این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جغرافیا و برنامه ریزی، جلد ۲۰، شماره ۵۸، صفحات ۲۸۱-۳۰۱
عنوان فارسی پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان)
چکیده فارسی مقاله نبود منابع آب سطحی دائمی در بسیاری از نقاط کشور باعث اضافه برداشت آب از منابع محدود زیرزمینی شده است. در دشت دوزدوزان که در حوضه آبریز دریاچه ارومیه قرار دارد، به­دلیل عدم جریان سطحی دائمی برداشت بی­رویه از منابع آب زیرزمینی باعث ایجاد متوسط افت 76 سانتی­متر در سال شده است. هدف از این تحقیق پیش­بینی سطح آب زیرزمینی در این دشت با استفاده از روش­های هوش مصنوعی و زمین آمار می­باشد. در ابتدا با استفاده از روش خوشه­بندی مرتبه­ای (HCA) پیزومترها دسته­بندی شدند. با انجام آنالیز حساسیت، داده­های ماهانه سطح آب، بارش و تبخیر هرکدام با یک تأخیر زمانی طی دوره 10 ساله (91-82) به­عنوان ورودی­های مدل انتخاب شدند. پس از نرمال­سازی داده­ها مدل­سازی با شبکه­های عصبی (ANNs) انجام شد. به منظور بررسی بیشتر شبیه­سازی با مدل فازی ساگنو (SFL) نیز انجام شد. برای مقایسه نتایج دو مدل شاخص­های آماری جذر میانگین مربعات خطا و ضریب تبیین به­کار گرفته شدند. با توجه به برتری مدل ANNs، مدل کریجینگ و کوکریجینگ عصبی برای پیش­بینی مکانی سطح ایستابی انتخاب شدند و پیش بینی مکانی با هر دو مدل انجام شد. نتایج نشان داد که مدل کوکریجینگ با در نظر گرفتن پارامتر ثانویه توپوگرافی نسبت به مدل کریجینگ پیش­بینی دقیق­تری داشته است. براساس نتایج به­دست آمده با افزایش بازه زمانی پیش بینی خطای مدل ترکیبی (کوکریجینگ عصبی) افزایش می­یابد که بیش­تر به­دلیل افزایش خطای مدل شبکه عصبی مصنوعی با افزاییش بازه زمانی پیش­بینی می­باشد و خطای مدل زمین آمار ( کوکریجینگ) نامحسوس به­نظر می­رسد. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Spatiotemporal Predicting of Groundwater Level Using Artificial Intelligence Models and Geostatistics Model (Case study: Duzduzan plain)
چکیده انگلیسی مقاله No permanent surface water resources in many parts of the country resulted in overdraft of limited underground water resources. Duzduzan plain is one of the UromiaLake sub basins. In this area, indiscriminate harvesting of groundwater resources has caused an average decline of 76 centimeters per year. The purpose of this research is Groundwater level spatiotemporal predicting using Artificial intelligence models and Geostatistics model. To predict the groundwater level in the duzduzan plain, initially the piezometera in the plain were classified. The groundwater level in each piezometers category were introduced as output for each of AI models and input of these models include a evaporation and a precipitation and grounwater level of the considered piezometers with one time delay (t0-1), respectively. Ann's model and Sugeno fuzzy (SF) model applied to predict groundwater level. The resulted values of Groundwater level were evaluated by statistical measures, includes root mean square error and correlation coefficient. The obtained results showed ANNs model has better performance. Then the result of ANNs model, including two year monthly groundwater level prediction data in selected piezometers, were used as inputs of geostatistics model (Kriging and Co Kriging) for predating spatially ground water level in the study area. Obtained results showed Co Kriging model has better performance. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عطاالله ندیری |
استادیار گروه علوم زمین ، دانشگاه تبریز.
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

کیوان نادری |
دانشجوی کارشناسی ارشد هیدروژئولوژی

اصغر اصغری مقدم | asghari moghaddam
استاد گروه زمین شناسی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

محمدحسن حبیبی | mohammad hassan
دانشجوی کارشناسی ارشد هیدروژئولوژی

نشانی اینترنتی http://geoplanning.tabrizu.ac.ir/article_5816_852.html
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/760/article-760-338433.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