پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,998,774 |
| تعداد دریافت فایل اصل مقاله | 89,672,760 |
تبیین تحولات رخساره‌های هیدروشیمیایی آبخوان سراب با استفاده از روش‌های خوشه‌بندی میانگین فازی و تحلیل خوشه سلسله مراتبی | ||
| اکوهیدرولوژی | ||
| مقاله 12، دوره 4، شماره 3، مهر 1396، صفحه 763-773 اصل مقاله (1.05 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.62624 | ||
| نویسندگان | ||
| میثم ودیعتی* 1؛ اصغر اصغری مقدم2؛ محمد نخعی3 | ||
| 1دانشجوی دکتری، گروه علوم زمین، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز | ||
| 2استاد، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز | ||
| 3استاد، دانشکدۀ علوم زمین، دانشگاه خوارزمی تهران، تهران | ||
| چکیده | ||
| در پژوهش حاضر، خوشه‌بندی مجموعهای از دادههای هیدروشیمیایی آبخوان سراب با استفاده از روش‌های خوشه‌بندی C-میانگین فازی (FCM) و تحلیل خوشۀ سلسله‌مراتبی (HCA) انجام شده و کاربرد آنها در تبیین رخساره‌های هیدروشیمیایی مطالعه شد. خوشههای آماری شباهت مکانی را بررسی میکنند و نشان میدهند خوشهها مطابقت هیدروژئولوژیکی با رخساره‌های هیدروشیمیایی آبخوان دارند. نمونههای آب زیرزمینی با استفاده از بهینه‌کردن تعداد خوشه و درجۀ فازی‌شدگی با استفاده از روش Cـ میانگین فازی به چهار خوشه طبقهبندی شدند. از دادههای 49 نمونه آب زیرزمینی و 12 متغیر هیدروشیمیایی منطقۀ مطالعه‌شده استفاده شد. نتایج این دو روش مراکز خوشه را تولید میکند که در تشخیص فرایندهای فیزیکی و شیمیایی تغییرات هیدروشیمی منطقۀ مطالعه‌شده مؤثر است. روش FCM روشی مناسب در تحلیل دادهها در بیان توزیع رخساره‌های هیدروشیمیایی است. نتایج نشان داد رویۀ خوشه‌بندی برای تخصیص نمونههای شیمیایی آب زیرزمینی به گروههای همگن توسط روش FCM ابزاری مهم در تشخیص رخساره‌های هیدروشیمیایی آبخوان است و این روش در تحلیل دادههای مرزی، نسبت به روش HCA که تغییراتی واضح و ناگهانی دارد؛ تواناتر است. | ||
| کلیدواژه‌ها | ||
| آب زیرزمینی؛ خوشه‌بندی؛ دشت سراب؛ رخسارۀ هیدروشیمیایی؛ منطق فازی | ||
| عنوان مقاله [English] | ||
| Definition of Sarab Aquifer Hydrochemical Facies Distribution by means of Fuzzy C-Mean Clustering and Hierarchical Cluster Analysis Methods | ||
| نویسندگان [English] | ||
| Meisam Vadiati1؛ Asghar Asghari Moghaddam2؛ Muhammad Nakhaei3 | ||
| 1PhD Student, Faculty of Natural Science, University of Tabriz, Tabriz | ||
| 2Professor, Faculty of Natural Science, University of Tabriz, Tabriz | ||
| 3Professor, Faculty of Earth Science, Kharazmi University, Tehran | ||
| چکیده [English] | ||
| In this research, clustering of a hydrochemical data set from Sarab plain aquifer has been carried out using Fuzzy C-Means (FCM) and Hierarchical Cluster Analysis (HCA) techniques and its application in delineation of hydrochemical facies has been studied. The statistical clusters analyze the spatial coherence indicating that that the clusters have a hydrogeological correspondence with aquifer hydrochemical facies. Groundwater samples were grouped into four classes using the fuzzy c-mean. The data set includes 49 water samples and 12 hydrochemical variables selected from the study area. The results obtained from both approaches presented cluster centers that can be used in order to identify the physical and chemical processes causing variations in the hydrochemistry variation of study area. The FCM method is potentially useful in establishing hydrochemical facies distribution. The results showed that the clustering scheme for partitioning water chemistry samples into homogeneous groups produced by FCM method is an important tool for determination of aquifer hydrochemical facies and the FCM method is more capable to investigate threshold data than HCA method which is characterized by sharp and abrupt variation. | ||
| کلیدواژه‌ها [English] | ||
| Groundwater, hydrochemical facies, Sarab Plain Clustering, Fuzzy logic | ||
| مراجع | ||
|
[1] Banoeng-Yakubo B, Yidana SM, Nti E. Hydrochemical analysis of groundwater using multivariate statistical methods—the Volta region, Ghana. KSCE Journal of Civil Engineering. 2009;13(1):55-63.
