آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,184 |
| تعداد مقالات | 14,553 |
| تعداد مشاهده مقاله | 49,929,949 |
| تعداد دریافت فایل اصل مقاله | 13,135,885 |
پیش بینی و پهنه بندی کیفیت آب زیرزمینی با استفاده از مدل های سیستم اطلاعات جغرافیایی (GIS) و روش های یادگیری ماشین (مطالعه موردی: دشت زاهدان) | ||
| هیدروژئولوژی | ||
| دوره 7، شماره 2، اسفند 1401، صفحه 43-60 اصل مقاله (1.58 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2022.48571.1250 | ||
| نویسندگان | ||
| هژیر علیمرادی1؛ عین اله روحی مقدم2؛ مهسا خالقی* 3؛ ابوالفضل بامری4 | ||
| 1دانشجوی کارشناسی ارشد، گروه مرتع و آبخیزداری، دانشکده آب و خاک، دانشگاه زابل، سیستان و بلوچستان، ایران. | ||
| 2دانشیار، گروه مرتع و آبخیزداری، دانشکده آب و خاک، دانشگاه زابل، سیستان و بلوچستان، ایران. | ||
| 3دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل، سیستان و بلوچستان، ایران. | ||
| 4مربی، گروه مهندسی علوم خاک، دانشکده آب و خاک، دانشگاه زابل، سیستان و بلوچستان، ایران. | ||
| چکیده | ||
| روند صعودی جمعیت در چند دهه اخیر، محدودیت منابع آب و بهرهبرداری بیش ازحد از سفرههای زیرزمینی باعث به بارآمدن خسارات غیرقابل جبران کمی و کیفی به آبخوانهای کشور شده است. در تحقیق حاضر مدلهای سیستم اطلاعات جغرافیایی (GIS) و تکنیکهای یادگیری ماشین (ML) با استفاده از متغیرهای کیفی قابل دسترس به منظور پیشبینی و پهنهبندی شوری و SAR آب زیرزمینی و مقایسه دقت روشهای مذکور در محدودهی دشت زاهدان مورد ارزیابی قرار گرفت. دادههای ورودی بر اساس نمونهبرداریهای کیفیت آب در سال آبی 1397 از 59 حلقه چاه مشاهداتی بود. بررسی پارامترها نشان داد که در دشت زاهدان، پارامترهای EC، SAR و TDS دارای تغییرپذیری زیاد (41%CV> ) و اسیدیته دارای تغییرپذیری کم (16/4 %CV= ) میباشد. نتایج تحلیلهای زمینآماری نشان داد که برای پارامترهای TDS و EC مدل IDW با توان دو و برای پارامترهای pH و SAR روش کریجینگ معمولی با حداقل RMSE بهترین نتیجه را در مرحله آزمون ارائه داد. ارزیابی عملکرد مدلهای یادگیری ماشین نشان داد که هر سه مدل RF، ANN و SVM با کسب R2 بالای 90 درصد و مقادیر NRMSE زیر 15 درصد برای همه پارامترها (به استثنای اسیدیته) نتایج قابلقبولی از خود نشان دادند. هرچند در مرحله آموزش تخمینهای بهتری نسبت به مرحله آزمون مشاهده شد. مقایسه مدلهای مختلف GIS و یادگیری ماشین نیز حاکی از برتری قابلتوجه مدلهای یادگیری ماشین در تخمین پارامترهای مورد بررسی میباشد. درنهایت میتوان نتیجه گرفت که در شرایط نبود امکانات برای بررسی میدانی کیفیت آب زیرزمینی، روشهای دادهمحور جایگزین قابل اطمینانی برای پایش کیفی آب میباشد. | ||
| کلیدواژه‌ها | ||
| پایش منابع آب؛ جنگل تصادفی؛ دادهکاوی؛ سیستان و بلوچستان؛ هدایت الکتریکی | ||
| مراجع | ||
|
ادیب، آ. و زمانی، ر.، 1394. بررسی تغییرات مکانی شاخصهای کیفی آب زیرزمینی دشت دزفول با استفاده از زمین آمار، مجله مهندسی منابع آب، 8(27): 12-1.
امیدوار، ک.، شفیعی، ش.، تقی زاده، ز.، و علی پور، م.، 1393. ارزیابی کارایی مدل درخت تصمیم در پیشبینی بارش ایستگاه سینوپتیک کرمانشاه، نشریه تحقیقات کاربردی علوم جغرافیایی، 34(3): 110-89.
بامری، ا.، پیری، ح.، و گنجی، ف.، 1394. ارزیابی آلودگی آبهای زیرزمینی دشت بجستان جهت مصارف کشاورزی با استفاده از روش کریجینگ شاخص. مجله پژوهشهای حفاظت آب و خاک، 22(1): 229-211.
پورقاسمی، ح.، ذبیحی، م. و بهزادفر، م.، 1394. تهیه نقشه پتانسیل آب زیرزمینی با استفاده از مدلهای انتروپی شانون و جنگل تصادفی دردشت بجنورد. مجله اکوهیدرولوژی، 2(2): 232-221.
جهانشاهی، 1.، روحی مقدم، ع.، و دهواری، ع.ح.، 1393. ارزیابی پارامترهای کیفی آب زیرزمینی با استفاده از GIS و زمین آمار (مطالعه موردی: آبخوان دشت شهربابک). نشریه دانش آب و خاک، 24(2): 197-183.
حسنی، ز.، میرعباسی نجف آبادی، ر.، و قاسمی، ا.ر.، 1397. پیشبینی کیفیت آب زیرزمینی دشت خانمیرزا با استفاده از روش تصمیمگیری درختی. مجله هیدروژئولوژی، 3(1): 110-99.
حسنی‌پاک، ع.ا.، 1377. زمینآمار (ژئواستاتیستیک). انتشارات دانشگاه تهران. 306 ص.
حکمت نیا، م.، حسینی، س.م.، و صفدری، م.، 1399. مدیریت منابع آب کشاورزی استان سیستان و بلوچستان از دیدگاه آب مجازی. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 41(3): 149-137.
خسروی، ی.، زمانی، ع. ع.، و تکین، ف. ز.، 1398. تحلیل مکانی ویژگیهای فیزیکوشیمیایی آبهای زیرزمینی در جنوب وجنوبغربی حوضه آبریز دالکی استان بوشهر. مجله کاوش‌های جغرافیایی مناطق بیابانی، 7(2): 145-125.
دولت کردستانی، م.، نوحهگر، ا. و جانیزاده، س.، 1396. ارزیابی چند مدل هوش مصنوعی برای پیش بینی کیفیت آب زیرزمینی (مطالعۀ موردی: دشت گرو). مجله ی علمی-پژوهشی مهندسی اکوسیستم بیابان، 6(17): 42-27.
رخشاد، ا.م.، و شهیدی، ع.، 1400. عملکرد شش روش ترکیبی هوشمند در مدلسازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق. نشریه هیدروژئولوژی، 6(1): 139-126.
رستگارنیا، م.، و صنعتی، ع. 1395. تعیین واحدهای جریان هیدرولیکی با استفاه از روش جگل تصادفی برای یکی از مخازن نفتی ایران، ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز، 135: 59-55.
رضایی، م.، ثامنی، ع.م.، و فلاح شمسی، س.ر.، 1397. استفاده از روشهای پیشرفته یادگیری ماشین در پایش فرسایش بادی در جنوب ایران، نشریه پژوهشهای فرسایش محیطی، 8(1): 58-39.
روکی، ر.، آریافر، ا.، و عادلی نسب، ج.، 1396. بررسی کیفیت آب زیرزمینی آبخوان دشت گناباد خراسان رضوی با استفاده از روشهای آماری چندمتغیره و هوش مصنوعی، نشریه مهندسی منابع معدنی، 2(1): 61-49.
ریاحی، ف.، وقارفرد، ح.، دانشکار آراسته، پ.، و کاردان مقدم، ح.، 1399. ارزیابی پتانسیل منابع آب زیرزمینی با استفاده از ترکیب روشهای دادهکاوی (منطقه مورد مطالعه: دشت سرخون هرمزگان). نشریه حفاظت منابع آب و خاک، 9(3): 120-105.
زارع ابیانه، ح.، بیات ورکشی، م.، اخوان، س. و محمدی ، م.، 1390. تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکة عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیشبینی. نشریه محیط شناسی، 58: 140-129.
سیفی، ا.، میرلطیفی، س.م.، و ریاحی، ح.، 1392. معرفی و کاربرد ماشین بردار پشتیبان حداقل مربعات در برآورد تبخیر تعرق مرجع و تحلیل عدم قطعیت نتایج، مطالعه موردی شهر کرمان، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 13(3): 79-67.
صمدیان فرد، س.، و پناهی، س.، 1397. برآورد تبخیر- تعرق مرجع روزانه با استفاده از روشهای داده کاوی رگرسیون بردار پشتیبان و مدل درختی M5، پژوهشنامه مدیریت حوزه آبخیز، 9(18): 167-157.
طاهری تیزرو، ع.، نوابیان، م.، و بدخشان، آ.، 1395. کاربرد تکنیک زمین آمار برای ارزیابی کیفیت آب زیرزمینی دشت فومنات استان گیلان. نشریه هیدروژئولوژی، 1(1): 56-44.
عجمزاده، ع.، ملائی نیا، م.ر.، و قندهاری، ق.، 1396. مقایسه برخی از روشهای هوش مصنوعی در پیشبینی سریهای زمانی روزانه دمای حداقل، حداکثر و بارش ایستگاه سد تنگاب واقع در استان فارس. فصلنامه ی علمی-پژوهشی فضای جغرافیایی، 59(3): 228-205.
عربی یزدی، ا.، نیکنیا، ن.، مجیدی، ن.، و امامی، ح.، 1393. بررسی امنیت آبی در اقلیمهای خشک از دیدگاه شاخص رد پای آب (مطالعه موردی : استان خراسان جنوبی). نشریه آبیاری و زهکشی ایران، 8(4): 764-735.
عزیزپور، ع.، ایزدبخش، م.ع.، شعبانلو، س.، یوسفوند، ف.و رجبی، ا.، 1400. شبیهسازی تراز، کلر و بیکربنات آب زیرزمینی توسط ماشین آموزش ترکیبی. نشریه هیدروژئولوژی، 6(1): 113-99.
علی پور، ع.، رحیمی، ج.، و آذرنیوند، ع.، 1396. بررسی کیفیت آب زیرزمینی جهت مصارف شرب و کشاورزی-پیش نیازی برای برنامهریزی آمایش سرزمین در مناطق خشک و نیمه خشک ایران. نشریه مرتع و آبخیزداری (منابع طبیعی ایران)، 70(2): 434-423.
عیسی زاده، م.، بی آزار، س.م.، اشرف زاده، ا.، و خانجانی، ر.، 1398. تخمین پارامترهای کیفی آبخوان دشت گیلان با استفاده از آزمون گاما ومدلهای ماشین بردار پشتیبان و شبکه عصبی مصنوعی. فصلنامه علوم و تکنولوژی محیط زیست، 21(2):21-1.
عینلو، ف.، معافی رابری، ع.، ملکیان، آ.، قضاوی، ر.، و محسنی ساروی، م.، 1395. بررسی کیفیت آب زیرزمینی دشت زنجان از نظر استانداردهای شرب با استفاده از رویکرد زمین آمار، نشریه جغرافیا و برنامه ریزی محیطی، 62 (2): 16-1.
غضبان، ف. 1381. زمین‌شناسی زیست محیطی، چاپ اول، انتشارات دانشگاه تهران، ایران، 416 ص.
کلانتری، ن.، ایرانی اصل، ا.، و محمدی، ه.، 1401. بررسی کمی و کیفی آبخوان باغملک با استفاده از روش تحلیل آماری، روشهای هیدروشیمیایی و GIS. نشریه هیدروژئولوژی، 7 (1): 24-11.
محمدی، ص.، سلاجقه، ع.، مهدوی، م. و باقری، ر.، 1391. بررسی تغییرات مکانی و زمانی سطح آب زیرزمینی دشت کرمان با استفاده از روش زمین آماری مناسب (طی یک دوره آماری 10 ساله، 1375- 1385)، فصلنامه تحقیقات مرتع و بیابان ایران، 19(1): 71-60.
مدنی، ح.، 1373. مبانی زمینآمار، انتشارات دانشگاه امیر کبیر، 659 ص.
ملکیان، آ.، و میردشتوان، م.، 1394. بررسی کیفیت آب زیرزمینی جهت مصارف کشاورزی بر اساس تحلیلهای زمینآماری (مطالعة موردی: دشت هشتگرد استان البرز). مرتع و آبخیزداری، مجله منابع طبیعی ایران، 68(4): 820-809.
میرسنجری، م.م.، محمدیاری، ف.، بصیری، ر. و حمیدیپور، ف. 1396. مدلسازی پارامترهای کیفیEC ، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران). فصلنامه انسان و محیط زیست، 42(3): 12-1.
میرک زهی، خ.، شهریاری، ع.، پهلوان راد، م.ر.، و بامری، ا.، 1396. کاربرد روش درختان تصمیمگیری تصادفی در پیشبینی کلاسهای خاک در اراضی با پستی و بلندی کم (مطالعه موردی: شهرستان هیرمند)، نشریه پژوهش های حفاظت آب و خاک، 24(1): 84-67.
نوروزی، ح.، ندیری، ع.، اصغری مقدم، ا.، و قره خانی، م.، 1396. پیشبینی قابلیت انتقال آبخوان دشت ملکان با استفاده از روش جنگل تصادفی، نشریه دانش آب و خاک، 27(2): 75–61.
نیکبخت، ص.، و دلبری، م.، 1392. برآورد سطح ایستابی آبهای زیرزمینی با استفاده از روشهای زمینآماری (مطالعه موردی : دشت زاهدان)، نشریه آب و توسعه پایدار، 1(1): 56-49.
ولیزاده، خ.، روستایی، ش.، رحیمپور، ت.، و نخستین روحی، م.، 1395. تعیین مناسبترین روش زمین آمار در تهیهی تغییرات شوری آبهای زیرزمینی (مطالعه موردی: دشت شیرامین، استان آذربایجان شرقی). مجله هیدروژئومورفولوژی، 6(1): 32-17.
Ahmed, U., Mumtaz, R., Anwa, H., Shah, A.A., Irfan, R., and García-Nieto, J., 2019. Efficient Water Quality Prediction Using Supervised Machine Learning. Water, 11: 1-14. Antonopoulos, V. Z., Papamichail, D. M., and Mitsiou, K. A., 2001. Statistical and trend analysis of water quality and quantity data for the Strymon River in Greece. Hydrology and Earth System Sciences 5 (4): 679-691. Bameri, A., and Khaleghi, M., 2021. Monitoring and predicting the groundwater-level fluctuations for better management of groundwater resource in Lowlands Using Geographic Information System (GIS). Journal of Radar and Optic Remote Sensing, 4(2):7-16. Bameri, A., Khormali, F., Kiani, F., and Dehghani, A.A., 2015. Spatial variability of soil organic carbon in different hillslope positions in Toshan area, Golestan Province, Iran: geostatistical approaches. Journal of Mountain Science, 12(6): 1422-1433. Bui, D.T., Khosravi, K., Tiefenbacher, J., Nguyen, H., and Kazakis, N., 2020. Improving prediction of water quality indices using novel hybrid machine-learning algorithms, Science of the Total Environment, 721, 137612. Cambardella, C.A., Moorman, T.B., Parkin, T.B., Karlen, D.L., Novak, J.M., Turco, R.F., and Konopka, A.E., 1994. Field-scale variability of soil properties in central Iowa soils.Soil sci.Soc. Am. 58: 1501-1511. Dash, J.P., Sarangi, A., and Singh, D.K., 2010. Assessment of groundwater pollution in West Delhi, India using geostatistical approach. Environ Monit Assess. 167: 599-615. Delbari, M., Afrasiab, P., and Loiskandl, W., 2011. Geostatistical analysis of soil texture fractions on the field scale. Soil Water Research. 6: 173-189. El Bilali, A., and Taleb, A., 2020. Prediction of irrigation water quality parameters using machine learning models in a semi-arid environment. Journal of the Saudi Society of Agricultural Sciences, 19: 439–451. Granata, F., Papirio, S., Esposito, G., Gargano, R., and Marinis, G., 2017. Machine Learning Algorithms for the Forecasting of Wastewater Quality Indicators. Water, 9(105): 1-12. Haghiabi, A.H., Nasrolahi, A.H., and Parsaie, A., 2018. Water quality prediction using machine learning methods. Water Quality Research Journal, 53 (1): 3-13. Isaaks, E.H., and Srivastava, M.R., 1989. Applied Geostatistics. (No. 551.72 ISA). Kardam, A., Raj, K.R., Arora, J.K., and Srivastava, S., 2012. Artificial neural network modeling for biosorption of Pb (II) ions on nanocellulose fibers. Bionanoscience, 2: 153–160. Ma, W., Tan, K., and Du, P., 2016. Predicting soil heavy metal based on random forest model. International Geoscience and Remote Sensing Symposium (IGARSS): 4331-4334. Norouzi, H., Moghaddam, A.A., Nadiri, A.A. 2016. Investigation of Malikan Plain Groundwater’s Pollution to Arsenic. Journal of Ecohydrology. 5(3): 739-751. Rahmati, O., Pourghasemi, H.R., and Melesse, A.M., 2016. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: A case study at Mehran Region, Iran. Catena, 137: 360–372. Sarhadi, M., Nohtani, M., and Reiki, M., 2016. Effect of drought on qualitative and quantitative parameters of Zahedan plain aquifer. ECOPERSIA, 4(4): 1541-1554. Taheri-Tizro, A., Voudouris, K. and Vahedi, S., 2014. Spatial variation of groundwater quality parameters: a case study from a semiarid region of Iran. International Bulletin of Water Resources & Development, 1(3): 1-14. Wilding, L.P., Smeck, N. E., and Hall, G.F., 1983. Pedogenesis and soil taxonomy. I. Concepts and interactions. Elsevier Publishing Company, 303p. Zhu, Q., and Lin, H.S., 2010. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes. Pedosphere, 20(5): 594-606. Zhu, X., Wu, G., Coulon, F., Wu, L., and Chen, D., 2018. Correlating asphaltene dimerization with its molecular structure by potential of mean force calculation and data mining. Energy Fuel, 32: 5779–5788. | ||
|
آمار تعداد مشاهده مقاله: 1,029 تعداد دریافت فایل اصل مقاله: 332 |
||