اخبار و اعلانات

 آمار

تعداد نشریات283
تعداد نشریات سازمان81
تعداد شماره‌ها2,722
تعداد مقالات31,008
تعداد مشاهده مقاله27,129,308
تعداد دریافت فایل اصل مقاله16,162,287
اکبری, نگار, نصری, مسعود, میرهاشمی, سیدحسن. (1400). بررسی و برآورد تاثیر عوامل مختلف بر تغییرات عمق آبخوان با استفاده از الگوریتم درختی (مطالعه موردی: دشت تیروان و کرون). سامانه مدیریت نشریات علمی, 13(1), 186-196. doi: 10.22092/ijwmse.2020.128780.1750
نگار اکبری; مسعود نصری; سیدحسن میرهاشمی. "بررسی و برآورد تاثیر عوامل مختلف بر تغییرات عمق آبخوان با استفاده از الگوریتم درختی (مطالعه موردی: دشت تیروان و کرون)". سامانه مدیریت نشریات علمی, 13, 1, 1400, 186-196. doi: 10.22092/ijwmse.2020.128780.1750
اکبری, نگار, نصری, مسعود, میرهاشمی, سیدحسن. (1400). 'بررسی و برآورد تاثیر عوامل مختلف بر تغییرات عمق آبخوان با استفاده از الگوریتم درختی (مطالعه موردی: دشت تیروان و کرون)', سامانه مدیریت نشریات علمی, 13(1), pp. 186-196. doi: 10.22092/ijwmse.2020.128780.1750
اکبری, نگار, نصری, مسعود, میرهاشمی, سیدحسن. بررسی و برآورد تاثیر عوامل مختلف بر تغییرات عمق آبخوان با استفاده از الگوریتم درختی (مطالعه موردی: دشت تیروان و کرون). سامانه مدیریت نشریات علمی, 1400; 13(1): 186-196. doi: 10.22092/ijwmse.2020.128780.1750

بررسی و برآورد تاثیر عوامل مختلف بر تغییرات عمق آبخوان با استفاده از الگوریتم درختی (مطالعه موردی: دشت تیروان و کرون)

