مقایسه روش دراستیک استاندارد و مدل های ناپارامتریک یادگیری بر پایه نمونه با پارامتر K (IBK) و درخت تصمیم M5 در مکان یابی پتانسیل آلودگی آب های زیرزمینی (مطالعه موردی: دشت آستانه- کوچصفهان)

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 552

فایل این مقاله در 15 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_JREH-5-4_005

تاریخ نمایه سازی: 19 مرداد 1399

چکیده مقاله:

زمینه و هدف: با توجه به نیاز روزافزون جوامع بشری به منابع آب زیرزمینی، حفاظت و جلوگیری از آلودگی این منابع امری ضروری تلقی می گردد. مطالعه حاضر با هدف ارزیابی آسیب پذیری آبخوان آب زیرزمینی آبخوان دشت آستانه- کوچصفهان استان گیلان، با استفاده از روش دراستیک و مدل های ناپارامتریک انجام شد. مواد و روش ها:در این پژوهش، پارامترها به صورت 7 لایه در محیط نرم افزار سیستم اطلاعات جغرافیایی (GIS) برای دشت تهیه و پس از وزن دهی و ترکیب رتبه های استاندارد، نقشه آسیب پذیری آب های زیرزمینی دشت با استفاده از روش دراستیک تعیین گردید. برای صحت سنجی مدل، از داده های نیترات در منطقه استفاده شد. سپس با کمک مدل های ناپارامتریک یادگیری بر پایه نمونه با پارامتر K و درخت تصمیم M5 مقدار نیترات تخمین زده شد. همچنین آزمون گاما برای یافتن بهترین ترکیب پارامترهای ورودی اجرا گردید.   یافته‎ها: بر اساس نتایج این پژوهش، آسیب‎پذیری آبخوان دشت کوچصفهان در 56/18% دارای آسیب پذیری اندک، 29/51% دارای آسیب‎پذیری اندک تا متوسط، 46/28% دارای آسیب‎پذیری متوسط تا زیاد و 67/1% دارای آسیب‎پذیری زیاد می‎باشد. همچنین هر دو مدل ناپارامتریک به کار گرفته شده تخمین مناسبی از مقدار نیترات می‎دهند، اما مدل M5 بهترین نتایج را دربرداشت (98/0=R2). نتیجه‎گیری:مدل های ناپارامتریک، روشی کارا در تخمین آسیب پذیری آبخوان محسوب می شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقه می دهند. این نکته برتری مدل M5 نسبت به سایر روش های مورد بررسی در آسیب پذیری آبخوان را نشان می دهد. نوع مقاله: پژوهشی

نویسندگان

سمیرا رهنما

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

حسین خزیمه نژاد

دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران،

عباس خاشعی سیوکی

دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

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 :
  • Vrba J, Zoporozec A. Guidebook on mapping groundwater vulnerability. IAH ...
  • Almasri M.N. Assessment of intrinsic vulnerability to contamination for Gaza ...
  • Gogu R.C, Dassargues A. Current trends and future challenge in ...
  • Ersoy A.F, Gultekin F. DRASTIC- Based Methodology for Assessing Groundwater ...
  • Jafari S.M, Nikoo M.R. Groundwater risk assessment based on optimization ...
  • Kholghi M, Taki R. Evaluating Groundwater vulnerability in Ghazvin Plain. ...
  • Amirahmadi, A., Ebrahimi, M., Asadi, M.A. and Akbari, E. (2013). ...
  • Sadatipoor E, Noori R, Baghvand A, et al. Application of ...
  • Yoosefdoost I, Khashei Siuki A. Determine the Vulnerability of the ...
  • Khalili Naft Chali A, Shahidi A, Khashei Siuki A. Comparison ...
  • Sadeghzadeh Sadat M, Nazemi A.H, Sadraddini A.A. Impacts of Surface ...
  • Gesim N.A, Okazaki T. (2018). Assessment of Groundwater Vulnerability to ...
  • Hosseini M, Saremi A. Assessment and Estimating Groundwater Vulnerability to ...
  • Ghanbarian M, Ahmadi Nadoushan M. Determinaton of Aquifer Vulnerability in ...
  • Arezooman omidi langrudi M, Khashei Siuki A, Javadi S, et. ...
  • Babiker I.S, Mohamed M.A.A, Hiyama T, et al. A GIS-based ...
  • Thirumalaivasan D, Karmegam M,  Venugopal K. AHP- DRASTIC: software for ...
  • Aller L, Bennet T, Leh R.J.H, et al. DRASTIC: A ...
  • Arezooman omidi langrudi M, Khashei Siuki A, Javadi S, et ...
  • Pal M. M5 model tree for land cover classification. International ...
  • Talebi A, Akbari Z. Investigation of Ability of Decision Trees ...
  • Yousefi M, Talebi A.S, Pourshriati R. Application of Artificial Intelligence ...
  • Alberg D, Las T.M, Kandel A. Knowledge discovery in data ...
  • Aha D.W, Kibler D, Albert M.K. Instance-based learning algorithms. Machine ...
  • Shirzad A, Soltani F, Zare Abyaneh H. Simulation of scouring ...
  • Jalali V.R, Homaee M.  Introducing a Nonparametric Model Using k-Nearest ...
  • Moghaddamnia A., Remesan R., Hassanpour Kashani M., Mohammadi M., Han ...
  • Khashei Siuki A, Sabazi M. Evaluation os ANFIA, ANN, and ...
  • Modaberi H, RahbarHashemi M.M, Ashurnia M. Groundwater Resource Vulnerability Analysis ...
  • نمایش کامل مراجع