ارزیابی و دقت سنجی روش های هوش مصنوعی، زمین آمار و وزن دهی معکوس فاصله در شبیه سازی عمق آب زیرزمینی

الموضوعات :

عاطفه صیادی شهرکی ¹ , سعید برومندنسب ² , عبدعلی ناصری ³ , امیر سلطانی محمدی ⁴

1 - دکترای آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران
2 - استاد آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران
3 - استاد آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران
4 - دانشیار آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

تاريخ الإرسال : 29 السبت , محرم, 1441 تاريخ التأكيد : 20 الثلاثاء , ربيع الأول, 1443 تاريخ الإصدار : 17 السبت , ربيع الأول, 1443

الکلمات المفتاحية: زمین آمار, شبکه عصبی مصنوعی, عمق آب زیرزمینی, وزن‌دهی معکوس فاصله,

ملخص المقالة :

مقدمه: اگرچه تنش بر سر آب افزایش یافته است، اما احتمال بروز تضاد درباره منابع آب مشترک بیشتر است. تحقیق حاضر با هدف بررسی تضاد آب و روش­های مدیریت آن در بین کشاورزان انجام گرفت.
روش­: این تحقیق با روش توصیفی-پیمایشی انجام شد. ابزار جمع­آوری داده­ها، پرسشنامه بود که روایی آن با مراجعه به اساتید دانشگاه تأئید گردید. جمعیت موردمطالعه، کشاورزان شهرستان بهار در استان همدان بودند که از چاه­های آب مشترک برای تأمین آب کشاورزی استفاده می­­کردند. با استفاده از فرمول کوکران، حجم نمونه برابر 214 نفر برآورد گردید که با روش نمونه­گیری ساده تصادفی انتخاب شدند.
یافته­ها: یافته­های پژوهش نشان داد در دامنه امتیاز 1 تا 5، "خشکسالی" و "افزایش تعداد کشاورزان" به ترتیب با میانگین 56/3 و 45/3، از دلایل اصلی ایجاد تضاد آب کشاورزی می­باشند. همچنین اولویت­ روش­های کاهش تضاد آب مربوط به مشارکت کشاورزان در مدیریت آب چاه­­های کشاورزی و مذاکره با آنان پیرامون آب بود. نتایج نشان داد در مقیاس با دامنه 13 تا 65، تضاد ادراک‌شده پیرامون آب کشاورزی با میانگین 51/38 در حد متوسط بود و با افزایش فاصله مزرعه از چاه آب، مساحت زمین کشاورزی اجاره­ای و همچنین درآمد سالانه از فعالیت­های غیر کشاورزی، ادراک و احساس کشاورزان از تضاد آب کشاورزی افزایش می­یافت. در مقابل، با افزایش مساحت زمین کشاورزی ملکی و میزان درآمد حاصل از کشاورزی، ادراک و احساس کشاورزان از تضاد آب کشاورزی کمتر می­شد. بیشترین استفاده کشاورزان برای مدیریت تضاد آب از راهبرد «کنترل» بود. از این نظر، راهبرد «راه­حل­گرایی» و راهبرد «عدم مقابله» به ترتیب در اولویت­های بعدی قرار داشتند.
نتیجه­گیری: لازم است سیاست­های مناسب برای محافظت از کشاورزان در هنگام خشکسالی به منظور کاهش تضاد آب دنبال شود. کسب درآمد از طریق فعالیت­های غیرکشاورزی به تنهایی نمی­تواند ادراک کشاورزان از تضاد آب را کاهش دهد و افزایش درآمد کشاورزان از کشاورزی برای کاهش تضاد آب مورد نیاز است. برگزاری جلسات گفتگو و تعامل بین کشاورزان می­تواند به تحلیل دلایل تضاد آب کشاورزی و یافتن روش­های مناسب برای کاهش آن کمک نماید.

المصادر:

1. Bameri, A.; Khormali, F.; Kiani, F.; and Dehghani, A.A. 2012. Spatial variability of soil organic carbonon different slope positions of loess hillslopes in Toshan area, Golestan Province. Journal of Soil and Water Conservation Research, 19 (2): 43-62. [In Persian].


