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

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. 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) آب خوان های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل های شبکه عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) استفاده گردیده است. در رویکرد اول، تخمین ها به ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش های شش ماه و مختصات چاهک های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب های 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 به ترتیب برابر با (meq/l) 1.218، (meq/l) 0.867 و (µmos/cm) 175.742 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به ترتیب برابر با (meq/l) 1.268، (meq/l) 0.933 و (µmos/cm) 186.448 می باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه گیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر ca، na و ec تعیین گردید. نتایج تخمین ها در بخش دوم نشان داد که هر یک از دو مدل ann و svm عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته اند. مقدار خطای مدل ann برای متغیرهای ca، na و ec در دوره صحت سنجی به ترتیب برابر با (meq/l) 0.662، (meq/l) 0.305 و (µmos/cm) 47.346 بوده است و این مقادیر برای مدل svm به ترتیب برابر با (meq/l) 0.671، (meq/l) 0.356 و (µmos/cm) 55.412 می باشد. 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 آب خوان ها دارند. همچنین عملکرد مدل svm نسبت به مدل ann، به ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می باشد. نتایج بخش دوم نشان داد که آزمون گاما می تواند به صورت کاملا کابردی و دقیق در تعیین ترکیب های ورودی موثر مورد استفاده قرار گیرد.

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

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.