ارزيابي قابليت هوش مصنوعي در پيش بيني ميزان نيترات در منابع آب زيرزميني (مطالعه موردي روش هاي عصبي مصنوعي ANN و ANFIS)

Evaluating the capability of artificial intelligence in predicting the amount of nitrate in underground water resources (a case study of artificial neural methods ANN and ANFIS)

منابع آب زيرزميني در كشور ايران و بسياري از كشورهاي ديگر كه آب و هوايي مشابه دارند، مهم ترين منابع آب مورد استفاده در كشاورزي و شرب به شمار مي رود. در دهه هاي اخير سيستم هاي هوش مصنوعي (AI)، فضايي جديد در ارزيابي مسائل مهندسي آب و محيط زيست ايجاد كرده است. در اين مطالعه روش كريجينگ معمول به عنوان يك تخمين گر آماري خطي و دو روش هوشمند شبكه عصبي مصنوعي ANN و سيستم استنتاج تطبيقي عصبي فازي ANFIS ، در پيش بيني مقدار نيترات در آب هاي زيرزميني ارزيابي شدند. به منظور انجام مطالعات غلظت نيترات در 40 چاه در دشت نجف آباد اصفهان به روش اسپكت فتومتر مورد اندازه گيري قرار گرفت. داده هاي ورودي مدل عصبي مصنوعي شامل طول و عرض حغرافيايي و غلظت نيترات به عنوان خروجي مدل تعيين شدند. در راستاي بررسي عملكرد و كارايي مدلهاي هوش مصنوعي در پيش بيني اطلاعات كيفي، اطلاعات نيترات 50درصد چاه ها به منظور واسنجي و 50درصد چاه ها به منظور صحت سنجي مدل ها استفاده شدند. در نهايت، خروجي مدل ها با مقدار اندازه گيري شده در چاه هاي مشاهداتي بر اساس معيارهاي ارزيابي متقابل خطا مقايسه شد. نتايج نشان داد مدل ANFIS نسبت به دو مدل درون يابي ديگر عملكرد بهتري در پيش بيني مقدار نيترات به ترتيب با ريشه ميانگين مربعات خطا (RMSE) و (mg/l) 362/5، با ميانگين اريب خطا (MBE)، 365/2 و با ضريب همبستگي (R) و 767/0 داشته است. همچنين مدل ANN به مراتب نتايج بهتري نسبت به روش كريجينگ معمول داشت. بر اين اساس مدل ANFIS براي پيش بيني مكاني نيترات در محدوده مطالعاتي پيشنهاد مي شود.