مدل سازی و تهیه نقشه پتانسیل آب های زیرزمینی با استفاده از روش ترکیبی داده محور تابع شواهد قطعی- شاخص آنتروپی (مطالعه موردی: حوزه نجف آباد)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تربیت مدرس

2 دانشگاه خوارزمی

3 دانشگاه تهران

4 مرکز تحقیقات اصفهان

چکیده

سابقه و هدف: مدیریت ذخایر آب زیرزمینی به صورت پایدار یک چالش اصلی می باشد. هدف از ارزیابی ذخایر آب زیرزمینی فراهم کردن اطلاعات در رابطه با وضعیت حال حاضر ذخایر آب و فراهم کردن درکی از وضعیت آب های زیرزمینی در آینده می باشد. در سال های اخیر، پژوهشگران مختلفی تلاش کرده اند تا پتانسیل منابع آب زیرزمینی را با استفاده از روش های مختلف داده محور و دانش محور به همراه تکنیک های سنجش از دور و سیستم اطلاعات جغرافیایی ارزیابی کنند. هدف اصلی از این پژوهش شناسایی پارامترهای موثر در ذخیره آب های زیرزمینی و ارزیابی پتانسیل آب های زیرزمینی با استفاده از روش ترکیبی داده محور در حوزه آبخیز نجف آباد می باشد.
مواد و روش ها: منطقه مورد مطالعه بین طول جغرافیایی ً46 َ52 ْ50 تا ً48 َ41 ْ51 طول شرقی و ً06 َ18 ْ32 تا ً12 َ50 ْ32 عرض شمالی واقع شده است. به طور کلی به منظور تهیه نقشه پتانسیل آب های زیرزمینی 4 مرحله باید اجرا گردد که شامل 1- تهیه نقشه پراکندگی چاه های آب زیرزمینی و تقسیم آن به دو گروه آموزشی و اعتبارسنجی. داده های آموزشی به منظور محاسبه رابطه آماری بین چاه ها و فاکتورهای زمین محیطی موثر در ایجاد آب های زیرزمینی استفاده می شود و داده های اعتبارسنجی به منظور اعتبارسنجی نتایج استفاده می شود. 2- ایجاد پایگاه داده. در این مرحله، لایه های پارامترهای موثر در ایجاد آب های زیرزمینی با استفاده از منابع مختلف مانند پیمایشات میدانی و سنجش از دور تهیه گردید. تمامی لایه ها جهت استفاده در آنالیزهای بعد تبدیل به فرمت رستر گردند. 3- محاسبه ارتباط بین موقعیت چاه های آموزشی و فاکتورهای موثر در ایجاد آب های زیرزمینی با استفاده از مدل شاخص آنتروپی و کلاس های آنها با استفاده از تابع شواهد قطعی. سپس نقشه پتانسیل آب های زیرزمین تهیه و با روش شکست های طبیعی به 4 کلاس طبقه بندی گردید. 4- اعتبارسنجی نتایج و مقایسه کارایی مدل در شناسایی مناطق دارای پتانسل آب زیرزمینی با مدل های انفرادی.
نتایج: نتایج آنالیز تست هم خطی بین 20 پارامتر زمین محیطی موثر در ایجاد آب های زیرزمینی مورد استفاده در این پژوهش نشان داد که مقادیر Tolerance و VIF 15 متغیر بزرگتر از 1/0 و کوچکتر از 10 بوده است. در نتیجه این پارامترها برای مدل سازی انتخاب گردیدند. وزن های محاسبه شده برای هر یک از فاکتورها با استفاده از مدل شاخص آنتروپی نشان داد که موثرترین فاکتورها در ایجاد آب های زیرزمینی در منطقه مطالعاتی فاصله از گسل، کاربری اراضی/پوشش سطحی و زمین شناسی می باشد. نتایج صحت سنجی مدل ها نشان داد که مقدار مساحت زیرمنحنی برای مدل های شواهد قطعی، شاخص آنتروپی و مدل ترکیبی شواهد قطعی-شاخص آنتروپی به ترتیب 660/0، 431/0 و 899/0 می باشد که بیانگر این است که مدل ترکیبی بهتر از مدل های شواهد قطعی و شاخص آنتروپی عمل نموده است.
نتیجه گیری: مهمترین نتیجه گیری این پژوهش این است که رویکرد ترکیبی تابع شواهد قطعی-شاخص آنتروپی در ترکیب با تکنیک های سنجش از دور و سیستم اطلاعات جغرافیایی ابزار قدرتمندی را برای تهیه نقشه پتانسیل آب های زیرزمینی در منطقه مطالعاتی فراهم کرده است. بر اساس نتایج مدل ترکیبی، مناطقی که بوسیله پتانسیل آب زیرزمینی خیلی زیاد پوشیده شده است، 26/45 درصد از کل منطقه می باشد که بیانگر این است که منطقه مطالعاتی دارای پتانسیل آب زیرزمینی بالایی می باشد. نتایج حاصل از این پژوهش می تواند جهت مدیریت موثر منابع آب زیرزمینی در منطقه مورد مطالعه مورد استفاده قرار گیرد.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling and groundwater potential mapping using data driven ensemble model EBF-Index of entropy (case study: najaf abad aquifer)

