این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۱، شماره ۴، صفحات ۸۰۱-۸۱۲
عنوان فارسی تحلیل مکانی و زمانی تراز آب زیرزمینی با استفاده از رویکرد همگنی ناحیه‌ای با تلفیق شبکه عصبی مصنوعی (منطقه مورد مطالعه: آبخوان میاندوآب)
چکیده فارسی مقاله با توجه به اهمیت منابع آب زیرزمینی در تامین مطمئن نیاز آبی کشورها، بویژه در مناطق خشک و نیمه خشک، برنامه‌ریزی بلند مدت و مدیریت صحیح بهره‌برداری از این منابع ارزشمند امری ضروری می‌باشد. بدین منظور استفاده از ابزارهای مناسب شبیه‌سازی جهت پیش‌بینی تغییرات مکانی و زمانی سفره‌های آب زیرزمینی و رفتار آتی آنها بسیار مفید می‌باشد. این مطالعه با هدف منطقه‌بندی آبخوان میاندوآب و پیش‌بینی مکانی و زمانی سطح آب زیرزمینی با استفاده از روش شبکه عصبی مصنوعی انجام شده است. ابتدا جهت شناسایی اهمیت پارامترهای موثر در شبیه‌سازی، شش پارامتر ضریب قابلیت انتقال، سطح آب زیرزمینی، تراز زمین، افت آب زیرزمینی، بارندگی و تخلیه در سطح منطقه خوشه‌بندی مکانی شد. پس از تحلیل آماری از سه رویکرد خوشه‌بندی منفرد، سه پارامتره و تلفیقی استفاده گردید. تعداد خوشه‌های مناسب با استفاده از عرض سیلهوت تعیین شد. در فرایند آموزش و صحت سنجی مدل از داده‌های 77 چاه مشاهده‌ای آبخوان میاندوآب، که دارای سری زمانی اندازه‌گیری شده 10 ساله (1391-1382) برای سطح آب زیرزمینی می‌باشند، استفاده شد. نتایج تحلیل خوشه‌بندی مکانی نشان داد که رویکرد خوشه‌بندی با در نظر داشتن همبستگی دارای دقت بهتری است. پس از انتخاب رویکرد مکانی مناسب، 4 پارامتر بارندگی، تغذیه آبخوان، تخلیه آبخوان و سطح آب زیرزمینی در ماه قبل به عنوان متغیرهای ورودی به شبکه عصبی مصنوعی انتخاب گردید. پس از شبیه‌سازی سطح آب زیرزمینی با استفاده از روش شبکه عصبی پس‌انتشار برگشتی، پیش‌بینی سطح آب زیرزمینی برای 2 سال انجام گرفت. نتایج نشان داد که تغییرات ضریب همبستگی در 6 خوشه بین 71/0 تا 97/0 و میزان تغییرات میانگین مجذور خطا بین 19/0 تا 58/0 بوده که حاکی از دقت مناسب این رویکرد جهت پیش‌بینی سطح آب زیرزمینی است.
کلیدواژه‌های فارسی مقاله آب زیرزمینی،خوشه بندی،عرض سیلهوت،شبکه عصبی مصنوعی،آبخوان میاندوآب،
عنوان انگلیسی Spatio-temporal Analysis of Groundwater Level Using Clustering Method Combined with Artificial Neural Network
چکیده انگلیسی مقاله Long-term planning and proper management of groundwater resources utilization are essential to ensure a reliable supply of water to countries, especially in arid and semi-arid regions. Therefore, it is necessary to employ appropriate models to predict the spatial and temporal fluctuations of aquifers and their future behavior. This study aimed to apply zoning strategies to Miandoab aquifer and predict its spatial and temporal groundwater level using an artificial neural network. First, the six parameters of transmissivity coefficient, groundwater level, ground elevation, withdrawal, rainfall, and discharge were spatially clustered to identify their effect on the simulation model. Three clustering approaches of single-parameter, three-parameter and integrated-parameter were evaluated using some statistical indices. The number of suitable clusters was determined using silhouette width. Groundwater level data (2002-2012) from 77 observational wells were used for model training and validation. Results showed that the correlation clustering approach performs better than the other methods. Precipitation, aquifer recharge, aquifer discharge, and groundwater level of the previous month were inputs to the back-propagation artificial neural network (ANN) for predicting a two-year period of groundwater level. The results showed that the correlation coefficients of variation in 6 clusters were 0.71- 0.97, and the RMSE variations were 0.19 - 0.58, indicating appropriate accuracy of this approach for predicting groundwater level.
کلیدواژه‌های انگلیسی مقاله آب زیرزمینی,خوشه بندی,عرض سیلهوت,شبکه عصبی مصنوعی,آبخوان میاندوآب
نویسندگان مقاله احسان رزاق دوست |
گروه تخصصی مدیریت ساخت و آب، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران

بایرامعلی محمدنژاد |
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه صنعتی قم، قم، ایران

حمید کاردان مقدم |
پژوهشکده مطالعات و تحقیقات منابع آب، موسسه تحقیقات آب، تهران، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_74417_28c98b0edafb08af1c9a844e3aa01cb9.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات