدف پیدا کردن فرم تابعی برای f(x) است. این مهم با واسنجی مدل ماشین بردار پشتیبان توسط مجموعه­ای از نمونه­ها (مجموعه واسنجی) محقق می­شود. برای محاسبه W و b لازم است تابع خطا (معادله 3) در مدل ماشین بردار پشتیبان رگرسیونی با در نظر گرفتن شرایط مندرج (قیود) در معادله (4) بهینه شود.

(3)

 

(4)

 

در معادلات بالا C عددی صحیح و مثبت است که عامل تعیین جریمه در هنگام رخ دادن خطای واسنجی مدل است، تابع کرنل، N تعداد نمونه­ها و دو مشخصه  و  متغیرهای کمبود هستند (21). در نهایت، تابع رگرسیون بردار پشتیبان را می­توان به فرم زیر باز نویسی کرد:

     (5)

 

در معادله (5)، میانگین ضرایب لاگرانژ است. محاسبه  در فضای مشخصه آن ممکن است بسیار پیچیده باشد. برای حل این مشکل روند معمول در مدل رگرسیون بردار پشتیبان انتخاب یک تابع کرنل است. با توجه به اینکه در ماشین بردار پشتیبان معمولا از تابع کرنل پایه شعاعی استفاده می­گردد، در این تحقیق نیز از این تابع استفاده گردیده است. فرمول کرنل پایه شعاعی در زیر آورده شده است (22).

(6)

 

لازم به ذکر است فرآیند محاسبات ماشین بردار پشتیبان، بر اساس کدنویسی در محیط متلب انجام و پارامترهای تابع کرنل از طریق سعی و خطا بهینه شدند.


آزمون گاما

آزمون گاما یک روش غیر متغیری است که نتایج آن صرف­­­‌ ‌نظر از روش­های خاص برای مدل‌سازی به‌کاربرده می‌شود (23). در این آزمون فرض می‌شود که مجموعه داده‌های مشاهداتی به­صورت رابطه 7 است.

(7) 

 

که در آن  بردار مشاهداتی ورودی (مانند رواناب، بارش، درجه­حرارت هوا با تاخیر­های مختلف و هر متغیر موثر دیگر)،  خروجی مشاهداتی (مانند میانگین دبی رواناب روزانه) و Mتعداد کل مشاهدات می‌باشد.

از بردار  (در فضای mبعدی) برای مدل‌سازی  (در فضای R) استفاده می‌شود. بنابراین، با توجه به فرض فوق رابطه‌ی بین ورودی و خروجی به­شرح زیر در نظر گرفته می‌شود.

(8)  

y=f(x) +r     

که در آن f یک تابع هموار و r متغیر تصادفی نشان‌دهنده‌ی خطا بوده، همچنین فرض شده است میانگین توزیعی که r از آن پیروی کرده، صفر و واریانس خطا، کران­دار است. به این ترتیب مدل نشان داده ‌شده با رابطه 8 به مدلی هموار با مشتقات جزئی مرتبه اول محدود می­گردد و آماره گاما (Γ)،  واریانس بخشی از داده‌ها که تابعf  قادر به توجیه آن نیست را نشان می­دهد. برای بردار ورودی ، مجموعهk]،N[i(1)، مجموعه نزدیک‌ترین همسایگی است. پایه و اساس آزمون گاما برمبنای مجموعه k]، N[iمی‌باشد. به عنوان k امین نزدیک‌ترین همسایگی‌ها برای بردار مشاهداتی ورودی  تعریف ‌شده، به­طوریکه‏  و  می‌باشد. P حداکثر تعداد همسایگی‌ها است که معمولاً بین 10 تا 50 در نظر گرفته می‌شود دورانت (24). به­منظور به­دست آوردن مقدار آماره گاما (Γ)، ابتدا مقدار  ، با توجه به داده‌ی ورودی به­شرح زیر محاسبه می‌شود.

(9)

,

 

که در آن نماد  به عنوان فاصله اقلیدسی بردار  از بردار همسایگی‌های آن می‌باشد. همچنین مقدار آماره‌ی گامای کوچک،  با استفاده از داده‌های خروجی به­شرح زیر به­دست می‌آید.

(10)

, p             

 

که در آن  مقدار خروجی نظیر k امیننزدیک‌ترین همسایگی برای بردار  می‌باشد. به این ترتیب p مقدار برای  وp  مقدار برای  به­دست آورده می‌شود. سپس بین p زوج مرتب{، } رابطه رگرسیونی خطی ساده به شرح رابطه 11 برقرار خواهد شد، به­طوری که در آن  به­ترتیب به­عنوان متغیرهای وابسته و مستقل در نظر گرفته شده است.

(11)

 

مقدار آماره‌یΓ در واقع عرض از مبدا خط رگرسیون فوق می‌باشد. Aشیب خط رگرسیون بوده که نشان‌دهنده پیچیدگی مدلی است که از روی‌ داده‌های مشاهداتی ایجاد می‌شود. متغیر دیگری که معمولاً در آزمون گاما به‌کاربرده می‌شود متغیر بدون بعد  نام دارد که مقدار آن بین صفر و یک بوده و مقدار آن از رابطه 12 محاسبه می­شود (25).

 (12)            

 

که در آن  واریانس داده‌های مشاهداتی می‌باشد. هر چه مقدار  به صفر نزدیک­تر باشد ترکیب انتخابی برای مدل‌سازی، ترکیب مناسب­تری است. ثابت شده است که اگر این مقدار از یک کم شود مقدار ضریب تبیین مدل به­دست می‌آید.

معیار­های ارزیابی

با استفاده از روش­های مختلفی می­توان عملکرد مدل­ها را مورد ارزیابی و مقایسه قرار داد، یکی از این روش­ها استفاده از معیارهای ارزیابی می­باشد. از جمله معیارهای ارزیابی پرکاربرد در علوم مهندسی آب، ضرایب همبستگی [24](CC)، ریشه میانگین مربعات خطا (RMSE)[25] و معیار نش- ساتکلیف (NS)[26] می­باشند که به ­ترتیب در روابط 13، 14 و 15 آورده شده­اند. دقیق­ترین مدل با توجه به این معیارها، مدلی خواهد بود که مقدار این سه معیار برای آن به­ ترتیب نزدیک به یک، صفر و یک باشد.

 (13)

 

 (14)

 

 (15)

 

در روابط بالا  و  به­ترتیب مقادیر مشاهداتی جریان و میانگین مقادیر مشاهداتی،  مقادیر محاسباتی جریان،  میانگین مقادیر محاسباتی و N تعداد داده­ها می‌باشد (26).

مراحل انجام کار

مراحل انجام شبیه­سازی و سپس تخمین مقادیر کیفی آبخوان استان گیلان به­ازای دو مجموعه ترکیب کمی و کمی-کیفی صورت گرفته است که در ادامه به مراحل کلی آن اشاره می­گردد. مرحله اول: داده­های کمی و کیفی اشاره شده در طول سال­های 1381 تا 1393 که دارای اطلاعات درست و کاملی بوده­اند، جهت شبیه­سازی انتخاب گردیدند. مرحله دوم: تعیین مجموعه ورودی­های کمی می­باشد که ویژگی مهم این مجموعه، استقلال ورودی­ها از اطلاعات کیفی چاهک­های مشاهداتی می­باشد. مرحله سوم: تخمین مقادیر کیفی مدنظر توسط دو مدل
ماشین بردار پشتیبان و شبکه عصبی مصنوعی است. مرحله چهارم: ارزیابی عملکرد این مدل­ها و سپس تعیین ترکیب بهینه کمی برای تخمین هر یک از سه پارامتر کیفی می­باشد. مرحله پنجم: استفاده از آزمون گاما جهت تعیین ترکیب­های بهینه کیفی برای تخمین هر یک از سه پارامتر کیفی EC، NA و Caاست. مرحله ششم: استفاده همزمان از ترکیب بهینه کمی و ترکیب بهینه ارائه شده توسط آزمون گاما جهت تخمین هر یک از سه پارامتر کیفی می­باشد. مرحله هفتم: تخمین مقادیر کیفی مدنظر توسط دو مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی به­ازای ورودی­های مرحله ششم می­باشد. مرحله هشتم: ارزیابی عملکرد مدل­ها و ترکیب­های بکار رفته در مرحله هفتم و سپس تعیین ترکیب بهینه نهایی برای تخمین هر یک از سه پارامتر کیفی می­باشد.

نتایج و بحث

شبیه­سازی و تخمین پارامترهای کیفی به­ازای مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و 5 ترکیب جدول 2 انجام گرفته است و آماره­های ضریب همبستگی، مجذور میانگین مربعات خطا و ضریب نش-ساتکلیف در دوره­های واسنجی و صحت­سنجی بدست آمده است. خلاصه نتایج برگزیده هر یک از ترکیب­ها و مدل­ها در جدول 3 نشان داده شده است.

 

 

 

جدول 3- نتایج مدل­های ANN و SVM در تخمین پارامترهای کیفی Ca، Na و EC.

Table 3. The results of ANN and SVM models in estimating the quality parameters of Ca, Na and EC

 

صحت­سنجی

واسنجی

 

تعداد نرون بهینه

CC

RMSE

NS

CC

RMSE

NS

شماره ترکیب

مدل

پارامتر

18

596/0

313/1

347/0

666/0

242/1

443/0

1

ANN

Ca

16

622/0

274/1

385/0

672/0

232/1

452/0

2

20

62/0

285/1

374/0

685/0

212/1

469/0

3

20

63/0

268/1

391/0

687/0

21/1

472/0

4

13

562/0

346/1

314/0

598/0

335/1

357/0

5

-

662/0

22/1

437/0

729/0

141/1

53/0

1

SVM

-

664/0

218/1

439/0

732/0

136/1

534/0

2

-

658/0

227/1

431/0

739/0

124/1

543/0

3

-

66/0

224/1

434/0

743/0

116/1

55/0

4

-

562/0

349/1

311/0

831/0

978/0

654/0

5

15

793/0

048/1

626/0

808/0

121/1

653/0

1

ANN

Na

16

84/0

933/0

704/0

85/0

003/1

722/0

2

17

829/0

963/0

684/0

842/0

027/1

709/0

3

18

831/0

962/0

685/0

852/0

997/0

726/0

4

16

707/0

218/1

495/0

726/0

309/1

527/0

5

-

863/0

867/0

744/0

874/0

924/0

764/0

1

SVM

-

863/0

867/0

744/0

875/0

924/0

765/0

2

-

861/0

873/0

741/0

876/0

918/0

767/0

3

-

864/0

867/0

744/0

878/0

913/0

77/0

4

-

682/0

26/1

46/0

699/0

361/1

488/0

5

19

825/0

167/203

679/0

849/0

556/199

72/0

1

ANN

EC

20

855/0

448/186

73/0

881/0

147/178

777/0

2

18

84/0

877/195

702/0

861/0

719/191

742/0

3

16

851/0

672/188

723/0

878/0

423/180

771/0

4

10

809/0

437/211

652/0

838/0

782/205

702/0

5

-

871/0

679/176

758/0

894/0

663/168

8/0

1

SVM

-

871/0

554/176

758/0

895/0

1/168

801/0

2

-

87/0

984/176

757/0

901/0

916/163

811/0

3

-

872/0

742/175

76/0

901/0

423/163

812/0

4

-

751/0

814/236

564/0

938/0

663/139

863/0

5

 