نویسندگان [English]

  • khalil rezaei 2
  • MOJTABA YAMANI 3
  • kourosh shirani 4

2 kharazmi university

3 tehran university

4 esfahan university

چکیده [English]

Background and objectives: Groundwater considered as the main source of future water supply, irrigation, and food production under impacts of global climate changes phenomena. Main aquifers around the world are under pressure to meet the growing demands of water due to population growth. Management of groundwater reserves in a sustainable manner is a major challenge. A goal of groundwater resource assessment is to provide information on the current status of the resource and provide insights about the future availability of ground water. In recent years, several authors have attempted to assessment groundwater potential using different data-driven and knowledge-driven techniques combined with remote sensing (RS) and geographic information system (GIS). The main objective of this research is identification of effective parameters in groundwater recharge and assessment of groundwater potential using data-driven combined method in najaf-abad aquifer.

Materials and methods: The study area lies between (32° 18′ 06″- 32° 50′ 12) latitude and (50° 52′ 46″- 51° 41′ 48″) longitude. It extends over an area of about 966.11 km2. In general, four steps must be implemented to groundwater potential mapping using combined approache. These steps are: (1) prepare groundwater well inventory map and divided into two sets: training and testing. The training data is used to investigate the statistical relationship between well locations and Geo-environmental factors influence on groundwater occurrences. The testing set is used to validate the results. (2) Build the database. In this step layers of groundwater occurrence factors are prepared using different resources such as field survey, and RS. All thematic layers must be converted to raster format to use in further analysis. (3) computation the relationship between training well locations and groundwater occurrence factors using shanoon model and their classes using EBF model are investigated. The groundwater potential map is then computed and classified into four classes using Natural Break scheme (4) the validation of the results and compare the effectiveness of model in prediction groundwater potential zones with indivdal models.
Results: The results of the multicollinearity analysis among 20 Geo-environmental factors influence on groundwater occurrences used in this study showed that the Tolerance and VIF of 15 variables were ≥0.1 and ≤10, respectively. As a result, this parameters are selected for modeling. The computed weights for each factor using Index of entropy model, indicated that the most influencing factors on groundwater occurrence in the study area were distance from fault, LULC and geology. The results of validation of models indicate that The AUC for EBF, index of entropy and EBF-index of entropy models were 0.660, 0.431 and 0.899, respectively implying that the EBF-index of entropy was better than EBF and index of entropy.
Conclution: The main conclusions of this study is that The ensembled approach of EBF-Index of entropy combining with RS and GIS technologies provide a powerful tool for groundwater potential mapping in the study area. The results of this study could be used for efficient managing groundwater resources in the study area. Based on results of ensemble model, The areas covered by very high groundwater potential zones occupy 45.26 % of the total area, indicating that the groundwater potential is high in study area.

