مدل سازی زمانی و مکانی سطح آب زیرزمینی دشتستان بوشهر با استفاده از هوش مصنوعی و زمین آمار

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 184

فایل این مقاله در 11 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_JWMR-13-26_006

تاریخ نمایه سازی: 8 بهمن 1401

چکیده مقاله:

چکیده مبسوط مقدمه و هدف: یکی از اقدامات اساسی برای رسیدن به مدیریت بهینه منابع آب، مدل­سازی و پیش­بینی سطح ایستابی چاه ­ها است. کنترل سطح ایستابی با استفاده از چاه­های مشاهده­ای، منبع اصلی اطلاعات جهت بررسی تنشهای هیدرولوژیکی محسوب میشود. با استفاده از داده­های روزانه و ماهانه چاهها میتوان نوسانات سطح آب را بررسی نمود و این بررسی­ها به­منظور درک رفتار منابع آب زیرزمینی در دراز مدت و اخذ هر گونه تصمیم مدیریتی لازم میباشد. با توجه به اهمیت پیشبینی تراز آب زیرزمینی، یافتن روشی مناسب در این خصوص دارای اهمیت میباشد. در سالهای اخیر کاربرد سامانههای هوشمند برای پیش­بینی تراز آب زیرزمینی به سرعت رو به افزایش است که دلیل این امر به آسانی کاربرد و دقت بالای این مدل­ها در تﻘریب معادلههای غیرخطی و پیچیده ریاضی می­باشد. هدف از این پژوهش پیشبینی سطح ایستابی آب زیرزمینی دشتستان بوشهر به­کمک مدلهای شبکه عصبی­مصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم میباشد. مواد و روش­ ها: در این تحﻘیق از مدلهای شبکه عصبی مصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم برای تخمین تراز آب زیرزمینی دشت دشتستان استفاده شد. همچنین از روش زمین ­آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. دادههای مورد استفاده شامل تراز ماهانه سطح ایستابی ۵۰ حلقه چاه موجود در آبخوان دشت طی یک دوره آماری ده ساله از سال ۱۳۸۸ تا ۱۳۹۷ بود. برای بررسی نتایج مدل­ های مذکور از معیارهای ارزیابی مجذور میانیگن مربعات خطا، میانگین مطلق خطا و ضریب تبیین R۲ استفاده شد. یافته­ ها: نتایج نشان داد هر سه روش دقت بالایی در شبیه ­سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R۲ بالاتری (۰/۹۹۳)، کمترین مجذور میانگین خطا (۰/۲۹) و کمترین میانگین مطلق خطا (۰/۰۲۴) به ­عنوان روش برتر برای پیش­بینی سطح ایستابی انتخاب شد. پهنه ­بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل ۱۰ متر بود. نتیجه ­گیری: نتایج مدل­ سازی روش­ ها و نتایج آماره ­های ارزیابی مدل، نشان دهنده عملکرد خوب مدل­ ها در برآورد سطح ایستابی آب زیرزمینی است اما با توجه به مقایسه ضریب تبیین مدل ها در این تحقیق نشان داده شد که روش شبکه عصبی مصنوعی دقت بالاتری در پراکنش داده ­های موجود دارد و مقادیر محاسبه شده نسبت به مقادیر مشاهداتی مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر، اختلاف کمتری داشتند. در مجموع نتایج تحقیق نشان داد که روش شبکه عصبی مصنوعی دارای دقت بالاتری در تخمین میزان تراز آب زیرزمینی می ­باشد.

نویسندگان

حلیمه پیری

Department of Water Engineering, Faculty of Water and Soil, University of Zabol

مجتبی مبارکی

Department of Water Engineering, Faculty of Water and Soil, University of Zabol

صالح سیاسر

Department of Water Engineering, Faculty of Water and Soil, University of Zabol

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 :
  • Alberg, D., M. Last and A. Kandel. ۲۰۱۲. Knowledge Discovery ...
  • Banerjee, P., R.K. Prasad and V.S. Singh. ۲۰۰۹. Forecasting of ...
  • Bouma, J. ۱۹۸۹. Using soil survey data for quantitative land ...
  • Burges, C.J. ۱۹۹۸. A tutorial on support vector machines for ...
  • Choisnel, E. and P. Gavilan. ۱۹۹۲. Une approche uniformisee du ...
  • Dawson C.W., R.J. Abrahart, A.Y. Shamseldin and R.L. Wibly. ۲۰۰۶. ...
  • Dolatkhahi, M. and V. Ghorbani Nehooji. ۲۰۱۳. Introduction of high ...
  • DvodAbadi Farahani, M. ۲۰۱۳. Mapping Groundwater Potential in Karstic Area- ...
  • Fallahi, M., H. Varvani and S. Golian. ۲۰۱۱. Rainfall Forecasting ...
  • Ghorbani, M.A., R. Khatibi, M. Hasanpour kashani and O. Kisi. ...
  • Gorgij, A.D., O. Kisi and A. Moghaddam. ۲۰۱۶. Groundwater budget ...
  • Hoseini Someh, M., A. Roshani and A. Zebah. ۲۰۲۱. Modeling ...
  • Jabalbarezi, B. and A. Malekian. ۲۰۲۰. Comparison of the efficiency ...
  • Jothiprakash, V. and S. Sakhare. ۲۰۰۸. Ground Water Level Fluctuations ...
  • Lallahem, S., J. Mania A. Hani and Y. Najjar. ۲۰۰۵. ...
  • Menhaj, M.B. ۲۰۰۵. Fundamentals of neural networks, computational intelligence. Publishing ...
  • Mohtasham, M., A. Dehghani, A. Akbarpour, M. Meftah and M. ...
  • Mokhtari, Z., A. Nazemi and A. Nadiri. ۲۰۱۲. The prediction ...
  • Nosrati Karizak, F., S.A. Movahedi Naeni and A. Hezarjaribi, ۲۰۱۲. ...
  • Pal, M. ۲۰۰۶. M۵ model tree for land cover classification. ...
  • Piri, H. and A. Bameri. ۲۰۱۳. Investigation of the trend ...
  • Potop, V. and M. Možný. ۲۰۱۱. The application a new ...
  • Reghunath, R., T.R. Murthy and B.R. Raghavan. ۲۰۰۵. Time series ...
  • Sreekanth, D., N. Geethanjali, P. Sreedevi, Sh. Ahmed, N. Ravi ...
  • Wang, Y. and I.H. Witten. ۱۹۹۷. Inducing model trees for ...
  • Wosten, J.H.M., Y.A. Pachepsky and W.J. Rawls. ۲۰۰۱. Pedotransfer functions: ...
  • Yang, Z.P., W.X. Lu, Y.Q. Long and P. Li. ۲۰۰۹. ...
  • نمایش کامل مراجع