2. Bayatvarkeshi, M.; and Fasihi, R. 2018. Comparison of numerical model, neural intelligent and GeoStatistical in estimating groundwater table. researches in Geographical Sciences, 18 (48) :165-182. [In Persian].


3. Dayhoff, J. E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A.


4. Goovaerts, P. 1997. Geostatistics for Natura Resources Evaluation. NewYork: Oxford University Press.


5. Hasani Paak, A. 1998. Geostatistics. University of Tehran Press, 330 pp. [In Persian].


6. Hosseinali Zadeh, M.; and Yaghubi, A. 2010. Temporal and spatial changes of groundwater aquifer surface using geostatistics. Iranian Journal of Watershed Management Science and Engineering, 4 (10): 63-67. [In Persian].


7. Jahani, S.; and Delbari, M. 2009. Evaluation and Estimation of the 24 hour Maximum Rainfall in the Provice of Golestan. Journal of Water Engineering, 2 (4): 13-22. [In Persian].


8. Jamshidi Avanaki, M.; and Ebrahimi, K. 2012. Comparison of artificial neural network and geostatistical approach in predicting groundwater level - Case study: Mashhad plain aquifer. Second Conference on Environmental Planning and Management. University of Tehran. [In Persian].


9. Khanna, T. 1990. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A.


10. Karthikeyan, L., Kumar, N.D., Graillot, D. and Gaur, S., 2012. Prediction of Ground Water Levels in the Uplands of a Tropical Coastal Riparian Wetland using Artificial Neural Networks. Water Resources Management, 27(3): 871–883.


11. Kord, M.; Yuosefi, N.; and  Abbas Novinpour, E. 2019. Comparison of Adaptive Neuro-Fuzzy Inference System (ANFIS), Inverse Distance Weighting and Geostatistics Methods for Estimating the Water Table (Case Study: Dehgolan Plain, Kurdistan Province). Journal of Echo Hydrology, 6 (1): 51-64. [In Persian].


12. Mansouri, F. 2005. Investigation of design parameters of underground drainage systems in irrigation and drainage project of sugarcane development plan, case study of Amirkabir unit. Master's thesis. Campus of Agriculture and Natural Resources, University of Tehran. [In Persian].


13. Misaghi, F.; and Mohammadi, K. 2006. Zoning of rainfall information using classical and geostatistical methods and comparison with artificial neural network. Scientific Journal of Agriculture, 23 (13): 1-4. [In Persian].


14. Mirzaei, A.; amd Nazemi, A.H. 2011. Water level prediction using intelligent systems (Case study: Shabestar plain). Journal of Water Resources Engineering, 4 (8): 1-10. [In Persian].


15. Nikbakht, S.; and Delbari, M. 2013. Estimation of groundwater water table using geostatistical methods. Journal of Water and Sustainable Development, 1 (1): 49-56. [In Persian].


16. Piri, H.; and Bameri, A. 2014. Investigating the quantity variation trend of ground water table using geostatistics and GIS (Case study: Sirjan Plain). Journal of Remote Sensing and GIS, 5 (1): 29-44. [In Persian].


17. Rashidi, S., Mohammadan, M. and Azizi, K., 2015. Predicting of Groundwater Level Fluctuation Using ANN and ANFIS in Lailakh plain. Journal of Renewable Natural Resources Bhutan, 3 (1):77-84.


18. Rostami Fathabadi, M. 2016. Evaluation and accuracy of geostatistical methods in estimating the optimal groundwater level, Case study: Northwest of Kermanshah plain. Journal of Geographical Sciences, 12 (25): 33-49. [In Persian].


19. Shayan, M.A. 2000. Correlation between meteorological factors and yield indices in sugarcane cultivation in Haft Tappeh region. Master Thesis, Campus of Agriculture and Natural Resources, University of Tehran. [In Persian].


20. Yue, S., Kang, S., Li, F. and  Zhang L. 2009. Comparison of interpolation methods for depth to groundwater and its temporal and spatial variations in the Minqin oasis of northwest China. Environmental Modelling & Software, 24(10): 1163-1170.


21. Zare Abyaneh, H.; and Bayat Varkeshi, M. 2014. Development and application of statistical and neural, Fuzzy, Genetic Algorithm models in estimation of spatial distribution of water table level. Journal of Soil and Water Conservation Research, 20 (4): 1-25. [In Persian].