مدل سازی زمانی و مکانی سطح آب زیرزمینی دشتستان بوشهر با استفاده از هوش مصنوعی و زمین آمار
Publish place: Journal of Watershed Management Research، Vol: 13، Issue: 26
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 187
This Paper With 11 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_JWMR-13-26_006
تاریخ نمایه سازی: 8 بهمن 1401
Abstract:
چکیده مبسوط
مقدمه و هدف: یکی از اقدامات اساسی برای رسیدن به مدیریت بهینه منابع آب، مدلسازی و پیشبینی سطح ایستابی چاه ها است. کنترل سطح ایستابی با استفاده از چاههای مشاهدهای، منبع اصلی اطلاعات جهت بررسی تنشهای هیدرولوژیکی محسوب میشود. با استفاده از دادههای روزانه و ماهانه چاهها میتوان نوسانات سطح آب را بررسی نمود و این بررسیها بهمنظور درک رفتار منابع آب زیرزمینی در دراز مدت و اخذ هر گونه تصمیم مدیریتی لازم میباشد. با توجه به اهمیت پیشبینی تراز آب زیرزمینی، یافتن روشی مناسب در این خصوص دارای اهمیت میباشد. در سالهای اخیر کاربرد سامانههای هوشمند برای پیشبینی تراز آب زیرزمینی به سرعت رو به افزایش است که دلیل این امر به آسانی کاربرد و دقت بالای این مدلها در تﻘریب معادلههای غیرخطی و پیچیده ریاضی میباشد. هدف از این پژوهش پیشبینی سطح ایستابی آب زیرزمینی دشتستان بوشهر بهکمک مدلهای شبکه عصبیمصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم میباشد.
مواد و روش ها: در این تحﻘیق از مدلهای شبکه عصبی مصنوعی، مدل ماشین بردار پشتیبان و درخت تصمیم برای تخمین تراز آب زیرزمینی دشت دشتستان استفاده شد. همچنین از روش زمین آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. دادههای مورد استفاده شامل تراز ماهانه سطح ایستابی ۵۰ حلقه چاه موجود در آبخوان دشت طی یک دوره آماری ده ساله از سال ۱۳۸۸ تا ۱۳۹۷ بود. برای بررسی نتایج مدل های مذکور از معیارهای ارزیابی مجذور میانیگن مربعات خطا، میانگین مطلق خطا و ضریب تبیین R۲ استفاده شد.
یافته ها: نتایج نشان داد هر سه روش دقت بالایی در شبیه سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R۲ بالاتری (۰/۹۹۳)، کمترین مجذور میانگین خطا (۰/۲۹) و کمترین میانگین مطلق خطا (۰/۰۲۴) به عنوان روش برتر برای پیشبینی سطح ایستابی انتخاب شد. پهنه بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل ۱۰ متر بود.
نتیجه گیری: نتایج مدل سازی روش ها و نتایج آماره های ارزیابی مدل، نشان دهنده عملکرد خوب مدل ها در برآورد سطح ایستابی آب زیرزمینی است اما با توجه به مقایسه ضریب تبیین مدل ها در این تحقیق نشان داده شد که روش شبکه عصبی مصنوعی دقت بالاتری در پراکنش داده های موجود دارد و مقادیر محاسبه شده نسبت به مقادیر مشاهداتی مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر، اختلاف کمتری داشتند. در مجموع نتایج تحقیق نشان داد که روش شبکه عصبی مصنوعی دارای دقت بالاتری در تخمین میزان تراز آب زیرزمینی می باشد.
Keywords:
Authors
حلیمه پیری
Department of Water Engineering, Faculty of Water and Soil, University of Zabol
مجتبی مبارکی
Department of Water Engineering, Faculty of Water and Soil, University of Zabol
صالح سیاسر
Department of Water Engineering, Faculty of Water and Soil, University of Zabol
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 :