پديد آورندگان :
مقدسي، مه نوش دانشگاه اراك - گروه مهندسي آب , مرديان، مهدي دانشگاه علوم كشاورزي و منابع طبيعي ساري , پارسا، محسن دانشگاه اراك
كليدواژه :
شبكه عصبي مصنوعي , مدل كريجينگ , مدل كوكريجينگ , هدايت الكتريكي , ANFIS
چكيده فارسي :
مقدمه و هدف: امروزه با توسعه بخش شهري، صنعتي و كشاورزي استفاده از آبهاي زيرزميني اهميت بيشتري يافته است. بنابراين پايداري و توسعه بهره برداري از آب هاي زيرزميني براي انواع مشتريان و اهداف مختلف، امري ضروري است كه ويژگي هاي كمي و كيفي آن مورد بررسي و ارزيابي قرار گيرد.
مواد و روش ها: شبكه عصبي تطبيقي فازي (FANN) و روش زمين آماري مبتني بر سيستم اطلاعات جغرافيايي براي دشت كميجان، استان مركزي، ايران استفاده شده است. ابتدا داده هاي 36 حلقه چاه از شركت آب و فاضلاب روستايي جمع آوري شد. سپس با استفاده از انواع نيمه واريوگرام مانند: گوسي، خطي، كروي و همچنين كريجينگ و كوكريجينگ، مدل زمين آماري با استفاده از شاخص‌هاي R2 و RMSE مورد ارزيابي قرار گرفت. سپس براي مدل شبكه عصبي تطبيقي فازي توابع عضويت مانند: مثلثي، زنگ تعميم يافته و گاوسي بررسي شد و بهترين مدل با استفاده از شاخص هاي R2 و RMSE تعيين شد.
يافتهها: با توجه به نتايج R2 و RMSE در مدل هاي زمين آماري، كروي، خطي و نمايي به ترتيب براي متغيرهاي EC، TDS و pH بهترين انتخاب شدند. همچنين بر اساس نيمه واريوگرام، روش كريجينگ عملكرد بهتري نسبت به روش كوكريجينگ براي تمامي متغيرهاي مورد مطالعه با ضريب تعيين بالا به ترتيب 0/73، 0/66 و 0/85 براي EC، TDS و pH و كمتر در RMSE دارد .نتايج نشان داد كه در شبكه عصبي تطبيقي فازي، متغير EC، تابع زنگ تعميم يافته فازي با ضريب همبستگي 0/98 و ميانگين مربعات خطاي 144/54 در مرحله آزمون، خوب است. براي متغير TDS، تابع گاوسي با ضريب همبستگي 0/98 و ميانگين مربعات خطاي 0/33 119 در مرحله آزمون بهترين است. همچنين براي متغير pH، تابع زنگ تعميم يافته با ضريب همبستگي 0/99 و ميانگين مربعات خطاي 103/10 در مرحله آزمون عملكرد بهتري نسبت به ساير توابع فازي در مدل سازي دارد. با مقايسه نتايج شبكه عصبي تطبيقي زمين آماري و فازي مي توان دريافت كه مدل FANN نسبت به مدل زمين آماري كارايي بالاتري دارد.
نتيجه گيري: نتايج نقشه‌هاي پهنه‌بندي نشان داد كه در قسمت شمالي دشت EC كم و در مركز و غرب EC بالاي µSiemens/cm 2000 است. همچنين براي متغير TDS، در قسمت شمالي دشت كم و در جنوب و جنوب غربي بالاي 1000 ميلي گرم در ليتر است. همچنين تغييرات مقدار pH نشان داد كه تغييرات اين متغير كم بوده و بيشترين ميزان pH در قسمت شمالي و كمترين آن در قسمت جنوبي است.
چكيده لاتين :
Introduction and Objective: Nowadays, with development of urban, industrial and
agricultural, apply of groundwater is more important. So sustainability and development the
exploitation of groundwater for types of different customers and goals, it is necessary that
quantitative and qualitative characteristics it be investigated and evaluated.
Material and Methods: Fuzzy Adaptive Neural Network (FANN) and Geostatistical method
on based Geographic Information System are used for Komijan plain, Markazi province, Iran.
The first, data 36 wells was collected from Rural Water and Sewage Company. Then using semi
variogram types such as: gussian, linear, spherical and also Kriging and Co-Kriging methods,
geostatistical model was evaluated using indicators: R2 and RMSE. Then, for Fuzzy Adaptive
Neural Network model Membership functions such as: triangular, generalized bells and
gaussian was investigated and the best model was determined using indicators: R2 and RMSE.
Results: According to results R2 and RMSE in geostatistical, spherical, linear and exponential
modle was selected as best for EC, TDS and pH variables, repectively. Also on based semi
variogram, Kriging method has a better performance than the cokriging method for all studied
variables with high determination coefficient 0.73, 0.66 and 0.85 respectively for EC, TDS and
pH and lower in RMSE. The results showed in Fuzzy Adaptive Neural Network, EC variable,
the fuzzy generalized bell function with a correlation coefficient of 0.98 and mean square error
of 144.59 in the test stage, is good. For TDS variable, gaussian function with a correlation
coefficient of 0.98 and mean square error of 0.33 119 at the test stage is best. also for pH
variable, the generalized bell function with a correlation coefficient of 0.99 and mean square
error of 103.10 at the test stage has a better performance than other fuzzy functions in the
modeling. By comparing the results of Geostatistical and Fuzzy Adaptive Neural Network, it
can be seen that the FANN model has a higher efficiency than Geostatistical model.
Conclusion: Regarding the results of zoning maps, it is shown that in the northern part of the
plain, EC has low, while in the central and west, EC is above 2000 μSiemens/cm. Also for TDS
variable, t is low in the northern part of the plain, while in the south and southwest, is above
1000 mg /lit. Alos changes in pH value showed that variation of this variable is low and the
highest level of pH is in the northern part and the lowest in the southern part.
