پديد آورندگان :
قرهخاني، مريم دانشگاه تبريز - دانشكده علوم طبيعي , نديري، عطالله دانشگاه تبريز - دانشكده علوم طبيعي , اصغري‌مقدم، اصغر دانشگاه تبريز - دانشكده علوم طبيعي
كليدواژه :
آسيب پذيري آب زيرزميني , دشت اردبيل , دراستيك و هوش مصنوعي , مدل SCMAI
چكيده فارسي :
آلودگي منابع آب زيرزميني به علت نفوذ آلاينده ها از سطح زمين به سامانه آب زيرزميني بهويژه در مناطق خشك و نيمه خشك كه با كمبود كمي و كيفي منابع آب روبه‌رو هستند؛ يكي از معضلات جدي به شمار ميآيد. بنابراين ارزيابي آسيبپذيري آب زيرزميني به منظور شناسايي مناطق داراي پتانسيل بالاي آلودگي براي مديريت منابع آب زيرزميني ضروري است. در اين پژوهش آسيب پذيري آبخوان دشت اردبيل در برابر آلودگي با استفاده از روش دراستيك مورد بررسي قرار گرفت. در مدل دراستيك هفت متغير مؤثر در آسيبپذيري كه شامل ژرفاي آب زيرزميني، تغذيه خالص، محيط آبخوان، محيط خاك، توپوگرافي، محيط غير اشباع و هدايت هيدروليكي است؛ بهصورت هفت لايه رستري تهيه شد و پس از رتبه دهي و وزندهي شاخص دراستيك به دست آمد كه براي دشت اردبيل شاخص دراستيك ميان 82 تا 151 به دست آمد. اما از آنجايي كه مشكل اصلي اين مدل اعمال نظرهاي كارشناسي براي رتبه دهي و وزندهي متغيرهاي به كار رفته در آن است؛ بنابراين هدف اصلي اين پژوهش بهبود مدل دراستيك با استفاده از 5 روش هوش مصنوعي از جمله شبكه عصبي پيشرو، شبكه عصبي برگشتي، فازي ساجنو، فازي ممداني و مدل مركب است. تا بدين روش بتوان به نتايج دقيقتري از ارزيابي آسيبپذيري دست يافت. با توجه به ناهمگني موجود در دشت اردبيل اين دشت به سه بخش خاوري، باختري و جنوبي تقسيم و مدلهاي هوش مصنوعي به‌طور جداگانه براي هر بخش اجرا شد. به اين منظور متغيرهاي دراستيك به عنوان ورودي مدل و شاخص دراستيك به عنوان خروجي مدل تعريف شدند و مقادير نيترات مربوطه به 2 دسته آموزش و آزمايش تقسيم شد. شاخص دراستيك مربوط به مرحله آموزش با مقادير نيترات مربوطه تصحيح و پس از آموزش مدل، در مرحله آزمايش نتايج مدلها با استفاده از مقادير نيترات ارزيابي شد. نتايج نشان داد كه همه روشهاي هوش مصنوعي توانايي بالايي در بهبود مدل دراستيك دارند؛ اما در اين ميان، مدل هوش مصنوعي مركب (SCMAI) نتايج بهتري را دربر داشت. بر پايه اين مدل، بخش هاي باختري و شمالي دشت پتانسيل آلودگي بالايي دارد و بايد محافظت بيشتري از اين مناطق صورت گيرد.
چكيده لاتين :
Due to the infiltration of contaminants from surface to underground water systems, groundwater pollution is one of the serious problems, especially in arid and semi-arid areas that encounter with lack of quality and quantity of water resources. Therefore, groundwater vulnerability evaluation is necessary to manage the groundwater resources by identifying areas with high potential of contamination. In this study, groundwater vulnerability in Ardabil plain aquifer was evaluated by applying DRASTIC model. DRASTIC model was prepared by seven effective parameters on vulnerability, including groundwater depth, net recharge, aquifer media, soil media, topography, impact of vadose zone, and hydraulic conductivity. These parameters were prepared as seven raster layers, and DRASTIC index was then calculated after ranking and weighting. The DRASTIC index value was obtained between 82 to 151 for the Ardabil plain. The main problem of this model is the subjectivity in determining rates and weights of the parameters. Therefore, the purpose of this study is to improve DRASTIC model using 5 methods of artificial intelligence (AI), such as Feedforward network (FFN), Recurrent neural network (RNN), Sugeno fuzzy logic (SFL), Mamdani fuzzy logic (MFL), and Committee machine (CM) to obtain the most accurate results of vulnerability evaluation. Because of heterogeneity in the Ardabil Plain, it is divided into 3 sections including west, east and north, and each section needs an individual model. For this purpose, the DRASTIC parameters and the vulnerability index were defined as inputs data and output data respectively for models, and nitrate concentration data were divided into two categories for training and test steps. The output of model in training step was corrected by the related nitrate concentration, and after model training, the output of model in test step was verified by the nitrate concentration. The results show that all of the artificial intelligence methods are able to improve the DRASTIC model, but the supervised committee machine artificial intelligence (SCMAI) model had the best results. According to this model, the most of high pollution potential areas located in western and northern parts of the plain, and need more protection.
