CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

گواهی نمایه سازی مقاله پهنه بندی زمانی - مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر)

عنوان مقاله: پهنه بندی زمانی - مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر)
شناسه (COI) مقاله: SECM01_060
منتشر شده در اولین کنفرانس ملی پژوهش های کاربردی در مهندسی عمران (مهندسی سازه و مدیریت ساخت) در سال ۱۳۹۵
مشخصات نویسندگان مقاله:

محمود فرزانه - کارشناسی ارشد، گروه مهندسی عمران

خلاصه مقاله:
اهمیت آبهای زیرزمینی به عنوان یک منبع مهم تامین آب در مناطق خشک و نیمه خشک بر کسی پوشیده نیست. عواملی مانند افزایشجمعیت، توسعه کشاورزی و رشد صنعت باعث افزایش برداشت از منابع آب زیرزمینی شده و در مواقع بحرانی نظیر وقوع پدیده خشکسالی، افزایشبرداشت از منابع آب زیرزمینی را در پی دارد و همین امر موجب افت سطح آب زیرزمینی در آبخوان ها شده و باعث بروز مشکلاتی مانند خشکشدن چاه های آب ،کاهش کیفیت آب و تخریب آبخوان ها شده است. از آنجا که کاهش سطح آب زیرزمینی بر افت کیفی آب نیز تاثیر چشمگیریدارد لذا به کمک پایش و استفاده از داده های کمی و مقادیر ماهانه سطح آب زیرزمینی دشت مهر، تغییرات کمی آن توسط مدل های سری زمانیو شبکه عصبی مصنوعی شبیه سازی و پیش بینی گردید و سپس نقشه پهنه بندی مقادیر آتی به کمک مدل های زمین آمار تهیه گردید. همچنینجهت بررسی و مقایسه دقت شبکه عصبی مصنوعی و سری زمانی در شبیه سازی و پیشبینی جهت استفاده در آینده، از آماره های ضریب همبستگیو ریشه میانگین مربعات خطا واستفاده شد که به ترتیب برای شبکه عصبی مصنوعی مقادیر 0/88 و 0/117 و برای سری زمانی 0/81 و آماره عددآکاییکی 0/3 بدست آمد. بر همین اساس و مقایسه مقادیر پیش بینی شده و مشاهده شده مشخص گردید که شبکه عصبی مصنوعی از دقت بالاتری برخوردار است که این امر می تواند ناشی از ورود اطلاعات بیشتر در شبیه سازی باشد که منجر به دقت بالاتری گردید.

کلمات کلیدی:
آبهای زیرزمینی، شبکه عصبی مصنوعی، سیستم اطلاعات جغرافیایی، زمین آمار، دشت مهر

صفحه اختصاصی مقاله و دریافت فایل کامل: https://www.civilica.com/Paper-SECM01-SECM01_060.html