Skip to main content
فهرست مقالات

خوشه‌بندی شبکه چاهک‌های مشاهده‌ای و پیش‌بینی سطح آب زیرزمینی به کمک شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت مراغه) مقاله

نویسنده مسئول:

نویسنده:

علمی-پژوهشی (وزارت علوم)/ISC (14 صفحه - از 281 تا 294)

چکیده:

هدف از پژوهش حاضر خوشه‌بندی چاهک‌های مشاهده‌ای آبخوان دشت مراغه (آذربایجان‌شرقی) و پیش‌بینی تراز آب زیرزمینی به‌کمک شبکه‌های عصبی مصنوعی بود. ابتدا با کمک روش خوشه‌بندی سلسله مراتبی-WARD 20 چاهک مشاهده‌ای محدوده دشت مراغه با طول دوره آماری بیش از 15 سال خوشه‌بندی شد. سپس یک خوشه با 3 زیرخوشه همگن انتخاب و نماینده هر زیرخوشه تعیین شد. با استفاده از شبکه‌های عصبی مصنوعی با ساختار پرسپترون چند لایه با الگوریتم پس انتشار خطا، تراز آب زیرزمینی نماینده هر زیرخوشه شبیه‌سازی گردید. نتایج نشان داد که در نظر گرفتن داده‌های دمای هوا به‌عنوان ورودی در شبکه‌های عصبی مصنوعی موجب اغتشاش شبکه و در نظر گرفتن تأخیر زمانی برای پارامترهای ورودی، باعث تخمین دقیق‌تر مقادیر سطح آب زیرزمینی شد. بر اساس نتایج، کمترین و بیشترین مقدار RMSE حاصل بین مقادیر محاسباتی و مشاهداتی به‌ترتیب 26/0 و 63/0 متر بود. هم‌چنین بیشترین و کمترین مقدار R2 به‌ترتیب 86/0 و 82/0 به‌دست آمد.

The purpose of this study was to cluster the observation well networks in Marageh Plain in East Azarbaijan and to predict the groundwater level by artificial neural networks. Primarily, by Hierarchical WARD clustering method, 20 observation wells of Maragheh Plain with over 15 years data period were clustered. Then, a cluster with 3 homogenous subclusters was selected and the representative of each subcluster was determined. Artificial neural networks with a multilayer perceptron structure utilizing back-propagation algorithm was used to simulate the representative groundwater level of each subcluster. The results indicated considering monthly temperature data as input for the artificial neural networks caused disorder of the network while considering lag time for the input data increased the accuracy of the estimated groundwater levels. Based on the results, the minimum and maximum RMSE between the observed and calculated values were 0.26 m and 0.63 m, respectively. Also the Maximum and minimum quantities of R2 were 0.86 and 0.82, respectively.

کلیدواژه ها:

پیش‌بینی ، شبکه‌های عصبی مصنوعی ، خوشه‌بندی ، تراز آب زیرزمینی ، سلسله مراتبی-WARD

hierarchical ، groundwater level ، Clustering ، Forecasting ، Artificial Neural Networks


برای مشاهده محتوای مقاله لازم است ورود پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

لمشاهدة محتوی المقال یلزم الدخول إلی دخول الموقع.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر credit@noormags.ir.

You should become a Sign in to be able to see articles.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via credit@noormags.ir.