
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,655,364 |
تعداد دریافت فایل اصل مقاله | 8,259,363 |
حداقلسازی تعداد چاههای شبکه اندازهگیری سطح آب زیرزمینی در منطقه با استفاده از روشهای زمینآمار و بهینهسازی (مطالعه موردی : دشت دزفول-اندیمشک) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 5، دوره 25، شماره 3، مرداد و شهریور 1397، صفحه 79-96 اصل مقاله (826.12 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.14879.2994 | ||
نویسندگان | ||
علی رئیسی عیسی آبادی* 1؛ حمیدرضا غفوری2؛ محسن مسلمزاده3 | ||
1دانشگاه شهرکرد | ||
2دانشگاه شهید چمران | ||
3سازمان آب و برق خوزستان -کارشناس ارشد منابع آب | ||
چکیده | ||
سابقه و هدف: آبهای زیرزمینی هم به دلیل کمیت و هم به دلیل کیفیت جزء با ارزشترین منابع آب بهشمار میروند. اندازهگیری تراز سطح آب زیرزمینی یکی از گامهای اساسی و ضروری مطالعات آب زیرزمینی محسوب میشود. از آنجا که اندازهگیری دادهها در نقاط محدودی انجام میشود، و از طرفی این اندازهگیریها بایستی به سطح تعمیم داده شود، تعیین محلهای بهینه اندازهگیری شبکه امری مهم بهشمار میرود. بر همین اساس در مطالعه حاضر با هدف کاهش تعداد چاههای اندازهگیری (چاههای مشاهدهای)، تعدادی از چاهها بهگونهای حذف گردید که چاههای باقیمانده یک ترکیب بهینه داشته باشند. مواد و روشها: در این پژوهش دشت دزفول- اندیمشک واقع در شمال استان خوزستان به عنوان مطالعه موردی مبنای کار قرار گرفت. روش کریجینگ که بهترین تخمینگر خطی نااریب بهشمار میرود برای میانیابی مورد استفاده قرار گرفت. براساس دادههای اندازهگیری شده 76 چاه مشاهدهای مورد مطالعه در این دشت، یک واریوگرام تئوری بر دادههای واریوگرام تجربی برازش داده شد. سپس بهمنظور یافتن ترکیب بهینه چاهها از یک روش بهینهسازی تحت عنوان الگوریتم تابو (که یک الگوریتم فراکاوشی محسوب میشود) بهره گرفته شد. بدین منظور دو برنامه کامپیوتری شامل GSLIB برای مدل کردن روش کریجینگ و MATLAB برای انجام محاسبات الگوریتم جستجوی تابو مورد استفاده قرار گرفتند. با اتصال دادن این دو برنامه و فراهم آوردن شرایطی برای تبادل اطلاعات میان آنها، یک مدل تحت عنوان مدل بهینهساز بهگونهای حاصل شد تا قابلیت بهینهسازی شبکه اندازهگیری سطح آب زیرزمینی فراهم گردد. توزیع چاهها بهگونهای صورت میگیرد که واریانس خطای تخمین کریجینک در محدوده مورد مطالعه حداقل گردد. یافتهها: مدل بهینهساز حاصل برای پنج حالت کاملاً متفاوت اجرا گردید. در حالتهای اول تا سوم که هدف آن صرفاً صحتسنجی مدل بوده، بترتیب انتخاب بهینه یک، دو و سه چاه مشاهدهای ارائه شد که با مقایسه با روش جستجوی کامل، صحت کارکرد مدل مورد تأیید قرار گرفت. در حالتهای چهارم و پنجم، انتخاب بهینه 50 و 60 چاه مشاهدهای از میان 76 چاه موجود ارائه گردید که تراز سطح آب زیرزمینی برای این حالتها مورد مقایسه قرار گرفت و حاکی از تطابق خوب نتایج در مقایسه با تراز سطح آب زیرزمینی ناشی از کل چاهها (76 چاه) میباشد. نتیجهگیری: با توجه به اینکه واریوگرام منطقه یک واریوگرام همسانگرد بوده، توزیع چاهها نیز در امتدادهای مختلف بطور یکنواخت بوده، این نتیجه براساس نتایج حالتهای اول تا سوم که تعداد چاهها کم میباشد بخوبی ملموس میباشد. نتایج حاصل از بهینهسازی 50 و 60 چاه مشاهدهای بدون هیچگونه دخالتی در طی فرایند بهینهسازی توسط مدل حاضر و بطور خودکار ارائه شده که مقایسات تراز سطح آب زیرزمینی دقت نتایج مدل را تایید میکند. همچنین نتایج حاکی از صرفه جویی بسیار زیاد زمان بواسطه استفاده از مدل حاضر میباشد. | ||
کلیدواژهها | ||
آب زیرزمینی؛ شبکه اندازهگیری؛ زمینآمار؛ بهینهسازی؛ الگوریتم جستجوی تابو | ||
مراجع | ||
1.http://water.usgs.gov/edu/watercycle.html. The Water Cycle - USGS Water Science School. United States Geological Survey (USGS).
