استفاده از رويكرد يادگيري عميق در افزايش كارايي شاخص آسيب‌پذيري آبخوان آبرفتي (منطقه مورد مطالعه: آبخوان ساحلي آمل-بابل)

اين تحقيق با هدف ارزيابي آسيب‌ پذيري آبخوانها با مقايسه دو رويكرد يادگيري عميق و يادگيري ماشين در واسنجي شاخص انجام شده است. براين اساس با تحليل آسيب‌پذيري ذاتي آبخوان آمل-بابل با شاخص DRASTIC پهنه‌‌هاي حساس آبخوان مشخص گرديد. نتايج شاخص آسيب‌ پذيري نشان داد كه بخش شمالغربي آبخوان نسبت به ساير مناطق داراي حساسيت بالاتري است. بررسي مقدار همبستگي بين غلظت نيترات به عنوان يك شاخص تاثيرگذار با شاخص آسيب‌پذيري DRASTIC حاكي از مقدار 24 درصد است كه اين مقدار نيازسنجي به واسنجي را نشان داد. براين اساس با دو روش CNN-Harris Hawks و LSTM-MPA به عنوان رويكردهاي يادگيري عميق، واسنجي وزن و رتبه‌هاي شاخص به عنوان متغير تصميم با هدف حداكثرسازي همبستگي غلظت نيترات و شاخص آسيب‌ پذيري انجام گرفت. نتايج نشان داد كه روش CNN-HH با همبستگي 0/62 نسبت به روش LSTM-MPA با همبستگي 0/59داراي برتري است. پهنه‌هاي آسيب‌پذيري در شرايط واسنجي نشان داد كه بخش غربي و شمال شرقي داراي آسيب‌ پذيري بالاتري است. از طرفي وزن و رتبه‌هاي واسنجي شده حاكي از افزايش كليه وزن و رتبه‌ها در شرايط واسنجي نسبت به شرايط اوليه بوده كه اين موضوع پس از تحليل رويكردهاي بهينه‌سازي مشخص شد.