TY - JOUR ID - 43279 TI - بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب‌پذیری آب‌زیرزمینی در دشت مراغه- بناب JO - فصلنامه علمی علوم زمین JA - GSJ LA - fa SN - 1023-7429 AU - اصغری مقدم, اصغر AU - فیجانی, الهام AU - ندیری, عطاءالله AD - استاد، گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران AD - استادیار، دانشکده زمین‌شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران AD - استادیار، گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران Y1 - 2015 PY - 2015 VL - 24 IS - 94- زمین شناسی مهندسی و محیط زیست SP - 169 EP - 176 KW - آسیب‌پذیری آب زیرزمینی KW - پتانسیل آلودگی KW - دراستیک KW - سیستم اطلاعات جغرافیایی KW - هوش مصنوعی DO - 10.22071/gsj.2015.43279 N2 - ارزیابی آسیب‌پذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیب‌پذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفرۀ آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندة منطقۀ غیراشباع و هدایت هیدرولیکی استفاده میشود که به صورت 7 لایه در محیط GIS تهیه شدند و با وزندهی و رتبهبندی و تلفیق 7 لایۀ یاد شده، نقشۀنهایی آسیب‌پذیری آبخوان نسبت به آلودگی، با تقسیمبندی به 3 محدودۀ آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 81 تا 116 برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی 81/0 را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از 4 روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل‌ها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدل‌های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدل‌های هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیق‌تری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد. ارزیابی آسیب‌پذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیب‌پذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفرۀ آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندة منطقۀ غیراشباع و هدایت هیدرولیکی استفاده میشود که به صورت 7 لایه در محیط GIS تهیه شدند و با وزندهی و رتبهبندی و تلفیق 7 لایۀ یاد شده، نقشۀنهایی آسیب‌پذیری آبخوان نسبت به آلودگی، با تقسیمبندی به 3 محدودۀ آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 81 تا 116 برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی 81/0 را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از 4 روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل‌ها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدل‌های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدل‌های هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیق‌تری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد. UR - http://www.gsjournal.ir/article_43279.html L1 - http://www.gsjournal.ir/article_43279_a4a47e6c0460c288319c6f8c91fbe1a3.pdf ER -