پديد آورندگان :
گلابي، محمدرضا دانشگاه رازي - دانشكده كشاورزي - گروه مهندسي آب، كرمانشاه , زينعلي، معصومه دانشگاه شهيد چمران - دانشكده مهندسي علوم آب - گروه مهندسي منابع آب، اهواز , بهرامي، مهدي دانشگاه فسا - دانشكده كشاورزي - گروه مهندسي آب
كليدواژه :
فرامدل شبيه ساز بيان ژن , فرامدل شبيه ساز عصبي فازي , هيدروگراف معرف آبخوان , رگرسيون خطي چند متغيره
چكيده فارسي :
سابقه و هدف: كاهش نزولات جوي، محدود بودن منابع آب و برداشت روزافزون از آب هاي زيرزميني موجب افت سطح ايستابي دشت ها شده است و بنابراين الگوبندي آب هاي زيرزميني به عنوان ابزار كارآمد جهت مديريت و حفاظت اين منابع مطرح هست. اكثر مطالعات انجام شده مربوط به پيش بيني در زمينه آب هاي زيرزميني مربوط به پيش بيني سطح ايستابي است و كم تر به هيدروگراف معرف آبخوان توجه شده است. بنابراين هدف از اين مطالعه در ابتدا شبيه سازي هيدروگراف معرف آبخوان با استفاده از فر امدل هاي شبيه ساز عصبي- فازي و بيان ژن و رگرسيون خطي چند متغيره مي باشد. سپس مقايسه اين سه روش است كه براي اولين بار در اين مطالعه براي اين هدف مورد استفاده قرار گرفته است و سؤال اساسي اين پژوهش اين است كه براي شبيه سازي هيدروگراف معرف آبخوان، در
شرايط كمبود داده و اطلاعات، كدام يك از اين روش ها مي توانند جايگزين مناسبي براي مدل هاي مفهومي باشند. محدوده مطالعاتي، دشت لور- انديمشك، قسمتي از دشت دزفول-انديمشك است. در منطقه‌ي دشت لور - انديمشك، 8 حلقه پيزومتر كه پراكنش نسبتاً خوبي در منطقه دارد، شبكه‌ي پيزومتري دشت را تشكيل مي‌دهد. براي انجام اين مطالعه با استفاده از مختصات جغرافيايي هرپيزومتر و اطلاعات آماري ماهانه مربوط به سطح 8 پيزومترآبخوان دشت لور-انديمشك، براي 5 سال آبي (89-88 تا 93-92) و با استفاده از روش تسين در محيط GIS، ميانگين وزني هر پيزومتر بدست آمد و سري زماني تراز آب زيرزميني دشت كه بيانگر هيدروگراف معرف آبخوان منطقه مورد مطالعه است، محاسبه گرديد . سپس با استفاده از فرا مدل شبيه ساز عصبي-فازي و فرا مدل شبيه ساز بيان ژن هيدروگراف معرف آبخوان مدل سازي شد و نتايج با هم مقايسه گرديد. با مقايسه فرامدل شبيه ساز عصبي- فازي و فرامدل شبيه ساز بيان ژن مشاهده مي‌شود كه در مرحله آموزش ضريب تبيين فرامدل شبيه ساز عصبي- فازي از ضريب تبيين فرامدل شبيه ساز بيان ژن بيشتر مي‌باشد. ولي در مرحله تست ضريب تبيين فرامدل شبيه ساز بيان ژن از ضريب تبيين فرامدل شبيه ساز عصبي- فازي بيشتر مي‌باشد. از طرفي با توجه به پارامتر جذر ميانگين مربعات خطا، مشاهده مي‌شود كه فرامدل شبيه ساز عصبي- فازي داراي جذر ميانگين مربعات خطاي كمتري در مرحله تست بوده است. بر اساس معيار OI كه هرچه مقادير به يك نزديك‌تر باشد مدل عملكرد بهتري دارد، مشاهده مي‌شود كه فرامدل شبيه ساز بيان ژن با اختلاف كمي داراي معيار OI بيشتري نسبت به فرامدل شبيه ساز عصبي-فازي بوده است و مي‌توان با مشاهده مقادير جدول به اين نتيجه رسيد كه عملكرد فرا مدل شبيه‌ساز بيان ژن بهتر از فرامدل شبيه ساز عصبي-فازي است و در شرايط كمبود داده و اطلاعات براي مدل سازي هيدروگراف معرف آبخوان با استفاده از مدل‌هاي مفهومي همچون مادفلو، فرامدل شبيه ساز بيان ژن مي‌تواند جايگزين مناسبي باشد.
چكيده لاتين :
Underground water mapping is an effective tool for managing and protecting these resources, in order to apply a proper management to long-term planning and to better utilize the potential of the water in the plains. In this study, the monthly statistical data of the surface of piezometers for 5 years blue (89-88 to 93-92) related to the 8-pisometer level of the Lower-Andimeshk plain aquifer. At the beginning, using the Tesine method, the weighted average of each piezometer was obtained and the time series of the groundwater level of the plain, which represents the hydrograph of the representative water column of the study area, was calculated. Then, by using the neuro-fuzzy simulator and meta-model of the gene expression simulator, the hydrograph represents the modeling aquifer and the results were compared. The results showed that the meta-model of gene expression simulator with a coefficient of explanation of 7390.0 at the test stage was better than the neuro-fuzzy simulator model with a coefficient of explanation of 0.6348.Underground water mapping is an effective tool for managing and protecting these resources, in order to apply a proper management to long-term planning and to better utilize the potential of the water in the plains. In this study, the monthly statistical data of the surface of piezometers for 5 years blue (89-88 to 93-92) related to the 8-pisometer level of the Lower-Andimeshk plain aquifer. At the beginning, using the Tesine method, the weighted average of each piezometer was obtained and the time series of the groundwater level of the plain, which represents the hydrograph of the representative water column of the study area, was calculated. Then, by using the neuro-fuzzy simulator and meta-model of the gene expression simulator, the hydrograph represents the modeling aquifer and the results were compared. The results showed that the meta-model of gene expression simulator with a coefficient of explanation of 7390.0 at the test stage was better than the neuro-fuzzy simulator model with a coefficient of explanation of 0.6348.Underground water mapping is an effective tool for managing and protecting these resources, in order to apply a proper management to long-term planning and to better utilize the potential of the water in the plains. In this study, the monthly statistical data of the surface of piezometers for 5 years blue (89-88 to 93-92) related to the 8-pisometer level of the Lower-Andimeshk plain aquifer. At the beginning, using the Tesine method, the weighted average of each piezometer was obtained and the time series of the groundwater level of the plain, which represents the hydrograph of the representative water column of the study area, was calculated. Then, by using the neuro-fuzzy simulator and meta-model of the gene expression simulator, the hydrograph represents the modeling aquifer and the results were compared.
