بررسی روش های مختلف ارزیابی شبکه پایش کیفی آب زیرزمینی با تکیه بر معرفی روش جدید احتمال پذیرش- سمیه مقصود سنگ آتش؛ عباس خاشعی سیوکی؛ محسن پوررضا بیلندی؛ مجتبی شفیعی

0

شبکه پایش آبهاي زیرزمینی به عنوان یک منبع اصلی برای مصارف شرب، کشاورزی و صنعت می باشد. مهم ترین مشکلی که امروزه آبهاي زیرزمینی را تهدید می کند، آلوده شدن آنها است. تغییر در کیفیت آب هاي زیرزمینی که معمولاً بر اثر مدیریت غلط استحصال آب زیرزمینی رخ می دهد، به صورت مستقیم و غیر مستقیم مقدمه اي بر تخریب سایر منابع است.

بررسی کیفیت و نظارت دقیق بر سطح آبهای زیرزمینی اهمیت فوق العاده ای دارد. به همین جهت بایستی یک شبکه مناسب پایش کیفی برای آبهای زیرزمینی طراحی گردد،

تا با تعیین تعداد بهینه ایستگاههای نمونه برداری با روش های مناسب، در هزینه ها نیز صرفه جویی شود. البته بایستی در انتخاب روش بهینه یابی دقت کرد چون هرگونه کاستی در انتخاب روش مناسب توزیع مکانی عوامل اقلیمی و بی توجهی به دقت روش های درون یابی می تواند موجب بروز خطا در برآوردهای طراحی گردد.

دراین تحقیق سعی شده تا برخی از انواع روشهای درونیابی و موقعیت و شرایط کاربرد آنها مقایسه گردند. همچنین در این تحقیق مروری، روش جدید احتمال پذیرش مبتنی بر روش های زمین آمار به منظور طراحی بهینه شبکه پایش نیز معرفی و تشریح گردیده است.

کلمات کلیدی : شبکه پایش ، آب زیرزمینی ، روش های درون یابی ، بهینه یابی ایستگاهها،  احتمال پذیرش

 1-مقدمه

محدودیت های منابع آب سطحی و زیرزمینی ایجاب می کند که یک مدیریت صحیح و جامع بر منابع آبی داشته باشیم. برای مدیریت پایدار منابع آب تجدید پذیر در سطح شبکه ای از چاه های مشاهداتی) پایش ( آب زیرزمینی، اندازه گیری سطح آب به طور دقیق، ضروری است.به طور کلی دقت و اعتبار هر تخمین به کیفیت و کمیت پارامتر مورد سنجش بستگی دارد. منظور از پایش سنجش، رفتار کمّی وکیفی منابع آب تحت تأثیر عوامل طبیعی و مصنوعی است.

برآورد تغییرات مکانی متغیرهای اقلیمی در بسیاری از مطالعات اجتناب ناپذیر است. لیکن به دلیل عدم امکان پوشش کامل منطقه توسط چاههای مشاهده ای ، برآورد عامل مورد نظر برای مناطق بین ایستگاهها باید مورد توجه قرار گیرد.

شبکه پایش سطح آب زیرزمینی (شبکه چاههای مشاهده ای) از جمله مهمترین شبکه های پایش آبخوان می باشد که حفر، تجهیز و آمار برداری دوره ای آن هزینه بر بوده و از طرف دیگر می بایستی معرف نسبتا کاملی از آبخوان باشد. لذا تعیین محل و جانمایی چاههای شبکه بسیار حائز اهمیت است. هم چنین تعیین یک روش مناسب توزیع مکانی اهمیت زیادی دارد. هرگونه کاستی در انتخاب روش مناسب توزیع مکانی عوامل اقلیمی و بی توجهی به دقت روش های درون یابی می تواند موجب بروز خطا در برآوردهای طراحی گردد.

روش‌های درون‌یابی متنوعی وجود دارند که با کمک آنها می‌توان خطوط هم‌ پتانسیل را در منطقه مورد نظر استخراج کرد، اما به دلیل نابسندگی آمار و داده‌های موجود و دقت پایین اندازه‌گیری، تخمین‌ها در برخی روش‌ها چندان رضایت بخش نیست. این روش‌ها در يك تقسيم‌بندي كلي به روش‌هاي زمين‌آماري و روش‌هاي كلاسيك تقسيم مي‌گردند.

روش‌هاي كلاسيك روش‌هايي هستند كه از آمار كلاسيك براي تخمين استفاده مي‌كنند، در صورتي‌كه در روش‌هاي زمين‌آماري، تخمين بر اساس ساختار مكاني موجود در محيط صورت مي‌گيرد. از روش‌هاي زمين‌آماري مي‌توان به انواع كريجينگ و كوكريجينگ اشاره كرد. برخی از روش‌هاي درون‌يابي كلاسيك عبارتند از وزن‌دهی معکوس فاصله، روش نزديك‌ترين نقطه، روش ميانگين متحرك، روش سطح روند و غیره.

تحقيقات زيادي در زمينه طراحي شبکه هاي پايش کمي و کيفي آب زيرزميني در داخل و خارج کشور انجام گرفته است که به نمونه هايي از انها اشاره مي شود:

رضايي و همکاران (1393) براي طراحي شبکه هاي پايش کمي آب زيرزميني به منظور کاهش نقاط پايش مکاني اضافي، در دشت رامهرمز با استفاده از اطلاعات کمي 63 چاه مشاهداتي و پارامتر هاي هواشناسي (بارندگي و تبخير) در دوره 7 ساله، عملکرد مدل حداقل مربعات ماشين بردار پشتيبان (Ls-svm) در طراحي شبکه برداشت چاه هاي مشاهداتي آب زيرزميني بررسي کردند. ترکيب هاي مختلف پارامتر هاي اثرگذار بر تراز سطح آب زيرزميني با استفاده از مدل Ls-svm در برگيرنده شاخص هاي عملکرد (MAE=0.3405 و R2= 0.9992 ) است.

سپس با استفاده از تابع تقريب بهينه، 42 عدد چاه مشاهداتي به منظور پايش مکاني مناسب در منطقه دشت رامهرمز مشخص شد. همچنين قربانزاده و همکاران (1374) در دشت دزفول-انديمشک نيز به منظور بهينه سازي شبکه کيفي آب زيرزميني از روش هاي زمين آمار استفاده کردند. در حال حاضر در اين دشت از 106 حلقه چاه براي بررسي تغييرات کيفي آب استفاده مي گردد.

نتايج نشان مي دهد که تعداد چاههاي انتخابي مي تواند بسيار کمتر از شبکه کنوني باشد. به نحوي که با کاهش تعداد چاه ها تا 20% تعداد کنوني مي توان پارامترهاي کيفي مانند هدايت الکتريکي  را در سطح اطمينان 92% در محل بقيه چاه ها پيش بيني نمود.

در يک بررسي که توسط قهرمان و همکاران درسال 1382انجام شد، ارزيابي کفايت شبکه چاه هاي آب شرب شهر مشهد در رديابي نيترات و هدايت الکتريکي با استفاده از کريجينگ، که يک روش ميانه يابي بهينه بين آمارهاي اندازه گيري شده بر پايه تشخيص ساختار مکاني است، انجام پذيرفته است. با بررسي کميت و کيفيت اطلاعات در دسترس، آخرين آمار موجود در سال 79 از 92 چاه که در اعماق بين 160 تا 250 متر در آنها اندازه گيري صورت گرفته بود، مبناي تجزيه و تحليل مکاني قرار گرفتند.

بر مبناي تجزيه و تحليل مکاني، مناسب ترين مدل نيم تغيير نما براي نيترات مدل نمايي(پس از برازش يک رويه درجه دوم براي حذف روند) و براي هدايت الکتريکي مدل خطي سقف دار بدست آمد. نقشه هاي توزيع مقدار و خطاي تخمين اين پارامتر کيفي، تهيه شده به روش کريجينگ معمولي و نقطه اي، نشان دادند که به طور کلي نيترات از تغيير پذيري بالاتري نسبت به هدايت الکتريکي برخوردار بود و خطاي برآورد بالاتري داشت. با اين وجود توزيع خطاي برآورد براي هر کدام از پارامتر ها در کل منطقه تغييرات کمي داشت.

براي هر پارامتر سه محل چاه پيشنهادي ارائه شد که بتوانند موجب کاهش حداکثر خطاي برآورد شود.نتايج نشان داد که اين سه چاه در حاشيه ناحيه تحت مطالعه قرار دارند و تنها قادر هستند حداکثر خطاي برآورد را کمتر از سه درصد کاهش دهند. با توجه به ميزان خطاها، طرح يک شبکه موثرتر که توزيع مکاني(سطحي و عمقي) و زماني مناسب تري داشته باشد، احساس مي شود. در يک تحقيق ، دقت و درستي نقشه‌هاي بارندگي و درجه حرارت با روش‌هاي مختلف ميان‌يابي توسط ويسنت سرانو[1] و همكاران (2003) مورد ارزيابي قرار گرفت.

روش‌هاي مورد بحث شامل مدل‌هاي مختلف رگرسيون، تيسن، اسپلاين، سطوح روند‌ دار، عكس وزني فاصله و روش‌هاي زمين آماري كريجينگ معمولي، كريجينگ بلوكي، كريجينگ عمومي و كوكريجينگ بود. در پايان مشخص شد كه براي تحليل مكاني بارندگي روش‌هاي زمين آمار و براي درجه حرارت مدل رگرسيوني بهترين نتايج را ارائه دادند(آيشاه[2] و همكاران، 2010).

روش هاي زمين آماري براي پهنه بندي و مدل کردن بسياري از متغيرهاي ناحيه اي از جمله عمق آب زيرزميني در تحقيقات ؛ دلهومه[3] (1978)، سوفوکلوس[4] و همکاران (1982)، ويردي و کاتيگادا[5] (1984)، ديزباراتس[6] و همکاران (2002) و تاني[7] و همکاران (2009) و براي ويژگي هاي شيميايي خاک و کيفيت آب هاي زيرزميني در تحقيقات ؛ روحاني و هال[8] (1988)، ليو[9] و همکاران (2004) و ديمن[10] و همکاران (2009) استفاده شده است.

جهت تخمين غلظت فلزات سنگين در آب زيرزميني استوک و کوپر[11] (1998) از روش کريجينگ استفاده کرده اند و هم چنين نتيجه گرفتند که روش ذکر شده بهترين روش جهت تخمين مقادير مکاني مي باشد. داگستينو[12] و همکاران (1998) برروي متغير مکاني و زماني نيتريت آب زيرزميني مطالعه کرده اند. نتايج آنها نشان داد که روش کوکريجينگ از دقت بالاتري نسبت به کريجينگ جهت تخمين غلظت نيتريت برخوردار است.

نتايج بررسي مطالعات گذشته نشان مي دهد که بر خلاف شبکه ايستگاه هاي باران سنجي، در مطالعات و شبکه پايش آب زيرزميني مطالعات کمتري در مورد بهينه يابي آنها انجام شده است. همچنين نتايج بررسي مطالعات نشان مي دهد که اغلب روش هاي بر مبناي زمين آمار در اين امر با موفقيت بکار گرفته شده اند. از جمله جديدترين روش­هاي بر مبناي زمين آمار روش احتمال پذيرش مي­باشد (چنگ[13] و همکاران 2008 و شفیعی و همکاران 2014).

مباني تئوري اين روش اولين بار توسط چنگ و همکاران (2008) ارائه شده است. سپس شفیعی و همکاران (2014) ضمن اصلاح و بهبود روش فوق از آن در محيط GIS براي بهينه يابي شبکه باران سنجي حوضه گرگان رود استفاده کرده اند. شبکه پایش

نتايج آنها نشان داد که اين روش نسبت به روش هاي پيشين بر مبناي زمين آمار (مانند کاهش واريانس) از انعطاف پذيري بيشتري برخوردار مي­باشد و کاربرد الگوريتم آن امکان در نظر گرفتن محدوديت­ها و ارزيابي شبکه موجود را نيز فراهم مي­کند.

  2-بررسی روش های مرسوم :

 استخراج توزيع مكاني بسياري از پارامترها از جمله عوامل اقلیمی كه در نقاط اندازه گيري مي شوند، در اغلب مطالعات منابع آب مورد نياز است. روش هاي مختلفي براي اين منظور به كار گرفته شده است . به عنوان مثال مي توان به روش هاي كلاسيك نظير چند ضلعي هاي تيسن، معادلات رگرسيون و روش مثلث بندي در برآورد توزيع مكاني پارامتر مورد مطالعه اشاره نمود. شبکه پایش

اگر چه محاسبات اين روش ها سريع و آسان است ولي معايب و اشكالات آنها گاهي منجر به ارائه نتايج غيرقابل قبول و با دقت كم مي شوند . استفاده از انواع روش هاي ميانگين متحرك وزني هم اكنون متداول هستند. همچنين (TPSS) تخمينگرهاي غيرپارامتري نظير روش هاي پارامتري زمين آماري نظير كريجينگ نيز به كار گرفته مي شوند.

2-1-روش های درون یابی

 2-1-1-روش کریجینگ و کو کریجینگ

یکی از روشهای زمین آمار که برای تخمین متغیر در نقاط اندازه گیری نشده و ایجاد سطوح پیوسته از اطلاعات نقطه ای مورد استفاده قرار می گیرد، روش کریجینگ است. کریجینگ یک روش تخمین است که منطبق بر میانگین متحرک وزنی استوار است و در مورد آن می توان گفت که بهترین تخمین گر خطی نا اریب (B.L.U.E) است.

این روش ها برای داده هایی با پراکنش نامنظم بکار می رود و روشی محلی(برای برآورد هر نقطه نامعلوم ،تنها برخی نمونه از نقاط معلوم بکار برده می شود) ، احتمالی (برآورد های خطا) ، دقیق (مقادیر برآورد شده به مشاهدات(اندازه گیری ها) نزدیکتر است.) ، خطی، نااریب و با واریانس کمینه در یک نقطه می باشد. بطوریکه تخمین متغیرهای مکانی با استفاده از داده های همان متغیر را کریجینگ و استفاده از متغیرهای کمکی را کوکریجینگ می گویند.

مدل کریجینگ فاقد خطای سیستماتیک بوده و در تخمین ها دارای حداقل واریانس می باشد.به همین دلیل جایگاه ویژه ای در درون یابی ها بدست آورده است. اما ویژگی های خاص این مدل محدودیت هایی را در تهیه نقشه های پراکندگی نیز ایجاد کرده است. از جمله مهم ترین این ویژگی ها، مطلق بودن آن است که عدم تطابق نتایج حاصل از این مدل

شبکه پایش با توزیع فضایی پدیده های جغرافیایی را سبب می شود. ضمن اینکه همین ویژگی، تحلیل های جغرافیایی منطبق بر روندیابی را میسر می سازد.

شبکه پایش

درون یابی منطبق بر مدل کریجینگ، وابستگی زیادی به تعداد نقاط نمونه برداری و فاصله نقاط از یکدیگر دارد. بطوریکه با تغییر آنها، الگوی ساختار فضایی تغییر می کند. هم چنین تغییرات یا واریانس نمونه ها از جمله ویژگی هایی است که درون یابی مدل کریجینگ را تحت تاثیر قرار می دهد. بطوریکه با کاهش دامنه تغییرات، سطح متغیرها افزایش می یابد.

ضمن آنکه نتایج مدل کریجینگ به سایر مدل ها نیز نزدیک است. خاصیت جمع پذیری مدل کریجینگ سبب انتقال خصوصیات از واحدهای بزرگتر به کوچکتر می شود که این ویژگی در مطالعاتی که واحدهای بزرگتر به زیر واحدهای کوچکتر تبدیل می  شوند، سبب وراثت صفات و ویژگی های پدیده ها گردد.

2-1-2-روش احتمال پذیرش (AP)

مفهوم احتمال پذيرش (Acceptance Probability ) و تعريف دقت پذیرش (Acceptable Accuracy )

شبکه پایش

يک شبکه­ پایش کیفی آب زیرزمینی، بايستي  منجر به دقت قابل قبول براي اکثر نقاط در منطقه شود. برآورد در نقطه X0  قابل قبول خواهد بود اگر مقدار برآورد شده در دامنه­اي از مقدار واقعي قرار گيرد يا به عبارتي:

(1)

كه در آن r>0 است. هر چند كه در نقطه­ي مشخص x0، دقت برآورد ساعت به ساعت و واقعه به واقعه تغيير مي­کند؛ از اين­رو ارزيابي بايستي بر مبنا­ي يک مفهوم دربرگيرنده تمامي وقايع صورت پذيرد. همچنين تعيين دامنه (r) بايستي با درنظر گرفتن واريانس پارامتر کیفی (برای مثال شوری)Z(x) (يعني ) صورت پذيرد. بنابراين معيار تجديد نظر شده و دقيق­تر با رابطه زير مي­توان بيان كرد.

