ارزیابی روش‌های مختلف زمین‌آماری مبتنی برGIS در پیش بینی و پهنه‌بندی تهاجم شوری آبخوان های استان آذربایجان غربی

نوع مقاله: مقاله اصلی

نویسندگان

1 دانشجوی کارشناسی ارشد علوم مهندسی آب (آبیاری و زهکشی)، دانشگاه ارومیه

2 دانشجوی دکتری مهندسی منابع آب، دانشگاه ارومیه

3 دانشیار گروه مهندسی آب، دانشگاه ارومیه

چکیده

در سفره‌های آب‌های ساحلی، گسترش داخلی آب دریا شایع‌ترین دلیل برای افزایش شوری است. استان آذربایجان غربی نیز به دلیل قرارگیری در کنار دریاچه فوق اشباع از نمک و افت شدید آب‌های زیرزمینی این منطقه، در معرض تهاجم شوری قرار دارد. در این مطالعه به‌منظور ارزیابی آثار تهاجم شوری به سفره‌های آب‌های زیرزمینی استان آذربایجان غربی از روش‌های زمین‌آماری با مدل‌های مختلف استفاده شده است. به‌منظور تحلیل روش‌های درون‌یابی از روش‌های کریجینگ، کوکریجینگ و معکوس فاصله (IDW) با متغیرهای وزن داده‌شده و بدون آن استفاده گردید. برای ارزیابی دقت مدل‌های تدوین‌شده تخمین‌گر زمین‌آماری، از معیارهای آماری ضریب تبیین (R2)، جذر مربعات خطا (RMSE) و میانگین خطای بایاس (MBE) استفاده گردید. بر اساس نتایج نشان این تحقیق از مدل‌های مختلف مورد استفاده، مدل کروی در روش کریجینگ، مدل کروی با متغیر کمکی Ca در روش کوکریجینگ، مدل توان 2 در روش IDW و مدل توان 2 با متغیر وزن داده‌شده Hco3، به‌عنوان بهترین مدل‌ها انتخاب گردیدند. از بین روش‌های استفاده شده برای درون‌یابی نسبت تهاجم شوری در منطقه موردمطالعه نیز، روش کوکریجینگ کمترین میزان خطا را نشان داد. مقایسه نقشه‌های پهنه‌بندی تهاجم شوری نیز نشان می‌دهد که مدل معکوس فاصله نسبت به مقادیر حداقل و حداکثر حساس بوده و مقادیر آن‌ها را در ناحیه بیشتری از منطقه موردمطالعه نشان می‌دهد. این در حالی است که مدل‌های کریجینگ و کوکریجینگ دقیق‌تر بوده و پهنه‌بندی را با دقت بیشتری انجام می‌دهند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of different geostatistical methods based on GIS for predicting and zoning salinity invasion of aquifers of West Azarbaijan

نویسندگان [English]

  • Tohid Aligholinia 1
  • Negar Rasouli Majd 2
  • Hossein Rezaie 3
1 MSc. Student of Water Engineering (Irrigation and Drainage), Faculty of Water Engineering. Urmia University, Urmia, Iran
2 PhD Student of Water Management Engineering, Faculty of water Engineering. Urmia University, Urmia, Iran
3 Associate Prof., Faculty of water Engineering. Urmia University, Urmia, Iran
چکیده [English]

In coastal aquifers, infiltration and internal extending seawater is the most common reason for the increased salinity. Locating adjacent to the hypersaline lake and a sharp drop in groundwater in the region has exposed West Azerbaijan Province to salinity invasion. In this study, geostatistical methods with various models were used to evaluate the effects of the salinity invasion toward the groundwater aquifers in West Azerbaijan. In order to analyze the interpolation methods, the kriging, cokriging, and inverse distance weight (IDW) with weighted variables and without weighted variables were used. To assess the accuracy of the developed models of geostatistical estimator, the coefficient of determination (R2), root square error (RMSE), and mean bias error (MBE) were used. Based on the results of this study, it was found that spherical kriging model, the spherical cokrigings model with Ca auxiliary, Model 2 in IDW method and Model 2 with HCO3 as variable weighted in IDW method were selected as the best models. Among the methods used for interpolation of salinity invasion in the study area, cokriging method showed the lowest error. Comparison of the zoning maps of salinity invasion showed that IDW model was sensitive to minimum and maximum values ​​ and showed those values ​​in wider area in the study area. However, kriging and cokriging models are more accurate and perform the zoning with more accuracy.

کلیدواژه‌ها [English]

  • Geographical information system
  • land statistics
  • Kriging
  • Soviet Invasion Compared
  • IDW
Aalianvari A., Maleki Tehrani, M. and Soltanimohammadi, S. (2013).  Application of geostatistical methods to estimation of water flow from upper reservoir of Azad pumped storage power plant. Arab. J. Geosci. 6, 2571–2579.

Adhikary P. P., Chandrasekharan, H., Chakraborty, D. and Kamble, K. (2010). Assessment of groundwater pollution in West Delhi, India using geostatistical approach. Environ. Monit. Assess. 167,599–615.

 

Alemi M. H., Shahriari M. R., and Nielsen D. R. (1988). Kriging and cokriging of soil properties. Soil Technol., 1: 117- 132.

 

Bear J. and Cheng A. H. D. (2010).  Modeling groundwater flow and contaminant transport. Vol. 23. Springer Science & Business Media, 2010.

