مدل‌سازي ارتباط كيفيت آب‌هاي سطحي و سنجه‌هاي سيماي سرزمين با استفاده از سيستم استنتاج عصبي- فازي (مطالعه موردي: استان مازندران)

Modeling Relationships Between Surface Water Quality and Landscape Metrics Using the Adaptive Neuro-Fuzzy Inference System, A Case Study in Mazandaran Province

تغييرات كيفيت آب، رويكرد مناسبي براي پايش آلودگي‌هاي غير نقطه‌اي است. در مطالعه حاضر، اطلاعات كيفيت آب 81 ايستگاه آبسنجي واقع بر رودخانه‌هاي استان مازندران در خلال سال‌هاي 1391 و 1392 مورد بررسي قرار گرفت. مرز زير حوضه‌هاي بالادست ايستگاه‌ها ترسيم شد و سنجه‌هاي سيماي سرزمين در دو سطح كلاس و سيما براي زير حوضه‌هاي موجود استخراج شدند. از تحليل مولفه‌هاي اصلي براي تعيين پارامترهاي كيفيت آب و از رگرسيون خطي پيشرو به‌منظور تعيين سنجه‌هاي بهينه در توصيف تغييرات هر كدام از پارامترها استفاده شد. پنج مولفه اول قادر به توصيف 61/96 درصد از تغييرات كيفيت آب رودخانه‌هاي استان مازندران بودند. براي مدل‌سازي ارتباط ميان سنجه‌هاي سيماي سرزمين و پارامترهاي كيفيت آب از شبكه عصبي-فازي تطبيقي و رگرسيون چند متغيره خطي استفاده شد. نتايج حاكي از بود رگرسيون چند متغيره خطي توانسته است پارامترهاي SAR، TDS، pH، NO3 و PO43- را با ضريب تبيين 81/0، 56/0، 73/0، 44/0 و 63/0 در مرحله آزمون پيش‌بيني نمايد. اين در حالي است كه ضريب تبيين شبكه عصبي-فازي به‌ترتيب برابر با 82/0، 79/0، 82/0، 31/0 و 36/0 بوده است. بنابراين، شبكه عصبي-فازي در اغلب موارد كارايي بالاتري داشته و اين امر ارتباط غير خطي ميان پارامترهاي كيفيت آب و سنجه‌هاي سيماي سرزمين را نشان مي‌دهد. از آنجا كه كاربري‌ها و پوشش سرزمين مختلف در حوضه داراي تاثير زيادي بر كيفيت آب خروجي، آلاينده‌هاي در دسترس و بار مواد محلول در رودخانه‌ها هستند، استفاده از روش اين پژوهش مي‌تواند به‌عنوان ابزاري تكميلي در برنامه‌ريزي منطقه‌اي و ارزيابي اثرات محيط زيستي در برنامه‌هاي توسعه مطرح شود.

Landscape indices can be used as an approach for predicting water quality changes to monitor non-point source pollution. In the present study, the data collected over the period from 2012 to 2013 from 81 water quality stations along the rivers flowing in Mazandaran Province were analyzed. Upstream boundries were drawn and landscape metrics were extracted for each of the sub-watersheds at class and landscape levels. Principal component analysis was used to single out the relevant water quality parameters and forward linear regression was employed to determine the optimal metrics for the description of each parameter. The first five components were able to describe 96.61% of the variation in water quality in Mazandaran Province. Adaptive Neuro-fuzzy Inference System (ANFIS) and multiple linear regression were used to model the relationship between landscape metrics and water quality parameters. The results indicate that multiple regression was able to predict SAR, TDS, pH, NO3?, and PO43? in the test step, with R2 values equal to 0.81, 0.56, 0.73, 0.44. and 0.63, respectively. The corresponding R2 value of ANFIS in the test step were 0.82, 0.79, 0.82, 0.31, and 0.36, respectively. Clearly, ANFIS exhibited a better performance in each case than did the linear regression model. This indicates a nonlinear relationship between the water quality parameters and landscape metrics. Since different land cover/uses have considerable impacts on both the outflow water quality and the available and dissolved pollutants in rivers, the method can be reasonably used for regional planning and environmental impact assessment in development projects in the region.