- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
اخبار و اعلانات
آمار
| تعداد نشریات | 279 |
| تعداد نشریات سازمان | 78 |
| تعداد شماره‌ها | 2,248 |
| تعداد مقالات | 26,038 |
| تعداد مشاهده مقاله | 14,151,916 |
| تعداد دریافت فایل اصل مقاله | 11,327,400 |
استفاده از الگوریتم‌های درخت رگرسیون تقویت شده، درخت مدل لجستیک و جنگل تصادفی به منظور ارزیابی پتانسیل آب‌های زیرزمینی در دشت بیرجند استان خراسان جنوبی | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 آذر 1400 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2021.356517.1440 | ||
| نویسندگان | ||
سید احمد اسلامی نژاد 1؛ مبین افتخاری  2؛ محمد اکبری 3؛ هادی بیات1؛ وریا برقی1
| ||
| 1دانش‌آموخته کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران | ||
| 2کارشناس ارشد مهندسی عمران آب و سازه های هیدرولیکی. عضو باشگاه پژوهشگران جوان و نخبگان، واحد مشهد، دانشگاه آزاد اسلامی. مشهد. ایران | ||
| 3دانشیار گروه مهندسی عمران، دانشگاه بیرجند، بیرجند، ایران | ||
| چکیده | ||
| آب های زیرزمینی، به دلیل رشد جمعیت و صنعتی شدن در مناطق مختلف جهان، به طور غیرقابل کنترلی مورد بهرهبرداری قرار میگیرند. هدف این پژوهش، ارزیابی پتانسیل آب‌های زیرزمینی توسط الگوریتم‌های پیشرفته یادگیری ماشین و با استفاده از معیارهای توپوگرافی، هیدرولوژی، محیطی و زمین‌شناسی می‌باشد. برای انجام این کار، از سه الگوریتم پیشرفته یادگیری ماشین شامل درخت رگرسیون تقویت شده (BRT)، درخت مدل لجستیک (LMT) و جنگل تصادفی (RF) استفاده شد. لذا جهت پیاده‌سازی، داده‌های ژئوهیدرولوژیکی 37 حلقه چاه آب زیرزمینی در دشت بیرجند استان خراسان جنوبی جمع‌آوری شد و از طریق انتخاب تصادفی به نسبت 70 به 30 به مجموعه داده‌های آموزشی و اعتبارسنجی تقسیم شدند. در نهایت، نقشه‌های پتانسیل آب زیرزمینی با استفاده از الگوریتم‌های BRT، LMT و RF تهیه شدند. به منظور اعتبارسنجی الگوریتم‌های پیش‌بینی پتانسیل آب زیرزمینی، سطح زیر منحنی (AUC) و معیارهای آماری نرخ پیش‌بینی‌شده مثبت، نرخ پیش‌بینی‌شده منفی، حساسیت، ویژگی و دقت مورد استفاده قرار گرفتند. نتایج نشان داد که مدلLMT (865/0 =AUC) عملکرد بهتری نسبت به مدل‌های BRT و RF در پیش‌بینی پتانسیل آب زیرزمینی منطقه موردمطالعه دارد. | ||
| کلیدواژه‌ها | ||
| سیستم اطلاعات جغرافیایی (GIS)؛ پتانسیل آب زیرزمینی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Using Boosted Regression Tree, Logistic Model Tree, and Random Forest algorithms to evaluate the groundwater potential in Birjand plain of South Khorasan Province | ||
| نویسندگان [English] | ||
| Seyed Ahmad Eslaminezhad1؛ Mobin Eftekhari2؛ Mohammad Akbari3؛ Hadi Bayat1؛ Wrya Barghi1 | ||
| 1Master of Science (MSc), Department of Surveying Engineering, Faculty of Surveying Engineering and Geospatial Information, University of Tehran, Tehran, Iran, | ||
| 2Master of Science (MSc), Civil Engineering, Water and Hydraulic Structures, Young Researchers and Elite Club, Mashhad Branch, Islamic Azad University, Mashhad, Iran | ||
| 3Associate professor Dept. of Civil Engineering, University of Birjand, Birjand, Iran | ||
| چکیده [English] | ||
| Groundwater is exploited uncontrollably due to population growth and industrialization in different parts of the world. The purpose of this study is to evaluate the groundwater potential by advanced machine learning algorithms using topographical, hydrological, environmental and geological criteria. To do this, three advanced machine learning algorithms were used, including Boosted Regression Tree (BRT), Logistic Model Tree (LMT), and Random Forest (RF). Therefore, for implementation, geo-hydrological data of 37 groundwater wells in Birjand plain of South Khorasan province were collected and randomly selected in a ratio of 70 to 30 were divided into training and validation data sets. Finally, groundwater potential maps were prepared using BRT, LMT and RF algorithms. In order to validate the groundwater potential prediction algorithms, the area under the curve (AUC) and the statistical criteria of positive predictive rate, negative predictive rate, sensitivity, specificity and accuracy were used. The results showed that the LMT model (AUC = 0.865) has a better performance than the BRT and RF models in predicting the groundwater potential of the study area. | ||
| کلیدواژه‌ها [English] | ||
| Geographical Information System (GIS), Groundwater potential, Machine learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 72 |
||
