این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۷، شماره ۳، صفحات ۴۱۳-۴۲۷
عنوان فارسی ارزیابی کارایی درخت تصمیم در ترکیب با تبدیل موجک به‌منظور پیش‌بینی نوسانات سطح آب‌زیرزمینی (مطالعه موردی: دشت کرمان- باغین)
چکیده فارسی مقاله پایش سطوح آب‌های زیرزمینی و برآورد دقیق نوسانات آن‌ در دوره‌های پیش‌رو به‌خصوص در مناطق خشک و نیمه‌خشک ضرورت دارد. با توجه به قابلیت مدل‌های مبتنی بر هوش مصنوعی در مدل‌سازی پدیده‌های هیدرولوژیکی، در این پژوهش از مدل‌ درخت تصمیم M5P در ترکیب با تبدیل موجک به‌منظور پیش‌بینی نوسانات سطح آب‌زیرزمینی دشت کرمان- باغین استفاده شده است. جهت توسعه مدل ترکیبی موجک-درخت تصمیم (W-M5P)، خروجی‌های تبدیل موجک به‌عنوان ورودی بر M5P اعمال می‌شوند. برای ارزیابی کارایی مدل ترکیبی در مقایسه با مدل منفرد، از چندین معیار از جمله ضریب همبستگی (R)، شاخص توافق (Ia) و شاخص پراکندگی (SI) استفاده شد.‌ نتایج نشان داد، به‌رغم اینکه ورودی مدل ترکیبی، صرفاً داده‌های هواشناسی ایستگاه سینوپتیک بوده و از سطح آب در دوره‌های پیشین استفاده نشده، با این وجود WM5P کارایی بالایی در مدل‌سازی نوسانات سطح آب‌زیرزمینی در مقایسه با مدل منفرد ارائه نموده است. به‌گونه‌ای که مدلWM5P برای افق پیش‌بینی سه ماه با موجکCoif4 و سطح تجزیه شش، مقدار SI را از 6394/0 به 0181/0 کاهش و هم‌زمان Ia را از 6898/0 به 9998/0 افزایش داده است. براین اساس، انتخاب موجک کویفلت با مرتبه 4 و سطوح تجزیه 5 و 6 در مدل ترکیبی، کاراترین مدل در برآورد سطح آب‌زیرزمینی دشت کرمان-باغین می‌باشد.
کلیدواژه‌های فارسی مقاله پیش‌پردازش داده، سطح ایستابی، مدل‌سازی، هوش مصنوعی، یادگیری ماشین،
عنوان انگلیسی Evaluating Decision Tree Efficiency in Combination with Wavelet Transform to Predict Groundwater Level Fluctuation
چکیده انگلیسی مقاله Accurate monitoring of groundwater levels and estimating their fluctuations in the future is of importance, especially in arid and semi-arid areas. regarding the high capabilities of AI-based models in the modeling of hydrologic phenomena, this research used the MP5 decision tree, in combination with the wavelet transform, to predict groundwater level fluctuations of the Kerman-Bagheyn plane. To develop the wavelet-decision tree (W-M5p) hybrid model, the wavelet transformation outputs were exported to the MP5 as inputs. Several statistical criteria, including coefficient of correlation (R), agreement index (Ia), and scattering index (SI), were used to evaluate the performance of the hybrid model compared to the single model. The results indicated that, even when the inputs of the hybrid model includes only the meteorological data from a synoptic station (the water level of previous periods were not used in the analysis), that the performance of the WM5P was superior to the single model in the prediction of groundwater fluctuations. The WM5P model with three months of forecast horizon with the Coif4 wavelet and decomposition level of 6 reduced the SI value from 0.6394 to 0.0181 and, at the same time, increased the Ia from 0.6898 to 0.9998. Consequently, the Coiflet4 with decomposition levels of 5 and 6 was the most efficient wavelet in the hybrid model for reliable estimation of the Kerman-Bagheyn plane groundwater level.
کلیدواژه‌های انگلیسی مقاله پیش‌پردازش داده, سطح ایستابی, مدل‌سازی, هوش مصنوعی, یادگیری ماشین
نویسندگان مقاله هانیه رستمی‌نژاد دولت‌آباد |
گروه مهندسی آب، دانشکده مهندسی عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

سجاد شهابی |
گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

محمدرضا مددی |
عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران.

نشانی اینترنتی https://idj.iaid.ir/article_173761_cd6a65deb4759e2a1de66c5a35ce89b0.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