بهینه یابی شبکه پایش سطح آب زیرزمینی در آبخوان ارومیه با استفاده از نقشه خود سازمانده
Publish place: The Journal of Water and Soil، Vol: 31، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 184
This Paper With 16 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_WASO-31-2_004
تاریخ نمایه سازی: 24 دی 1401
Abstract:
در این مطالعه از روش نوین نقشه های خودسازمانده (SOM) برای خوشه بندی پیزومترهای موجود در آبخوان ارومیه و شناسایی پیزومترهایی با رفتار مشابه و به عبارتی دیگر، تعیین شبکه پایش بهینه در این آبخوان استفاده شد. به این منظور، ابتدا به نرمال سازی داده های ماهیانه تراز آب زیرزمینی در یک بازه ۱۳ ساله (۱۳۸۱-۱۳۹۴) پرداخته شد و سپس الگوریتم خوشه بندی غیرسلسله مراتبی K-means برای تعیین تعداد خوشه های بهینه مورد استفاده قرار گرفت. در ادامه به کمک مدل SOM که از پرکاربردترین مدل های شبکه عصبی در خوشه بندی است؛ عملیات پیش پردازش مکانی جهت خوشه بندی مکانی پیزومترها انجام شد و نتایج خوشه بندی با استفاده از نقشه هم عمق سطح آب زیرزمینی مورد بررسی قرار گرفت. پیزومترهای نماینده هر خوشه از طریق به کارگیری فاصله اقلیدسی پیزومترها از یکدیگر تعیین شد. با توجه به نتایج خوشه بندی و سازگاری بسیار مناسب آن با تغییرات سطح آب زیرزمینی در محل هر پیزومتر، باید عنوان نمود که الگوریتم خوشه بندی SOM از قابلیت بالایی برای خوشه بندی برخوردار است. این نوع شبکه عصبی قادر به کشف الگوهای مناسبی از داده ها است که می تواند به شناسایی ویژگی های اعضاء هر خوشه کمک کند. بنابراین، به نظر می رسد از الگوریتم خوشه بندی SOM می توان در تحلیل رفتار کمی آبخوان (تغییرات تراز آب زیرزمینی) و یافتن پیزومترهای نماینده معدود استفاده کرده و به این ترتیب امکان ارزیابی قابل قبول رفتار آبخوان در زمان کمی و با صرف کمترین هزینه فراهم آورد.
Keywords:
Authors
محمد نخعی
دانشگاه خوارزمی
وهاب امیری
گروه زمین شناسی، پردیس علوم، دانشگاه یزد
مرضیه امیری
گروخ زمین شناسی کاربردی، دانشکده علوم زمین، دانشگاه خوارزمی
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 :