استفاده از روش عناصر مرزي متقابل دوگانه در پهنه‌بندي شوري آب‌هاي زيرزميني منطقه‌ نوق رفسنجان

Mapping of Groundwater Salinity Using Dual Reciprocity Boundary Element Method in Nuq Region, Rafsanjan

در این مقاله، یك روش عددی جدید بر پایه‌ روش عناصر مرزی متقابل دوگانه برای درونیابی داده‌های پراكنده ارائه شد. برای این منظور، از 120 حلقه چاه موجود در منطقه‌ نوق رفسنجان نمونه‌‌برداری و شوری آب‌ آن‌ها اندازه‌گیری شد. ضمن پهنه‌بندی مكانی وضعیت شوری آب‌های زیرزمینی منطقه‌ مورد مطالعه، دقت تخمینگر پیشنهادی با تخمینگرهای معمول (كریجینگ معمولی و معكوس فاصله وزندار) مقایسه شد. به‌علاوه، كارآمدترین روش درونیابی از طریق تعیین میانگین رتبه‌ای هر كدام از سه تخمینگر مزبور تعیین شد. نتایج نشان داد كه دقت روش عناصر مرزی متقابل دوگانه، به‌علت دارا بودن مقادیر كمتر شاخص‌های اعتبارسنجی جذر میانگین مربعات خطا (RMSE) و جذر میانگین مربعات خطای نسبی (RMSE%) و نیز مقدار بیشتر شاخص نیكویی تخمین (G)، نسبت به تخمینگرهای كریجینگ و معكوس فاصله وزندار برتری نسبی دارد. همچنین، استفاده از میانگین رتبه‌ای و انحراف استاندارد رتبه‌ها به‌منظور دوری جستن از اثرات داده‌های پرت نشان داد كه روش عناصر مرزی متقابل دوگانه از كارایی تخمین بالاتری نسبت به دو تخمینگر دیگر برخوردار است. با این وجود، تركیب روش عناصر مرزی متقابل دوگانه با متغیرهای كمكی در راستای بهبود كارایی درونیابی و توسعه‌ یك الگوریتم كاربرپسند با قابلیت كاربرد در یك بسته‌ نرم‌افزاری سامانه‌ اطلاعات جغرافیایی، نیازمند پژوهش‌های بیشتری است.

In this study, a new numerical method based on Dual Reciprocity Boundary Element Method (DRBEM) is presented to interpolate scattered data. For this purpose, water samples were taken from 120 wells in Nuq region, Rafsanjan, for salinity measurements. The proposed estimator was compared with respect to its precision with the conventional ones, i.e., ordinary kriging and inverse distance weighting (IDW) while the spatial mapping of ground water salinity was performed in the study area. Besides, a more revealing measure of performance was obtained by computing the mean rank of each interpolation method. Results revealed the superiority of DRBEM over the kriging and IDW methods due to its lower root mean square error (RMSE) and relative root mean square error (RMSE%) as well as its higher goodness of prediction index (G) . It was also found that DRBEM is the most accurate one when the mean rank and standard deviations of the ranks are used to avoid the outlier effects in assessing the prediction performance of the three methods. Nevertheless, further research is required before DRBEM could be properly combined with ancillary variables to improve the interpolation performance and to develop a user-friendly algorithm that can be implemented in a GIS package.