دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات44
تعداد شماره‌ها1,302
تعداد مقالات16,018
تعداد مشاهده مقاله52,485,246
تعداد دریافت فایل اصل مقاله15,212,938
نصرالهی, علی حیدر, سبزواری, یاسر. (1401). تحلیل و ارزیابی مدلهای هیبریدی فراکاوشی در شبیه سازی سطح آب زیرزمینی. سامانه مدیریت نشریات علمی, 9(33), 167-149. doi: 10.22034/hyd.2022.53383.1656
علی حیدر نصرالهی; یاسر سبزواری. "تحلیل و ارزیابی مدلهای هیبریدی فراکاوشی در شبیه سازی سطح آب زیرزمینی". سامانه مدیریت نشریات علمی, 9, 33, 1401, 167-149. doi: 10.22034/hyd.2022.53383.1656
نصرالهی, علی حیدر, سبزواری, یاسر. (1401). 'تحلیل و ارزیابی مدلهای هیبریدی فراکاوشی در شبیه سازی سطح آب زیرزمینی', سامانه مدیریت نشریات علمی, 9(33), pp. 167-149. doi: 10.22034/hyd.2022.53383.1656
نصرالهی, علی حیدر, سبزواری, یاسر. تحلیل و ارزیابی مدلهای هیبریدی فراکاوشی در شبیه سازی سطح آب زیرزمینی. سامانه مدیریت نشریات علمی, 1401; 9(33): 167-149. doi: 10.22034/hyd.2022.53383.1656

