دوره 4، شماره 16 - ( سال چهارم، شماره شانزدهم، تابستان 1393 1393 )                   جلد 4 شماره 16 صفحات 53-39 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

sadidi J, kamangar M, Rezaian H, hamidian A, Baaghideh M, aryanejad H. Estimation of water table in arid and semi-arid zones using neural networks and Gradient Descent learning rule. Arid Regions Geographic Studies. 2015; 4 (16) :53-39
URL: http://journals.hsu.ac.ir/jarhs/article-1-538-fa.html
سدیدی جواد، کمانگر محمد، رضائیان هانی، حمیدیان علیرضا، باعقیده محمد، آریانژاد حیدر. پیش بینی سطح ایستابی مناطق خشک و نیمه خشک با استفاده از شبکه عصبی مصنوعی و قانون یادگیری Gradient Descent.. مطالعات جغرافیایی مناطق خشک. 1393; 4 (16) :53-39

URL: http://journals.hsu.ac.ir/jarhs/article-1-538-fa.html


دانشگاه خوارزمی ، jsadidi@gmail.com
چکیده:   (13359 مشاهده)
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. در نواحی فلات مرکزی و جنوبی اجتماعات شهری و روستایی با اتکاء به منابع آب زیر زمینی شکل گرفته و این منابع عمده‌ترین تامین کننده نیازهای آبی در این مناطق محسوب می‌شود. رشد روز افزون جمعیت و محدودیت منابع آبی لزوم پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. پیش بینی سطح ایستابی با استفاده از ابزارها و روش‌های نوین مدلسازی می‌تواند کمک شایانی به برنامه ریزی و تصمیم گیری بهینه جهت تامین دراز مدت آب نماید. هدف از این تحقیق تخمین سطح ایستابی آبخوان سرخون استان هرمزگان با استفاده از شبکه عصبی و بهره مندی از قانون Gradient Descent می باشد. این روش با استفاده از ارتباط ذاتی داده‌ها، روابط غیر خطی بین آن‌ها را یاد گرفته و نتایج را برای بقیه حالت‌ها تعمیم می‌دهد به منظور آموزش مدل از اطلاعات 10چاه مشاهده ای که دارای آمار 24ساله بودند استفاده گردید70درصد داده‌ها به عنوان داده‌های آموزشی به مدل معرفی و20درصد داده‌ها به عنوان تست برای اعتبار سنجی به کار برده شد. نتایج این روش, تراز سطح ایستابی آبخوان سرخون برای سال1400را بین22تا72متر در مناطق مختلف پیش بینی می کند. ارزیابی این مدل با خطای RMSE بین 0.00125- تا0.0509و همچنین خطای MEA بین 0.0012- تا 0.049 کارایی مدل شبکه عصبی Gradient Descent را در پیش بینی سطح ایستابی منابع زیر زمینی نشان می‌دهد.
متن کامل [PDF 1043 kb]   (8598 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هیدرولوژی و منابع آب
دریافت: 1393/2/23 | پذیرش: 1393/7/16 | انتشار: 1393/10/24

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصلنامه مطالعات جغرافیایی مناطق خشک می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 All Rights Reserved | Journal of Arid Regions Geographics Studies

Designed & Developed by : Yektaweb