پيش بيني مكاني غلظت فلويوريد با استفاده از مدل هاي شبكه هاي عصبي مصنوعي و زمين آمار

Spatial Prediction of Fluoride Concentration Using Artificial Neural Networks and Geostatic Models

در چند دهه اخير محقّقين به ناهنجاري هاي شيميايي موجود در آب، خاك و هوا كه سلامتي انسانها را تهديد مي‌كنند، توجه خاصي داشته‌اند. از اين ميان غلظت بيش از حد استاندارد (5/1 ميلي‌گرم بر ليتر) فلويوريد در آب هاي شرب به دليل تاثير مستقيم روي فيزيولوژي بدن انسان، اهميت بالايي دارد. در منابع آبي دشت هاي بازرگان و پلدشت غلظت فلويوريد بيش از حد استاندارد جهاني (WHO) است. هدف اين تحقيق تعيين تغييرات مكاني مقادير فلويوريد در اين دشتها مي‌باشد. بدين منظور از مدل شبكه‌هاي عصبي مصنوعي به عنوان مدلي غيرخطي استفاده گرديد. ساختارهاي مختلفي از مدل مذكور ارزيابي و بهترين ساختار براي پيش‌بيني مكاني غلظت فلويوريد در منطقه، ساختار ‌FNN-BFG تشخيص داده شد. مدلسازي مكاني با اين ساختار با استفاده از اندازه گيري غلظت يون فلويوريد و يون هاي همبسته با آن و مختصات محل هر نمونه صورت گرفت، ضرايب تعيين برابر9625/0 و 9019/0 به ترتيب براي مرحله آموزش و مرحله آزمايش به دست آمد. به منظور مقايسه نتايج حاصل از ساختار فوق الذكر با روش زمين‌آمار، دو شيوه كريجينگ و كوكريجينگ نيز بررسي شدند كه به ترتيب ضريب تعيين معادل 7285/0 و 8556/0براي مرحله آزمايش به دست آمد. از ميان سه مدل بررسي شده دقيق ترين تخمين غلظت فلويوريد از مدل شبكه‌ عصبي مصنوعي با ساختار انتخاب شده حاصل گرديد.

In the last decades, researchers had high consideration on the presence of chemical anomalies in water, soil and air which threat human health. Anomalies in fluoride concentration values exceeding standard limit ( > 1.5 mg/l) in drinking water have high importance, because of direct influence on physiology of human body. Fluoride concentration values of water resources in Bazargan and poldasht plains exceed standard limit (WHO). The aim of this research is spatial prediction of fluoride concentration in these plains. For this purpose Artificial Neural Networks (ANNs) model was utilized as a nonlinear model. For spatial prediction of fluoride concentration in the study area, different structures of these models were tested and the best structure (FNN-BFG) was determined. Spatial modeling was carried out by this structure and using fluoride ion concentration, correlated ions values and position of each sample, for which the determination coefficients of training and test steps were equal to 0.9625 and 0.9019 respectively. Then, results of the model were compared to those of the geostatistical methods of kriging and cokriging and the determination coefficients for test steps were 0.7285 and 0.8556, respectively. The best results of the three developed models were related to ANNs models.