پیش بینی سطح ایستابی آب زیرزمینی آبخوان چهاردولی در شهرستان قروه با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 140

فایل این مقاله در 13 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_NFAG-16-31_011

تاریخ نمایه سازی: 24 مهر 1401

چکیده مقاله:

تخمین تراز سطح ایستابی از مسایل مهم و اساسی در برنامه­ریزی کشاورزی، مدیریت منابع آب و تعیین نیاز آبی گیاهان است. در این تحقیق کارایی مدل­های شبکه عصبی مصنوعی و ماشین­بردار پشتیبان در تخمین سطح آب زیرزمینی آبخوان چهاردولی در شهرستان قروه مورد بررسی قرار گرفت. برای اجراء مدل­ها از داده­های بارش، دبی و دما و تراز سطح ایستابی در ماه قبل به عنوان متغیرهای ورودی و تراز سطح ایستابی در ماه بعد به عنوان متغیر خروجی در مقیاس زمانی ماهانه در طی دوره آماری (۱۳۹۶-۱۳۸۵) استفاده گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. برای مدلسازی با روش­های یاد شده، از سال ۱۳۸۵-۱۳۹۴ داده­های آموزش و از سال ۱۳۹۴-۱۳۹۶ داده­های اعتبارسنجی مدل استفاده شدند. نتایج بدست آمده نشان داد که هر دو مدل در برآورد تراز سطح ایستابی دقت قابل قبولی داشته، به طوریکه معیار ضریب تبیین در مرحله واسنجی در مدل­های شبکه عصبی مصنوعی و ماشین بردار پشتیبان برابر با ۷۴/۰ و ۹۴/۰ بودند. مقایسه دو مدل نشان داد که مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی عملکرد بهتری دارد و دقت پیش­بینی برای یک­سال در این مدل کاهش یافته است.

نویسندگان

اسدالله شالودگی

کارشناس ارشد مهندسی آب، دانشگاه آزاد اسلامی، واحد سنندج، سنندج، ایران

مطلب بایزیدی

استادیار گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد سنندج، سنندج، ایران

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 :
  • گویلی، س.، جوادی، س.، ابراهیم بنی حبیب، م.، ثانی خانی، ...
  • میثاقی، ف.، محمدی، ک (۱۳۸۵) پهنه­بندی اطلاعات بارندگی با استفاده ...
  • آخونی­پور حسینی، ف.، اسدی، ا (۱۳۹۶) کاربرد شبکه بیزین و ...
  • بایزیدی، م.، کاکی، م (۱۴۰۰) تغییرات حجم ذخیره و بهره­برداری ...
  • جلالی، م.، کمانگر، م.، رزمی، ر (۱۳۹۸) پیش بینی مدل ...
  • Ahmadi, F., Radmanesh, F., Mirabasi najafabadi, R (۲۰۱۴) Comparison of ...
  • Nash, JE., Sutcliffe, JV (۱۹۷۰) River flow forecasting through conceptual ...
  • Kaveh, A (۲۰۰۴) Structural Mechanics: Graph and Matrix Methods, Research ...
  • Suykens, J. A. K., Gestel, T. V., Brabanter, J. D., ...
  • Yu, P. S., Chen, S. T., Chang, I. F (۲۰۰۶) ...
  • Mirzavand, M., Ghazavi, R (۲۰۱۴) A Stochastic Modelling Technique for ...
  • Porte, P., Kumar Isaac, R., Kiran Singh Mahilang, K., Sonboier, ...
  • Daliakopoulos, I. N., Coulibaly, P. and Tsanis, I. K (۲۰۰۵) ...
  • He, Zh., Wen, X., Liu, H., Du, J (۲۰۱۴) A ...
  • Barzegar, R., Fijani, E., Asghari Moghaddam, A., Tziritis, E (۲۰۱۷) ...
  • Sarangi, A., Bhattacharya, A. K (۲۰۰۵) Comparison of Artificial Neural ...
  • Solaimani, K (۲۰۰۹) Rainfall-Runoff Prediction Based on Artificial Neural Network ...
  • Dehghani, A. A., Asgari, M., Mosaedi, A (۲۰۰۹) Comparison of ...
  • نمایش کامل مراجع