استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)
Publish place: Quarterly Journal of Geosciences، Vol: 26، Issue: 104
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 383
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GSJ-26-104_010
تاریخ نمایه سازی: 3 بهمن 1400
Abstract:
آلودگی منابع آب زیرزمینی به علت نفوذ آلایندهها از سطح زمین به سامانه آب زیرزمینی بهویژه در مناطق خشک و نیمهخشک که با کمبود کمی و کیفی منابع آب روبه رو هستند؛ یکی از معضلات جدی به شمار میآید. بنابراین ارزیابی آسیبپذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیبپذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر موثر در آسیبپذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ بهصورت هفت لایه رستری تهیه شد و پس از رتبهدهی و وزندهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان ۸۲ تا ۱۵۱ به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمالنظرهای کارشناسی برای رتبهدهی و وزندهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از ۵ روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیقتری از ارزیابی آسیبپذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدلهای هوش مصنوعی به طور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به ۲ دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدلها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روشهای هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (SCMAI) نتایج بهتری را دربر داشت. بر پایه این مدل، بخشهای باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.
Keywords:
Authors
مریم قرهخانی
دانشجوی دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
عطاالله ندیری
استادیار، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
اصغر اصغری مقدم
استاد، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
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 :