سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,572
تعداد مقالات71,028
تعداد مشاهده مقاله125,499,436
تعداد دریافت فایل اصل مقاله98,762,037
کرمی, حدیث, ملک محمدی, بهرام, جوادی, سامان. (1403). استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل). , 11(2), 235-256. doi: 10.22059/ije.2024.373124.1801
حدیث کرمی; بهرام ملک محمدی; سامان جوادی. "استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل)". , 11, 2, 1403, 235-256. doi: 10.22059/ije.2024.373124.1801
کرمی, حدیث, ملک محمدی, بهرام, جوادی, سامان. (1403). 'استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل)', , 11(2), pp. 235-256. doi: 10.22059/ije.2024.373124.1801
کرمی, حدیث, ملک محمدی, بهرام, جوادی, سامان. استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل). , 1403; 11(2): 235-256. doi: 10.22059/ije.2024.373124.1801

استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل)

مجله اکوهیدرولوژی
دوره 11، شماره 2، تیر 1403، صفحه 235-256    اصل مقاله (2.35 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2024.373124.1801
نویسندگان
حدیث کرمی1؛ بهرام ملک محمدی* 2؛ سامان جوادی3
1دانشجوی دکتری، دانشکده محیط زیست پردیس بین المللی کیش دانشگاه تهران، کیش
2دانشیار دانشکده محیط زیست پردیس فنی دانشگاه تهران
3عضو هیات علمی گروه آب پردیس ابوریحان دانشگاه تهران
چکیده
این تحقیق با هدف ارزیابی آسیب‌ پذیری آبخوانها با مقایسه دو رویکرد یادگیری عمیق و یادگیری ماشین در واسنجی شاخص انجام شده است. براین اساس با تحلیل آسیب‌پذیری ذاتی آبخوان آمل-بابل با شاخص DRASTIC پهنه‌‌های حساس آبخوان مشخص گردید. نتایج شاخص آسیب‌ پذیری نشان داد که بخش شمالغربی آبخوان نسبت به سایر مناطق دارای حساسیت بالاتری است. بررسی مقدار همبستگی بین غلظت نیترات به عنوان یک شاخص تاثیرگذار با شاخص آسیب‌پذیری DRASTIC حاکی از مقدار 24 درصد است که این مقدار نیازسنجی به واسنجی را نشان داد. براین اساس با دو روش CNN-Harris Hawks و LSTM-MPA به عنوان رویکردهای یادگیری عمیق، واسنجی وزن و رتبه‌های شاخص به عنوان متغیر تصمیم با هدف حداکثرسازی همبستگی غلظت نیترات و شاخص آسیب‌ پذیری انجام گرفت. نتایج نشان داد که روش CNN-HH با همبستگی 0/62 نسبت به روش LSTM-MPA با همبستگی 0/59دارای برتری است. پهنه‌های آسیب‌پذیری در شرایط واسنجی نشان داد که بخش غربی و شمال شرقی دارای آسیب‌ پذیری بالاتری است. از طرفی وزن و رتبه‌های واسنجی شده حاکی از افزایش کلیه وزن و رتبه‌ها در شرایط واسنجی نسبت به شرایط اولیه بوده که این موضوع پس از تحلیل رویکردهای بهینه‌سازی مشخص شد
کلیدواژه‌ها
بهینه‌سازی؛ واسنجی؛ همبستگی؛ یادگیری عمیق؛ یادگیری ماشین
عنوان مقاله [English]
Using the deep learning approach to increase the efficiency of the alluvial aquifer vulnerability index (Case study: Coastal aquifer: Babol-Amol)
نویسندگان [English]
Hadis Karami1؛ Bahram Malekmohammadi2؛ Saman Javadi3
1Environment faculty University of Tehran
2Associate Professor, School of Environment, College of Engineering, University of Tehran, Tehran, IRAN
3Department of water engineering University of Tehran
چکیده [English]
This research aims to evaluate the vulnerability of aquifers by comparing two approaches of deep learning and machine learning in index calibration. Therefore, by analyzing the inherent vulnerability of the Amol-Babol aquifer with the DRASTIC index, the sensitive areas of the aquifer were identified. The results of the vulnerability index showed that the northwestern part of the aquifer is more sensitive than other areas. Examining the correlation value between nitrate concentration as an effective index with the DRASTIC vulnerability index indicates a value of 24%, which indicated the need for recalibration. Therefore, with two CNN-Harris Hawks and LSTM-MPA methods as deep learning approaches, weighting and index ranks were carried out as decision variables with the aim of maximizing the correlation of nitrate concentration and vulnerability index. The results showed that the CNN-HHO method with a correlation of 0.62 is superior to the LSTM-MPA method with a correlation of 0.59. Vulnerability zones in the assessment conditions showed that the western and northeastern parts have higher vulnerability. On the other hand, the recalibrated weights and ranks indicate an increase in all weights and ranks in recalibration conditions compared to the initial conditions, which was determined after analyzing the optimization approaches
کلیدواژه‌ها [English]
optimization, calibration, correlation, deep learning, machine learning
مراجع
  1. Rupert MG. Calibration of the DRASTIC ground water vulnerability mapping method. Groundwater. 2001 Jul;