2.Hassani Pak, A.A. 2008. Geostatistics. Tehran University, Tehran, Iran, 314p.
3.Liu, S., Mo, X., Li, H., Peng, G., and Robock, A. 2001. Spatial Variation of Soil Moisture in China: Geostatistical Characterization. J. Meteorol. Soc. Japan. 79: 1B. 555-574.
4.Sharma, M.L., Gander, G.A., and Hunt, C.G. 1980. Spatial variability of infiltration in a watershed. J. Hydrol. 45: 1-2. 101-122.
5.Sun, W., and McBratney, A. 2012. Analysis and prediction of soil properties using local regression-kriging. Geoderma. 171: 1. 16-23.
6.Cheng, K.-S., Wei, C., Cheng, Y.-B., and Yeh, H.-C. 2003. Effect of spatial variation characteristics on contouring of design storm depth. Hydrological Processes. 17: 9. 1755-1769.
7.Pardo-Igúzquiza, E. 1998. Optimal selection of number and location of rainfall gauges for areal rainfall estimation using geostatistics and simulated annealing. J. Hydrol. 210: 1-4. 206-220.
8.Kebaili Bargaoui, Z., and Chebbi, A. 2009. Comparison of two kriging interpolation methods applied to spatiotemporal rainfall. J. Hydrol. 365: 1-2. 56-73.
9.Asakereh, H. 2008. Kriging Application in Climatic Element Interpolation, A Case Study: Iran Precipitation. Geograph. Dev. Iran. J. 6: 12. 25-42. (In Persian)
10.Tsintikidis, D., Georgakakos, K.P., Sperfslage, J.A., Smith, D.E., and Carpenter, T.M. 2002. Precipitation Uncertainty and Raingauge Network Design within Folsom Lake Watershed. J. Hydrol. Engin. 7: 2. 175-184. 11.Barca, E., and Passarella, G. 2008. Spatial evaluation of the risk of groundwater quality degradation. A comparison between disjunctive kriging and geostatistical simulation. Environmental Monitoring and Assessment. 137: 1-3. 261-273.
12.Barca, E., Bruno, D.E., and Passarella, G. 2016. Optimal redesign of environmental monitoring networks by using software MSANOS. Environmental Earth Sciences. 75: 14. 1082.
13.Ghahraman, B., Hosseini, S.M., and Asgari, H.R. 2003. Use of Geostatistics in Evaluation of Groundwater Quality Monitoring Network. Amirkabir J. Sci. Res. 30: 1. 971-981. (In Persian)
14.Karamouz, M., Kerachian, R., Akhbari, M., and Hafez, B. 2009. Design of River Water Quality Monitoring Networks: A Case Study. Environmental Modeling and Assessment. 14: 6. 705-714. 15.Ben-Jemaa, F., and Mariño, M.A. 1990. Optimization of a Groundwater Well Monitoring Network. Optimizing the Resources for Water Management, Proceeding Paper, American Society of civil Engineers (ASCE), Pp: 610-614.
