پیش بینی قابلیت انتقال آبخوان دشت ملکان با استفاده از روش جنگل تصادفی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 232

فایل این مقاله در 15 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_WASO-27-2_005

تاریخ نمایه سازی: 25 دی 1401

چکیده مقاله:

قابلیت انتقال یکی از پارامترهای مهم در شناسایی خصوصیات آبخوان­ها می­باشد و به دست آوردن مقادیر و چگونگی توزیع آن توسط مدل­سازی، برای مدیریت آبخوان­ها ضروری به نظر می­رسد. برآورد این پارامتر با استفاده از آزمایشات صحرایی مانند آزمایش پمپاژ بسیار پرهزینه و وقت­گیر است. برای مدیریت مناسب آبخوان دشت ملکان که یکی از قطب های کشاورزی شمال­ غرب کشور می باشد شناخت پارامترهای هیدروژئولوژیکی، خصوصا قابلیت انتقال امری لازم و ضروری می باشد. در مطالعه حاضر روش جنگل تصادفی (RF) که یک روش یادگیری مبتنی بر دسته ای از درخت های تصمیم است، برای پیش­ بینی قابلیت انتقال آبخوان پیشنهاد شده که تاکنون در این زمینه مورد استفاده قرار نگرفته است. روش RF نسبت به روش های دیگر دارای مزایایی مانند دقت پیش­ بینی بالا، توانایی در یادگیری روابط غیر خطی، توانایی بالا در تعیین متغیرهای مهم در پیش بینی و ماهیت غیر پارامتری می باشد. در مدل RF به دلیل اینکه با افزایش درخت ها میزان خطا کاهش می یابد، بنابراین تعداد ۵۰۰ درخت برای فراخوانی مدل استفاده شد و پس از اجرای مدل نتایج مدل به وسیله برآورد خطای خارج از کیسه (OOB) ارزیابی گردید و علاوه بر این، برای کاهش ابعاد و افزایش دقت و قابل تفسیر بودن مدل، روش انتخاب ویژگیFS)) به کار برده شد و متغیرهای مهم در پیش بینی نیز شناسایی گردید. بر اساس نتایج مدل ­سازی با RF مقادیر MSE و AUC به ترتیب برابر با ۰۳۶/۰ و ۹۶/۰، متغیرهای هدایت الکتریکی، محیط آبخوان و گرادیان هیدرولیکی به ترتیب به عنوان پارامترهای مهم و تاثیرگذار در پیش بینی قابلیت انتقال شناسایی شدند. همچنین نتایج قابل قبول مدل RF در پیش بینی قابلیت انتقال و تعیین پارامترهای مهم در پیش بینی، نشان از مزایای مدل ارائه شده نسبت به سایر مدل ها در بحث پیش­ بینی، می باشد.

نویسندگان

حسین نوروزی

- کارشناسی ارشد هیدروژئولوژی، دانشکده علوم طبیعی، دانشگاه تبریز

عطاء الله ندیری

استادیار گروه زمین شناسی دانشگاه تبریز

اصغر اصغری مقدم

دانشگاه تبریر، دانشکده علوم طبیعی، گروه علوم زمین

مریم قره خانی

دانشگاه 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 :
  • اصغری مقدم الف، ۱۳۸۹. اصول شناخت آب­های زیرزمینی. انتشارات دانشگاه ...
  • علوی نائینی م و شهرابی م، ۱۳۵۸. نقشه زمین شناسی ...
  • بی نام، ۱۳۸۵. تهیه بیلان و چرخه آب در محدوده ...
  • ندیری ع، اصغری مقدم ا، عبقری ه، کلانتری اسکویی ع، ...
  • Bellman R, ۲۰۰۳. Dynamic Programming. Dover Publications ۳۶۶ p. Mineola, ...
  • Booker DJ, Snelder TH, ۲۰۱۲. Comparing methods for estimating flow ...
  • Breiman L (۲۰۰۱) Random Forests. Machine Learning ۴۵(۱): pp. ۵–۳۲ ...
  • Breiman L, Friedman JH, Olshen RA, Stone CJ, ۱۹۸۴. Classification ...
  • Chehata N, Guo L, Mallet C, ۲۰۰۹. Airborne lidar feature ...
  • Chen CH, Lin ZS, ۲۰۰۶. A committee machine with empirical ...
  • Chitsazan N, Nadiri AA, Tsai F, ۲۰۱۵. Prediction and structural ...
  • Chow VT, ۱۹۵۲. On the determination of transmissibility and storage ...
  • Cooper HH, Jacob CE, ۱۹۴۶. A generalized graphical method for ...
  • Critto A, Carlon C, Marcomini, A, ۲۰۰۳. Characterization of contaminated ...
  • Dixon B.A, ۲۰۰۹. Case study using support vector machines, neural ...
  • Duda, RO, Hart PE, Stork DG, ۲۰۱۱. Pattern Classification. ۲nd ...
  • Emberger L, ۱۹۵۲. Sur le quotient pluviothermique. C.R. Sciences, ۲۳۴: ...
  • Friedl MA, Brodley CE, Strahler AH, ۱۹۹۹. Maximizing land cover ...
  • Guo L, Chehata N, Mallet C, Boukir S, ۲۰۱۱. Relevance ...
  • Guyon I, Elisseeff A, ۲۰۰۳. An introduction to variable and ...
  • Harb N, Haddad K, Farkh S, ۲۰۱۰. Calculation of transverse ...
  • Kadkhodaie-Ilkhchi A, Amini A, ۲۰۰۹. Journal of Petroleum Geology, A ...
  • Kadkhodaie-Ilkhchi A, Rezaee MR, Rahimpour-Bonab H, (۲۰۰۹a) A committee neural ...
  • Kadkhodaie-Ilkhchi A, Rezaee MR, Rahimpour-Bonab H, Chehrazi A, ۲۰۰۹b. Petro ...
  • Ko B, Gim J, Nam J, ۲۰۱۱. Image classification based ...
  • Kotsiantis S, Pintelas P, ۲۰۰۴. Combining bagging and boosting. Journal ...
  • Maillet R, ۱۹۴۷. The fundamental equations of electrical prospecting. Journal ...
  • Nadiri AA, Asghari Moghaddam A, Tsai F, Fijani E, ۲۰۱۳. ...
  • Nadiri AA, Chitsazan N, Tsai F, Asghari Moghaddam A, ۲۰۱۴. ...
  • Olatunji SO, Selamat A, Abdulraheem A, ۲۰۱۱. Modeling the permeability ...
  • Pal M, ۲۰۰۵. Random Forest classifier for remote sensing classification. ...
  • Peters J, Baets BD, Verhoest NEC, Samson R, Degroeve S, ...
  • Pulido CI, Gutiérrez JC, ۲۰۰۹. Improved irrigation water demand forecasting ...
  • Quinlan JR, ۱۹۸۶. Induction of decision trees. Journal of Machine ...
  • Quinlan JR, ۱۹۹۳. C۴.۵ programs for machine learning. San Mateo, ...
  • Rodriguez VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sánchez JP, ...
  • Ross J, Ozbek M, ۲۰۰۷. Hydraulic conductivity estimation via fuzzy. ...
  • Schapire R, ۱۹۹۰. The strength of weak learnability. Journal of ...
  • Theis CV, ۱۹۳۵. The relationship between the lowering of piezo ...
  • Todd DK, Mays LW, ۲۰۰۵. Groundwater Hydrology, ۳nd, John Wiley ...
  • نمایش کامل مراجع