تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,742 |
تعداد مشاهده مقاله | 51,851,354 |
تعداد دریافت فایل اصل مقاله | 14,681,980 |
شبیهسازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره | ||
هیدروژئولوژی | ||
مقاله 10، دوره 5، شماره 1، شهریور 1399، صفحه 118-133 اصل مقاله (1.61 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hydro.2020.10455 | ||
نویسندگان | ||
سامی قوردویی میلان1؛ ناصر آریاآذر2؛ سامان جوادی* 3؛ بابک رازدار4 | ||
1دانشگاه تهران | ||
2گروه مهندسی آبیاری و زهکشی، دانشگاه تبریز، تبریز | ||
3گروه آبیاری و زهکشی، پردیس ابوریحان دانشگاه تهران | ||
4گروه پایش منابع آب، پژوهشکده محیط زیست جهاد دانشگاهی، گیلان، رشت | ||
چکیده | ||
امروزه برای اجرای سناریوهای مدیریتی، انتخاب راهکارهای عملی مناسب در جهت مدیریت منابع آب زیرزمینی و همچنین تعیین نرخ مناسب برداشت از آب زیرزمینی نیازمند ساخت مدل سادهشدهای از آبخوان و شبیهسازی آن میباشد. نخستین اقدام در جهت مدیریت آب زیرزمینی، شبیهسازی تراز سطح آب زیرزمینی و سپس پیشبینی آن با توجه به عوامل مؤثر بر تراز سطح آب زیرزمینی است. ازاینرو در تحقیق حاضر، سعی شده است از سه مدل مختلف داده مبنا جهت شبیهسازی تراز سطح آب زیرزمینی استفاده گردد، تا کارایی مدل حداقل مربعات بردار پشتیبان نسبت به مدل رگرسیونی خطی چند متغیره و شبکه عصبی مقایسه گردد. رویکرد حاضر در آبخوان امامزاده جعفر در استان کهگیلویه و بویراحمد انجام شد. بدین منظور الگوهای مختلفی با ترکیب دادههای ورودی تراز سطح آب زیرزمینی در ماه قبل، بارش، دما، برداشت از آبخوان و تبخیر در ماه حاضر برای برآورد مقدار تراز سطح آب زیرزمینی در انتهای ماه بررسی تدوین گردید. طول دوره موردنظر 20 ساله شامل240 داده و در گام ماهانه از سال 1376 تا 1395 در نظر گرفته شد. از حدود 75 درصد دادهها برای آموزش مدل و 25 درصد جهت آزمون مدلها و انتخاب الگوی برتر از بین الگوهای مختلف استفاده گردید. نتایج نشان داد که هر سه مدل بکار رفته با دقت قابل قبولی قادر به شبیهسازی تراز سطح آب زیرزمینی هستند. از بین مدلها، مدل حداقل مربعات ماشین بردار پشتیبان با معیارهای ارزیابی RMSE، MAPE و ضریب تبیین برای بخش صحت سنجی به ترتیب برابر 61/0 متر، 069/0 و 99/0 برای الگوی با ترکیب پارامترهای تراز سطح آب زیرزمینی در انتهای ماه قبل، برداشت از آبخوان و بارندگی ماه موجود بهعنوان مدل برتر انتخاب گردید درنهایت از مدلهای مذکور میتوان بهعنوان جایگزین مدلهای عددی در جهت مدیریت و پیشبینی تراز سطح آب زیرزمینی استفاده کرد. | ||
کلیدواژهها | ||
آب زیرزمینی؛ آبخوان امامزاده جعفر؛ شبیه سازی آب زیرزمینی؛ MLR؛ LS-SVM | ||
مراجع | ||
باباعلی، حر، دهقانی، ر. 1396. مقایسه مدل های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش بینی سطح آب زیرزمینی، مجله هیدروژئولوژی، 2 (2)، 96-108. رضای، ا، خاشعی سیوکی، ع، و، شهیدی، ع. 1393. طراحی شبکه پایش سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-، SVM), تحقیقات آب و خاک ایران، (4)45، 389-396. سعیدی رضوی، ب، عرب، عر. 1397. پیشبینی سطح آب زیرزمینی با استفاده از مدلهای منطق فازی، شبکه عصبی و سری زمانی، مجله هیدروژئولوژی، (2) 3 ،61-83. گویلی،س، جوادی، س، بنی حبیب، م، ا، و، ثانی خانی، ه. 1397 مقایسه مدلهای هوشمند در پیشبینی نوسانات تراز سطح آب دریاچه زریوار با درنظرگیری تراز آب زیرزمینی. مجله تحقیقات منابع آب ایران، (3)14، 268-277. عینی، م ر، جوادی، س، دلاور، م، دارند، م. 1397. شناخت دقت پایگاه دادۀ ماهواره ای بارش PERSIANN-CDR در شبیه سازی رواناب مدل SWAT بر روی پهنۀ حوضۀ دریاچۀ مهارلو. پژوهشهای جغرافیای طبیعی 50 (3), 563-576. ندیری، عطاالله، طاهرخانی، ز، و، صادقی, ف. 1396. پیشبینی سطح آب زیرزمینی دشت بستانآباد با استفاده از ترکیب نظارت شده مدلهای هوش مصنوعی. مجله تحقیقات منابع آب ایران, 13(3), 43-55. نیکبخت، ج، و، نوری، س، 1395. پیشبینی تراز سطح آب زیرزمینی با کمک شبکههای موجک-عصبی (مطالعه موردی: دشت مراغه-آذربایجانشرقی).، مجله هیدروژئولوژی، (1)1، 29-43. Banihabib ME, Mousavi-Mirkalaei P. Extended linear and non-linear auto-regressive models for forecasting the urban water consumption of a fast-growing city in an arid region. Sustainable Cities and Society. 2019 Jul 1;48:101585.
Bouzerdoum, M., Mellit, A. and Pavan, A.M., 2013. A hybrid model (SARIMA–SVM) for short-term power forecasting of a small-scale grid-connected photovoltaic plant. Solar Energy, 98, pp.226-235.
Cawley, G.C. and Talbot, N.L., 2002. Improved sparse least-squares support vector machines. Neurocomputing, 48(1-4), pp.1025-1031.
Chang, J., Wang, G. and Mao, T., 2015. Simulation and prediction of suprapermafrost groundwater level variation in response to climate change using a neural network model. Journal of Hydrology, 529, pp.1211-1220.
Chang, J., Wang, G. and Mao, T., 2015. Simulation and prediction of suprapermafrost groundwater level variation in response to climate change using a neural network model. Journal of Hydrology, 529, pp.1211-1220.
Chen, L. H., Chen, C. T., & Pan, Y. G. 2009. Groundwater level prediction using SOM-RBFN multisite model. Journal of Hydrologic Engineering, 15(8), 624-631.
Cortes, C. and Vapnik, V., 1995. Support-vector networks. Machine learning, 20(3), pp.273-297.
Coulibaly, P., Anctil, F., Aravena, R. and Bobée, B., 2001. Artificial neural network modeling of water table depth fluctuations. Water resources research, 37(4), pp.885-896.
Emamgholizadeh, S., Moslemi, K. and Karami, G., 2014. Prediction the groundwater level of bastam plain (Iran) by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Water resources management, 28(15), pp.5433-5446.
Gestel, T.V., Suykens, J.A., Lanckriet, G., Lambrechts, A., Moor, B.D. and Vandewalle, J., 2002. Bayesian framework for least-squares support vector machine classifiers, Gaussian processes, and kernel Fisher discriminant analysis. Neural computation, 14(5), pp.1115-1147.
Guzman, S.M., Paz, J.O., Tagert, M.L.M. and Mercer, A.E., 2019. Evaluation of Seasonally Classified Inputs for the Prediction of Daily Groundwater Levels: NARX Networks Vs Support Vector Machines. Environmental Modeling & Assessment, 24(2), pp.223-234.
Haykin, S., 1994. Neural networks: a comprehensive foundation. Prentice Hall PTR.
Jalalkamali, A., Sedghi, H. and Manshouri, M., 2010. Monthly groundwater level prediction using ANN and neuro-fuzzy models: a case study on Kerman plain, Iran. Journal of hydroinformatics, 13(4), pp.867-876.
Khaki, M., Yusoff, I. and Islami, N., 2015. Simulation of groundwater level through artificial intelligence system. Environmental earth sciences, 73(12), pp.8357-8367.