(2)

كه در اين رابطه دامنه­ قابل قبول براي خطاي برآورد برحسب انحراف معيار متغير تصادفيZ(x)  است، ضريب k و حداقل احتمال α بر اساس عواملي مانند: بودجه در دسترس براي تأسيس و نگهداري ايستگاه و دقت برآورد مورد نظر انتخاب مي­شوند.

در صورتي كه محدوديتي وجود نداشته باشد، k=1 و α برابر 8/0 در نظر گرفته مي­شود. در روش كريجينگ معمولي واريانس خطاي تخمين (واريانس كريجينگ) توسط رابطه (3) بدست مي­آيد .

(3)

كه  وزن­هاي در نظر گرفته شده براي تخمين­ها، µ ضريب لاگرانژ است و  مقدار واريوگرام بين نقطه معلوم Z(xi) و نقطه مجهول Z(x0) است. شبکه پایش

چون تخمين­گر كريجينگ معمولي نااريب است، ميانگين خطاي برآورد در x0 صفر و واريانس آن  است. اگر فرض شود که توزيع خطاي برآورد نرمال باشد، احتمال اين­که خطاي برآورد  در داخل دامنه­ي مورد نظر  قرار گيرد را مي­توان به سادگي با استفاده از احتمال تجمعي توزيع نرمال استاندارد تعيين کرد:

(4)

كه در آن  خطاي تخمين استاندارد مي­باشد و از توزيع نرمال استاندارد پيروي مي­كند يا به عبارتي ،  انحراف معيار داده­هاي بارندگي مقياس شده مي­باشد كه معادل سقف واریوگرام بدون بعد در نظر گرفته مي­شود و  جذر واريانس تخمين كريجينگ مي­باشد و  احتمال پذيرش (Acceptance Probability) در نقطه x0 ناميده مي­شود كه نشان دهنده احتمال آن است كه خطاي تخمين در x0 كمتر از  است.

بنابراين مي­توان گفت كه دقت برآورد در يک نقطه­ي فاقد آمار قابل قبول است تنها اگر احتمال پذيرش مربوط به آن بزرگتر يا مساوي α باشد. در نتيجه برآورد در آن نقطه از دقت پذيرش (Acceptable Accuracy) برخوردار است. به بيان ديگر نقاطي كه واريانس­هاي کريجينگ بزرگ­تر دارند احتمال­هاي پذيرش در آنها کم­تر مي­باشد (شفيعي و همکاران، 1392).

از آنجايي که در محاسبه  (رابطه 4) نياز به مراجعه به جدول توزيع نرمال استاندارد مي­باشد، لذا در اين تحقيق از فرم تقریب زده شده­ی آن توسط شفیعی و همکاران( 2014) استفاده شده است: شبکه پایش

(5)

بنابراین ارزيابي كارايي يك شبكه پایش کیفی آب زیرزمینی را مي­توان بر اساس درصدي از مساحت منطقه با دقت پذيرش (Ap) انجام داد. بنابراين احتمال پذيرش را مي­توان در هر نقطه­ي درون منطقه مورد مطالعه محاسبه كرد.

يک شبکه­ي موجود پایش کیفی را مي­توان برحسب درصد مساحتي با دقت پذيرش از طريق جابه­جايي ايستگاه­ها يا اضافه کردن ايستگاه­هاي جديد تقويت کرد. با استفاده از الگوريتم ارائه شده توسط (چنگ و همکاران 2008) مي­توان جهت ارزيابي كارايي توام مجموعه­اي از ايستگاه­هاي باران­سنجي استفاده كرد، كه به شرح ذيل مي­باشد:

