سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

مقایسه و ارزیابی مدل های هوشمند و زمین آمار به منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان)

Publish Year: 1400
Type: Journal paper
Language: Persian
View: 247

This Paper With 11 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_JWMR-12-24_005

Index date: 6 March 2022

مقایسه و ارزیابی مدل های هوشمند و زمین آمار به منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان) abstract

چکیده مبسوط مقدمه و هدف: امروزه با توسعه بخش شهری، صنعتی و کشاورزی استفاده از آب­های زیرزمینی اهمیت بیشتری یافته است. بنابراین پایداری و توسعه بهره برداری از آب های زیرزمینی برای انواع مشتریان و اهداف مختلف، امری ضروری است که ویژگی های کمی و کیفی آن مورد بررسی و ارزیابی قرار گیرد. مواد و روش­ ها: شبکه عصبی تطبیقی فازی (FANN) و روش زمین آماری مبتنی بر سیستم اطلاعات جغرافیایی برای دشت کمیجان، استان مرکزی، ایران استفاده شده است. ابتدا داده های ۳۶ حلقه چاه از شرکت آب و فاضلاب روستایی جمع آوری شد. سپس با استفاده از انواع نیمه واریوگرام مانند: گوسی، خطی، کروی و همچنین کریجینگ و کوکریجینگ، مدل زمین آماری با استفاده از شاخص های R۲ و RMSE مورد ارزیابی قرار گرفت. سپس برای مدل شبکه عصبی تطبیقی فازی توابع عضویت مانند: مثلثی، زنگ تعمیم یافته و گاوسی بررسی شد و بهترین مدل با استفاده از شاخص­ های R۲ و RMSE تعیین شد. یافته­ها: با توجه به نتایج R۲ و RMSE در مدل های زمین آماری، کروی، خطی و نمایی به ترتیب برای متغیرهای EC، TDS و pH بهترین انتخاب شدند. همچنین بر اساس نیمه واریوگرام، روش کریجینگ عملکرد بهتری نسبت به روش کوکریجینگ برای تمامی متغیرهای مورد مطالعه با ضریب تعیین بالا به ترتیب ۰/۷۳، ۰/۶۶ و ۰/۸۵ برای EC، TDS و pH و کمتر در RMSE دارد .نتایج نشان داد که در شبکه عصبی تطبیقی ​​فازی، متغیر EC، تابع زنگ تعمیم یافته فازی با ضریب همبستگی ۰/۹۸ و میانگین مربعات خطای ۱۴۴/۵۴ در مرحله آزمون، خوب است. برای متغیر TDS، تابع گاوسی با ضریب همبستگی ۰/۹۸ و میانگین مربعات خطای ۰/۳۳ ۱۱۹ در مرحله آزمون بهترین است. همچنین برای متغیر pH، تابع زنگ تعمیم یافته با ضریب همبستگی ۰/۹۹ و میانگین مربعات خطای ۱۰۳/۱۰ در مرحله آزمون عملکرد بهتری نسبت به سایر توابع فازی در مدل سازی دارد. با مقایسه نتایج شبکه عصبی تطبیقی ​​زمین آماری و فازی می توان دریافت که مدل FANN نسبت به مدل زمین آماری کارایی بالاتری دارد. نتیجه­ گیری: نتایج نقشه های پهنه بندی نشان داد که در قسمت شمالی دشت EC کم و در مرکز و غرب EC بالای µSiemens/cm ۲۰۰۰ است. همچنین برای متغیر TDS، در قسمت شمالی دشت کم و در جنوب و جنوب غربی بالای ۱۰۰۰ میلی­ گرم در لیتر است. همچنین تغییرات مقدار pH  نشان داد که تغییرات این متغیر کم بوده و بیشترین میزان pH در قسمت شمالی و کمترین آن در قسمت جنوبی است.  

