مدل‌سازی تأثیرات دریای خزر بر کیفیت آب‌های زیرزمینی نوار ساحلی

باباعلی, حمید رضا; دهقانی, رضا; نوحانی, ابراهیم

مدل‌سازی تأثیرات دریای خزر بر کیفیت آب‌های زیرزمینی نوار ساحلی

نوع مقاله : مقاله پژوهشی

نویسندگان

حمید رضا باباعلی ¹

رضا دهقانی ²

ابراهیم نوحانی ³

¹ دانشیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد خرم آباد، لرستان، ایران

² دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، لرستان، ایران

³ استادیارگروه عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران

چکیده

منابع آب‌های زیرزمینی به‌عنوان اصلی‌ترین و مهم‌ترین منبع آب شرب، کشاورزی و صنعت به‌شمار می‌روند. بررسی کیفیت این منابع ازجمله میزان سختی آب عامل مهمی در مسائل هیدروژئولوژی است. در این پژوهش به‌منظور برآورد و مدل‌سازی میزان سختی آب زیرزمینی نواحی ساحلی دریای خزر که برای برنامه‌ریزی مدیریتی و آمایش سرزمین امری ضروری و مهم است از مدل هیبریدی رگرسیون بردار پشتیبان با الگوریتم‌های کرم شب‌تاب و ازدحام مرغ استفاده شد. برای این منظور پارامترهای کیفی چاه‌های پیزومتری بابلسر واقع در استان مازندران شامل هیدروژن کربنات، کلرید، سولفات، منیزیم و کلسیم در مقیاس زمانی ماهانه در طی دوره آماری (1392-1402) به‌عنوان ورودی و میزان سختی آب به‌عنوان پارامتر خروجی انتخاب شد. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورداستفاده قرار گرفت. نتایج حاصله نشان داد مدل رگرسیون بردار پشتیبان-کرم شب‌تاب بیشترین ضریب همبستگی 980/0، کمترین ریشه میانگین مربعات خطا ppm 115/0، میانگین قدر مطلق خطا ppm 087/0 و نش ساتکلیف 950/0 از خود نشان داده است. درمجموع نتایج نشان داد که مدل‌های هیبریدی هوش مصنوعی عملکرد مناسبی در برآورد مقادیر میزان کیفیت آب‌های زیرزمینی دارند.

کلیدواژه‌ها

آب زیرزمینی

برآورد

بابلسر

مدل هیبریدی

20.1001.1.24767131.1402.9.1.7.2

موضوعات

محیط دریا

عنوان مقاله English

Modeling the Impact of the Caspian Sea on Groundwater Quality in the Coastal Strip

نویسندگان English

Hamidreza Babaali ¹

Reza Dehghani ²

Ebrahim Nohani ³

¹ Assistant Professor, Department of Civil Engineering, Islamic Azad University, Khorramabad branch, Lorestan

² , Department of Soil Conservation and Watershed Management, Lorestan Province Agriculture and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization,

³ Assistant Professor, Department of Civil Engineering, Materials and Energy Research Center, Dezful Branch, Islamic Azad University, Dezful, Iran

چکیده English

Groundwater sources are essential for drinking water, agriculture, and industrial use. Assessing the quality of these sources, including water hardness, is a crucial aspect of hydrogeological studies. This research aims to estimate and model the level of groundwater hardness in the coastal areas of the Caspian Sea, which is vital for effective management planning and land preparation. We employed a hybrid support vector regression model enhanced by firefly and chicken swarm algorithms. For this purpose, we selected various quality parameters from Babolsar piezometer wells located in Mazandaran Province, which include bicarbonate, chloride, sulfate, magnesium, and calcium, as input parameters, with water hardness as the output parameter, analyzed on a monthly basis over a statistical period from 2012 to 2022. The performance of the models was evaluated and compared using the correlation coefficient, root mean square error (RMSE), and Nash-Sutcliffe efficiency coefficient. The results demonstrated that the hybrid support vector regression model combined with the firefly algorithm achieved the highest correlation coefficient of 0.980, the lowest RMSE of 0.115 ppm, an average absolute error of 0.087 ppm, and a Nash-Sutcliffe value of 0.950. Overall, our findings indicate that artificial intelligence hybrid models perform effectively in estimating groundwater quality parameters.