  • محاسبه Ap برای شبکه با حذف یک ایستگاه از شبکه موجود در یک سطح دقت مورد نظر (α).
  • برگرداندن ایستگاه حذف شده در مرحله قبل به شبکه، انتخاب ایستگاهی دیگر و محاسبه مجدد Ap. این مرحله تا آنجایی ادامه می یابد که همه ایستگاه­ها مورد استفاده قرار گیرند. بنابراین مجموعه­ای از مقادیر Ap به ازای حذف هر ایستگاه از شبکه بدست می­آید. شبکه پایش
  • در این مرحله ایستگاهی که بیشترین مقدار Ap را در مرحله 2 داشته از محاسبات کنار گذاشته
  • می­شود. سپس از تعداد ایستگاه­های باقی­مانده یکی کم می­شود و مراحل 1 و 2 تکرار می­شوند. مرحله 3 تا زمانی اجرا می­شود که تنها یک ایستگاه باقی بماند.

بعد از اتمام الگوريتم ترتيبي فوق، تمامي ايستگاه­ها براساس نوبت (رتبه) حذف شدنشان در گام سوم اولويّت­بندي مي­شوند. علاوه­ براين در هر بار كه در گام سوم يك ايستگاه حذف مي­شود نقشه­ي مقادير احتمال پذيرش و مقادير Ap  متناظر با آن با استفاده از ايستگاه­هاي باقي­مانده بدست مي­آيد. با استفاده از مقادير Ap مربوط به حذف تک ايستگاه­ها يا معادل آن مجموعه­اي از ايستگاه­هاي باقيمانده، نموداري براساس Ap و شماره ايستگاه حذف شده متناظر با آن براي نشان دادن ترتيب اولويّت ایستگاه های نمونه برداری و کارايي مجموعه­ي این ایستگاه ها مي­توان ترسيم كرد.

2-2-روش های شبیه سازی

 2-2-1-روش svm

الگوریتم SVM اولیه در ۱۹۶۳ توسط Vladimir Vapnik  ابداع شدو در سال ۱۹۹۵ توسط Vapnik و corinna cortes  برای حالت غیرخطی تعمیم داده شد. ماشین بردار پشتیبانی (Support vector machines – SVMs)  یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند. شبکه پایش

این روش از جمله روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کنندة SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادلة پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد. شبکه پایش

قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به وسیله تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مساله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مساله مینیمم‌سازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیده phi  که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی از جمله هسته‌های نمایی،چندجمله‌ای و سیگموید می‌توان استفاده نمود.

از مهمترین معایب svm می توان به موارد زیر اشاره کرد:

1-نیاز به تعیین kernel با توجه به هر کاربرد. بعبارت دیگر با تعیین یک kernel  مناسب می توان دقت مناسبی بدست آورد.

شبکه پایش

2-حساس بودن دقت به پارامترهای svm

3-برای حل یک مسئله بهینه سازی در svm ، محدودیت هایی از لحاظ سرعت و زمان وجود دارد. شبکه پایش

مهمترین مزیت svm این است که عمومیت خوبی دارد و جواب بهینه سراسری تولید می کند. در حالیکه بعضی الگوریتم ها مثل شبکه عصبی جواب بهینه محلی تولید می کند و در نتیجه ممکن است جوابی که شبکه عصبی به ما می دهد جواب مناسبی نباشد.

شبکه پایش

2-2-2-روش Ls-svm

روش بعدی، روش حداقل مربعات ماشین بردار پشتیبان یا (Least Square Support Vector Machine) می باشد. این الگوریتم با تغییر قیدهای نامساوی در svm معمولی به قیدهای مساوی فرمول بندی svm را اصلاح می کند و در نتیجه جواب مسئله بهینه سازی مقید با در نظر گرفتن شرایط بهینه سازی KKT تبدیل به حل مجموعه ای از معادلات خطی می شود.

شبکه پایش این اصلاحات باعث می شود که svm توانایی کار کردن با مجموعه داده های بزرگ را با استفاده از حل کننده های خطی مثل simplex و Ceplx داشته باشد و تنها در اثر این اصلاحات ، ویژگی خلوتی svm از بین می رود.

شبکه پایش

3-نتیجه گیری

تخمین دقیق تغییرات مکانی پارامتر های کیفی آب زیرزمینی در حوضه­های آبریز و زیرحوضه­های آنها همواره چالشی در مباحث تعیین نقاط مناسب نمونه برداری و یا حذف نقاط اضافی از شبکه پایش می باشد . بنابراین ارزیابی عملکرد شبکه­ ی ایستگاه­های نمونه برداری در حوضه­ها از اهمیت زیادی برخوردار می­باشد.

اما همواره وجود یک معیار مناسب برای این امر احساس شده است. روش احتمال پذیرش می­تواند به عنوان یک روش ساده و کاربردی این مسئله را در مطالعات منابع آب حل نماید. شبکه پایش

این روش مبتني بر مدل­ زمين­آماري كريجينگ براي ارزيابي وبهينه­يابي شبكه پایش کیفی آب زیرزمینی در دشت مشهد استفاده شده است كه مفهوم آن بر اساس درصدي از مساحت منطقه با دقت پذيرش (Ap) مي­باشد. از مزیّت­های این روش می­توان به موارد زیر اشاره کرد: 1) در نظر گرفتن مقدار یک پارامتر کیفی (برای مثال شوری) نقطه ای(به جای در نظر گرفتن میانگین) در بررسی دقت تخمین توزیع مکانی  2) انعطاف­پذیری بالا  3) به کمیّت درآوردن میزان مشارکت هر ایستگاه در دقت تخمین توزیع مکانی  4) با کاربرد الگوریتم ارائه شده در این روش، شبکه­ی بهینه بدست آمده نه تنها برای کل حوضه بهینه است بلکه برای سایر مناطق حوضه از جمله زیرحوضه­ها نیز بهینه خواهد بود.

4-منابع

  • ايزدي ع.، دلقندي م. و فراستي م.، (1389). “کاربرد روش هاي کريجينگ و کوکريجينگ در تخمين مکاني پارامترهاي کيفي آبهاي زيرزمينی” ، سومین همایش ملی مدیریت شبکه های آبیاری و زهکشی. دانشگاه شهید چمران اهواز.
  • ثقفيان ب. و رحيمي بندرآبادي س.، (1384) ، “مقايسه روش هاي درونيابي و يرون يابي براي برآورد توزيع مکاني مقدار بارندگي سالانه” ، مجله تحقيقات منابع آب ايران.جلد2(1). 84-74.
  • ثقفيان ب.، رحيمي بندر آبادي س.، طاهري ح. و غيوميان ج.، (1384) ، “اثر تراکم ايستگاه و تفکيک مکاني در برآورد توزيع مکاني بارندگي روزانه” ، مطالعه موردي بارندگي هاي جنوب غرب ايران، مجله استقلال، جلد24(1).75-59 .
  • حيدري هنگامي م. و نژاد کورکي ف.، (1392) ، “بهينه سازي شبکه پايش کيفي آب هاي زيرزميني دشت ايسين” ، اولین همایش تخصصی محیط زیست، انرژی و صنعت پاک، تهران، دانشگاه تهران.
  • رضايي ا.، خاشعي سيوکي ع. و شهيدي ع.، (1393) ، “طراحي شبکه پايش سطح آب زيرزميني با استفاده از مدل حداقل مربعات ماشين بردار پشتيبان(LS-SVM)” ، تحقيقات آب و خاک ايران، جلد4(45). 396-389.
  • شفيعي م.، قهرمان ب. و ثقفيان ب.، (1392) ، “ارزيابي و بهينه يابي شبکه ايستگاه هاي باران سنجي بر مبناي روش کريجينگ احتمالاتي(مطالعه موردي:حوضه گرگانرود)” ، تحقيقات منابع آب ايران، جلد2. 22-13.
  • شفيعي م.، قهرمان ب. و ثقفيان ب.، (1392) ، “معرفي روش احتمال پذيرش در ارزيابي عملکرد و تقويت شبکه ايستگاه هاي باران سنجي در حوضه هاي آبريز” ، پنجمين کنفرانس مديريت منابع آب ايران. تهران، انجمن علوم و مهندسی منابع آب ایران، دانشگاه شهید بهشتی.
  • قربانزاده ر.، رضايي م.، جعفري راد ع. و دانشيان ح.، (1374) ، “بهينه سازي شبکه پايش کيفي آلودگي منابع آب زيرزميني در دشت دزفول-انديمشک با استفاده از تکنيک زمين آمار و GIS” ، پانزدهمين همايش انجمن زمين شناسي ايران. تهران، انجمن زمین شناسی ایران، دانشگاه تربیت معلم.
  • قهرمان ب.، حسيني م. و عسگري ح.، (1382) ، “کاربرد زمين آمار در ارزيابي شبکه هاي پايش کيفي آب زيرزميني” ، امير کبير.سال چهاردهم. جلد55(14). 981-971.
  • قهرودی تالی م.، (1381) ، “ارزیابی درون یابی به روش کریجینگ” ، مرکز GIS جهاد دانشگاهی واحد دانشگاه تربیت معلم تهران، پژوهش های جغرافیایی، (43)، 95-108.
