پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,036 |
| تعداد مشاهده مقاله | 125,504,594 |
| تعداد دریافت فایل اصل مقاله | 98,768,661 |
تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکة عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی | ||
| محیط شناسی | ||
| مقاله 14، دوره 37، شماره 58، شهریور 1390، صفحه 129-140 اصل مقاله (365.64 K) | ||
| نویسندگان | ||
| حمید زارع ابیانه1؛ مریم بیات ورکشی2؛ سمیرا اخوان3؛ محمد محمدی4 | ||
| 1دانشگاه بوعلی‌سینا ، استادیار گروه مهندسی آب دانشکدة کشاورزی | ||
| 2دانشگاه بوعلی‌سینا ، دانش آموخته کارشناسی ارشد آبیاری و زهکشی دانشکدة کشاورزی | ||
| 3دانشگاه بوعلی‌سینا، استادیار گروه مهندسی آب دانشکدة کشاورزی | ||
| 4دانشگاه بوعلی سینا، کارشناس آبیاری | ||
| چکیده | ||
| کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه‌گیری‌های دقیق دوره‌ای است که با وجود اندازه‌گیری آن در برخی مناطق، به‌علت حساسیت‌های اجتماعی و سلامتی جامعه گزارش نمی‌شود. بنابراین مدل‌سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به‌نظر می‌رسد. هدف این مطالعه استفاده از روش شبکة عصبی مصنوعی در برآورد نیترات و مقایسة آن با مقادیر اندازه‌گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده‌ها از آمار و اطلاعات کمی و کیفی 53 حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای 1382 تا 1387 اخذ شد. در گروه اطلاعات پرهزینه از 13 متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از 7 و 8 متغیر به تفکیک برای مدل‌سازی نیترات استفاده شد. مقایسة نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکة عصبی در پیش‌بینی غلظت نیترات است. مقایسة میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنی‌داری بین نتایج مدل‌ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه‌های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه‌های آب اندازه‌گیری شده است که موفق به پیش‌بینی غلظت نیترات با اطمینانی بیش از 80 درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی؛ شبکة عصبی مصنوعی؛ نیترات؛ همدان | ||
| عنوان مقاله [English] | ||
| Estimation of Nitrate in Hamedan-Bahar Plain Groundwater Using Artificial Neural Network and the Effect of Data Resolution on prediction Accuracy | ||
| نویسندگان [English] | ||
| Hamid Zare Abyaneh1؛ Maryam Bayat Varkeshi2؛ Samira Akhavan3؛ Mohammad Mohammadi4 | ||
| چکیده [English] | ||
| Information on nitrate in groundwater resources requires periodic measurements are accurate. Despite the measure in some areas due to sensitive social and health community are not reported. Therefore, be informed of the status of each area of water quality, modeling is essential. The purpose of this study was the application of artificial neural network method for estimating nitrate and compared with measured and estimated effectiveness of nitrate from the number and type of input data to neural network models. Data from 53 groundwater wells Hamedan - Bahar plain, two groups of costly information and low cost, during the years 2003 to 2008 were collected. In costly information, of the 13 independent variables were used as chemical input neural network and in low-cost group of seven and eight variables separately for modeling nitrate was used. Comparison of three structures indicates the high ability of neural network models in predicting the nitrate concentration. Comparison of the average error from all three neural network models with t test and Z statistics showed significant differences between the model results, there isn't. Therefore, the input data in neural network group is justified. Model input parameters include the depth of the static characteristics of geomorphology, deep wells, geographical and qualitative information of temperature, pH, EC of water samples was measured that was predicted, with nitrate concentrations of more than % 80 confidence that shows model performance is good in the aquifer of Hamedan– Bahar. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, Hamedan, Nitrate, prediction | ||
|
آمار تعداد مشاهده مقاله: 2,683 تعداد دریافت فایل اصل مقاله: 3,720 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب