دوره 12، شماره 23 - ( بهار و تابستان 1400 )
جلد 12 شماره 23 صفحات 143-130 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nafarzadegan A R, Mohammadifar A A, Mohammadi F, Kazemi M. (2021). Simulating Groundwater Potential in Kahurestan Watershed by Utilizing a Combined Approach of Data-Mining Models. jwmr. 12(23), 130-143. doi:10.52547/jwmr.12.23.130
URL: http://jwmr.sanru.ac.ir/article-1-1034-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1034-fa.html
نفرزادگان علیرضا، محمدی فر علی اکبر، محمدی فریبرز، کاظمی محمد. شبیه سازی پتانسیل آب های زیرزمینی حوضه کهورستان با بهره گیری از رویکرد ترکیبی مدل های داده کاوی پژوهشنامه مديريت حوزه آبخيز 1400; 12 (23) :143-130 10.52547/jwmr.12.23.130
دانشگاه هرمزگان
چکیده: (2405 مشاهده)
آب زیرزمینی بهعنوان یکی از منابع قابل توجه برای آب شیرین در نظر گرفته میشود. هدف از این پژوهش، به کار بردن چهار مدل یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، Bioclim و Domain به منظور تهیه نقشه پتانسیل آب زیرزمینی در حوزه آبخیز کهورستان استان هرمزگان است. نوآوری این پژوهش استفاده از الگوریتم‌های Bioclim و Domain به منظور شبیه‌سازی پتانسیل آب زیرزمینی و مقایسه آن با دو تکنیک جنگل تصادفی و ماشین بردار پشتیبان و همچنین ترکیب این چهار مدل بر اساس یک رابطه ابتکاری و جدید می باشد. برای این منظور، 11 معیار شامل درصد شیب، جهت شیب، انحنای سطح، انحنای مقطع، شاخص پوشش گیاهی تعدیل شده بر حسب خاک(SAVI) ، شاخص اصلاح‌شده نرمال تفاضل آب (MNDWI)، فاکتور طول و تندی شیب (LS)، شاخص قدرت جریان (SPI)، شاخص رطوبت توپوگرافیک (TWI)، کاربری اراضی و فاصله از آبراهه‌ها در نظر گرفته شد. همچنین از دادههای 113 چاه که دارای دبی پمپاژ بالا بودند برای فرآیندهای شبیه سازی (70 درصد) و اعتبارسنجی (30 درصد) استفاده شد. قبل از مدل‌سازی آزمون هم خطی بر روی معیارها انجام شد و مشاهده گردید هیچ نوع هم خطی بین متغیرها وجود ندارد. ارزیابی کارآیی مدل‌سازی با منحنی ROC نشان داد که هر چهار روش استفاده شده دارای دقت خیلی خوب و AUC بالای 90 درصد جهت پیش بینی می باشند. بررسی وزن معیارها بر اساس روش جنگل تصادفی نشان داد که معیار کاربری و پوشش اراضی و فاصله از آبراهه دارای بالاترین وزن می باشند. در ادامه نتایج چهار روش با یک رابطه پیشنهادی ترکیب گردید. نقشه نهایی نشان داد که 21/4 درصد از منطقه مورد مطالعه دارای پتانسیل خوب از نظر آب زیرزمینی می باشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1398/5/3 | ویرایش نهایی: 1400/5/26 | پذیرش: 1399/2/4 | انتشار: 1400/5/26
دریافت: 1398/5/3 | ویرایش نهایی: 1400/5/26 | پذیرش: 1399/2/4 | انتشار: 1400/5/26
فهرست منابع
1. Agarwal, E., R. Agarwal, R.D. Garg and P.K. Garg. 2013. Delineation of groundwater potential zone: An AHP/ANP approach. Journal of Earth System Science, 122(3): 887-98. [DOI:10.1007/s12040-013-0309-8]
2. Al-Abadi, A.M., A.A. Al-Temmeme and M.A. Al-Ghanimy. 2016. A GIS-based combining of frequency ratio and index of entropy approaches for mapping groundwater availability zones at Badra-Al Al-Gharbi-Teeb areas, Iraq. Sustainable Water Resources Management, 2(3): 265-283. [DOI:10.1007/s40899-016-0056-5]
3. Arab-Ameri A.R., KH. Rezaei, M. Yamani and K. Shirani. 2018. Modeling and groundwater potential mapping using data driven ensemble model EBF-Index of entropy (case study: Najaf Abad aquifer). Journal of Water and Soil Conservation, 25(2): 25-48 (In Persian).
