این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۸، شماره ۱۱۰، صفحات ۱۳۳-۱۴۵
عنوان فارسی ارزیابی دقت روش شبکه های عصبی مصنوعی و زمین آمار در میان یابی سطح تراز آب های زیرزمینی؛ مطالعه موردی: دشت شبستر - صوفیان
چکیده فارسی مقاله ماهیت متغیرهای کمی و کیفی آب‌های زیرزمینی به دلیل تأثیر مستقیم در زندگی انسان، همواره یکی از موضوعات مطرح در تحقیقات علمی و دانشگاهی بوده است. هزینه‌بر بودن و عدم امکان مطالعه دقیق این منابع، لزوم استفاده از روش جدیدی را برای برآورد چنین متغیرهایی به طور کامل آشکار می­کند. در این میان روش‌های درون‌یابی ریاضی و زمین آماری و مدل‌های هوش مصنوعی در سال‌های اخیر نتایج بسیار قابل قبولی از این برآوردها ارائه کرده‌­اند. در تحقیق حاضرکه با هدف ارزیابی دقت روش‌های زمین آمار و شبکه عصبی مصنوعی انجام گرفته است، با استفاده از آمار اندازهگیری شده سطح تراز ایستابی آب‌های زیرزمینی در 46 حلقه چاه مشاهده‌ای منتخب برای سال 93، در دشت شبستر- صوفیان، اقدام به برآورد مقادیر نامعلوم سطح تراز در منطقه مورد مطالعه با استفاده از روش‌های زمین آمار (kriging) و روش شبکه عصبی پرسپترون چند لایه (MLP) شده است. نتایج حاصل از این تحقیق نشان می‌دهد، روش شبکه عصبی (MLP) با میزان همبستگی بالا (96/0) و جذر میانگین مربعات خطای کمتر (18/13) نسبت به روش کریجینگ (با میزان همبستگی 90/0 و جذر میانگین مربعات خطای 10/20)، توانایی بالاتری در میان یابی سطح تراز آب زیرزمینی دشت شبستر- صوفیان دارد، که این نتیجه با تحقیقات قبلی در این زمینه مبنی بر توانایی و انعطاف بیشتر مدل‌های هوش ­مصنوعی در مطالعات هیدروژئولوژیکی آبخوان‌ها مطابقت دارد. از این رو استفاده از روش­‌های جدید مانند شبکه­‌های عصبی­ مصنوعی(ANN) و روش‌های فازی - عصبی تطبیقی (ANFIS) میتواند، در دستیابی به برآوردهای دقیق تر از شرایط سفره‌های آب زیرزمینی و اطلاع از کم و کیف آنها کمک شایانی به محققان و برنامه‌­ریزان در این زمینه ارائه کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Estimating accuracy of Artificial Neural Networks (ANN) and Geo Statistical Methods in interpolating Groundwater Levels Case study: Shabestar - Sufian Plain
چکیده انگلیسی مقاله Extended Abstract Introduction Groundwater, its quantitative/qualitative variables, and variability directly affect human life, and thus has always been one of the major topics in scientific and academic research. Due to geographical, climatic and hydrological conditions, and specific patterns of surface water and subsurface water resources exploitation, this country has always faced water scarcity. As a result of global and regional changes in temporal and spatial patterns of rainfall, this has intensified in recent years. Therefore, exploitation of groundwater resources has been considered as an option for supplying agricultural, industrial and drinking water. However, excessive exploitation of these resources will result in their destruction. In recent years, excessive removal of groundwater and reduction of groundwater levels have resulted in some problems like subsidence in some plains. This makes it necessary to study the quantitative and qualitative changes of these resources more clearly. Due to the complex nature of aquifers’ hydrogeological systems, accurate investigation of these resources seems costly and even impossible. Thus in order to achieve a better understanding, it is necessary to use different methods for estimation and evaluation of such variables. Material & Methods Most environmental features are completely continuous in nature, which makes it impossible to measure these features in every part of these environments. Thus, we can generalize measured samples to other areas lacking accurate measurements, and in this way estimate these variables in unmeasured areas. This is also true about quantitative and qualitative variables of groundwater, i.e. by collecting samples from some sections, we can measure different characteristics in these samples. This surface modelling -or in other words, generalization of points to surface- can be achieved with mathematical and statistical relationships and rules. Due to the spatial structure of the measured specimens, geo statistics is used in this regard. In recent years, artificial intelligence models, inspired by the natural nervous system and simulating its function, have yielded a very satisfactory result in groundwater estimation and studies. In order to evaluate the accuracy of geo statistical methods and artificial neural networks, the present study takes advantage of statistics and measurements collected from groundwater level of 46 wells in Shabestar-Sufiyan plain in 2014. Kriging method (geo statistics) and multilayer perceptron neural network method (MLP) were used along with error propagation pattern (BP) to estimate unmeasured features in the study area. MATLAB 2016B was used to perform the neural network modeling and ARCGIS10.5 was used to perform Kriging method and prepare the final maps. In both neural network and kriging models, geographical coordinates of observed wells was used as input and measured water table was introduced as the study goal. Primary data reduces the accuracy of models. Thus, data was normalized before being introduced to the neural network model. After the initial analysis of data dispersion and normalization, logarithmic transfer function was used due to the relative improvement of data in Kriging estimator model. Results & Discussion Results indicate that at the training and testing stage (with Sigmoid tangent activation function (Tansig) and 9 neurons in the middle layer), neural network method (MLP) with a high correlation coefficient (0.96) and root mean square error of 13.18 is more accurate than Kriging method with J-shaped Variogram model, a correlation coefficient of 0.90 and root mean square error of 20.10. Due to realistic results provided by neural network method, it is considered to be a more efficient method in estimation of water table in Shabestar-Sufiyan Plain. This is also consistent with earlier hydrogeological studies (regarding aquifers) performed on the ability and flexibility of Artificial Intelligence models. Conclusion Results obtained from the current research, and previous studies conducted in this field indicate that most artificial intelligence computing models are capable of evaluating and estimating continuous environmental variables. On the other hand, understanding groundwater resources’ conditions is considered to be crucial. Thus, new methods, such as artificial neural networks (ANN) and adaptive neuro-fuzzy inference methods (ANFIS) and fuzzy inference systems (FIS), which provide greater accuracy can help decision makers and researchers in maintenance and improvement of the groundwater status.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله یوسف عبادی |
دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز

جواد جاودان |
دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز

محمدحسین رضایی مقدم |
استاد گروه ژئومورفولوژی و سنجش از دور و GIS، دانشکده برنامه ریزی و علوم محیطی، دانشگاه

نشانی اینترنتی http://www.sepehr.org/article_36618_1fd862f6599791d9b79d738f44692dfa.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/589/article-589-2063624.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات