DOI: https://doi.org/10.3389/fenvs.2024.1291327
تاريخ النشر: 2024-02-16
المؤلف: Fan Feng وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقيّم هذه الدراسة فعالية خوارزميات التعلم الآلي التقليدية والعميقة (DML) المختلفة في توقع مستوى المياه الجوفية (GWL) في مدينة إيزه، محافظة خوزستان، إيران، باستخدام ثلاثة متغيرات إدخال رئيسية: معدل استخراج المياه الجوفية ($E$)، معدل هطول الأمطار ($R$)، ومعدل تدفق النهر ($P$). من بين الخوارزميات التي تم تقييمها – بما في ذلك الشبكات العصبية التلافيفية (CNN)، الشبكات العصبية المتكررة (RNN)، آلات الدعم الناقل (SVM)، أشجار القرار (DT)، الغابات العشوائية (RF)، والشبكات التنافسية التوليدية (GAN) – برز نموذج CNN كالأكثر فعالية، حيث حقق خطأ متوسط الجذر التربيعي (RMSE) قدره 0.0558 ومعامل تحديد ($R^2$) قدره 0.9948. أظهرت CNN متانة ضد الضوضاء، وقابلية التوسع لمجموعات البيانات الكبيرة، والقدرة على التعرف بشكل مستقل على أنماط البيانات، مما أدى إلى تقليل التنبؤات الشاذة.
أشارت تحليلات الارتباط إلى أن $P$ و $E$ تؤثر بشكل كبير على GWL، حيث كان $E$ مرتبطًا إيجابيًا و $R$ يظهر تأثيرًا ضئيلًا. تشير النتائج إلى أن القدرات المتقدمة لـ CNN تجعلها أداة متفوقة لتوقع GWL، مما قد يعزز إدارة الموارد المائية وإنتاجية الزراعة في مدينة إيزه. قد تكون المنهجية المقدمة قابلة للتطبيق أيضًا على مناطق أخرى تعاني من نقص المياه، مما يبرز الإمكانية لتحسين استراتيجيات إدارة المياه العالمية استجابةً لنمو السكان. يمكن أن تعمل الأبحاث المستقبلية على تحسين نموذج CNN من خلال دمج متغيرات إدخال إضافية لتعزيز دقة التنبؤ.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لإدارة مستوى المياه الجوفية (GWL)، لا سيما في المناطق الجافة وشبه الجافة، حيث أدى الاستغلال المفرط إلى تدهور شديد في موارد المياه الجوفية. تؤكد على ضرورة التنبؤ بدقة بـ GWL من أجل التحقيقات الهيدروجيولوجية الفعالة، وإدارة المياه الجوفية، وتقييم كميات المياه الجوفية. تم إجراء دراسات مختلفة لتقدير إمكانيات المياه الجوفية ومراقبة التغيرات في GWL، مما يبرز أهمية نماذج السلاسل الزمنية التجريبية في هذه الجهود.
تناقش هذه الفقرة أيضًا فائدة النماذج العددية المتقدمة، مثل نظام تدفق المياه الجوفية بعنصر محدود (FEFLOW)، ونموذج تدفق الفرق المحدود المعياري (MODFLOW)، وHydroGeoSphere، في توقع GWL. لقد أثبتت هذه النماذج فعاليتها في تقدير مستويات المياه الجوفية، مما يسهل إدارة أفضل وحفظ الموارد المائية. إن دمج هذه الأساليب التجريبية والعددية أمر ضروري لمعالجة التحديات التي تطرحها نضوب المياه الجوفية وضمان إدارة مستدامة لموارد المياه.
طرق
تصف المنهجية الموضحة في هذه الفقرة إجراء التنبؤ بمستوى المياه الجوفية (GWL) باستخدام كل من خوارزميات التعلم الآلي التقليدية والعميقة (ML)، وتحديدًا أشجار القرار (DT)، والغابات العشوائية (RF)، وآلات الدعم الناقل (SVM)، والشبكات العصبية التلافيفية (CNN)، والشبكات التنافسية التوليدية (GAN)، والشبكات العصبية المتكررة (RNN). تبدأ العملية بجمع البيانات من منطقة دراسة محددة في إيران، تليها فرز ومعالجة مسبقة لإزالة القيم الشاذة والمكررة. ثم يتم تطبيع البيانات وفقًا للصيغة:
\[
\omega_{li} = \frac{\omega_{li} – \omega_{\text{min}l}}{\omega_{\text{max}l} – \omega_{\text{min}l}} \cdot p^2 – 1
\]
بعد التطبيع، يتم تقسيم مجموعة البيانات عشوائيًا إلى مجموعات تدريب واختبار وتحقق.
