ارزیابی آنتروپی تئوری مبتنی بر جنگل تصادفی در پایش کیفی شبکه آب زیرزمینی
محل انتشار: فصلنامه مدیریت آب و آبیاری، دوره: 13، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 148
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWIM-13-1_007
تاریخ نمایه سازی: 18 اردیبهشت 1402
چکیده مقاله:
پایش کیفی شبکه های آب زیرزمینی به دلیل اهمیت آن در بخش های مختلف از اهمیت بالایی برخوردار است. در این مطالعه جهت پایش کیفی مقادیر هدایت الکتریکی (EC) و کل مواد جامد محلول (TDS) در آب زیرزمینی ۱۲ حلقه چاه در محدوده دشت تسوج واقع در شمال دریاچه ارومیه از تئوری آنتروپی مبتنی بر جنگل تصادفی در دوره آماری ۹۸-۱۳۸۲ استفاده شد. جهت بررسی اثر متقابل چاه ها در محدوده آبخوان از روش مرسوم (رگرسیون چند متغیره) و الگوریتم جنگل تصادفی استفاده شد. با مقایسه عملکرد دو مدل یاد شده در شبیه سازی مقادیر EC و TDS در حالت ۱۲ متغیره، نتایج نشان داد که مدل جنگل تصادفی از عملکرد بهتر و میزان خطای کمتری نسبت به مدل رگرسیون چند متغیره برخوردار است. به طور متوسط الگوریتم جنگل تصادفی موفق به کاهش ۴۰ درصدی در شبیه سازی مقادیر EC و کاهش ۵۶ درصدی در شبیه سازی مقادیر TDS در آبخوان مورد مطالعه شد. نتایج رتبه بندی چاه های مورد بررسی نشان داد که چاه قره تپه برترین رتبه و چاه امستجان کم اهمیت ترین رتبه را در بین چاه های مورد مطالعه کسب کرده اند که بیانگر اهمیت اطلاعات استخراج شده از چاه قره تپه می باشد. با توجه به پهنه بندی شاخص انتقال اطلاعات در محدوده آبخوان نتایج نشان داد که در مورد پایش مقادیر EC محدودیتی در آبخوان وجود ندارد و پراکندگی چاه ها به بهترین حالت می باشد. هیچ گونه کمبود چاه نیز از نظر تبادل اطلاعات شوری در منطقه مورد مطالعه احساس نمی شود. در خصوص مقادیر TDS کمبود چاه در نواحی مرکزی و نوار مرزی شرقی و غربی مشاهده شد.
کلیدواژه ها:
نویسندگان
فاطمه باقری
گروه عمران، دانشکده مهندسی، موسسه آموزش عالی صبا، ارومیه، ایران.
کیوان خلیلی
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.
محمد ناظری تهرودی
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :