نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشگاه صنعتی شاهرود

2 2- استادیار دانشکده مهندسی معدن، نفت و ژئوفیزیک دانشگاه صنعتی شاهرود

3 شاهرود

چکیده

در حال حاضر که آبهای زیرزمینی به یکی از اصلیترین منابع تأمین آب برای استفادههای گوناگون تبدیل شدهاند، پایش سطح آب زیرزمینی بهویژه در حوضه هایی که تحت تهدید پمپاژ بیش از حد هستند، یعنی مناطق با تمرکز زیاد شهری و یا صنعتی اهمیت بیشتری دارند. با این وجود همواره هزینه­های حفر گمانه‌های اکتشافی، تعداد داده‌ها و نهایتا کیفیت تخمین را محدود کرده است. با استفاده از داده‌های کمکی و صرف هزینهی نسبتا کمی می‌توان نتایج تخمین را بهبود بخشید، یکی از این روشها ، روش تخمین زمین آماری "کریگینگ با روند بیرونی"  است. به واسطه استفاده از داده‌های ثانویه در دسترس و ارزانی، مانند داده‌های توپوگرافی، به‌عنوان روند بیرونی در تخمین سطح آب زیرزمینی میسر می‌­شود. در این مقاله حساسیت روش کریگینگ با روند بیرونی نسبت به ضریب همبستگی بین داده‌های اولیه و ثانویه و همچنین مقدار اثر قطعه‌ای داده‌های اولیه و تأثیر متقابل آن‌ها سنجیده شده است. هدف از این مطالعه دستیابی به برخی معیارهای سرانگشتی برای به کارگیری این روش و سنجش توانایی آن در شرایط مختلف است. حساسیت‌سنجی روش مذکور براساس نتایج اعتبارسنجی انجام شده است. پارامترهایی که در این اعتبارسنجی بررسی شدهاند، شامل میانگین خطای تخمین، واریانس خطای تخمین، شیب خط رگرسیون برازش داده شده بر ابر پراکندگی داده­های تخمینی و واقعی و همچنین ضریب تعیین به‌دست آمده از این رگرسیون می‌باشند. در پایان براساس نتایج اعتبارسنجی، حساسیت‌سنجی کریگینگ با روند بیرونی برای هر یک از پارامترهای مورد نظر انجام شده و نتایج ارائه و تفسیر شده‌اند.

کلیدواژه‌ها

عنوان مقاله [English]

Investigation of effective parameters in estimation of groundwater table using kriging with an external drift method

نویسندگان [English]

  • mohsen yavari 1
  • MOHAMAD Koneshloo 2
  • abolghasem kamkar rouhani 3

1 shahrood

2 shahrood university

3 shahrood

چکیده [English]

Estimation of groundwater table has always been very important, especially nowadays that groundwater resources are considered as one of main water supply resources. The kriging with an external drift (KED) method is a useful tool that can be used to improve the estimation of groundwater table. This is due to the fact that, in addition to the available piezometric data as the primary data, topography data as the secondary data are used for external drift in the estimation of groundwater table. In this paper, the sensitivity of the KED method has been examined with respect to the correlation coefficient between primary and secondary data and the portion of nugget effect in the structure of primary data. The aim of this study is to attain some criteria for use of the method and to test its capability in different conditions. The sensitivity analysis of the method has been carried out based on the cross validation results. The investigated parameters in this sensitivity analysis consist of the average estimation error, the average estimation error variance, slope of fitted regression line over estimated and actual data, and also the determination coefficient obtained from this regression. Finally, the sensitivity of the KED method for each of the above-mentioned parameters has been carried out and the results of this sensitivity analysis have been presented and interpreted in this paper.
 
 

کلیدواژه‌ها [English]

  • Kriging with an external drift (KED) method
  • Sensitivity analysis
  • Estimation parameters
  • Validation
  • Groundwater

[ 1 ] Wackernagel, H.; 2003; “Multivariate geostatistics: an introduction with applications”; Berlin, springer
[ 2 ] Chiles J.P. ; 1991 ; “Application du krigeage avec dérive externe à l'implantation d'un réseau de surveillance piézométrique”; Sciences de la Terre, no. 30, 1991, p. 131-147
[ 3 ] Desbarats A. J.; M. J. Hinton; et al.; 2001; “On the kriging of water table elevations using collateral information from a digital elevation model” Geological Survey of Canada: 20.
[ 4 ] Troisi, S.; C. Fallico; et al.; 2000; “Application of kriging with external drift to estimate hydraulic conductivity from electrical-resistivity data in unconsolidated deposits near Montalto Uffugo, Italy”; Hydrogeology Journal 8(4): 356-367.
[ 5 ] Patriarche, D.; M. Castro; et al.; 2005; “Estimating Regional Hydraulic Conductivity Fields: A Comparative Study of Geostatistical Methods”; Mathematical Geology 37(6): 587-613.
[ 6 ] Dimitrakopoulos R.; 2000; “Integrated Interpolation Methods for Geophysical Data: Applications to Mineral Exploration”; Natural Resources Research 9, No 1.
[ 7 ] Haberlandt, U.; 2006; “Geostatistical interpolation of hourly precipitation from rain gauges and radar for a large-scale extreme rainfall event”; Hydrology 332: 144– 157.
[ 8 ] Bourennane, H.; King, D.; 2003; “Using multiple external drifts to estimate a soil variable” Geoderma, 114(1), 1-18.
[ 9 ] Vanderlinden, K.; J. A. Jiménez; et al.; 2008; “Interpolation of Soil Moisture Content Aided by FDR Sensor Observations”, in: geoENV VI – Geostatistics for Environmental Applications, Springer Netherlands. 15: 397-407.
[ 10 ] Gallois, D.; C. D. Fouquet, et al.; 2005; “Mapping annual nitrogen dioxide concentrations in urban areas” in: Geostatistics Banff: Springer Netherlands. 14: 1087-1096.
[ 11 ] van de Kassteele; J.; A. Stein; et al.; 2009; “External drift kriging of NO x concentrations with dispersion model output in a reduced air quality monitoring network”; Environmental and ecological statistics;16(3):321-39.
[ 12 ] Matheron G.; 1973; “The intrinsic random functions and their applications”; Advances in applied probability, vol. 5, p. 439-468.
[ 13 ] Goovaerts, P. ;1997; “Geostatistics for Natural Resources Evaluation”; New York, Oxford University Press.
[ 14 ] Davis, J. C.; 2012; “Statistics and data analysis in geology”; New York; Wiley.
[ 15 ] Jaime-Gomez, J. H.; 2005; “Geostatistics”; in: Hydrogeophysics; Netherlands, Springer; pp: 59-81