یاوران محیط زیست سیمره(یاوران منظومه شمسی) Seimare Environment helper

محیط زیست و منابع طبیعی در: شهرستان ،استان ،کشورجمهوری اسلامی ،منظومه شمسی - همایش ها وسمینارهای زیست محیطی داخلی و خارجی -مقالات زیست محیطی

 

 

نام و نام خانوادگی: مهدی قنادان زاده              تاریخ فارغ التحصیلی: 1385                                               

رشته: مهندسی محیط زیست                                گرایش: آب و فاضلاب 

استاد راهنما: دکتر عبدعلی ناصری      

استاد مشاور: دکتر نعمت الله جعفرزاده حقیقی فرد

عنوان پایان نامه به فارسی: بررسی شوری زه آب زمین های کشاورزی و ارائۀ مدل پیش بینی EC و ضریب زهکشی با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: اراضی کشت و صنعت امیرکبیر)

چکیده:

پیش بینی پدیده ها و اتفاقات همواره مورد توجّه بشر بوده و منافع زیادی از این رهگذر نصیب او شده است. یکی از روشهای پیش بینی اتفاقات یا پدیده های آینده، استفاده از آمار و اطّلاعات مربوط به اتفاقات گذشته می باشد. پیش بینی شوری زه آب خروجی از مزارع و حجم زه آب شور می تواند به پایش های زیست محیطی کمک نماید. در این تحقیق به منظور پیش بینی هدایت الکتریکی زه آب خروجی از اراضی کشاورزی و هیدرومدول زهکشی، که به ترتیب شاخصی برای تعیین شوری زه آب و حجم آن می باشند، از اطّلاعات ثبت شده در شرکت کشت و صنعت امیرکبیر واقع در جنوب اهواز استفاده گردید.

داده های مربوط به سطوح آبیاری شده بصورت هفتگی، میزان آب مصرفی در واحد زمان در واحد سطح (هیدرومدول) برای آبیاری و آب شوئی، به مدت 98 هفته بصورت متوسط وزنی محاسبه گردید. همچنین اطّلاعات مربوط به EC آب رودخانۀ کارون، بعنوان منبع آب و EC زه آب خروجی از منطقه استخراج و بصورت هفتگی محاسبه و استفاده شد.

 با مشخص بودن حجم زه آب خروجی از سطح 6020 هکتار منطقۀ مورد مطالعه بصورت هفتگی، هیدرومدول (ضریب) زهکشی عملی نیز محاسبه گردید. با استفاده از این داده ها، ساختارهای مختلف شبکۀ عصبی مصنوعی، به کمک نرم افزار Alyuda  Neural  Intelligence طراحی و آموزش داده شد. پس از آزمایش بهترین مدل شبکۀ عصبی مصنوعی برای پیش بینی ضریب زهکشی و EC زه آب در نقطۀ خروجی از منطقه، به عنوان مدل های پیشنهادی معرفی گشتند. معیار انتخاب بهترین مدل ها، دارا بودن حداقل خطا در مرحلۀ آزمایش بود. بعبارت دیگر مدل هائی که نسبت به سایر مدل ها، دارای کمترین مقادیر میانگین مطلق خطا  (MAE)، میانگین مطلق خطای نسبی(MARE)، میانگین مربعات خطا (MSE) و میانگین مطلق انحرافات (MAD) در مرحلۀ آزمایش بودند، به عنوان مدل های برتر معرفی شدند.

بهترین مدل شبکۀ عصبی مصنوعی پیش بینی ضریب زهکش، دارای ساختار [1-9-4] است. این مدل 4 پارامتر شامل: سطح آبیاری شده بر حسب هکتار، هیدرومدول آبیاری بر حسب لیتر در ثانیه در هکتار، سطح آبشوئی شده بر حسب هکتار، هیدرومدول آبشوئی بر حسب لیتر در ثانیه در هکتار را بعنوان ورودی گرفته و در خروجی خود یک پارامتر یعنی هیدرومدول زهکشی را ارائه می نماید. بهترین مدل شبکۀ عصبی مصنوعی برای پیش بینی EC زه آب دارای ساختار [1-5- 10-5] می باشد. این مدل در ورودی خود 5 پارامتر دریافت و در خروجی  ECزه آب در نقطۀ خروج از منطقه را ارائه می نماید. از 5 پارامتر ورودی مدل پیش بینی EC، 4 پارامتر با ورودی های مدل فوق الذکر مشترک بوده و پارامتر ورودی پنجم EC آب آبیاری می باشد.

مقادیر معیارهای خطا شامل: میانگین مطلق خطا (MAE)، میانگین مطلق خطای نسبی (MAREمیانگین مربعات خطا (MSE) و میانگین مطلق انحرافات (MADبرای بهترین مدل پیش بینی ضریب زهکشی با نام 1-9-4 DC.TST  به ترتیب برابر با 0302/0، 1113/0، 0015/0 و 0203/0 و  برای بهترین مدل پیش بینی هدایت الکتریکی زه آب (EC) به نام 1-5-10-5 EC.TST  به ترتیب، 6/0، 029/0، 7/0، 4/0 بدست آمد. همچنین ضرایب همبستگی بین مقادیر اندازه گیری شده و مقادیر پیش بینی شده برای مدل 1-9-4 DC.TST برابر با 9692/0 و برای مدل 1-5-10-5EC.TST  برابر با 9500/0 حاصل شد.

در خاتمه معلوم گردید که پارامتر ورودی اول یعنی سطح زیر آبیاری بیشترین تأثیر را در آموزش هر دو مدل داشته است. این تأثیر برای مدل DC 90%  و برای مدل EC  32% بود.

کلید واژه ها: مدل شبکۀ عصبی مصنوعی، مدل پیش بینی ضریب زهکشی، مدل پیش بینی هدایت الکتریکی زه آب، شوری زه آب، حجم زه آب، کشت و صنعت امیرکبیر