39(4): 625-30.

  1. Lasagna M, De Luca DA, Franchino E. Intrinsic groundwater vulnerability assessment: issues, comparison of

different methodologies and correlation with nitrate concentrations in NW Italy. Environmental earth sciences.

2018 Apr; 77: 1-6.

  1. Kazakis N, Voudouris KS. Groundwater vulnerability and pollution risk assessment of porous aquifers to nitrate:

Modifying the DRASTIC method using quantitative parameters. Journal of Hydrology. 2015 Jun 1; 525: 13-25.

  1. Huan H, Wang J, Teng Y. Assessment and validation of groundwater vulnerability to nitrate based on a modified

DRASTIC model: a case study in Jilin City of northeast China. Science of the total environment. 2012 Dec 1;

440: 14-23.

  1. Alikhani J, Deinhart AL, Visser A, Bibby RK, Purtschert R, Moran JE, Massoudieh A, Esser BK. Nitrate

vulnerability projections from Bayesian inference of multiple groundwater age tracers. Journal of Hydrology.

2016 Dec 1; 543: 167-81.

  1. Groenendijk P, Heinen M, Klammler G, Fank J, Kupfersberger H, Pisinaras V, Gemitzi A, Peña-Haro S, García-

Prats A, Pulido-Velazquez M, Perego A. Performance assessment of nitrate leaching models for highly

vulnerable soils used in low-input farming based on lysimeter data. Science of the total environment. 2014 Nov

15; 499: 463-80.

  1. Hansen B, Sonnenborg TO, Møller I, Bernth JD, Høyer AS, Rasmussen P, Sandersen PB, Jørgensen F. Nitrate

vulnerability assessment of aquifers. Environmental Earth Sciences. 2016 Jun; 75: 1-5.

  1. Javadi S, Kavehkar N, Mohammadi K, Khodadadi A, Kahawita R. Calibrating DRASTIC using field

measurements, sensitivity analysis and statistical methods to assess groundwater vulnerability. Water

international. 2011 Oct 1; 36(6): 719-32.

  1. Javadi S, Kardan Moghaddam H, Neshat A. A new approach for vulnerability assessment of coastal aquifers

using combined index. Geocarto International. 2022 Mar 19; 37(6): 1681-703.

  1. Kardan Moghaddam H, Rahimzadeh Kivi Z, Bahreinimotlagh M, Moghddam HK. Evaluation of the groundwater

resources vulnerability index using nitrate concentration prediction approach. Geocarto International. 2022 Mar

19; 37(6): 1664-80.

  1. Barzegar R, Asghari Moghaddam A, Norallahi S, Inam A, Adamowski J, Alizadeh MR, Bou Nassar J.

Modification of the DRASTIC framework for mapping groundwater vulnerability zones. Groundwater. 2020

May; 58(3): 441-52.

  1. Thirumalaivasan D, Karmegam M, Venugopal K. AHP-DRASTIC: software for specific aquifer vulnerability

assessment using DRASTIC model and GIS. Environmental Modelling & Software. 2003 Sep 1; 18(7): 645-56.

  1. Sorichetta A, Ballabio C, Masetti M, Robinson Jr GR, Sterlacchini S. A Comparison of Data­Driven

Groundwater Vulnerability Assessment Methods. Groundwater. 2013 Nov; 51(6): 866-79.

  1. Ameur M, Aouiti S, Hamzaoui-Azaza F, Cheikha LB, Gueddari M. Vulnerability assessment, transport modeling

and simulation of nitrate in groundwater using SI method and modflow-MT3DMS software: case of Sminja

aquifer, Tunisia. Environmental Earth Sciences. 2021 Mar; 80: 1-6.

