پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 354 |
| تعداد مقالات | 3,735 |
| تعداد مشاهده مقاله | 4,940,272 |
| تعداد دریافت فایل اصل مقاله | 3,313,380 |
مقایسه مدلهای عددی و الگوریتمهای یادگیری ماشین با رویکرد پیشبینی تراز آب زیرزمینی: مطالعهای موردی در دشت بیرجند | ||
| آبخوان و قنات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 بهمن 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22077/jaaq.2026.10568.1133 | ||
| نویسندگان | ||
| مهران ملکی نیا1؛ امیرحسین جاوید2؛ سیده هدی رحمتی* 3؛ علیرضا جهانگیر4 | ||
| 1مدیر گروه فنی و مهندسی جهاد دانشگاهی خراسان جنوبی دستیار آموزشی دانشگاه آزاد اسلامی خراسان رضوی گناباد | ||
| 2استاد ، گروه مهندسی محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. | ||
| 3گروه منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 4علیرضا جهانگیر استادیار گروه علوم و مهندسی آب، دانشگاه پیام نور، تهران، ایران | ||
| چکیده | ||
| با توجه به اهمیت تعیین حجم ذخایر منابع آب زیرزمینی برای مدیریت پایدار آب در مناطق خشک و نیمهخشک، این مطالعه به بررسی رویکردهای پیشبینی و شبیهسازی تراز آب زیرزمینی با مدلهای یادگیری ماشین (LSTM، Random Forest و مدل ترکیبی Stacking Ensemble) در مقایسه با مدل عددی MODFLOW در 17 چاه مشاهدهای دشت بیرجند پرداخت. دادههای سری زمانی از مارس 2008 تا جولای 2025 (204 نمونه) با معیارهای آماری تحلیل شدند. پیشپردازش دادهها شامل نرمالسازی و فیلتر صافسازی برای حذف نویز بود. تحلیل حساسیت با روشهای SHAP و مونتکارلو چاههای کلیدی را شناسایی کرد. مدل Stacking Ensemble، با تلفیق خروجیهای کالیبرهشده MODFLOW و پیشبینیهای مدلهای یادگیری ماشین، در چاه 1 بالاترین دقت را با R²=0.9783، RMSE=0.0322 متر و MAPE=0.0017% نشان داد، در حالی که MODFLOW با R²=0.968 و RMSE=3.17 متر در چاههای 5، 10 و 15 خطای بیشتری داشت. نمودارهای تیلور برتری مدل استکینگ را با ضریب همبستگی 0.9783 و انحراف معیار نرمالشده 0.812 نسبت به LSTM (ضریب همبستگی 0.9765، انحراف معیار 0.845) و Random Forest (ضریب همبستگی 0.9398، انحراف معیار 1.344) تأیید کردند. این رویکرد ترکیبی نیاز به دادههای ورودی گسترده را کاهش میدهد، دقت پیشبینی را در آبخوانهای ناهمگن با افت سالانه 40-60 سانتیمتر بهبود میبخشد، و ابزاری کارآمد برای مدیریت پایدار منابع آب در دشت بیرجند و مناطق مشابه با شرایط هیدرولوژیکی پیچیده فراهم میکند. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ مدل ترکیبی Ensemble؛ شبکه عصبی LSTM؛ سری زمانی؛ دشت بیرجند | ||
|
آمار تعداد مشاهده مقاله: 37 |
||
نماد الکترونیک
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب