این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۲۱، شماره ۱، صفحات ۱-۱۸
عنوان فارسی پیش‌بینی سطح آب زیرزمینی با استفاده از مدل یادگیری عمیق شبکه عصبی کانولوشنی (CNN): محدوده مطالعاتی سیدان- فاروق
چکیده فارسی مقاله آب زیرزمینی به‌عنوان یکی از منابع حیاتی برای تأمین نیازهای انسانی، کشاورزی، صنعتی و محیط‌زیستی، نقش مهمی در مدیریت منابع آبی ایفا می‌کند. با توجه به چالش‌های روزافزون در مدیریت منابع آب، پیش‌بینی دقیق سطح آب زیرزمینی، اهمیت بسیاری در بهره‌برداری پایدار از این منابع دارد. در این تحقیق، از مدل یادگیری عمیق شبکه عصبی کانولوشنی (CNN) برای پیش‌بینی سطح آب زیرزمینی در منطقه سیدان-فاروق در حوضه آبریز طشک بختگان مهارلو، استان فارس استفاده شده است. مدل پیشنهادی از داده‌های هواشناسی شامل بارش، دما، تبخیر تعرق و داده‌های تاریخی سطح آب زیرزمینی به‌عنوان ورودی استفاده می‌کند. نتایج نشان می‌دهد که افزودن داده‌های سطح آب زیرزمینی گذشته (با تأخیر یک ماهه) به مدل، دقت پیش‌بینی را افزایش داده است. در سناریوی اول، مدل با استفاده از پارامترهای هواشناسی به مقادیر نش 99/0 و ضریب تعیین 98/0 دست یافت. در سناریوی دوم که داده‌های تاریخی سطح آب زیرزمینی اضافه شد، مقدار RMSE از 49/0 متر به 35/0 متر کاهش یافته و شاخص پایداری مدل (PI) از 6/0 به 8/0 افزایش یافته است. همچنین تحلیل خطا و دقت مدل به‌طور فصلی و ماهانه نشان می‌دهد که سناریوی دوم عملکرد بهتری را نسبت به سناریوی اول داشته است. این نتایج نشان‌دهنده توانایی بالای مدل در شبیه‌سازی تغییرات زمانی سطح آب زیرزمینی و نوسانات فصلی آن است. این رویکرد می‌تواند به‌عنوان ابزاری مؤثر برای مدیریت منابع آب زیرزمینی در مناطقی که با کمبود داده‌های مشاهداتی مواجه هستند، مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله آب زیرزمینی،مدل‌سازی آب زیرزمینی،پیش‌بینی سطح آب زیرزمینی،یادگیری عمیق،شبکه عصبی کانولوشنی،
عنوان انگلیسی Groundwater Level Forecasting using a Deep Learning Convolutional Neural Network (CNN) Model: Seidan-Farooq Study Area
چکیده انگلیسی مقاله Groundwater, as one of the vital resources for meeting human, agricultural, industrial, and environmental needs, plays a key role in water resource management. Given the increasing challenges in water resource management, accurate forecasting of groundwater levels is crucial for the sustainable utilization of these resources. In this study, a deep learning model using Convolutional Neural Networks (CNN) is applied to forecast groundwater levels in the Seidan-Farooq area within the Tashk Bakhtegan Maharloo basin, Fars province. The proposed model uses meteorological data, including precipitation, temperature, evapotranspiration, and historical groundwater level data as inputs. The results show that incorporating past groundwater levels (with a one-month lag) into the model has increased forecasting accuracy. In the first scenario, the model achieved a Nash-Sutcliffe efficiency (NSE) of 0.99 and a coefficient of determination (R²) of 0.98 using meteorological parameters. In the second scenario, where historical groundwater data was added, the RMSE decreased from 0.49 to 0.35 meters, and the model's stability index (PI) increased from 0.6 to 0.8. Additionally, error analysis and model accuracy on a seasonal and monthly basis indicate that the second scenario outperforms the first. These results demonstrate the model's high capability in simulating temporal changes and seasonal fluctuations in groundwater levels. This approach can serve as an effective tool for managing groundwater resources in regions facing a scarcity of observational data.
کلیدواژه‌های انگلیسی مقاله آب زیرزمینی,مدل‌سازی آب زیرزمینی,پیش‌بینی سطح آب زیرزمینی,یادگیری عمیق,شبکه عصبی کانولوشنی
نویسندگان مقاله محمدجواد آقایی |
گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران

حامد کتابچی |
گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران

نشانی اینترنتی https://www.iwrr.ir/article_215396_3605be55118d484c34308197fc242463.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