Scientific- Research Quarterly of Geographical Data (SEPEHR)

Scientific- Research Quarterly of Geographical Data (SEPEHR)

Estimating accuracy of Artificial Neural Networks (ANN) and Geo Statistical Methods in interpolating Groundwater Levels Case study: Shabestar - Sufian Plain

Document Type : Research Paper

Authors
yousef ebadi 1
Javad Javdan 1
Mohammad Hossein Rezaei Moghaddam 2
1 MSc. Student of Remote sensing and GIS, University of Tabriz
2 Depraments of Geomorphology and GIS & RS, University of Tabriz
10.22131/sepehr.2019.36618
Abstract
Extended Abstract
Introduction
Groundwater, its quantitative/qualitative variables, and variability directly affect human life, and thus has always been one of the major topics in scientific and academic research. Due to geographical, climatic and hydrological conditions, and specific patterns of surface water and subsurface water resources exploitation, this country has always faced water scarcity. As a result of global and regional changes in temporal and spatial patterns of rainfall, this has intensified in recent years. Therefore, exploitation of groundwater resources has been considered as an option for supplying agricultural, industrial and drinking water. However, excessive exploitation of these resources will result in their destruction. In recent years, excessive removal of groundwater and reduction of groundwater levels have resulted in some problems like subsidence in some plains. This makes it necessary to study the quantitative and qualitative changes of these resources more clearly. Due to the complex nature of aquifers’ hydrogeological systems, accurate investigation of these resources seems costly and even impossible. Thus in order to achieve a better understanding, it is necessary to use different methods for estimation and evaluation of such variables.
Material & Methods
Most environmental features are completely continuous in nature, which makes it impossible to measure these features in every part of these environments. Thus, we can generalize measured samples to other areas lacking accurate measurements, and in this way estimate these variables in unmeasured areas. This is also true about quantitative and qualitative variables of groundwater, i.e. by collecting samples from some sections, we can measure different characteristics in these samples. This surface modelling -or in other words, generalization of points to surface- can be achieved with mathematical and statistical relationships and rules. Due to the spatial structure of the measured specimens, geo statistics is used in this regard. In recent years, artificial intelligence models, inspired by the natural nervous system and simulating its function, have yielded a very satisfactory result in groundwater estimation and studies. In order to evaluate the accuracy of geo statistical methods and artificial neural networks, the present study takes advantage of statistics and measurements collected from groundwater level of 46 wells in Shabestar-Sufiyan plain in 2014. Kriging method (geo statistics) and multilayer perceptron neural network method (MLP) were used along with error propagation pattern (BP) to estimate unmeasured features in the study area. MATLAB 2016B was used to perform the neural network modeling and ARCGIS10.5 was used to perform Kriging method and prepare the final maps.
In both neural network and kriging models, geographical coordinates of observed wells was used as input and measured water table was introduced as the study goal. Primary data reduces the accuracy of models. Thus, data was normalized before being introduced to the neural network model. After the initial analysis of data dispersion and normalization, logarithmic transfer function was used due to the relative improvement of data in Kriging estimator model.
 
