مقایسه کاربرد چهارده الگوی سری‏های زمانی برای تحلیل و پیش ‏‏بینی تغییرات سطح آب زیرزمینی دشت مرند (حاشیه شمالی دریاچه ارومیه)

نوع مقاله: مقاله پژوهشی

نویسنده

مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی آذربایجان شرقی

چکیده

دشت مرند از جمله مناطق مهم کشاورزی استان آذربایجان شرقی است که بیش از 80 درصد از نیاز آبی محصولات مختلف زراعی و باغی در این دشت، از منابع آب زیرزمینی تامین می‌شود. برداشت مداوم و بی رویه از موجب افت قابل توجه از سطح آب زیرزمینی گردیده است. بنابراین بهره‌برداری بهینه و پایدار از منابع آب زیرزمینی در این دشت یک‌ ضرورت مدیریتی است که آن‌هم مستلزم الگوبندی کمی مصرف و پیش‌بینی روند بهره‌برداری از این منبع آب است. از سوی دیگر با عنایت به توانمندی فن‌های سری‌های زمانی در الگوبندی و پیش‌بینی رفتار پدیده‌های مهندسی آب، این پژوهش با هدف تحلیل تغییرات سطح آب زیرزمینی این دشت با الگوهای یادشده، انجام گردید. در این پژوهش افت سطح آب زیرزمینی به مدت 45 سال با 14روش الگوبندی ارزیابی گردید و پس از ارزیابی، الگوی اتورگرسیو تلفیقی میانگین متحرک (ARIMA) مناسب‏ترین الگو تشخیص داده شد. نحوه الگو‏بندی، آزمون و پیش‏بینی با الگوی یادشده به این صورت بود که حدود داده‌های 25 سال افت سطح آب زیرزمینی برای الگوبندی (از سال 1361 تا 1386)، 10 سال (1386 تا 1396) برای آزمون و 10 سال آینده بقیه (1396 تا 1406) برای پیش‏بینی استفاده گردید. نتایج نشان داد سطح آب زیرزمینی از سال 1361 تاکنون بیش از 17 متر افت داشته است. سناریوهای مختلف صرفه‏جویی با شروع از سال 1397 برای کاهش اثرات روند نزولی تغییرات سطح آب و مدیریت بهینه مصرف آب زیرزمینی، در نظر گرفته شد. در صورت صرفه‏جویی فقط به‌اندازه 10 درصد در مصرف آب زیرزمینی، در سال دهم معادل 67 میلیون مترمکعب صرفه‏جویی خواهد شد. راهکارهایی مانند تسطیح اراضی زراعی، استفاده از گیاهان زراعی و باغی با نیاز آبی کم، استفاده از روش‌های کم آبیاری، برنامه‌ریزی مناسب آبیاری می‌توانند موجب صرفه‌جویی در مصرف آّب در این دشت که در حاشیه دریاچه ارومیه قرارگرفته، باشد

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Fourteen Methods of Time Series to Analyze and Predict Ground Water Changes in Marand Plain (North of Urmia Lake)

نویسنده [English]

  • Abolfazl Nasseri
AREEO
چکیده [English]

Marand plain is one of the most important agricultural regions in East Azarbaijan province, which groundwater resources were applied more than 80% the water requirements of agricultural productions in this plain. Continuous consumption of groundwater caused a significant decline since 1982. Therefore, optimal and sustainable exploitation of groundwater resources is a management necessity in this plain. Consequently, modeling and prediction of the exploitation process could be accomplished by an appropriate technique. This study was conducted with the objective of analyzing the groundwater level variations in Marand plain with time series statistical models due to the ability of time series techniques to model and predict the behavior of temporal variation in water engineering phenomenon. Moreover, the groundwater level decline was modeled for 45 years with 14 methods of time series in this study. An Autoregressive Integrated Moving Average (ARIMA) model was recognized as the most appropriate pattern. Modeling, testing and prediction were as follows: 25 years of the data for modeling (from 1982 to 2006), 10 years of data for the test (from 2006 to 2017) and future 10 years (from 2017 to 2027) was used for prediction of ground water. Results showed that the average decline of groundwater from 1982 up to now was 17 m. For optimal management of groundwater application, different saving scenarios including 0, 5, 10, 15, 20, 25 and 30 percent savings starting from 2018 were considered. In the tenth year, about 67 ×106 m3 of groundwater will be saved with savings of only 10% from 2018. The land leveling, crop with low water requirements, deficit irrigation and irrigation scheduling could be applied to save groundwater in the north of Urmia Lake.

کلیدواژه‌ها [English]

  • Autoregressive Integrated Moving Average (ARIMA) model
  • Groundwater
  • Groundwater modeling
  • Marand plain aquifer
بی‌نام.1370. طرح جامع آب کشور، منابع آب‌های زیرزمینی (نحوه محاسبه بیلان آب زیر‌زمینی و مجموع بیلان حوزه‌ها، تقسیم‌بندی دشت‌ها ازنظر پتانسیل). شرکت مهندسین مشاور جاماب.104 ص.

بی‌نام. 1381. فرهنگ جغرافیایی رودهای کشور جلد اول حوضه آبریز دریاچه ارومیه. سازمان جغرافیایی نیروهای مسلح.320 ص

بی‌نام، 1396. بررسی وضعیت منابع آب زیرزمینی کشور. شرکت مدیریت منابع آب ایران، معاونت مطالعات پایه و مدیریت حوضه‌های آبریز، وزارت نیرو. ایران

چیت‌سازان،م.، میرزایی،س.ی و چینی‏پرداز،ر. 1386. منطقه‌بندی آبخوان شهرکرد با استفاده از تحلیل سری‌های زمانی. مجله علوم. دانشگاه شهید چمران اهواز. ب: 1 تا 15.

رحمانی،ع.ر و سدهی،م. 1383. پیش‌بینی تغییرات سطح آب زیرزمینی دشت همدان- بهار با الگو سری‌های زمانی. مجله آب و فاضلاب. 15. 3 : 42 - 49.

ناصری،ا. 1383. تجزیه‌ و تحلیل سری‌های زمانی نفوذ و توزیع زمانی مکانی جریان سطحی در آبیاری جویچه‌ای. پایان‌نامه دکتری علوم و مهندسی آبیاری. دانشکده کشاورزی دانشگاه تبریز.

مهندسین مشاور جاماب. 1372، طرح جامع آب کشور، سیمای توسعه دشت‌های ایران، حوزه‌های آب­ریز شمال و آذربایجان. جلد اول. 288 صفحه.

نیرومند،ح. 1376. تحلیل سری‌های زمانی، روش‌های یک متغیری و چندمتغیری (ترجمه). دانشگاه فردوسی مشهد.

ویسی­پور،ح.، معصوم­پور سماکش،ج.ف.، صحنه،ب و یوسفی،ی. 1389. تحلیل پیش‏بینی روند بارش و دما با استفاده از مدل‏های سری‌های زمانی (ARIMA) نمونه موردی: شهرستان کرمانشاه. مجله علوم و مهندسی آبخیزداری ایران. 8. 2: 21 - 30.

ترابی، س. 1380. بررسی و پیش‏بینی تغییرات دما و بارش در ایران. پایان‏نامه دکتری جغرافیای طبیعی . دانشکده علوم انسانی و اجتماعی. دانشگاه تبریز. 190 ص.

طرازکار، م. ح. و صدق‌آمیز، ع. 1387. مقایسه پیش‏بینی دبی جریان رودخانه کرخه با استفاده از روش‌های سری زمانی و هوش مصنوعی. مجله پژوهش و سازندگی. جلد 21، شماره 3 . 51-58.

زاهدی، م. و قویدل رحیمی، ی. 1381. شناخت، طبقه‏بندی و پیش‌بینی خشکسالی حوضه آبریز دریاچه ارومیه با استفاده از مدل سری زمانی هالت- وینترز. فضای جغرافیائی.جلد 6. 19- 48.

طاهری، م. 1377. مدل‌بندی میزان دما و بارش 11 ایستگاه هواشناسی ایران و پیش‌بینی تا پایان سال 2000. تهران. سازمان هواشناسی کشور. 75ص.

Adhikary,S.K., Rahman, M and Gupta, A.D. 2012. A stochastic modelling technique for predicting groundwater table fluctuations with time series analysis. International journal of applied science and engineering research, 1.2: 238-249.

Ahn,H. 2000. Modeling of groundwater heads based on second order difference time series modeling. Journal of hydrology. 234: 82-94.

Anonyms,D. 2012. Groundwater resources statues. Energy ministry. Iran

Brightte,E. J. and Hendry, M.J. 2003. Application of harmonic analysis of water levels to determine vertical hydraulic conductivity. Groundwater. 41.40: 514-522.

Brockwell,P.J. and Davis, R.A. 1996. Introduction to time series and forecasting. Springer. New York.

Burlando,P., Montana, A. and Raze, R. 1996. Forecasting of storm rainfall by combined use of radar, rain gages and liner models, Atmospheric research. 42: 199-216.

