بررسی تغییرات تراز سفرۀ آب زیرزمینی با استفاده از الگوریتم فیلتر ذره مبتنی بر جذب داده ماهوارهای (محدودۀ خراسان جنوبی) | ||
| مجله اکوهیدرولوژی | ||
| مقاله 9، دوره 10، شماره 1، بهار 1402، صفحه 127-139 اصل مقاله (881.11 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2023.355554.1714 | ||
| نویسندگان | ||
| امید حاجی سمیعی1؛ مهدی ملازاده* 2؛ محمد اکبری3 | ||
| 1دانشجوی کارشناسی ارشد آب و سازه های هیدرولیکی، گروه مهندسی عمران، دانشکدۀ مهندسی، دانشگاه بیرجند، بیرجند | ||
| 2استادیار، گروه مهندسی عمران، دانشکدۀ مهندسی، دانشگاه بیرجند، بیرجند | ||
| 3دانشیار، گروه مهندسی عمران، دانشکدۀ مهندسی، دانشگاه بیرجند، بیرجند | ||
| چکیده | ||
| در دهههای گذشته به دلیل برداشت بیرویه از منابع آب زیرزمینی، کاهش بارندگیها و افزایش دمای هوا، سطح آبهای زیرزمینی بهشدت کاهش پیدا کرده است. بر اساس پژوهشهای قبلی، کشور ایران از ۱۳۰ میلیارد مترمکعب منابع آب زیرزمینی برخوردار بوده؛ اما منابع آب تجدیدشونده در ۲۰ سال گذشته به ۱۱۰ میلیارد مترمکعب و در شش سال گذشته به کمتر از ۱۰۰ میلیارد مترمکعب کاهش یافته است. بنابراین مسئلۀ تغییرات سطح آب زیرزمینی و پیشبینی این تغییرات از اهمیت ویژهای برخوردار است. در این پژوهش سعی بر آن شد تا مدلی توسعه داده شود که با استفاده از الگوریتم جذب داده به پیشبینی این تغییرات بپردازد. علاوه بر این، یک مدل یادگیری عمیق نیز به عنوان مدل رقیب توسعه داده شد تا نتایج حاصل از مدل پیشنهادی با آن مورد مقایسه قرار گیرند. استان خراسان جنوبی به عنوان مطالعۀ موردی برای مدلسازی انتخاب شد. مقایسۀ بین مدل پیشنهادی و رقیب نشان داد مدل پیشنهادی توانایی بسیار زیادی در پیشبینی داشته و دقت آن حدود دقت مدل رقیب است. براساس این ارزیابی، برای مدل پیشنهادی و مدل رقیب، ضریب تبیین ( ) بهترتیب برابر 91/0 و 95/0 و ریشۀ میانگین مربعات خطا (RMSE) بهترتیب برابر 18/0 و 20/0 به دست آمدند. همچنین ارائۀ صریح روابط و پارامترهای مدل در کنار ارائۀ عدم قطعیتها و یک بازۀ اطمینانپذیری، از سایر مزایای مدل پیشنهادی است که میتواند آیندۀ گستردهای را برای الگوریتمهای جذب داده فراهم آورد. البته مدلهای یادگیری ماشین و یادگیری عمیق که امروزه کاربرد گستردهای دارند، چنین مزایایی را ارائه نمیکنند. | ||
| کلیدواژهها | ||
| سطح آب زیرزمینی؛ الگوریتم فیلتر ذره؛ ماهوارۀ GRACE؛ یادگیری عمیق؛ دادۀ ماهوارهای | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 893 تعداد دریافت فایل اصل مقاله: 493 |
||