 

مدل شبکه عصبی مصنوعی در تخمین پارامتر غلظت یون کلسیم به­ازای ترکیب­های شماره دو و چهار نتایج بهتری را نسبت به سایر ترکیب­های دیگر داشته است. البته ترکیب شماره چهار با دارا بودن ضریب­همبستگی و ضریب نش-ساتکلیف بیشتر و مجذور میانگین مربعات خطای کمتر، نسبت به چهار ترکیب دیگر به­عنوان ترکیب برتر در تخمین غلظت یون کلسیم انتخاب گردید. ترکیب شماره چهار در دوره صحت­سنجی دارای ضریب همبستگی برابر 630/0، مجذور میانگین مربعات خطای برابر 268/1 و ضریب نش-ساتکلیف برابر 391/0 می­باشد. مدل ماشین بردار پشتیبان با استفاده از ترکیب شماره دو مقادیر پارامتر غلظت یون کلسیم را با دقت مناسبی مورد تخمین قرار داده است. این مدل با استفاده از ترکیب شماره دو، پارامتر غلظت یون کلسیم را با ضریب همبستگی، مجذور میانگین مربعات خطا و ضریب نش-ساتکلیف به­ترتیب برابر با 664/0، 218/1 و 439/0 در دوره صحت سنجی تخمین زده است. مدل شبکه عصبی مصنوعی به­ازای دو ترکیب دو و چهار مقادیر پارامتر غلظت یون سدیم را با دقت قابل قبولی تخمین زده است. با توجه به آماره­های ارزیابی، ترکیب دو با ضریب همبستگی، مجذور میانگین مربعات خطا و ضریب نش-ساتکلیف به­ترتیب برابر 840/0، 933/0 و 704/0 در دوره صحت­سنجی مقادیر پارامتر غلظت یون سدیم را بهتر از سایر ترکیب­های مورد استفاده تخمین زده است. مدل ماشین بردار پشتیبان نیز با استفاده از ترکیب شماره چهار، مقادیر آماره­های ضریب همبستگی، مجذور میانگین مربعات خطا و ضریب نش-ساتکلیف را در دوره صحت­سنجی به­ترتیب برابر با 864/0، 867/0 و 744/0 به­دست آورده است. در تخمین مقدار هدایت­الکتریکی آبخوان دشت گیلان، ترکیب شماره دو دارای عملکرد بهتری نسبت به چهار ترکیب دیگر در مدل شبکه عصبی مصنوعی می­باشد. ترکیب شماره دو دارای ضریب همبستگی 855/0، مجذور میانگین مربعات خطای 448/186 و ضریب نش-ساتکلیف 730/0 در دوره صحت­سنجی بوده است. هم­چنین لازم به ذکر است که ترکیب شماره چهار نیز نتیجه نزدیکی به ترکیب شماره دو دارد. مدل ماشین­بردار پشتیبان تخمین پارامتر هدایت الکتریکی را به­ازای ترکیب شماره چهار با دقت بالایی انجام داده است. این مدل با استفاده از ترکیب شماره چهار در دوره صحت­سنجی مقادیر آماره­های ضریب همبستگی، مجذور میانگین مربعات خطا و ضریب نش-ساتکلیف را به­ترتیب برابر با  872/0، 742/175 و 760/0 به­دست آورده است. در تخمین پارامتر هدایت ­الکتریکی، مدل ماشین بردار پشتیبان به­ازای ترکیب­های شماره دو و چهار نتایج نسبتا مشابهی به­دست آورده است. با توجه به نتایج جدول 3 اضافه شدن پارامتر فاصله از دریا در تخمین هر یک از سه پارامتر مورد بررسی و در هر یک از مدل­ها باعث افزایش دقت در تخمین پارامترهای کیفی شده است. بنابراین می­توان پارامتر فاصله از دریا را به­عنوان یک پارامتر بسیار مناسب و کارا در تخمین مقادیر کیفی آبخوان­های ساحلی بکار گرفت. افزودن پارامتر تراز آب چاهک­ها به ترکیب یک (ترکیب 3 در جدول 2) در مدل شبکه عصبی مصنوعی باعث بهبود تخمین هر یک از پارامترهای کیفی گردید، ولی این پارامتر در نتایج مدل ماشین بردار پشتیبان اثر منفی گذاشته است. همچنین نتایج نشان داد، استفاده از پارامتر فاصله از دریا نسبت به پارامتر تراز آب چاهک­ها، تاثیر بیشتری در بهبود نتایج مدل شبکه عصبی در تخمین هر یک از سه پارامتر غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی داشته است. هم­چنین در بین ترکیب­های استفاده شده در تخمین هر یک از سه پارامتر کیفی ترکیب شماره دو و چهار نتیجه بهتری را بدست آورده­اند که تاثیر مثبت متغیر فاصله از دریا در تخمین پارامترهای کیفی ذکر شده را تایید می­کند. هم­چنین با توجه به نتایج در هیچ یک از موارد استفاده از متغیر مجموع بارش شش ماهه نمی­تواند باعث افزایش دقت تخمین پارامترهای کیفی مدنظر گردد. نتایج آماره­های ارزیابی تخمین­های صورت گرفته توسط مدل ماشین­بردار پشتیبان نشان می­دهد که در اکثر موارد نتایج ترکیب­های مختلف بسیار به یکدیگر نزدیک می­باشند. این نزدیکی نتایج حاکی از دقت و قدرت زیاد مدل ماشین­بردار پشتیبان در تخمین پارامترهای کیفی آبخوان­های ساحلی و هم­چنین کارایی این مدل به­ازای کمترین ورودی می­باشد. در واقع مدل ماشین بردار پشتیبان قادر است تا پارامترهای کیفی آبخوان استان گیلان را بدون دخالت دادن سایر پارامترها و با استفاده از کمترین اطلاعات (مختصات چاهک­های مشاهداتی) با دقت بالایی مورد تخمین قرار دهد. مقایسه نتایج مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به­ازای ترکیب­های برتر نشان داد که مدل ماشین بردار پشتیبان در تخمین هر یک از سه پارامتر کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی داشته است. بنابراین در این بخش می­توان این مدل را به­عنوان مدل برتر در تخمین کلیه پارامترهای کیفی
آبخوان استان گیلان معرفی کرد.

