پیش بینی سطح آب زیر زمینی با مدل محاسباتی ماشین بردار پشتیبان (مطالعه موردی : دشت کرمان)

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,025

فایل این مقاله در 6 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:

KSAHC01_049

تاریخ نمایه سازی: 29 بهمن 1392

چکیده مقاله:

پیش بینی سطح آبهای زیرزمینی به منظور مدیریت آن به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی در مناطق خشک و نیمه خشک ضروری است. در این تحقیق از روش ماشین بردار پشتیبان (SVM) به عنوان یک روش محاسباتی هوشمند به منظور پیش بینی سطح آب زیر زمینی دشت کرمان در کشور ایران استفاده شده است . بازه زمانی مورد استفاده در این تحقیق از سال 1986 تا 2010 به صورت ماهانه (معادل 280 ماه) می باشد. داده های ورودی مدل شامل دما ، رطوبت ، بارندگی و ارتفاع پیزومتریک بوده است . چاههای مطالعاتی به چهار خوشه تقسیم بندی شد که یک خوشه از چهار خوشه به صورت تصادفی انتخاب و به تفصیل مورد بررسی قرار گرفت ،سپس بهترین ساختار بدست آمده از آن در خوشه های دیگر اعمال گردید .نتایج حاصل از این روش با شبکه عصبی مصنوعی تابع بنیادی شعاعی مقایسه شد . نتایج حاصل نشان دهنده کارایی بهتر ماشین‌های بردار پشتیبان در پیش بینی سطح آب زیر زمینی است.

کلیدواژه ها:

پیش بینی سطح آب زیر زمینی ، ماشین بردار پشتیبان (SVM) ، شبکه عصبی مصنوعی RBF

نویسندگان

محمد علیخانی نژاد

دانشجوی کارشناسی ارشد رشته مهندسی کشاورزی-آبیاری و زهکشی

امیرجلال کمالی

استادیار گروه آب دانشگاه آزاد اسلامی کرمان

علی سلطانی

دانشجوی کارشناسی ارشد رشته مهندسی کشاورزی-آبیاری و زهکشی دانشگاه آزاد کرمان

بیتا نعمت اللهی

دانشجوی کارشناسی ارشد رشته مدیریت منابع آب دانشگاه آزاد کرمان

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 :
  • کاربرد تخمین های احتمالی ماشین های بردار پشتیبان در پهنه بندی کیفی آب رودخانه ها مطالعه موردی: رودخانه کارون - دز [مقاله کنفرانسی]
  • کیانی فلاورجانی، م . احمدی، آ . گنجی، م _ ...
  • نیک بخت شهبازی، ع . زهرایی، ب _ ناصری، م ...
  • پهنه‌بندی کیفی منابع آب سطحی با استفاده از ماشین‌های بردار پشتیبان احتمالاتی و شبکه‌های بیزی [مقاله کنفرانسی]
  • Mercer, J., (1909), :Functions Of Positive And Negative Type And ...
  • Wu, T.-F., Lin, C.-J., and Weng, R. C., (2004), "Probability ...
  • http ://www .mediamb ient. genc at.net/aca/c a/inici.j sp, [Accessed October ...
  • Aizerman, M. A., Braverman, E. M., and Rozonoer, L. I., ...
  • Babovic, V., Keijzer, M., Bundzel, M. 2000. From global to ...
  • Bottou, L, Cortes, C., Denker, J., Drucker, H., Guyon, I., ...
  • Bray, M., Han, D. 20 04. Identification of support vector ...
  • Burges, C. J. C., (1998), "A Tutorial O Support Vector ...
  • Byun, H., and Lee, S. W., (2002), "Applications of Support ...
  • CAO, sh., and LIU, Y., WANG, Y.(2 008), "A forecasting ...
  • CCME., (2001), «Canadlian water quality guidelines for the protection of ...
  • Chen, S.T., Yu, P.S. 20 07a. Pruning of support vector ...
  • Chen, S.T., Yu, P.S. 2007b. Real-time probabilistic forecasting of flood ...
  • Cortes, C., and Vapnik, V. N., (1995), "Support Vector Networks", ...
  • Chang, C.-C., and Lin, C.-J., (2001), ،:LIBSVM: A Library For ...
  • Friedman, J., (1996), ،:Another Approach to Polychotomous Classification", Technical Report, ...
  • Hartigan, J. A., (1975), "Clustering Alogrithms", John Wiley & Sons, ...
  • Hsu, C.-W., and Lin, C.-J., (20 02), "A Comparison Of ...
  • Jalalkamali, A., Sedghi, H., Manshouri, M., 201 1. Monthly groundwater ...
  • Khalil, A., Almasri, M. N., McKee, M., and Kaluarachchi, J. ...
  • Kecman, V., (20 01), "Learning And Soft Computing", MT Press. ...
  • Knerr, S., Personnaz, L., and Dreyfus, G., (199 0), "Single-Layer ...
  • Krefel, U., (1999), 0Pairwise Classification And Support Vector Machines", In ...
  • . Kunwar P, . Singh, . Nikita Basant, . Shikha ...
  • Lin, G.F., Chen, G.R., Wu, M.C., Chou, Y.C. 2009a. Effective ...
  • 0, 1 029/20 .9WR0 07911. ...
  • Lin, G.F., Chen, G.R., Huang, P.Y., Chou, Y.C. 2009b. Support ...
  • Lin, H.-T., Lin, C.-J., and Weng, R. C., (2003), _ ...
  • Liong, S.Y., Sivapragasam, C. 2002. Flood stage forecasting with SVM. ...
  • Ma, Y., and Cherkassky, V., (2003), "Multiple Model Classification Using ...
  • Noori, R., Karbassi, A.R., M oghaddamnia, A, Han, B., Zokae ...
  • Noori, R., Karbassi, A.R., Farokhnia, A., Dehghani, M. 2009a. Predicting ...
  • National Sanitation Foundation International, (2005), Available a. _ :/www _ ...
  • Platt, J., (2000), "Probabilistic Outputs For Support Vector Machines And ...
  • Smola, A., and Scholkopf, B., (1997), 0On A Kernel-Based Method ...
  • Temko, A., and Nadeu, C., (2006), ،Classification Of Acoustic Events ...
  • Nature Of Statistical Learning Theory", New York: Springer- The"ه Vapnik, ...
  • Vapnik, V. N., (1 998), "Statistical Learning Theory", New York: ...
  • نمایش کامل مراجع