تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,116 |
تعداد دریافت فایل اصل مقاله | 15,624,794 |
پیش بینی کیفیت آب زیرزمینی دشت خانمیرزا برای مصارف کشاورزی با استفاده از روش تصمیم گیری درختی | ||
هیدروژئولوژی | ||
مقاله 8، دوره 3، شماره 1، شهریور 1397، صفحه 99-110 اصل مقاله (1.02 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hydro.2018.5568 | ||
نویسندگان | ||
زهرا حسنی1؛ رسول میرعباسی نجف آبادی* 2؛ احمدرضا قاسمی3 | ||
1کارشناسی ارشد مهندسی منابع آب، دانشگاه شهرکرد. | ||
2استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه شهرکرد. | ||
3استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه شهرکرد | ||
چکیده | ||
آب زیرزمینی یکی از منابع مهم برای کشاورزی، شرب و صنعت در مناطق خشک و نیمهخشک بهشمار میرود. بنابراین، مطالعه و مدیریت این منابع ارزشمند امری حیاتی میباشد. به دلیل اینکه پایش و بررسی کیفیت آبهای زیرزمینی نیازمند صرف زمان و هزینه زیاد است، بنابراین یافتن روشی که بتوان با استفاده از آن و با تعداد پارامتر هیدروشیمیایی محدود، طبقه کیفیت آب را پیشبینی نمود، موجب صرفهجویی در زمان و هزینه خواهد شد. هدف از این مطالعه، پیشبینی طبقه کیفی آب زیرزمینی دشت خانمیرزا بر اساس دیاگرام USSL با استفاده از روش تصمیمگیری درختی میباشد. پارامترهای شیمیایی آب و همچنین بارش ماهانه و تجمعی به عنوان ورودیهای مدل استفاده شدند.بدین منظور از دادههای کیفی 19 حلقه چاه واقع در این دشت، در بازه زمانی 90-1370 استفاده شد.نتایج بهدست آمده از مدل نشان داد روش تصمیمگیری درختی قادر است تنها با استفاده از 4 پارامتر هیدروشیمیایی (EC، Na، SAR و Cation) طبقه کیفیت آب را با دقت بسیار بالایی تعیین نماید.به عبارت دیگر، برای تشخیص کلاس کیفیت آب دشت خانمیرزا در آینده، اندازهگیری این چهار پارامتر کافی میباشد که این مسئله باعث کاهش قابل توجه هزینهها و زمان تحلیل آزمایشها میگردد. | ||
کلیدواژهها | ||
دشت خانمیرزا؛ دیاگرام USSL؛ روش تصمیم گیری درختی؛ کیفیت آب؛ مصارف کشاورزی | ||
مراجع | ||
ثاقبیان، م. ستاری، م. ت. و میرعباسی نجفآبادی، ر.1392. طبقهبندی کیفیت آب زیرزمینی آبخوان دشت اردبیل با استفاده از روش تصمیمگیری درختی، گزارش طرح تحقیقاتی، دانشگاه آزاد اسلامی واحد اهر. ظهیری، ع. و قربانی، خ. 1392. شبیهسازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیمM5 1 . نشریه پژوهشهای حفاظت آب و خاک، 20(3): 113-132. محجوبی، ع. و تجریشی، م. 1389. مقایسه عملکرد الگوریتمهای شبکه عصبی مصنوعی و درختان تصمیمگیری در پیشبینی تغییرات شوری آب رودخانهها (مطالعه موردی: رودخانه کارون)،چهارمین همایش تخصصی مهندسی محیط زیست، 10-11 آبان، دانشکده محیطزیست دانشگاه تهران، تهران. Akyildz, I.F. Su, W. Sankarasubramaniam, Y. Cayirci, E. 2002. Wireless sensor networks: a survey, Computer Networks, 38: 393-422. Eisenberg, J.N.S. and Mc Kone, T.E. 1998. Decision tree method for the classification of chemical pollutants: incorporation of across-chemical variability and within-chemical uncertainty, Environmental Science and Technology, 32: 3396-3404. Litaor, M.I. Brielmann, H. Reichmann, O. and Shenker, M. 2010. Hydrochemical analysis of groundwater using a tree-based model. Journal of Hydrology 387: 273–282. Quinlan, J.R. 1993. C4.5 Programs for machine learning, Morgan, Kaufmann, San Mateo, California. Quinlan, J.R. 2000. Data mining tools See5 and C5.0 [cited Feb 2012]. Available from http://www.rulequest.com/see5-info.html. Rasekh, A. and Brumbelow, K. 2014. Drinking water distribution systems contamination management to reduce public health impacts and system service interruptions. Journal Environmental Modelling & Software, 51: 12-25. Saghebian, S.M. Sattari, M.T. Mirabbasi, R. Pal, M. 2014. Ground water quality classification by decision tree method in Ardebil region, Iran, Arabian Journal of Geosciences, 7: 4746-4777. Sattari, M.T., Mahesh P. and Apaydin, H. 2013. M5 model tree application in Daily River flow forecasting in Sohu Stream, Turkey, Water Resources, 4(3): 233-242. Spruill, T.B. Showers, W.J. and Howe, S.S. 2002. Application of classification tree methods to identify nitrate sources in ground water. Environmental Quality, 31: 1538–1549. Tapak, L. Rahmani, A.R. and Moghimbeigi, A. 2014. Prediction the groundwater level of Hamadan-Bahar Plain, west of Iran using Support Vector Machines, Journal of Research in Health Sciences, 14(1): 81-86. Witten, I.H. Frank, E. 2005. Data Mining: Practical Machine Learning Tools and Techniques, Second edition, Elsevier: San Francisco, ISBN 0-12-088407-0. | ||
آمار تعداد مشاهده مقاله: 959 تعداد دریافت فایل اصل مقاله: 518 |