دوره 11، شماره 22 - ( پاییز و زمستان 1399 )
جلد 11 شماره 22 صفحات 286-273 |
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:
Karimi Khosrowshahi V, Ghorbani M, Darbandi S. (2020). Groundwater Potential Mapping using Index of Entropy and Naïve Bayes Models at Ardabil Plain. J Watershed Manage Res. 11(22), 273-286. doi:10.52547/jwmr.11.22.273
URL: http://jwmr.sanru.ac.ir/article-1-873-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-873-fa.html
کریمی وحید، قربانی محمدعلی، دربندی صابره. پتانسیل‌یابی منابع آب زیرزمینی دشت اردبیل با استفاده از مدل های شاخص آنتروپی و نایو بیز پژوهشنامه مديريت حوزه آبخيز 1399; 11 (22) :286-273 10.52547/jwmr.11.22.273
1- دانشکده کشاورزی، دانشگاه تبریز
2- گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
2- گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
چکیده: (3074 مشاهده)
اگرچه منابع آب زیرزمینی، از دیرباز به عنوان یک گزینه مطمئن مورد استفاده انسان بوده است، اما برداشت بیرویه از آنها به خصوص در دشت اردبیل سبب افت کمی و کیفی این منابع شده است. یکی از راهکارهای مدیریتی منابع آب، شناسایی مناطق آبی با پتانسیلهای مختلف و بهره برداری از آنها با توجه به ظرفیت آنها می باشد. هدف از این مطالعه پتانسیل یابی منابع آب زیرزمینی دشت مذکور با استفاده از عوامل مؤثر در تغذیه سفره های آب زیرزمینی، از طریق مدل عینی شاخص آنتروپی و همچنین مدل عینی یادگیری ماشینی نایوبیز است. لذا برای پتانسیل یابی منابع آب زیرزمینی دشت مورد مطالعه، از پارامترهای طبقات ارتفاعی، شیب زمین، بارش، فاصله از رودخانه، شاخص پوشش گیاهی، خاک شناسی، کاربری اراضی، سنگ شناسی، عمق آب زیرزمینی و قابلیت انتقال آبخوان دشت مورد نظر استفاده گردید. به منظور عینیت بخشیدن هرچه بیشتر به مدلسازی، پارامترهای طیفی مورد استفاده، با استفاده از روش بهینه سازی جنکز کلاس بندی شدند. ارزیابی نتایج حاصل از مدلها با استفاده از منحنی مشخصه عملکرد سیستم و معیار مساحت زیر منحنی صورت پذیرفت. معیار مساحت زیر منحنی برای مدلهای شاخص آنتروپی و نایوبیز به ترتیب 0/728 و 0/821 محاسبه شد که نشانگر توانایی هر دو مدل در پتانسیل یابی منابع آب زیرزمینی دشت اردبیل و برتری مدل نایوبیز نسبت به مدل شاخص آنتروپی می باشد. نتایج حاصل از پتانسیل یابی دقیق منابع آب زیرزمینی دشت اردبیل می تواند در طرح های مدیریت منابع آب زیرزمینی و جلوگیری از بهره کشی بیش از توان آنها سازنده باشد.
واژه‌های کلیدی: پتانسیل آب زیرزمینی، دشت اردبیل، سیستم اطلاعات جغرافیایی، مدل شاخص آنتروپی، مدل نایو بیز
نوع مطالعه: كاربردي |
موضوع مقاله:
سنجش از دور و سامانه های اطلاعات جغرافيايی
دریافت: 1396/8/20 | پذیرش: 1397/3/2
دریافت: 1396/8/20 | پذیرش: 1397/3/2
فهرست منابع
1. Ahmed, K., S. Shahid and S. Bin Harun and T. Ismail, N. Nawaz and S. Shamsudin. 2014. Assessment of groundwater potential zones in an arid region based on catastrophe theory. Earth Science Informatics, 8: 539-549. [DOI:10.1007/s12145-014-0173-3]
2. Al-Abadi, A.M. and S. Shahid. 2015. A comparison between index of entropy and catastrophe theory methods for mapping groundwater potential in an arid region. Environmental Monitoring and Assessment, 187: 576. [DOI:10.1007/s10661-015-4801-2]
3. Amirahmadi, G., N.M. Ahari and T. Ahmadi. 2014. The Determination of Probable Subsidence Areas of Ardebil Plain by the Use of GIS. Journal of Geography and Planning, 46: 1-23 (In Persian).
4. Anonymous. 2011. Water resources facts of Ardabil Province. Water resources potential white paper. Department of Improvement and Management of Water Resources. Ardabil Regional Water Authority. Ardabil. Iran (In Persian).
5. Chowdhury, A., M.K. Jha, V.M. Chowdary and B.C. Mal. 2009. Integrated remote sensing and GIS-based approach for assessing groundwater potential in West Medinipur district, West Bengal, India. International Journal of Remote Sensing, 30: 231-250. [DOI:10.1080/01431160802270131]
6. Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters, 27(8): 861-874. [DOI:10.1016/j.patrec.2005.10.010]
7. Jaiswal, R.K., S. Mukherjee, J. Krishnamurthy and R. Saxena. 2003. Role of remote sensing and GIS techniques for generation of groundwater prospect zones towards rural development-an approach. International Journal of Remote Sensing, 24: 993-1008. [DOI:10.1080/01431160210144543]
8. Jenks, G.F. 1967. The data model concept in statistical mapping. International Yearbook of Cartography, 7: 186-190.
9. Jha, M.K., A. Chowdhury, V.M. Chowdary and S. Peiffer. 2007. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints. Water Resources Management, 21: 427-467. [DOI:10.1007/s11269-006-9024-4]
10. Ke, Y., J. Im, J. Lee, H. Gong and Y. Ryu. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164: 298-313. [DOI:10.1016/j.rse.2015.04.004]
11. Kord, M., A. Asghari-Moghaddam and M. Nakhaeei. 2013. Investigation of hydrogeological characteristics of Ardabil Plain aquifer, Northwest of Iran. ISESCO Journal of Science and Technology, 9(15): 63-69.
12. 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]
13. Naghibi, S.A., D.D. Moghaddam, B. Kalantar, B. Pradhan and O. Kisi. 2017. A Comparative Assessment of GIS-Based Data Mining Models and a Novel Ensemble Model in Groundwater Well Potential Mapping, Journal of Hydrology, 548: 471-483. [DOI:10.1016/j.jhydrol.2017.03.020]
14. 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, Iraq. Earth Sciences Informatics, 8: 171-186. [DOI:10.1007/s12145-014-0145-7]
15. Pourghasemi, H.R., A.G. Jirandeh, B. Pradhan, C. Xu and C. Gokceoglu. 2013. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. Journal of Earth System Science, 2: 349-369. [DOI:10.1007/s12040-013-0282-2]
16. Prasad, R.K., N.C. Mondal, P. Banerjee, M.V. Nandakumar and V.S. Singh. 2008. Deciphering potential groundwater zone in hard rock through the application of GIS. Environmental Geology, 55: 467-475. [DOI:10.1007/s00254-007-0992-3]
17. Preeja, K.R., S. Joseph, J. Thomas and H. Vijith. 2011. Identification of groundwater potential zones of a tropical river basin (Kerala, India) using remote sensing and GIS techniques. Journal of the Indian Society of Remote Sensing, 39: 83-94. [DOI:10.1007/s12524-011-0075-5]
18. Rahimi, D. 2012. Potential ground water resources: (Case study: Shahrekord plain). Geography and Environmental Planning, 22(4): 127-142 (In Persian).
19. 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: 360-372. [DOI:10.1016/j.catena.2015.10.010]
20. Sadeghfam, S., Y. Hassanzadeh, A.A. Nadiri and R. Khatibi. 2016. Mapping groundwater potential field using catastrophe fuzzy membership functions and Jenks optimization method: a case study of Maragheh-Bonab plain, Iran. Environmental Earth Sciences, 75: 545. [DOI:10.1007/s12665-015-5107-y]
21. Seif, A. and A. Kargar. 2011. Groundwater potential mapping by using AHP and GIS (case study: Sirjan Watershed). Natural Geography, 12: 75-90 (In Persian).
22. Shahid, S., S.K. Nath and J. Roy. 2000. Groundwater potential modeling in a soft rock area using a GIS. International Journal of Remote Sensing, 21: 1919-1924. [DOI:10.1080/014311600209823]
23. Shi, Y. and F. Jin. 2009. Landslide stability analysis based on generalized information entropy. International Conference on Environmental Science Information Applied Technology, 2: 83-85.
24. Soria, D., J.M. Garibaldi, F. Ambrogi, E.M. Biganzoli and I.O. Ellis. 2011. A non-parametric version of the naive Bayes classifier. Knowledge-based Systems, 24(6): 775-784. [DOI:10.1016/j.knosys.2011.02.014]
25. Tien Bui, D., B. Pradhan, O. Lofman and I. Revhaug. 2012. Landslide susceptibility assessment in Vietnam using support vector machines, decision tree, and Naïve Bayes Models. Mathematical Problems in Engineering, 2012: Article ID 974638, 26 pp. doi:10.1155/2012/974638. [DOI:10.1155/2012/974638]
26. Todd, D.K. and L.W. Mays. 2005. Groundwater Hydrology. Third edition. Wiley & Sons, Incorporated. New Jersey.
27. UN. 2003. Water for people, water for life. The UN World Water Development Report (WWDR), UNESCO, Publishing and Berghahn Books, UK, 34 pp.
28. Vijith, H. 2007. Groundwater potential in the hard rock terrain of Western Ghats: a case study from kottayam district, Kerala using resourcesat (IRS-P6) data and GIS techniques. Journal of Indian Society of Remote Sensing, 35: 163-171. [DOI:10.1007/BF02990780]
29. Wu, X., V. Kumar, J.R. Quinlan, J. Ghosh and Q. Yang, et al. 2008. Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1): 1-37. [DOI:10.1007/s10115-007-0114-2]
30. Zabihi, M., H.R. Pourghasemi and M. Behzadfar. 2015. Groundwater potential mapping using Shannon's entropy and random forest models in the Bojnourd Township. Iranian Journal of Ecohydrology, 2(2): 221-232 (In Persian).
31. Zandi, S., K. Solaimani and J. Zandi. 2015. Mapping Groundwater Spring Occurrence Potential using Logistic Regression Statistical Method (Case Study: Miredeh Mountainous Watershed, Kurdistan). Journal of Watershed Management Research, 12: 75-87 (In Persian).
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
