غلامی, وحید, درخشان, شهرام, درواری, زهرا. (1391). بررسی روش رگرسیون چند متغییره و شبکه عصبی مصنوعی (ANN) در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران. سامانه مدیریت نشریات علمی, 26(3), 355-365. doi: 10.22092/jwra.2012.118987
وحید غلامی; شهرام درخشان; زهرا درواری. "بررسی روش رگرسیون چند متغییره و شبکه عصبی مصنوعی (ANN) در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران". سامانه مدیریت نشریات علمی, 26, 3, 1391, 355-365. doi: 10.22092/jwra.2012.118987
غلامی, وحید, درخشان, شهرام, درواری, زهرا. (1391). 'بررسی روش رگرسیون چند متغییره و شبکه عصبی مصنوعی (ANN) در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران', سامانه مدیریت نشریات علمی, 26(3), pp. 355-365. doi: 10.22092/jwra.2012.118987
غلامی, وحید, درخشان, شهرام, درواری, زهرا. بررسی روش رگرسیون چند متغییره و شبکه عصبی مصنوعی (ANN) در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران. سامانه مدیریت نشریات علمی, 1391; 26(3): 355-365. doi: 10.22092/jwra.2012.118987
بررسی روش رگرسیون چند متغییره و شبکه عصبی مصنوعی (ANN) در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران
1استادیار دانشکده منابع طبیعی دانشگاه گیلان، گروه مرتع و آبخیزداری؛
2دانشجوی دکتری برنامه ریزی شهری؛
3دانش آموخته کارشناسی ارشد آبخیزداری دانشگاه مازندران؛
چکیده
متاسفانه اطلاعات کمی و کیفی جامع از منابع آب در کشور ما محدود است و این امر موجب اهمیت بکارگیری روشهای و مدلهای مختلف به منظور برآورد پارامترهای کمی و کیفی منابع آب شده است. تحقیق حاضر با هدف مقایسه عملکرد و کارایی دو روش رگرسیون چند متغییره و شبکه عصبی مصنوعی در مدلسازی و برآورد شوری آب زیرزمینی در سواحل استان مازندران انجام پذیرفت. روش رگرسیون چند متغییره با بکار گیری نرم افزار SPSS با در نظر گرفتن هدایت الکتریکی بعنوان معیاری برای بررسی شوری آب بعنوان متغییر وابسته و عوامل موثر در این پدیده بعنوان متغییرهای مستقل بکار گرفته شد. دو مدل یکی خطی و دیگری غیرخطی برای برآورد میزان شوری آب زیرزمینی ارائه شد و سپس کارایی این مدلها مورد ارزیابی و تائید قرار گرفت. همچنین از شبکه عصبی مصنوعیANN برای شبیهسازی شوری آب زیرزمینی استفاده گردید. عملکرد شبکه عصبی از طریق پارامترهای چون، جذر میانگین مربع خطا(RMSE) و ضریب همبستگی بین خروجی های حقیقی و دلخواه(R) سنجیده شد. نتایج حاصل از هر دو روش حاکی از آن است که عوامل نوع تشکیلات آبخوان، فاصله از دریا و شوری آب سطحی از عوامل اصلی میزان شوری آب زیر زمینی میباشند اما کارایی شبکه عصبی مصنوعی در برآورد شوری آب زیرزمینی بیشتر از روش رگرسیون چند متغییره است.
Multivariate Regression Method and Artificial Neural Network (ANN) in Modeling Ground Water Salinity in the Coastal Areas of Mazandaran Province, Iran
نویسندگان [English]
V GHOLAMI1؛ SH DERAKHSHAN2؛ Z DARVARI3
چکیده [English]
Scarcity of water resources in spite of burgeoning population makes them important and necessitates optimum use of these resources. Shallow groundwater is a resource that has been ignored in irrigation management, while it is an available free source of water which can provide at least part of plants water requirement. Therefore, a two-year experiment was conducted in 2009-2011 to find the effect of shallow groundwater tables, at 60, 80, and 110 cm depth, on water requirement, water use efficiency (WUE) and yield of three wheat cultivars, namely, W33g, Cross Alborz, and Bahar. Experiments were performed at RaziUniversity lysimeter research station No1 as a randomized complete block factorial experiment with three replications. In these experiments, 45 tubular poly ethylene lysimeters with 1.20m height and 0.30m diameter were fixed in the ground with 1m distance from each other. The highest utilization of groundwater was found for the water table depth of 60 cm and the lowest was found for the 110 cm depth. The 2-year average contribution to different cultivars by groundwater in depths of 60, 80, and 110 cm was 63%, 55% and 45%, respectively. The results for Cross Alborz cultivar showed no significant difference (P<0.01) in WUE between the three water table depth treatments. Overall, the optimum WUE and yield was found at water table depth of 80 cm.