مقایسه و ارزیابی مدل های هوشمند و زمین آمار به منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان) Keywords:

مقایسه و ارزیابی مدل های هوشمند و زمین آمار به منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان) authors

مه نوش مقدسی

Arak University

مهدی مردیان

Sari Agricultural Sciences and Natural Resources University, Sari, Iran

محسن پارسا

Arak University

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 :
Abareshi, F., M. Meftah Halghi, H. Sanikhani and A.A. Dehghani. ...
Alidoosti Shahraki, M., V. Azaimi and S.S. Sharifi Bonab. ۲۰۱۳. ...
Azimi, S., M.A. Moghaddam and S.H. Monfared. ۲۰۱۹. Prediction of ...
Baalousha, H. ۲۰۱۰. Assessment of a groundwater quality monitoring network ...
Bayat, M. ۲۰۱۴. Preparation of Soil Salinity Map in Range ...
Bose, N.K. and P. Liang. ۱۹۹۶. Neural network fundamentals with ...
Bui, D.T., K. Khosravi, M. Karimi, G. Busico, Z.S. Khozani, ...
Ghasemi, S., N. Ganji Khorramdel, M. Mardian. ۲۰۱۵. An Analysis ...
Ghorbani, M.A., R.C. Deo, M.H. Kashani, M. Shahabi and S. ...
Haji hashemi jazi, M.R., M. Atashgahi and A.H. Hamidian. ۲۰۱۱. ...
Haykin, S.S. ۱۹۹۹. Neural Networks: A Comprehensive Foundation, Prentice Hall ...
Jang, C.S., S.K. Chen and Y.M. Kuo. ۲۰۱۱. Establishing an ...
Iranian Ministry of Energy. ۲۰۱۸. Report on the groundwater production ...
Jang, J.S.R. ۱۹۹۳. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions ...
Khaledian, M.R., S.A. Moussavi, H. Asadi, M. Norouzi and M. ...
Khashei-Siuki, A., B. Ghahraman and M. Kouchakzadeh. ۲۰۱۳. Comparison of ...
Kisi, O. ۲۰۰۷. Streamflow forecasting using different artificial neural network ...
Kisi, O., H. Sanikhani, M. Zounemat-Kermani and F. Niazi. ۲۰۱۵. ...
Koohi Cheleh Karan, N., R. Asadi and P. Lajmiri. ۲۰۰۹. ...
Lohani, A.K. and G. Krishan. ۲۰۱۵. Groundwater Level Simulation Using ...
Maroufpoor, S., M. Jalali, S. Nikmehr, N. Shiri, J. Shiri ...
Matkan, A., B. Arabi, H. Lashkari and B. Mirbagheri. ۲۰۱۲. ...
Moradi, M., H. Hassan Vagharfard, A. Asadollah Khourani and V. ...
Nadiri, A., A. Asghari Moghaddam, H. Abghari and E. Fijani. ...
Najafi, H., K.A. Woodbury. ۲۰۱۵. Online heat flux estimation using ...
Nikbakht, S. and M. Delbari. ۲۰۱۴. Estimation of groundwater levels ...
Ostovari, Y., H. Beigi Harchegani and A.R. Davoodian. ۲۰۱۱. Assessment ...
Saadipoor, Ch., M. Roodpeyma, A. Karami, N. Davatgar and S.M. ...
Safavi, M., O. Mohammadrezapour, E. Bahrami, M. Mohamadi sedigh and ...
Shabani, M. ۲۰۱۱. Evaluation of geostatistical methods in the preparation ...
Sheikh Goodarzi, M., S.H. Mousavi and N. Khorasani. ۲۰۱۲. Imulating ...
Taormina, R., K.W. Chau and R. Sethi. ۲۰۱۲. Artificial Neural ...
Tapoglou, E., G.P. Karatzas, I.C. Trichakis and E.A. Varouchakis. ۲۰۱۴. ...
Wagh, V.M., D.B. Panaskar, A.A. Muley, S.V. Mukate, Y.P. Lolage ...
نمایش کامل مراجع