مهندسی و مدیریت آبخیز
مقاله 16، دوره 13، شماره 1، فروردین 1400، صفحه 186-196    اصل مقاله (1.08 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijwmse.2020.128780.1750
نویسندگان
نگار اکبری1؛ مسعود نصری* 2؛ سیدحسن میرهاشمی3
1دانشجوی کارشناسی ارشد دانشگاه آزاد اردستان
2عضو هئیت علمی دانشگاه آزاد اردستان
3دانش آموخته دکتری آبیاری و زهکشی، دانشگاه زابل
چکیده
هدف از این پژوهش استفاده از الگوریتم درختی داده‌کاوی، به منظور مدیریت مناسب‌ بر آبخوان دشت تیروان و کرون است. در این خصوص از هفت عامل مختلف انسانی و طبیعی تأثیرگذار بر تغییرات عمق آبخوان استفاده شد. در ابتدا پیش‌بینی سه الگوریتم درختی CART، CHAID و MP5 در تغییرات آبخوان با استفاده از شاخص‌های آماری مورد ارزیابی قرار گرفتند. الگوریتم CAHID با توجه به ضریب رگرسیون برابر 82/0 و متوسط مطلق خطا برابر 12/0 دارای عملکرد بهتری نسبت به دو الگوریتم CART و MP5 است. بیشترین مقدار بالاآمدگی آبخوان در ماه‌های آذر، دی، بهمن، اسفند و در زمانی که مقدار حجم بارندگی بین 08/0 تا 72/0 میلیون متر مکعب و درصد رطوبت هوا بیشتر از 72 درصد بوده و همچنین بیشترین مقدار افت آبخوان در ماه‌های شهریور، مرداد و در زمانی که دمای هوا بیشتر از 25 درجه سانتی‌گراد و حجم آب برداشتی از چاه‌های کشاورزی بیشتر از 32/1 میلیون مترمکعب بوده است، توسط نمودار درختی الگوریتم CHAID پیش‌بینی شد. از عوامل طبیعی، دمای هوا و از عوامل انسانی، حجم آب برداشتی از چاه کشاورزی بیشترین تأثیر در تغییرات عمق آبخوان در دشت مذکور داشته است. دو عامل درصد رطوبت هوا و مقدار حجم بارش، تنها عواملی بودند که رابطه مستقیم با بالاآمدگی عمق آبخوان داشته‌اند. تأثیرگذارترین عوامل در پیش‌‌بینی مقدار تغییرات عمق آبخوان دشت تیروان و کرون به ترتیب دمای هوا، حجم آب برداشتی از چاه کشاورزی و حجم بارندگی و بقیه پارامترها تقریبا تأثیرشان با هم برابر بوده است.
کلیدواژه‌ها
چاه کشاورزی؛ دمای هوا؛ افت آبخوان؛ الگوریتم CHAID
عنوان مقاله [English]
Investigation and Prediction of Impact of Different Factors on Aquifer Depth Change Using Tree Algorithm (Case Study: Tirvan and Carvan Plain)
نویسندگان [English]
Negar Akbari1؛ Masoud Nasri2؛ Seyyedhassan Mirhashemi3
1M.Sc. student of Ardestan Azad University
2Faculty member of Ardestan Azad University
3Graduated ph.d, Dept. of Water Engineering, Faculty of Water and Soil, University of Zabol.
چکیده [English]
In this study, with using the data mining algorithm prediction, more efficient management of the aquifer of Tirvan and Karvan can be done. Seven different human and natural factors affecting aquifer depth changes were used in this manuscript. Initially, the predictions of three tree algorithms CART, CHAID and MP5 in aquifer changes were evaluated using statistical indices. The CAHID algorithm performed better than the CART and MP5 algorithms with respect to the regression coefficient of 0.82 and absolute error mean of 0.12. The highest aquifer rise in December, January, February and March, when the amount of precipitation was between 0.08 to 0.72 million cubic meters and the air humidity percentage was more than 72% and also the highest aquifer drawdown in month August and September, when air temperature more than 25 centigrade and the volume of water discharged from agricultural wells were more than 1.32 million cubic meters, were predicted by the CHAID algorithm tree diagram. From natural factors, air temperature and human factors, the volume of water harvested from agricultural wells had the greatest impact on aquifer depth changes in the plain. The two factors of air humidity percentage and precipitation volume were the only factors that had a direct relationship with the aquifer depth elevation. The most influential factors in predicting the depth changes of the aquifer of Tirvan and Karvan were air temperature, volume of water harvested from agricultural wells, and Precipitation volume and other parameters, respectively.
کلیدواژه‌ها [English]
Agricultural Well, Air Temperature, Aquifer Drop, CHAID Algorithm
مراجع
  1. Arvin, A.A., A.H. Hosseinian and M. Baharlou. 2016. The effect of climate fluctuations and water harvesting on changes in groundwater level in the Domain Plain. Journal of Risks of the Natural Environment, 5(7): 47-67 (in Persian).
  2. Chattamvelli, R. 2011. Data mining algorithms. Alpha Science International, 274 pages.
  3. Ebrahimi, M., H. Kazemi, M. Ehtashemi and T.D. Rockaway. 2016. Assessment of groundwater quantity and quality and saltwater intrusion in the Damghan Basin, Iran. Chemie der Erde-Geochemistry, 76(2): 227-241.
  4. Ganji Khoramdel, N., M. Mohammadi and M.J. Mo'am. 2009. Optimization of observational wells network for estimating balance using Groundwater Double Fluctuation Method. Water and Soil, 22(2): 358-370 (in Persian).
  5. Ghandehary, A., A. Gord Noshahri, A. Barati and K. Hasani. 2014. Local groundwater rise under metropolitans; opportunities and challenges. Journal of Water and Sustainable Development, 1(2): 75-82 (in Persian).
  6. Gupta, G.K. 2011. Introduction to data mining with case studies. Prentice Hall of India, 514 pages.
  7. Huajie, D., D. Zhengdong and D. Feifan. 2016. Classification of groundwater potential in Chaoyang area based on Quest algorithm. International Geoscience and Remote Sensing Symposium (IGARSS), 15 pages.
  8. Kandahari, A., A. Gurd Noushari, R. Barati and Kh. Hosni. 2014. Groundwater level localization in metropolis; opportunities and challenges, case study: Mashhad. Water and Sustainable Development, 1(2): 12-25 (in Persian).
  9. Mirhashimi, S.H., P. Haghighat, F. Mirzaei and M. Panahi. 2016. Evaluation of data mining algorithms for investigation and prediction of Qazvin Plain Aquifer situation. Hydrogeology, 2(2): 53-66 (in Persian).
  10. Mirhashimi, S.H., P. Haghighat, F. Mirzaei and M. Panahi. 2016. Using CART algorithm in predicting groundwater table fluctuations inside and outside of an irrigation system, case study: irrigating area of Qazvin. Iranian Journal of Soil and Water Research, 94(2): 385-395 (in Persian).
  11. Naghibi, S.A., H.R. Pourghasemi and B. Dixon. 2016. GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree and random forest machine learning models in Iran. Environmental Monitoring and Assessment, 188(1): 44-61.
  12. Poormohammadi, S., M.T. Dastorani, S.A.M. Cheraghi, M.H. Mokhtari and M.H. Rahimian. 2011. Evaluation and estimation of water balance components in arid zone catchments using RS and GIS, case study: Manshad Catchment, Yazd Province. Journal of Water and Wastewater, 22(79): 99-108 (in Persian).
  13. Sabuhi, M. and H. Tavana. 2007. Negative side effects of groundwater resources abuse, case study of Larestan City. Agricultural Sciences and Industries, 21(2): 67-77 (in Persian).
  14. Shahid, Sh. and M.K. Hazarika. 2009. Groundwater drought in the northwestern district of Bangladesh. Water Resources Management, 24(10): 1989-2006.
  15. Stumpp, C.J., A.J. Zurek, P. Wachniew Gargini, A. Gemitzi Filippini and M.S. Witczak. 2016. A decision tree tool supporting the assessment of groundwater vulnerability. Environmental Earth Sciences, 75(1057): 1-7.
  16. Witten, I.H. and E. 2005. Data Mining: practical machine learning tools and techniques with Java implementations. Morgan Kaufmann, San Francisco, 558 pages.
  17. Zhao, Y., Y. Li, L. Zhang and Q. Wang. 2016. Groundwater level prediction of landslide based on classification and regression tree. Geodesy and Geodynamics, 7(5): 348-355.
آمار
تعداد مشاهده مقاله: 214
تعداد دریافت فایل اصل مقاله: 200


counter
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب