پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 341 |
| تعداد مقالات | 3,608 |
| تعداد مشاهده مقاله | 4,602,671 |
| تعداد دریافت فایل اصل مقاله | 3,066,332 |
ارزیابی دقت مدل‌های هوش مصنوعی در پیش‌بینی دبی قنوات مناطق خشک و نیمه‌خشک (مطالعه موردی: دشت قاین) | ||
| آبخوان و قنات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 شهریور 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22077/jaaq.2025.10072.1124 | ||
| نویسندگان | ||
| امیرحسین رمضانی فریز1؛ یوسف رمضانی* 2 | ||
| 1دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران. | ||
| 2دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران. | ||
| چکیده | ||
| در مناطق خشک و نیمه‌خشک، قنات‌ها به‌عنوان منابع حیاتی آب زیرزمینی شناخته می‌شوند و پیش‌بینی دبی آن‌ها برای مدیریت بهینه منابع آبی اهمیت ویژه‌ای دارد. در این راستا، استفاده از مدل‌های یادگیری ماشین می‌تواند ابزار مؤثری برای شبیه‌سازی و پیش‌بینی دبی قنات‌ها باشد. این تحقیق به ارزیابی و مقایسه عملکرد سه مدل یادگیری ماشین، شامل جنگل تصادفی، رگرسیون فرآیند گاوسی و K-Star در پیش‌بینی دبی قنات در مناطق خشک و نیمه‌خشک پرداخته است. هدف اصلی، ارزیابی دقت این مدل‌ها در شبیه‌سازی رفتار دبی قنات و توانایی آن‌ها در پیش‌بینی منابع آبی در شرایط اقلیمی و جغرافیایی مختلف بود.. برای آموزش مدل‌ها، 80 درصد از داده‌ها و برای آزمایش 20 درصد در نظر گرفته شد. مدل‌ها با استفاده از شاخص‌های آماری رایج شامل R²، NSE، RMSE و KGE ارزیابی شدند. نتایج نشان داد که مدل جنگل تصادفی بهترین عملکرد را داشت و توانست 94 درصد از واریانس داده‌ها را در فاز آموزش و 96 درصد در فاز آزمایش توضیح دهد. این مدل همچنین موفق به کسب94/0 NSE = ،(l/s) 5/1 RMSE =و88/0 KGE = در فاز آموزش و94/0 NSE = ،(l/s) 1/1RMSE = و85/0 KGE = در فاز آزمایش شد. در مقابل، مدل رگرسیون فرآیند گاوسی عملکرد ضعیفی داشت و مقادیر01/0 R² = و 0.14 در فازهای آموزش و آزمایش به‌دست آمد. این تحقیق نشان می‌دهد که مدل جنگل تصادفی به‌دلیل توانایی بالا در پردازش داده‌های پیچیده و شبیه‌سازی روابط غیرخطی، مدل پیش‌بینی مؤثرتری برای دبی قنات و منابع آبی در مناطق خشک و نیمه‌خشک است. | ||
| کلیدواژه‌ها | ||
| تغییر اقلیم؛ قنات؛ منابع آب زیرزمینی؛ مناطق خشک و نیمه خشک؛ یادگیری ماشین | ||
|
آمار تعداد مشاهده مقاله: 231 |
||
نماد الکترونیک
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب