当前的世界环境

介绍

在干旱和半干旱地区，地下水是饮用水、农业和工业唯一可靠的消耗来源。显然，未来一年的水资源数量和质量在水资源管理中非常重要。自1950年以来，地下水模拟被广泛用于更好地管理地下水资源。因此，许多研究人员都试图找到更准确的模型，考虑实际情况。这些模型需要大量的信息，而这些信息很难收集，有时甚至不可能收集。而且，考虑到某些执行条件，如果可能的话，得出结论需要更多的时间。另一方面，水文参数中有许多因素，使模型应用数据变得复杂。由于收集更多信息的困难和校准所需的时间，人们很少注意到物理模型和概念模型的制作。此外，变量的非线性使问题更具挑战性。近年来，人工智能(AI)模型作为一种新型的功能强大的工具被用于水文参数预测。 These methods act as a black box and do not require lots of physical data and are capable of estimating non-static water quality. Due to short processing time and low input data, AI models can supersede numerical ground water models. These new methods act as powerful estimators without the need for governing equations. For error reduction in regional forecasting, all selected wells must choose from one homogeny cluster. So, it is necessary to define cluster homogeny by some examinations. But one must make sure that these places are available. Because choosing some clusters with some wells inside is not sufficient for homogeny. The L-moments as the new types of statistical methods act for solving such problems. A quick search shows that regional forecasting with ANFIS-GA is a new method for modeling. Nero-fuzzy networks for flood regional analysis were used .¹研究表明，与人工神经网络和非线性相关相比，神经模糊模型在没有比重计At-Sites的流域洪水估算中具有更好的建模能力。l -矩调查了澳大利亚四个含水层的巨大供应。²他们发现区域分析增加了预测的准确性。自适应神经模糊推理系统（ANFIS）已被用于预测具有可接受精度的复杂系统中的质量和数量趋势的供水。^3,4,5,6和7AI的方法是建模的非线性工具，其不需要任何明确的问题的物理关系。近年来，水工程领域的那些对软计算技术的成功应用已以大规模出版。^8,9ad10本文试图通过L-Scenents的ANFIS-GA预测Kerman Plane的地下水的区域盐度，并与区域和现场结果进行比较。

研究区

该研究在地理上集中于Kerman平原的含水层，该地区位于伊朗东南部的Kerman省，如图3所示。据报道，在这片平原上没有永久的河流;因此，该平原周边3200km2区域的农业、工业、生活和城市用水需求高度依赖地下水。近二十年来，干旱和抽水井的增加是造成地下水大量下降的主要原因，在该地区的不同井中，地下水以每年(1-3)米的速度下降。此外，其他问题也加剧了地下水质量的恶化。^11.该地区的长期年降水量在过去20年（1993-2013）中的150至100（mm /年）显着下降。本地获得的数据由降雨和地下水位的时间（时间序列/频率）为单位一种t Kerman airport At-Site (latitude: 30o, 16' N, longitude: 56o, 54’ E). The data set was collected by the Iranian Ministry of Energy.^8.

材料和方法

l-时刻

（Hosking，1990）有一个新的L-Quents定义。基于他的研究，L-MOCENTS类似于传统时刻，这是顺序统计的线性组合。基本上L-矩具有线性函数作为概率加权时刻（PWM）。^12.与常规矩一样，pwm和l矩的主要目的是总结以前观测到的样本和理论分布。(Greenwood et al.， 1979)对PWM理论进行了总结和定义如下^13.：

β_R.= e {x [f_X（X）]^R.} (1)

其中βR是第RTH阶PWM和FX（X）是X的累积分布函数。前四个PWM的非偏见样品估计器（BI）作为。^14.

其中x（j）表示具有x（1）的排名的am，分别是最高值和x（n）最低值。前四个l-lond是如下给出的

前四个L-矩中的非偏置样品估计是通过从EQ的PWM样本估计的替代。（2）和方程式。（3）。第一个l-mondentλ_0.和平均值X是平等的。最后，计算L-MOWER比率为：

将公式(4)中的l -矩代入样本l -矩，得到l -矩比值的样本估计。

异构性测量

异质性测量用于基于所考虑的一组位点的L-矩的观察和模拟分散来鉴定均匀区域。这可以从中计算^15.：

在哪里V.=值的加权标准偏差，= n的平均值和标准偏差_sim卡值和n_sim卡=模拟次数。

如果h <1，则宣布为“可接受的同质”区域;如果1μ，则“可能是异构”_v1.和δ._v1。除了上述情况外，还考虑了基于LCV / LC和LCS / LCK距离的两种附加测量H1和H2。量度H1表示现场和区域估计是否相互靠近，而H2指示现场和区域估计是否将达成协议。H1的大值通常表示区域和现场估计之间的巨大偏差，而H2的大值表明在现场估计和观察到的数据之间的大偏差。

义务措施

义务措施Zdist用于筛选来自不寻常的网站的数据，即，现场样本L-矩与其他网站明显不同，并且定义为^16.：

其中UI =网站I的LCV，LCS和LCK的向量;S = V的协方差矩阵;你^-=矢量UI的均值。如果di≤3，则声明一个定义的网站不和谐。Zdist的临界价值定义为^14.：

式中n为研究区域内At-Sites的个数。

去噪的结构

ANFIS是一种多层前馈网络，利用神经网络学习算法和模糊推理将输入映射到输出。在自适应神经网络的框架下实现了模糊干扰系统(FIS)。图1展示了一个具有五层的典型ANFIS的体系结构

图1：典型的ANFIS架构 两个输入的Sugeno模型 点击此处查看数字

为简单起见，表示具有导致四个规则的两个输入的典型的ANFIS架构和用于第一阶Sugeno模糊模型的一个输出。^17.18还假设每个输入有两个相关的隶属函数（MFS）。很明显，这种架构可以很容易地推广到我们的首选尺寸。可以在参考文献中找到混合学习算法的详细算法和数学背景。^19.

ANFIS-GA方法

为了精确和分析，有一个规范实际编码的GA，减去聚类和ANFI的混合，减去了聚类和ANFI，设计和最终确定了合适的近似模糊模型。建模的主要过程是GA执行的优化任务，其中模糊模型的准确性和紧凑性是同时优化的主题。Ga的整个优化过程分别基于四个步骤，1-健身分配2-选择3-交叉4-突变。基于减法聚类方法生成模糊模型在GA的健身分配部分中完成。模型过程的流程图如图2所示。

图2:建模过程的步骤。 点击此处查看数字

图3：Kerman Plane的井中的位置。 点击此处查看数字

减法聚类方法可用于生成TSK的模糊模型，其中通过专用于尺寸的半径参数确定某些规则（即群集数）。这些半径主要用于集群生成的目的。每个群集都意味着表示规则，并且根据在多维空间中完成聚类的事实，必须实现每个规则的模糊集。通过将每个集群的中心投影在相应的维度中，获得MFS的中心。在半径基础上获得单尺寸的MFS的宽度R._一种特别考虑该维度。因此，本研究中的每种染色体充当用于所有尺寸的RADI值编码器，用于模糊模型的所有尺寸输入和输出。然后通过减法聚类使用这些模糊模型的这些半径以产生TSK FIS。

模拟设置

GA的群体大小（PZ）和生成编号（G）分别设置为PZ = 100和G = 50。采用具有0.7概率的1点交叉。使用概率0.02的经典突变，选择方法是轮盘卷轮。对于ANFI来说，时期和学习率的数量设定为100和0.2。RADII的范围被认为是间隔0。^1,2

结果和讨论

定义同质区域的第一步是选择最重要的聚类参数。选择所有重要参数来定义现象，增加计算时间和错误，所以选择最重要的参数将使计算更简单，而不会导致任何主要差异。在本文中，通过回归分析选择了从有效参数（记录的时间序列参数）更重要的参数。结果表明，所有阳离子，镁离子，钠百分比和地下水位对盐度的影响更多，因为它们如下方程所示。

EC = 154.446 + 87.852sumcation.（8)
EC = 68.539 + 83.78 sumcation + 36.094 mg（9）
EC = 143.368 + 81.572 SUMCONATION + 43.985 mg + 4.031na％（10）
EC = 306.097 + 81.705 sumCation + 38.178 Mg + 5.253 Na% + 1.732 L (11)

在哪里L.=地下水位，最准确的是等式11，C.C = 0.97。此外，每个参数的C.C显示在表1中

表1:多元线性方程组中不同参数的相关系数

因此，这些参数用于聚类中的电导率，并且还用于预测的输入参数。在本文中，用K-means方法和病区分层，分别分别分为2,3和4个扇区。然后，定义了该地区的不相容性和非均质标准。用于选择最佳聚类模式和最佳区域数，在每个区域对每个区域进行更高的1.5,2和3的距离的不相容性，定义了不相容的位点的数量，以及每个区域的非均质标准。结果显示在表2中

表2:不同情况下的非同构标准。

考虑表2，当所有AT站点被视为一个区域时，只有H₁标准是同源的同时₂和H._3.是非均质的。通常，k均值的方法包括4个区域作为优先和病房，下一个地方有4个区域。考虑到研究区的4个均质区域，一些井分散在其他地区。要解决这个问题，所以下面的一切，井在地区A，嗯_15.在地区B，嗯_27.在区域D中合并在一起，然后计算非均质标准。井的迁移增加了区域A和B的非均匀性，并降低了区域C.为了确定非均质的增加，研究了孔的不相容性，并且观察到井不相容_14.是不相容的。井被移动到区域B区域，并重新启动计算。结果表明，不符合不相容的不相容_14.。最后，随着移动到地区B并重新计算，实现了更好的结果。下面的数字显示了最终的均质区域。

区域预测

首先，对于区域预测，在三个区域中分别计算了无量纲数据，包括选择输入数据和电导率。在选择最佳预测方案后，将每口井的平均值乘以区域无量纲数据，得到每口井的无量纲预测数据。从2001年到2013年，按月计算所需的周期统计数据。为了进行分析，使用了156个区域无量纲数据。在这项研究中，70%的数据用于教学，10%用于验证，剩下的20%用于测试。此外，对于区域预测，研究了用关系方程构建的模型。所有模型均采用动量训练和anfi - ga方法。

表3：研究了anfi - ga模型的最优拓扑结构

通过对相关系数和非均匀性准则结果的观察，可以明显看出非均匀性降低，观测数据和区域预测数据的相关系数降低。其原因是非均质性低，即与同一区域内的其他井不兼容。这样就能减少预测误差。在对每个区域实施所提出的方法(anfi - ga)后，将期望年份的每个At-Site的系数乘以区域预测数据，计算每个At-Site的电导率，最后计算观测数据与计算数据之间的相关系数。表4 - 6显示了每口井的相关系数。

表4：在区域A中每个孔的观察和预测数据之间的相关系数

表5：B区中每个孔的观察和预测数据之间的相关系数

表6：在区域C中观察和预测数据之间的相关系数

考虑表4、5和6所示的结果_3.， 不_14.， 不_15.也没有_27.之前移动过的，相关系数最小。盐度接近区域平均水平的井的相关系数更好。因此，在选择井和内部At-Sites的情况下，区域分析可以进行高精度的预测。图4、5、6和7显示了预测和区域盐度。

图4：2001年9月的区域盐度 点击此处查看数字

图5：2007年9月的区域盐度 点击此处查看数字

图6：2011年9月的区域盐度 点击此处查看数字

图6：2013年9月的区域盐度 点击此处查看数字

图7. 点击此处查看数字

图8,9,10和11显示了通过区域预测数据乘以乘以现场的普通站点的每个现场的盐度。横轴表示EC浓度，因为它在图8至11中示出了EC的浓度从2001年的8000 microMOH增加到2013年的10000 microMOH。

图8：预测盐度2001年9月 点击此处查看数字

图9：预测盐度2007年9月 点击此处查看数字

图10：预测盐度2011年9月 点击此处查看数字

图11：预测盐度2013年9月 点击此处查看数字

现场预测

对于34口井的盐度预测，与区域方法相似，将anfi - ga方法应用于每口井。为此，得到了观测数据与预测数据之间的相关系数。选择合适的模型后，预测就开始了。回顾研究结果表明，研究区地下水盐度在过去几年有所增加。而且很明显，anfi - ga能够预测可接受的地下水盐度。

现场预报与区域预报的比较

通过系数的相关方法揭示了每个研究的肯纳平原井的区域或现场分析的优先权，然后插入表7。

表7：不同井最佳结构的相关系数

结果表明，采用区域分析方法的21口井和采用现场分析方法的13口井保持了较好的精度。调查结果表明，对于区域分析精度低于现场分析精度的井，其平均值高于区域平均值(井号为₁,没有_5.， 不_9.， 不_15.， 不_19.也没有_22.)或低于地区平均水平(井号_23.， 不_28.也没有_33.）。这些孔的不相容率高于其他区域均匀孔。地区A在现场分析中具有最优先考虑，然后是C和D。结果，最重要的分析区域是非均匀区域。As a result, in case of proper selection of the at-sites in a homogeneous region and low at-sites incompatibility as well as non-homogeneity criterion, regional analysis is preferable to at-site analysis.

