ارزیابی مدل شبکه های بیزین در پیش بینی ماهانل سطح آب زیرزمینی (مطالعۀ موردی: آبخوان بیرجند)

Authors

  • عباس روزبهانی استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران
Abstract:

اساس برنامه‌ریزی‌های منابع آب بر پایۀ حجم آب قابل استحصال در آبخوان است و برآورد دقیق این حجم از آب زیرزمینی، کمک شایانی به توسعه می‌کند. در این مطالعه، از مدل‌های بیزین با استفاده از دو ساختار خوشه‌بندی و صریح برای شبیه‌سازی سطح آب زیرزمینی آبخوان بیرجند استفاده شد. پنج متغیر تغذیۀ آبخوان، سطح ایستابی، دما، تبخیر و برداشت از آب زیرزمینی در ماه قبل به‌عنوان متغیرهای ورودی به شبکۀ بیزین و سطح آب زیرزمینی در ماه کنونی، به‌عنوان متغیر خروجی آزموده شد. در سناریوی صریح تحلیل و آموزش داده‌های ورودی بر اساس پیوستگی و با لحاظ‌کردن عدم قطعیت حاکم بر پارامترها انجام و در سناریوی خوشه‌بندی بر اساس شاخص‌های اعتبار سنجی تعداد خوشه‌بندی مناسب برای شبیه‌سازی انتخاب و شبیه‌سازی انجام پذیرفت. نتایج نهایی نشان داد که شبکۀ بیزین در شبیه‌سازی سطح آب زیرزمینی تحت عدم قطعیت ابزار قوی بوده و متوسط ضریب تبیین برای 13 پیزومتر در آبخوان، 83/0 در حالت صریح و 56/0 در حالت خوشه‌بندی است. همچنین استفاده از ساختار صریح برای پیش‌بینی سطح آب زیرزمینی در هر پیزومتر آبخوان، می‌تواند با هم‌بستگی بیشتر به کار برده شود.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شبیه سازی و پیش بینی غلظت نیترات در آب زیرزمینی؛ مطالعه موردی خراسان جنوبی-آبخوان بیرجند

آب‌های زیرزمینی یکی از منابع اصلی تامین آب شرب، کشاورزی و ... در محدوده‌ی مطالعاتی بیرجند می‌باشد، لذا توجه به امر مدیریت در سفره‌های آب زیرزمینی بسیار حائز اهمیت می‌باشد. در این مطالعه به منظور مدیریت بر آبخوان بیرجند واقع در استان خراسان جنوبی با استفاده از نرم‌افزار GMS V.7 شبیه‌سازی کمی در دو حالت ماندگار و غیرماندگار انجام شد. با توجه به بیلان آب زیرزمینی در آبخوان، پارامترهای ورودی و خروج...

full text

پیش بینی نوسانات سطح آب زیرزمینی در آبخوان باروق با استفاده از مدل SOM-AI

قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه‌ خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی آبخوان باروق در استان آذربایجان غربی و محدوده مطالعاتی میاندوآب...

full text

توسعۀ شاخص کیفی برای ارزیابی آب‏ زیرزمینی و پیش ‏بینی تغییرات آن با مدل شبکۀ بیزین (مطالعۀ موردی: دشت زنجان)

‌آب‌های ‏زیرزمینی یکی از منابع مهم تأمین آب به‌خصوص در مناطق خشک و کم‌بارش به ‏شمار می‏رود. از این‏رو، تعیین کیفیت و پیش‏بینی آن امری ضروری است. مطالعۀ حاضر به ارزیابی کیفیت منابع آب ‏زیرزمینی و پیش‏بینی آن در آبخوان زنجان می‏پردازد. شاخص GWQI در پژوهش‌های پیشین، وزن‌دهی ساده بر پایۀ دیدگاه‌های کارشناسی بوده است. از این‌رو، در شاخص جدید (C-GWQI) برای تعیین وزن‏ها، از روش آنتروپی شانون و از تصمی...

full text

مدل سازی آب های زیرزمینی به منظور پیش بینی پراکنش نیترات در آبخوان های بحرانی (مطالعه موردی: شهر مشهد)

در حال حاضر به علت عدم اجرای مدیریت صحیح، بیشتر آبخوان های کشور  ایران  به خصوص در نواحی خشک از جمله دشت مشهد در طی سال های اخیر با افت سطح ایستابی و کاهش حجم ذخیره مواجه بوده و بعضاً نیز در معرض آلودگی انواع آلاینده‌ها قرار دارند.  با توجه به این که یکی از شاخص های اصلی آلوده بودن آبخوان ها، آلودگی آن ها به نیترات می باشد، در این تحقیق نیز سعی شده است تا با تهیه مدل ریاضی کمی و کیفی آبخوان دشت ...

full text

ارزیابی ترکیب ANFIS با تبدیل موجک برای مدل سازی و پیش ‌بینی سطح آب زیرزمینی

One of the most important factors, in a good management in any field, is having a proper perspective of the upcoming events. There is no exception in water resources management and the environment and awareness of the condition of water resources, in an area, plays a decisive role for planning water and agriculture. In this study, the Adaptive Neural Fuzzy Inference System (ANFIS) was used for ...

full text

ارزیابی توانایی شبکه های مختلف عصبی مصنوعی در پیش بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس

شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی های موجود در طبیعت این سیستم ها، به آسانی میسر نیست. این درحالیست که شبکه های عصبی مصنوعی به عنوان مدل جعبه سیاه با توانایی های بالایی که دارند برای مدل سازی سیستم های پیچیده و غیرخطی بسیار مناسب می باشند. لذا، با توجه به مشکلات فراوان مدل سازی آبخوانها با مدل های ریاضی، شبکه های عصبی مصنوعی برای پیش بینی سطح ایستابی در آبخوانها توسط محققین بکار رف...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 5  issue 2

pages  139- 151

publication date 2015-09-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023