این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه مدیریت حوزه آبخیز، جلد ۱۲، شماره ۲۴، صفحات ۵۴-۶۴
عنوان فارسی مقایسه و ارزیابی مدل‌های هوشمند و زمین‌آمار به‌منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان)
چکیده فارسی مقاله چکیده مبسوط مقدمه و هدف: امروزه با توسعه بخش شهری، صنعتی و کشاورزی استفاده از آب­های زیرزمینی اهمیت بیشتری یافته است. بنابراین پایداری و توسعه بهره برداری از آب های زیرزمینی برای انواع مشتریان و اهداف مختلف، امری ضروری است که ویژگی های کمی و کیفی آن مورد بررسی و ارزیابی قرار گیرد. مواد و روش­ ها: شبکه عصبی تطبیقی فازی (FANN) و روش زمین آماری مبتنی بر سیستم اطلاعات جغرافیایی برای دشت کمیجان، استان مرکزی، ایران استفاده شده است. ابتدا داده های 36 حلقه چاه از شرکت آب و فاضلاب روستایی جمع آوری شد. سپس با استفاده از انواع نیمه واریوگرام مانند: گوسی، خطی، کروی و همچنین کریجینگ و کوکریجینگ، مدل زمین آماری با استفاده از شاخص‌های R2 و RMSE مورد ارزیابی قرار گرفت. سپس برای مدل شبکه عصبی تطبیقی فازی توابع عضویت مانند: مثلثی، زنگ تعمیم یافته و گاوسی بررسی شد و بهترین مدل با استفاده از شاخص­ های R2 و RMSE تعیین شد. یافته­ها: با توجه به نتایج R2 و RMSE در مدل های زمین آماری، کروی، خطی و نمایی به ترتیب برای متغیرهای EC، TDS و pH بهترین انتخاب شدند. همچنین بر اساس نیمه واریوگرام، روش کریجینگ عملکرد بهتری نسبت به روش کوکریجینگ برای تمامی متغیرهای مورد مطالعه با ضریب تعیین بالا به ترتیب 0/73، 0/66 و 0/85 برای EC، TDS و pH و کمتر در RMSE دارد .نتایج نشان داد که در شبکه عصبی تطبیقی ​​فازی، متغیر EC، تابع زنگ تعمیم یافته فازی با ضریب همبستگی 0/98 و میانگین مربعات خطای 144/54 در مرحله آزمون، خوب است. برای متغیر TDS، تابع گاوسی با ضریب همبستگی 0/98 و میانگین مربعات خطای 0/33 119 در مرحله آزمون بهترین است. همچنین برای متغیر pH، تابع زنگ تعمیم یافته با ضریب همبستگی 0/99 و میانگین مربعات خطای 103/10 در مرحله آزمون عملکرد بهتری نسبت به سایر توابع فازی در مدل سازی دارد. با مقایسه نتایج شبکه عصبی تطبیقی ​​زمین آماری و فازی می توان دریافت که مدل FANN نسبت به مدل زمین آماری کارایی بالاتری دارد. نتیجه­ گیری: نتایج نقشه‌های پهنه‌بندی نشان داد که در قسمت شمالی دشت EC کم و در مرکز و غرب EC بالای µSiemens/cm 2000 است. همچنین برای متغیر TDS، در قسمت شمالی دشت کم و در جنوب و جنوب غربی بالای 1000 میلی­ گرم در لیتر است. همچنین تغییرات مقدار pH  نشان داد که تغییرات این متغیر کم بوده و بیشترین میزان pH در قسمت شمالی و کمترین آن در قسمت جنوبی است.  
کلیدواژه‌های فارسی مقاله شبکه عصبی مصنوعی، مدل کریجینگ، مدل کوکریجینگ، هدایت الکتریکی، ANFIS
عنوان انگلیسی Comparison and Assessment of Intelligent and Geostatistical Models for Analysis of Spatial Variations of Groundwater Quality (Komijan Plain)
چکیده انگلیسی مقاله Extended Abstract Introduction and Objective: Nowadays, with development of urban, industrial and agricultural, apply of groundwater is more important. So sustainability and development the exploitation of groundwater for types of different customers and goals, it is necessary that quantitative and qualitative characteristics it be investigated and evaluated. Material and Methods: Fuzzy Adaptive Neural Network (FANN) and Geostatistical method on based Geographic Information System are used for Komijan plain, Markazi province, Iran. The first, data 36 wells was collected from Rural Water and Sewage Company. Then using semi variogram types such as: gussian, linear, spherical and also Kriging and Co-Kriging methods, geostatistical model was evaluated using indicators: R2 and RMSE. Then, for Fuzzy Adaptive Neural Network model Membership functions such as:  triangular, generalized bells and gaussian was investigated and the best model was determined using indicators: R2 and RMSE. Results: According to results R2 and RMSE in geostatistical, spherical, linear and exponential modle was selected  as best for EC,  TDS and pH variables, repectively. Also on based semi variogram, Kriging method has a better performance than the cokriging method for all studied variables with high determination coefficient 0.73, 0.66 and 0.85 respectively for EC, TDS and pH and lower in RMSE. The results showed in Fuzzy Adaptive Neural Network, EC variable, the fuzzy generalized bell function with a correlation coefficient of 0.98 and mean square error of 144.59 in the test stage, is good. For TDS variable, gaussian function with a correlation coefficient of 0.98 and mean square error of 0.33 119 at the test stage is best. also for pH variable, the generalized bell function with a correlation coefficient of 0.99 and mean square error of 103.10 at the test stage has a better performance than other fuzzy functions in the modeling. By comparing the results of Geostatistical and Fuzzy Adaptive Neural Network, it can be seen that the FANN model has a higher efficiency than Geostatistical model. Conclusion: Regarding the results of zoning maps, it is shown that in the northern part of the plain, EC has low, while in the central and west, EC is above 2000 µSiemens/cm. Also for TDS variable, t is low in the northern part of the plain, while in the south and southwest, is above 1000 mg /lit. Alos changes in pH value showed that variation of this variable is low and the highest level of pH is in the northern part and the lowest in the southern part.  
کلیدواژه‌های انگلیسی مقاله Artificial Neural Network, ANFIS, Co- Kriging, Electrical Conductivity, Kriging
نویسندگان مقاله مه نوش مقدسی | mahnoosh moghaddasi
Arak University
گروه مهندسی آب دانشگاه اراک

مهدی مردیان | mehdi mardiyan
Sari Agricultural Sciences and Natural Resources University, Sari, Iran
دانشگاه علوم کشاورزی و منابع طبیعی ساری

محسن پارسا | mohsen parsa
Arak University
دانشگاه اراک

نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-611-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده هیدرولوژی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات