پهنه بندی زمانی – مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پهنه بندی زمانی – مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر) دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پهنه بندی زمانی – مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پهنه بندی زمانی – مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پهنه بندی زمانی – مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی : دشت مهر) :

تعداد صفحات :۱۰

چکیده مقاله:

اهمیت آبهای زیرزمینی به عنوان یک منبع مهم تامین آب در مناطق خشک و نیمه خشک بر کسی پوشیده نیست. عواملی مانند افزایشجمعیت، توسعه کشاورزی و رشد صنعت باعث افزایش برداشت از منابع آب زیرزمینی شده و در مواقع بحرانی نظیر وقوع پدیده خشکسالی، افزایشبرداشت از منابع آب زیرزمینی را در پی دارد و همین امر موجب افت سطح آب زیرزمینی در آبخوان ها شده و باعث بروز مشکلاتی مانند خشکشدن چاه های آب ،کاهش کیفیت آب و تخریب آبخوان ها شده است. از آنجا که کاهش سطح آب زیرزمینی بر افت کیفی آب نیز تاثیر چشمگیریدارد لذا به کمک پایش و استفاده از داده های کمی و مقادیر ماهانه سطح آب زیرزمینی دشت مهر، تغییرات کمی آن توسط مدل های سری زمانیو شبکه عصبی مصنوعی شبیه سازی و پیش بینی گردید و سپس نقشه پهنه بندی مقادیر آتی به کمک مدل های زمین آمار تهیه گردید. همچنینجهت بررسی و مقایسه دقت شبکه عصبی مصنوعی و سری زمانی در شبیه سازی و پیشبینی جهت استفاده در آینده، از آماره های ضریب همبستگیو ریشه میانگین مربعات خطا واستفاده شد که به ترتیب برای شبکه عصبی مصنوعی مقادیر ۰/۸۸ و ۰/۱۱۷ و برای سری زمانی ۰/۸۱ و آماره عددآکاییکی ۰/۳ بدست آمد. بر همین اساس و مقایسه مقادیر پیش بینی شده و مشاهده شده مشخص گردید که شبکه عصبی مصنوعی از دقت بالاتری برخوردار است که این امر می تواند ناشی از ورود اطلاعات بیشتر در شبیه سازی باشد که منجر به دقت بالاتری گردید.