کلیدواژه‌ها [English]

  • Groundwater
  • Modeling
  • geo-environmental parameters
  • najaf abad
1.Al-Abad, A., Al-Temmeme, A., and Al-Ghanimy, A. 2016. A GIS-based combining of
frequency ratio and index of entropy approaches for mapping groundwater availability zones
at Badra–Al Al-Gharbi–Teeb areas, Iraq, Sustain. Water Resour. Manage. 2: 3. 265-283.
2.Ayazi, M.H., Pirasteh, S., Arvin, A.K.P., Pradhan, B., Nikouravan, B., and Mansor, S.
2010. Disasters and risk reduction in groundwater: Zagros mountain southwest Iran using
geo-informatics techniques. Dis. Adv. 3: 1. 51-57.
3.Constantin, M., Bednarik, M., Jurchescu, M.C., and Vlaicu, M. 2011. Landslide susceptibility
assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu
Basin (Romania). Environ. Earth Sci. 63: 2. 397-406.
4.Chenini, I., and Mammou, A.B. 2010. Groundwater recharge study in arid region: an approach
using GIS techniques and numerical modelling. Comput. Geosci. 36: 6. 801-817.
5.Chen, W., Pourghasemi, H.R., and Naghibi, S.A. 2017. Prioritization of landslide conditioning
factors and its spatial modeling in Shangnan County, China using GIS-based data mining
algorithms, Bull. Eng. Geol. Environ. 23: 2. 1-19.
6.Dempster, A.P. 1968. Generalization of Bayesian inference. J. R. Stat. Soc. Series B.
30: 205-247.
7.Devkota, K.C., Regmi, A.D., Pourghasemi, H.R., Yoshida, K., Pradhan, B., Ryu, I.C., Dhital,
M.R., and Althuwaynee, F. 2013. Landslide susceptibility mapping using certainty factor,
index of entropy and logistic regression models in GIS and their comparison at Mugling–
Narayanghat road section in Nepal Himalaya. Nat. Hazards. 65: 1. 135-165.
8.Davoodi Moghaddam, D., Rezaei, M., Pourghasemi, H.R., Pourtaghie, Z.S., and Pradhan, B.
2015. Groundwater spring potential mapping using bivariate statistical model and GIS in the
Taleghan watershed, Iran. Arab. J. Geosci. 8: 2. 913-929.
9.Ercanoglu, M., and Gokceoglu, C. 2002. Assessment of landslide susceptibility for a landslide
prone area (north of Yenice, NW Turkey) by fuzzy approach. Environ Geol. 41: 6. 720-730.
10.Guo-Liang, D., Yong-Shuang, Z., Javed, I., and Xin, Y. 2017. Landslide susceptibility
mapping using an integrated model of information value method and logistic regression in
the Bailongjiang watershed, Gansu Province, China, J. Mt. Sci. 14: 2. 249-268.
11.Glenn, C.R. 2012. Lahaina Groundwater Tracer Study-Lahaina, Maui, Hawaii. Final Interim
Report prepared from the State of Hawaii DOH, the U.S. EPA and the U.S. Army Engineer
Research and Development Center.
12.Jaafari, A., Najafi, A., Pourghasemi, H.R., Rezaeian, J., and Sattarian, A. 2014. GIS-based
frequency ratio and index of entropy models for landslide susceptibility assessment in the
Caspian forest, northern Iran. Int. J. Environ. Sci. Technol. 11: 4. 909-926.
13.Jothibasu, A., and Anbazhagan, S. 2016. Modeling groundwater probability index in
Ponnaiyar River basin of South India using analytic hierarchy process, Model. Earth Syst.
Environ. 2: 109.
14.Lee, S., Hwang, J., and Park, I. 2013. Application of data-driven evidential belief functions
to landslide susceptibility mapping in Jinbu, Korea. Catena. 100: 15-30.
15.Lee, S., Song, K.Y., Kim, Y., and Park, I. 2012. Regional groundwater productivity potential
