برتري روش خوشه‌بندي C- ميانگين فازي در بيان توزيع رخساره‌هاي هيدروشيمي آب زيرزميني دشت ورامين

Robustness of fuzzy c-mean method for delineation of hydrochemical facies distribution of groundwater in Varamin Plain

در پژوهش حاضر، خوشه‌بندي مجموعه‌اي از داده‌هاي هيدروشيمي دشت ورامين با استفاده از روش‌هاي خوشه‌بندي C- ميانگين فازي (FCM) و تحليل خوشه سلسله مراتبي (HCA) انجام شده و كاربرد آن‌ها در تغييرات رخساره‌هاي هيدروشيمي بحث گرديد. نمونه‌هاي آب زيرزميني با استفاده از بهينه كردن تعداد خوشه و درجه فازي شدگي با استفاده از روش C- ميانگين فازي به سه گروه طبقه‌بندي شدند. از داده‌هاي آب زيرزميني ?? نمونه چاه عميق و نيمه عميق و ? متغير هيدروشيمي منطقه موردمطالعه استفاده شد. نتايج اين دو روش، مراكز خوشه را توليد مي‌كند كه در تشخيص فرايندهاي فيزيكي و شيميايي تغييرات هيدروشيمي منطقه موردمطالعه موثر است. در روش FCM تعداد خوشه بهينه توسط توابع بهينه‌يابي تعيين مي‌شود اما در روش HCA براساس تجربه كاربر و سعي و خطا تعيين مي‌شود. روش FCM روشي مناسب در تحليل داده اكتشافي در بيان توزيع رخساره‌هاي هيدروشيمي است و زماني كه خوشه‌هاي پيوسته يا داراي هم پوشاني وجود دارند، ابزار بهتري نسبت به HCA براي خوشه‌بندي است. با ترسيم خطوط تراز مقدار عضويت هر خوشه كه بر روي نقشه به‌صورت مكاني و پيوسته نشان داده شده، خوشه‌هاي نمونه‌هاي آب زيرزميني به‌خوبي مشخص‌شده است. نتايج نشان داد؛ روش FCM در تحليل داده‌هاي مرزي، نسبت به روش HCA كه تغييراتي واضح و ناگهاني دارد؛ تواناتر است.

In this paper, classification of a large hydrochemical data set from Varamin plain is done by using fuzzy c-means (FCM) and hierarchical cluster analysis (HCA) clustering techniques. Then its application to hydrochemical facies delineation is discussed. Groundwater samples were grouped into three classes according to the optimum number of the classes and fuzziness exponent by using the fuzzy c-mean. The data set includes 90 deep and moderate deep well samples from groundwater data set and 9 hydrochemical variables were used. Results from both FCM and HCA clustering produced cluster centers that can be used to identify the physical and chemical processes creating the variations in the water chemistries. The optimum cluster in FCM method determined by optimization function, but in HCA method by trial and error. The FCM method is potentially useful in establishing hydrochemical facies distribution and may provide a better tool than HCA for clustering large data sets when overlapping or continuous clusters exist. Plotting the cluster membership value contours on a map demonstrated the existence of three spatially continuous, well-defined clusters of groundwater samples. The results showed that the FCM method is more sound for investigating threshold data rather than HCA method (that represents sharp and abrupt variations).