  • کسايي رودسري ب.، قهرمان ب. و شريفي م.، (1389) ، “بررسي تراکم شبکه ايستگاه هاي باران سنجي با استفاده از روش هاي زمين آماري (مطالعه موردي:استان هاي خراسان رضوي،شمالي و جنوبي)” ، مجله علمي-پژوهشي علوم و مهندسي آبخيزداري ايران، جلد4(10). 44-35.
  • Chebbi,a.Kebaili Bargaoui,z.da Conceição Cunha,m.(2011). “Optimal Extension of Rain Gauge Monitoring Network for Rainfall Intensity and Erosivity Index Interpolation”. jornal of hydrologic engineering , august2011, 8(16): 665-676
  • Cheng, K.S. Wei, C. Cheng, Y.B. Yeh, H.C. and Liou, J.J. (2008), “Rain-gauge network evaluation and augmentation using geostatistics”. Hydrological Processes 22(14): 2555–2564.
  • Dagostino, V. Greene, E. A. passarella, G. and Vurro, M. (1998). “Spatial and temporal study of nitrate concentration in groundwater by means of coregionalization”. Environmental Geology, 3(36): 285-295.
  • Delhomme, J.P. (1978). “Kriging in hydrosciences”. 1(5):251-266.
  • Demir, Y. Erşahin, S. Güler, M. Cemek, B. Günal, H. and Arslan, H. (2009). “Spatial
  • variability of depth and salinity of groundwater under irrigated ustifluvents in the Middle Black Sea Region of Turkey”. Environ Monit Assess, 158(1-4):279-94
  • Desbarats, A. J. Logan, C. E. Hinton, M. L. and Sharpe, D. R. (2002). “On the kriging of water elevations using collateral information from a digital elevation model”. Journal of Hydrology, 225(1-4): 25–38.
  • Istok, J.D. and R.M. Cooper (1998). “Geostatistics Applied to Groundwater Pollution”. III:Global Estimates. Journal of Environmental Engineering, 114(4): 915-928.
  • Liu, C.W. Jang, C.S. and Liao, C.M. (2004). “Evaluation of arsenic contamination potential using indicator kriging in the Yun-Lin aquifer (Taiwan)”. The Science of Total Environment, 321(1-3): 174–188.
  • Rouhani, S. and Hall, T.J. (1988). “Geostatistical schemes for groundwater sampling”. Journal of Hydrology ,1-2(103): 85-102.
  • Shafiei, M. Ghahraman, B. Saghafian, B. Pande, S. Gharari, S. and Davary, K. “Assessment of rain-gauge networks using a probabilistic GIS based approach”. Hydrology Research, 4-5 (45): 551-562.
  • Sophocleous, M. Paschetto, J.E. and Olea, R.A. (1982). “Groundwater network design for Northwest Kansas. using the theory of regionalized variables”. Groundwater, 20(1): 48-58.
  • Ta’any, R.A. Tahboub, A.B. and Saffarini, G.A. (2009). “Geostatistical analysis of Spatiotemporal variability of groundwater level fluctuations in Amman–Zarqa basin”. Jordan: a case study. Environ Geol, 57(3): 525–535.
  • Virdee, T.S. and Kottegoda, N.T. (1984). “A brief review of kriging and its application to optimal interpolation and observation well selection”. Hydrological Sciences Journal, 29(4): 367-387.
  • Webster, R. and Oliver, M. A. (2001), “Geostatistics for environmental scientists”. John Wiley and Sons, Ltd., Chichester, UK. 271p.
اشتراک:

درباره نویسنده

نظرات بسته اند

برچسب‌ها : % % % % % % % % % % % % %
Call Now Button