کیوان نادری

کیوان نادری

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱ مورد از کل ۱ مورد.
۱.

پیش بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان)(مقاله علمی وزارت علوم)

کلید واژه ها: شبکه های عصبی مصنوعی کریجینگ کوکریجینگ مدل فازی ساگنو نوسانات سطح ایستابی دشت دوزدوزان ANNs SFL

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : 379 تعداد دانلود : 69
نبود منابع آب سطحی دائمی در بسیاری از نقاط کشور باعث اضافه برداشت آب از منابع محدود زیرزمینی شده است. در دشت دوزدوزان که در حوضه آبریز دریاچه ارومیه قرار دارد، به دلیل عدم جریان سطحی دائمی برداشت بی رویه از منابع آب زیرزمینی باعث ایجاد متوسط افت 76 سانتی متر در سال شده است. هدف از این تحقیق پیش بینی سطح آب زیرزمینی در این دشت با استفاده از روش های هوش مصنوعی و زمین آمار می باشد. در ابتدا با استفاده از روش خوشه بندی مرتبه ای (HCA) پیزومترها دسته بندی شدند. با انجام آنالیز حساسیت، داده های ماهانه سطح آب، بارش و تبخیر هرکدام با یک تأخیر زمانی طی دوره 10 ساله (91-82) به عنوان ورودی های مدل انتخاب شدند. پس از نرمال سازی داده ها مدل سازی با شبکه های عصبی (ANNs) انجام شد. به منظور بررسی بیشتر شبیه سازی با مدل فازی ساگنو (SFL) نیز انجام شد. برای مقایسه نتایج دو مدل شاخص های آماری جذر میانگین مربعات خطا و ضریب تبیین به کار گرفته شدند. با توجه به برتری مدل ANNs، مدل کریجینگ و کوکریجینگ عصبی برای پیش بینی مکانی سطح ایستابی انتخاب شدند و پیش بینی مکانی با هر دو مدل انجام شد. نتایج نشان داد که مدل کوکریجینگ با در نظر گرفتن پارامتر ثانویه توپوگرافی نسبت به مدل کریجینگ پیش بینی دقیق تری داشته است. براساس نتایج به دست آمده با افزایش بازه زمانی پیش بینی خطای مدل ترکیبی (کوکریجینگ عصبی) افزایش می یابد که بیش تر به دلیل افزایش خطای مدل شبکه عصبی مصنوعی با افزاییش بازه زمانی پیش بینی می باشد و خطای مدل زمین آمار ( کوکریجینگ) نامحسوس به نظر می رسد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان