آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 731 |
| تعداد مقالات | 7,952 |
| تعداد مشاهده مقاله | 9,724,326 |
| تعداد دریافت فایل اصل مقاله | 9,195,443 |
مقایسه مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره در پیش‌بینی تغییرات سطح آب زیرزمینی | ||
| هیدروژئولوژی | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 18 آبان 1397 | ||
| نوع مقاله: Research Paper | ||
| نویسندگان | ||
نادیا شهرکی1؛ محبوبه یونسی1؛ عبدالله طاهری تیزرو  2
| ||
| 1دانشجوی دکتری رشته مهندسی منابع آب، گروه مهندسی علوم آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران | ||
| 2همدان دانشگاه بوعلی سینا دانشکده کشاورزی کروه مهندسی آب | ||
| چکیده | ||
| پیش‌بینی نوسانات سطح آب زیرزمینی، جهت برنامه‌ریزی در مناطق خشک و نیمه خشک امری ضروری است. در این مطالعه برای پیش‌بینی نوسانات سطح آب زیرزمینی دو پیزومتر واقع در دشت کرمان از مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره استفاده شد. برای دستیابی به این منظور از عمق آب زیرزمینی ماهانه پیزومترهای مذکور طی سال‌های 1392-1381 استفاده گردید. نتایج بررسی حالت‌های مختلف مدل آریما نشان داد که مدل آریما (1و1و0) و (2و0و2) برای پیزومتر جنوب باغین و مدل آریما (1و1و1) و (0و0و2) برای پیزومتر اراضی فرودگاه بهترین برازش را با داده‌ها داشت. در مدل شبکه عصبی مصنوعی MLP و RBF به ترتیب MLP با 2 و 4 لایه پنهان و RBF با 8 و 10 لایه پنهان برای پیزومترهای جنوب باغین و اراضی فرودگاه بهترین برازش را با داده ها داشته اند. در مدلسازی با روش رگرسیون خطی چندمتغیره، برای هر دو پیزومتر بهترین روابط مدل رگرسیون خطی چندمتغیره به دست آمده نشان می‌دهد که رابطة رگرسیون خطی چندمتغیره عمق آب زیرزمینی ماه فعلی تابعی از عمق آب زیرزمینی یک ماه قبل است؛ به عبارت دیگر عمق آب زیرزمینی، بیشترین وابستگی را به عمق آب زیرزمینی ماه قبل دارد. نتایج آزمون معیار خطا و مقایسه مقادیر پیش‌بینی مدل‌های MLP، RBF ، ARIMA، و مدل رگرسیون خطی چند متغیره با مقادیر واقعی پیزومترهانشان داد، که پیش‌بینی عمق آب زیرزمینی به وسیله مدل رگرسیون خطی چندمتغیره بهتر از دو مدل شبکه عصبی و آریما است. | ||
| کلیدواژه‌ها | ||
| آریما؛ اراضی فرودگاه؛ جنوب باغین؛ رگرسیون خطی چندمتغیره؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Comparison of ARIMA Time Series, Multi Linear Regression and Artificial Neural Network Model for Prediction of the Variations of Groundwater Level | ||
| نویسندگان [English] | ||
| Nadia Shahraki1؛ Mahboobeh Younesi1؛ | ||
| 1Ph.D. Student on Water Resources Engineering, Department of Science and Water Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran | ||
| 2Dept. if water engineering, College of Agriculture. Hamedan, Iran | ||
| چکیده [English] | ||
| Prediction of groundwater level fluctuations is an essential for planning in arid and semi-arid regions. In this study, artificial neural network models, ARIMA time series and multivariate linear regression models were used to predict groundwater fluctuations of two piezometers located in Kerman plain. In order to achieve this goal, the depth of groundwater of the monthly piezometers was used during the years 2002-2013. The results of studying different models of ARIMA model showed that the ARIMA (0,1,1) and (2,0,2) for south Baghin piezometer and ARIMA (1,1,1) and (2,0,0) for Airport areas piezometer are the best-fit time series model with the data. In the model of MLP and RBF artificial neural network, MLP with 2 and 4 layers of hidden and RBF with 8 and 10 hidden layers for southern Baghin piezometers and the airport areas have the best fit with the data. In multivariate linear regression modeling, for each of the two piezometers, the best correlations of the multivariable linear regression model show that the multivariate linear regression relationship of groundwater depth of the current month is a function of groundwater depth of one month prior; in other words, the depth of water the ground water level has the highest dependence on groundwater depth of its prior month. The results showed that prediction of groundwater depth by multivariate linear regression model is better than Neural Network and ARIMA model. | ||
| کلیدواژه‌ها [English] | ||
| Airport lands, ARIMA, Multi Linear Regression, Neural network, South Baghin | ||
|
آمار تعداد مشاهده مقاله: 51 |
||
