| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,051 |
| تعداد مقالات | 34,085 |
| تعداد مشاهده مقاله | 46,564,422 |
| تعداد دریافت فایل اصل مقاله | 77,613,730 |
شبکه بهینه پایش آب زیرزمینی با استفاده از رویکرد ترکیبی داده کاوی و الگوریتم ژنتیک NSGA-II (آبخوان شمیل-آشکارا، استان هرمزگان) | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 اسفند 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.368522.1614 | ||
| نویسندگان | ||
| حمید غلامی* 1؛ مجتبی محمدی2؛ مریم زارع3؛ حوریه زحمتکش کارمی4؛ آرش جمشیدی5 | ||
| 1استاد، گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| 2عضو هیات علمی گروه احیاء مناطق خشک و بیابانی، دانشگاه سراوان سراوان-ایران | ||
| 3رئیس گروه تحقیقات کاربردی شرکت سهامی آب منطقه‌ای، استان هرمزگان. | ||
| 4کارشناس مطالعات منابع آب زیرزمینی گروه مطالعات پایه شرکت آب منطقه‌ای هرمزگان | ||
| 5رئیس حفاظت وبهره برداری از منابع آب میناب. | ||
| چکیده | ||
| منابع آب زیرزمینی نقش حیاتی در تأمین نیازهای مختلف جوامع انسانی و حفظ تعادل اکولوژیکی ایفا می‌کنند. این منابع بخش قابل توجهی از ذخایر آب شیرین قابل دسترس در جهان را تشکیل می‌دهند و به طور گسترده‌ای در کشاورزی، صنعت و مصارف خانگی استفاده می‌شوند. با این حال، افزایش تقاضای جهانی برای آب، همراه با تأثیرات منفی تغییرات اقلیمی و آلودگی، منجر به بهره‌برداری غیرپایدار از این منابع حیاتی شده است. استخراج بیش از حد آب زیرزمینی عواقب شدیدی را به همراه داشته است که شامل کاهش سطح آب، deteriorating کیفیت آب، تخلیه چاه‌ها و نشست زمین می‌باشد. این چالش‌ها نیاز به پیاده‌سازی استراتژی‌های مدیریتی مؤثر برای اطمینان از استفاده پایدار از منابع آب زیرزمینی را ضروری می‌سازد. ارزیابی و پیش‌بینی دقیق سطح آب زیرزمینی (GWL) برای تصمیم‌گیری آگاهانه و مدیریت پایدار آب زیرزمینی ضروری است. مدل‌های سنتی مبتنی بر فیزیک، هرچند مؤثر هستند، معمولاً به داده‌های ورودی گسترده و پارامترهای هیدروژئولوژیکی دقیقی نیاز دارند. از سوی دیگر، تکنیک‌های یادگیری ماشین (ML) رویکردی جایگزین ارائه می‌دهند که می‌تواند پیش‌بینی GWL را با نیاز به داده‌های کمتر انجام دهد. این مطالعه بر بهینه‌سازی شبکه موجود چاه‌های آب زیرزمینی در دشت شمیل-اشکاره در استان هرمزگان شمال شرقی ایران تمرکز دارد. هدف اصلی شناسایی مکان‌های بهینه برای چاه‌های آب زیرزمینی و حذف چاه‌های اضافی با استفاده از روش‌های تصمیم‌گیری چندمعیاره مانند فرآیند تحلیل سلسله‌مراتبی (AHP) و تحلیل مؤلفه‌های اصلی (PCA) است. منطقه مطالعه شامل دشت شمیل-اشکاره است که دارای تشکیل‌های زمین‌شناسی متنوع، عمدتاً رسوبات آواری کواترنری و اقلیم نیمه‌خشک با بارندگی محدود و نرخ تبخیر بالا می‌باشد. کاربری‌های اصلی زمین در این منطقه شامل مرتع، کشاورزی و مناطق مسکونی است. روش‌شناسی تحقیق شامل یک رویکرد چندمرحله‌ای بود. در ابتدا، از روش AHP برای شناسایی مکان‌های مناسب برای چاه‌های مشاهده‌ای جدید استفاده شد. هشت معیار بر اساس مرور ادبیات، راهنماهای وزارت نیرو و نظرات کارشناسان انتخاب شدند: میانگین سطح آب زیرزمینی در بلندمدت، نرخ کاهش سالانه آب زیرزمینی، شیب تغییرات کاهش، چگالی چاه‌های بهره‌برداری، فاصله از رودخانه، تشکیل زمین‌شناسی، کاربری زمین و فاصله از گسل‌ها. مقایسه‌های دوتایی با استفاده از مقیاس ۱ تا ۹ انجام شد تا وزن‌های نسبی هر معیار تعیین شود. نسبت سازگاری (CR) برای اطمینان از اعتبار قضاوت‌های کارشناسان محاسبه شد. تحلیل فضایی با استفاده از نرم‌افزار ArcGIS برای ترکیب نقشه‌های معیار وزنی و تولید نقشه نهایی اولویت‌بندی مکان‌های چاه‌های آب زیرزمینی انجام شد. شبکه نظارتی موجود با ساخت چندضلعی‌های تی‌سن برای هر چاه ارزیابی شد تا مناطق تأثیر مربوطه آن‌ها را مشخص کند. میانگین نمره مکان برای هر چندضلعی محاسبه شد و چاه‌هایی که نمرات زیر ۰.