شماره ركورد كنفرانس :
4385
عنوان مقاله :
تخمين سطح آب زيرزميني با استفاده از زمينآمار؛ مطالعه موردي دشت تبريز
پديدآورندگان :
ميرزايي نازلي nazlimirzaei@yahoo.com دانش آموخته رشته مهندسي آب دانشگاه تبريز , معروفپور سامان saman.maroofpoor@gmail.com دانشجوي كارشناسي ارشد مهندسي منابع آب دانشگاه تبريز , دينپژوه يعقوب dinpashoh@yahoo.com دانشيار گروه علوم و مهندسي آب دانشگاه تبريز
كليدواژه :
تغييرات مكاني , سطح آب زيرزميني , زمينآمار , دشت تبريز
عنوان كنفرانس :
پنجمين كنفرانس ملي مديريت جامع منابع آب
چكيده فارسي :
از اساسيترين موارد در مديريت منابع آب زيرزميني تخمين سطح آب با استفاده از دادههاي برداشتشده از شبكه چاههاي مشاهدهاي ميباشد. ازآنجاكه خصوصيات آبهاي زيرزميني در مقياس مكاني و زماني عمل كرده، نميتوان اين خواص را در طول زمان و مكان ثابت فرض كرد. بنابراين، تحقيق حاضر به منظور بررسي تغييرات مكاني سطح آب زيرزميني دشت تبريز در يك دوره 14 ساله (1393-1380) به كمك بهترين روش تخمينگر زمينآماري انجام شد. در اين راستا، ابتدا منابع آماري موجود سطح آب زيرزميني دشت (شامل 80 حلقه چاه مشاهدهاي)، جمعآوري و بانك اطلاعاتي تهيه شد. پس از كنترل كيفيت و صحت دادهها، از دو روش ميانيابي شامل كريجينگ و عكس فاصله وزني با توانهاي 1 تا 5 استفاده شد. آنگاه مناسب ترين روش ميانيابي با استفاده از سه معيار RMSE، MAE و R انتخاب گرديد. سپس نقشههاي پهنهبندي مكاني سطح آب زيرزميني ترسيم شد. نتايج نشان داد كه واريوگرام مدل ثابت به عنوان بهترين مدل برازش دادهشده به ساختار فضايي دادهها و روش عكس فاصله وزني با توان 4/1 مناسبترين روش ميانيابي عامل سطح آب زيرزميني ميباشد.
چكيده لاتين :
One of the most important issues in groundwater resources management is estimating water table level using observational wells network data. Due to the variation of groundwater properties in temporal and spatial scale, these properties can not be assumed constant over time and space. This research assess spatial and temporal variations of groundwater level in Tabriz plain during a 14 year length period (2001- 2014) by using the most suitable geostatistical estimator. Firstly, available statistical resources related to the groundwater level of this plain (including 80 wells) were collected. After controlling for quality and accuracy of the data, two interpolation techniques were used including kriging and Inverse distance weighting methods (with exponents of 1 to 5). The best technique was selected based on RMSE, MAE and R criteria and provided spatial zonation maps. Our findings showed that Gaussian variogram model was the best for spatial structure of these data and inverse distance weighting method with exponent of 1.4 were the best interpolation method.