هادی قنوات, غزاله, شهیدی, علی, خاشعی سیوکی, عباس, هاشمی, سید رضا. (1394). کاربرد مدل داده‌های ترکیبی در برآورد غلظت کلر آبخوان دزفول. مجله آب و فاضلاب, 26(5), 48-55.
غزاله هادی قنوات; علی شهیدی; عباس خاشعی سیوکی; سید رضا هاشمی. "کاربرد مدل داده‌های ترکیبی در برآورد غلظت کلر آبخوان دزفول". مجله آب و فاضلاب, 26, 5, 1394, 48-55.
هادی قنوات, غزاله, شهیدی, علی, خاشعی سیوکی, عباس, هاشمی, سید رضا. (1394). 'کاربرد مدل داده‌های ترکیبی در برآورد غلظت کلر آبخوان دزفول', مجله آب و فاضلاب, 26(5), pp. 48-55.
هادی قنوات, غزاله, شهیدی, علی, خاشعی سیوکی, عباس, هاشمی, سید رضا. کاربرد مدل داده‌های ترکیبی در برآورد غلظت کلر آبخوان دزفول. مجله آب و فاضلاب, 1394; 26(5): 48-55.
کاربرد مدل داده‌های ترکیبی در برآورد غلظت کلر آبخوان دزفول
1دانشجوی کارشناسی ارشد گروه مهندسی آب، دانشگاه بیرجند
2استادیار گروه مهندسی آب، دانشگاه بیرجند
چکیده
آبهای زیرزمینی در مناطق خشک و نیمه‌خشک مانند ایران به دلیلکم هزینه و در دسترس بودناهمیت زیادی دارند. با توجه به کمبود مطالعات در بخش کیفیت منابع آب زیرزمینی در مقایسه با کمیت این منابع، این پژوهش با هدف پیش‌بینی تغییرات کلر آب زیرزمینی در دشت دزفول در استان خوزستان صورت گرفت. داده‌های ترکیبی مدلی رگرسیونی با در نظر گرفتن متغیرها در واحدهای مختلف و در طی زمان، امکان پیش‌بینی کیفیت آب را به‌طور توأم در چندین چاه فراهم می‌آورد. به این منظور، در محدوده مورد مطالعه، پارامترهای هواشناسی بارندگی و تبخیر و تعرق پتانسیل و پارامترهای کیفی EC، سدیم، کلسیم و منیزیم برای تخمین کلر در ده چاه انتخابی به‌صورت فصلی در یک دوره هشت ساله جمع‌آوری شد. در مرحله بعد، انواع مدل‌های داده‌های ترکیبی شامل اثر مشترک، ثابت و تصادفی بر روی داده‌های موجود برازش داده شد. نتایج نشان داد که مدل داده‌های ترکیبی با اثرات تصادفی بهترین نتیجه را برای پیش‌بینی کیفیت (کلر) آب زیرزمینی داشته است. معیارهای عملکرد R2=0.96) ،2.445RMSE=) نیز بیانگر دقت مدل است.
Predicting Groundwater Chlorine Concentration in Dezful Aquifer Using the Panel Data Model
نویسندگان [English]
Ghazaleh Hadighanavat1؛ Ali Shahidi2؛ Abbas Shahidi2؛ Seyyed Reza Hashemi2
1MSc Student of Water Engineering, Birjand University, Birjand
2Ass. Prof. of Water Engineering, Birjand University, Birjand
چکیده [English]
Groundwater resources are of great importance in arid and semi-arid regions due to their ease of access and low extraction costs. Compared to studies conducted on the quantity of groundwater resources, less research has been devoted to groundwater qulity. The present study was thus designed and implemented to forecast groundwater chlorine variations in Dazful Plain in Khuzistan Province, Iran. " Panel data" is a regression model that considers variables of different units over time. In this study, it was exploitedfor the simultaneous prediction of groundwater quality in different wells. For this purpose, meteorological parameters such as rain and ET0 as well as the quality parameters including EC, sodium, calcium, and magnesium were collected in ten wells in the study area on a seasonal basis over a period of 8 years. In the next step, the data thus collected were subjected to different "panel data" regression models including Common Effects, Fixed Effects, and Random Effects. The results showed that the Random Effects Regression Model was best suited for predicting groundwater quality. Moreover, performance indicators (R2= 0.96, RMSE= 2.445) revealed the effectiveness of this method.
