استفاده از رویکرد شبکه بیزین جهت پیش‌بینی سطح آب زیرزمینی (مطالعه موردی: آبخوان قزوین)

استفاده بی‌رویه از منابع آب زیرزمینی سبب شده تا وضعیت آبخوآن‌ها در شرایط بحرانی قرار گیرد. این مطالعه به ارائه یک چارچوب در استفاده از شبکه‌ بیزین در برآورد سطح آب زیرزمینی و تحلیل هیدروگراف آبخوان می‌پردازد. 5 متغیر دما، سطح آب زیرزمینی در ماه قبل، برداشت از آب زیرزمینی، تغذیه آبخوان و بارندگی به عنوان متغیرهای ورودی و سطح آب زیرزمینی در ماه فعلی به عنوان متغیر خروجی شبکه بیزین معرفی گردید. یک دوره آماری 10 ساله، 8 سال جهت آموزش و 2 سال جهت صحت‌سنجی مدل، استفاده شد. مدل شبکه بیزین در سه حالت صریح، خوشه‌بندی و حالت با تاخیر دو و سه ماهه اجرا و مورد تحلیل قرار گرفت. نتایج شبیه‌سازی در حالت صریح نشان داد که بیشتر چاه‌های مشاهده‌ای دارای همبستگی مناسبی بین سطح آب زیرزمینی شبیه‌سازی شده و مشاهداتی می‌باشد. نتایج حالت خوشه‌بندی نسبت به حالت صریح دارای دقت کمتری بود. در حالت سوم، تاخیر دو و سه ماهه جهت شبیه‌سازی استفاده شد. در این حالت نتایج نشان داد که میزان همبستگی بین سطح آب زیرزمینی مشاهده شده و شبیه‌سازی شده کاهش یافته است به گونه‌ای که در تاخیر زمانی یک ماهه، ریشه میانگین مجذور مربعات خطا برابر 1/87 متر، در حالت با تاخیر دو ماهه 3/76 متر و در حالت سه ماهه برابر 6/42 متر است. بنابراین، تاخیر زمانی یک ماهه جهت شبیه‌سازی‌ها انتخاب گردید و به منظور ارزیابی و برآورد تغییرات کل آبخوان از هیدروگراف آبخوان استفاده شد که نتایج حاکی از دقت مناسب نتایج برای کل آبخوان می‌باشد.

a bayesian network approach for predicting groundwater level (case study: qazvin aquifer)

excessive use of groundwater resources has put the aquifers in critical situations. this study provides a framework for using the bayesian network for groundwater level estimation and aquifer hydrograph analysis. five variables, temperature, the groundwater level in the previous month, groundwater withdrawal, aquifer feeding, and rainfall were used as input variables, and the groundwater level in the current month was used as an output variable in the bayesian network simulations. a 10-year statistical data, 8 years of data for model training and 2 years of data for model validation were used. the bayesian network model was implemented and analyzed in three explicit, clustering and two- and three-month delay states. explicit simulation results showed that most of the wells have a good correlation between the simulation and observed data. clustering results were less accurate than explicit ones. in the third case, two and three months delay data was used for simulations. the results showed that the correlation between observed and simulated groundwater levels decreased. at 1, 2 and 3 months delay statuses, root mean square error was 1.87 m, 3.76 m, and 6.42 m, respectively. therefore, the one-month lag time was chosen for the simulations and the aquifer hydrograph was used to evaluate and estimate total aquifer variations. the results indicate the appropriate accuracy of the aquifer parameters estimation.