Krishna, B., Satyaji Rao, Y.R. and Vijaya, T., 2008. Modelling groundwater levels in an urban coastal aquifer using artificial neural networks. Hydrological Processes: An International Journal, 22(8), pp.1180-1188.
Lippman, R.P., 1987. An introduction to computing with neural nets. iEEE ASSP Magazine. DeTienne et al./NEURAL NETWORKS AS STATISTICAL TOOLS, 263, pp.4-22.
Moghaddam, H.K., Moghaddam, H.K., Kivi, Z.R., Bahreinimotlagh, M. and Alizadeh, M.J., 2019. Developing comparative mathematic models, BN and ANN for forecasting of groundwater levels. Groundwater for Sustainable Development, 9, p.100237.
Milan, S. G., Roozbahani, A., & Banihabib, M. E. 2018. Fuzzy optimization model and fuzzy inference system for conjunctive use of surface and groundwater resources. Journal of hydrology, 566, 421-434.
Nadiri, A. A., Naderi, K., Khatibi, R., & Gharekhani, M., 2019. Modelling groundwater level variations by learning from multiple models using fuzzy logic. Hydrological sciences journal, 64(2), 210-226.
Nie, S., Bian, J., Wan, H., Sun, X. and Zhang, B., 2016. Simulation and uncertainty analysis for groundwater levels using radial basis function neural network and support vector machine models. Journal of Water Supply: Research and Technology—AQUA, 66(1), pp.15-24.
Nourani, Vahid, Asghar Asghari Mogaddam, and Ata Ollah Nadiri., 2008 An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes: An International Journal 22.26 5054-5066.
Nourani, V., Ejlali, R.G. and Alami, M.T., 2011. Spatiotemporal groundwater level forecasting in coastal aquifers by hybrid artificial neural network-geostatistics model: a case study. Environmental Engineering Science, 28(3), pp.217-228.
Ocampo-Duque, W., Ferre-Huguet, N., Domingo, J. L., & Schuhmacher, M. 2006. Assessing water quality in rivers with fuzzy inference systems: A case study. Environment International, 32(6), 733-742.
Rajaee, T., Ebrahimi, H., & Nourani, V. (2019). A review of the artificial intelligence methods in groundwater level modeling. Journal of hydrology.
Roozbahani, A., Ebrahimi, E., & Banihabib, M. E. 2018. A framework for ground water management based on bayesian network and MCDM techniques. Water resources management, 32(15), 4985-5005.
Sahoo S, Jha MK. Groundwater-level prediction using multiple linear regression and artificial neural network techniques: a comparative assessment. Hydrogeology Journal. 2013 Dec 1;21(8):1865-87.
Sreekanth, P.D., Sreedevi, P.D., Ahmed, S. and Geethanjali, N., 2011. Comparison of FFNN and ANFIS models for estimating groundwater level. Environmental Earth Sciences, 62(6), pp.1301-1310.
Suykens, J.A. and Vandewalle, J., 1999. Least squares support vector machine classifiers. Neural processing letters, 9(3), pp.293-300.
Wen, X., Feng, Q., Deo, R.C., Wu, M. and Si, J., 2016. Wavelet analysis–artificial neural network conjunction models for multi-scale monthly groundwater level predicting in an arid inland river basin, northwestern China. Hydrology Research, 48(6), pp.1710-1729.
Yoon, H., Hyun, Y., Ha, K., Lee, K.K. and Kim, G.B., 2016. A method to improve the stability and accuracy of ANN-and SVM-based time series models for long-term groundwater level predictions. Computers & geosciences, 90, pp.144-155.
Yu, H., Wen, X., Feng, Q., Deo, R.C., Si, J. and Wu, M., 2018. Comparative study of hybrid-wavelet artificial intelligence models for monthly groundwater depth forecasting in extreme arid regions, Northwest China. Water resources management, 32(1), pp.301-323.
Zyoud, S. H., Kaufmann, L. G., Shaheen, H., Samhan, S., & Fuchs-Hanusch, D. 2016. A framework for water loss management in developing countries under fuzzy environment: Integration of Fuzzy AHP with Fuzzy TOPSIS. Expert Systems with Applications, 61, 86-105. | ||
آمار تعداد مشاهده مقاله: 949 تعداد دریافت فایل اصل مقاله: 500 |