1. Ghafouri, V., Malekpour, N., and Mardani, A. (2011). “Geostatistical evaluation of groundwater quality plain Darab in Fars Province.” J. of Soil and Water Conservation, 1(2), 81-94. (In Persian)
2. Gholami, V., Derakhshan, S.H., and Dervari, Z. (2012). “Multiple regression analysis and artificial neural networks (ANN) in In the simulation of groundwater salinity In the coastal of Mazandaran Province. J. of Water Research in Agriculture, 26(3), 355-365.
3. Ghomeshion, M., Malekian, A., Hoseini, Kh., Gharachelo, S., and Khamoushi, M.R.(2012). “A survey on spatial variations of groundwater quality in Semnan/Sorkheh plain using geostatistical techniques.” Iranian J.of Range and Desert Research, 19 (3), 535-545. (In Persian)
4. Mohamadi, S., Salajegheh, A., Mahdavi, M., and Bagheri, R. (2012). “An investigation on spatial and temporal variations of groundwater level in Kerman plain using suitable geostatistical method (During a 10- year period).” Iranian J. of Range and Deset Research, 19 (1), 60-71. (In Persian)
5. Ahmad Dar, I., Sankar, K., Ahmad Dar, M., and Majumder, M. (2012). “Fluorid contamination_ Artificial neural network modeling and inverse distance weighting approach.” J. of Water Sciences, 25 (2), 165-182.
6. Al-Mahallawi, K., Mania, J., Hani, A., and Shahrour, I. (2011). “Using of neural network for the prediction of nitrate growndwater contamination in rural and agricultural areas.” Environ. Earth Sci., 65, 917-928.
7. Banerjee, P., Singh, V.S., Chatttopadhyay, K., Chandra, P.C., and Singh, B. (2011). “Artificial neural network as potential alternative for groundwater salinity forecasting.” J. of Hydrology, 398, 212-220.
8. Farahmand, A. R., Manshouri, M., Liaghat, A., and Sedghi, H. (2010). “Comparison of kriging, ANN and ANFIS model for spatial and temporal distribution modeling of groundwater contaminants.” J. of Food, Agriculture and Environment, 8, 1146-1155.
9. Hwa Cho, K., Sthiannopkao, S., Pachepsky, Y.A., Kim, K.W., and Kin, J.H. (2011). “Prediction of contamination potential of groundwater arsenic in Cambodia, Laos, and Thailand using artificial neural network.” Water Research, 45, 5535-5544.
10. Zare Abyaneh, H., Bayat Varkeshi, M., and Mohammadi, K. (2011). “Assessment of groundwater corrosivity in Hamedan Provice, Iran using an adaptive neuro_ Fuzzy inference system and (ANFIS).” Geosciences Journal, 15 (5), 433-439. (In Persian)
11. Zare Abyaneh, H., Nazemi, A. H., Neyshabori, M. R., Mohammadi, K., and Majzoobi, G. H. (2005). “Chloride estimation in groundwater from conductivity measurment.” Tarim Bilimeri Dergisi, 11 (1), 110-114.
12. Salehnia, N., and Falahi, M.A. (2011). “Evaluating eco-climatic variables on wheat yield using panel data model.” J. of Water and Soil, 24 (2), 375-384.
13. Alijani, F., Karbasi, A., and Mozafari, M. (2011). “Effects of temperature and rainfall on the yield of irrigated wheat in Iran.” Agricultural Economic and Development, 19(76), 143-166.
14. Falahi, M.A., Ansari, H., and Moghaddas, S. (2011). “Evaluating effective factors on household water consumption and forcasting demands: Panel data.” J. of Water and Wastwater, 23-4(84), 78-87. (In Persian)
15. Arbues, F., and Barberan, R. (2004). “Price impact on residential water demand: A dynamic panel data approach.” Water Resources Research, 40 (11), doi. 10.1029/2004 WR00-3092.
16. Izady, A., Davary, K., Alizadeh, A., Ghahraman, B., and Sadeghi, M. (2012). “Application of Panel data modeling to pridict groundwater level in Neishaboor plain, Iran.” Hydrogeology Journal, 20, 435-477.
17. Gujarati, D.(2012). Basic econometrics, University of Tehran Press, Tehran. (In Persian)
18. Aflatooni, A., and Nikbakht, L. (2010). Applied econometric research in accounting, financial management and economic sciences, 1st Ed., Termeh of Publication, Tehran. (In Persian)
19. Ashrafzadeh, H.R., and Mehregan, N. (2010). Panel data econometrics, 1st Ed., Cooperative Research Institute of Tech. Pub., Tehran university. (In Persian)
ابتدای صفحه