تعيين آسيب‌پذيري آبخوان با روش دراستيك استاندارد و روش‌هاي داده‌ مبنا (مطالعه موردي: آبخوان كوچصفهان)

در سال‌هاي اخير، افزايش جمعيت و به‌تبع آن، افزايش نيازهاي آبي و كاهش كيفيت و آلودگي آب‌هاي زيرزميني، به‌دليل توسعه صنعت و كشاورزي، موجب توجه به كيفيت منابع آب زيرزميني شده است. شناسايي و تهيه نقشه پهنه‌بندي مناطق آسيب‌پذير آبخوان، يعني مناطقي كه در آنها امكان نفوذ و پخش آلاينده‌ها از سطح زمين به سيستم آب زيرزميني وجود دارد، ابزار مديريتي مناسبي براي پيشگيري از آلـودگي منـابع آب زيرزميني است. در اين پژوهش، براي تهيه نقشه پهنه‌بندي پتانسيل آسيب‌پذيري آبخوان دشت آستانه، در منطقه كوچصفهان از توابـع استان مازندران، روش دراستيك ((drastic به‌كـار گرفته شد كه يكي از كاربردي‌ترين روش‌هـاي هم‌پوشـاني است. براي صحت‌سنجي مدل، از داده‌هاي غلظت نيترات در منطقه استفاده شد. در اين منطقه، استفاده از آب‌هاي زيرزميني براي كشاورزي و تامين آب شرب اهميت بسياري دارد. از سوي ديگر، استفاده بي‌رويه ازكودهاي شيميايي، به‌ويژه كودهاي نيتروژن‌دار، براي افزايش محصول و نداشتن دقت لازم در تصفيه فاضلاب شهري و صنعتي و رهاسازي آن از پارامترهاي موثر بر افزايش مقدار نيترات در آب‌هاي زيرزميني منطقه شمرده مي‌شود. ازاين‌رو، بررسي آلودگي نيترات كه يكي از مهم‌ترين مسائل زيست‌محيطي در آب‌هاي زيرزميني است، به‌صورت منظم و دوره‌اي، بسيار مهم و ضروري خواهد بود. به همين علت، نيترات عامل اصلي آسيب‌پذيري اين منطقه معرفي شد. نتايج نشان داد آسيب‌پذيري آبخوان دشت آستانه‌ـ كوچصفهان در چهار محدوده قـرار دارد. 18/56% دشت داراي آسيب‌پذيري كـم، 51.29% داراي آسيب‌پذيري اندك تا متوسط، 28.46% داراي آسيب‌پذيري متوسط تا زياد و 1/67% داراي آسيب‌پذيري زيـاد اسـت. ميزان همبستگي بـين شـاخص دراسـتيك (شاخص آسيب‌پذيري) با غلظت نيترات 80% به‌دست آمده است. در ادامه، با كمك چهار روش هوش مصنوعي، شامل شبكه عصبي مصنوعي، مدل فازي، مدل ماشين بردار پشتيبان و فازي عصبي، مقدار نيترات تخمين زده شد. براي اين منظور، داده‌هاي ورودي (پارامترهاي دراستيك) و خروجي (مقدار نيترات اندازه‌گيري و پهنه‌بندي‌شده در سي حلقه چاه موجود در منطقه ) مدل و مقادير نيترات مربوط، به دو دسته آموزش و آزمايش، تقسيم شد. نتايج نشان داد كه تمامي مدل‌هاي هوش مصنوعي به‌كار گرفته‌شده تخمين مناسبي از مقدار نيترات مي‌دهند اما، در اين ميان، مدل شبكه عصبي بهترين نتايج را دربر داشت؛ به‌طوري‌كه بين نيترات محاسباتي و مقدار نيترات مشاهداتي همبستگي 98 درصدي ديده شد. در ادامه، با انتخاب مدل شبكه عصبي به‌منزله مدل برتر، كوشش شد با كاهش پارامترهاي ورودي، مقدار نيترات تخمين زده شود. درنهايت، مشخص شد كه با پنج پارامتر محيط خاك، محيط غيراشباع، محيط اشباع، تراز آب، هدايت هيدروليكي و حذف دو پارامتر تغذيه و توپوگرافي مقدار همبستگي نيترات تخمين‌زده‌شده با مقدار واقعي نيترات اندازه‌گيري‌شده برابر 0.90 است. درنتيجه، مي‌توان تخمين مناسبي از مقدار نيترات و نيز آسيب‌پذيري اين منطقه داشت. اين نكته برتري روش‌هاي هوش مصنوعي در بررسي آسيب‌پذيري را، ور مقايسه با روش دراستيك، نشان مي‌دهد. نتايج نشان داد كه مدل‌هاي هوش مصنوعي روشي كارآ در تخمين آسيب‌پذيري آبخوان محسوب مي‌شوند و نتايج دقيقي از برآورد پتانسيل آلودگي در منطقه مورد مطالعه مي‌دهند.