تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,599 |
تعداد دریافت فایل اصل مقاله | 15,213,685 |
پیشبینی قابلیت انتقال آبخوان دشت ملکان با استفاده از روش جنگل تصادفی | ||
دانش آب و خاک | ||
مقاله 5، دوره 27، شماره 2، مرداد 1396، صفحه 61-75 اصل مقاله (708.8 K) | ||
نویسندگان | ||
حسین نوروزی1؛ عطاء الله ندیری* 2؛ اصغر اصغری مقدم3؛ مریم قره خانی4 | ||
1- کارشناسی ارشد هیدروژئولوژی، دانشکده علوم طبیعی، دانشگاه تبریز | ||
2استادیار گروه زمین شناسی دانشگاه تبریز | ||
3دانشگاه تبریر، دانشکده علوم طبیعی، گروه علوم زمین | ||
4دانشگاه ایران | ||
چکیده | ||
قابلیت انتقال یکی از پارامترهای مهم در شناسایی خصوصیات آبخوانها میباشد و بهدست آوردن مقادیر و چگونگی توزیع آن توسط مدلسازی، برای مدیریت آبخوانها ضروری بهنظر میرسد. برآورد این پارامتر با استفاده از آزمایشات صحرایی مانند آزمایش پمپاژ بسیار پرهزینه و وقتگیر است. برای مدیریت مناسب آبخوان دشت ملکان که یکی از قطبهای کشاورزی شمالغرب کشور میباشد شناخت پارامترهای هیدروژئولوژیکی، خصوصاً قابلیت انتقال امری لازم و ضروری میباشد. در مطالعه حاضر روش جنگل تصادفی (RF) که یک روش یادگیری مبتنی بر دستهای از درختهای تصمیم است، برای پیشبینی قابلیت انتقال آبخوان پیشنهاد شده که تاکنون در این زمینه مورد استفاده قرار نگرفته است. روش RF نسبت به روشهای دیگر دارای مزایایی مانند دقت پیشبینی بالا، توانایی در یادگیری روابط غیرخطی، توانایی بالا در تعیین متغیرهای مهم در پیشبینی و ماهیت غیر پارامتری میباشد. در مدل RF بهدلیل اینکه با افزایش درختها میزان خطا کاهش مییابد، بنابراین تعداد 500 درخت برای فراخوانی مدل استفاده شد و پس از اجرای مدل نتایج مدل بهوسیله برآورد خطای خارج از کیسه (OOB) ارزیابی گردید و علاوه بر این، برای کاهش ابعاد و افزایش دقت و قابل تفسیر بودن مدل، روش انتخاب ویژگیFS)) بهکار برده شد و متغیرهای مهم در پیشبینی نیز شناسایی گردید. بر اساس نتایج مدلسازی با RF مقادیر MSE و AUC بهترتیب برابر با 036/0 و 96/0، متغیرهای هدایت الکتریکی، محیط آبخوان و گرادیان هیدرولیکی بهترتیب بهعنوان پارامترهای مهم و تأثیرگذار در پیشبینی قابلیت انتقال شناسایی شدند. همچنین نتایج قابل قبول مدل RF در پیشبینی قابلیت انتقال و تعیین پارامترهای مهم در پیشبینی، نشان از مزایای مدل ارائهشده نسبت به سایر مدلها در بحث پیشبینی، میباشد. | ||
کلیدواژهها | ||
آبخوان؛ جنگل تصادفی؛ درخت تصمیم؛ دشت ملکان؛ قابلیت انتقال | ||
مراجع | ||
اصغری مقدم الف، 1389. اصول شناخت آبهای زیرزمینی. انتشارات دانشگاه تبریز. علوی نائینی م و شهرابی م، 1358. نقشه زمینشناسی مراغه، مقیاس 1:100000، سازمان زمینشناسی و اکتشاف معدن کشور. تهران. بینام، 1385. تهیه بیلان و چرخه آب در محدوده مطالعاتی ملکان.شرکت آب منظقهای آذربایجانشرقی، تبریز. ندیری ع، اصغری مقدم ا، عبقری ه، کلانتری اسکویی ع، حسین پور ع و حبیب زاده ا، 1393. مدل منطق فازی در تخمین قابلیت انتقالآبخوانها.مجله دانش آب و خاک، شماره1، دوره 24، صفحههای 219 تا 233. Bellman R, 2003. Dynamic Programming. Dover Publications 366 p. Mineola, New York.
Booker DJ, Snelder TH, 2012. Comparing methods for estimating flow duration curves at ungauged sites. Journal of Hydrology 435: 78–94.
Breiman L (2001) Random Forests. Machine Learning 45(1): pp. 5–32.
Breiman L, Friedman JH, Olshen RA, Stone CJ, 1984. Classification and Regression Trees. Chapman & Hall/CRC, New York.
Chehata N, Guo L, Mallet C, 2009. Airborne lidar feature selection for urban classification using random forests. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 39: 207-12.
Chen CH, Lin ZS, 2006. A committee machine with empirical formulas for permeability prediction. Journal of Computers and Geosciences 32: 485–496.
Chitsazan N, Nadiri AA, Tsai F, 2015. Prediction and structural uncertainty analyses of artificial neural networks using hierarchical bayesian model averaging. Journal of Hydrology 528: 52-62.
Chow VT, 1952. On the determination of transmissibility and storage coefficient from pumping test data. Transactions, American Geophysical Union 33: 397-404.
Cooper HH, Jacob CE, 1946. A generalized graphical method for evaluation formation constants and summarizing well field history. Transactions, American Geophysical Union 27: 526-534.
Critto A, Carlon C, Marcomini, A, 2003. Characterization of contaminated soil and groundwater surrounding an illegal landfill by principal component analysis and kriging. Journal of Environmental Pollution 122(2): 235–44.
Dixon B.A, 2009. Case study using support vector machines, neural networks and logistic regression in a GIS to identify wells contaminated with nitrate-N. Journal of Hydrogeology 17(6): 15–20.
Duda, RO, Hart PE, Stork DG, 2011. Pattern Classification. 2nd Edition. John Wiley & Sons, New York.
Emberger L, 1952. Sur le quotient pluviothermique. C.R. Sciences, 234: 2508-2511.
Friedl MA, Brodley CE, Strahler AH, 1999. Maximizing land cover classification accuracies produced by decision trees at continental to global scales. IEEE Trans Geoscience Remote Sense 37(2): 969–77.
Guo L, Chehata N, Mallet C, Boukir S, 2011. Relevance of airborne lidar and multispectral image data for urban scene classification using Random Forests. Jounal of Photogramm Remote Sensing 66(1): 56–66.
Guyon I, Elisseeff A, 2003. An introduction to variable and feature selection. Journal of Machine Learning Research 3: 1157–82.
Harb N, Haddad K, Farkh S, 2010. Calculation of transverse resistance to correct aquifer resistivity of groundwater saturated zones: implications for estimating its hydrogeological properties. Journal of Lebanese Science 11(1): 105-115.
Kadkhodaie-Ilkhchi A, Amini A, 2009. Journal of Petroleum Geology, A fuzzy logic approach to estimation hydraulic flow units from well log data: case study from the Ahvaz oilfield in south Iran. Journal of Petroleum Geology 32(1): 67-78 67.
Kadkhodaie-Ilkhchi A, Rezaee MR, Rahimpour-Bonab H, (2009a) A committee neural network for prediction of normalized oil content from well log data: An example from South Pars Gas Field, Persian Gulf. Journal of Petroleum Science and Engineering 65: 23-32.
Kadkhodaie-Ilkhchi A, Rezaee MR, Rahimpour-Bonab H, Chehrazi A, 2009b. Petro physical data prediction from seismic attributes using committee inference system. Journal of Computers & Geosciences 35: 314–330.
Ko B, Gim J, Nam J, 2011. Image classification based on ensemble features and random forest. Electronics Letters 47: 638-9.
Kotsiantis S, Pintelas P, 2004. Combining bagging and boosting. Journal of Computational Intelligence 1(4): 324–33.
Maillet R, 1947. The fundamental equations of electrical prospecting. Journal of Geophysics 12: 529-556.
Nadiri AA, Asghari Moghaddam A, Tsai F, Fijani E, 2013. Hydrogeochemical analysis for Tasuj plain aquifer, Iran. Journal of Earth System Science 122(4): 1091-1105.
Nadiri AA, Chitsazan N, Tsai F, Asghari Moghaddam A, 2014. Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. Journal of Hydrological Engineering 19(3): 520-523.
Olatunji SO, Selamat A, Abdulraheem A, 2011. Modeling the permeability of carbonate reservoir using type-2 fuzzy logic systems. Journal of Computers in Industry 62: 147–163.
Pal M, 2005. Random Forest classifier for remote sensing classification. International Journal of Remote Sensing 26(1): 217–22.
Peters J, Baets BD, Verhoest NEC, Samson R, Degroeve S, Becker P D, 2007. Random Forests as a tool for Eco hydrological distribution modelling. Journal of Ecology Modeling 207(2–4): 304–18.
Pulido CI, Gutiérrez JC, 2009. Improved irrigation water demand forecasting using a soft computing hybrid model. Journal of Biosystems Engineering 102(2): 202-218.
Quinlan JR, 1986. Induction of decision trees. Journal of Machine Learning 1(1): 81-106.
Quinlan JR, 1993. C4.5 programs for machine learning. San Mateo, 303 pp, Morgan Kaurmann. San Mateo, CA, California.
Rodriguez VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sánchez JP, 2012d. An assessment of the effectiveness of a Random Forest classifier for land-cover classification. Journal of Photogram Remote Sens 67: 9 -104.
Ross J, Ozbek M, 2007. Hydraulic conductivity estimation via fuzzy. Journal of Mathematical Geology 39(8): 765-780.
Schapire R, 1990. The strength of weak learnability. Journal of Machine learning 5: 197-227.
Theis CV, 1935. The relationship between the lowering of piezo metric surface and the rate and duration of discharge of a well using groundwater storage. Transactions, American Geophysical Union 16: 519-524.
Todd DK, Mays LW, 2005. Groundwater Hydrology, 3nd, John Wiley and Son’s Publishers, p 636. | ||
آمار تعداد مشاهده مقاله: 1,190 تعداد دریافت فایل اصل مقاله: 2,956 |