mapping using a geographic information system (GIS) based artificial neural network model.
Hydrogeol. J. 20: 1511-1527.
16.Lee, S., and Pradhan, B. 2007. Landslide hazard mapping at Selangor, Malaysia using
frequency ratio and logistic regression model. Landslides. 4: 1. 33-41.
17.Molden, D. 2007. Water for food, water for life: a comprehensive assessment of water
management in agriculture. Earthscan, London and International Water Management
Institute, Colombo.
18.Magesh, N.S., Chandrasekar, N., and Soundranayagam, J.P. 2012. Delineation of
groundwater potential zones in Theni district, Tamil Nadu, using remote sensing, GIS and
MIF techniques. Geosci. Front. 3: 2. 189-196.
19.Manap, M.A., Nampak, H., Pradhan, B., Lee, S., Soleiman, W.N.A., and Ramli, M.F. 2012.
Application of probabilistic-based frequency ratio model in groundwater potential mapping
using remote sensing data and GIS. Arab. J. Geosci. 7: 2. 711-724.
20.Moore, I.D., Grayson, R.B., and Ladson, A.R. 1991. Digital terrain modeling: a review of
hydrological, geomorphological and biological applications. Hydro. Process. 5: 3-30.
21.Mirzapour, H., and Haghi Zadeh, A. 2017. Delineation of groundwater potential zones in
Madian Roud watershed in Lorestan using Weighted Index Overlay Analysis (WIOA).
Hydrogeology. 1: 83-98. (In Persian)
22.Mogaji, K.A., Lim, H.S., and Abdullah, K. 2014. Regional prediction of groundwater
potential mapping in a multifaceted geology terrain using GIS-based Dempster–Shafer
model. Arab. J. Geosci. 8: 5. 3235-3258.
23.Naghibi, S.A., Pourghasemi, H.R., Pourtaghie, Z.S., and Rezaei, A. 2014. Groundwater
qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan
watershed, Iran. J. Earth Sci. 8: 1. 171-186.
24.Naghibi, S.A., Pourghasemi, H.R., and Dixon, B. 2016. Groundwater spring potential using
boosted regression tree, classification and regression tree and random forest machine
learning models in Iran. Environ. Monit. Assess. 188: 1. 44-64.
25.Nampak, H., Pradhan, B., and Manap, M.A. 2014. Application of GIS based data
driven evidential belief function model to predict groundwater potential zonation. J. Hydrol.
513: 283-300.
26.Ozdemir, A., and Altural, T. 2013. A comparative study of frequency ratio, weights of
evidence and logistic regression methods for landslide susceptibility mapping: Sultan
Mountains, SW Turkey. J. Asia. Earth Sci. 64: 180-197.
27.Pourghasemi, H.R., and Beheshtirad, M. 2014. Assessment of a data-driven evidential belief
function model and GIS for groundwater potential mapping in the Koohrang Watershed,
Iran. Geocarto Int. 30: 6. 662-685.
28.Pourghasemi, H.R., and Kerle, N. 2016. Random forests and evidential belief function-based
landslide susceptibility assessment in Western Mazandaran Province, Iran. Environ. Earth
Sci. 75:185.
29.Page, M.L., Berjamy, B., Fakir, Y., Bourgin, F., Jarlan, J., Abourida, A., Benrhanem, M.,
Jacob, G., Huber, M., Sghrer, F., Simonneaux, V., and Chehbouni, G. 2012. An integrated
DSS for groundwater management based on remote sensing. The case of a semi-arid aquifer
in Morocco. Water Resour. Manage. 26: 3209-3230.
30.Pourtaghi, Z.S., and Pourghasemi, H.R. 2014. GIS-based groundwater spring potential
assessment and mapping in the Birj and Township, southern Khorasan Province, Iran.
