- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- 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
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 2,532 |
| تعداد مقالات | 29,157 |
| تعداد مشاهده مقاله | 17,906,747 |
| تعداد دریافت فایل اصل مقاله | 13,534,306 |
مدلسازی پتانسیل منابع آب زیرزمینی با استفاده از مدل‌های یادگیری ماشینی | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 اسفند 1401 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2023.360675.1506 | ||
| نویسندگان | ||
| احمد سلامت1؛ مجتبی اردستانی* 2؛ بهرام ملک محمدی3 | ||
| 1دانشجوی دکترا دانشکده محیط زیست دانشگاه تهران | ||
| 2استاد دانشکده محیط زیست دانشگاه تهران | ||
| 3دانشکده محیط زیست دانشگاه تهران | ||
| چکیده | ||
| مقدمه و هدف پتانسیل‌یابی منابع آب زیرزمینی یکی از اصول پایه در مدیریت منابع آب است. هدف این پژوهش پتانسیل‌یابی آب زیرزمینی با استفاده از مدل‌های یادگیری ماشین بردار پشتیبان (SVM) و همچنین الگوریتم‌های فراکاوشی (مدل هیبریدی ماشین بردار پشتیبان و الگوریتم بهینه‌سازی فراکاوشی زنبور عسل (SVM-BA) و مدل هیبریدی ماشین بردار پشتیبان و الگوریتم بهینه‌سازی فراکاوشی ازدحام ذرات (SVM-PSO)) است. مواد و روش‌ها در این پژوهش عوامل ارتفاع، شیب، جهت، شاخص رطوبت توپوگرافی، فاصله از آبراهه، تراکم زهکشی، فاصله از گسل، سنگ‌شناسی، شاخص موقعیت توپوگرافی، شاخص ناهمواری زمین، موقعیت شیب نسبی و شاخص همگرایی جریان در منطقه بجنورد انتخاب شدند. اطلاعات موقعیت 359 چشمه از شرکت آب منطقه‌ای دریافت شد. الگوریتم تقسیم‌بندی تصادفی برای تقسیم نقاط آموزشی (70 درصد) و نقاط اعتبارسنجی (30 درصد) مورد استفاده قرار گرفت. بر اساس آنالیز حساسیت حذفی، میزان اهمیت و مشارکت متغیرهای ورودی در پتانسیل-یابی آب زیرزمینی مشخص گردید. ارزیابی دقت مدل‌ها در دو مرحله آموزش و اعتبارسنجی براساس روش منحنی مشخصه عامل گیرنده (ROC) انجام گرفت. نتایج ارزیابی دقت مدل‌ها براساس معیار ارزیابی مساحت زیرمنحنی عامل گیرنده (AUC) نشان داد که دقت پیش‌بینی مدل هیبریدی ماشین بردار پشتیبان و الگوریتم بهینه‌سازی فراکاوشی ازدحام ذرات (SVM-PSO) 945/0 بیشتر از سایر مدل‌ها (SVM: 0.918 و SVM-BA: 0.932) است. براساس نتایج مدل برتر کلاس پتانسیل زیاد 75/7 درصد و کلاس پتانسیل خیلی زیاد 66/38 درصد از سطح منطقه را به خود اختصاص دادند. از میان عوامل، موقعیت شیب نسبی با 5/14 درصد، فاصله از گسل با 4/13 درصد و سنگ‌شناسی با 3/12 درصد بیشترین اهمیت را در پیش‌بینی پتانسیل آب زیرزمینی به خود اختصاص دادند. بحث و نتیجه‌گیری براساس نتایج این پژوهش، مدل ماشین بردار پشتیبان دارای عملکرد بالایی بوده و دو الگوریتم بهینه‌سازی فراکاوشی زنبور عسل و فراکاوشی ازدحام ذرات موجب تقویت قدرت پیش‌بینی مدل شدند. همچنین مدل‌های یادگیری ماشینی می‌توانند ارتباط میان عوامل محیطی و آبدهی چشمه‌ها را شناسایی نمایند و با بکارگیری داده‌های موجود به تعیین نقش آن‌ها بپردازند. عامل موقعیت شیب نسبی به عنوان مهمترین متغیر و عامل فاصله از گسل نیز به عنوان دومین متغیر مهم در پژوهش حاضر مشخص گردید. نتایج تحقیق نشان داد که گسل‌های منطقه نقش مهمی در تغذیه بخش‌های زیرسطحی، ذخیره و جریان آب زیرزمینی دارند. عامل سنگ‌شناسی نیز توسط مدل به عنوان سومین متغیر مهم در شناسایی وضعیت پتانسیل آب زیرزمینی معرفی گردید. در این پژوهش، با ارائه نقشه پتانسیل آب زیرزمینی، امکان برنامه‌ریزی و تدقیق آمایش سرزمین برای آبخیز بجنورد فراهم شده است. | ||
| کلیدواژه‌ها | ||
| آب زیرزمینی؛ بجنورد؛ ماشین بردار پشتیبان؛ یادگیری ماشینی | ||
| عنوان مقاله [English] | ||
| Modeling Groundwater potential using machine learning models | ||
| نویسندگان [English] | ||
| ahmad salamat1؛ Mojtaba Ardestani2؛ bahram malekmohamadi3 | ||
