ارزیابی دقت روش شبکه های عصبی مصنوعی و زمین آمار در میان یابی سطح تراز آب های زیرزمینی؛ مطالعه موردی: دشت شبستر - صوفیان

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 502

This Paper With 13 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_SEPEHR-28-110_010

تاریخ نمایه سازی: 16 مهر 1398

Abstract:

ماهیت متغیرهای کمی و کیفی آب های زیرزمینی به دلیل تاثیر مستقیم در زندگی انسان، همواره یکی از موضوعات مطرح در تحقیقات علمی و دانشگاهی بوده است. هزینه بر بودن و عدم امکان مطالعه دقیق این منابع، لزوم استفاده از روش جدیدی را برای برآورد چنین متغیرهایی به طور کامل آشکار می­کند. در این میان روش های درون یابی ریاضی و زمین آماری و مدل های هوش مصنوعی در سال های اخیر نتایج بسیار قابل قبولی از این برآوردها ارائه کرده ­اند. در تحقیق حاضرکه با هدف ارزیابی دقت روش های زمین  آمار و شبکه عصبی  مصنوعی انجام گرفته است، با استفاده از آمار اندازهگیری شده سطح  تراز ایستابی آب های زیرزمینی در 46 حلقه چاه مشاهده ای منتخب برای سال 93، در دشت شبستر- صوفیان، اقدام به برآورد مقادیر نامعلوم سطح  تراز در منطقه مورد مطالعه با استفاده از روش های زمین  آمار (kriging) و روش شبکه  عصبی پرسپترون چند لایه (MLP) شده است. نتایج حاصل از این تحقیق نشان می دهد، روش شبکه  عصبی (MLP) با میزان همبستگی بالا (96/0) و جذر میانگین مربعات خطای کمتر (18/13) نسبت به روش کریجینگ (با میزان همبستگی 90/0 و جذر میانگین مربعات خطای 10/20)، توانایی بالاتری در میان یابی سطح تراز آب زیرزمینی دشت شبستر- صوفیان دارد، که این نتیجه با تحقیقات قبلی در این زمینه مبنی بر توانایی و انعطاف بیشتر مدل های هوش ­مصنوعی در مطالعات هیدروژئولوژیکی آبخوان ها مطابقت دارد. از این رو استفاده از روش­ های جدید مانند شبکه­ های عصبی­ مصنوعی(ANN) و روش های فازی - عصبی تطبیقی (ANFIS) میتواند، در دستیابی به برآوردهای دقیق تر از شرایط سفره های آب زیرزمینی و اطلاع از کم و کیف آنها کمک شایانی به محققان و برنامه ­ریزان در این زمینه ارائه کند.

Authors

یوسف عبادی

دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز

جواد جاودان

دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز

محمدحسین رضایی مقدم

استاد گروه ژئومورفولوژی و سنجش از دور و GIS، دانشکده برنامه ریزی و علوم محیطی، دانشگاه

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 :
  • آذره، ع.، رفیعی ساردویی، ا.، نظری سامانی، ع ا.، مسعودی، ...
  • اصغری مقدم، ا.، فیجانی، ا.، و ندیری، ع (1393). بهینه ...
  • حسینعلی زاده، م.، یعقوبی، ع (1389). تغییرات زمانی و مکانی ... [مقاله ژورنالی]
  • دهقانی، ا.، عسگری، م.، و مساعدی، ا (1388). مقایسه سه ...
  • دهقانی، ر.، و نور علیئی (1395). مقایسه روش های زمین ...
  • راکعی، ب.، خامه چیان، م.، عبدالملکی، پ.، و گیاه­چی، پ ...
  • شیخ گودرزی، م.، موسوی، س ح.، و خراسانی، ن ا(1391). ...
  • شعبانی، م (1390). ارزیابی روش های زمین آماری در تهیه ... [مقاله ژورنالی]
  • صادقیان، آ.، واقعی، ی.، و محمدزاده، م (1392). پیش­ بینی ...
  • قهرودی تالی، م (1381). درآمدی بر سیستم اطلاعات جغرافیایی.انتشارات دانشگاه ...
  • پهنه بندی کیفیت آب زیرزمینی از لحاظ شرب با استفاده از روش هایزمین آمار مطالعه موردی: مناطق خشک مهران و دهلران [مقاله ژورنالی]
  • محمدی، ج (1380). مروری بر مبانی ژئواستاتستیک و کاربرد آن ...
  • معماریان فرد، م.، و بیگی هرچگانی، ح (1388). مقایسه مدل ...
  • میثاقی، ف.، و محمدی، ک (1387). بررسی سطح آب زیرزمینی ...
  • ناصری، ح.، و صارمی نژاد، ف (1390). مقایسه ارزیابی آسیب ... [مقاله ژورنالی]
  • ندیری، ع (1392) مقایسه کارایی مدل های عددی و هوش ...
  • پیش بینی سطح آب زیرزمینی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: دشت تسوج- آذربایجان شرقی) [مقاله کنفرانسی]
  • وزارت نیرو (1393). گزارش شرکت آب منطقه استان آذربایجان شرقی. ...
  • ولیزاده کامران، خ.، روستایی، ش.، رحیم پور، ت.، و نخستین ...
  • Ahmadi SH and Sedghamiz A, 2007. Geostatistical analysis of spatial ...
  • Atkinson, P. M., & Tatnall, A. R. L., 1997. Introduction ...
  • Chrisman Nicholas., 2002. Exploring Geographical Information Systems. USA, John Wiley ...
  • D. Svozil, v. Kvasnicka, and j. Pospichal,. 1997. Introduction to ...
  • Gong, Y., Zhang, Y., Lan, S., & Wang, H,. 2016. ...
  • Karayiannis, N.B., and Venetsanopoulos, A.N,. 1993. Aritifical Neural Network : ...
  • Kholghi,M., and Hosseini, S.M,. 2009. Comparision of Groundwater Level Estimation ...
  • Mcculloch, Warren, s; Pitts, Walter,. 1943. a logic calculus of ...
  • Misaghi,F., and Mohammadi,K,. 2006. classification of precipitation Applying Geostatestical and ...
  • Rizzo, D.M., and Dogherty, D.E,. 1994. Characterization of aquifer propertices ...
  • Shalkoff, R. J,. 1997. Artificial neural networks. New York, NY: ...
  • Zhang R, Dong Z, Guo H.,2009. Forcast of Poyang lake,s ...
  • نمایش کامل مراجع