کلیدواژه‌ها English

Groundwater

Estimation

Babolsar

Hybrid Model

Nourani V, Molajou A, Tajbakhsh AD, Najafi H. A wavelet based data mining technique for suspended sediment load modeling. water resources management.2019a; 33(2):1769–84.
Safarinia S, Abakari H, Erfanian M. Estimation of surface water quality in Mahabad Reservoir Dam using main components and water quality indicators. Journal of Soil Science and Techniques.2020; 2(5): 91-78.
Seyedian M, Radkani A, Kashani M. Evaluation of the hybrid method in forecasting the time series of rainfall in coastal areas. Journal of Soil Sciences and Techniques.2021;3(8):54-71.
Chang FJ, Chang YT. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in water resources. 2006 Jan 1;29(1):1-10.
Dehghani R, Torabi Poudeh H, Younesi H, Shahinejad B. Daily Streamflow Prediction Using Support Vector Machine-Artificial Flora (SVM-AF) Hybrid Model. Acta Geophysica. 2020;68(6):51-66. https://doi.org/10.1007/s11600-020-00472-7
Moravej M, Amani P, Hosseini-Moghari M. Groundwater level simulation and forecasting using interior search algorithm-least square support vector regression (ISA-LSANN). Groundwater for Sustainable Development. 2020; 11(1):100447.
Bahmani R, Taha BM, Ouarda J. Groundwater level modeling with hybrid artificial intelligence techniques. Journal of Hydrology. 2021; 595(3):324-56.
Raheli B, Alami MT, El-Shafie A, Deo R. Uncertainty assessment of the multilayer perceptron (MLP) neural network model with implementation of the novel hybrid MLP-FFA method for prediction of biochemical oxygen demand and dissolved oxygen: a case study of Langat River. Environmental Earth Sciences. 2017; 76(503):3-16.
Dehghani R, Torabi H. Dissolved oxygen concentration predictions for running waters with using hybrid machine learning techniques. Modeling Earth Systems and Environment. 2021; 8(4):224-38.
Zhu N, Ji X, Tan J, Jiang Y, Gou Y. Prediction of dissolved oxygen concentration in aquatic systems based on transfer learning. Computers and Electronics in Agriculture.2021;180(2): 385–99.
Nagy H, Watanabe K, Hirano M. Prediction of sediment load concentration in rivers using artificial neural network model, Journal of Hydraulics Engineering. 2002; 128(1): 558-9.
Lin JY, Cheng CT, Chau KW. Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal.2006; 51(3):599–612.
Khosravi K, Nohani E, Maroufinia E, Pourghasemi HR. A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights of evidence bivariate statistical models with multi-criteria method. Natural Hazards. 2016; 83(2):1-41.
Vapnik VN. The Nature of Statistical Learning Theory. New York: Springer;1995.
Vapnik VN. Statistical learning theory. New York:, Wiley;1998.
Basak D, Pal S, Patranabis DC. Support vector regression. Neural Inf Process.2007;11(2): 203-5.
Vapnik V, Chervonenkis A. The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognition and Image Analysis.1991;1(3): 283-305.
Yang XS. Firefly algorithms for multimodal optimization. In: International symposium on stochastic algorithms. 2009; 4(2): 169-78.
Yang XS, He X. Firefly algorithm: recent advances and applications. International Journal of Swarm Intelligence, 2013; 1(1): 36-50.
Zouache D, Arby YO, Nouioua F, Abdelaziz FB. Multi-objective chicken swarm optimization: a novel algorithm for solving multi-objective optimization problems. Computers & Industrial Engineering. 2019 Mar 1;129:377-91.
Alizadeh MJ, Kavianpour MR. Development of wavelet-ANN models to predict water quality parameters in Hilo Bay, Pacific Ocean. Marine Pollution Bulletin. 2015; 98(1–2):171–82.
Rajaee T, Khani S, Ravansalar M. Artificial intelligence-based single and hybrid models for prediction of water quality in rivers: a review. Chemom Intell Lab Syst, 2020; 200(4):186–97.
Zhu N, Ji X, Tan J, Jiang Y, Gou Y. Prediction of dissolved oxygen concentration in aquatic systems based on transfer learning. Comput Electron Agric, 2021; 180(3):385–99.
Li T, Zhang L, & Murakami H. Strengthening of the Walker circulation under globalwarming in an aqua-planet general circulation model simulation. Adv. Atmos. Sci, 2015; 32(3): 1473–80.
Affandi A, Watanabe K. Daily groundwater level fluctuation using soft computing technique. J Nat Sci , 2007; 5(2):1–10.
Zeidalinejad N, Dehghani R. Use of meta-heuristic approach in the estimation of aquifer's response to climate change under shared socioeconomic pathways. Groundwater for Sustainable Development, 2023; 20(4):453-72.
Dehghani R, Babaali H. Evaluation of Statistical Models and Modern Hybrid Artificial Intelligence in Simulation of Runoff Precipitation Process. Sustain. Water Resour. Manag, 2022; 154(8): 225-42.
درواری زهرا، غلامی وحید، درخشان شهرام. شبیه‌سازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی(ANN) در سواحل استان مازندران. علوم و مهندسی آبیاری، 1395؛ 36(2):70-61 .