نتایج آزمون گاما

در ادامه با نظر به زمان­بر و هزینه­بر بودن آزمایش­های تعیین مقادیر پارامترهای کیفی چاهک­های مشاهداتی، در این قسمت سعی گردید از سایر پارامترهای اندازه­گیری شده، جهت تخمین پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی استفاده گردد. بنابراین جهت تعیین ضروری­ترین پارامترهای کیفی در تخمین پارامترهای غلظت یون کلسیم، غلظت یون سدیم و هدایت الکتریکی از آزمون گاما استفاده گردید که نتایج آن در جدول 4 نشان داده شده است.

 

 

جدول 4- نتایج آزمون گاما در تعیین ترکیب­های ورودی موثرتر

Table 4. Gamma test results in determining the input composition more effectively

خروجی (EC)

 

خروجی (Na)

 

خروجی (Ca)

 

 

نسبت v

گاما

 

نسبت v

گاما

 

نسبت v

گاما

متغیر غایب در مدل

شماره ترکیب

0124/0

0031/0

 

0262/0

0066/0

 

1231/0

0311/0

-

1

0126/0

0032/0

 

0258/0

0065/0

 

1552/0

0388/0

K

2

0175/0

0044/0

 

-

-

 

2345/0

0586/0

Na

3

0163/0

0041/0

 

0695/0

0174/0

 

2127/0

0532/0

Mg

4

0105/0

0026/0

 

0325/0

0081/0

 

1629/0

0407/0

SO4

5

0125/0

0032/0

 

0424/0

0106/0

 

1485/0

0371/0

Cl

6

0124/0

0031/0

 

0535/0

0134/0

 

1757/0

0439/0

HCO3

7

0050/0

0013/0

 

0392/0

0098/0

 

1450/0

0331/0

PH

8

-

-

 

0337/0

0084/0

 

1326/0

0331/0

EC

9

0157/0

0039/0

 

0987/0

0247/0

 

-

-

Ca

10

 

 

نتایج آزمون گاما بیانگر این موضوع است که برای پارامتر خروجی غلظت یون کلسیم، متغیر غلظت یون سدیم با بیشترین مقدار تغییر گاما نسبت به گامای ترکیب اول، به عنوان موثرترین متغیر می­باشد و پارامترهای غلظت یون منیزیم، HCO3، غلظت یون سولفات، غلظت یون پتاسیم، غلظت یون کلر، هدایت­ الکتریکی و PH به­ترتیب در مرتبه­های بعدی قرار دارند. طبق نتایج، ترکیب اول که دارای کمترین مقدار گاما می­باشد، به عنوان ترکیب برتر انتخاب گردیده است. ترکیب اول شامل همه متغیرهای کیفی (غلظت یون پتاسیم، غلظت یون سدیم، غلظت یون منیزیم، غلظت سولفات، غلظت یون کلر، HCO3، PH، هدایت الکتریکی، غلظت یون کلسیم) می­باشد. با توجه به مقادیر گاما، در تخمین پارامتر غلظت یون سدیم همه متغیرها به­غیر از غلظت یون پتاسیم موثر می­باشند، موثرترین متغیر برای این پارامتر نیز غلظت یون کلسیم است. بنابراین ترکیب مورد استفاده در تخمین پارامتر غلظت یون سدیم شامل غلظت یون کلسیم، غلظت یون منیزیم، HCO3،غلظت یون کلر، PH، هدایت الکتریکی و غلظت یون سولفات می­باشد. آزمون گاما پارامترهای غلظت یون سدیم و غلظت یون منیزیم را به­ترتیب به­عنوان موثرترین پارامترها در تخمین هدایت الکتریکی شناسایی کرده است. همانطور که درجدول مشخص شده است، با حذف هر یک از دو متغیرغلظت یون سولفات و PH مقدار ضریب گاما نسبت به حالت مبنا کاهش داشته است. بنابراین بهترین متغیرهای کیفی مورد استفاده در تخمین پارامتر هدایت الکتریکی شامل غلظت یون سدیم، غلظت یون منیزیم، غلظت یون کلسیم، غلظت یون پتاسیم، غلظت یون کلر و HCO3 می­باشند.

نتایج مدل­ها به­ازای افزودن ترکیب­های پیشنهادی آزمون گاما

در ادامه ترکیب­های برتر هر یک از مدل­ها در تخمین پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی (جدول 4)، با ترکیب کیفی منتخب آزمون گاما برای هر یک از پارامترهای کیفی ادغام گردیده است و ترکیب­های ورودی جدید را تشکیل داده­اند (جدول 5). در این بخش مقادیر پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی با استفاده از این ترکیب­های جدید (جدول 5) مورد تخمین قرار گرفته­اند که نتایج آنها در جدول 6 نشان داده شده است.

