پیش بینی مدل مکانی سطح ایستابی با استفاده از تابع هایپربولیک تانژانت شبکه ی عصبی مطالعه ی موردی: دشت سرخون

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 111

This Paper With 19 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_HYD-6-20_006

تاریخ نمایه سازی: 4 بهمن 1401

Abstract:

در سال های اخیر سطح تراز آب های زیرزمینی در اثر تغییرات اقلیمی و همچنین شیوه و میزان بهره برداری از آن ها، روند نزولی داشته است. با توجه به افزایش تقاضای آب و افت شدید آب­های زیرزمینی، مدیریت پایدار این منابع از اهمیت شایانی برخوردار است. پیش بینی سطح ایستابی با استفاده از مدل های ریاضی و آماری می تواند کمک قابل توجهی به برنامه ریزی و تصمیم گیری های مناسب جهت تامین آب در درازمدت، داشته باشد. در این مطالعه تلاش شده است تا سطح آب­های زیرزمینی با استفاده از شبکه­ی عصبی گرادیان دیسکنت و تابع انتقال Hyperbolic Tangent پیش بینی شود. مدل تابع انتقال Tanh با تعداد ۴۰ نرون در لایه پنهان با ضریب همبستگی ۹۹/۰ و مجذور مربعات خطا ۰۱/۰ برای پیش بینی سطح ایستابی پیاده سازی شد. با تعمیم این مدل به ده چاه مشاهده­ای و برون­یابی در محیط سامانه­ی اطلاعات جغرافیایی، مدل مکانی پیوسته سطح ایستابی در دشت سرخون برای سال ۱۴۰۰ تخمین زده شد. نتایج نشان داد که سطح ایستابی در قسمت های غربی دشت با مقدار ۹۸/۷۲ متر بیشترین و در بخش شرقی دشت با توجه به تراکم جمعیتی بیشتر مقدار با ۷۲/۱۸ متر کمترین سطح ایستابی را خواهند داشت. با توجه به میزان خطای پایین مدل، می توان نتیجه گرفت که با اجرای این مدل در دیگر حوزه ها می توان پیش بینی صحیحی از سطح آب های زیرزمینی به دست آورد و در برنامه ریزی و مدیریت پایدار آب های زیرزمینی از آن استفاده نمود

Authors

مسعود جلالی

جغرافیا-علوم انسانی- دانشگاه زنجان-زنجان-ایران

محمد کمانگر

دانشجوی دکتری، آب و هواشناسی، دانشگاه زنجان، زنجان، ایران

رباب رزمی

دانشجوی دکتری، آب و هواشناسی، دانشگاه زنجان، زنجان، 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 :
  • Adamowski, J., & Chan, H.F. (۲۰۱۱). A wavelet neural network ...
  • Anh. Quan Tran, Taniguchi. Kenji. (۲۰۱۸). Coupling dynamical and statistical ...
  • Chang, F., Chang, L., Huangm C. (۲۰۱۶). Prediction of monthly ...
  • Coppola, E., Szidarovszky, F., Poulton, M., & Charles, E. (۲۰۰۳). ...
  • Daliakopoulos, I.N., Coulibaly, P., & Tsanis, I.K. (۲۰۰۵). Groundwater level ...
  • Magesh, N.S., Chandrasekar, N., & Soundranayagam, J.P. (۲۰۱۲). Delineation of ...
  • Gazman, S., Paz, J., Target, M., (۲۰۱۷). The Use of ...
  • Mohanty, S., Jha, M, Kumar, A. and Sudheer, K,P. (۲۰۱۰). ...
  • Nadiri, A., Vahedi, F., & Moghadam, A. (۲۰۱۶). Groundwater level ...
  • Nadiri, A., Yosefade, Sayyed. (۲۰۱۷). Comparison of Artificial Neural Network ...
  • Nayak, P., Satyaji Rao, Y.R., and Sudheer, K.P., (۲۰۰۶). Groundwater ...
  • Rajay, T., Poraslan, F. (۲۰۱۵). Temporal and spatial prediction of ...
  • Rajay, T., Zinivand, A., & Jafari, H. (۲۰۱۶). Groundwater level ...
  • Sethi, R.R., Kumar, A., Sharma, S.P., & Verma, H.C. (۲۰۱۰). ...
  • نمایش کامل مراجع