تحلیل و ارزیابی مدلهای هیبریدی فراکاوشی در شبیه سازی سطح آب زیرزمینی

هیدروژئومورفولوژی
دوره 9، شماره 33، دی 1401، صفحه 167-149    اصل مقاله (1.56 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22034/hyd.2022.53383.1656
نویسندگان
علی حیدر نصرالهی* 1؛ یاسر سبزواری2
1استادیار آبیاری و زهکشی دانشگاه لرستان
2دانشجوی دکتری، گروه مهندسی آب، دانشگاه صنعتی اصفهان، اصفهان، ایران
چکیده
در این پژوهش به منظور شبیه سازی سطح آب زیر زمینی دشت خرم‌آباد عملکرد مدل‌های هیبریدی رگرسیون بردار پشتیبان-موجک، رگرسیون بردار پشتیبان خفاش، رگرسیون بردار پشتیبان- گرگ خاکستری برای چهار چاه پیزومتری سراب پرده، ناصروند، سالی و پل بابا حسین که دارای آمار همگن و فاقد داده‌های مفقود بودند انجام شد. جهت مدلسازی، پارامترهای بارش (P)، دما (T) و سطح آب زیرزمینی (H) و برداشت از منابع آب (q) در مقیاس ماهانه بعنوان ورودی مدل‌ها در طی دوره آماری 1400-1380 به کار برده شد. لازم به ذکر است جهت مدلسازی 80 درصد داده ها برای آموزش و 20 درصد باقی مانده جهت تست، بصورت تصادفی، که گستره وسیعی از انواع داده ها را پوشش دهد، انتخاب شد. معیارهای ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب نش ساتکلیف (NS) برای ارزیابی و نیز مقایسه عملکرد مدل‌ها مورد استفاده قرار گرفت. نتایج نشان داد ساختار ترکیبی در کلیه مدل‌های مورد بررسی عملکرد بهتری نسبت به سایر ساختارها ارائه می‌دهد. همچنین نتایج نشان داد مدل رگرسیون بردار پشتیبان موجک طبق شاخص‌های ارزیابی، در چاه پیزومتری سراب پرده دارای مقادیر R=0.978، RMSE=0.221 m، MAE=0.011 m،0.985 NS= و نیز در چاه پیزومتری ناصروند دارای مقادیر R=0.981، RMSE=0.168 m، MAE=0.008 m،0.991 NS= و همچنین چاه پیزومتری سالی دارای مقادیر R=0.980، RMSE=0.186 m، MAE=0.010 m،0.986 NS= و در نهایت چاه پیزومتری پل بابا حسین دارای مقادیر R=0.985، RMSE=0.101 m، MAE=0.007 m،0.995 NS= می باشد، نسبت به سایر مدل‌ها از توانایی مطلوبی برخوردار است.
کلیدواژه‌ها
افت منابع آب؛ خرم‌آباد؛ شبیه سازی؛ مدل هیبریدی؛ دشت خرمآباد
سایر فایل های مرتبط با مقاله
مراجع
  1. Baba Ali, H.R. (2021). Simulating the underground water level of the Selesh plain of Lorestan province using modern meta-exploration algorithms. Hydrogeomorphology, 8(28), 145-162. doi: 10.22034/hyd.2021.47162.1598. (in Farsi)
  2. Bahmani, R., & Ouarda, T. B. (2021). Groundwater level modeling with hybrid artificial intelligence techniques. Journal of Hydrology, 595, 125659.‏
  3. Basak, D., Pal, S., & Patranabis, D.C. (2007). Support vector regression. Neural Inf Process, 11(2), 203-225.
  4. Dehghani, R., & Poudeh, H. T. (2021). Applying hybrid artificial algorithms to the estimation of river flow: a case study of Karkheh catchment area. Arabian Journal of Geosciences, 14(9), 1-19.‏
  5. Hamel, L. H. (2011). Knowledge discovery with support vector machines. John Wiley & Sons.‏
  6. Heydari, A. & Jabari, I. (2021). Simulating Marvdasht underground water level and checking forecasting scenarios using MODFLOW mathematical code. Hydrogeomorphology, 8(29), 172-149. doi: 10.22034/hyd.2022.49139.1612. (in Farsi)
  7. Kisi, O., Karahan, M. E., & Şen, Z. (2006). River suspended sediment modelling using a fuzzy logic approach. Hydrological Processes: An International Journal, 20(20), 4351-4362.‏
  8. Lam, Q. D., Meon, G., & Pätsch, M. (2021). Coupled modelling approach to assess effects of climate change on a coastal groundwater system. Groundwater for Sustainable Development, 14, 100633.‏
  9. Misra, D., Oommen, T., Agarwal, A., Mishra, S. K., & Thompson, A. M. (2009). Application and analysis of support vector machine-based simulation for runoff and sediment yield. Biosystems engineering, 103(4), 527-535.‏
  10. Moravej, M., Amani, P., & Hosseini-Moghari, S. M. (2020). Groundwater level simulation and forecasting using interior search algorithm-least square support vector regression (ISA-LSSVR). Groundwater for Sustainable Development, 11, 100447.‏
  11. Nagy, H. M., Watanabe, K. A. N. D., & Hirano, M. (2002). Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulic Engineering, 128(6), 588-595.‏
  12. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66.‏
  13. Saranya, M. P., & Amudha, T. (2014, December). Optimized block assignment for disaster inspection problem using bat metaheuristics. In 2014 IEEE International Conference on Computational Intelligence and Computing Research (pp. 1-4). IEEE.‏
  14. Saidi, M., Kamasi, M. & Hasanpour, S. (2021). Finding the potential of underground water resources using the integrated approach of AHP and Fuzzy Topsis (case study: Silakhor Plain). Hydrogeomorphology, 8(26), 59-41. doi: 10.22034/hyd.2021.37835.1548. (in Farsi)
  15. Shin, K. S., Lee, T. S., & Kim, H. J. (2005). An application of support vector machines in bankruptcy prediction model. Expert systems with applications, 28(1), 127-135.‏
  16. Torabi Podeh, H, Nasrolahi, A. H. & Dehghani, R. (2021). Evaluation of wavelet neural network model in predicting underground water resources (case study: Lorestan province, Iran). Hydrogeology, 6(1), 1-12. doi: 10.22034/hydro.2021.9403
  17. Vapnik, V., and Chervonenkis, A. (1991). The necessary and sufficient conditions for consistency in the empirical risk minimization method, Pattern Recognition and Image Analysis,1(3), 283-305.
  18. Vapnik, V.N. (1995). The Nature of Statistical Learning Theory. Springer, New York
  19. Vapnik, V.N. (1998). Statistical learning theory. Wiley, New York
  20. Wang, D., Safavi, A.A., and  Romagnoli, J.A.(2000).  Wavelet-based adaptive robust M-estimator for non-linear system identification, AIChE Journal, 46(4), 1607-1615.
  21. Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., and Lee, K.K. (2011). A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrol, 396(4),128–138
  22. Zamuda, A., Brest, J., & Mezura-Montes, E. (2013, June). Structured population size reduction differential evolution with multiple mutation strategies on CEC 2013 real parameter optimization. In 2013 IEEE congress on evolutionary computation(pp. 1925-1931). IEEE.‏
  23. Ziyai, S., Esmali, A., Mostafazadeh, R. & Ghorbani, O. (2021). Investigating the effective factors on changes in the underground water level and aquifer drop in Ardabil plain. Hydrogeomorphology, 8(28), 127-143. doi: 10.22034/hyd.2021.46333.1590
آمار
تعداد مشاهده مقاله: 334
تعداد دریافت فایل اصل مقاله: 269


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب