آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,168 |
| تعداد مقالات | 14,297 |
| تعداد مشاهده مقاله | 49,665,541 |
| تعداد دریافت فایل اصل مقاله | 12,995,329 |
بررسی عملکرد مدل مفهومی مادفلو و فرا مدل شبیه‌ساز بیان ژن در مدل‌سازی هیدروگراف معرف آبخوان (مطالعه موردی: دشت لور-اندیمشک) | ||
| هیدروژئولوژی | ||
| مقاله 4، دوره 3، شماره 2، اسفند 1397، صفحه 33-45 اصل مقاله (1.28 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2019.6964 | ||
| نویسندگان | ||
| محمدرضا گلابی* 1؛ معصومه زینعلی2؛ محمد حسین نیک سخن3؛ ارش اذری4 | ||
| 1دانشجوی دکتری منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز. | ||
| 2کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه. | ||
| 3دانشیار گروه مهندسی عمران، دانشکده محیط زیست، دانشگاه تهران. | ||
| 4استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه | ||
| چکیده | ||
| برای اعمال مدیریت صحیح، نیاز به شناسایی و به مدل درآوردن سطح آب زیرزمینی جهت برنامهریزی‌های بلندمدت و استفاده بیشتر و بهتر از پتانسیل‌های آبی موجود در دشت‌ها، عمیقاً احساس می‌شود. در این مطالعه از اطلاعات آماری ماهانه سطح پیزومتر‌ها برای 5 سال آبی (89-88 تا 93-92) مربوط به سطح ایستابی 8 پیزومتر آبخوان دشت لور-اندیمشک، استفاده شد. در ابتدا با استفاده از روش تیسن، میانگین وزنی هر پیزومتر محاسبه شد و بدین طریق سری زمانی تراز آب زیرزمینی دشت که بیانگر هیدروگراف معرف آبخوان منطقه مورد مطالعه است، به دست آمد. سپس با استفاده از مدل مفهومی آب زیرزمینی مادفلو و فرا مدل شبیه‌ساز بیان ژن، هیدروگراف معرف آبخوان مدل‌سازی شد و نتایج با هم مقایسه گردید. نتایج نشان داد که مدل مفهومی مادفلو با ضریب تبیین 7836/0 در مرحله تست نسبت به فرا مدل شبیه‌ساز بیان ژن با ضریب تبیین 739/0 با اختلاف بسیار جزئی دارای عملکرد بهتری می‌باشد. | ||
| کلیدواژه‌ها | ||
| فرا مدل شبیه‌ساز بیان ژن؛ مدل‌سازی؛ مدل مادفلو؛ هیدروگراف معرف آبخوان | ||
| مراجع | ||
|
اعلمی، م. ت.، صادق فام، س.، فاضلی‌فرد، م. ح. 1393. مدل‌سازی سری داده‌ها: راهنمای کاربردی مدل‌های برنامه‌ریزی بیان ژن، سیستم استنتاج فازی، شبکه بیزین، شبکه عصبی مصنوعی. موسسه چاپ و انتشارات دانشگاه تبریز،304 صفحه. اکبرزاده، ف.، حسن‌پور، ح.، امام قلی زاده، ص. 1395. پیش‌بینیترازآبزیرزمینیدشتشاهرودبااستفادهازشبکۀعصبیمصنوعیتابعپایهشعاعی. دانشگاهعلومکشاورزیومنابعطبیعیساریپژوهشنامهمدیریتحوزهآبخیز سالهفتم.شماره 13: 118-104. ایمانی، ر.، قاسمیه، ه.، اسمعلی عوری، ا. 1395. مقایسه کارایی مدل هیدرولوژیکیWetSpa، شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی در شبیه‌سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل). نشریه دانش آب و خاک، جلد26. شماره 1: 99-116. پورمحمدی، س.، ملکی نژاد، ح.، پورشرعیاتی، ر. 1392. مقایسه کارایی روش‌های شبکه عصبی و سری‌های زمانی در پیشبینی سطح آب زیرزمینی (مطالعه موردی: زیر حوزه بختگان استان فارس). نشریه پژوهش‌های حفاظت آب و خاک. شماره4: 251- 262. زارعی،ح.،آخوندعلی، ع. م. 1386. مقایسهروش‌هایزمینآماریوآمارکلاسیکدرترسیمهیدروگرافواحدآبزیرزمینی. طرحپژوهشیسازمانآبوبرقخوزستان.71 صفحه. سینگ، ویپی.، ترجمه: نجفی، م.ر. 1381. سیستم‌های هیدرولوژیکی مدل‌سازی بارندگی –رواناب. جلد اول. انتشارات دانشگاه تهران. چاپ اول. 578 صفحه. کاوه کار ، ش.، قربانی، م. ع.، اشرف زاده، ا.، دربندی، ص. 1392. شبیه‌سازی نوسانات تراز آب با استفاده از برنامه‌ریزی بیان ژن. نشریه مهندسی عمران و محیط زیست (دانشکده فنی).43: 69-75. گلابی، م. ر.، آخوندعلی، ع. م.، رادمنش، ف. 1392. مقایسه عملکرد الگوریتم‌های مختلف شبکه عصبی مصنوعی در مدل‌سازی بارندگی فصلی (مطالعه موردی: ایستگاه‌های منتخب استان خوزستان). نشریه تحقیقات کاربردی علوم جغرافیایی. 