  1. Saida S, Tarik H, Abdellah A, Farid H, Hakim B. Assessment of groundwater vulnerability to nitrate based on the

optimised DRASTIC models in the GIS environment (case of Sidi Rached Basin, Algeria). Geosciences. 2017

Mar 31; 7(2): 20.

  1. Elzain HE, Chung SY, Senapathi V, Sekar S, Lee SY, Roy PD, Hassan A, Sabarathinam C. Comparative study of

machine learning models for evaluating groundwater vulnerability to nitrate contamination. Ecotoxicology and

Environmental Safety. 2022 Jan 1; 229: 113061.

  1. Fu G, Jin Y, Sun S, Yuan Z, Butler D. The role of deep learning in urban water management: A critical review.

Water Research. 2022 Sep 1; 223: 118973.

  1. LeCun Y, Bengio Y, Hinton G. Deep learning. nature. 2015 May 28; 521(7553): 436-44.
  2. Kardan Moghaddam H, Jafari F, Javadi S. Vulnerability evaluation of a coastal aquifer via GALDIT model and

comparison with DRASTIC index using quality parameters. Hydrological Sciences Journal. 2017 Jan 2; 62(1):

137-46.

  1. Aller L, Thornhill J. DRASTIC: a standardized system for evaluating ground water pollution potential using

hydrogeologic settings. Robert S. Kerr Environmental Research Laboratory, Office of Research and

Development, US Environmental Protection Agency; 1987.

  1. Gharekhani M, Nadiri AA, Asghari Moghaddam A, Sadeghi Aghdam F. Optimization of DRASTIC model by

support vector machine and artificial neural network for evaluating of intrinsic vulnerability of Ardabil plain

aquifer. Iranian journal of Ecohydrology. 2015 Sep 23; 2(3): 311-24.

  1. Jafari SM, Nikoo MR. Groundwater risk assessment based on optimization framework using DRASTIC method.

Arabian Journal of Geosciences. 2016 Dec; 9: 1-4.

  1. Khosravi K, Sartaj M, Tsai FT, Singh VP, Kazakis N, Melesse AM, Prakash I, Bui DT, Pham BT. A comparison

study of DRASTIC methods with various objective methods for groundwater vulnerability assessment. Science of

the total environment. 2018 Nov 15; 642: 1032-49.

  1. Norouzi H, Moghaddam AA, Celico F, Shiri J. Assessment of groundwater vulnerability using genetic algorithm

and random forest methods (case study: Miandoab plain, NW of Iran). Environmental Science and Pollution

Research. 2021 Aug; 28: 39598-613.

  1. Sadatipoor E, Noori R, Baghvand A, Javadi Pirbazari S, Kardan Moghaddam H. Application of DRASTIC Model

for groundwater vulnerability assessment of the Ghaen Aquifer. Journal of Environmental Science Studies. 2016

Dec 20; 1(2): 63-71.

  1. Taghavi N, Niven RK, Paull DJ, Kramer M. Groundwater vulnerability assessment: A review including new

statistical and hybrid methods. Science of the Total Environment. 2022 May 20; 822: 153486.

  1. Marblestone AH, Wayne G, Kording KP. Toward an integration of deep learning and neuroscience. Frontiers in

computational neuroscience. 2016 Sep 14; 10: 215943.

  1. Bordbar M, Rezaie F, Bateni SM, Jun C, Kim D, Busico G, Moghaddam HK, Paryani S, Panahi M, Valipour M.

Global Review of Modification, optimization, and improvement models for Aquifer Vulnerability Assessment in

the era of Climate Change. Current Climate Change Reports. 2023 Dec; 9(4): 45-67.

  1. Heidari AA, Mirjalili S, Faris H, Aljarah I, Mafarja M, Chen H. Harris hawks optimization: Algorithm and

applications. Future generation computer systems. 2019 Aug 1; 97: 849-72.

  1. Baraldi L, Grana C, Cucchiara R. Hierarchical boundary-aware neural encoder for video captioning.

InProceedings of the IEEE conference on computer vision and pattern recognition 2017 (pp. 1657-1666).

  1. Faramarzi A, Heidarinejad M, Mirjalili S, Gandomi AH. Marine Predators Algorithm: A nature-inspired

metaheuristic. Expert systems with applications. 2020 Aug 15; 152: 113377.

آمار
تعداد مشاهده مقاله: 109
تعداد دریافت فایل اصل مقاله: 162





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب