- Tytuł:
-
A comparative study of fuzzy logic-based models for groundwater quality evaluation based on irrigation indices
Analiza porównawcza modeli opartych na logice rozmytej do oceny jakości wód podziemnych na podstawie wskaźników nawadniania - Autorzy:
-
Vadiati, Meysam
Nalley, Deasy
Adamowski, Jan
Nakhaei, Mohammad
Asghari-Moghaddam, Asghar - Powiązania:
- https://bibliotekanauki.pl/articles/293164.pdf
- Data publikacji:
- 2019
- Wydawca:
- Instytut Technologiczno-Przyrodniczy
- Tematy:
-
fuzzy inference model
fuzzy rules
irrigation indices
Mamdani model
Sarab Plain
model Mamdaniego
model wnioskowania rozmytego
reguły rozmyte
równanie Saraba
wskaźniki irygacyjne - Opis:
-
Groundwater quality modelling plays an important role in water resources management decision making processes.
Accordingly, models must be developed to account for the inherent uncertainty that arises from the sample measurement
stage through to the data interpretation stages. Artificial intelligence models, particularly fuzzy inference systems (FIS),
have been shown to be effective in groundwater quality evaluation for complex aquifers. Applying fuzzy set theory to
groundwater-quality related decision-making in an agricultural production context, the Mamdani, Sugeno, and Larsen fuzzy
logic-based models (MFL, SFL, and LFL, respectively) were used to develop a series of new, generalized, rule-based fuzzy
models for water quality evaluation using widely accepted irrigation indices. Rather than drawing upon physiochemical
groundwater quality parameters, the present study employed widely accepted agricultural indices (e.g., irrigation criteria)
when developing the MFL, SFL and LFL groundwater quality models. These newly-developed models, generated significantly
more consistent results than the United States Soil Laboratory (USSL) diagram, addressed the inherent uncertainty in
threshold data, and were effective in assessing groundwater quality for agricultural uses. The SFL model is recommended
because it had the best performance in terms of accuracy when assessing groundwater quality using irrigation indices.
Modelowanie jakości wód podziemnych odgrywa ważną rolę w procesach podejmowania decyzji dotyczących zarządzania zasobami wodnymi. W związku z tym należy opracować modele uwzględniające naturalną niepewność, która pojawia się od etapu pomiaru próbki, aż do interpretacji danych. Wykazano, że modele sztucznej inteligencji, w szczególności systemy wnioskowania rozmytego (FIS), są skuteczne w ocenie jakości wód podziemnych w odniesieniu do złożonych warstw wodonośnych. Zastosowanie teorii zbiorów rozmytych do podejmowania decyzji związanych z jakością wód podziemnych w kontekście produkcji rolnej, modele oparte na logice rozmytej Mamdaniego, Sugeno i Larsena (odpowiednio MFL, SFL i LFL) zostały wykorzystane do opracowania serii nowych, uogólnionych modeli, opartych na regułach rozmytych, do oceny jakości wody z wykorzystaniem powszechnie akceptowanych wskaźników nawadniania. Zamiast czerpać z jakościowych parametrów fizykochemicznych wód gruntowych, w niniejszym badaniu zastosowano powszechnie przyjęte wskaźniki rolne (np. kryteria nawadniania) podczas opracowywania modeli jakości wód podziemnych MFL, SFL i LFL. Za pomocą tych nowo opracowanych modeli, wygenerowano znacznie bardziej spójne wyniki niż z zastosowaniem diagramu Amerykańskiego Laboratorium Gleby (USSL), uwzględniono nieodłączną niepewność danych progowych. Modele te były skuteczne w ocenie jakości wód podziemnych do zastosowań rolniczych. Model SFL jest zalecany, ponieważ miał najlepszą efektywność pod względem dokładności w ocenie jakości wód podziemnych z użyciem wskaźników nawadniania. - Źródło:
-
Journal of Water and Land Development; 2019, 43; 158-170
1429-7426
2083-4535 - Pojawia się w:
- Journal of Water and Land Development
- Dostawca treści:
- Biblioteka Nauki
Artykuł