 

Bruland G. L. and Richardson C. J. (2005). Spatial variability of soil properties in created, restored, and paired natural wetlands. Soil Sci. Soc. Am. J. 69, 273–284.

 

Cheng K., Lin S. and Liou J. J. (2008). Rain-gauge network evaluation and augmentation using geostatistics. Hydrol. Proc. 22, 2554-2564.

Diodato N. and Ceccarelli M. (2005). Interpolation processes using multivariate geostatistics for mapping of climatological precipitation mean in the Sannio Mountains (southern Italy), Earth Surface Proc. Landforms. 30: 259-268.

 

Drogue G., Humbert J., Deraisme J., Mahr N. and Freslon N. (2002). A statistical topographic model using an omnidirectional parameterization of the relief for mapping orographic rainfall. Inter. J. Climat. 22(5), 599-613.

 

Farboudfam N., Ghorbani M. A. and Alami M. T. (2009). River flow prediction using genetic programming (case study: Lighvan River Watershed). Water Soil Sci., 19(1), 107-123 [In Persian].

 

Fetouani S., Sbaa M., Vanclooster M. and Bendra B. (2008). Assessing groundwater quality in the irrigated plain of Triffa (North-east Morocco). J. Agri. Water Manag., 95: 133-142.

 

Flipo N., Jeanne´ N., Poulin M., Even S. and Ledoux E. (2007). Assessment of nitrate pollution in the Grand Morin aquifers (France). Combined use of geostatistics and physically based modeling. Environ. Poll., 146, 241–256.

 

Goovaerts P. (2000). Geostatistical approach for incorporating elevation into the spatial interpolation of rainfall. J. Hydrol. Amsterdam, 228(1 and 2), 113-129.

 

Gundogdu I. B. and Esen O. (2010). The importance of secondary variables for mapping of meteorological data. International Conference on Cartography and GIS. 15-20 June, 2010.

 

 Nessebar B., Isaaks E. H. and Srivastava R. M. (1989). An introduction to applied geostatistics. Oxford University Press, New York. 541 pp.

 

Kelin H., Yuangfang H., Hong L., Baoguo L., Deli C. and White R. E. (2005). Spatial variability of shallow groundwater level, electrical conductivity and nitrate concentration, and risk assessment of nitrate contamination in North China Plain. Environ. Int., 31. 896 – 903.

 

Krishna M. B. R. and Sabbaiah, G. (2007). Geostatistical analysis for estimation of mean rainfalls in Andhra Pradesh, India. Int. J. Geol., 3(1), 35-51.

 

Legates D. R. and McCabe G. J., (1999). Evaluating the use of goodness-of-fit measures in hydrologic and hydro climatic model validation. Water Resour. Res., 3 (1): 233-241.

 

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). Sci. Total Environ., 321, 173–88.

 

Machiwal D., Mishra A., Jha M. K., Sharma A. and Sisodia S. S. (2012). Modeling short-term spatial and temporal variability of groundwater level using geostatistics and GIS. Nat. Resour. Res., 21, 117137.

 

 Masoudian S. (2003). Analysis of Iran’s monthly temperature, J. Human Sci., Isfahan, 15(1), 87-96 [In Persian].

 

Phillip D. L., Dolph J. and Marks D. (1992). A comparison of geostatistical procedure for spatial analysis of precipitation in mountainous terrain. Agr. Forest. Meteorol., (58), 119-141.

 

Prudhomme C. and Reed D. W. (1999). Mapping extreme rainfall in mountainous region using geostatistical techniques. Int. J. Climatol., 19(2), 1337-1356.

 

         

Robinson T. P. and Metternicht G. (2006). Testing the performance of spatial interpolation techniques for mapping soil properties. Comput. Elect. Agri., 50(2), 97-108.

 

Saghafian B. and Rahimi Bondarabadi S. (2005). Comparison of interpolation and extrapolation methods for estimating spatial distribution of annual rainfall, Iran. Water Resour. Res., 1(2), 74-84.

 

Sanches F. (2001). Mapping groundwater quality variables using PCA and geostatistics: a case study of Bajo Andarax, southeastern Spain. Hydrological Sciences-Journal-des Sciences Hydrologiques. 46(2):227-242.

 

Sanikhani H. and Kisi O. (2012). River flow estimation and forecasting by using two different adaptive Neuro-Fuzzy approaches. Water Res. Manag., 26, 1715–1729.

 

Shabani M. (2009). Determine the most appropriate method of geostatistics in mapping groundwater pH and TDS (case study: Plain Arsanjan). J. Water Manag. Eng., 2(3), 47-57 [In Persian].

 

Wang J. H., Wu Y. W. and Fu Q. L. (1999). Study on spatial variability in conductivity of the coastal saline soils. J. Zhejiang Agri. Uni., 25(2), 139-142.

 

 Xu C., Gong L., Jiang T., Chen D. and Singh V. P. (2006). Analysis of spatial distribution and temporal trend of reference evapotranspiration and pan evaporation in Changjiang (Yangtze River) catchment. J. Hydrol., 327, 81– 93.

 

 Zamani R., Akhonali A.M., Solaimani K., Ansari F. and Allahbakhshian P. (2011). Application of geostatistics in zone classification of drought severities (case study: Fars Province), J. Watershed Manag. Res., 3(6), 15-29 [In Persian].