۱۸۰۲۵پ
per
پتانسیل‌صیابی منابع آب زیرزمینی با استفاده از نظریه رویدادهای غیرمنتظره) مطالعه موردی :دشت اردبیل (
/وحید کریمی خسروشاهی
: کشاورزی
، ۱۳۹۵
، افشاری
چاپی
کارشناسی ارشد
مهندسی آب - مهندسی منابع آب
۱۳۹۵/۱۱/۲۰
تبریز
منابع آب زیرزمینی به دلیل ضریب اطمینان بالاتر و نوسانات کمتر به عنوان یک گزینه مطمئن از دیر باز مورد استفاده انسان بوده و در طی دهه های اخیر در اثر برداشت بیشتر از تغذیه با کاهش کمی و کیفی روبرو شده است که منابع آب زیرزمینی دشت اردبیل نیز از آن مستثنی نیست .یکی از راهکارهای مدیریتی منابع آب، شناسایی مناطق آبی با پتانسیل‌صهای مختلف و بهره‌صبرداری از آنها با توجه به ظرفیت‌ص آن‌صها می‌صباشد .هدف از این مطالعه پتانسیل‌صیابی منابع آب زیرزمینی دشت اردبیل با استفاده از عوامل مؤثر در تغذیه سفره‌صهای آب زیرزمینی، از طریق مدل عینی نظریه رویدادهای غیرمنتظره) مدلی عینی، مبتنی بر ترکیب خطی وزنی (است .لذا برای پتانسیل‌صیابی منابع آب زیرزمینی دشت اردبیل، از پارامترهای ارتفاع، شیب زمین، بارش، فاصله از رودخانه، شاخص پوشش گیاهی، خاک-شناسی، کاربری اراضی، سنگ‌صشناسی، عمق آب زیرزمینی و قابلیت انتقال آبخوان دشت مورد نظر استفاده گردید .به منظور عینیت بخشیدن هرچه بیشتر به مدل‌صسازی، پارامترهای طیفی مورد استفاده، با استفاده از روش بهینه‌صسازی جنکز کلاس‌صبندی شدند .علاوه بر مدل مذکور، نتایج مدل‌صهای ماشین بردار پشتیبان و نائیو بیز) از جمله مدل‌صهای عینی یادگیری ماشینی (و همچنین مدل شاخص انتروپی) از مدل‌صهای عینی مبتنی بر ترکیب خطی وزنی (استخراج شد .ارزیابی نتایج حاصل از مدل‌صها با استفاده از منحنی مشخصه عملکرد سیستم و معیار مساحت زیر منحنی صورت پذیرفت و معیار مساحت زیر منحنی برای مدل‌صهای ماشین بردار پشتیبان، نائیو بیز، شاخص انتروپی و نظریه رویدادهای غیرمنتظره به ترتیب۸۳۳/۰ ،۸۲۱/۰ ، ۷۲۸/۰ و ۷۰۲/۰ محاسبه شد که نشانگر توانایی هر چهار مدل در پتانسیل‌صیابی منابع آب زیرزمینی دشت اردبیل و برتری نسبی مدل ماشین بردار پشتیبان نسبت به سایر مدل‌صها می-باشد .نتایج حاصل از پتانسیل‌صیابی دقیق منابع آب زیرزمینی دشت اردبیل می‌صتواند در طرح‌صهای مدیریت منابع آب زیرزمینی و جلوگیری از بهره‌صکشی بیش از توان آنها سازنده باشد
ve Bayes (NB), and Index of Entropy (IE) in demarcating groundwater potential zones of Ardabil plain which is located on northwest of Iran. For this purpose, based on availability of data, ten groundwater occurrence subsystems including elevation, slope, soil, rainfall, distance from river, land cover, normalized difference vegetation index (NDVI), lithology, groundwater depth, and transmissivity were used. Then, in order to avoid subjectivity, all spectral groundwater data layers were classified into objective classes by using Jenks optimization technique. After computing groundwater potential index for the frameworks, receiver operating characteristic (ROC) curves were drawn and the area under the curves (AUC) were calculated for validation of frameworks. AUC values for the SVM, NB, IE, and CT frameworks are ۰.۸۳۳, ۰.۸۲۱, ۰.۷۲۸, and ۰.۷۰۲, respectively. The overall results approved that all frameworks have good capability for predicting groundwater potential zones. In general, objective data-driven models (SVM and NB) exhibited better performance than the objective weighted linear combination models (CT and IE). Additionally, the SVM model was found most suitable framework for groundwater potential assessment at the study areaگThe aim of this research is to compare the efficiency of four objective frameworks: catastrophe theory (CT), Support vector machines (SVM), Na
کریمی خسروشاهی، وحید
قربانی، محمد علی، استاد راهنما
دربندی، صابره، استادراهنما
سیاه و سفید
نمایه‌سازی قبلی