۳ داشتند، نامناسب تشخیص داده شدند. برای تأیید انتخاب چاه‌های نامناسب، آزمون‌های همگنی بر روی داده‌های هیدروگرافی آن‌ها با استفاده از روش‌های Petits و آزمون همگنی نرمال استاندارد (SNHT) انجام شد. تحلیل مؤلفه‌های اصلی (PCA) برای تعیین اهمیت نسبی چاه‌های موجود به کار رفت. یک رویکرد حذف تدریجی به کار گرفته شد که در آن هر چاه به صورت تکراری حذف شد و همبستگی بین چاه‌های باقی‌مانده و مؤلفه اصلی اول (PC1) محاسبه شد. میانگین این ضرایب همبستگی نمایانگر اهمیت نسبی هر چاه بود. عدم قطعیت ناشی از حذف چاه‌های کم‌اهمیت با محاسبه میانگین ضریب تغییرات (CV) سطح آب زیرزمینی سالانه ارزیابی شد. روش کریگینگ برای درون‌یابی سطح آب زیرزمینی تحت دو سناریو استفاده شد: یکی با استفاده از همه چاه‌های مشاهده‌ای و دیگری با حذف چاه‌های کم‌اهمیت شناسایی شده توسط AHP و PCA. مدل واریوگرام گاوسی بهترین تناسب را با داده‌های تجربی داشت. ریشه میانگین مربعات خطا (RMSE) برای ارزیابی دقت درون‌یابی تحت هر دو سناریو محاسبه شد. در نهایت، الگوریتم NSGA-II برای تعیین پیکربندی بهینه شبکه چاه‌های آب زیرزمینی با در نظر گرفتن تعادل بین تعداد چاه‌ها و دقت درون‌یابی به کار رفت. این الگوریتم از نمایندگی کروموزومی باینری استفاده کرد که در آن هر ژن نشان‌دهنده وجود یا عدم وجود یک چاه بود. اهداف تابع شامل حداقل‌سازی تعداد چاه‌ها و RMSE بین سطوح آب زیرزمینی مشاهده‌شده و برآورد شده بود. تحلیل AHP نشان داد که مناطق جنوبی و جنوب‌شرقی دشت شمیل-اشکاره بالاترین اولویت را برای قرارگیری چاه‌های آب زیرزمینی دارند، به دلیل تمرکز فعالیت‌های کشاورزی، چگالی بالای چاه‌های بهره‌برداری، کاهش قابل توجه سطح آب زیرزمینی و نرخ‌های بالای کاهش. تحلیل چندضلعی تی‌سن پنج چاه (W7، W9، W12، W14 و W16) را به عنوان نامناسب شناسایی کرد که به دلیل نمرات پایین مکان و پوشش ناکافی آبخوان بودند. آزمون‌های همگنی عدم مناسبت این چاه‌ها را تأیید کردند که نشان‌دهنده داده‌های هیدروگرافی غیرهمگن بود که احتمالاً ناشی از استخراج بیش از حد آب زیرزمینی است. PCA مجموعه‌های مختلفی از چاه‌های کم‌اهمیت را نسبت به AHP شناسایی کرد که منعکس‌کننده روش‌ها و داده‌های ورودی متفاوت استفاده شده توسط هر تکنیک است. حذف چاه‌های کم‌اهمیت بر اساس AHP منجر به کاهش خطای استاندارد درون‌یابی شد، در حالی که حذف چاه‌ها بر اساس PCA خطا را افزایش داد. با این حال، هر دو روش منجر به افزایش RMSE شدند که نشان می‌دهد حذف این چاه‌ها دقت کلی درون‌یابی را بهبود نبخشیده است. الگوریتم NSGA-II یک جبهه پارتو را تولید کرد که نمایانگر تعادل بین تعداد چاه‌ها و RMSE است. پیکربندی بهینه شبکه که تعادل هزینه و دقت را برقرار می‌کند، شامل ۱۶ چاه آب زیرزمینی بود. این مطالعه نشان‌دهنده اثربخشی روش AHP در شناسایی مکان‌های بهینه برای چاه‌های آب زیرزمینی جدید در دشت شمیل-اشکاره است. ادغام عوامل زمین‌شناسی، هیدرولوژیکی و کاربری زمین فرآیند بهینه‌سازی را تقویت کرد. در حالی که PCA بینش‌هایی در مورد اهمیت نسبی چاه‌های موجود ارائه داد، حذف چاه‌های کم‌اهمیت بر اساس هر یک از AHP یا PCA دقت کلی درون‌یابی سطح آب زیرزمینی را بهبود نبخشید. الگوریتم NSGA-II در تعیین پیکربندی بهینه شبکه با در نظر گرفتن اهداف هزینه و دقت ارزشمند بود. توصیه می‌شود که روش AHP در دشت‌های دیگر برای بهینه‌سازی شبکه‌های نظارتی آب زیرزمینی به کار گرفته شود. تحقیقات آینده باید شامل متغیرهای اضافی مانند اندازه‌گیری‌های میدانی و خروجی‌های مدل‌های شبیه‌سازی آب زیرزمینی برای بهبود فرآیند بهینه‌سازی باشد | ||
| کلیدواژه‌ها | ||
| آب زیرزمینی؛ شبکه پایش؛ AHP؛ دشت شمیل-آشکارا؛ هرمزگان | ||
| عنوان مقاله [English] | ||
| Optimization of groundwater monitoring network using a combined data mining approach and NSGA-II genetic algorithm (Shamil-Ashkara aquifer, Hormozgan province) | ||
| نویسندگان [English] | ||
| Hamid Gholami1؛ Mojtaba Mohammadi2؛ Maryam Zare3؛ Hourieh Zhatkesh Karmi4؛ Arash Jamshidi5 | ||
| 1Professor, Department of Natural Resources Engineering, Faculty of Agricultural and Natural Resources Engineering, University of Hormozgan, Bandar Abbas | ||
| 2Scientific member of Reclamation of Arid and Desert Areas Dept., University of Saravan, Iran | ||
| 3Research department, hormozgan regional water | ||
| 4Research department, hormozgan regional water | ||
| 5Research department, hormozgan regional water. | ||
| چکیده [English] | ||
| Groundwater resources are essential for fulfilling the various needs of human societies and maintaining ecological equilibrium. They represent a substantial portion of the world’s accessible freshwater reserves and are widely used for agriculture, industry, and domestic purposes. However, the increasing global demand for water, coupled with the adverse impacts of climate change and pollution, has resulted in the unsustainable exploitation of these vital resources. Over-extraction of groundwater has led to severe consequences, including declining water tables, deteriorating water quality, well depletion, and land subsidence. These challenges necessitate the implementation of effective management strategies to ensure the sustainable utilization of groundwater resources. Accurate assessment and prediction of groundwater levels (GWL) are crucial for informed decision-making and sustainable groundwater management. Traditional physics-based models, while effective, often require extensive input data and precise hydrogeological parameters. Machine learning (ML) techniques offer an alternative approach, enabling GWL prediction with potentially limited data requirements. This study focuses on optimizing the existing piezometer network in the Shemil-Ashkara plain, located in northeastern Hormozgan province, Iran. The primary objective is to identify optimal piezometer locations and potentially eliminate redundant wells using multi-criteria decision-making (AHP) and principal component analysis (PCA). This approach leverages data mining and artificial intelligence techniques to enhance the efficiency and effectiveness of groundwater monitoring networks. Materials and Methods: The study area encompasses the Shemil-Ashkara plain, situated in northeastern Hormozgan province, Iran. The region is characterized by diverse geological formations, primarily Quaternary alluvial deposits, and a semi-arid climate with limited rainfall and high evaporation rates. The primary land uses in the area include rangeland, agriculture, and residential areas. The research methodology involved a multi-stage approach. Initially, the Analytic Hierarchy Process (AHP) method was employed to identify suitable locations for new observation wells. Eight criteria were selected based on a literature review, guidelines from the Ministry of Energy, and expert opinions: long-term average groundwater level, annual groundwater decline rate, slope of decline changes, density of exploitation wells, distance from the river, geological formation, land use, and distance from faults. Pairwise comparisons were conducted using a scale of 1 to 9 to determine the relative weights of each criterion. The consistency ratio (CR) was calculated to ensure the reliability of the expert judgments. Spatial analysis was performed using ArcGIS software to combine the weighted criteria maps and generate a final prioritization map for piezometer locations. The existing monitoring network was evaluated by constructing Thiessen polygons for each well to delineate their respective areas of influence. The average location score for each polygon was calculated, and wells with scores below 0.3 were deemed unsuitable. To validate the selection of unsuitable wells, homogeneity tests were conducted on their hydrographic data using the Petits and Standard Normal Homogeneity Test (SNHT) methods. Principal component analysis (PCA) was applied to determine the relative importance of the existing wells. A sequential elimination approach was employed, where each well was removed iteratively, and the correlation between the remaining wells and the