Hydrogeol. J. 22: 643-662.
31.Razandi, Y., Pourghasemi, H.R., Samani-Neisani, N., and Rahmati, O. 2015. Application of
analytical hierarchy process, frequency ratio and certainty factor models for groundwater
potential mapping using GIS. Earth Sci. Inf. 8: 4. 867-883.
32.Rahmati, O., Pourghasemi, H.R., and Melesse, A. 2016. Application of GIS-based data
driven random forest and maximum entropy models for groundwater potential mapping: A
case study at Mehran Region, Iran. Catena. 137: 360-372.
33.Samy, I., Shattri, M., Bujang, B.K., and Ahmad, R.M. 2011. Structural geologic control with
the limestone bedrock associated with piling problems using remote sensing and GIS: a
modified geomorphological method. Environ. Earth Sci. 66: 8. 2185-2195.
34.Sharma, L.P., Patel, N., Ghose, M.K., and Debnath, P. 2010. Influence of Shannon’s entropy
on lands lide -causing parameters for vulnerability study and zonation-a case study in
Sikkim, India. Arab. J. Geosci. 5: 3. 421-431.
35.Shafer, G. 1976. A mathematical theory of evidence, vol. 1. Princeton University, Princeton.
36.Shekhar, S., and Pandey, A.C. 2014. Delineation of groundwater potential zone in hard rock
terrain of India using remote sensing, geographical information system (GIS) and analytic
hierarchy process (AHP) techniques. Geocarto. Int. 30: 4. 402-421.
37.Singh, P., Gupta, A., and Singh, M. 2014. Hydrological inferences from watershed analysis
for water resource management using remote sensing and GIS techniques. Egypt J. Rem.
Sens. Space Sci. 17: 111-121.
38.Tehrany, M.S., Pradhan, B., and Jebur, M.N. 2013. Spatial prediction of flood susceptible
areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate
statistical models in GIS. J. Hydrol. 504: 69-79.
39.Taheri, K., Gutie´rrez, F., Mohseni, H., Raeisi, E., and Taheri, M. 2015. Sinkhole susceptibility
mapping using the analytical hierarchy process (AHP) and magnitude-frequency relationships:
a case study in Hamadan province, Iran. Geomorphology. 234: 64-79.
40.Thapa, R., Gupta, S., Guin, S., and Kaur, H. 2017. Assessment of groundwater potential
zones using multi-influencing factor (MIF) and GIS: a case study from Birbhum district,
West Bengal, Appl. Water Sci. 7: 7. 4117-4131.
41.Umar, Z., Pradhan, B., and Ahmad, A. 2014. Earthquake induced landslide susceptibility
mapping using an integrated ensemble frequency ratio and logistic regression models in
West Sumatera Province, Indonesia. Catena. 118: 124-135.
42.Youssef, A.M., Pradhan, B., and Jebur, M.N. 2015. Landslide susceptibility mapping using
ensemble bivariate and multivariate statistical models in Fayfa area, Saudi Arabia. Environ.
Earth Sci. 73: 7. 3745-3761.
43.Yesilnacar, E.K. 2005. The application of computational intelligence to landslide
susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of
Melbourne, 423p.
44.Zabihi, M., Pourghasemi, H.R., Pourtaghi, Z.S., and Behzadfar, M. 2016. GIS based
multivariate adaptive regression spline and random forest models for groundwater potential
mapping in Iran. Environ. Earth Sci. 75: 665.
45.Zabihi, M., Pourghasemi, H.R., Pourtaghi, Z.S., and Behzadfar, M. 2015. Groundwater
Potential Mapping using Shannon's Entropy and Random Forest Models in the Bojnourd
Township. EcoHydrology. 2: 221-232. (In Persian)