شبیه سازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، الگوریتم بهینه‌سازی ذرات و مدل SEAWAT (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشگاه شهید چمران اهواز

2 استادیار دانشکده علوم آب دانشگاه چمران اهواز

3 استاد دانشکده علوم آب دانشگاه شهید چمران اهواز

4 دانش آموخته دکتری گروه مهندسی آب دانشگاه شهید چمران اهواز

چکیده

سابقه و هدف: شوری خاک عامل مهم در کاهش عملکرد مزارع نیشکر واقع در جنوب غربی ایران می‌باشد. بنابراین مطالعه و پایش این عامل در زمین‌های تحت کشت نیشکر، امری لازم و ضروری می‌باشد. اما با توجه به وسعت زیاد مناطق زیر کشت نیشکر و تعدد زیاد مزرعه‌ها، مطالعه و پایش این عوامل در هر مزرعه بسیار وقت‌گیر و پرهزینه است. استفاده از مدل‌های کامپیوتری با توجه به سرعت بالا و هزینه کم، به‌عنوان گزینه‌ای مناسب جهت پایش اراضی مذکور در نظر گرفته می‌شود. بنابراین تحقیق حاضر با هدف دست‌یابی به بهترین و مناسب‌ترین روش‌ها و مدل‌های تخمین میزان شوری خاک با استفاده از مدل‌های شبکه عصبی (شبکه عصبی مصنوعی و الگوریتم تجمع ذرات) و مدل SEAWAT، در مزرعه R9-11از مزارع نیشکر دعبل خزاعی خوزستان صورت پذیرفت. در سال‌های اخیر به دلیل به آسانی کاربرد و دقت بالای این مد‌ل‌ها در تقریب معادله‌های غیرخطی و پیچیده ریاضی، استفاده از این مدل‌ها افزایش پیدا کرده است. ساعی و همکاران (2009)، از مدل شبکه عصبی برای پیش‌بینی شوری خاک استفاده کردند و کارائی خوب این مدل را در پیش‌بینی شوری خاک تایید نمودند.
مواد و روش‌ها: در این پژوهش از شبکه عصبی مصنوعی (ANN)، الگوریتم تجمع ذرات) PSO+ANN) و مدل SEAWAT برای پیش‌بینی شوری آب زیرزمینی استفاده شده است. بدین منظور مزرعه R9-11از مزارع نیشکر دعبل خزاعی خوزستان انتخاب و تعدادی پیزومتر در فواصل مختلف از جمع کننده زهاب در 7 دسته که هر دسته شامل اعماق 2.2، 3، 4 و 5 متری از سطح زمین می‌باشد، در لایه های مختلف از سطح خاک نصب گردید. تغییرات شوری آب زیرزمینی از آبان ماه سال 1392 تا مهر ماه سال 1393 بصورت روزانه برداشت شد. همچنین مقادیر حجم آب آبیاری، شوری آب آبیاری و شوری زهاب در این بازه زمانی اندازه گیری و به عنوان ورودی به شبکه عصبی معرفی شدند. از معضلاتی که در استفاده از شبکه عصبی وجود دارد، مسئله آموزش آن می‌باشد که به روش پس انتشار خطا آموزش داده می‌شود. در انجام این پژوهش با استفاده از آموزش به روش PSO تلاش می‌گردد این مشکل برطرف شود.
یافته‌ها: نتایج نشان داد که بالاترین دقت در پیش‌بینی شوری آب زیرزمینی مربوط به مدل شبکه عصبی با آموزش الگوریتم تجمع ذرات می‌باشد. به طوری‌که مقدارمیانگین RMSE اعماق مختلف بین مقادیر اندازه‌گیری شده و شبیه‌سازی شده با مدل‌های شبکه عصبی مصنوعی، الگوریتم تجمع ذرات و SEAWAT به ترتیب برابر 0.092، 0.017 و 0.745 بدست آمد.
نتیجه گیری: به طور کلی مقادیر RMSE و MAPE برای ارزیابی دقت مدل‌ها نشان از دقت بالای هر سه مدل (شبکه عصبی مصنوعی، الگوریتم تجمع ذرات و مدل SEAWAT) در شبیه‌سازی شوری آب زیرزمینی می‌باشند که از علل اصلی آن می‌توان به اندازه‌گیری دقیق ورودی‌های مدل‌ها اشاره کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Simulation of groundwater salinity using Artificial Neural Network (ANN) , Particle Swarm Optimization (PSO) and SEAWAT model. (Case study: Debal khazaie sugarcane plantation)

چکیده [English]

Background and Objectives: Soil salinity is main factors which adversely affect the sugarcane yield in the southwest of Iran. Therefore, assessment and monitoring of these factors are important issue in this area. Due to the large area of sugarcane fields in this area, monitoring of these factors are very time-consuming and costly. computers models can be considered as an appropriate approach for dealing with this problem. Therefore, this research was conducted to find a suitable model for simulation soil salinity in sugarcane fields by using Nural Network models and SEAWAT model. In recent years the use of intelligent models to predict the groundwater salinity is increasing rapidly due to the ease of use and accuracy of these models in the non-linear equations, and complex mathematical returns Taqrib. Use of models saves time and costs and also provides accurate results. ANN methodology has been applied in almost all branches of science with good results during the last decades. (Saey et al, 2009), neural network model (Artificial Neural Network, Particle swarm optimization( to predict Soil used salinity and good performance of the model to predict soil salinity confirmed.


Materials and Methods: In this study, Artificial Neural Networks (ANN), Particle Swarm Optimization) PSO + ANN) and SEAWAT model is used to predict groundwater salinity For this purpose, field R9-11 of the Debal Khazaei sugarcane plantation is selected and number piezometers were installed in different depth and distance from collector. piezometers were in 7 categories, each category includes depths of 2.2, 3, 4 and 5 meters above ground level , was installed in different layers of soil. The volume of irrigation water, salinity of irrigation water and salinity drainage water in this period measurements from November 2013 to October 2014 on a daily basis. Of the problems that exist in the use of Artificial neural networks, the problem is education. In this study, using education PSO ) Particle swarm optimization) method is trying to fix this.

Results: The results showed that the the Particle Swarm Optimization method has a highest accuracy in predicting groundwater salinity. So that the average RMSE in different depths between measured and predicted with artificial neural network, Particle swarm optimization and SEAWAT obtained 0.092, 0.017 and 0.745 , respectively.

Conclusion: Overall, the results of this study showed high accuracy of studied models(Artificial Neural Network, Particle swarm optimization and SEAWAT) for simulation of groundwater salinity that's because accurate measurement of input parameters.

Keywords: Salinity, SEAWAT, Simulation, Neural Network,Mathlab

کلیدواژه‌ها [English]

  • Salinity
  • SEAWAT
  • simulation
  • neural network
  • Matlab