مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

82
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

19
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدل سازی توان منابع آب زیرزمینی با استفاده از مدل های یادگیری ماشینی

صفحات

 صفحه شروع 114 | صفحه پایان 132

چکیده

 مقدمه و هدفتوان­یابی منابع آب زیرزمینی یکی از اصل های پایه در مدیریت منابع آب است. هدف این پژوهش توان­ یابی آب زیرزمینی با استفاده از مدل ­های یادگیری ماشین بردار پشتیبان (SVM) و همچنین دستورالعمل­ های فراکاوشی (مدل ترکیبی (هیبریدی) ماشین بردار پشتیبان و دستورالعمل بهینه­ سازی فراکاوشی زنبورعسل (SVM-BA) و مدل ترکیبی ماشین بردار پشتیبان و دستورالعمل بهینه ­سازی فراکاوشی ازدحام ذرات (SVM-PSO) است.مواد و روش­ هادر این پژوهش در منطقه ی بجنورد عامل های بلندی, شیب, جهت, شاخص رطوبت پستی بلندی, فاصله از آبراهه, تراکم زهکشی, فاصله از گسل, سنگ­ شناسی, شاخص موقعیت پستی بلندی, شاخص ناهمواری زمین, موقعیت شیب نسبی و شاخص هم گرایی جریان انتخاب شدند. از شرکت آب منطقه ­ای اطلاعات موقعیت 359 چشمه دریافت شد. دستورالعمل تقسیم ­بندی تصادفی برای تقسیم نقطه های آموزشی (70%) و نقطه های اعتبارسنجی (30%) استفاده شد. براساس تحلیل حساسیت حذفی, اندازه ی اهمیت و مشارکت متغیرهای ورودی در توان ­یابی آب زیرزمینی مشخص شد. ارزیابی دقت مدل ها در دو مرحله ی آموزش و اعتبارسنجی براساس روش منحنی مشخصه عامل گیرنده (ROC) انجام شد.نتایجارزیابی دقت مدل ها براساس معیار ارزیابی مساحت زیرمنحنی عامل گیرنده (AUC) نشان داد که دقت پیش­ بینی مدل ترکیبی ماشین بردار پشتیبان و دستورالعمل بهینه ­سازی فراکاوشی ازدحام ذرات (SVM-PSO) 945/0 بیشتر از دیگر مدل­ ها (SVM: 0.918 و SVM-BA: 0.932) بود. براساس نتایج مدل برتر در این پژوهش 7/75% از سطح منطقه طبقه ی توان زیاد و 38/66% از سطح منطقه طبقه ی توان خیلی زیاد را کسب کردند. از میان عامل های, موقعیت شیب نسبی (14/5%), فاصله از گسل (13/4%) و سنگ ­شناسی (12/3%) در پیش ­بینی توان آب زیرزمینی بیشترین اهمیت را داشتند.بحث و نتیجه گیریبراساس نتایج این پژوهش, عملکرد مدل ماشین بردار پشتیبان زیاد بود و دو دستورالعمل بهینه ­سازی فراکاوشی زنبورعسل و فراکاوشی ازدحام ذرات موجب تقویت قدرت پیش­بینی مدل شدند. همچنین مدل­ های یادگیری ماشینی می­ توانند ارتباط میان عامل های محیطی و آب دهی چشمه ­ها را شناسایی کنند و با به کارگیری داده های موجود, نقش آن­ ها را تعیین کنند. عامل موقعیت شیب نسبی به عنوان مهم ترین متغیر و عامل فاصله از گسل نیز به عنوان دومین متغیر مهم در این پژوهش مشخص شدند. نتایج پژوهش نشان داد که در تغذیه ی بخش­ های زیرسطحی, ذخیره و جریان آب زیرزمینی, گسل­ های منطقه نقش مهمی داشتند. با کاربرد مدل در شناسایی وضعیت توان آب زیرزمینی عامل سنگ­ شناسی نیز به عنوان سومین متغیر مهم معرفی شد. در این پژوهش, با پیشنهاد نقشه ی توان آب زیرزمینی, امکان برنامه ­ریزی و تدقیق آمایش سرزمین برای آبخیز بجنورد فراهم شد.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button