[2] Barbieri P, Adami G, Favretto A, Lutman A, Avoscan W, Reisenhofer E. Robust cluster analysis for detecting physico-chemical typologies of freshwater from wells of the plain of Friuli (northeastern Italy). Analytica Chimica Acta. 2001;440(2):161-70.
[3] Güler C, Thyne GD. Delineation of hydrochemical facies distribution in a regional groundwater system by means of fuzzy c‐means clustering. Water Resources Research. 2004;40(12).
[4] Güler C, Thyne GD, McCray JE, Turner KA. Evaluation of graphical and multivariate statistical methods for classification of water chemistry data. Hydrogeology journal. 2002;10(4):455-74.
[5] Zadeh LA. Fuzzy sets. Information and control. 1965;8(3):338-53.
[6] Taheri M. Introduction to Fuzzy set theory, second edition, Mashahd Jahad Daneshgahi, Inc; 1999 [Persian].
[7] Bezdek JC. Pattern Recognition with Fuzzy Objective Algorithms. Plenum Press New; 1981.
[8] Yousefi Rad M, Ahmadi M, Shafiei Haghshenas S. Mass rock clustering using C-Mean clustering. 4th National Proceeding of Economic Geology [Persian].
[9] Aghili R, Boromand Tesb S, Kahe M. The application of Fuzzy modeling based on C-mean clustering in estimation from evapotranspiration pan (Case study: Khuzestan Province). Soil and Water Conservation Researches. 2012:19(2)81-97 [Persian].
[10] Rantitsch G. Application of fuzzy clusters to quantify lithological background concentrations in stream-sediment geochemistry. Journal of Geochemical Exploration. 2000;71(1):73-82.
[11] Burrough PA, van Gaans PF, MacMillan RA. High-resolution landform classification using fuzzy k-means. Fuzzy sets and systems. 2000;113(1):37-52.
[12] Zhang CT, Chou KC, Maggiora GM. Predicting protein structural classes from amino acid composition: application of fuzzy clustering. Protein engineering. 1995;8(5):425-35.
[13] Azar E, Faraji H. Science of Fuzzy management, Ketabe Mehraban Nashr Press; 2006 [Persian].
[14] Jang JS. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics. 1993;23(3):665-85.
[15] Teshne Lab M, Safar Pour N, Afyouni D. Fuzzy systems and fuzzy control, Khaje Nasiredin Tousi Universty Press; 2007 [Persian].
[16] Hathaway RJ, Bezdek JC. Fuzzy c-means clustering of incomplete data. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2001;31(5):735-44.
[17] Zhang B, Song X, Zhang Y, Han D, Tang C, Yu Y, Ma Y. Hydrochemical characteristics and water quality assessment of surface water and groundwater in Songnen plain, Northeast China. Water research. 2012;46(8):2737-48.
[18] Davis, J.C. Statistics and data analysis in geology, New York: John Wiley and sons; 1986.
[19] Fetter, C.W. Contaminant hydrogeology, second edition, Prentic Hall, Inc; 1999.
| ||
|
آمار تعداد مشاهده مقاله: 664 تعداد دریافت فایل اصل مقاله: 518 |
||