 

 

جدول 5- ترکیب­های (کمی-کیفی) تعیین شده براساس مدل­های برتر بخش اول و آزمون گاما

Table 5. Quantitative-qualitative compounds determined on the basis of superior models of the first part and gamma test

متغیر خروجی

مدل تخمین­گر

متغیرهای ورودی

Ca

ANN

تراز آب ,فاصله از دریا ,UTMX, UTMY, K, Na, Mg, SO4,Cl, HCO3, PH, EC

SVM

فاصله از دریا ,UTMX, UTMY, K, Na, Mg, SO4,Cl, HCO3, PH, EC

Na

ANN

فاصله از دریا ,UTMX, UTMY, Mg, SO4,Cl, HCO3, PH, EC, Ca

SVM

تراز آب ,فاصله از دریا ,UTMX, UTMY, Mg, SO4,Cl, HCO3, PH, EC, Ca

EC

ANN

فاصله از دریا , UTMX, UTMY, K, Na, Mg, Cl, HCO3, Ca

SVM

تراز آب ,فاصله از دریا ,UTMX, UTMY, K, Na, Mg, Cl, HCO3, Ca

 

جدول 6 نتایج مدل­های ANN و SVM به­ازای ترکیب­های به­دست آمده از ادغام آزمون گاما و ترکیب­های برتر بخش اول

Table 6. The results of ANN and SVM models for combinations obtained from the integration of gamma test and superior components of the first part

صحت­سنجی

واسنجی

تعداد نرون بهینه

شماره ترکیب

مدل

پارامتر

CC

RMSE

NS

CC

RMSE

NS

914/0

662/0

834/0

929/0

617/0

862/0

8

4

ANN

Ca

911/0

671/0

830/0

924/0

637/0

854/0

-

2

SVM

984/0

305/0

968/0

991/0

256/0

982/0

11

2

ANN

Na

978/0

356/0

957/0

992/0

247/0

983/0

-

4

SVM

991/0

346/47

983/0

990/0

963/51

981/0

15

2

ANN

EC

988/0

412/55

976/0

991/0

551/49

983/0

-

4

SVM

 

 

با توجه به جدول 6  هر یک از دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان به­ازای ترکیب­های ورودی جدید معرفی شده، هر یک از پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی را با دقت بسیار بالایی تخمین زده­اند. بنابراین می­توان از هر یک مدل­ها با دقت قابل قبولی در تخمین پارامترهای کیفی استفاده کرد. همانطور که در جدول 6 نشان داده شده است، مدل شبکه عصبی مصنوعی در این بخش عملکرد بهتری را در تخمین مقادیر هر یک از سه پارامتر کیفی مورد مطالعه داشته است. البته تخمین مقادیر غلظت یون سدیم و هدایت الکتریکی نسبت به مقادیر غلظت یون کلسیم با خطای کمتری انجام گرفته است. مقادیر ضرایب نش-ساتکلیف در دوره­های واسنجی و صحت­سنجی هر یک از ترکیب­ها نیز نشان­دهنده بسیار مناسب بودن تخمین­های صورت گرفته می­باشد. همانطور که ذکر گردید یکی از مشکلات اصلی در زمینه تخمین مقادیر کیفی، تعیین تعداد و نوع پارامترهای ورودی می­باشد که با توجه به نتایج جدول 6 آزمون گاما را می­توان به­عنوان یک روش خوب و کاربردی در این زمینه معرفی کرد. بنابراین مقادیر هر یک از پارامترهای غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی را می­توان به­ازای ترکیب­های ورودی ذکر شده با دقت بسیار بالا تخمین زد که در این­صورت می­تواند در هزینه­های آزمایشگاهی تعیین مقادیر این پارامترها صرفه­جویی گردد. مقادیر مشاهداتی و تخمینی پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی به­ازای مدل­های برتر جدول 6 در شکل 4 نشان داده شده است.

 

 

 
 
 

شکل4- مقادیر مشاهداتی و محاسبه شده پارامترهای کیفی Na، EC و Ca به­ازای مدل و ترکیب برتر

Figure 4.Observed and calculated values of Na, EC and Ca quality parameters for superior model and composition


 

نتیجه­گیری

 

با توجه به اهمیت اطلاع از وضعیت و توزیع مقادیر پارامترهای کیفی آبخوان­ها در مدیریت صحیح منابع آب، در این تحقیق سعی گردید تا با استفاده از مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان مقادیر پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی آبخوان استان گیلان مورد تخمین قرار گیرد. در این راستا از ساختارهای مختلف مدل­ها، و دو بخش اصلی ترکیب­های مختلف ورودی شامل ترکیب­های ارائه شده در جدول 2 (بخش اول) و ترکیب­های کیفی آزمون گاما جدول 5 (بخش دوم) استفاده گردید.

در تخمین پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی به­ترتیب ترکیب­های چهار، دو و دو به عنوان ترکیب برتر برای مدل شبکه عصبی مصنوعی انتخاب شد و برای مدل ماشین بردار پشتیبان ترکیب­های دو، چهار و چهار انتخاب گردید.

مقایسه نتایج مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به­ازای ترکیب­های برتر بخش اول نشان داد که مدل ماشین بردار پشتیبان در تخمین هر یک از سه پارامتر کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت­ الکتریکی عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی داشته است. بنابراین در این بخش می­توان این مدل را به­عنوان مدل برتر (ورودی­های بخش اول) در تخمین کلیه پارامترهای کیفی آب­خوان استان گیلان معرفی کرد.

پارامتر فاصله از دریا در تخمین هر یک از سه پارامتر مورد بررسی و در هر یک از مدل­ها باعث افزایش دقت در تخمین پارامترهای کیفی شده است که با نتایج ارائه شده در مطالعات غلامی و جعفری (4) و میرزاوند و همکاران (6) تطبیق دارد. افزودن پارامتر تراز آب چاهک­ها به ترکیب یک (ترکیب 3 در جدول 2) در مدل شبکه عصبی مصنوعی باعث بهبود تخمین هر یک از پارامترهای کیفی گردید که با نتایج میرزاوند و همکاران (6) همخوانی کامل دارد.

 ولی افزودن پارامتر تراز آب در نتایج مدل ماشین بردار پشتیبان اثر منفی داشته است. هم­چنین نتایج نشان داد، استفاده از پارامتر فاصله از دریا نسبت به پارامتر تراز آب چاهک­ها، تاثیر بیشتری در بهبود نتایج مدل شبکه عصبی در تخمین هر یک از سه پارامتر غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی داشته است.

همچنین با توجه به نتایج در هیچ یک از موارد استفاده از متغیر مجموع بارش شش ماهه نمی­تواند باعث افزایش دقت تخمین پارامترهای کیفی مدنظر گردد. مطالعه غلامی و جعفری (4) نیز عدم تاثیر بارش در تخمین پارامترهای کیفی را تایید کرده است. مدل ماشین بردار پشتیبان قادر است تا پارامترهای کیفی آبخوان استان گیلان را بدون دخالت دادن سایر پارامترها و با استفاده از کمترین اطلاعات (مختصات چاهک­های مشاهداتی) با دقت بالاتری نسبت به مدل شبکه عصبی مصنوعی مورد تخمین قرار دهد. در مطالعه آلاقا و همکاران (10) نیز عملکرد مدل ماشین بردار پشتیبان بهتر از مدل شبکه عصبی بوده است، همچنین عملکرد خوب مدل ماشین بردار پشتیبان در مطالعه عرب­گل و همکاران (15) در تخمین پارامتر نیترات آب­زیرزمینی اراک نیز نشان داده شده است.

نتایج تخمین مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به­ازای ترکیب­های ورودی جدول5 (بخش دوم) نشان داد که این مدل­ها در تخمین هر یک از پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت­ الکتریکی دقت بسیار بالایی داشته­اند. همانطور که در جدول6 نشان داده شده است، مدل شبکه عصبی مصنوعی در بخش دوم عملکرد بهتری را نسبت به مدل ماشین بردار پشتیبان در تخمین مقادیر هر یک از سه پارامتر کیفی مورد مطالعه داشته است.

نتایج بخش دوم تخمین­ها حاکی از عملکرد مناسب آزمون گاما در تعیین ترکیب ورودی پارامترهای کیفی بوده است. با توجه به نتایج بخش دوم، هر یک از پارامترهای غلظت یون کلسیم، غلظت یون سدیم و هدایت ­الکتریکی را می­توان به­ازای ترکیب­های ورودی جدول 5 و با دقت بسیار بالاتری نسبت به ترکیب­های ورودی بخش اول (جدول 2) تخمین زد. استفاده از مدل­ها و ترکیب­های ذکر شده جهت تخمین دقیق و با خطای اندک هر یک از پارامترهای کیفی غلظت یون کلسیم، غلظت یون سدیم و هدایت­الکتریکی، می­تواند باعث کاهش هزینه­های آزمایشگاهی سازمان­های مربوطه گردد.

Reference

1-     Parmer, K.S., Bhardwaj, R., 2013.Wavelet and statistical analysis of river water quality parameters, Journal of Applied Mthematics and Computation. Vol. 219, PP.10172-10182.

2-     Diamantopoulou, M.J., Antonopoulos, V.Z., Papamichail, D.M., 2005. The use of a neural network technique for the prediction of water quality parameters of Axios River in Northern Greece. Journal of Eur Water, Vol. 11, PP. 55–62.

3-     Mcknight, U.S., Funder, S., Rasmussen, J.J., Finkel, M., Binning, P.J., Bjerg, P.L., 2010. An integrated model for assessing the risk of TCE groundwater contamination to human receptors and surface water ecosystems. Journal of Ecological Engineering, Vol. 36, PP 1126-1137.

4-     Gholami, V., Jafari, M., 2001. Investigating Effective Factors in Groundwater Salinity to Provide Regional Modeling in Mazandaran Shores, Civil Engineering and Environmental Engineering Journal of Tabriz University, Vol. 23, pp 81-87,[In persian]

5-     Mehrdadi, N., Nabi Bid HindI, G., Baghand, A., Zare Abyaneh, H., Abbasi Maedeh, p., 2012. Projection of changes in the electrical conductivity parameter in underground water in Tehran using artificial neural network , Civil engineering and environmental engineering Journal of Tabriz University, Vol 10, pp13-25 [In Pearsian].

6-     Mirzavand, M, Ghasemiye, H, Akbari. M., Sadatinejad, S., 2015. Simulaytion of Underground Water Quality Changes with Artificial Neural Network Model (Case Study: Kashan Aquifer), Civil Engineering Journal and Environment Engineering Journal of Tabriz University, Vol. 68, pp159-171, [In Persian].

7-     Nadiri, A., Vahedi, F., Asghari Moghadam, A., Kadkhodaee, A., 2015, Use of Artificial Intellighence Model Supervised to predicte groundwater level, Civil Engineering and Environmental Engineering Journal of Tabriz University. Vol. 46, pp101-112 [In Persian].

8-     Dehgani, R., Pourhaghi, A., Kheyraei, M., 1395. Compersian of Adaptive Neuro-Fuzzy Inference System Techniques, Artificial Neural Network and Gene Experssion Planning in estimating Groundwater Hardness (Case Study: Mazandaran Plain). New finding in applied geology. 10(19), 51-62, [In Persian].

9-     Cho, K.H., Sthiannopkao, S., Pachepsky, Y.A., Kim, K.W., Kim, J.H., 2011. Prediction of contamination potential of groundwater arsenic in Cambodia, Laos and Thailand using artificial neural network. Journal of Water Research, Vol. 45, PP. 5535-5544.

10-  Alagha, J.S., Said, M.A.M., Mogheir, Y., 2014. Modeling of nitrate concentration in groundwater using artificial intelligence approach- acase study of Gaza coastal aquifer. Vol.186, PP.35-45.

11-  Kheradpisheh, Z., Talebi, A., Rafati L., Ghaneian, M.T., Ehrampoush, M.H., 2015. Groundwater quality assessment using artificial neural network: A case study of Bahabad plain. Yazd, Iran. Journal of Desert, Vol. 20, PP. 65-71.

12-  Khaki, M., Yusoff, I., Islami N., 2015. Application of the Artificial Neural Network and Neuro-fuzzy System for Assessment of Groundwater Quality. Journal of Clean Soil Air Water, Vol. 43, PP. 551-560.

13-  Gong, Y., Zhang, Y., Lan, S., Wang, H., 2016. A Comparative Study of Artificial Neural Networks, Support Vector Machines and Adaptive Neuro Fuzzy Inference System for Forecasting Groundwater Levels near Lake Okeechobee, Florida. Water Resources Management, Vol. 30, PP. 375-391.

14-  Ehteshami, M., Dolatabadi Farahani, N., Tavassoli S., 2016. Simulation of nitrate contamination in groundwater using artificial neural networks. Modeling Earth Systems and Environment, Vol. 28, PP. 2-10.

15-  Arabgol, R., Sartaj, M., Asghari, A., 2016. Prediction Nitrate Concentration and Its Spatial Distribution in Groundwater Resources Using Support Vector Machines (SVMS) Model. Journal of Environmental Modeling & Assessment, Vol. 21, PP. 71-82.

16-  16-Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, Vol. 319, PP. 391-409.

17-  Coulibaly, P., Anctil, F., Bobée, B., 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology, Vol. 230, PP. 244-257.

18-  ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural networks in hydrology. I preliminary concepts. Journal of Hydrologic Engineering, Vol.5, PP.115-123.

19-  Dibike, Y., Velickov, S., Solomatine, D., Abbott, M., 2001. Model induction with of support vector machines: Introduction and applications. Journal of Computing in Civil Engineering, Vol. 15, PP. 208- 216.

20-  Yoon, H., Jun, S.C., Hyun Y., Bae, G.O., Lee, K.K., 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, Vol. 396, PP. 128-138.

21-  Isazadeh, M., Biazar, S. M., Ashrafzadeh, A., 2017. Support vector machines and feed-forward neural networks for spatial modeling of groundwater qualitative parameters. Environmental Earth Sciences, 76(17), 610.

22-  Kavzoglu, T., Colkesen, I., 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, Vol. 11, PP. 352-359.

23-  Ashrafzadeh, A., Malik, A., Jothiprakash, V., Ghorbani, M. A., Biazar, S. M., 2018. Estimation of daily pan evaporation using neural networks and meta-heuristic approaches. ISH Journal of Hydraulic Engineering, 1-9.

24-  Durrant, P.J., 2001.  Win_Gamma TM A non-linear data analysis and modeling tool with applications to flood prediction. PhD Thesis, Department of Computer Science, Cardiff University Wales, UK.

25-  Evans, D., Jone, A., 2002 A proof of the gamma test. Proceedings of Royal Society, Series A, Vol. 458, PP. 2759-2799.

26-  Misra, D., Oommen, T., Agarwal, A., and Mishra, S.K., 2009. Application and analysis of Support Vector machine based simulation for runoff and sediment yield. Journal of Biosystems Engineering, Vol.103, PP. 527-535.

 

 



1- دکتری رشته مهندسی منابع آب دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

2- دکتری رشته علوم و مهندسی آب -منابع آب، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران. *(مسوول مکاتبات)

3- استادیار گروه مهندسی منابع آب دانشکده کشاورزی، دانشگاه گیلان، گیلان، ایران.

4- کارشناسی ارشد، مدیریت دولتی دانشگاه پیام نور گیلان، گیلان، ایران.

1- PhD of Water Resources Engineering, Faculty of Agriculture of Tabriz University, East Azerbaijan, Tabriz, Iran

2- PhD of Water Resources Engineering, Faculty of Agriculture of Tabriz University, East Azerbaijan, Tabriz, Iran

* (Corresponding Author)

3- Assistant Professor of Water Resources Engineering, Faculty of Agriculture of Guilan University, Rasth, Iran

4- Master of Public Management, Guilan Payam Nour University, Rasht, Guilan, Iran.

1- Multiple linear regression

2- Artificial Neural Network

3- Multilayer Perceptron Neural Network

4- Radial basis function

5- Forward Neural Network

6- Return Neural Networks

7- Fuzzy Logic

8- Support Vector Machine

1- Adaptive Neural-Fuzzy Inference System

2- Gene Expression Planning

3- principal component regression

4- Alagha

5- Gong

1- Dibike

1- Correlation Coefficient

1- Root Mean Square Error

2- Nash -Sutcliffe

1-     Parmer, K.S., Bhardwaj, R., 2013.Wavelet and statistical analysis of river water quality parameters, Journal of Applied Mthematics and Computation. Vol. 219, PP.10172-10182.

2-     Diamantopoulou, M.J., Antonopoulos, V.Z., Papamichail, D.M., 2005. The use of a neural network technique for the prediction of water quality parameters of Axios River in Northern Greece. Journal of Eur Water, Vol. 11, PP. 55–62.