Results & Discussion
Results indicate that at the training and testing stage (with Sigmoid tangent activation function (Tansig) and 9 neurons in the middle layer), neural network method (MLP) with a high correlation coefficient (0.96) and root mean square error of 13.18 is more accurate than Kriging method with J-shaped Variogram model, a correlation coefficient of 0.90 and root mean square error of 20.10. Due to realistic results provided by neural network method, it is considered to be a more efficient method in estimation of water table in Shabestar-Sufiyan Plain. This is also consistent with earlier hydrogeological studies (regarding aquifers) performed on the ability and flexibility of Artificial Intelligence models.
Conclusion
Results obtained from the current research, and previous studies conducted in this field indicate that most artificial intelligence computing models are capable of evaluating and estimating continuous environmental variables. On the other hand, understanding groundwater resources’ conditions is considered to be crucial. Thus, new methods, such as artificial neural networks (ANN) and adaptive neuro-fuzzy inference methods (ANFIS) and fuzzy inference systems (FIS), which provide greater accuracy can help decision makers and researchers in maintenance and improvement of the groundwater status.
Keywords
Groundwater resource
Water level
Artificial intelligence method
Kriging
Shabestar plain
  1. آذره، ع.، رفیعی ساردویی، ا.، نظری سامانی، ع ا.، مسعودی، ر.، و خسروی، ح (1393). بررسی تغییرات مکانی و زمانی سطح آب ‌های زیرزمینی در دشت گرمسار. نشریه مدیرت بیابان، شماره3، بهار و تابستان 1393، صفحات 11 تا 20.
  2. اصغری مقدم، ا.، فیجانی، ا.، و ندیری، ع (1393). بهینه‌­سازی مدل دراستیک با استفاده از هوش  مصنوعی جهت ارزیابی آسیب پذیری آب­‌های زیرزمینی در دشت مراغه – بناب. زمین شناسی مهندسی و محیط زیست، زمستان 1393، سال بیست و چهارم، شماره 94، صفحات 169 تا 176.
  3. حسینعلی ‌زاده، م.، یعقوبی، ع (1389). تغییرات زمانی و مکانی سطح سفره آب زیرزمینی با استفاده از زمین آمار، مجله علوم مهندسی و آبخیزداری ایران، سال چهارم، شماره 10، بهار، صفحات 63 تا 67.
  4. دهقانی، ا.، عسگری، م.، و مساعدی، ا (1388). مقایسه سه روش عصبی مصنوعی، سیستم استنتاج فازی-عصبی تطبیقی و زمین آمار در میان‌ یابی سطح آب ‌های زیرزمینی (مطالعه موردی: دشت قزوین). مجله علوم کشاورزی و منابع طبیعی ، جلد شانزدهم، ویژه نامه1، 1388.
  5. دهقانی، ر.، و نور علیئی (1395). مقایسه روش‌ های زمین آمار و شبکه عصبی مصنوعی در تخمین سطح آب. (مطالعه موردی: دشت نورآباد، استان لرستان). مجله علوم و تکنولوژی محیط زیست، دوره هجدهم، شماره یک ، بهار 1395
  6. راکعی، ب.، خامه چیان، م.، عبدالملکی، پ.، و گیاه­چی، پ (1386). کاربرد شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین لغزش. مجله علوم دانشگاه تهران،33  (1):57-64 .
  7. شیخ گودرزی، م.، موسوی، س ح.، و خراسانی، ن ا(1391). شبیه‌ سازی تغییرات مکانی در ویژگی ‌های کیفی آب‌­های زیرزمینی با روش ‌های زمین ‌آمار (مطالعه موردی: دشت تهران-کرج). نشریه محیط زیست طبیعی، مجله منابع طبیعی ایران، دوره 65، شماره1، صفحات 83 تا 93.
  8. شعبانی، م (1390). ارزیابی روش های زمین آماری در تهیه نقشه ‌های کیفی آب ‌های زیرزمینی و پهنه ‌بندی آن ها (مطالعه موردی: دشت نیریز، استان فارس). فصلنامه جغرافیای طبیعی لار، سال چهارم، شماره 13، پاییز 1390.
  9. صادقیان، آ.، واقعی، ی.، و محمدزاده، م (1392). پیش­‌بینی تغییرات مکانی - زمانی سطح آب زیر زمینی در دشت بیرجند به روش کریجینگ. مجله آب و فاضلاب ، دوره 24، شماره 85، صفحات 93 تا 100.
  10. قهرودی تالی، م (1381). درآمدی بر سیستم اطلاعات جغرافیایی.انتشارات دانشگاه پیام نور .
  11. محمدیاری، ف.، اقدر، ح.، و بصیری، ر (1396). پهنه­‌بندی کیفیت آب زیرزمینی از لحاظ شرب با استفاده از روش­‌های زمین آمار (مطالعه موردی: مناطق خشک مهران و دهلران). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی(سپهر)، دوره 26، شماره 101، بهار 1396.
  12. محمدی، ج (1380). مروری بر مبانی ژئواستاتستیک و کاربرد آن در خاک شناسی. مجله آب و خاک، جلد 15، شماره 1، صفحات 99 تا 121.
  13. معماریان فرد، م.، و بیگی هرچگانی، ح (1388). مقایسه مدل های شبکه  عصبی مصنوعی و توابع انتقالی رگرسیون برای پیش­‌بینی طرفیت تبادل کاتیونی خاک های استان چهارمحال و بختیاری. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره4، زمستان 1388، ص99-90.
  14. میثاقی، ف.، و محمدی، ک (1387). بررسی سطح آب زیرزمینی با استفاده از روش­‌های متداول درون‌­یابی و مقایسه آن با تکنیک‌های زمین ­آمار. سومین گردهمایی علوم زمین، سازمان زمین شناسی ایران، ص 5.
  15. ناصری، ح.، و صارمی نژاد، ف (1390). مقایسه ارزیابی آسیب‌ پذیری آبخوان به روش ‌های DRASTIC  و منطق فازی مطالعه موردی: دشت گل گیر مسجد سلیمان. فصلنامه جغرافیای طبیعی، سال چهارم، شماره 11، بهار 90.
  16. ندیری، ع (1392) مقایسه کارایی مدل‌های عددی و هوش مصنوعی در مدیریت آبخوان‌ها (مطالعه موردی: دشت تسوج). رساله دکتری، دانشگاه تبریز.
  17. نیکبخت، ج.، ذوالفقاری، م.، و نجیب، م (1392)  پیش­بینی سطح آب زیرزمینی با استفاده از شبکه ‌های عصبی مصنوعی (مطالعه موردی: دشت تسوج- آذربایجان شرقی)، اولین همایش ملی مهندسی و مدیریت کشاورزی، محیط زیست و منابع طبیعی پایدار، همدان، انجمن ارزیابان محیط زیست هگمتانه.
  18. وزارت نیرو (1393). گزارش شرکت آب منطقه استان آذربایجان شرقی.
  19. ولیزاده کامران، خ.، روستایی، ش.، رحیم پور، ت.، و نخستین روحی، م (1395). تعیین مناسب ‌ترین روش زمین آمار در تهیه نقشه تغییرات شوری آب‌های زیرزمینی (مطالعه موردی: دشت شیرامین، استان آذربایجان شرقی). نشریه هیدروژئومورفولوژی، شماره6 ، بهار1395، صص 32-17.

