بهبود نتایج حاصل از مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز

Abstract

سابقه و هدف: آلودگی آب‌های زیرزمینی یک فرآیند پیچیده و پر از عدم قطعیت، در مقیاس منطقه‌ای می‌باشد. توسعه یک روش یکپارچه جهت ارزیابی آسیب‌پذیری آبخوان‌ها، می‌تواند به منظور مدیریت بهینه و حفاظت از آن‌ها کارامد باشد. دشت رامهرمز به دلیل داشتن خاک حاصلخیز و منابع آب کافی دارای زمین‌های مستعد کشاورزی است که به دلیل توسعه کشاورزی، استفاده از کودهای شیمیایی و مواد آفت‌کش‌ همواره در معرض خطر آلودگی قرار دارد. یکی از راه‌های مناسب برای جلوگیری از آلودگی آب‌های زیرزمینی، شناسایی مناطق دارای پتانسیل آلودگی می‌باشد. هدف از مطالعه حاضر، تهیه نقشه آسیب‌پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از مدل دراستیک و سپس بکارگیری روش‌های هوش مصنوعی جهت بهبود نتایج حاصل از مدل دراستیک است. با توجه به اهمیت منابع آب زیرزمینی در منطقۀ مورد مطالعه که برای مقاصد مختلف از جمله کشاورزی مورد استفاده قرار می‌گیرد، مطالعۀ آسیب پذیری آبخوان و حفاظت این مناطق برای توسعه و مدیریت بهینه منابع آب ضروری به نظر می‌رسد.مواد و روش‌ها: در این مطالعه، ارزیابی آسیب‌پذیری آبخوان آبرفتی دشت رامهرمز در ابتدا با استفاده از مدل دراستیک انجام شد و در ادامه از روش‌های هوش مصنوعی جهت بهینه‌سازی مدل استفاده گردید. مدل دراستیک شامل پارامترهای: عمق تا سطح ایستابی، تغذیه، جنس سفره، نوع خاک، توپوگرافی، مواد تشکیل دهنده منطقۀ غیراشباع و هدایت هیدرولیکی می‌باشد که در ارزیابی آسیب‌پذیری سفرۀ آب‌زیرزمینی موثر هستند. این روش بر اساس وزن‌های استاندارد پارامترهای مدل دراستیک و لایه‌های بدست آمده برای هر یک از هفت پارامتر میزان آسیب‌پذیری آبخوان را محاسبه می‌نماید. پس از آماده-سازی لایه‌ها، آسیب‌پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از روش‌ دراستیک، تعیین گردید. هم‌چنین نقشۀ آسیب‌پذیری آبخوان و شاخص دراستیک برای کل منطقه محاسبه شد. به منظور ارزیابی دقت نتایج این مدل، از داده‌های غلظت نیترات موجود در آبخوان جهت صحت‌سنجی استفاده شده است. در ادامه به منظور بهبود نتایج، مدل دراستیک با روش‌های شبکه عصبی مصنوعی، منطق فازی( سوگنو و ممدانی) و سیستم استنتاج تطبیقی عصبی- فازی تلفیق شد و چهار نقشه آسیب‌پذیری با استفاده از مدل‌های مختلف هوش مصنوعی حاصل گردید.یافته‌ها: نقشۀ آسیب‌پذیری آبخوان نسبت به آلودگی، با تقسیم‌بندی به سه محدودۀ آسیب‌پذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 48 تا 156 محاسبه گردید. ضریب همبستگی 97/0 بین شاخص دراستیک و غلظت نیترات نشان دهنده دقت نسبتاً مناسب این روش است. نتایج نشان داد که مدل‌های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارا می‌باشند. با مقایسه نتایج مدل‌ها می‌توان نتیجه گرفت که مدل سیستم استنتاج تطبیقی عصبی- فازی بهترین نتیجه را در بردارد.نتیجه‌گیری: ضریب تعیین (R2) برای مدل‌های سیستم استنتاج تطبیقی عصبی- فازی، شبکه عصبی و مدل‌های فازی سوگنو و ممدانی به‌ترتیب 99/0، 94/0، 98/0 و 87/0 بدست آمد. طبق مدل نهایی، نواحی جنوب- جنوب شرقی منطقه دارای بیشترین میزان پتانسیل آلودگی هستند.

Keywords

• آسیب پذیری آب زیرزمینی
• مدل دراستیک
• سیستم اطلاعات جغرافیایی
• هوش مصنوعی