3-     Mcknight, U.S., Funder, S., Rasmussen, J.J., Finkel, M., Binning, P.J., Bjerg, P.L., 2010. An integrated model for assessing the risk of TCE groundwater contamination to human receptors and surface water ecosystems. Journal of Ecological Engineering, Vol. 36, PP 1126-1137.

4-     Gholami, V., Jafari, M., 2001. Investigating Effective Factors in Groundwater Salinity to Provide Regional Modeling in Mazandaran Shores, Civil Engineering and Environmental Engineering Journal of Tabriz University, Vol. 23, pp 81-87,[In persian]

5-     Mehrdadi, N., Nabi Bid HindI, G., Baghand, A., Zare Abyaneh, H., Abbasi Maedeh, p., 2012. Projection of changes in the electrical conductivity parameter in underground water in Tehran using artificial neural network , Civil engineering and environmental engineering Journal of Tabriz University, Vol 10, pp13-25 [In Pearsian].

6-     Mirzavand, M, Ghasemiye, H, Akbari. M., Sadatinejad, S., 2015. Simulaytion of Underground Water Quality Changes with Artificial Neural Network Model (Case Study: Kashan Aquifer), Civil Engineering Journal and Environment Engineering Journal of Tabriz University, Vol. 68, pp159-171, [In Persian].

7-     Nadiri, A., Vahedi, F., Asghari Moghadam, A., Kadkhodaee, A., 2015, Use of Artificial Intellighence Model Supervised to predicte groundwater level, Civil Engineering and Environmental Engineering Journal of Tabriz University. Vol. 46, pp101-112 [In Persian].

8-     Dehgani, R., Pourhaghi, A., Kheyraei, M., 1395. Compersian of Adaptive Neuro-Fuzzy Inference System Techniques, Artificial Neural Network and Gene Experssion Planning in estimating Groundwater Hardness (Case Study: Mazandaran Plain). New finding in applied geology. 10(19), 51-62, [In Persian].

9-     Cho, K.H., Sthiannopkao, S., Pachepsky, Y.A., Kim, K.W., Kim, J.H., 2011. Prediction of contamination potential of groundwater arsenic in Cambodia, Laos and Thailand using artificial neural network. Journal of Water Research, Vol. 45, PP. 5535-5544.

10-  Alagha, J.S., Said, M.A.M., Mogheir, Y., 2014. Modeling of nitrate concentration in groundwater using artificial intelligence approach- acase study of Gaza coastal aquifer. Vol.186, PP.35-45.

11-  Kheradpisheh, Z., Talebi, A., Rafati L., Ghaneian, M.T., Ehrampoush, M.H., 2015. Groundwater quality assessment using artificial neural network: A case study of Bahabad plain. Yazd, Iran. Journal of Desert, Vol. 20, PP. 65-71.

12-  Khaki, M., Yusoff, I., Islami N., 2015. Application of the Artificial Neural Network and Neuro-fuzzy System for Assessment of Groundwater Quality. Journal of Clean Soil Air Water, Vol. 43, PP. 551-560.

13-  Gong, Y., Zhang, Y., Lan, S., Wang, H., 2016. A Comparative Study of Artificial Neural Networks, Support Vector Machines and Adaptive Neuro Fuzzy Inference System for Forecasting Groundwater Levels near Lake Okeechobee, Florida. Water Resources Management, Vol. 30, PP. 375-391.

14-  Ehteshami, M., Dolatabadi Farahani, N., Tavassoli S., 2016. Simulation of nitrate contamination in groundwater using artificial neural networks. Modeling Earth Systems and Environment, Vol. 28, PP. 2-10.

15-  Arabgol, R., Sartaj, M., Asghari, A., 2016. Prediction Nitrate Concentration and Its Spatial Distribution in Groundwater Resources Using Support Vector Machines (SVMS) Model. Journal of Environmental Modeling & Assessment, Vol. 21, PP. 71-82.

16-  16-Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, Vol. 319, PP. 391-409.

17-  Coulibaly, P., Anctil, F., Bobée, B., 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology, Vol. 230, PP. 244-257.

18-  ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural networks in hydrology. I preliminary concepts. Journal of Hydrologic Engineering, Vol.5, PP.115-123.

19-  Dibike, Y., Velickov, S., Solomatine, D., Abbott, M., 2001. Model induction with of support vector machines: Introduction and applications. Journal of Computing in Civil Engineering, Vol. 15, PP. 208- 216.

20-  Yoon, H., Jun, S.C., Hyun Y., Bae, G.O., Lee, K.K., 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, Vol. 396, PP. 128-138.

21-  Isazadeh, M., Biazar, S. M., Ashrafzadeh, A., 2017. Support vector machines and feed-forward neural networks for spatial modeling of groundwater qualitative parameters. Environmental Earth Sciences, 76(17), 610.

22-  Kavzoglu, T., Colkesen, I., 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, Vol. 11, PP. 352-359.

23-  Ashrafzadeh, A., Malik, A., Jothiprakash, V., Ghorbani, M. A., Biazar, S. M., 2018. Estimation of daily pan evaporation using neural networks and meta-heuristic approaches. ISH Journal of Hydraulic Engineering, 1-9.

24-  Durrant, P.J., 2001.  Win_Gamma TM A non-linear data analysis and modeling tool with applications to flood prediction. PhD Thesis, Department of Computer Science, Cardiff University Wales, UK.

25-  Evans, D., Jone, A., 2002 A proof of the gamma test. Proceedings of Royal Society, Series A, Vol. 458, PP. 2759-2799.

26-  Misra, D., Oommen, T., Agarwal, A., and Mishra, S.K., 2009. Application and analysis of Support Vector machine based simulation for runoff and sediment yield. Journal of Biosystems Engineering, Vol.103, PP. 527-535.