ارزیابی و دقت سنجی روش های هوش مصنوعی ، زمین آمار و وزن دهی معکوس فاصله در شبیه سازی عمق آب زیرزمینی
مدیریت صحیح منابع آب زیرزمینی مستلزم در دست داشتن مشخصات صحیح مربوط به ویژگیهای سفره آب زیرزمینی، توزیع فضایی مشخصات آن و عمق پیوسته سطح ایستابی و نوسانات آن می باشد. از اساسی ترین موارد در مدیریت کمی منابع آب زیرزمینی تخمین سطح آب با استفاده از داده های برداشت شده از شبکه چاه های مشاهده ای می باشد. در این پژوهش از روش های هوش مصنوعی، کریجینگ و وزن دهی معکوس فاصله با ورودی های تبخیر و تعرق، دمای هوا، بارش و موقعیت جغرافیایی، برای شبیه سازی عمق آب زیرزمینی کشت و صنعت نیشکر سلمان فارسی استفاده گردید. نتایج نشان داد بالاترین دقت شبیه سازی عمق آب زیرزمینی در کشت و صنعت نیشکر سلمان فارسی، مربوط به مدل هوشمند شبکه عصبی مصنوعی، با بیشترین مقدار شاخص R2 (92/0) و کم ترین مقدار RMSE وMAE (25/1 و 74/1) می باشد. هم چنین در بین مدل های کریجینگ و وزن دهی معکوس فاصله، دقت شبیه سازی مدل کریجینگ بیش تر از مدل وزن دهی معکوس فاصله بود. با توجه به دقت قابل قبول نتایج مدل های ارایه شده، برنامه ریزان می توانند از طریق به روز کردن داده های این مدل ها، از آن ها به عنوان یک مدل بهینه برای پایش نوسانات آب زیرزمینی منطقه مورد مطالعه و برنامه ریزی در مورد میزان بهره برداری از سفره، استفاده کنند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.