شبیه سازی پتانسیل آب های زیرزمینی حوضه کهورستان با بهره گیری از رویکرد ترکیبی مدل های داده کاوی
عنوان مقاله: شبیه سازی پتانسیل آب های زیرزمینی حوضه کهورستان با بهره گیری از رویکرد ترکیبی مدل های داده کاوی
شناسه ملی مقاله: JR_JWMR-12-23_012
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_JWMR-12-23_012
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
علیرضا نفرزادگان - University of Hormozgan
علی اکبر محمدی فر - University of Hormozgan
فریبرز محمدی - University of Hormozgan
محمد کاظمی - University of Hormozgan
خلاصه مقاله:
علیرضا نفرزادگان - University of Hormozgan
علی اکبر محمدی فر - University of Hormozgan
فریبرز محمدی - University of Hormozgan
محمد کاظمی - University of Hormozgan
آب زیرزمینی بهعنوان یکی از منابع قابل توجه برای آب شیرین در نظر گرفته میشود. هدف از این پژوهش، به کار بردن چهار مدل یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، Bioclim و Domain به منظور تهیه نقشه پتانسیل آب زیرزمینی در حوزه آبخیز کهورستان استان هرمزگان است. نوآوری این پژوهش استفاده از الگوریتم های Bioclim و Domain به منظور شبیه سازی پتانسیل آب زیرزمینی و مقایسه آن با دو تکنیک جنگل تصادفی و ماشین بردار پشتیبان و همچنین ترکیب این چهار مدل بر اساس یک رابطه ابتکاری و جدید می باشد. برای این منظور، ۱۱ معیار شامل درصد شیب، جهت شیب، انحنای سطح، انحنای مقطع، شاخص پوشش گیاهی تعدیل شده بر حسب خاک(SAVI) ، شاخص اصلاح شده نرمال تفاضل آب (MNDWI)، فاکتور طول و تندی شیب (LS)، شاخص قدرت جریان (SPI)، شاخص رطوبت توپوگرافیک (TWI)، کاربری اراضی و فاصله از آبراهه ها در نظر گرفته شد. همچنین از دادههای ۱۱۳ چاه که دارای دبی پمپاژ بالا بودند برای فرآیندهای شبیه سازی (۷۰ درصد) و اعتبارسنجی (۳۰ درصد) استفاده شد. قبل از مدل سازی آزمون هم خطی بر روی معیارها انجام شد و مشاهده گردید هیچ نوع هم خطی بین متغیرها وجود ندارد. ارزیابی کارآیی مدل سازی با منحنی ROC نشان داد که هر چهار روش استفاده شده دارای دقت خیلی خوب و AUC بالای ۹۰ درصد جهت پیش بینی می باشند. بررسی وزن معیارها بر اساس روش جنگل تصادفی نشان داد که معیار کاربری و پوشش اراضی و فاصله از آبراهه دارای بالاترین وزن می باشند. در ادامه نتایج چهار روش با یک رابطه پیشنهادی ترکیب گردید. نقشه نهایی نشان داد که ۲۱/۴ درصد از منطقه مورد مطالعه دارای پتانسیل خوب از نظر آب زیرزمینی می باشد.
کلمات کلیدی: Bioclim algorithm, Domain algorithm, Random Forest, Spatial analysis, Support Vector Machine, آنالیز مکانی, الگوریتم Bioclim, الگوریتم Domain, جنگل تصادفی, ماشین بردار پشتیبان
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1275298/