@article { author = {norouzi, hossein and Nadiri, Ata Allah and Asghari Moghaddam, Asghar and Norouzi, Maryam}, title = {Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer}, journal = {Iranian journal of Ecohydrology}, volume = {5}, number = {3}, pages = {739-751}, year = {2018}, publisher = {Faculty of New Sciences and Technologies, University of Tehran}, issn = {2423-6098}, eissn = {2423-6101}, doi = {10.22059/ije.2018.239914.707}, abstract = {Estimating aquifer hydrogeological parameters is essential for the studies or management of groundwater resources. There are several different methods such as pumping test, simulation or modeling of groundwater, geophisical modeling to estimate these parameters. Although analysis and evaluation of pumping test data is the best way to achieve this purpose, it is costly, time consuming and the gained results are from limited points. Malekan plain aquifer is one of the marginal plains of Urmia Lake which suffered more ground water declination and Salinization in last decades and it needs qualitative and quantitative management. In this study, artificial neural networks, fuzzy logic and random forest models have been used to estimate the transmission of aquifers and the performance each of these models has been investigated. Inputs of presented models included related geophysical and hydrogeological variables to transmissivity such as transverse resistivity (Rt), electric conductivity (EC), alluvium thickness (B), and hydraulic conductivity (k). Based on the results of all models, random forest model has higher accuracy and ability to predict transmissivity parameter. According to this model, electrical conductivity (EC), aquifer environment (A) and hydraulic gradient (H) parameters were identified as the most important parameters to predict the transmissivity, respectively.}, keywords = {Artificial Intelligence,Groundwater,Malekan Plain,Random forest,Transmissivity}, title_fa = {مقایسۀ کارایی مدل‌های شبکۀ عصبی مصنوعی، منطق فازی و جنگل تصادفی در برآورد پارامتر قابلیت انتقال آبخوان دشت ملکان}, abstract_fa = {آبخوان دشت ملکان به عنوان یکی از آبخوان‏های حوضۀ دریاچۀ ارومیه، به مدیریت صحیح کمی و کیفی نیاز دارد. روش‏های مختلفی از جمله انجام آزمون پمپاژ، روش‏های آزمایشگاهی، استفاده از ردیاب‏ها و روش‏های ژئوفیزیکی برای ارزیابی پارامترهای هیدروژئولوژیکی و مدیریت مناسب آبخوان‏ها وجود دارد. هر چند تعبیر و تفسیر داده‏های به‌دست‌آمده از آزمون پمپاژ، بهترین روش تخمین پارامترهای هیدروژئولوژیکی آبخوان است، اما این روش‏ پرهزینه، وقت‏گیر و نتایج آن مختص به مناطق محدودی خواهد بود. با توجه به اینکه مدل‏های هوش مصنوعی توانایی‏هایی در برآورد پارامترهای هیدروژئولوژیکی نشان داده‏اند، در تحقیق حاضر کارایی مدل‏های شبکه‏های عصبی مصنوعی، منطق فازی و جنگل تصادفی در برآورد پارامتر قابلیت انتقال آبخوان دشت ملکان بررسی شده‏ است. پارامترهای ژئوفیزیکی و هیدروژئولوژیکی مرتبط با قابلیت انتقال، از جمله مقاومت عرضی، هدایت الکتریکی، ضخامت آبخوان و هدایت هیدرولیکی به عنوان مهم‏ترین ورودی در این مدل‏ها در نظر گرفته شده ‏است. بر اساس نتایج به‌دست‌آمده از بین مدل‏های شبکۀ عصبی و فازی و جنگل تصادفی، مدل جنگل تصادفی ‌دقت و توانایی بیشتری در شبیه‏سازی داشته‏ است. نتایج به‌دست‌آمده از شبیه‏سازی ( 96/0 = AUC، 001/0 = MSE و 986/0= R2) و تعیین مهم‏ترین پارامترهای تأثیرگذار در پیش‏بینی قابلیت انتقال، گویای برتری این مدل نسبت به مدل‏های شبکه‏های عصبی مصنوعی و منطق فازی در بحث پیش‏بینی است.}, keywords_fa = {آب‏های زیرزمینی,جنگل تصادفی,دشت ملکان,قابلیت انتقال,هوش مصنوعی}, url = {https://ije.ut.ac.ir/article_67501.html}, eprint = {https://ije.ut.ac.ir/article_67501_2c222de3703d8c8ea688fea4ccb8f63c.pdf} }