مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین)

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 133

فایل این مقاله در 12 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_JWMS-10-33_006

تاریخ نمایه سازی: 5 دی 1402

چکیده مقاله:

خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (GRI) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می شود. تاکنون روش ها و مدل های مختلفی برای پیش بینی و مدل سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می باشد می توان به جای استفاده از یک مدل؛ ترکیبی از مدل های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش بینی مناسبت تر و قابل اعتماد تری دست یافت. در این تحقیق پس از محاسبه مقادیر GRI طی دوره آماری(۱۳۶۳-۱۳۹۰) در جنوب استان قزوین و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی، دبی، تبخیروتعرق پتانسیل، دما (میانگین، ماکزیمم، مینیمم)) و  سیگنال های اقلیمی ( MEI، SOI، AMM، AMO و PDO)، با استفاده از آزمون  گاما در سه ساختار ترکیب ورودی، اقدام به مدل سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی SOI و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر GRI می باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سری زمانیARIMA(۱,۱,۳)(۲,۰,۱) با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل سازی با مدل ترکیبی ANN-ARIMA انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. (R۲=۰.۹۴, RMSE= ۰.۰۵)

نویسندگان

فاطمه مقصود

دانشگاه تربیت مدرس

محمدرضا یزدانی

دانشگاه سمنان

محمد رحیمی

دانشگاه سمنان

آرش ملکیان

دانشگاه تهران

علی ذوالفقاری

دانشگاه سمنان

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 :
  • Adamowski, J. and Fung Chan, Hiu. ۲۰۱۱. A wavelet neural ...
  • Astañeda, C. Herrero, J. and Auxiliadora, M. ۲۰۰۵. Landsat monitoring ...
  • Box, G.E.P. and Jenkins, G.M. ۱۹۷۶. Time Series Analysis Forecasting ...
  • Chitsazan, M. Rahmani, Gh. and Neyamadpour, A. ۲۰۱۳. Groundwater level ...
  • Coppola, E. Rana, A.J. Poulton, M. Szidarovszky, F. and Uhi, ...
  • Cullen, H. N. and Demenocal, P. B. ۲۰۰۰. North Atlantic ...
  • Dini, M. ۲۰۰۵. Short-term prediction of Tehran urban water demanding ...
  • Green, T. Taniguchi, M. Kooi, H. Gurdak, J.J. Hiscock, K. ...
  • Holman, I.P. ۲۰۰۶. Climate change impacts on ground-water recharge-Uncertainty, short ...
  • Jain, A. and Kumar, A.M. ۲۰۰۷. Hybrid neural network models ...
  • Jalili, S. Morid, S. Banakar, A. and Namdar Ghanbari, R. ...
  • Keneth, H. F. ۲۰۰۳. Climate variation drought and desertification. W. ...
  • Khaledi, M.B and Fatahi, E. ۲۰۱۳. Analysis of lake water ...
  • Khosravi, M. and Shakiba, H. ۲۰۱۰. Precipitation forecasting using artifitial ...
  • Khosravi, M. Nasiri, M. Safavi, A.A. and Poorjafarian, N. ۲۰۱۲. ...
  • Kuss, A.J.M. and Gurdak, J.J. ۲۰۱۴. Groundwater level response in ...
  • Malekinezhad, H. and Poorshareyati, R. ۲۰۱۲. Application and comparison of ...
  • Mendicino, G. Senatore, A. and Versace, P. ۲۰۰۸. A Groundwater ...
  • Menhaj, M.b. ۲۰۰۸. Fundamentals of neural networks , Sharif University ...
  • Moghaddamnia, A. Remesan, R. Hassanpour Kashani, M. Mohammadi, M. Han, ...
  • Mohammadi, M.R. and fereydooni, M. ۲۰۱۴. Evaluation of artificial neural ...
  • Pasquini, A.I. Lecomte, K.L. and Depetris, P.J. ۲۰۰۸. Climate change ...
  • Poormohammadi, H. Malekinezhad, H. and Poorshareyati, R. ۲۰۱۳. Comparison of ...
  • Wang, W. Gelder, P. and Virijling. J.K. ۲۰۰۵. Improving daily ...
  • Yang, Z.P. Lu, W.X. Long, Y. Q. and Li, P. ...
  • نمایش کامل مراجع