دانشجوی دکتری گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران
چکیده
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. رشد روزافزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. در این تحقیق به منظور تخمین تراز سطح آب زیرزمینی آبخوان دشت روانسر-سنجابی از دو مدل هوش مصنوعی شامل شبکه عصبی برگشتی (RNN) و شبکه عصبی تابع پایه شعاعی (RBF) با به کار گیری داده‌های دما، بارش ، تبخیر، زطوبت ایستگاه هواشناسی روانسر و سطح تراز آب‌های زیر زمینی دشت روانسر-سنجابی در دوره 20 ساله (1399-1380) استفاده شده است. با وجود توانایی‌های ذاتی هر یک از این مدل‌های هوش مصنوعی در پیش بینی سطح آب زیرزمینی، هر کدام درای نقاط قوت و نقاط ضعف می‌باشد، که در نهایت با اجرای هر یک از دو روش نامبرده، مشخص شدکه شبکه عصبی RNN عملکرد بهتر و مناسب تر جهت پیش بینی سطح تراز آب‌های زیر زمینی را داشت.
بهشتی زاده, تریفه. (1401). مقایسه شبکه عصبی برگشتی(RNN) و شبکه عصبی شعاعی (RBF) به منظور ﭘﻴﺶ ﺑﻴﻨﻲ تراز آب‌های زیرزمینی (مطالعه موردی : آبخوان دشت روانسر-سنجابی). نشریه علمی پژوهشهای اطلاعات مکانی, 2(1), 95-123.
MLA
تریفه بهشتی زاده. "مقایسه شبکه عصبی برگشتی(RNN) و شبکه عصبی شعاعی (RBF) به منظور ﭘﻴﺶ ﺑﻴﻨﻲ تراز آب‌های زیرزمینی (مطالعه موردی : آبخوان دشت روانسر-سنجابی)". نشریه علمی پژوهشهای اطلاعات مکانی, 2, 1, 1401, 95-123.
HARVARD
بهشتی زاده, تریفه. (1401). 'مقایسه شبکه عصبی برگشتی(RNN) و شبکه عصبی شعاعی (RBF) به منظور ﭘﻴﺶ ﺑﻴﻨﻲ تراز آب‌های زیرزمینی (مطالعه موردی : آبخوان دشت روانسر-سنجابی)', نشریه علمی پژوهشهای اطلاعات مکانی, 2(1), pp. 95-123.
VANCOUVER
بهشتی زاده, تریفه. مقایسه شبکه عصبی برگشتی(RNN) و شبکه عصبی شعاعی (RBF) به منظور ﭘﻴﺶ ﺑﻴﻨﻲ تراز آب‌های زیرزمینی (مطالعه موردی : آبخوان دشت روانسر-سنجابی). نشریه علمی پژوهشهای اطلاعات مکانی, 1401; 2(1): 95-123.
 و شبکه عصبی شعاعی (RB ... ', 'data/geos/coversheet/631662447041.jpg'))
)