| 1PHD student- Environmental faculty- tehran university | ||
| 2environmental faculty. tehran university | ||
| 3environmental faculty- tehran university | ||
| چکیده [English] | ||
| Background Finding the potential of groundwater resources is one of the basic principles in water resources management. The aim of this research is to determine the potential of groundwater using support vector machine learning (SVM) models as well as metaheuristic algorithms (hybrid support vector machine model and the bee metaheuristic optimization algorithm (SVM-BA) and hybrid model of the support vector machine and particle swarm optimization algorithm (SVM-PSO)). Materials and methods The factors of elevation, slope, aspect, topographic humidity index, distance from stream, drainage density, distance from fault, lithology, topographic position index, land roughness index, relative slope position and flow convergence index were selected in Bojnurd region. Information on the location of 359 springs was received from the regional water company. Random division algorithm was used to divide training points (70%) and validation points (30%). Based on the removal sensitivity analysis, the importance and contribution of the input variables in determining the groundwater potential were determined. The accuracy of the models was evaluated in two stages of training and validation based on the receiver operating characteristic (ROC) curve method. Results The evaluation of the accuracy of the models based on the evaluation criteria of the area under curve (AUC) showed that the prediction accuracy of the hybrid model of the support vector machine and the particle swarm optimization algorithm (SVM-PSO) is 0.945 more than other models (SVM: 0.918 and SVM-BA: 0.932). Based on the results of the superior model, the high potential class and the very high potential class accounted for 7.75% and 38.66% of the area respectively. Among the factors, relative slope position with 14.5%, distance from the fault with 13.4% and lithology with 12.3% were the most important in predicting groundwater potential. Discussion and conclusion Based on the results of this research, the support vector machine model has a high performance, and two optimization algorithms, the bee metaheuristic and particle swarm optimization algorithm, strengthen the predictive power of the model. Also machine learning models can identify the relationship between the environmental factors and the water supply of the springs and determine their role by using the available data. The relative slope position factor was identified as the most important variable and the distance from the fault factor was considered as the second most important variable in the present study. The results of the research showed that the faults in the region play an important role in aquifer recharge, storage and flow of groundwater. The lithological factor was also introduced by the model as the third important variable in identifying the state of groundwater potential. In this research, by presenting the groundwater potential map, it is possible to plan and verify land use planning for the Bojnurd watershed. | ||
| کلیدواژه‌ها [English] | ||
| Bojnurd, Groundwater, Machine Learning, Support Vector Machine | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 24 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب