ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

بهبود نتایج حاصل از مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز

Year: 1396
COI: JR_JWSC-24-2_003
Language: PersianView: 162
This Paper With 21 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 21 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

نازنین قنبری - دانشجو/دانشگاه شهید چمران اهواز
کاظم رنگزن - دانشیار/دانشگاه شهید چمران اهواز
مصطفی کابلی زاده - استادیار/دانشگاه شهید چمران اهواز
پوریا مرادی - کارشناس ارشد/دانشگاه شهید چمران اهواز

Abstract:

سابقه و هدف: آلودگی آب های زیرزمینی یک فرآیند پیچیده و پر از عدم قطعیت، در مقیاس منطقه ای می باشد. توسعه یک روش یکپارچه جهت ارزیابی آسیب پذیری آبخوان ها، می تواند به منظور مدیریت بهینه و حفاظت از آن ها کارامد باشد. دشت رامهرمز به دلیل داشتن خاک حاصلخیز و منابع آب کافی دارای زمین های مستعد کشاورزی است که به دلیل توسعه کشاورزی، استفاده از کودهای شیمیایی و مواد آفت کش همواره در معرض خطر آلودگی قرار دارد. یکی از راه های مناسب برای جلوگیری از آلودگی آب های زیرزمینی، شناسایی مناطق دارای پتانسیل آلودگی می باشد. هدف از مطالعه حاضر، تهیه نقشه آسیب پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از مدل دراستیک و سپس بکارگیری روش های هوش مصنوعی جهت بهبود نتایج حاصل از مدل دراستیک است. با توجه به اهمیت منابع آب زیرزمینی در منطقه مورد مطالعه که برای مقاصد مختلف از جمله کشاورزی مورد استفاده قرار می گیرد، مطالعه آسیب پذیری آبخوان و حفاظت این مناطق برای توسعه و مدیریت بهینه منابع آب ضروری به نظر می رسد. مواد و روش ها: در این مطالعه، ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز در ابتدا با استفاده از مدل دراستیک انجام شد و در ادامه از روش های هوش مصنوعی جهت بهینه سازی مدل استفاده گردید. مدل دراستیک شامل پارامترهای: عمق تا سطح ایستابی، تغذیه، جنس سفره، نوع خاک، توپوگرافی، مواد تشکیل دهنده منطقه غیراشباع و هدایت هیدرولیکی می باشد که در ارزیابی آسیب پذیری سفره آب زیرزمینی موثر هستند. این روش بر اساس وزن های استاندارد پارامترهای مدل دراستیک و لایه های بدست آمده برای هر یک از هفت پارامتر میزان آسیب پذیری آبخوان را محاسبه می نماید. پس از آماده-سازی لایه ها، آسیب پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از روش دراستیک، تعیین گردید. هم چنین نقشه آسیب پذیری آبخوان و شاخص دراستیک برای کل منطقه محاسبه شد. به منظور ارزیابی دقت نتایج این مدل، از داده های غلظت نیترات موجود در آبخوان جهت صحت سنجی استفاده شده است. در ادامه به منظور بهبود نتایج، مدل دراستیک با روش های شبکه عصبی مصنوعی، منطق فازی( سوگنو و ممدانی) و سیستم استنتاج تطبیقی عصبی- فازی تلفیق شد و چهار نقشه آسیب پذیری با استفاده از مدل های مختلف هوش مصنوعی حاصل گردید. یافته ها: نقشه آسیب پذیری آبخوان نسبت به آلودگی، با تقسیم بندی به سه محدوده آسیب پذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 48 تا 156 محاسبه گردید. ضریب همبستگی 97/0 بین شاخص دراستیک و غلظت نیترات نشان دهنده دقت نسبتا مناسب این روش است. نتایج نشان داد که مدل های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارا می باشند. با مقایسه نتایج مدل ها می توان نتیجه گرفت که مدل سیستم استنتاج تطبیقی عصبی- فازی بهترین نتیجه را در بردارد. نتیجه گیری: ضریب تعیین (R2) برای مدل های سیستم استنتاج تطبیقی عصبی- فازی، شبکه عصبی و مدل های فازی سوگنو و ممدانی به ترتیب 99/0، 94/0، 98/0 و 87/0 بدست آمد. طبق مدل نهایی، نواحی جنوب- جنوب شرقی منطقه دارای بیشترین میزان پتانسیل آلودگی هستند.

Keywords:

Paper COI Code

This Paper COI Code is JR_JWSC-24-2_003. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/953823/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
قنبری، نازنین و رنگزن، کاظم و کابلی زاده، مصطفی و مرادی، پوریا،1396،بهبود نتایج حاصل از مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز،https://civilica.com/doc/953823

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 :

  • Ahmadi, J., Akhondi, L., Abbasi, H., Khashei-Siuki, A., and Alimadadi, ...
  • Determination of aquifer vulnerability using DRASTIC model and a single ...
  • sensitivity analysis and acts and omissions (Case study: Salafchegan-Neyzar Plain). ...
  • Soil Cons. 20: 3. 1-25. (In Persian) ...
  • Ahmadzadeh Gharah Gwiz, K., Mirlatifi, S., and Mohammadi, K. 2010. ...
  • Artificial Intelligence Systems (ANN & ANFIS) for Reference Evapotranspiration ...
  • Estimation in the Extreme Arid Regions of Iran. J. Water ...
  • Aller, L., Bennet, T., Lehr, J.H., Petty, R.J., and Hacket, ...
  • system for evaluating groundwater pollution using hydrological settings. Ada, OK, ...
  • Prepared by the National Water Well Association for the US ...
  • Antonakos, A.K., and Lambrakis, N.J. 2007. Development and testing of ...
  • methods for the assessment of aquifer vulnerability to nitrates, based ...
  • example from NE Korinthia, Greece. J. Hydrol. 333: 288-304. ...
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • Artificial neural network in hydrology, part I and II. J. ...
  • Asghari Moghaddam, A., Fijani, A., and Nadiri, A. 2015. Optimization ...
  • by Artificial Intelligence for Groundwater Vulnerability Assessment in Maraghe-Bonab ...
  • Plain. Engineering and Environmental Geology. 24: 94. 169-176. (In Persian) ...
  • Asghari Moghaddam, A., Nadiri, A., and Fijani, A. 2010. Spatial ...
  • Concentration Using Artificial Neural Networks and Geostatic Models. Water and ...
  • science. 19: 2. 129-145. (In Persian) ...
  • Aslani, M., Alesheikh, A.A., and Shad, R. 2011. Landslide Susceptibility ...
  • Fuzzy Inference System and GIS (Case study: Sections of Mazandaran ...
  • Rem. Sens. GIS. 2: 2. 35-54. (In Persian) ...
  • Baghapour, M., Nasser, T., Sayed Hamidreza, T., and Amir, F. ...
  • groundwater nitrate pollution and determination of groundwater protection zones using ...
  • DRASTIC and composite DRASTIC (CD) models: the case of Shiraz ...
  • J. Health Sci. Surv. Sys. 2: 2. 54-65. ...
  • Demuth, H., Beale, M., and Hagan, M. 2010. Neural Network ...
  • Dixon, B. 2005a. Applicability of neuro-fuzzy techniques in predicting groundwater ...
  • vulnerability: a GIS-based sensitivity analysis. J. Hydrol. 309: 1-4. 17-38. ...
  • Dixon, B. 2005b. Groundwater vulnerability mapping: a GIS and fuzzy ...
  • tool. J. Appl. Geograph. 25: 327-347. ...
  • Fijani, E., Nadiri, A.A., Asghari Moghaddam, A., Tsai, F., and ...
  • of DRASTIC method by supervised committee machine artificial intelligence to ...
  • groundwater vulnerability for Maragheh–Bonab plain aquifer, Iran. J. Hydrol. 503: ...
  • Guo, O., Wnag, Y., Gao, X., and Ma, T. 2007. ...
  • groundwater vulnerability to arsenic contamination at basin scale: a case ...
  • basin, northern China. Environmental Geology. 52: 5. 923-32. ...
  • Hooshangi, N., and Alesheikh, A.A. 2015. Evaluation of ANN, ANFIS ...
  • estimation of solar radiation in Iran. J. Geomat. Sci. Technol. ...
  • Hopfield, J.J. 1982. Neural network and physical systems with emergent ...
  • computational abilities. Proceeding of National Academy of scientists. 79: 2554-2558. ...
  • Karami shahmaleki, N., Behbahani, S.M., Masahbavani, A., and Khodai, K. ...
  • Optimization of DRASTIC model by statistical nonparametric methods. Iran. J. ...
  • : 14. 73-82. (In Persian) ...
  • Khazaii, A., Al Sheikh, A., Karimi, M., and Hassan Vahidnia, ...
  • modeling of carbon monoxide concentration with the combination of an ...
  • neuro-fuzzy network and GIS. J. Appl. RS & GIS Techniq. ...
  • Kia, M. 2011. Neural networks in MATLAB. Kian Rayan Sabz ...
  • Lee, K.H. 2004. First Course on Fuzzy, Theory and Applications. ...
  • Legrand, H.E. 1964. System for evaluating the contamination potential of ...
  • J. AWWA. 56: 959-974. ...
  • Li-Xin Wang, A. 1997. Course in Fuzzy Systems and Control, ...
  • Merchant, J. 1994. GIS-based groundwater pollution hazard assessment: a critical ...
  • the DRASTIC model. Photogrammetric Engineering and Remote Sensing. 60: 9. ...
  • Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin, S., and ...
  • Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference ...
  • system techniques. Advances in Water Resources. 32: 88-97. ...
  • Motkan, A.A., Naseri, H.R., and Ostad Hashemi, Z. 2008. Correction ...
  • based on GIS using statistical methods and Analytical Hierarchy Process: ...
  • Hamadan plain. Iran. J. Appl. Geol. 4: 3. 205-222. (In ...
  • Nakhaii, M., Amiri, V., and Rahimi Shahrebabaki, M. 2013. Evaluation ...
  • potential and sensitivity analysis using DRASTIC model based on GIS. ...
  • Nazifkar, M., and Asghari, K. 2011. Adaptive Neuro-fuzzy inference system ...
  • clustering in runoff predicting. The Sixth National Congress of Civil ...
  • University, Iran. (In Persian) ...
  • Neshat, A., Biswajeet, P., and Mohsen, D. 2014. Groundwater vulnerability ...
  • an improved DRASTIC method in GIS. J. Resour. Cons. Recycl. ...
  • Newton, S.C., Pemmaraju, S., and Mitra, S. 1992. Adaptive fuzzy ...
  • data sets in pattern recognition. IEEE Transactions on Neural Networks. ...
  • Panagopoulos, G., Antonakos, A., and Lambrakis, N. 2006. Optimization of ...
  • model for groundwater vulnerability assessment, by the use of simple ...
  • GIS. Hydrogeol. J. 14: 894-911. ...
  • Report of Knowledge studies of available water resources in the ...
  • 6. Ministry of Power, Khuzestan Water and Electricity Company. April, ...
  • Report of weather, climate and water resources in Khuzestan province. ...
  • Directorate of economic studies and surveys. Winter, Khuzestan. (In Persian) ...
  • Sabziparvar, A.A., and Bayat Varkeshi, M. 2011. Evaluation of artificial ...
  • ANN) and adaptive neuro-fuzzy inference system (ANFIS) methods in prediction ...
  • solar radiation. 10: 4. 347-357. (In Persian) ...
  • Sabziparvar, A.A., Zare Abyaneh, H., and Bayat Varkeshi, M. 2010. ...
  • between Predicted Soil Temperatures Using ANFIS Model and Regression Methods ...
  • Different Climates. J. Water Soil. 24: 2. 274-285. (In Persian) ...
  • Sajadi, Z., Kalantari, N., Makvandi, M., Keshavarzi, M., Ghafari, H., ...
  • Booslik, Z. 2011. Study of the aquifer vulnerability in Assaluee ...
  • First national conference on water and wastewater science and technology. ...
  • University of Ahwaz, April. (In Persian) ...
  • Samey, A.A., and Gang, C. 2008. A GIS Based DRASTIC ...
  • Groundwater vulnerability to pollution in West Mitidja: Blida city, Algeria. ...
  • Sener, E., and Sehnaz, S. 2015. Evaluation of groundwater vulnerability ...
  • fuzzy analytic hierarchy process method. J. Environ. Earth Sci. 73: ...
  • Soper, R.C. 2006. Groundwater vulnerability to agrochemicals: A GIS-based DRASTIC ...
  • model analysis of Carrol, Chariton, and Saline Counties, Missouri, USA. ...
  • University of Missouri-Columbia. ...
  • Sugeno, M., and Yasukawa, T. 1993. A Fuzzy-Logic-based Approach to ...
  • Modeling. IEEE Transactions on Fuzzy Systems. 1: 1. 7-31. ...
  • Vrba, J., and Zaporozec, A. 1994. Guidebook on Mapping Groundwater ...
  • International Association of Hydrogeologists–International Contributions to Hydrogeology 16 ...
  • Water and Environ. J. 26: 3. 381-391. ...
  • Yarmohamadi, A., Chitsazan, M., and Rangzan, K. 2006. Calculation of ...
  • DRASTIC model Parameters impact on Aghili plain aquifer vulnerability. Twenty-fifth ...
  • Conference on Earth Sciences, Geological survey of Iran, Tehran. (In ...
  • Zounemat-Kermani, M., and Teshnehlab, M. 2008. Using adaptive neuro-fuzzy inference ...
  • system for hydrological time series prediction. Applied Soft Computing. 8: ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 15,906
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support