4. Booth, T.H. 2018. Why understanding the pioneering and continuing contributions of BIOCLIM to species distribution modelling is important. Austral ecology, 43(8): 852-60. [DOI:10.1111/aec.12628]
5. Carpenter, G., A.N. Gillison, and J. Winter. 1993. DOMAIN: a flexible modelling procedure for mapping potential distributions of plants and animals. Biodiversity & Conservation, 2(6): 667-80. [DOI:10.1007/BF00051966]
6. Chen, W., H.R. Pourghasemi and S.A. Naghibi. 2018. Prioritization of landslide conditioning factors and its spatial modeling in Shangnan County, China using GIS-based data mining algorithms. Bulletin of Engineering Geology and the Environment, 77(2): 611-629. [DOI:10.1007/s10064-017-1004-9]
7. Elith, J., H. Graham, C.P. Anderson, R. Dudík, M. Ferrier, S. Guisan, A.J. Hijmans, R. Huettmann, F.R. Leathwick, J. Lehmann and J. Li. 2006. Novel methods improve prediction of species' distributions from occurrence data. Ecography, 29(2): 129-151. [DOI:10.1111/j.2006.0906-7590.04596.x]
8. Ercanoglu, M. and C. Gokceoglu. 2002. Assessment of landslide susceptibility for a landslide-prone area (north of Yenice, NW Turkey) by fuzzy approach. Environmental Geology, 41(6): 720-730. [DOI:10.1007/s00254-001-0454-2]
9. Fallah, F., M. Daneshfar and S. Ghorbaninejad. 2017. Application of the statistical index model in groundwater potential mapping in Khorramabad plain. Water and Sustainable Development, 4(1): 89-98 (In Persian).
10. Gholami, H., A. Mohamadifar, and A.L. Collins. 2020. Spatial mapping of the provenance of storm dust: Application of data mining and ensemble modelling. Atmospheric Research, 233: 104716. [DOI:10.1016/j.atmosres.2019.104716]
11. Glenn, C. R., R. B. Whittier, M.L. Dailer, H. Dulaiova, A.I. El-Kadi, J. Fackrell, J.L. Kelly, and C. A. Waters. 2012. Lahaina groundwater tracer study-Lahaina, Maui, Hawai 'i. Final Interim Report. Prepared for the State of Hawai 'i Department of Health, the US Environmental Protection Agency, and the US Army Engineer Research and Development Center, 463 pp.
12. Haghizadeh, A. and H. Mirzapour. 2016. Delineation of Groundwater Potential of MadianRoud watershed in Lorestan using weighted index overlay analysis (WIOA). Iranian Journal of Hydrogeology, 1(2): 83-98 (In Persian).
13. Hijmans, R.J. and C.H. Graham. 2006. The ability of climate envelope models to predict the effect of climate change on species distributions. Global Change Biology, 12(12): 2272-2281. [DOI:10.1111/j.1365-2486.2006.01256.x]
14. Jha, Madan K., Y. Kamii, and K. Chikamori. 2009. Cost-effective approaches for sustainable groundwater management in alluvial aquifer systems. Water Resources Management, 23(2): 219. [DOI:10.1007/s11269-008-9272-6]
15. Jothibasu, A. and S. Anbazhagan. 2016. Modeling groundwater probability index in Ponnaiyar River basin of South India using analytic hierarchy process. Modeling Earth Systems and Environment, 2(3): 109. [DOI:10.1007/s40808-016-0174-y]
16. Lee, S., K-Y. Song, Y. Kim and I. Park. 2012. Regional groundwater productivity potential mapping using a geographic information system (GIS) based artificial neural network model. Hydrogeology Journal, 20(8): 1511-27. [DOI:10.1007/s10040-012-0894-7]
17. Le Page, M., B. Berjamy, Y. Fakir, F. Bourgin, Lionel Jarlan, A. Abourida, M. Benrhanem et al. 2012. An integrated DSS for groundwater management based on remote sensing. The case of a semi-arid aquifer in Morocco. Water Resources Management, 26(11): 3209-30. [DOI:10.1007/s11269-012-0068-3]
18. Moore, I.D., R.B. Grayson and A.R. Ladson. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological Processes, 5(1): 3-30. [DOI:10.1002/hyp.3360050103]
19. Naghibi, S.A., H.R. Pourghasemi, Z.S. Pourtaghi and A. Rezaei. 2015. Groundwater qanat potential mapping using frequency ratio and Shannon's entropy models in the Moghan watershed, Iran. Earth Science Informatics, 8(1): 171-186. [DOI:10.1007/s12145-014-0145-7]
20. Nampak, H., B. Pradhan and M.A. Manap. 2014. Application of GIS based data driven evidential belief function model to predict groundwater potential zonation. Journal of Hydrology, 513: 283-300. [DOI:10.1016/j.jhydrol.2014.02.053]
21. Nicodemus, K.K. 2011. Letter to the editor: On the stability and ranking of predictors from random forest variable importance measures. Briefings in Bioinformatics, 12(4): 369-373. [DOI:10.1093/bib/bbr016]
22. Patriche, C.V., V. Capatana and D.L. Stoica. 2006. Aspects regarding soil erosion spatial modeling using the USLE/RUSLE within GIS. GeographiaTechnica, 2: 87-97.
23. Pourghasemi, H.R. and M. Beheshtirad. 2015. Assessment of a data-driven evidential belief function model and GIS for groundwater potential mapping in the Koohrang Watershed, Iran. Geocarto International, 30(6): 662-85. [DOI:10.1080/10106049.2014.966161]
24. Pourtaghi, Z.S. and H.R. Pourghasemi. 2014. GIS-based groundwater spring potential assessment and mapping in the Birjand Township, southern Khorasan Province, Iran. Hydrogeology Journal, 22(3): 643-62. [DOI:10.1007/s10040-013-1089-6]
25. Rahmati, O., H.R. Pourghasemi and A.M. Melesse. 2016. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: a case study at Mehran Region, Iran. Catena, 137: 360-72. [DOI:10.1016/j.catena.2015.10.010]
26. Ranjbarmanesh, N., M. Entezari and M.H. Ramesht. 2013. The crisis of groundwater level drop caused by the effect of active tectonic in Mahidasht plain. Iran Applied Geomorphology, 1(2): 1-18 (In Persian).
27. Razandi Y., A. Malekian, Sh. KhalighiSigaroodi and B. Farrokh Zadeh. 2016. Potential detection of groundwater using composite analytical hierarchy process and fuzzy logic (case study: Varamin plain). Iranian Journal of Watershed Management Science and Engineering, 9(31): 41-50 (In Persian).
28. Razandi, Y., H.R. Pourghasemi, N. SamaniNeisani, and O. Rahmati. 2015. Application of analytical hierarchy process,
29. frequency ratio, and certainty factor models for groundwater potential mapping using GIS. Earth Science Informatics, 8(4): 867-883.
30. Regional Water Company of Hormozgan. 2018. Reclamation and balancing plan for groundwater resources of Kahurestan plain. 2018 Mar 6; 33 pp (In Persian).
31. Robins, N.S., H.K. Jones and J. Ellis. 1999. An aquifer management case study-the Chalk of the English South Downs. Water Resources Management, 13(3): 205-18. [DOI:10.1023/A:1008101727356]
32. Shekhar, S. and A.C. Pandey. 2015. Delineation of groundwater potential zone in hard rock terrain of India using remote sensing, geographical information system (GIS) and analytic hierarchy process (AHP) techniques. Geocarto International, 30(4): 402-21. [DOI:10.1080/10106049.2014.894584]
33. Singh, P., A. Gupta and M. Singh. 2014. Hydrological inferences from watershed analysis for water resource management using remote sensing and GIS techniques. The Egyptian Journal of Remote Sensing and Space Science, 17(2): 111-121. [DOI:10.1016/j.ejrs.2014.09.003]
34. Thapa, R., S. Gupta, S. Guin and H. Kaur. 2017. Assessment of groundwater potential zones using multi-influencing factor (MIF) and GIS: a case study from Birbhum district, West Bengal. Applied Water Science, 7(7): 4117-4131. [DOI:10.1007/s13201-017-0571-z]
35. United Nations. 2003. Water for people, water for life. The UN World Water Development Report, UNESCO Publishing and Berghahn Books, 34 pp.
36. Yamani, M., A. Ahmadabadi and GH. Zare. 2013. The Zonation of landslide occurrence Using of Support Vector Machines algorithm (case study: Darakeh basin). Geography and Environmental Hazards, 1(3): 125-142 (In Persian).
37. Yamani, M. and Sh. Alizadeh. 2015. Finding potential ground water sources by using analytical hierarchy processes (AHP), case study: Abadeh-Eghlid basin of Fars. Hydrogeomorphology, 1(1): 131-144 (In Persian).
38. Yao, X., L.G. Tham and F.C. Dai. 2008. Landslide susceptibility mapping based on support vector machine: a case study on natural slopes of Hong Kong, China. Geomorphology, 101(4): 572-582. [DOI:10.1016/j.geomorph.2008.02.011]
39. Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey. Ph.D. Thesis, Department of Geomatics the University of Melbourne, 423 pp.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
