این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۲، شماره ۹، صفحات ۲۳۸۳-۲۳۹۷
عنوان فارسی پیش‌بینی مناطق بالقوه آب‌ زیرزمینی با استفاده از روش‌های هوش مصنوعی ترکیبی (مطالعه موردی: دشت بیرجند)
چکیده فارسی مقاله آب‌های زیرزمینی یکی از مهم‌ترین منابع با ارزش برای استفاده جوامع، کشاورزی و صنایع هستند. در مطالعه حاضر، سه مدل هوش مصنوعی جدید شامل مدل آدابوست واقعی بهبود یافته (MRAB)، مدل بگینگ (BA) و مدل جنگل چرخشی (RF) توسط مدل طبقه‌بندی‌کننده پایه درخت عملکردی (‌FT) ‌برای پیش‌بینی مناطق بالقوه آب‌های زیرزمینی در منطقه دشت بیرجند توسعه داده شده‌اند. لذا جهت پیاده‌سازی، داده‌های ژئوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی و 10 عامل توپوگرافی، هیدرولوژی و زمین‌شناسی مورد استفاده قرار گرفت. عملکرد این مدل‌ها با استفاده از سطح زیر منحنی (AUC) و سایر شاخص‌های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که هر چند تمامی مدل‌های ترکیبی توسعه داده شده در این تحقیق دقت پیش‌بینی را افزایش دادند، اما مدل MRAB-FT (742/0‌AUC=)‌ دقت بالاتری را در پیش‌بینی مناطق بالقوه آب‌های زیرزمینی در منطقه دشت بیرجند دارد. تهیه نقشه دقیق از مناطق بالقوه آب زیرزمینی، با حفظ تعادل بین مصرف و بهره‌برداری، به تغذیه مناسب آبخوان برای استفاده بهینه از منابع آب زیرزمینی کمک خواهد کرد.
کلیدواژه‌های فارسی مقاله پتانسیل آب زیرزمینی،هوش مصنوعی،مناطق نیمه خشک،
عنوان انگلیسی Predicting Groundwater Potential Areas Using Hybrid Artificial Intelligence Methods (Case Study: Birjand Plain)
چکیده انگلیسی مقاله Groundwater is one of the most valuable resources for communities, agriculture, and industry. In the present study, three new artificial intelligence models, including Modified Real AdaBoost (MRAB), Bagging model (BA), and Rotation Forest model (RF), have been developed by the Functional Tree Base Classifier (FT) model to predict groundwater potential in Birjand plain area. Therefore, for implementation, geo-hydrological data of 37 groundwater wells and ten factors of topography, hydrology, and geology were used. The performance of these models was evaluated using the area under the curve (AUC) and other statistical indicators. The results showed that although all the hybrid models developed in this study increased the prediction accuracy, MRAB-FT model (AUC = 0.742) has higher accuracy in predicting potential groundwater areas in Birjand plain. Accurate mapping of groundwater potential areas while maintaining a balance between consumption and operation will help feed the aquifer for optimal use of groundwater resources.
کلیدواژه‌های انگلیسی مقاله پتانسیل آب زیرزمینی,هوش مصنوعی,مناطق نیمه خشک
نویسندگان مقاله مبین افتخاری |
دانش‌آموخته کارشناسی ارشد مهندسی عمران آب و سازه‌های هیدرولیکی و عضو باشگاه پژوهشگران جوان و نخبگان، واحد مشهد، دانشگاه آزاد

سید احمد اسلامی نژاد |
دانش‌آموخته کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران

علی حاجی الیاسی |
گروه مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی ، تهران ، ایران

محمد اکبری |
دانشیار گروه مهندسی عمران، دانشگاه بیرجند، بیرجند، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_85220_d26c98c865dd4646a6e51f6eb231208d.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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