این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های آبخیزداری، جلد ۳۵، شماره ۳، صفحات ۴۴-۵۹
عنوان فارسی کاربرد الگوریتم‌های درخت وایازی تقویت‌شده، درخت مدل پشتیبان، و جنگل تصادفی برای ارزیابی احتمال آب‌های زیرزمینی
چکیده فارسی مقاله به‌دلیل رشد جمعیت و صنعتی‌شدن در منطقه‌های گوناگون جهان، از آب‌های زیرزمینی به‌طور مهارناپذیری بهره‌برداری می‌شود. هدف این پژوهش، ارزیابی احتمال آب‌های زیرزمینی با الگوریتم‌های پیشرفته‌ی یادگیری ماشین و با معیارهای پستی‌بلندی، آب‌شناسی، محیطی و زمین‌شناسی است. برای انجام این کار سه الگوریتم پیش‌رفته‌ی یادگیری ماشین شامل درخت وایازی تقویت‌شده، درخت مدل پشتیبان، و جنگل تصادفی به‌کار برده‌شد. داده‌های آب‌شناسی 37 چاه آب زیرزمینی در دشت بیرجند، استان خراسان جنوبی، جمع‌آوری، و با انتخاب تصادفی به نسبت 70 به 30 به مجموعه‌ی داده‌های آموزشی و اعتبارسنجی تقسیم کرده‌شد. نقشه‌های احتمال آب زیرزمینی با سه الگوریتم تهیه شد. برای اعتبار‌سنجی الگوریتم‌های پیش‌بینی احتمال آب زیرزمینی، سطح زیر منحنی و معیارهای آماری نرخ پیش‌بینی‌شده‌ی مثبت، نرخ پیش‌بینی‌شده‌ی منفی، حساسیت، ویژگی، و دقت به‌کار برده‌شد. نتیجه‌ نشان داد که درخت مدل پشتیبان (0/865 =AUC) کارکرد بهتری در پیش‌بینی احتمال آب زیرزمینی منطقه دارد.
کلیدواژه‌های فارسی مقاله سامانه‌ی اطلاعات جغرافیایی (جی‌آی‌اس)، احتمال آب زیرزمینی، یادگیری ماشین،
عنوان انگلیسی Using Boosted Regression Tree, Logistic Model Tree, and Random Forest Algorithms to Evaluate the Groundwater Potential
چکیده انگلیسی مقاله Groundwater is exploited uncontrollably due to population growth and industrialization in different parts of the world. The purpose of this study is to evaluate the groundwater potential by advanced machine learning algorithms using topographical, hydrological, environmental, and geological criteria. To do this, three advanced machine learning algorithms were used, including Boosted Regression Tree (BRT), Logistic Model Tree (LMT), and Random Forest (RF). Therefore, for implementation, geo-hydrological data of 37 groundwater wells in Birjand plain of South Khorasan province were collected and randomly selected in a ratio of 70 to 30 were divided into training and validation data sets. Finally, groundwater potential maps were prepared using BRT, LMT, and RF algorithms. In order to validate the groundwater potential prediction algorithms, the area under the curve (AUC) and the statistical criteria of positive predictive rate, negative predictive rate, sensitivity, specificity, and accuracy were used. The results showed that the LMT model (AUC = 0.865) has a better performance than the BRT and RF models in predicting the groundwater potential of the study area.
کلیدواژه‌های انگلیسی مقاله سامانه‌ی اطلاعات جغرافیایی (جی‌آی‌اس), احتمال آب زیرزمینی, یادگیری ماشین
نویسندگان مقاله سید احمد اسلامی نژاد |
دانش‌آموخته ی کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده ی مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران

مبین افتخاری |
دانش آموخته ی کارشناسی ارشد مهندسی عمران آب و سازه های هیدرولیکی و عضو باشگاه پژوهشگران جوان و نخبگان، واحد مشهد، دانشگاه آزاد اسلامی، مشهد

محمد اکبری |
دانشیار گروه مهندسی عمران، دانشگاه بیرجند

هادی بیات |
دانش‌آموخته ی کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده ی مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران

وریا برقی |
دانش‌آموخته ی کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده ی مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران

نشانی اینترنتی https://wmrj.areeo.ac.ir/article_125523_c59d53ac96e6889a997e6e44d96cfc63.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