تخمین پارامترهای کیفی آب خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی abstract
زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهمترین پارامترهای اولیه مدیریت جامع منابع آبزیرزمینی میباشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت
تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آبخوانهای
دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از دادههای ۱۳۲ چاهک مشاهداتی در دوره آماری ۱۳۸۱ تا ۱۳۹۳ و مدلهای
شبکه عصبی مصنوعی (ANN) و
ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمینها بهازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارشهای شش ماه و مختصات چاهکهای مشاهداتی انجام گرفته است. در رویکرد دوم، تخمینها براساس ترکیب پارامترهای کیفی منتخب
آزمون گاما با ترکیبهای ورودی برتر بخش اول صورت گرفته است. یافته ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای
ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست بهترتیب برابر با (meq/l) ۲۱۸/۱، (meq/l) ۸۶۷/۰ و (µmos/cm) ۷۴۲/۱۷۵ بوده است و این مقادیر برای مدل
شبکه عصبی مصنوعی بهترتیب برابر با (meq/l) ۲۶۸/۱، (meq/l) ۹۳۳/۰ و (µmos/cm) ۴۴۸/۱۸۶ میباشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدلها گردیده است. در بخش دوم با استفاده از
آزمون گاما از بین نه پارامتر کیفی اندازهگیری شده ، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمینها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشتهاند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحتسنجی بهترتیب برابر با (meq/l) ۶۶۲/۰، (meq/l) ۳۰۵/۰ و (µmos/cm) ۳۴۶/۴۷ بوده است و این مقادیر برای مدل SVM بهترتیب برابر با (meq/l) ۶۷۱/۰، (meq/l) ۳۵۶/۰ و (µmos/cm) ۴۱۲/۵۵ میباشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در
تخمین پارامترهای کیفی آبخوانها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، بهازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس میباشد. نتایج بخش دوم نشان داد که
آزمون گاما میتواند بهصورت کاملا کابردی و دقیق در تعیین ترکیبهای ورودی موثر مورد استفاده قرار گیرد.