آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 626 |
| تعداد مقالات | 6,517 |
| تعداد مشاهده مقاله | 8,746,469 |
| تعداد دریافت فایل اصل مقاله | 8,317,293 |
بررسی روند نوسانات مکانی-زمانی سطح ایستابی آب‌های زیرزمینی به روش ماشین بردارپشتیبان(SVM) و کریجینگ(kriging) (مطالعه موردی دشت سیلاخور) | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 10، دوره 24، شماره 4، مهر 1396، صفحه 195-209 اصل مقاله (1.26 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2017.11640.2611 | ||
| نویسندگان | ||
| مهدی کماسی* 1؛ حسام گودرزی2؛ امین بهنیا3 | ||
| 1استادیار دانشگاه آیت الله العظمی بروجردی(ره) | ||
| 2دانشجوی مهندسی عمران دانشگاه حضرت آیت الله العظمی بروجردی(ره) | ||
| 3کارشناس ارشد منابع آب، اداره آب شهر بروجرد | ||
| چکیده | ||
| از آنجا که منابع آب زیرزمینی از منابع آبی مهم و همچنین رو به کاهش می‌باشد مطالعه و مدل سازی مناسب برای بهره‌برداری از آن حایز اهمیت است. ارزیابی و پیش بینی تراز آب زیرزمینی به پیش بینی منابع آب زیرزمینی کمک می‌کند. امروزه استفاده از روش‌های هوش مصنوعی بر پایه تئوری داده‌کاوی برای پیشبینی نوسانات سطح ایستابی استفاده می‌شود. در این میان روش ماشینبردارپشتیبان در بین روش‌های هوش مصنوعی و روش کریجینگ در بین روش‌های زمین‌آماری دارای دقت قابل ملاحظه-ای به ترتیب در پیشبینی زمانی و مکانی تراز سطح ایستابی می‌باشد. در این پژوهش از مدل ترکیبی ماشینبردارپشتیبان و کریجینگ به عنوان روشی نوین برای پیشبینی زمانی و مکانی نوسانات سطح ایستابی در محدوده دشت سیلاخور استفاده شده است. در مرحله اول، مدلسازی زمانی با استفاده از مدل ماشینبردارپشتیبان از داده‌های 11 چاه پیزومتری موجود در منطقه به روش ماشینبردارپشتیبان صورت پذیرفت و در مرحله دوم برای پیشبینی مکانی از داده‌های ماهانه خروجی مرحله اول به عنوان ورودی مدل زمین‌آمار استفاده گردید. داده‌های 11 چاه مشاهداتی در دشت سیلاخور پس از جمع‌آوری در بازه ده ساله اخیر در دو حالت نرمال و غیرنرمال به عنوان ورودی مدل SVM مورد استفاده قرار گرفتند. با استفاده از نرم‌افزار Matlab الگوریتم تابع ماشینبردارپشتیبان بگونه‌ای تنظیم شد که در هر مرحله داده‌های یک چاه به عنوان ورودی این مدل باشد. تراز آب در این روش برای زمان 1+t پیشبینی خواهد شد. پیشبینی مکانی داده ها در نرم افزازArcGIS و در بخش Geostatical Analys به روش کریجینگ مدلسازی گردید. برای ترازیابی در این بخش، جدول(1) به عنوان ورودی مورد استفاده قرار می‌گیرد. مطلق بودن تخمین در درونیابی و مکانیابی از ویژگی‌های عمده مدل کریجینگ می‌باشد. بدین مفهوم که مقدار تخمین کمیت در نقاط نمونه‌برداری با مقدار اندازه‌گیری شده برابر می‌باشد و واریانس تخمین صفر می‌گردد. این ویژگی سبب می‌گردد که تخمین‌گر کریجینگ در رسم خطوط همتراز از حداکثر نقاط نمونه‌برداری عبور نموده و تمایلی به بسته شدن و دور زدن را نداشته باشد و از مرز محدوده مورد مطالعه فراتر رود. در واقع این مدل برای تخمین نقاط مجهول مقدار واریانس را به حداقل می‌رساند. بنابراین منحنی های میزان بر اساس روندیابی ترسیم می‌گردند و در نتیجه از مرز محدوده ترسیم فراتر می‌روند. نتایج به دست آمده از پژوهش بیانگر آن است که این مدل ترکیبی می‌تواند به طور موفقیت‌آمیزی برای پیشبینی نوسانات سطح ایستابی مورد استفاده قرار گیرند. در بهترین حالت اجرای مدل، بالاترین ضریب تبیین برای چاه‌های چغادون(96/0=DC)، کارخانه قند(94/0=DC) و ولیان(93/0=DC) محاسبه شد که نشان دهنده دقت مناسب مدل ترکیبی در پیش بینی تراز آب زیرزمینی می‌باشد. | ||
| کلیدواژه‌ها | ||
| تراز آب زیرزمینی؛ کریجینگ؛ دشت سیلاخور؛ ماشینبردارپشتیبان؛ پیشبینی مکانی-زمانی | ||
| مراجع | ||
|