first principal component (PC1) was calculated. The average of these correlation coefficients represented the relative importance of each well. The uncertainty associated with removing less important wells was assessed by calculating the average coefficient of variation (CV) of annual groundwater levels. Kriging was used to interpolate groundwater levels under two scenarios: using all observation wells and removing less important wells identified by AHP and PCA. The Gaussian variogram model provided the best fit to the experimental data. The root mean squared error (RMSE) was calculated to evaluate the accuracy of the interpolation under both scenarios. Finally, the Non-dominated Sorting Genetic Algorithm II (NSGA-II) was employed to determine the optimal piezometer network configuration, considering the trade-off between the number of piezometers and interpolation accuracy. The algorithm used a binary chromosome representation, where each gene corresponded to the presence or absence of a well. The objective functions were to minimize the number of piezometers and the RMSE between observed and estimated groundwater levels. The Inverse Distance Weighting (IDW) method was used to estimate groundwater levels for each chromosome. Results and Discussion: The AHP analysis revealed that the southern and southeastern regions of the Shemil-Ashkara plain exhibited the highest priority for piezometer placement due to the concentration of agricultural activities, a high density of exploitation wells, a significant groundwater level decline, and high decline rates. The Thiessen polygon analysis identified five wells (W7, W9, W12, W14, and W16) as unsuitable due to their low location scores and inadequate coverage of the aquifer. Homogeneity tests confirmed the unsuitability of these wells, indicating non-homogeneous hydrographic data potentially caused by over-extraction of groundwater. PCA identified different sets of less important wells compared to AHP, reflecting the distinct methodologies and input data used by each technique. Removing less important wells based on AHP resulted in a decrease in the standard error of interpolation, while removing wells based on PCA increased the error. However, both methods led to an increase in RMSE, suggesting that removing these wells did not improve overall interpolation accuracy. The NSGA-II algorithm generated a Pareto front representing the trade-off between the number of piezometers and RMSE. The optimal network configuration, balancing cost and accuracy, consisted of 16 piezometers. Conclusion and Suggestions: This study demonstrated the effectiveness of the AHP method in identifying optimal locations for new piezometers in the Shemil-Ashkara plain. The integration of geological, hydrological, and land use factors enhanced the optimization process. While PCA provided insights into the relative importance of existing wells, removing less important wells based on either AHP or PCA did not improve the overall accuracy of groundwater level interpolation. The NSGA-II algorithm proved valuable in determining the optimal network configuration, considering both cost and accuracy objectives. It is recommended to apply the AHP method in other plains for optimizing groundwater monitoring networks. Further research should explore the inclusion of additional variables, such as ground-based measurements and outputs from groundwater simulation models, to refine the optimization process. | ||
| کلیدواژه‌ها [English] | ||
| Groundwater, monitoring network, AHP, Dasht Shamil-Ashkara, Hormozgan | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 288 |
||