لتقييم أداء نماذج ML التقليدية والعميقة، يتم حساب مقاييس مثل خطأ متوسط الجذر التربيعي (RMSE) وR-Squared لكل خوارزمية. يتم بناء نماذج ML المتقدمة، بما في ذلك CNN وGAN وRNN، باستخدام البيانات المعالجة مسبقًا. تشير التحليلات المقارنة لهذه النماذج إلى أن CNN تتفوق على الأساليب الأخرى، مما يثبت أنها الطريقة الأكثر فعالية لتوقع GWL.
النتائج
تقيّم فقرة النتائج أداء خوارزميات التعلم الآلي (ML) المختلفة – أشجار القرار (DT)، والغابات العشوائية (RF)، وآلات الدعم الناقل (SVM)، والشبكات العصبية التلافيفية (CNN)، والشبكات التنافسية التوليدية (GAN)، والشبكات العصبية المتكررة (RNN) – في توقع مستوى المياه الجوفية (GWL). تشمل مقاييس التقييم المستخدمة معامل التحديد ($R^2$)، والانحراف المعياري (STD)، وخطأ متوسط الجذر التربيعي (RMSE). أظهر نموذج CNN أداءً متفوقًا، حيث حقق قيم RMSE قدرها [0.0507، 0.0561، 0.0594، 0.0558] وقيم $R^2$ قدرها [0.9968، 0.9951، 0.9926، 0.9948] عبر مجموعات التدريب والاختبار والتحقق والمجموعات الكلية، متفوقًا على نماذج RNN وGAN.
أكدت التحليلات البصرية، بما في ذلك الرسوم البيانية المتقاطعة والهيستوجرامات، دقة CNN، حيث تشير نطاقات الخطأ النسبي إلى أن توقعات CNN كانت أكثر دقة مقارنةً بـ RNN وGAN وDT وRF وSVM. تم تحديد ترتيب الدقة بين الخوارزميات كالتالي: CNN > RNN > GAN > DT > RF > SVM. بالإضافة إلى ذلك، كشفت تحليلات الارتباط عن وجود ارتباط سلبي بين إعادة شحن المياه الجوفية (R) وهطول الأمطار (P) مع GWL، بينما أظهر التبخر (E) ارتباطًا إيجابيًا، مما يشير إلى أن زيادة استخراج المياه الجوفية تؤدي إلى انخفاض في GWL. كان معامل الارتباط بيرسون لـ R حوالي -0.00357، مما يشير إلى تأثير ضئيل على GWL. تؤكد هذه النتائج فعالية CNN في توقع GWL وتوفر أساسًا لتطوير نماذج تنبؤية تعتمد على متغيرات الإدخال.
المناقشة
تسلط المناقشة الضوء على الأهمية الحاسمة لتوقع مستوى المياه الجوفية (GWL) من أجل إدارة مستدامة لموارد المياه، لا سيما في مناطق مثل مدينة إيزه، إيران، حيث تعقد التحديات مثل انخفاض هطول الأمطار والاستغلال المفرط من عملية التنبؤ بدقة. تقنيات التعلم الآلي (ML) مقترحة كأدوات فعالة لتحليل مجموعات البيانات المعقدة لتعزيز توقعات GWL، وبالتالي دعم الاحتياجات الزراعية والمنزلية والبيئية. ومع ذلك، فإن نقص النماذج التنبؤية المصممة خصيصًا لمدينة إيزه يمثل عقبة كبيرة أمام إدارة المياه الفعالة، مما يبرز ضرورة وجود نهج ML قوي يأخذ في الاعتبار الظروف الهيدرولوجية المحلية.
تشير مراجعة الأدبيات إلى أنه على الرغم من استخدام نماذج رياضية تقليدية تعتمد على المعادلات التفاضلية لمحاكاة GWL، إلا أنها غالبًا ما تفشل بسبب الطبيعة الديناميكية وغير الخطية للأنظمة الهيدرولوجية. بالمقابل، أظهرت نماذج ML المختلفة ونماذج التعلم العميق، بما في ذلك الشبكات العصبية الاصطناعية (ANN) وآلات الدعم الناقل (SVM) والشبكات العصبية ذات الذاكرة الطويلة القصيرة (LSTM)، قدرات تنبؤية متفوقة عبر سياقات مختلفة. أظهرت الدراسات أن دمج عوامل مثل تفاعلات المياه السطحية والجوفية واستخدام تقنيات متقدمة مثل تحليل الموجات يمكن أن يعزز بشكل كبير دقة التنبؤ. تشير النتائج إلى أن نهج هجين يجمع بين هذه النماذج المتقدمة قد يكون مفيدًا بشكل خاص لتحسين توقعات GWL في مدينة إيزه، مما يسهم في استراتيجيات إدارة موارد المياه الأكثر فعالية.
القيود
تنبع قيود هذه الدراسة بشكل أساسي من عدم الوصول الكافي إلى بيانات حيوية تتعلق بتحويل المياه، ومعدلات التبخر، ودرجة الحرارة في منطقة الهدف من مدينة إيزه. يؤكد المؤلفون على ضرورة أن تتضمن الأبحاث المستقبلية هذه المعلمات، حيث تؤثر بشكل كبير على توقعات مستوى المياه الجوفية (GWL). من خلال تضمين مثل هذه المتغيرات، يمكن للباحثين تحقيق تقديرات أكثر دقة لموارد المياه الجوفية، نظرًا للتأثير الثابت للتبخر ودرجة الحرارة على GWL.
بالإضافة إلى ذلك، تشير الدراسة إلى غياب أبحاث سابقة تتناول مدينة إيزه بشكل محدد، مما يعقد جمع البيانات على نطاق أوسع. كما يشير المؤلفون إلى أن فعالية خوارزميات الشبكة العصبية التلافيفية (CNN) في توقع GWL تعتمد على عدد متغيرات الإدخال المستخدمة. في هذا التحليل، تم استخدام ثلاثة معلمات فقط، مما يشير إلى أن زيادة عدد المدخلات قد تعزز دقة التنبؤ. لذلك، يُوصى بأن توسع الدراسات اللاحقة نطاق متغيرات الإدخال لتحسين أداء النماذج التنبؤية.
DOI: https://doi.org/10.3389/fenvs.2024.1291327
Publication Date: 2024-02-16
Author(s): Fan Feng et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This research evaluates the effectiveness of various traditional and deep machine learning (DML) algorithms for predicting groundwater level (GWL) in Izeh City, Khuzestan province, Iran, using three key input variables: groundwater extraction rate ($E$), rainfall rate ($R$), and river flow rate ($P$). Among the algorithms assessed—including convolutional neural networks (CNN), recurrent neural networks (RNN), support vector machines (SVM), decision trees (DT), random forests (RF), and generative adversarial networks (GAN)—the CNN model emerged as the most effective, achieving a root mean square error (RMSE) of 0.0558 and a coefficient of determination ($R^2$) of 0.9948. The CNN demonstrated robustness against noise, scalability for large datasets, and the ability to autonomously identify data patterns, resulting in fewer outlier predictions.
Correlation analyses indicated that $P$ and $E$ significantly influence GWL, with $E$ positively correlated and $R$ showing negligible impact. The findings suggest that the CNN’s advanced capabilities make it a superior tool for GWL prediction, which could enhance water resource management and agricultural productivity in Izeh City. The methodology presented may also be applicable to other regions experiencing water scarcity, highlighting the potential for improved global water management strategies in response to population growth. Future research could further refine the CNN model by incorporating additional input variables to enhance prediction accuracy.
Introduction
The introduction highlights the critical significance of groundwater level (GWL) management, particularly in arid and semi-arid regions, where overexploitation has led to severe degradation of groundwater resources. It emphasizes the necessity of accurately predicting GWL for effective hydrogeological investigations, aquifer management, and the assessment of subterranean water volumes. Various studies have been conducted to estimate underground water potential and monitor changes in GWL, underscoring the importance of empirical time series models in these efforts.
The section also discusses the utility of advanced numerical models, such as the finite element groundwater flow system (FEFLOW), modular finite-difference flow model (MODFLOW), and HydroGeoSphere, in predicting GWL. These models have proven effective in estimating groundwater levels, thereby facilitating better management and conservation of water resources. The integration of these empirical and numerical approaches is essential for addressing the challenges posed by groundwater depletion and ensuring sustainable water resource management.
Methods
The methodology outlined in this section describes the prediction procedure for groundwater level (GWL) using both traditional and deep machine learning (ML) algorithms, specifically Decision Trees (DT), Random Forests (RF), Support Vector Machines (SVM), Convolutional Neural Networks (CNN), Generative Adversarial Networks (GAN), and Recurrent Neural Networks (RNN). The process begins with data collection from a designated study area in Iran, followed by sorting and preprocessing to eliminate outliers and duplicates. The data is then normalized according to the formula:
\[
\omega_{li} = \frac{\omega_{li} – \omega_{\text{min}l}}{\omega_{\text{max}l} – \omega_{\text{min}l}} \cdot p^2 – 1
\]
After normalization, the dataset is randomly divided into training, testing, and validation sets.
To evaluate the performance of the traditional and deep ML models, metrics such as Root Mean Square Error (RMSE) and R-Squared are calculated for each algorithm. Advanced ML models, including CNN, GAN, and RNN, are constructed using the preprocessed data. The comparative analysis of these models indicates that CNN outperforms the other approaches, establishing it as the most effective method for predicting GWL.
Results
The results section evaluates the performance of various machine learning (ML) algorithms—Decision Trees (DT), Random Forests (RF), Support Vector Machines (SVM), Convolutional Neural Networks (CNN), Generative Adversarial Networks (GAN), and Recurrent Neural Networks (RNN)—in predicting Groundwater Level (GWL). The evaluation metrics used include the coefficient of determination ($R^2$), standard deviation (STD), and root mean square error (RMSE). The CNN model demonstrated superior performance, yielding RMSE values of [0.0507, 0.0561, 0.0594, 0.0558] and $R^2$ values of [0.9968, 0.9951, 0.9926, 0.9948] across training, testing, validation, and total datasets, outperforming RNN and GAN models.
Visual analyses, including cross plots and histograms, further confirmed the CNN’s accuracy, with relative error ranges indicating that CNN’s predictions were more precise compared to RNN, GAN, DT, RF, and SVM. The ranking of accuracy among the algorithms was established as CNN > RNN > GAN > DT > RF > SVM. Additionally, correlation analyses revealed a negative correlation between groundwater recharge (R) and precipitation (P) with GWL, while evaporation (E) exhibited a positive correlation, indicating that increased extraction of groundwater leads to a decline in GWL. The Pearson correlation coefficient for R was approximately -0.00357, suggesting minimal impact on GWL. These findings underscore the effectiveness of CNN in GWL prediction and provide a foundation for developing predictive models based on input variables.
Discussion
The discussion highlights the critical importance of predicting groundwater level (GWL) for sustainable water resource management, particularly in regions like Izeh City, Iran, where challenges such as low rainfall and overexploitation complicate accurate forecasting. Machine learning (ML) techniques are proposed as effective tools for analyzing complex datasets to enhance GWL predictions, thereby supporting agricultural, domestic, and ecological needs. However, the lack of tailored predictive models for Izeh City presents a significant barrier to effective water management, underscoring the necessity for robust ML approaches that account for local hydrological conditions.
The literature review indicates that while traditional mathematical models using differential equations have been employed to simulate GWL, they often fall short due to the dynamic and non-linear nature of hydrological systems. In contrast, various ML and deep learning models, including artificial neural networks (ANN), support vector machines (SVM), and long short-term memory (LSTM) networks, have demonstrated superior predictive capabilities across different contexts. Studies have shown that incorporating factors such as surface water-groundwater interactions and utilizing advanced techniques like wavelet analysis can significantly enhance prediction accuracy. The findings suggest that a hybrid approach combining these advanced models could be particularly beneficial for improving GWL forecasts in Izeh City, ultimately contributing to more effective water resource management strategies.
Limitations
The limitations of this study primarily stem from the insufficient access to critical data regarding water diversion, evaporation rates, and temperature in the target area of Izeh City. The authors emphasize the necessity for future research to incorporate these parameters, as they significantly influence groundwater level (GWL) predictions. By including such variables, researchers can achieve more accurate estimates of groundwater resources, given the established impact of evaporation and temperature on GWL.
Additionally, the study notes the absence of prior research specifically addressing Izeh City, which complicates data collection at a broader scale. The authors also point out that the effectiveness of Convolutional Neural Network (CNN) algorithms in predicting GWL is contingent upon the number of input variables used. In this analysis, only three parameters were employed, suggesting that increasing the number of inputs could enhance prediction accuracy. Therefore, it is recommended that subsequent studies expand the range of input variables to improve the performance of the predictive models.