پديد آورندگان :
قنبري، نازنين داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﺳﻨﺠﺶ از دور و ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ GIS , رنگزن، كاظم داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﺳﻨﺠﺶ از دور و ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ GIS , كابلي زاده، مصطفي داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﺳﻨﺠﺶ از دور و ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ GIS , مرادي، پوريا داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﺳﻨﺠﺶ از دور و ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ GIS
كليدواژه :
آﺳﯿﺐ ﭘﺬﯾﺮي آب زﯾﺮزﻣﯿﻨﯽ , ﻣﺪل دراﺳﺘﯿﮏ , ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ , ﻫﻮش ﻣﺼﻨﻮﻋﯽ
چكيده فارسي :
سابقه و هدف: آلودگي آب‌هاي زيرزميني يك فرآيند پيچيده و پر از عدم قطعيت، در مقياس منطقه‌اي مي‌باشد. توسعه يك روش يكپارچه جهت ارزيابي آسيب‌پذيري آبخوان‌ها، مي‌تواند به منظور مديريت بهينه و حفاظت از آن‌ها كارامد باشد. دشت رامهرمز به دليل داشتن خاك حاصلخيز و منابع آب كافي داراي زمين‌هاي مستعد كشاورزي است كه به دليل توسعه كشاورزي، استفاده از كودهاي شيميايي و مواد آفت‌كش همواره در معرض خطر آلودگي قرار دارد. يكي از راه‌هاي مناسب براي جلوگيري از آلودگي آب‌هاي زيرزميني، شناسايي مناطق داراي پتانسيل آلودگي مي‌باشد. هدف از مطالعه حاضر، تهيه نقشه آسيب‌پذيري آبخوان آبرفتي دشت رامهرمز با استفاده از مدل دراستيك و سپس بكارگيري روش‌هاي هوش مصنوعي جهت بهبود نتايج حاصل از مدل دراستيك است. با توجه به اهميت منابع آب زيرزميني در منطقۀ مورد مطالعه كه براي مقاصد مختلف از جمله كشاورزي مورد استفاده قرار مي‌گيرد، مطالعۀ آسيب پذيري آبخوان و حفاظت اين مناطق براي توسعه و مديريت بهينه منابع آب ضروري به نظر مي‌رسد.
مواد و روش‌ها: در اين مطالعه، ارزيابي آسيب‌پذيري آبخوان آبرفتي دشت رامهرمز در ابتدا با استفاده از مدل دراستيك انجام شد و در ادامه از روش‌هاي هوش مصنوعي جهت بهينه‌سازي مدل استفاده گرديد. مدل دراستيك شامل پارامترهاي: عمق تا سطح ايستابي، تغذيه، جنس سفره، نوع خاك، توپوگرافي، مواد تشكيل دهنده منطقۀ غيراشباع و هدايت هيدروليكي مي‌باشد كه در ارزيابي آسيب‌پذيري سفرۀ آب‌زيرزميني موثر هستند. اين روش بر اساس وزن‌هاي استاندارد پارامترهاي مدل دراستيك و لايه‌هاي بدست آمده براي هر يك از هفت پارامتر ميزان آسيب‌پذيري آبخوان را محاسبه مي‌نمايد. پس از آماده-سازي لايه‌ها، آسيب‌پذيري آبخوان آبرفتي دشت رامهرمز با استفاده از روش دراستيك، تعيين گرديد. هم‌چنين نقشۀ آسيب‌پذيري آبخوان و شاخص دراستيك براي كل منطقه محاسبه شد. به منظور ارزيابي دقت نتايج اين مدل، از داده‌هاي غلظت نيترات موجود در آبخوان جهت صحت‌سنجي استفاده شده است. در ادامه به منظور بهبود نتايج، مدل دراستيك با روش‌هاي شبكه عصبي مصنوعي، منطق فازي( سوگنو و ممداني) و سيستم استنتاج تطبيقي عصبي- فازي تلفيق شد و چهار نقشه آسيب‌پذيري با استفاده از مدل‌هاي مختلف هوش مصنوعي حاصل گرديد.
يافته‌ها: نقشۀ آسيب‌پذيري آبخوان نسبت به آلودگي، با تقسيم‌بندي به سه محدودۀ آسيب‌پذيري كم، متوسط و زياد تهيه و شاخص دراستيك براي كل منطقه بين 48 تا 156 محاسبه گرديد. ضريب همبستگي 97/0 بين شاخص دراستيك و غلظت نيترات نشان دهنده دقت نسبتاً مناسب اين روش است. نتايج نشان داد كه مدل‌هاي هوش مصنوعي به كار گرفته شده، قابليت بهبود نتايج مدل دراستيك اوليه را دارا مي‌باشند. با مقايسه نتايج مدل‌ها مي‌توان نتيجه گرفت كه مدل سيستم استنتاج تطبيقي عصبي- فازي بهترين نتيجه را در بردارد.
نتيجه‌گيري: ضريب تعيين (R2) براي مدل‌هاي سيستم استنتاج تطبيقي عصبي- فازي، شبكه عصبي و مدل‌هاي فازي سوگنو و ممداني به‌ترتيب 99/0، 94/0، 98/0 و 87/0 بدست آمد. طبق مدل نهايي، نواحي جنوب- جنوب شرقي منطقه داراي بيشترين ميزان پتانسيل آلودگي هستند
چكيده لاتين :
Background and objectives: Groundwater pollution is a complex and full of uncertainty process, on a regional scale. Development of an integrated method for assessing groundwater vulnerability, can be efficient in order to optimized management and protection of them. Because of fertile soil and sufficient water resources, Ramhormoz plain is suitable area for agriculture that by development of agriculture, use of chemical fertilizers and pesticide, this plain always is at risk of contamination. One of the suitable approach to prevent groundwater contamination, identify areas of potential contamination. The aim of this study is to produce vulnerability map of Ramhormoz plain alluvial aquifer using DRASTIC model, and then use artificial intelligence techniques to improve the results of the DRASTIC model. Due to the importance of groundwater resources in the study area that are used for various purposes including agriculture, Aquifer vulnerability study and protect these areas for development and management of water resources is essential.
Materials and methods: In this study, first, vulnerability evaluation of Ramhormoz alluvial aquifer plain was performed using DRASTIC model and in the following, artificial intelligence methods was used to optimize the model. DRASTIC model includes the following parameters: depth to water table, net recharge, aquifer media, soil media, topography, impact of vadose zone and hydraulic conductivity that are effective in groundwater vulnerability assessment. This method, based on the standard weights of DRASTIC model and obtained layers for each of the seven parameters, calculates the amount of aquifer vulnerability. After preparation of the layers, vulnerability of Ramhormoz alluvial aquifer plain was determined using drastic model. Also the groundwater vulnerability map and DRASTIC index was calculated for the entire area. In order to evaluation of accuracy of the obtained results from the model, nitrate concentration data existing in groundwater have been used for verification. Following In order to improve results, DRASTIC model was integrated by artificial neural networks, fuzzy logic (Sugeno and Mamdani) and Adaptive Neuro-Fuzzy Inference System methods and four vulnerability maps was obtained using different models of artificial intelligence.
Results: the groundwater vulnerability map toward the contamination was prepared by the division into three vulnerability ranges including low, medium and high and DRASTIC index was calculated for the entire area between 48 and 156. Correlation coefficient 0.97 between DRASTIC index and nitrate concentration reflects the relatively good accuracy of this method. Also, the results of the implementation of these models showed that the used artificial intelligence models have the ability to improve the primary DRASTIC model results. By comparing the results of the models can be concluded that the Adaptive Neuro-Fuzzy Inference System model has the best result.
Conclusion: The determination coefficient, R2, for the Adaptive Neuro-Fuzzy Inference System, neural networks and Mamdani fuzzy and Sugeno fuzzy models, is 0.99, 0.94, 0.98 and 0.87 respectively. According to the final model, South- Southeast regions have the highest potential for contamination.