1.Ahmadi, M., and Baghbanzade Dezfouli A. 2012. A Geo-statistical Approach to the change procedure study of Under-Groundwater Table in a GIS framework, Case study: Razan–Ghahavand plain, Hamadan province, Iran. J. Acad. Appl. Stud. 2: 11. 56-69. 2.Amiri Deh Ahmadi, F., and Hesami Kermani, M. 2011. Estimation of groundwater levels with the use of artificial intelligence, the first National Conference of water and wastewater. Iran, Tehran. (In Persian) 3.Bameri, A., and Piri, H. 2015. Assessment Of Groundwater Pollution In Bajestan Plains For Agricultural Purposes Using Indicator Kriging, J. Water Soil Cons. 22: 1. 211-229. (In Persian) 4.Bashi-Azghadi, S.N., and Kerachian, R. 2010. Locating monitoring wells in groundwater systems using embedded optimization and simulation models. Science of the Total Environment. 408: 2189-2198. 5.Ben-Jemaa F., and Marino, M.A. 1990. Optimization of a groundwater well monitoring network. International Conference on Optimizing the Resources for Water Management, Forth worth, Texas, April 17-21, Pp: 610-615. 6.Bhat, S., Motz, L., Pathka, C., and Kuebler, L. 2012. Designing Groundwater Level Monitoring Network Using Geostatistical A Case Study and Central Florida U.S.A. World Environmental and Water Resources Congress, Pp: 48-58. 7.Delbari, M., Afrasyab, P., and Miremadi, S. 2010. Investigation spatial- temporal fluctuation ground water analysis of salinity (Case study: Mazandaran). Iran. J. Irrig. Drain. 3: 7. 359-374. (In Persian) 8.Dibike, Y.B., Velickov, S., Solomatine, D., and Abbott, M.B., 2001. Model induction with support vector machines: Introduction and applications. J. Com. Civil Engin. 15: 3. 208-216. 9.Guo, Y., Wang, J., and Yin, X., 2011. Optimizing the ground water monitoring network using MSN Theory. J. Proc. Soc. Behav. Sci. 21: 240-242. 10.Liu, D., Wang, Z., Zhang, B., Song, K., Li, X., and Li, J. 2006. Spatial distribution of soil organic carbon and analysis of related factors in croplands of the black soil region, northeast China. Agricultural Ecosystems and Environment. 113: 73-81. 11.Mohammadi, S., Salajegheh, A., Mahdavi, M., and Bagheri, R. 2012. An investigation on spatial and temporal variations of groundwater level in Kerman plain using suitable geostatistical method (During a 10-year period), Iran. J. Range. Des. Res. 19: 1. 60-71. (In Persian) 12.Najafi, S. 2010. The evaluation methods of interpolation to determine the underground water level of the Urmia Lake. National Conference on comprehensive management of water resources, Kerman, Iran. (In Persian) 13.Nourani, V., and Ejlali, R. 2012. Quantity and Quality Modeling of Groundwater by Conjugation of ANN and Co-Kriging Approaches. J. Water Resour. Manage. Model. 19: 1. 287-310. 14.Panda, D.K., Mishra, A., Jena, S.K., James, B.K., and Kumar, A. 2007. The influence of drought and anthropogenic effects on groundwater levels in Orissa, India. J. Hydrol. 343: 140-153. 15.Rajaee, T., and Zeynivand, A. 2015. Modeling of Groundwater Level using ANN–Wavelet Hybrid Model (Case study: Sharif Abad Plain), J. Civil Environ. Engin. 44: 77. 51-63. (In Persian) 16.Rezaee, E., Khashei-Siuki, A., and Shahidi, A. 2015. Design of Groundwater Level Monitoring Network, Using the Model of Least Squares Support Vector Machine (LS-SVM). Iran. J. Soil Water Res. 45: 4. 389-396. (In Persian) 17.Rezaee, E., Khashei-Siuki, A., Shahidi, A., and Riahi-Madvar, H. 2014. Application of Least Squares Support Vector Machine Model For Water Table Simulation (Case study: Ramhormoz plain). Iran. J. Irrig. Drain. 4: 7. 510-520. (In Persian) 18.Salari, M., Zareie, H., and Taghyan, M. 2009. Application and evaluation of the Kriging and Cokriging methods in the calculation of water level the water level in the lowland. National Conference on the effects of the drought and management solution. Isfahan, Iran. (In Persian) 19.Zhou, Y., Dong, D., Lio, J., and Li, W. 2013. Upgrading a regional groundwater level monitoring network for Beijing Plain, China. J. Geosci. Front. 4: 127-138. | ||
|
آمار تعداد مشاهده مقاله: 892 تعداد دریافت فایل اصل مقاله: 781 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب