ارزیابی پیش بینی هیدروگراف آبخوان با رویکرد شبکه های بیزین منفرد و یکپارچه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار پژوهشی، گروه تحقیقات منابع آب، مؤسسه تحقیقات آب وزارت نیرو، تهران، ایران

2 دانشیار، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران.

چکیده

بهره‌برداری از منابع آب زیرزمینی در مناطق خشک به عنوان یک عامل اساسی در توسعه و چشم‎انداز منطقه حائز اهمیت است. این موضوع سبب شده تا استفاده از رویکردهای مختلف جهت ارزیابی و تعیین میزان حجم منابع آب زیرزمینی بکار گرفته شود. در این مطالعه از شبکه بیزین که یک شبکه احتمالاتی براساس داده‌های ثبت شده است به منظور کاهش عدم قطعیت‌ها استفاده شد. استفاده از دو حالت منفرد پیزومترها و ترکیبی پیزومترها در برآورد هیدروگراف آبخوان با استفاده از شبکه بیزین با استفاده از نرم‌افزار HUGIN v8.3 مورد ارزیابی قرار گرفت. به منظور پیاده‌سازی دو رویکرد شبیه‌سازی با شبکه بیزین، شبیه‌سازی حالت منفرد برای هر چاه مشاهده‌ای و شبیه‌سازی برای حالت یکپارچه برای پنج چاه مشاهده‌ای در سطح آبخوان انجام گرفت. نتایج دو حالت شبیه‌سازی برای دو سال پیش‌بینی روند آتی آبخوان حاکی از بالابودن میزان شاخص‌های آماری بین داده‌های مشاهداتی و شبیه سازی است. نتایج نهایی در روش منفرد حاکی از متوسط ضریب تبیین 85/0 با میانگین مجذور خطای 42/0 و در روش یکپارچه با متوسط ضریب تبیین 8/0 با میانگین مجذور خطای 25/0 است. همچنین نتایج نشان داد که استفاده از روش بیزین جهت پیش بینی سطح آب زیرزمینی و حجم آبخوان دقت بالایی داشته و استفاده از رویکرد منفرد برای پیش‌بینی سطح آب زیرزمینی در هر چاه مشاهده‌ای و روش یکپارچه در پیش‌بینی هیدروگراف آبخوان دارای دقت مناسبی است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Aquifer Hydrograph Prediction with Approaches of Single and Integrated Bayesian Networks

نویسندگان [English]

  • Hamid Kardan Moghaddam 1
  • Abbas Roozbahani 2
1 Assistant Professor, Department of Water resources research, Water research institute, Ministry of energy, Tehran, Iran.
2 Associate Professor, Department of Irrigation and Drainage Engineering, Aburaihan campus, University of Tehran, Tehran, Iran.
چکیده [English]

Utilization of groundwater resources in arid areas is an important factor in the development and landscape of the region. This has led to the use of different approaches to assess and determine the volume of groundwater resources. In this study, Bayesian network, which is a probabilistic network based on recorded data, was used to reduce uncertainties. The use of two single states of piezometers and a combination of piezometers in the estimation of aquifer hydrographs using Bayesian network was evaluated using HUGIN v8.3 software. In order to implement two simulation approaches with Bayesian network, single state simulation for each observation well and integrated mode simulation for five observation wells at the aquifer level were performed. The results of two simulation models for two years predicting the future trend of the aquifer indicate a high level of statistical indicators between observational data and simulation. The final results in the single method indicate an average explanation coefficient of 0.85 with an average error square of 0.42 and in the integrated method with an average explanation coefficient of 0.8 with an average error square of 0.25. The results also showed that the use of Bayesian method to predict groundwater level and aquifer volume is highly accurate and the use of a single approach to predict groundwater level in each observation well and integrated method in predicting aquifer hydrograph has good accuracy.

کلیدواژه‌ها [English]

  • Bayesian networks
  • Groundwater
  • Integrate network
  • Single network
Abbasi, A., Khalili, K., Behmanesh, J., & Shirzad, A. (2020). Application of support vector machine and bayesian network for agricultural drought prediction. Journal of Watershed Engineering and Management, 12(1), 107-124 (In Persian).
Ahmadi, F. (2016). Comparing the Performance of Support Vector machines and Bayesian Networks in predicting daily river flow (case study: Barandoozchay River). Journal of Water and Soil Conservation, 22(6), 171-186 (In Persian).
Biondi, D., & De Luca, D. L. (2012). A Bayesian approach for real-time flood forecasting. Physics and Chemistry of the Earth, Parts A/B/C, 42, 91-97.
Ghose, B., Dhawan, H., Kulkarni, H., Aslekar, U., Patil, S., Ramachandrudu, M. V., ... & Prasad, E. (2018). Peoples’ participation for sustainable groundwater management. In Clean and Sustainable Groundwater in India (pp. 215-234). Springer, Singapore.
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, 30(1), 375-391.
Huang, F., Huang, J., Jiang, S. H., & Zhou, C. (2017). Prediction of groundwater levels using evidence of chaos and support vector machine. Journal of Hydroinformatics, 19(4), 586-606.
Kardan Moghadam, H., & Roozbahani, A. (2015). Evaluation of Bayesian networks model in monthly groundwater level prediction (Case study: Birjand aquifer). Water and Irrigation Management, 5(2), 139-151.
Karimi-Rizvandi, S., Goodarzi, H. V., Afkoueieh, J. H., Chung, I. M., Kisi, O., Kim, S., & Linh, N. T. T. (2021). Groundwater-Potential Mapping Using a Self-Learning Bayesian Network Model: A Comparison among Metaheuristic Algorithms. Water, 13(5), 658.
Mirarabi, A., Nassery, H. R., Nakhaei, M., Adamowski, J., Akbarzadeh, A. H., & Alijani, F. (2019). Evaluation of data-driven models (SVR and ANN) for groundwater-level prediction in confined and unconfined systems. Environmental Earth Sciences, 78(15), 1-15.
Moghaddam, H. K., Milan, S. G., Kayhomayoon, Z., & Azar, N. A. (2021). The prediction of aquifer groundwater level based on spatial clustering approach using machine learning. Environmental Monitoring and Assessment, 193(4), 1-20.
Moghaddam, H. K., Moghaddam, H. K., Kivi, Z. R., Bahreinimotlagh, M., & Alizadeh, M. J. (2019). Developing comparative mathematic models, BN and ANN for forecasting of groundwater levels. Groundwater for Sustainable Development, 9, 100237.
Moghaddam, H. K., Banihabib, M. E., & Javadi, S. (2018). Quantitative sustainability analysis of aquifer system (case study: South Khorasan-Birjand aquifer). Journal of water and soil, 31(6).
Montanari, A., Shoemaker, C. A., & Van de Giesen, N. (2009). Introduction to special section on Uncertainty Assessment in Surface and Subsurface Hydrology: An overview of issues and challenges. Water Resources Research, 45(12).
Nash, D., & Hannah, M. (2011). Using Monte-Carlo simulations and Bayesian Networks to quantify and demonstrate the impact of fertiliser best management practices. Environmental Modelling & Software, 26(9), 1079-1088.
Noorbeh, P., Roozbahani, A., & Moghaddam, H. K. (2020). Annual and monthly dam inflow prediction using Bayesian networks. Water Resources Management, 34(9), 2933-2951.
Nourani, V., & Mousavi, S. (2016). Spatiotemporal groundwater level modeling using hybrid artificial intelligence-meshless method. Journal of Hydrology, 536, 10-25.
Sahoo, S., & Jha, M. K. (2013). Groundwater-level prediction using multiple linear regression and artificial neural network techniques: a comparative assessment. Hydrogeology Journal, 21(8), 1865-1887.
Roozbahani, A., Ebrahimi, E., & Banihabib, M. E. (2018). A framework for ground water management based on bayesian network and MCDM techniques. Water resources management, 32(15), 4985-5005.
Tabesh, M., Roozbahani, A., Roghani, B., Faghihi, N. R., & Heydarzadeh, R. (2018). Risk assessment of factors influencing non-revenue water using Bayesian networks and fuzzy logic. Water Resources Management, 32(11), 3647-3670.
Wen, X., Feng, Q., Deo, R. C., Wu, M., & Si, J. (2017). Wavelet analysis–artificial neural network conjunction models for multi-scale monthly groundwater level predicting in an arid inland river basin, northwestern China. Hydrology Research, 48(6), 1710-1729.
Yue, Q., Zhang, F., & Guo, P. (2018). Optimization-based agricultural water-saving potential analysis in Minqin County, Gansu Province China. Water, 10(9), 1125.
Yunana, D., Maclaine, S., Tng, K. H., Zappia, L., Bradley, I., Roser, D., ... & Le-Clech, P. (2021). Developing Bayesian networks in managing the risk of Legionella colonisation of groundwater aeration systems. Water Research, 193, 116854.