16.Prakash, M.R., and Singh, V.S. 2000. Network design for groundwater monitoring - a case study. Environmental Geology. 39: 6. 628-632.
17.Kumar, V., and Remadevi. 2006. Kriging of Groundwater Levels – A Case Study. J. Spatial Hydrol. 6: 1. 12.
18.Nikroo, L., Kompani-Zare, M., Sepaskhah, A.R., and Fallah Shamsi, S.R. 2010. Groundwater depth and elevation interpolation by kriging methods in Mohr Basin of Fars province in Iran. Environmental Monitoring and Assessment. 166: 1-4. 387-407.
19.Noori, S.M., Ebrahimi, K., Liaghat, A.M., and Hoorfar, A.H. 2013. Comparison of different geostatistical methods to estimate groundwater level at different climatic periods. Water Environ. J. 27: 1. 10-19.
20.Zamani, R., Akhondali, A.M., Zarei, H., and Radmanesh, F. 2014. Estimation of the groundwate level by using a combined optimized method with Genetic Algorithms in Ramhormoz plain. Irrig. Water J. 4: 15. 26-38. (In Persian)
21.Mirzaei, N., Maroofpour, S., and Dinpashoh, Y. 2016. Estimation of the Groundwater Level using the Geostatistics; Case Study Tabriz plain. 5th Comprehensive Water Resources Management Conference, Pp: 1-9. (In Persian)
22.Zamani, R., Akhond-Ali, A.M., and Zarei, H. 2017. An application of combined geostatistics with optimized artificial neural network bygenetic algorithm in estimation of groundwater Level (Case study: Dezful and Zeidoon plains). Irrigation Sciences and Engineering. 40: 2. 27-37. (In Persian) 23.Kord, K. 2017. Modeling of groundwater level fluctuations in Interaction with Dez river. M.Sc. Thesis, Khoramshahr Marine Science and Technology University, Khoramshahr, Iran, 86p. (In Persian)
24.Lee, Y.-M., and Ellis, J.H. 1996. Comparison of Algorithms for Nonlinear Integer Optimization: Application to Monitoring Network Design. J. Environ. Engin. 122: 6. 524-531.
25.Nunes, L.M., Cunha, M.C., and Ribeiro, L. 2004. Groundwater Monitoring Network Optimization with Redundancy Reduction. J. Water Resour. Plan. Manage. 130: 1. 33-43.
26.Safari, M. 2002. Determination of Optimal Groundwater Piezometric Network Using Geostatistics Methods. M.Sc. Thesis, Tarbiyat Modares University, Tehran, Iran, 135p. (In Persian) 27.Dehghani, A.A., Asgari, M., and Mosaedi, A. 2009. Comparision of Geostatistics, Artifitial Neural Networks and Adaptive Neuro-Fuzzy Inference System Approaches in Groundwater Level Interpolation, Case study: Ghazvin Aquifer. J. Agric. Sci. Natur. Resour. 16: 1-b. 517-529.
28.Nikroo, L., Kompani-Zare, M., and Sepaskhah, A.R. 2009. Optimization of groundwater level measuring network using geostatistics, A case study: Mohr basin in Fars Province. 3th Iranian Water Resources Management Conference, Tabriz, Iran, Pp: 1-9. (In Persian)
29.Ganji Khoramdel, N., Keykhaei, F., Mohammadi, K., and Monem, M.J. 2015. Optimization of Groundwater Elevation Monitoring Network Using Particle Swarm Optimization Technique. J. Hydr. 3: 1. 25-35. (In Persian)
30.Mirzaie-Nodoushan, F., Bozorg-Haddad, O., and Loaíciga, H.A. 2017. Optimal design of groundwater-level monitoring networks. J. Hydroinf. 19: 6. 920-929.
31.Glover, F. 1990. Tabu search: A tutorial. Interfaces. 20: 4. 74-94. | ||
آمار تعداد مشاهده مقاله: 530 تعداد دریافت فایل اصل مقاله: 987 |