ارزیابی چند مدل هوش مصنوعی برای پیش بینی کیفیت آب زیرزمینی (مطالعه موردی: دشت گرو)
عنوان مقاله: ارزیابی چند مدل هوش مصنوعی برای پیش بینی کیفیت آب زیرزمینی (مطالعه موردی: دشت گرو)
شناسه ملی مقاله: JR_DEEJ-6-17_003
منتشر شده در در سال 1396
شناسه ملی مقاله: JR_DEEJ-6-17_003
منتشر شده در در سال 1396
مشخصات نویسندگان مقاله:
مجتبی دولت کردستانی - بیابانزدایی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس
احمد نوحه گر - گروه برنامه ریزی مدیریت و آموزش محیط زیست، دانشکده محیط زیست دانشگاه تهران
سعید جانی زاده - مهندسی ابخیزداری، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس تهراان
خلاصه مقاله:
مجتبی دولت کردستانی - بیابانزدایی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس
احمد نوحه گر - گروه برنامه ریزی مدیریت و آموزش محیط زیست، دانشکده محیط زیست دانشگاه تهران
سعید جانی زاده - مهندسی ابخیزداری، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس تهراان
مدلسازی مناسب کیفیت آبزیرزمینی از ابزارهای مهم برنامهریزی و تصمیمگیری در مدیریت منابع آب است. در این مطالعه به منظور مدلسازی تغییرات متغیرهای کیفی آبزیرزمینی دشت گرو از دادههای ۱۴ چاه در دوره آماری (۱۳۸۸ تا ۱۳۹۵) استفاده شد. متغیرهای Na، Mg، Ca،SO۴، Cl و HCO۳به عنوان متغیر مستقل و EC، SAR، TDS و TH به عنوان متغیر وابسته در نظر گرفته شد. از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی برای مدلسازی متغیرهای کیفی آبزیرزمینی استفاده شد. به منظور تخمین کیفیت آبزیرزمینی کل دادهها به صورت تصادفی به دو دسته آموزشی (۸۰ درصد کل دادهها) و آزمایشی (۲۰ درصد کل دادهها) تقسیم شد. نتایج حاصل از مدلسازی متغیرهای کیفی آبزیرزمینی در دشت گرو نشان داد که شبکه عصبی-فازی تطبیقی در متغیرهای EC (۹۹/۰=R۲، ۱۳/۱۰۹= RMSE و ۹۹/۰ =CE)، SAR (۹۸/۰=R۲، ۲۸/۰= RMSE و ۹۸/۰ =CE) و TH (۹۹/۰=R۲، ۴۹/۰= RMSE و ۹۹/۰ =CE) نسبت به دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان عملکرد بهتری دارد و در متغیر TDS مدل شبکه عصبی مصنوعی (۹۹/۰=R۲، ۱۳/۱۰۹= RMSE و ۹۹/۰ =CE) نسبت به دو مدل دیگر کارایی بهتری داشته است. به منظور پهنهبندی تغییرات کیفیت آبزیرزمینی از مدلهای انتخاب شده بر اساس دو طبقهبندی کیفیت آب شرب شولر و کشاورزی ویلکوکس استفاده گردید. نتایج حاصل از پهنهبندی براساس طبقهبندی آب شولر نشان داد که متغیر TDS داری سه طبقه نامناسب (۱/۲۱%)، بد (۵۹/۷۴%) و غیرقابل شرب (۳۱/۴%) و متغیرTH دارای ۴ طبقه خوب (۸۵/۰%)، قابل قبول (۴۸/۲۳%)، نامناسب (۵۵/۶۷%) و بد (۱۲/۸%) میباشد. نتایج پهنهبندی بر اساس طبقهبندی ویلکوکس نیز نشان داد که متغیر EC داری سه طبقه عالی (۴۱/۹%)، خوب (۷۹/۸۹%) و متوسط (۸/۰%) و متغیر SAR دارای دو طبقه عالی (۱۹%) و خوب (۸۱%) میباشد.
کلمات کلیدی: پهنه بندی, شبکه عصبی فازی تطبیقی, شبکه عصبی مصنوعی, کیفیت آب زیرزمینی و ماشین بردار پشتیبان
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1934817/