Castellano-Mendez,M., Gonzalez-Manteiga,W., Febrcro, W., Febrcro-Bende, M., Prada-Sanchez, J.M., and Lozano-Calderon, R. 2004. Modeling of monthly and daily behavior of the run off the xallas river using box-jenkins and neural networks methods. Journal of hydrology. 296: 38-58.

Chatfield,C. 1996. The analysis of time series: an introduction. 5th edition. Chapman and hall. UK.

Choubin,B and Malekian,A. 2017. Combined gamma and M-test-based ANN and ARIMA models for groundwater fluctuation forecasting in semiarid regions. Environmental earth sciences. 76.15: p.538.

Chow,V.T., and Kareliotis,S.J. 1970. Analysis of stochastic hydrologic systems. Water resources research. 16: 1569-1582.

Cirkel,D.G., Witte, J.P.M and Van der Zee, S.E. 2010. Estimating seepage intensities from groundwater level time series by inverse modelling: A sensitivity analysis on wet meadow scenarios. Journal of hydrology. 385.1-4:132-142.

Cuthbert,M.O. 2010. An improved time series approach for estimating groundwater recharge from groundwater level fluctuations. Water resources research. 46.9:1-11 .

Gibrilla,A.,G. Anornu, G. and Adomako, D. 2018. Trend analysis and ARIMA modeling of recent groundwater levels in the white volta river basin of ghana. groundwater for sustainable development. 6:150-163.

Hatch,C.E., Fisher,A.T., Ruehl,C.R and Stemler,G. 2010. Spatial and temporal variations in streambed hydraulic conductivity quantified with time-series thermal methods. Journal of hydrology. 389.3-4:276-288.

Irvine,D.J., Cranswick,R.H., Simmons,C.T., Shanafield, M.A and Lautz,L.K. 2015. The effect of streambed heterogeneity on groundwater‐surface water exchange fluxes inferred from temperature time series. Water resources research. 51.1: 198-212.

Johnson,T.C., Slater,L.D., Ntarlagiannis,D., Day‐Lewis,F.D and Elwaseif,M. 2012. Monitoring groundwater‐surface water interaction using time‐series and time‐frequency analysis of transient three‐dimensional electrical resistivity changes. Water resources research. 48.7:1-13.

Padilla,A., Puldo-Bosch,A., Cavache,M and Vallejos,A. 1996. The ARMA model applied to the flow of Karst Spring. Water resources bulletin. 32:917-928.

Peterson,R.N., Santos,I.R and Burnett,W.C. 2010. Evaluating groundwater discharge to tidal rivers based on a Rn-222 time-series approach. Estuarine, coastal and shelf science. 86.2:165-178.

Quimpo,R.G. 1968. Autocorrelation and spectral analysis in hydrology. Journal of hydraulic division. 94.2: 363-373.

Rakhshandehroo,G.R and Amiri,S.M. 2012. Evaluating fractal behavior in groundwater level fluctuations time series. Journal of hydrology. 464:550-556.

Rau,G.C., Andersen,M.S and Acworth,R.I. 2012. Experimental investigation of the thermal time‐series method for surface water‐groundwater interactions. Water resources research. 48.3:1-18.

Salas,J.D., Delleur,J.W., Yevjevich,V.M and Lane,W.L. 1980. Applied modeling of hydrologic time series. Water resources publication.

Samani,N. 2001. Response of karst aquifer to rainfall and evaporation, maharlu basin, Iran. Journal of cave and karst studies. 63: 23-40.

Samani,N., Raeissi,E and Soltani,A.1994. Modeling the stochastic behavior of the fars river. Journal of science. 5.1- 2: 49-58.

Sen,Z. 1998. Small sample estimation of the time average in climate time series. International journal of climatology. 18: 1725-1732.

Siadat,H. 2000. Iranian agriculture and salinity. Soil and Water Research Institute of Iran, Tehran, Iran.

Taweesin,K., Seeboonruang,U and Saraphirom,P. 2018. The influence of climate variability effects on groundwater time series in the lower central plains of thailand. Water. 10.3. p.290.

Vandersteen,G., Schneidewind,U., Anibas,C., Schmidt,C., Seuntjens,P and Batelaan,O. 2015. Determining groundwater‐surface water exchange from temperature‐time series: Combining a local polynomial method with a maximum likelihood estimator. Water resources research. 51.2: 922-939.

Vangeer,F.C. 1996. An estimation of box jenkins transfer noise models for spatial interpolation of ground water head series: Journal of hydrology. 192: 65-80.

Yang,Q., Wang,Y., Zhang,J and Delgado,J. 2017. A comparative study of shallow groundwater level simulation with three time series models in a coastal aquifer of south china. Applied water science. 7.2: 689-698.