ارائه مدل ترکیبی ژنتیک کریجینگ برای پیش بینی زمانی و مکانی سطح آب زیرزمینی
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 209
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IWRR-11-3_008
تاریخ نمایه سازی: 30 بهمن 1401
چکیده مقاله:
استفاده از روش های هوشمند تکاملی و مدل های ترکیبی برای پیش بینی زمانی مکانی نوسانات سطح آب زیرزمینی در دهه های اخیر بیشتر مورد توجه محققین قرار گرفته است. الگوریتم ژنتیک و نروفازی از روش های جدید پیش بینی نوسانات سطح آب زیرزمینی هستند که برای پیش بینی مسائل پیچیده و غیرخطی می توانند به صورت منفرد و ترکیبی به کار روند. در این پژوهش، از روش های فوق برای مطالعه آبخوان دشت هادیشهر که به دلیل برداشت بی رویه از آب های زیرزمینی، سطح آب زیرزمینی آن افت شدیدی پیدا کرده است؛ استفاده شد. دشت هادیشهر در شمال غرب استان آذربایجان شرقی واقع شده و بخشی از محدوده مطالعاتی جلفا دوزال است. به منظور یافتن راهکارهایی مفید برای پیش بینی زمانی مکانی سطح آب زیرزمینی، از روش های هوش مصنوعی مانند نروفازی و برنامه ریزی ژنتیک و ترکیب بهترین مدل آن ها با روش های زمین آماری استفاده شد. بارش و تبخیر در گام زمانی t۰ و سطح آب زیرزمینی در گام زمانی t۰-۱ ورودی های مدل های نروفازی و برنامه ریزی ژنتیک بودند. نتایج نشان داد دقت مدل برنامه ریزی ژنتیک بیشتر از مدل نروفازی است به طوری که RMSE میانگین برای پیزومتر های منتخب در مرحله آزمایش در مدل برنامه ریزی ژنتیک ۱۹ سانتی متر و در مدل نروفازی ۲۳ سانتی متر به دست آمد. لذا مدل برنامه ریزی ژنتیک برای ترکیب با مدل زمین آماری (کریجینگ) استفاده شد و در نهایت مدل ترکیبی کریجینگ ژنتیک برای پیش بینی زمانی مکانی به دست آمد؛ و نتایج شبیه سازی شده به کل دشت و مناطق فاقد شبکه پایش سطح آب زیرزمینی بسط داده شد.
کلیدواژه ها:
نویسندگان
محمد حسن حبیبی
دانشجوی کارشناسی ارشد/ گرایش آبشناسی، دانشگاه تبریز
عطاالله ندیری
استایار/ گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز
اصغر اصغری مقدم
استاد /گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز
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 :