20. Ahmadi SH and Sedghamiz A, 2007. Geostatistical analysis of spatial and temporal variations of groundwater level. Environ Monit Assess 129:277–294

21. Atkinson, P. M., & Tatnall, A. R. L., 1997. Introduction of neural networks in remote sensing. Remote Sensing, 18(4), 699-709.

22. Chrisman Nicholas., 2002. Exploring Geographical Information Systems. USA, John Wiley & Sons.

23. D. Svozil, v. Kvasnicka, and j. Pospichal,. 1997. “Introduction to Multi-layer Feed-Forward Neural Networks,” Chemometrics and Intelligent Laboratory Systems, vol. 39, pp. 43-62..

24. Gong, Y., Zhang, Y., Lan, S., & Wang, H,. 2016. A comparative study of artificial neural networks, support vector machines and adaptive neuro fuzzy inference system for forecasting groundwater levels near Lake Okeechobee, Florida. Water resources management, 30(1), 375-391.

25. Karayiannis, N.B., and Venetsanopoulos, A.N,. 1993. Aritifical Neural Network : Learning Alogorithms, Performance Evaluation, and Application. Kluwer Academic Publisher, Boston.

26. Kholghi,M., and Hosseini, S.M,. 2009. Comparision of Groundwater Level Estimation Using Neuro–fuzzy and Ordinary Kriging. Journal of Enviromental Modeling and Assessment,14:6.729 – 753.

27. Mcculloch, Warren, s; Pitts, Walter,. 1943. a logic calculus of the ideas immanent in Nervous Activity. Bulletin of mathematical biophysics, Vol 5, pp. 115-133

28. Misaghi,F., and Mohammadi,K,. 2006. classification of precipitation Applying Geostatestical and Neural Networks. Journal of Agriculture, 29:4. 1-13

29. Rizzo, D.M., and Dogherty, D.E,. 1994. Characterization of aquifer propertices using Artificial Neural Networks : Neural Kriging. Water Resour.Res.30:2.483-497

30. Shalkoff, R. J,. 1997. Artificial neural networks. New York, NY: McGraw-Hill

31. Zhang R, Dong Z, Guo H.,2009. Forcast of Poyang lake,s water level by Wavelet  ANFIS model In Intelligent Computing and Intelligent System, 2009. IEEE International Conference.