شبیه سازی شوری آب زیرزمینی با تلفیق قابلیت های شبکه عصبی مصنوعی و سیستم اطلاعات جغرافیایی در سواحل جنوبی خزر

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 406

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JISE-42-4_013

تاریخ نمایه سازی: 6 خرداد 1399

چکیده مقاله:

باتوجهبهشرایطکشورایرانبه لحاظ کمبودمنابعآبسطحی،استفادهازمنابعآبزیر­زمینیبرایتامینآبمورد توجه قرار گرفتهاست. انجام آزمایش­های کیفی، زمان­بر و پرهزینه است. بنابراین، استفاده از مدل­ها برای شبیه­سازی کیفیت آب متداول شده است. در تحقیق حاضر شبکه عصبی­مصنوعی برای شبیه­سازی شوری آب زیرزمینی و سیستم اطلاعات جغرافیایی (GIS) به­عنوان پیش­پردازنده و پس­پردازنده در شبیه­سازی در سطح دشت مازندران استفاده شد. شوری آب زیرزمینی با استفاده از شبکه پرسپترون چند­لایه (MLP) و با در نظر گرفتن هدایت الکتریکی(EC) آب زیرزمینی و کمی نمودن عوامل موثر در شوری آب، شبیه­سازی گردید. سپس، آزمون یا اعتباریابی مدل و تایید کارایی مدل انجام پذیرفت. در محیط سیستم اطلاعات جغرافیایی، سطح دشت مطالعاتی به سلول­های یک در یک کیلومتری به فرمت رستری جدا شد و از تلفیق لایه­های ورودی مدل، لایه زمین مرجع عوامل شوری آب تهیه گردید. مقادیر کمی برای هر سلول به­همراه مختصات به محیط شبکه عصبی وارد گشت و  شبیه­سازی شوری آب زیرزمینی برای مکان­های فاقد آمار با شبکه بهینه اعتباریابی شده، انحام پذیرفت. سپس، نتایج با توجه به دست­یابی مقادیر ضریب تعیین GIS وارد و نقشه یا لایه رستری شوری آب زیرزمینی براساس نتایج شبیه­سازی شبکه عصبی تهیه شد. نتایج با توجه به دست­یابی مقادیر ضریب تعیین 78/0=2 Rو معیار میانگین مربعات خطای RMSE برابر با 122/0 در مرحله آزمون با ارزیابی کارایی شبکه عصبی و همچنین تحلیل هم­پوشانی مقادیر برآوردی و مقادیر مشاهداتی در محیط GIS، دلالت بر دقت و کارایی تلفیق شبکه عصبی و GIS در مطالعات داشته است.

نویسندگان

مرحمت سبقتی

دانشجوی دکتری منابع طبیعی_ آبخیزداری، دانشگاه ارومیه

وحید غلامی

دانشیار دانشکده منابع طبیعی دانشگاه گیلان- گروه مرتع و آبخیزداری.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Anctil, F. and Rat, A., 2005. Evaluation of neural network ...
  • Chen, J. and Adams, B.J., 2006. Integration of artificial neural ...
  • Daliakopoulos, I.N., Coulibaly, P. and Tsanis, I.K., 2005. Groundwater level ...
  • Ducci, D. and Sellerino, M., 2013. Vulnerability mapping of groundwater ...
  • Gangopadhyay, S., Gautam, T.R. and Gupta, A.D., 1999. Subsurface characterization ...
  • Gholami, V. and Darvari, Z. 2013., Comparison of Performance of ...
  • Gholami, V., Yousefi, Z. and Rostami, H.Z., 2010. Modeling of ...
  • Ghosh, N.G. and Sharma, K.D. 2006. Groundwater Modeling and Management, ...
  • Jang, C.S. and Chen, S.K., 2015. Integrating indicator-based geostatistical estimation ...
  • Krishna, B., Satyaji Rao, Y.R. and Vijaya, T., 2008. Modelling ...
  • Lallahem, S., Mania, J., Hani, A. and Najjar, Y., 2005. ...
  • Langford, R.P., Rose, J.M. and White, D.E., 2009. Groundwater salinity ...
  • Li, X., Shu, L., Liu, L., Yin, D. and Wen, ...
  • Mahdavi, M. 1999. Applied Hydrology, Tehran University Press. 324, pp. ...
  • Mohanty, S., Jha, M.K., Kumar, A. and Panda, D.K., 2013. ...
  • Mondal, N.C., Singh, V.P., Singh, V.S. and Saxena, V.K., 2010. ...
  • Rajurkar, M.P., Kothyari, U.C. and Chaube, U.C., 2004. Modeling of ...
  • Samani, N., Gohari-Moghadam, M. and Safavi, A.A., 2007. A simple ...
  • Shah, T., Roy, A.D., Qureshi, A.S. and Wang, J., 2003, ...
  • Singh, C.K., Shashtri, S., Mukherjee, S., Kumari, R., Avatar, R., ...
  • Stigter, T.Y., Ribeiro, L. and Dill, A.C., 2006. Application of ...
  • Tokar, A.S. and Markus, M., 2000. Precipitation-runoff modeling using artificial ...
  • نمایش کامل مراجع