پژوهشنامه مدیریت حوزه آبخیز، جلد ۱۳، شماره ۲۶، صفحات ۰-۰
عنوان فارسی مدل‌سازی زمانی و مکانی سطح آب زیرزمینی دشتستان بوشهر با استفاده از هوش مصنوعی و زمین آمار
چکیده فارسی مقاله یکی از کارهای اساسی برای رسیدن به مدیریت بهینه منابع آب، مدل­سازی و پیش­بینی سطح ایستابی چاه­ها است. در اﻳﻦ ﺗﺤﻘﻴﻖ از ﻣﺪلﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻰ ﻣﺼﻨﻮﻋﻰ، ﻣﺪل ماشین بردار پشتیبان و درخت تصمیم ﺑﺮای ﺗﺨﻤﻴﻦ ﺗﺮاز آب زﻳﺮزﻣﻴﻨﻰ دﺷﺖ دشتستان اﺳﺘﻔﺎده شد. همچنین از روش زمین­آمار برای بررسی تغییرات مکانی آب زیرزمینی استفاده شد. دادهﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده ﺷﺎﻣﻞ ﺗﺮاز ماهانه ﺳﻄﺢ اﻳﺴﺘﺎﺑﻰ 50 حلقه چاه موجود در آبخوان دشت ﻃﻰ ﻳﻚ دوره آﻣﺎری ده ساله از سال 1388 ﺗﺎ 1397بود. ﺑﺮای ﺑﺮرﺳﻰ ﻧﺘﺎﻳﺞ ﻣﺪل­های ﻣﺬﻛﻮر از ﻣﻌﻴﺎرﻫﺎی ارزﻳﺎﺑﻰ ﻣﺠﺬور ﻣﻴﺎﻧﻴﮕﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ، میانگین مطلق خطا و ﺿﺮﻳﺐ تبیین R2 اﺳﺘﻔﺎده ﺷﺪ. نتایج نشان داد هر سه روش دقت بالایی در شبیه­سازی تراز سطح ایستابی داشتند. روش شبکه عصبی مصنوعی با داشتن R2 بالاتری (993/0)، کمترین مجذور میانگین خطا (29/0) و کمترین میانگین مطلق خطا (024/0) به­عنوان روش برتر برای پیش­بینی سطح ایستابی انتخاب شد. پهنه­بندی با روش کریجینگ نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل 10 متر بود.
کلیدواژه‌های فارسی مقاله شبکه عصبی مصنوعی، ماشین بردار پشتیبان، درخت تصمیم.
عنوان انگلیسی Modeling Temporal and spatial study of groundwater level in Bushehr plain using artificial intelligence and geostatistics
چکیده انگلیسی مقاله One of the basic tasks to achieve optimal water resources management is modeling and forecasting the water level of wells. In the first half of the year, all the support vector machines and the decision tree were made from the hot water of Dashtestan. Also, statistical method was used to study the spatial changes of groundwater. The data of month of 50 wells in the plain aquifer was a ten-year period from 2009-2018. To evaluate the results of the mentioned models were used  of RMSE, MBE and R2 .The results showed that all three methods had high accuracy in simulating water level. The artificial neural network method with a higher R2 (0.993), the lowest squared mean error (0.29) and the lowest absolute mean error (0.024) was selected as the superior method for predicting the water table. Kriging zoning showed that the groundwater level in most parts of the plain during the study period has decreased. The maximum drop is equal to 10 meters.
کلیدواژه‌های انگلیسی مقاله Artificial Neural Network, Decision Tree, Support Vector Machine.
نویسندگان مقاله حلیمه پیری | halimeh piri
university of zabol
دانشگاه زابل

مجتبی مبارکی | mojtaba mobaraki
university of zabol
دانشگاه زابل

صالح سیاسر | saheh siasar
university of zabol
دانشگاه زابل

نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-335-4&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 سایر موضوعات وابسته به مدیریت حوزه آبخیز
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات