حداقل‌سازی تعداد چاه‌های شبکه اندازه‌گیری سطح آب زیرزمینی در منطقه با استفاده از روش‌های زمین‌آمار و بهینه‌سازی (مطالعه موردی : دشت دزفول-اندیمشک)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه شهرکرد

2 دانشگاه شهید چمران

3 سازمان 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


عنوان مقاله [English]

Minimization of Groundwater Observation Wells Using Geostatistics and Optimization Technique (Case study: Dezfoul-Andimeshk plain)

نویسندگان [English]

  • Ali Raeisi I. 1
  • Hamid-Reza Ghafouri 2
  • Mohsen Moslemzadeh 3
1 Shahrekord University
2 Chamran
3 Khouzestan Water and Power Authority
چکیده [English]

Abstract
Background and objectives: Groundwater is one of the most valuable water resources owing to its quantity and quality. Measuring water level is a basic and essential step in any groundwater study. Since the measured data are derived only from a limited number of observation points and, at the same time, they must be extended to the whole surface of the zone, it is essential to determine optimal location of measuring network. Accordingly, for reduction of observation wells, a number of them were eliminated in such a way that the remaining wells have an optimal combination.
Materials and methods: Dezfoul-Andimeshk plain, located in north of Khouzestan Province, was investigated as a case study. Kriging, as the best linear unbiased estimator, was used for interpolation of groundwater level. Based on the measured data of 76 studied observation wells, a theoretical variogram was fitted to empirical variogram points. To achieve the optimal combination, tabu search algorithm (a meta-heuristic algorithm) was used. Two computer programs including GSLIB and MATLAB were used for Kriging and tabu search, respectively. Linking the programs and preparing conditions for data exchange between them, a model called optimizer model was generated so that capability of optimizing the groundwater surface measuring network is made possible. The observation points are distributed such that variance estimation error limited to the plain extent is minimized.
Results: Optimization model is run in five different cases. For the first to third cases, simply considered for verification purposes, optimal selection of one to three observation wells were respectively presented, which authenticated the model performance against complete search method. In the fourth and fifth cases, the optimal selection of 50 and 60 out of 76 observation wells were presented for which the groundwater levels were compared and the results show that there exists a good match between the groundwater surface results in comparison with those of whole wells (76 wells).
Conclusion: As the variogram fitted to the groundwater data is isotropic, the distribution of the observation wells along different directions will be the same. This is tangible for the first to third cases in which the number of wells is small. Optimization results of 50 and 60 observation wells were automatically achieved by the model without any interference. The comparisons of results indicate a good accuracy for the optimization model. Also, the results show that using the present model saves a lot of time.

Keywords: Groundwater, Monitoring network, Geostatistics, Optimization, Tabu search

کلیدواژه‌ها [English]

  • Groundwater
  • Monitoring network
  • Geostatistics
  • Optimization
  • Tabu search
 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.