آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,130 |
| تعداد مقالات | 13,894 |
| تعداد مشاهده مقاله | 48,887,779 |
| تعداد دریافت فایل اصل مقاله | 12,597,808 |
مدلسازی خوشه‌ای تراز آب زیرزمینی دشت تبریز با استفاده از مدل آریما | ||
| هیدروژئولوژی | ||
| مقاله 6، دوره 4، شماره 2، اسفند 1398، صفحه 74-91 اصل مقاله (1.74 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2020.9449 | ||
| نویسنده | ||
رسول جانی 
| ||
| گروه عمران، دانشگاه آزاد اسلامی واحد تبریز | ||
| چکیده | ||
| مطالعه تغییرات زمانی و مکانی، و تخمین نوسانات تراز آب‌های زیرزمینی در مطالعات و برنامه‌ریزی مدیریت منابع آب جهت استمرار و یا توسعه بهره‌برداری آن از اهمیت بسیاری برخوردار است. تاکنون مدل‌های مختلفی برای تخمین پارامتر تراز آب زیرزمینی مورد استفاده قرار گرفته است، در این بین مدل‌های تصادفی غالباً در زمینه‌ی مطالعه پارامترهای هیدرولوژیکی به وفور بکار گرفته شده‌اند. نمونه‌ی پرکاربرد از مدل‌های تصادفی در بررسی سری‌های زمانی، مدل خود همبسته یکپارچه میانگین متحرک(ARIMA) می‌باشد که اساس این مدل‌ها بر پایه زنجیره مارکف بنا نهاده شده است. در مطالعات گذشته معمولاً یک یا چند چاه با استفاده از مدل‌های تصادفی مورد مطالعه قرار گرفته است ولی در تحقیق حاضر برای بررسی تغییرات زمانی و مکانی تراز آب‌های زیرزمینی دشت تبریز در مقیاس ماهانه، 46 ایستگاه انتخاب شده است. در محدوده مورد مطالعه بین مقادیر سطح آب زیرزمینی چاه های مشاهداتی نزدیک به همدیگر همبستگی بیشتری نسبت به سایر چاه ها وجود دارد، در نتیجه به منظور جلوگیری از بررسی اثرات نوسانات چاه‌های نزدیک به همدیگر، در ابتدا کل ایستگاه‌ها با استفاده از فرآیند خوشه‌بندی به 7 بخش تقسیم شده و مطالعه مکانی بر روی چاه‌های منتخب واقع در هر کدام از این بخش‌ها انجام گرفته شده است. نتایج حاکی از آنست که خوشه های اول،سوم و هفتم بخاطر وجود داده‌های پرت دقت قابل قبولی در شبیه سازی را نداشتند و چهار خوشه دیگر از دقت خوبی برخوردار بودند. همچنین خوشه دوم و اول به ترتیب بهترین و بدترین مدلسازی را با دارا بودن بالاترین ضریب تعیین و کمترین ریشه میانگین مربعات خطا داشته اند. استفاده از مدل آریما بر روی ایستگاه‌های مختلف موجود در سطح حوضه تبریز نشان داد، دقت مدل زمانی کاهش می‌یابد که سری‌های مورد بررسی با نوسان‌های بیش از حد و همراه با روند در میانگین و واریانس باشند که منجر به ناایستایی سری می‌گردد. | ||
| کلیدواژه‌ها | ||
| آریما؛ تغییرات زمانی و مکانی؛ خوشه‌بندی؛ نقشه حرارتی؛ دندروگرام | ||
| مراجع | ||
|
اصغری‌مقدم، ا.، برزگر،ر.، 1393. بررسیعواملمؤثربرغلظتبالایآرسنیکدرآبزیرزمینیآبخوان‌هایدشتتبریز. زمین‌شناسیمهندسیومحیطزیست، شماره 24، 177-190. افروزی، ع.، زارع‌ابیانه، ح.،1396. مدلسازی و پیش‌بینی تراز آب زیرزمینی با کاربرد مدل‌های سری‌زمانی (مطالعه موردی: دشت‌های استان همدان). پژوهش‌نامه مدیریت حوزه آبخیز، سال هشتم، جلد8، شماره 15،102-111. باباعلی، ح.، دهقانی،ر.، 1396. مقایسه مدل‌های شبکه عصبی موجک و شبکه عصبی مصنوعی در پیش‌بینی سطح آب زیرزمینی. مجله هیدروژئولوژی، سال دوم، شماره 2، 96-108. جعفرزاده، ج.، رستم‌زاده، ه.، اسدی، ا.،1396. مدلسازی زمانی تراز آب زیرزمینی با استفاده از روش‌های پایه تحلیل سری‌های زمانی (مطالعه موردی: دشت اردبیل). فصلنامه دانش آب و خاک، سال بیست و هفتم، شماره 4، 185-196. رضایی‌بنفشه، م.، جلالی‌عنصرودی، ط.، حسن‌پور اقدم‌بگلو، م.ع.،1397. تحلیل و مدلسازی تغییرات سطح آب زیرزمینی حوضه آبریز تسوج با استفاده از فرآیند اتو رگرسیو میانگین متحرک. فصلنامه فضای جغرافیایی، سال هفدهم، شماره 57. 273-287. شهرکی، ن.، یونسی، م.، طاهری تیزرو، ع.، 1397. مقایسه‌های مدل‌های شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره در پیش‌بینی تغییرات سطح آب زیرزمینی. مجله هیدروژئولوژی، سال 4، شماره1، 126-139. صادق زاده سادات، م.، ناظمی، ا.م.، صدرالدینی، ع. ا.،1396. اثرات کیفیت آب‌های سطحی بر کیفیت آب‌های زیرزمینی(مطالعه موردی: دشت تبریز). فصلنامه دانش آب و خاک، جلد بیست و هفتم، شماره3،225-237. عساکره، ح.،1386الف. بررسیآماریرونددمایسالانهتبریز.مجلۀاندیشهجغرافیایی،شماره‌ی اول،9-21. عساکره،ح.،1388.الگوسازی ARIMA برای میانگینسالانهدمایشهر تبریز. فصلنامهتحقیقاتجغرافیایی،شماره2 (پیاپی 93)، 166-188. نیکبخت، ج.، نوری، س.،1396. خوشه‌بندی شبکه چاهک‌های مشاهده‌ای و پیش‌بینی سطح آب زیرزمینی به کمک شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت مراغه). فصلنامه دانش آب و خاک، سال بیست و هفتم، دوره 27، شماره 1،281-294.
Demir, U., Coleri Ergen, S. 2016. Arima-based time variation model for beneath the chassis UWB channel. Eurasip Journal on wireless communicationa and networking. 178:1-11.
Chun Feng, H., Jun, Q., Fang fang, L. 2017. Methodology for Analyzing and Predicting the Runoff and Sediment into a Reservoir. Water journal. 9:1-16.
Mooi, E., Sarstedt, M. 2011. Cluster analysis. Springer: Berlin Heidelberg.
Wei, W. 2006. T ime series analysis:Univariate and Multivariate Methods(2nd Edition).Pearson,USA.
Box, G., Jenkins, G. 1970. Time Series Analysi: Forecasting and Control. (Holden-Day,San Francisco).
Villeneuve, J.P., Banton, O., Lafrance, P. 1990. A probabilistic approach for the groundwater vulnerability to contamination by pesticides:the VULPEST model. Ecological Modelling. 51: 47–58. | ||
|
آمار تعداد مشاهده مقاله: 386 تعداد دریافت فایل اصل مقاله: 261 |
||
