Simulation of Groundwater Level Aquifer of Baft Plain Using the Radial Basis Function Neural Network Model

Akbarifard, Saeid; Ansari, Hoshang

doi:10.48306/jumee.2024.463175.1049

Simulation of Groundwater Level Aquifer of Baft Plain Using the Radial Basis Function Neural Network Model

Authors

Saeid Akbarifard ¹

Hoshang Ansari ²

¹ Department of Water Engineering, Faculty of Civil and Surveying .Engineering, Graduate University of Advanced Technology, Kerman, Iran.

² Master of Water Resources Management and Director of Technical and Soil Mechanics Laboratory of Khersan Dam and Power Plant, Ministry of Roads and Urban Development.

https://doi.org/10.48306/jumee.2024.463175.1049

Abstract

Groundwater has always been considered as one of the important and basic resources of drinking, agricultural and environmental water supply, especially in dry areas. Simulating the groundwater level of a region plays an important role in water resources management. For this reason, today the simulation of the groundwater level using mathematical and computer models with relatively low time and cost is of interest in groundwater studies. In the present study, the groundwater level of Baft area located in Kerman province was simulated using the radial basis function neural network (RBFNN) model. The parameters of precipitation, evaporation, river flow, water demand of the region, amount of abstraction from the aquifer and the level of groundwater with a time delay period as input and the level of the water table in the desired period as the output of the model in a monthly time scale during the statistical period (2002-2016) was selected. Also, in order to evaluate the performance of the model, the statistical indices of egression coefficient (R2), root mean squared error (RMSE), mean absolute error (MAE), mean square error (MSE), normalized mean square error (NMSE) and Willmott’s index of agreement (d) were used. The results of the statistical indicators showed that the radial basis function neural network with R2, RMSE, MAE, MSE, NMSE and d, 0.9989, 0.1256, 0.064, 0.0158, 0.0011, and 0.9997 have a high ability to simulate the groundwater level and provide reliable results.

Keywords

Simulation of Groundwater Level Aquifer

Radial Basis Function Neural Network

Groundwater

Hydrogeological model

1-ملک زاده، م؛ کاردار، س؛ شعبانلو، س. شبیه سازی تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک-ماشین آموزش نیرومند خودتطبیقی. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 1399، 51(4 )، 975-986. SID. https://sid.ir/paper/365923/fa

2-کریمیان، ع؛ اگدرنژاد، ا. شبیه سازی پارامترهای شوری و سطح آب زیرزمینی دشت رامهرمز با استفاده از مدل شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی بهینه شده. پژوهش در بهداشت محیط، 1400، 7(1 )، 17-26. SID. https://sid.ir/paper/1081510/fa

3-ترابی پوده، ح؛ نصرالهی، ع. ح؛ دهقانی، ر. ارزیابی مدل شبکه عصبی موجک در پیش بینی منابع آب زیرزمینی (مطالعه موردی: استان لرستان, ایران). هیدروژئولوژی، 1400، 6(1 )، 1-12. SID. https://sid.ir/paper/1036278/fa

4-کماسی، م؛ قشلاقی، ن؛ شرقی، س. پیش بینی تراز سطح آب با استفاده از مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی. مهندسی عمران و محیط زیست (دانشکده فنی)، 1401، 52(3 (پیاپی 108) )، 105-115. SID. https://sid.ir/paper/1051218/fa

5-عسکری، ج؛ اگدرنژاد، ا. مدل سازی آب زیرزمینی با استفاده از روش های هوش مصنوعی (مطالعه موردی: دشت دزفول-اندیمشک). پژوهش در بهداشت محیط، 1401، 8(2 )، 160-171. SID. https://sid.ir/paper/1081450/fa

6-Daliakopoulos, I. N., Coulibaly, P., and Tsanis, I. K. Groundwater level forecasting using artificial neural networks. Journal of hydrology, 2005. 309(1-4), 229-240.‏ https://doi.org/10.1016/j.jhydrol.2004.12.001

7-Nourani, V., Mogaddam, A. A., and Nadiri, A. O. An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes: An International Journal, 2008. 22(26), 5054-5066.‏ https://doi.org/10.1002/hyp.7129

8-Chitsazan, M., Rahmani, G., and Neyamadpour, A. Groundwater level simulation using artificial neural network: a case study from Aghili plain, urban area of Gotvand, south-west Iran. Geopersia, 2013. 3(1), 35-46.‏ DOI: 10.22059/jgeope.2013.31930

9-Khaki, M., Yusoff, I., and Islami, N. Simulation of groundwater level through artificial intelligence system. Environmental Earth Sciences, 2015. 73, 8357-8367.‏ https://doi.org/10.1007/s12665-014-3997-8

10-Malekzadeh, M., Kardar, S., and Shabanlou, S. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 2019. 9, 100279. ‏ https://doi.org/10.1016/j.gsd.2019.100279

11-شرکت سهامی آب منطقه ای کرمان، طرح مطالعات زیست محیطی، منابع و مصارف حوضه غرب جازموریان با رویکردی سیستمی و جامع نگر، گزارش شرکت مهندسین مشاور یکم، وزارت نیرو، 1388.

12-یقینی، م؛ اخوان کاظم زاده، م. ر. الگوریتم‌های بهینه‌سازی فراابتکاری، تالیف. چاپ اول، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 1390، 448 ص.

13-منهاج، م. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر حسابی، تهران، 1377، 715 صفحه.

14-محمدی زاده، ر. مدل‌سازی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و سری‌های زمانی چندمتغیره. پایان‌نامه کارشناسی ارشد، دانشگاه باهنر کرمان، 1391.

15-شهریار شاه حسینی، ه؛ موسوی میر کلائی، س. م؛ ملاجعفری، م. الگوریتم‌های تکاملی مبانی، کاربردها، پیاده سازی، تالیف، چاپ اول، انتشارات دانشگاه علم و صنعت ایران، 1391، 590 ص.

16-Kia, E., Emadi, A. R., and Fazlola, R. Investigation and evaluation of artificial neural networks in Babolroud River suspended load estimation. Journal of Civil Engineering and Urbanism, 2013. 3(4), 183-190.‏ http://www.ojceu.ir/main/

17-Rosenblatt, J. S., and Aronson, L. R. The decline of sexual behavior in male cats after castration with special reference to the role of prior sexual experience. Behaviour, 1958. 12(4), 285-338.‏