Using artificial neural network models for groundwater level forecasting and assessment of the relative impacts of influencing factors

Abstract

Change in groundwater level is predicted for a special site where transient natural factors affecting the groundwater level are mixed with very irregular anthropogenic influences. When there is not enough hydrogeological information about the area to be analyzed, an artificial neural network (ANN) is a powerful tool for groundwater level forecasting in highly irregular and uncertain groundwater systems. In this study, groundwater levels were predicted by using ANN models with input variables composed of one natural factor and two anthropogenic factors in Yangpyeong riverside area, South Korea. Complex and irregular change of the groundwater level was monitored due to the operation of a groundwater heat pump system and winter intensive pum** for water curtain cultivation (by which greenhouses are warmed). The prediction results showed good performance with root mean square errors of 3–6 cm when the average groundwater level is about 25.59 m, the correlation coefficient is >0.9 and the Nash–Sutcliffe efficiency is >0.75, indicating that the ANN models are well suited for assessing complex groundwater systems. Along with the prediction, an extraction method was devised to calculate contributions and relative impacts of the input variables in the time-series-based ANN models. As a result, it was proved that the river level dominantly affects the groundwater level fluctuation, and the contributions of each influencing factor were obtained reliably according to spatial distribution and temporal variance. This makes the scheme effective for managing and using groundwater resources with consideration of every crucial influencing factor of the groundwater level fluctuation.

Résumé

La modification du niveau des eaux souterraines est prédit dans un site déterminé, où des facteurs naturels transitoires affectant le niveau des eaux souterraines sont intriqués avec des influences anthropiques très irrégulières. Quand il n’y a pas assez d’informations hydrogéologiques sur la zone à analyser, un réseau neuronal artificiel (RNA) est un outil puissant de prévision du niveau des eaux souterraines dans les systèmes hydrogéologiques hautement irréguliers et incertains. Dans la présente étude, le niveau des eaux souterraines a été prédit en utilisant des modèles RNA avec des données variables composées d’un facteur naturel et de deux facteurs anthropiques dans la zone riveraine du Yangpyeong, Corée du Sud. Le changement complexe et irrégulier du niveau des eaux souterraines a été contrôlé grâce à l’exploitation d’un système de pompe à chaleur sur eau souterraine et d’un pompage intensif en hiver pour une culture sous rideau d’eau (par lequel sont chauffées les serres). Les résultats de la prédiction se sont montrés performants avec une racine de l’erreur quadratique moyenne de 3–6 cm quand le niveau moyen des eaux souterraines est d’environ 25.59 m, le coefficient de corrélation est > 0.9 et le coefficient de performance de Nash–Sutcliffe est > 0.75, ce qui montre que les modèles RNA sont bien adaptés à l’évaluation des systèmes hydrogéologiques. En accompagnement de la prédiction, une méthode d’extraction a été conçue pour calculer les contributions et les impacts relatifs des données variables dans les séries chronologiques basées sur les modèles RNA. En conséquence, il a été prouvé que c’est le niveau de la rivière qui affecte principalement les fluctuations du niveau des eaux souterraines et les contributions de chaque facteur impactant ont été obtenues de manière fiable conformément à la distribution spatiale et à la variance temporelle. Ceci rend le système efficace pour gérer et utiliser les ressources souterraines avec prise en compte de chaque facteur décisif pesant sur la fluctuation du niveau des eaux souterraines.

Resumen

Se predice el cambio en el nivel del agua subterránea para un sitio especial donde los factores naturales transitorios que lo afectan se mezclan con influencias antropogénicas muy irregulares. Cuando no hay suficiente información hidrogeológica sobre el área a analizar, una red neuronal artificial (ANN) es una herramienta poderosa para el pronóstico del nivel del agua subterránea en sistemas de agua subterránea altamente irregulares e inciertos. En este estudio, los niveles de agua subterránea se predijeron utilizando modelos ANN con variables de entrada compuestas por un factor natural y dos factores antropogénicos en la zona ribereña de Yangpyeong, Corea del Sur. Se supervisó el cambio complejo e irregular del nivel del agua subterránea debido a la operación de un sistema de bomba de calor de agua subterránea y al bombeo intensivo de invierno para el cultivo de cortinas de agua (mediante el cual se calientan los invernaderos). Los resultados de predicción mostraron un buen rendimiento con errores cuadráticos medios de 3–6 cm cuando el nivel medio de agua subterránea es de aproximadamente 25.59 m, el coeficiente de correlación es > 0.9 y la eficacia de Nash–Sutcliffe es > 0.75, lo que indica que los modelos ANN son adecuados para evaluar sistemas complejos de aguas subterráneas. Junto con la predicción, se diseñó un método de extracción para calcular las contribuciones y los impactos relativos de las variables de entrada en los modelos ANN basados ​​en series de tiempo. Como resultado, se demostró que el nivel del río afecta predominantemente la fluctuación del nivel del agua subterránea, y las contribuciones de cada factor influyente se obtuvieron de manera confiable según la distribución espacial y la varianza temporal. Esto hace que el esquema sea efectivo para administrar y utilizar los recursos de agua subterránea con la consideración de cada factor de influencia crucial de la fluctuación del nivel del agua subterránea.

摘要

预测了一个特殊场地的地下水位变化情况,该场地影响地下水位的瞬时自然因素与非常不规则的人为因素混合在一起。当研究区没有足够的水文地质信息供分析时,人工神经网络就是预测高度不规则和不确定地下水系统的地下水位的一个**有力工具。在本研究中,利用人工神经网络模型,输入包括一个神经因素和两个人为因素的变量,预测了**国Yangpyeong河边地区地下水位。监测了由于运行地下水热泵系统和冬季**烈抽水用于水幕种植(温室被加温)造成的地下水位复杂和不规则的变化。预测结果显示了很好的性能,当**均地下水位为25.59 m时,均方根误差为3–6 cm,相关系数为>0.9, Nash–Sutcliffe效率 > 0.75,表明人工神经网络模型非常适合评价复杂的地下水系统。除了预测,还开发了萃取法用来计算基于时序的人工神经网络模型中输入变量的贡献率和相对影响。结果证明,河流水位主要影响地下水位波动,根据空间分布和时间变异,可靠地获取了每个影响因素的贡献率。这使管理和利用地下水资源中考虑地下水位波动的每个关键影响因素的计划非常有效。

Resumo

Mudanças nos níveis das águas subterrâneas são preditas para um local especial onde fatores naturais transientes afetando o nível das águas subterrâneas são misturados com influências antrópicas muito irregulares. Quando não existe informação hidrogeológica suficiente sobre a área a ser analisada, uma rede neural artificial (ANN) é uma poderosa ferramenta para predição de níveis de águas subterrâneas em sistemas de águas subterrâneas altamente irregulares e incertos. Neste estudo, os níveis das águas subterrâneas foram previstos usando modelos de ANN com variáveis ​​de entrada compostas de um fator natural e dois fatores antropogênicos na área ribeirinha de Yangpyeong, Coréia do Sul. Mudanças complexas e irregulares do nível do lençol freático foram monitoradas devido à operação de um sistema de bombas de calor subterrâneas e ao bombeamento intensivo de inverno para o cultivo de cortina de água (pelo qual as estufas são aquecidas). Os resultados de predição mostraram bom desempenho com erros quadráticos médios de 3–6 cm quando o nível médio de água subterrânea é de cerca de 25.59 m, o coeficiente de correlação é > 0.9 e a eficiência de Nash–Sutcliffe é > 0.75, indicando que os modelos ANN são adequados para avaliar sistemas complexos de águas subterrâneas. Juntamente com a previsão, foi desenvolvido um método de extração para calcular contribuições e impactos relativos das variáveis ​​de entrada nos modelos de ANN baseados em séries temporais. Como resultado, ficou comprovado que o nível do rio afeta predominantemente a flutuação do nível do lençol freático, e as contribuições de cada fator de influência foram obtidas de maneira confiável de acordo com a distribuição espacial e a variância temporal. Isso torna o esquema efetivo para o gerenciamento e uso dos recursos hídricos subterrâneos levando em consideração todos os fatores importantes que influenciam a flutuação do nível do lençol freático.