مدلسازی زمانی- مکانی سطح ایستابی آب های زیرزمینی( مطالعه موردی :دشت آذرشهر)
Parallel Title Proper
Temporal and Spatial modeling of groundwater surface (Case study: Azarshahr plain)
First Statement of Responsibility
/نفیسه سینایی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: کشاورزی
Date of Publication, Distribution, etc.
، ۱۳۹۴
Name of Manufacturer
، میرزائی
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۶۹ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
علوم و مهندسی آب گرایش منابع آب
Date of degree
۱۳۹۴/۱۱/۰۶
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
پیشصبینی تراز آب زیرزمینی در یک دشت یکی از مهمترین مسائل برای مدیریت منابع آب زیرزمینی میصباشد .بنابراین، فهم تغییرات مکانی زمانی تراز آب زیرزمینی برای مدیریت آب زیرزمینی دشتصها بسیار مهم خواهد بود .در این پژوهش، مدل ترکیبی شبکهصعصبی-زمینصآمار برای پیشصبینی مکانی زمانی تراز آب زیرزمینی ارائه گردیده است .مدل پیشنهادی دو مرحله جداگانه را شامل میصشود .در مرحله اول، یک شبکهصعصبی برای هریک از پیزومترها برای مدلسازی تراز آب زیرزمینی آموزش داده میصشود .بنابراین، مدل میصتواند تراز آب زیرزمینی را برای یک ماه بعد پیشصبینی کند .در مرحله دوم، مقادیر پیشصبینی شده تراز آب زیرزمینی در پیزومترهای مختلف به مدل زمینصآمار) برای مثال، کریجینگ (به منظور تخمین تراز آب زیرزمینی در هر نقطه دلخواهی اعمال میصشود .این روش برای دشت آذرشهر در استان آذربایجانصشرقی استفاده شده است .نتایج نشان داد مدل شبکهصعصبی پیشرو با الگوریتم لونبرگ مارکوارت برای آموزش زمانی و تکنیک کریجینگ برای مدلسازی مکانی انتخاب خوبی برای پیشصبینی تراز آب زیرزمینی در دشت میصباشد
Text of Note
Prediction of groundwater level in a plain is of immense importance for the management of groundwater resources. Thus, it is most important to comprehend the spatiotemporal variations of the groundwater level for the management of groundwater in the plains. In this research, a hybrid, artificial neural network (ANN)-geostatistics methodology is presented for spatiotemporal prediction of groundwater levels. The proposed model includes two separated stages. At the first stage, an ANN is calibrated for each piezometer for time-series modeling of the groundwater level, so that the model can forecast the groundwater level the next month. At the second stage, predicted values of groundwater levels at different piezometers are imposed to a calibrated geostatistics model (e.g., Kriging) in order to estimate groundwater level at any desired point in the plain. This methodology is applied for the Azarshahr plain in East Azerbaijan Province, Iran. Results show that the feed-forward neural network trained conjunction with Levenberg-Marquardt algorithm for temporal and Kriging technique for spatial modeling are good choices for predicting groundwater levels in the plain
PARALLEL TITLE PROPER
Parallel Title
Temporal and Spatial modeling of groundwater surface (Case study: Azarshahr plain)