ارزیابی عملکرد روشهای زمینآمار و شبکه عصبی مصنوعی در تخمین پارامترهای کیفی آبخوان (مطالعه موردی: دشت قروه- دهگلان)

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 221

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSS-20-77_015

تاریخ نمایه سازی: 21 اردیبهشت 1400

چکیده مقاله:

انتخاب تکنیک درونیابی بهینه جهت تخمین پارامترهای کیفی آبخوان در نقاط اندازهگیری نشده نقش مهمی در مدیریت کمی و کیفی منابع آب ایفا میکند. هدف اصلی این تحقیق ارزیابی دقت روشهای درونیابی متداول با استفاده از GIS و مدل شبکه عصبی مصنوعی میباشد. بدینمنظور تخمین سه پارامتر کیفی CL، EC و pH آبخوان دشت قروه- دهگان واقع در استان کردستان توسط هر یک از مدلها مورد ارزیابی قرار گرفت. در این تحقیق از دادههای کیفی ۵۶ چاهک مشاهداتی که دارای پراکندگی مناسبی در کل دشت هستند، استفاده گردید. در این تحقیق دادههای ۴۶ چاهک مشاهداتی جهت واسنجی و دادههای ۱۰ چاهک دیگر جهت صحت سنجی مدلها استفاده شدند. نتایج نشان داد که روشهای شبکه عصبی مصنوعی، IDW و کریجینگ (spherical) بهترتیب جهت تخمین پارامترهای کیفی CL، PH و EC از دقت بیشتری نسبت به سایر مدلها برخوردار بودهاند. البته مدل شبکه عصبی در تخمین هر سه پارامتر دارای دقت بسیار خوبی میباشد.در صورت کمبود وقت و همچنین نیاز بهدقت قابل قبول و ریسک کمتر در تخمین پارامترهای کیفی، استفاده از این مدل نسبت به سایر مدلهای آماری بهکار رفته ارجحیت دارد.

کلیدواژه ها:

نویسندگان

محمد عیسیزاده

۱. Dept. of Water Eng., Faculty of Agr. Tabriz Univ., Tabriz, Iran.

رزگار عربزاده

۲. Dept. of Water Eng., Faculty of Agr. Tehran Univ., Tehran, Iran.

صابره دربندی

۱. Dept. of Water Eng., Faculty of Agr. Tabriz Univ., Tabriz, Iran.

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 :
  • Almasri, M. N. and J. J. Kaluarachchi. 2005. Modular neural ...
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • Chowdhury, M., A. Alouani and F. Hossain. 2010. Comparison of ...
  • Coulibaly, P., F. Anctil and B. Bobée. 2000. Daily reservoir ...
  • Dawson, C. W., R. J. Abrahart, A. Y. Shamseldin and ...
  • Ghaffari Razin, M. R., B. Voosoghi and A. Mohammadzadeh. 2015. ...
  • Huiqun, M. and L. Ling. 2008. Water quality assessment using ...
  • Kheradpisheh, Z., A. Talebi, L. Rafati, M. T. Ghaneian and ...
  • Kouchakzadeh, M. and A. Bahmani. 2006. Assessment of artificial neural ...
  • Mirzaei, R. and M. Sakizadeh. 2016. Comparison of interpolation methods ...
  • Nourani, V., M. T. Alami and F. D. Vousoughi. 2016. ...
  • Shapiro, S. S. and M. B. Wilk. 1965. An analysis ...
  • Zhao, Y. F., X. Zh. Shi, B. Huang, D. Sh. ...
  • Zheng, Z., F. Zhang, X. Chai, Z. Zhu and F. ...
  • آذری، ا.، م. شریعتی نیاسر، م. البرزی و ا. بختیاری. ...
  • بانژاد، ح.، ح. محب‌زاده و ا. علیائی. 1389. کاربرد شبکه‌های ...
  • حسنی پاک، ع. 1377. زمین‌آمار (ژئواستاتیستک). چاپ اول، انتشارات دانشگاه ...
  • خزایی، س. ح.، م. دالوند، ب. اسکندری و ر. تقی‌زاده ...
  • رحیمی، ق.، و ا. چرخ‌آبی. 1393. توزیع مکانی کادمیوم در ...
  • زارع ابیانه، ح.، م. بیات ورکشی، س. اخوان و م. ...
  • صدر، س.، م. افیونی و ن. فتحیان‌پور. 1388. تغییرات مکانی ...
  • غلامی، و.، ش. درخشان و ز. درواری. 1391. بررسی روش ...
  • مقایسه چند روش درون یابی مکانی و انتخاب مناسب ترین روش برای پهنه بندی نیترات و فسفات در آب زیرزمینی شهرکرد [مقاله ژورنالی]
  • محمدی، ج. 1385. پدومتری (آمار مکانی). جلد دوم، انتشارات پلک، ...
  • میزاوند، م.، ه. قاسمیه، س. ج. ساداتی‌نژاد و م. اکبری. ...
  • نمایش کامل مراجع