ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی و پهنه بندی کمی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی ، سامانه اطلاعات جغرافیایی و سنجش از دور

سال انتشار: 1397
کد COI مقاله: NGTU01_027
زبان مقاله: فارسیمشاهد این مقاله: 179
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی و پهنه بندی کمی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی ، سامانه اطلاعات جغرافیایی و سنجش از دور

علی زارع - کارشناس ارشد سنجش از دور و GIS دانشگاه آزاد اسلامی، لارستان، ایران
مهدی ساعتی - استادیار و عضو هییت علمی دانشگاه آزاد لارستان، ایران

چکیده مقاله:

باتوجه به اینکه استان فارس به علت کمبود بارش و وقوع خشکسالیهای متعدد با محدودیت منابع آب زیرزمینی در سال های اخیر روبرو بوده و بر اساس گزارشهای سالانه و تحقیقات محققین و کارشناسان این حوزه، اغلب دشت های استان فارس شاهد روند نزولی منابع آبهای زیرزمینی هستند این تحقیق با هدف پیش بینی و پهنه بندی کمی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، سامانه اطلاعات جغرافی ایی و سنجش از دورانجام شد. جهت انجام تحقیق، از آمار و اطلاعات مربوط به بارش، دما و سطح آب زیرزمینی در منطقه مورد مطالعه استفاده شد. همچنین بازه آماری استفاده شده در مطالعه مربوط به سال 1385 تا 1394 می باشد. به دلیل احداث و اضافه شدن چاه های نمونه برداری جدید و یا خاموش شدن بعضی از چاه ها در سالهای اخیر در منطقه مورد مطالعه، تنها از چاه هایی که در طول دوره آماری مشترک قرار گرفته بودند استفاده گردید. پس از جمع آوری داده های لازم، نرمال سازی و ایجاد بانک اطلاعاتی در محیط نرم افزاری Excel جهت بررسی های لازم به منظور صحت و سقم داده ها صورت گرفت. با به کارگیری توابع مختلف فعال سازی شامل لگ سیگمویید، تانژانت هایپربولیک سیگمویید و خطی در ساختارهای دو تا چهار لایه میانی و به کارگیری دو تا ده نرون در لایه های میانی، برای هرگروه، شبیه سازی هایی که دارای کمترین مقادیر جذر میانگین مربعات خطا (RMSE) و بیشترین مقادیر ضریب همبستگی (R) می باشند،در نرم افزار متلب گزارش گردید. پس از انجام بررسی های لازم مشخص شد که بین تمامی مدل های ارایه شده مدلی که دارای مشخصات دو لایه، پنج نرون و تابع Logsig بود با داشتن بیشترین ضریب همبستگی برابر با 0,81 و کمترین مقدار خطا برابر با 0,132 به عنوان بهترین مدل جهت پیش بینی در محدوده مورد مطالعه می باشد.

کلیدواژه ها:

پهنه بندی، منابع آب زیرزمینی، شبکه عصبی مصنوعی، GIS

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/818748/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
زارع، علی و ساعتی، مهدی،1397،پیش بینی و پهنه بندی کمی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی ، سامانه اطلاعات جغرافیایی و سنجش از دور،کنفرانس ملی فن آوری ها و کاربردهای نوین ژئوماتیک،تبریز،،،https://civilica.com/doc/818748

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397، زارع، علی؛ مهدی ساعتی)
برای بار دوم به بعد: (1397، زارع؛ ساعتی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 1,177
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی