تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,490,055 |
تعداد دریافت فایل اصل مقاله | 15,217,538 |
پیشبینی مدل مکانی سطح ایستابی با استفاده از تابع هایپربولیک تانژانت شبکه ی عصبی مطالعه ی موردی: دشت سرخون | ||
هیدروژئومورفولوژی | ||
مقاله 6، دوره 6، شماره 20، آذر 1398، صفحه 101-119 اصل مقاله (1 M) | ||
نوع مقاله: پژوهشی | ||
نویسندگان | ||
مسعود جلالی* 1؛ محمد کمانگر2؛ رباب رزمی2 | ||
1جغرافیا-علوم انسانی- دانشگاه زنجان-زنجان-ایران | ||
2دانشجوی دکتری، آب و هواشناسی، دانشگاه زنجان، زنجان، ایران | ||
چکیده | ||
در سالهای اخیر سطح تراز آبهای زیرزمینی در اثر تغییرات اقلیمی و همچنین شیوه و میزان بهرهبرداری از آنها، روند نزولی داشته است. با توجه به افزایش تقاضای آب و افت شدید آبهای زیرزمینی، مدیریت پایدار این منابع از اهمیت شایانی برخوردار است. پیشبینی سطح ایستابی با استفاده از مدلهای ریاضی و آماری میتواند کمک قابلتوجهی به برنامهریزی و تصمیمگیریهای مناسب جهت تأمین آب در درازمدت، داشته باشد. در این مطالعه تلاش شده است تا سطح آبهای زیرزمینی با استفاده از شبکهی عصبی گرادیان دیسکنت و تابع انتقال Hyperbolic Tangent پیشبینی شود. مدل تابع انتقال Tanh با تعداد 40 نرون در لایه پنهان با ضریب همبستگی 99/0 و مجذور مربعات خطا 01/0 برای پیشبینی سطح ایستابی پیادهسازی شد. با تعمیم این مدل به ده چاه مشاهدهای و برونیابی در محیط سامانهی اطلاعات جغرافیایی، مدل مکانی پیوسته سطح ایستابی در دشت سرخون برای سال 1400 تخمین زده شد. نتایج نشان داد که سطح ایستابی در قسمتهای غربی دشت با مقدار 98/72 متر بیشترین و در بخش شرقی دشت با توجه به تراکم جمعیتی بیشتر مقدار با 72/18 متر کمترین سطح ایستابی را خواهند داشت. با توجه به میزان خطای پایین مدل، میتوان نتیجه گرفت که با اجرای این مدل در دیگر حوزهها میتوان پیشبینی صحیحی از سطح آبهای زیرزمینی به دست آورد و در برنامهریزی و مدیریت پایدار آبهای زیرزمینی از آن استفاده نمود | ||
کلیدواژهها | ||
سطح ایستابی؛ شبکه ی عصبی؛ تابع انتقال؛ دشت سرخون | ||
اصل مقاله | ||
- | ||
مراجع | ||
Adamowski, J., & Chan, H.F. (2011). A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(1–4), 28-40.
Anh. Quan Tran, Taniguchi. Kenji. (2018). Coupling dynamical and statistical downscaling for high-resolution rainfall forecasting: case study of the Red River Delta. Vietnam, https://doi.org/10.1186/s40645-018-0185-6.
Chang, F., Chang, L., Huangm C. (2016). Prediction of monthly regional groundwater levels through hybrid soft-computing techniques. Journal of Hydrology. Volume541, Part B, October 2016, 976-965.
Coppola, E., Szidarovszky, F., Poulton, M., & Charles, E. (2003). Artificial Neural Network Approach for Predicting Transient Water Levels in a Multilayered Groundwater System under Variable State, Pumping, and Climate Conditions. Journal of Hydrologic Engineering. 8(6), 348-360. doi:10.1061/(ASCE)1084-0699(2003)8:6(348).
Daliakopoulos, I.N., Coulibaly, P., & Tsanis, I.K. (2005). Groundwater level forecasting using artificial neural networks. Journal of Hydrology. 309(1–4), 229-240. doi: http://dx.doi.org/10.1016/j.jhydrol.2004.12.001.
Magesh, N.S., Chandrasekar, N., & Soundranayagam, J.P. (2012). Delineation of groundwater potential zones in Theni district, Tamil Nadu, using remote sensing, GIS and MIF techniques. Geoscience Frontiers. 3(2), 189-196. doi: http://dx.doi.org/10.1016/j.gsf.2011.10.007.
Gazman, S., Paz, J., Target, M., (2017). The Use of NARX Neural Networks to Forecast Daily Groundwater Levels. Water Resources Management, 31(5), 1591–1603.
Mohanty, S., Jha, M, Kumar, A. and Sudheer, K,P. (2010). Artificial Neural Network Modeling for Groundwater Level Forecasting in a River Island of Eastern India. Water Resources Management. 24(9), 1845-1865. From: doi: 10,1007/s11269-009-9527-x.
Nadiri, A., Vahedi, F., & Moghadam, A. (2016). Groundwater level prediction using a supervised composite fuzzy logic model. Hydrogeomorphology. 6, 115-134.
Nadiri, A., Yosefade, Sayyed. (2017). Comparison of Artificial Neural Network Models, Fuzzy Logic and Adaptive Neuro Fuzzy Inference for Estimation of Hydraulic Conductivity of Maragheh-Bonab Plain Aquifer. Hydrogeomorphology. 10, 21-40.
Nayak, P., Satyaji Rao, Y.R., and Sudheer, K.P., (2006). Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management. 2(1), 77-99.
Rajay, T., Poraslan, F. (2015). Temporal and spatial prediction of groundwater level in the referee plain. Hydrogeomorphology, 4,1-19.
Rajay, T., Zinivand, A., & Jafari, H. (2016). Groundwater level prediction of Sharifabad catchment of Qom using neural wavelet models. Journal of Applied Geographical Research. 16(42), 7-26.
Sethi, R.R., Kumar, A., Sharma, S.P., & Verma, H.C. (2010). Prediction of water table depth in a hard rock basin by using artificial neural network. International Journal of Water Resources and Environmental Engineering, 2(4), 95-102.
Taormina, R., Chau, K.w., & Sethi, R. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence. Vol.25, No.8, 1670-1676. doi:
| ||
آمار تعداد مشاهده مقاله: 590 تعداد دریافت فایل اصل مقاله: 316 |