سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,533
تعداد مقالات70,506
تعداد مشاهده مقاله124,125,627
تعداد دریافت فایل اصل مقاله97,233,938
رضایی, الهام, خاشعی سیوکی, عباس, شهیدی, علی. (1393). طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM). , 45(4), 389-396. doi: 10.22059/ijswr.2014.52591
الهام رضایی; عباس خاشعی سیوکی; علی شهیدی. "طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM)". , 45, 4, 1393, 389-396. doi: 10.22059/ijswr.2014.52591
رضایی, الهام, خاشعی سیوکی, عباس, شهیدی, علی. (1393). 'طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM)', , 45(4), pp. 389-396. doi: 10.22059/ijswr.2014.52591
رضایی, الهام, خاشعی سیوکی, عباس, شهیدی, علی. طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM). , 1393; 45(4): 389-396. doi: 10.22059/ijswr.2014.52591

طراحی شبکه پایش سطح آب زیر‏زمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM)

تحقیقات آب و خاک ایران
مقاله 3، دوره 45، شماره 4، دی 1393، صفحه 389-396    اصل مقاله (573.26 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijswr.2014.52591
نویسندگان
الهام رضایی* 1؛ عباس خاشعی سیوکی2؛ علی شهیدی2
1دانشجوی کارشناسی ارشد منابع آب دانشگاه بیرجند
2استادیار گروه مهندسی آب دانشگاه بیرجند
چکیده
این مطالعه روشی برای طراحی شبکه‏های پایش کمّی آب زیر‏زمینی به ‏منظور کاهش نقاط پایش مکانی اضافی ارائه می‏کند؛ چاه‏های اضافی، که اگر نمونه‏گیری نشوند، خطا‏ی تخمین سطح آب زیر‏زمینی آن‌ها قابل چشم‌پوشی است. این روش مبتنی بر روش ماشین بردار پشتیبان بر پایة تئوری یادگیری آماری است. در این مطالعه، با استفاده از اطلاعات کمّی 63 چاه‏ مشاهداتی و پارامتر‏های هواشناسی (بارندگی و تبخیر) دشت رامهرمز، در دورة 7 ساله، عملکرد مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در طراحی شبکة برداشت چاه‏های مشاهداتی آب زیر‏زمینی بررسی شد. ترکیب‏های مختلف پارامتر‏های اثر‏گذار بر تراز سطح آب زیر‏زمینی با استفاده از مدل LS-SVM ارزیابی شد. ترکیب برتر مدل LS-SVM دربرگیرندة شاخص‏های عملکرد (3405/0MAE=و 9992/0= 2R) است. سپس، با استفاده از تابع تقریب بهینه، 42 عدد چاه مشاهداتی به ‏منظور پایش مکانی مناسب در منطقة دشت رامهرمز مشخص شد.
کلیدواژه‌ها
تابع تقریب؛ دشت رامهرمز؛ مدل‏سازی آب زیر‏زمینی؛ نقاط پایش
مراجع
Asefa, T., W. Kemblowski, M., Urroz, G., Mckee, M., and Khalil, A., (2004). Support vectors machines(SVM) for monitoring network design. Journal of Ground‏water .43(3),413-422.

Asefa, T., W. Kemblowski, M., Urroz, G., Mckee, M., and Khalil, A., (2005). Support vectors-based groundwater head observation networks design. Journal of Water Resources Research.(40).

Bashi-Azghadi, S. N. and Kerachian, R. (2010). Locating monitoring wells in groundwater systems using embedded optimization and simulation models. Science of the Total Environment. 408: 2189–2198.

Cristianini, N. and Shawe-Taylor, J. (2000).An Introduction to Support Vector Machines. Cambridge university press. NEW YORK.

Guo, Y., Wang, j., Yin, X., (2011). Optimizing the ground water monitoring network using MSN Theory. Procedia Social and behavioral Sciences. 21, 240-242.

H.Hwang, S., H. Ham, D., and H. Kim, J. (2012). Forecasting Performance of LS-SVM For Nonlinear Hydrological Time Series. J.CivilEng.,16(5), 870-882.

Hatef, M. R. (2007). Final Report of project study Plain RAMHORMOZ hydroclimatology balance, Ahvaz, Khuzestan Water and Power Organization.

Khashei-Siuki, A., Ghahraman, B., and Kouchakzadeh, M. (2013). Comparison of ANN, ANFIS and Regression models to estimate groundwater  level of Neyshaboor aquifer.Journal of lrrigation and Drainage, 7(1), 10-22. (In Farsi)

Kisi, O. (2012).Least squares support vector machine for modeling daily reference evapotranspiration. Irrig Sci.

Masoumi, F. and Kerachian, R. (2007). Optimal Groundwater Monitoring Network Design Using the Entropy Theoty. Journal of Water & Wastewater,65. (In Farsi).

Mellit, A., Massi Pavan, A., and Benghanem, M. (2013). Least squares support vector machine for short-term prediction of meteorological time series. Theor Appl Climatol,111, 297–307.

Seifi, A. (2010). Developing an Expert System for Predicting Daily Reference Evapotranspiration Using Support Vector Machines (SVM) in Comparison with ANFIS, ANN and Empirical Methods. M. S. in Irrigation and drainage Engineering, Tarbiat Modares University, Tehran. (In Farsi)

Shiloh Shah, R. (2007).Support vector machines for classification and regression,Master of science,computer science,Mcgill university Montreal, Quebec.

Suykens, J. A. K., Gestel, T. V., Brabanter, J. D., Moor, B. D., and Vandewalle, J. (2002). Least Squares Support Vector Machines. Copyright by World Scientific Publishing Co. Pie. Ltd. (pp.58,72-75, 98-99).

Zhou, Y., Dong, D., Lio, and J. Li, W. (2013). Upgrading a regional groundwater level monitoring network for Beijing Plain, China. GEoSCIENCE FRONTIERS, 4,127-138.

آمار
تعداد مشاهده مقاله: 2,528
تعداد دریافت فایل اصل مقاله: 2,692


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب