تحلیل و مدل سازی تغییرات آب های زیرزمینی با استفاده از الگوریتم های داده کاوی مکانی و زمانی و یادگیری عمیق بمنظور ارتباط سنجی آن با مخاطره فرونشست

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 154

فایل این مقاله در 32 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HSMSP-28-2_002

تاریخ نمایه سازی: 17 دی 1403

چکیده مقاله:

در مناطق خشک و نیمه خشک، کمبود آب های سطحی منجر به برداشت بی رویه از آب های زیرزمینی و کاهش شدید سطح آب شده که در بسیاری از دشت های ایران به پدیده فرونشست زمین انجامیده است. درک تغییرات سطح آب زیرزمینی برای مدیریت بهینه منابع آبی و کاهش مخاطرات مرتبط اهمیت زیادی دارد. روش های مختلف آماری، ریاضی و یادگیری ماشین برای مدل سازی این تغییرات استفاده شده اند. اخیرا، شبکه های عصبی عمیق به ویژه برای تحلیل رفتار پیچیده آب های زیرزمینی، به دلیل ماهیت زمانی-مکانی آن ها، مورد توجه قرار گرفته اند. در این تحقیق، از مدل ترکیبی Wavelet-Principal Component Analysis (PCA) برای تحلیل داده های ۴۴ چاه پیزومتری دشت قهاوند طی دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس های مختلف زمانی استخراج کرده و سپس مولفه های اصلی به دست آمده از Wavelet-PCA به مدل شبکه عصبی بازگشتی Long Short Term Memory (LSTM) ارائه شدند تا سری های زمانی سطح آب پیش بینی شود. سطوح مختلف تبدیل موجک برای شناسایی روندهای کوتاه مدت و بلندمدت به کار گرفته شد. مدل LSTM با دقت R۲ = ۰.۸۵ برای گروه آموزشی و R۲ = ۰.۶۲ برای داده های آزمایشی توانست روندهای سطح آب زیرزمینی را مدل سازی کند. همچنین، داده های راداری ماهواره Sentinel-۱ بین سال های ۲۰۱۴ تا ۲۰۱۹ نشان داد که بیشینه فرونشست زمین در مناطقی با افت قابل توجه سطح آب زیرزمینی رخ داده است. همپوشانی این نقشه ها با لایه های کاربری زمین، ارتباطی معنادار بین فعالیت های کشاورزی و افت سطح آب زیرزمینی و فرونشست زمین را نشان داد.

نویسندگان

جلال کرمی

Assistant Professor in Remote Sensing and GIS, Tarbiat Modares University, Tehran, Iran.

فاطمه بابایی

Msc in Remote Sensing and GIS, Tarbiat Modares University, Tehran, Iran.

محمد شریفی کیا

Associate Professor in Remote Sensing and GIS, Tarbiat Modares University, Tehran, Iran.

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 :
  • Abdi, H., & Williams, L. (۲۰۱۰). Principal Component Analysis. Wiley ...
  • Kaiser, H.F. (۱۹۵۸). The varimax criterion for analytic rotation in ...
  • نمایش کامل مراجع