30: 151-169. مشکانی، ع.، ناظمی، ع.، 1388. مقدمه‌ای بر داده‌کاوی. موسسه چاپ و انتشارات دانشگاه فردوسی، مشهد.456 صفحه. معصومی ، ز.، رضایی، ا. 1395. روش تیسن یا تکنیک‌های درون‌یابی: برآورد هیدروگراف واحد آب زیرزمینی. سی و چهارمین گردهمایی و دومین کنگره بین‌المللی تخصصی علوم زمین، تهران، ایران. ملکی نژاد، ح.، پورشرعیاتی، ر. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیشبینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری (مجلهی علمی کشاورزی)/ جلد 36، شماره 3: 81-92. ندیری، ع.، نادری، ک.، اصغری مقدم، ا.، حبیبی، م. ح. 1395. پیشبینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامه‌ریزی. دوره 20، شماره 58 (2): 281-301. نیکبخت، ج.، نوری، س. 1395. پیشبینی تراز آب زیرزمینی با کمک شبکههای موجک-عصبی (مطالعه موردی: دشت مراغه- آذربایجان شرقی). نشریه هیدروژئولوژی. 1(1): 1-16. نیکبخت، ج.، ذوالفقاری، م.، نجیب، م. 1395. پیشبینی سطح آب زیرزمینی دشت تسوج - آذربایجان شرقی با کمک شبکههای عصبی مصنوعی. نشریه هیدروژئولوژی. 1(2): 99-115.
Anderson, M.P., Woessner, W.W. 1992. Applied groundwater modeling flow and adjective Transport. Academic Press, Inc.
Barzegar, R., Fijani, E., Asghari Moghaddama, A., Tziritis, E. 2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment. 60: 20–31.
Bear, J. 2010. Modeling Groundwater Flow and Contaminant Transport. Springer Verlag. Vol.23. 834 P.
Danandeh Mehr, A., Majdzadeh Tabatabai, M.R. 2010. Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. Journal of water and soil. 24(2): 325-33.
EMRL. 2010. Groundwater Modeling System v7.1 Tutorials. Brigham Young University: Environmental Modeling Research Laboratory.
Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence (Studies in Computational Intelligence). ed n, editor. Springer-Verlag New York, Inc. Secaucus, NJ, USA.
Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst. 13: 87-129.
Lu, C., Chen, Y., Zhang, C., Luo, J. 2013. Steady-state freshwater–seawater mixing zone in stratified coastal aquifers, Journal of Hydrology. 505: 24-34.
Mattar, M.A., Alamoud, A.I. 2015. Artificial neural networks for estimating the hydraulic performance of labyrinth-channel emitters. Computers and Electronics in Agriculture. 114: 189-201.
Norouzi, H., Asghari Mogaddam, A. and Nadiri, A.A. 2016. Determining vulnerable areas of Malikan Plain Aquifer for Nitrate, Using Random Forest method. Journal of Environmental Studies. 41(4): 923-94.
Norouzi, H., Nadiri, A.A., Moghaddam, A.A., Gharekhani, M. 2018. Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer, Journal of ecohydrology. 5(3): 739-751. doi.org/10.22059/ije.2018.239914.707
Rezaie-balf, M., Naganna, S.R., Ghaemi, A., Deka, P.C. 2017. Wavelet coupled MARS and M5 model tree approaches for groundwater level forecasting. Journal of Hydrology. 553: 356-373.
Stanley Raj, A., Hudson Oliver, D., Srinivas, Y., Viswanath, J. 2017. Wavelet based analysis on rainfall and water table depth forecasting using Neural Networks in Kanyakumari district, Tamil Nadu, India. Groundwater for Sustainable Development. 5: 178–186.
Yoona, H., Hyunb, Y., Ha, K., Leec, K. K., Kimd, 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 and Geosciences. 90: 144-155. | ||
|
آمار تعداد مشاهده مقاله: 614 تعداد دریافت فایل اصل مقاله: 296 |
||