پهنه بندی زمانی- مکانی کمیت آب زیرزمینی با استفاده از مدل سری زمانی و شبکه عصبی مصنوعی و GIS (مطالعه موردی: حوزه چاه های گاز 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: حوزه چاه های گاز 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: حوزه چاه های گاز 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: حوزه چاه های گاز 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: حوزه چاه های گاز 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 پوشیدهنیست. عواملی مانند افزایش جمعیت، توسعه کشاورزی و رشد صنعت بخصوص صنعت گاز در منطقه، باعث افزایشبرداشت از منابع آب زیرزمینی شده و در مواقع بحرانی نظیر وقوع پدیده خشکسالی، افزایش برداشت از منابع آبزیرزمینی را در پی دارد و همین امر موجب افت سطح آب زیرزمینی در آبخوان ها شده و باعث بروز مشکلاتی مانندخشک شدن چاه های آب ،کاهش کیفیت آب و تخریب آبخوان ها شده است. از آنجا که کاهش سطح آب زیرزمینی برافت کیفی آب و بهره برداری از چاههای گاز نیز تاثیر چشمگیری دارد لذا به کمک پایش و استفاده از داده های کمی ومقادیر ماهانه سطح آب زیرزمینی دشت مهر، تغییرات کمی آن توسط مدل های سری زمانی و شبکه عصبی مصنوعیشبیه سازی و پیش بینی گردید و سپس نقشه پهنه بندی مقادیر آتی به کمک مدل های زمین آمار تهیه گردید.همچنین جهت بررسی و مقایسه دقت شبکه عصبی مصنوعی و سری زمانی در شبیه سازی و پیشبینی جهت استفادهدر آینده، از آماره های ضریب همبستگی و ریشه میانگین مربعات خطا واستفاده شد که به ترتیب برای شبکه عصبیمصنوعی مقادیر ۸۸ / ۰ و ۱۱۷ / ۰ و برای سری زمانی ۸۱ / ۰ و آماره عدد آکاییکی ۳ / ۰ بدست آمد. بر همین اساس ومقایسه مقادیر پیش بینی شده و مشاهده شده مشخص گردید که شبکه عصبی مصنوعی از دقت بالاتری برخورداراست که این امر می تواند ناشی از ورود اطلاعات بیشتر در شبیه سازی باشد که منجر به دقت بالاتری گردید.