结论

根据回归分析，猫离子，镁离子，钠百分比和地下水表的总和是最有效的盐度。此外，为了定义均质簇的数量，通常，具有4个区域的K-Means方法是具有4个区域的第一和病房是第二种合适的选择。随着非均质标准的降低，观察到的数据与区域预测数据之间的相关系数也降低了。最大的相关系数与具有密切盐度的孔与区域平均水平相关。如果精确选择该地区内的孔和在地区，则区域分析可以以高精度预测。分析中最重要的区域是非均匀区域。此外，ANFIS-GA模型分析显示在测试阶段期间提到的模型的紧凑性和准确性的增加。我们提出的方法，旨在为我们提供最佳，有效的结构组成的ANFIS模型的贸易上升和落在某些参数的准确性和数量之间。保持的结果是显示一种新的混合算法，为神经模糊模型提供精度和复杂性。

参考

1. 舒，C.，Ouarda，T.B.M.J.（2008）。使用自适应神经模糊推理系统的接合网站区域洪水频率分析。水文学杂志。，v.349，pp.31-43。
   十字架
2. Furst，j。，bichler，A.和Konecny，F。（2014）。极端地下水位的区域频率分析。Jonwielly Grounwater杂志。
3. Jalalkamali，Amir。、Sedghi侯赛因。曼舒利，穆罕默德(2011)。，基于人工神经网络和神经模糊模型的地下水位预测:以伊朗Kerman平原为例，水利学报(13.4)867-876。
4. adamowski，1月，凤陈，嗨。（2011）。，地下水位预测的小波神经网络结合模型，水文学杂志（407）28-40。
   十字架
5. •正义与发展党。(2015)人工神经网络在印度旁遮普省阿姆利则和古尔达斯普尔地区地下水位模拟中的应用。地球科学与气候变化杂志6:274。
6. Samson，M。，Swaminathan，G.，Venkat Kumar，N.（2010），评估使用模糊逻辑和GIS的可移植性的地下水质量 - 以Tiruchirappalli City - 印度，计算机建模和新技术为例。，Vol。14，No.2,58-68。
7. Jalalkamali，Amir。（2015）。，使用混合模糊模型来预测时空地下水质量参数，地球科学信息学，DOI 10.1007 / S12145-015-0222-6。
   十字架
8. Jalalkamali，Amir。Moradi，Mehdi。，Moradi，Nasrin。（2015）。，使用标准降水指数，国际环境科学与技术，第12卷，第4卷第12卷，第12卷，第12卷，应用若干人工智能模型及ARIMAX模型。
   十字架
9. •正义与发展党。(2015)。中国科学(d辑):地球科学(英文版)
10. Seyam，穆罕默德。，Mogheir，Yunes。（2011）。地下水质量管理方法，伊斯兰大学杂志（自然研究系列和工程系列），Vol.19，No.1，PP 157-177。
11. Nodjavan，M.R.（2015）。水资源分析及其与干旱地质结构的关系（案例研究：克尔曼省平原），第6卷，第720-727页。
12. Hosking，J.R.M.（1990）。L-MOCENTS：使用顺序统计线性组合分析和估计分布：J.R.STAT。SOC。，SER。B，52,105-124。
13. Greenwood，J.A.，Landwehr，J.M.，Matalas，N.C.和Wallis，J.R.（1979）。概率加权时刻：定义和与逆形表达的几个分布参数的关系。水资源研究，15（5），1049-1054。
    十字架
14. Hosking，J.R. M.，＆Wallis，J. R.（1997）。区域频率分析：一种基于L-MOCK的方法。剑桥大学。新闻，纽约。
    十字架
15. Kjeldsen，T. R.，Jones，D. A.（2006）。利用L-矩的基于中位数的指数泛洪法预测不确定性。水资源研究，五。
    十字架
16. Rostami，R.，＆Rahnama，M. B.（2007）。哈利尔河流域区域洪水频率分析基于L-on Lond方法。美国农业研究杂志，美国，纽约。
17. Sugeno，（1985）模糊控制的工业应用。Elsevier Science Pub.co.
18. 王，ym。，Elhag，T。（2008）桥梁风险评估的自适应神经模糊推理系统。具有申请34（4）：3099-3106的专家系统。
    十字架
19. 张成泽JSR。(1993) ANFIS:基于自适应网络的模糊推理系统，《系统人与控制论》，23 (3)，pp 665-685。
    十字架