شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از مدل های ماشین بردار پشتیبان و سیستم استنتاج فازی- عصبی تطبیقی (مطالعه موردی: دشت مراغه)
Publish place: Irrigation and Drainage، Vol: 14، Issue: 3
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 232
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-14-3_018
تاریخ نمایه سازی: 25 اردیبهشت 1400
Abstract:
به منظور مدیریت بهینه منابع آب زیرزمینی، ضروری است برآورد دقیقی از نوسانات سطح آب زیرزمینی انجام پذیرد که در سال های اخیر استفاده از روش های هوش مصنوعی بر پایه تئوری داده کاوی برای این منظور مورد توجه محققین قرار گرفته است. هدف از پژوهش حاضر، مقایسه عملکرد سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) و روش ماشین بردارپشتیبان (SVM) در شبیه سازی نوسانات سطح آب زیرزمینی می باشد. داده های بارش و سطح ایستابی ماهانه مربوط به تعداد ۲۵ چاهک مشاهده ای در بخشی از محدوده دشت مراغه واقع در استان آذربایجان شرقی مربوط به بازه زمانی ۲۲ ساله (۹۷-۱۳۷۵) به عنوان داده های ورودی مورد نیاز مدل ها استفاده شد. میانگین تراز سطح ایستابی در محدوده مورد مطالعه ۱۳۲۱ متر و میانگین بارش و دمای سالانه به ترتیب ۲۹۴ میلی متر و ۱۴ درجه سانتی گراد می باشد. مقادیر میانگین شاخص های آماری ضریب همبستگی و ریشه میانگین مربعات خطا برای مدل ANFIS به ترتیب برابر ۹۱/۰ و ۳۸/۰ متر و برای مدل SVMبه ترتیب برابر ۹۲/۰ و ۴۰/۰ متر محاسبه شد. نتایج نشان داد، اضافه شدن پارامتر بارش ماهانه به داده های ورودی، اثر قابل توجهی بر دقت مدل ANFIS نداشته است ولی در مدل SVM منجر به افزایش دقت مدل به میزان ۱۴ درصد شد. به طور کلی می توان بیان داشت، دقت شبیه سازی هر دو مدل رضایت بخش بوده با این وجود مدل ANFIS از برتری جزئی نسبت به مدل SVM برخوردار می باشد.
Keywords:
Authors
محمد مهدی جعفری
علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
حسن اوجاقلو
عضو هیئت علمی/ دانشگاه زنجان
محمد زارع
موسسه تحقیقاتی مهندسی کشاورزی و زیست فناوری لابنیز (ATB)، پتسدام، آلمان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :