نوع مقاله : پژوهشی

نویسندگان

• صیاد اصغری سراسکانرود ¹
• مریم ریاحی نیا ²

¹ هیئت علمی دانشگاه محقق اردبیلی

² فارغ تحصیل کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه محقق اردبیلی

چکیده

در به منظور بهبود دقت ارزیابی پتانسیل آب زیرزمینی در منطقه دشت خرم آباد از روش‌های جدید یادگیری عمیق (CNN) برای تقسیم‌بندی معنایی تصاویر سنجش از دور برای شناسایی مناطق مستعد آب زیرزمینی استفاده می‌شود. دراین تحقیق ابتدا نقشه فهرست چاهها تهیه و بعد پارامترهای موثر در پتانسیل‌یابی از قبیل: لایه ارتفاع، شیب، جهت شیب، کاربری‌اراضی، خاک، زمین‌شناسی، فاصله از رودخانه، فاصله از گسل، بارش مشخص و نقشه آن‌ها در محیط نرم‌افزارArc GIS تهیه شد. پس از تهیه تصاویر، نمونه های آموزشی با استفاده از بازدید میدانی جمع آوری و برای هر نمونه آموزشی یک تصویر لیبل تهیه شد. شبکه عصبی عمیق با ساختار جدید برای طبقه بندی استفاده شد و روش جدیدی را در ادغام همزمان الگوریتم مورد استفاده ارائه کرد که در نهایت منجر به کاهش چشمگیر زمان آموزش لایه های شبکه Pooling و CNN با استفاده از داده های آموزشی جامع با دقت بالا شد. برای آموزش و ارزیابی شبکه، 70 درصد داده ها به عنوان داده های آموزشی و 30 درصد برای ارزیابی تقسیم شدند .با استفاده از مدل CNN یادگیری، آموزش و آزمایش، تجزیه و تحلیل پتانسیل آب های زیرزمینی و هر همبستگی جفت بین شاخص های سنجش از دور به طور مداوم پس از 400 بار آموزش، افت مدل به 0.3113 کاهش یافت، دقت مدل 92 درصد شد. در پیش‌بینی طبقه‌بندی 5 سطح خوبی از مدل دریافت شد. نتایج ارزیابی عملکرد دقت الگوریتم CNN برای شناسایی مناطق مستعد منابع آب های زیرزمینی92 درصد دقت کلی و 93 درصد صحت کلی را نشان می دهد.

کلیدواژه‌ها

• پتانسیل‌یابی منابع آب زیرزمینی
• شبکه عصبی کانولوشن
• کانفیوژن
• دشت خرم‌آباد

موضوعات

• آب های زیرزمینی

عنوان مقاله [English]

Prediction of underground water potential in Khorramabad plain based on convolutional neural networks

نویسندگان [English]

• sayyad Asghari Saraskanrood ¹
• Maryam Riahinia ²

¹ Professor, Department of Physical Geography, Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran

² Master's degree in remote sensing and geographic information system, Mohaghegh Ardabili University, Iran

چکیده [English]

new deep learning methods (CNN) are used for semantic segmentation of remote sensing images to identify groundwater prone areas. In this research, first, a map of the list of wells was prepared, and then the parameters effective in finding potential, such as: height layer, slope, direction of slope, land use, soil, geology, distance from the river, distance from the fault, specific precipitation, and their map was prepared in the Arc GIS software environment. After preparing the images, training samples were collected using field visits and a label image was prepared for each training sample. A deep neural network with a new structure was used for classification and presented a new method in the simultaneous integration of the used algorithm, which finally led to a significant reduction in the training time of Pooling and CNN layers using comprehensive training data with high accuracy. For network training and evaluation, 70% of data as training data and 30% were divided for evaluation. Using the CNN model of learning, training and testing, analysis of groundwater potential and each pair correlation between remote sensing indicators continuously after 400 times of training, the loss of the model was reduced to 0.3113 found, the accuracy of the model was 92%. In the prediction of classification, 5 good levels of the model were obtained. The performance evaluation results of the accuracy of the CNN algorithm for identifying prone areas of underground water sources show 92% overall accuracy and 93% overall accuracy.

کلیدواژه‌ها [English]

• underground water resources potential
• convolution neural network
• confusion
• Khorramabad plain