بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب‌پذیری آب‌زیرزمینی در دشت مراغه- بناب

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

2 استادیار، دانشکده زمین‌شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران

3 استادیار، گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of DRASTIC Model by Artificial Intelligence for Groundwater Vulnerability Assessment in Maragheh-Bonab Plain

نویسندگان [English]

  • A Asghari Moghaddam 1
  • E Fijani 2
  • A Nadiri 3
1 Professor, Department of Geology, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
2 Assistant Professor, School of Geology, University College of Science, University of Tehran, Tehran, Iran
3 Assistant Professor, Department of Geology, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
چکیده [English]

Aquifer vulnerability assessment to define critical zones of pollution risk is an important method for groundwater resource management. By applying the DRASTIC model in this study, groundwater vulnerability in the Maragheh-Bonab Plain aquifer was evaluated. The DRASTIC model uses seven environmental parameters (Depth to water, net Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone, and hydraulic Conductivity) as seven layer in GIS media and finally a groundwater vulnerability map was created by overlaying the available hydrogeological data and categorized to low, moderate, and high risk. The DRASTIC index value was evaluated 81 to 116 for the study area. The vulnerability map created by DRASTIC is compared to nitrate data and the results indicate a relative correlation between the nitrate level and vulnerability index. In order to improve the model, four artificial intelligence (AI) models are adopted by optimizing the weights of the DRASTIC parameters. The four AI models are the Sugeno fuzzy logic (SFL), the Mamdani fuzzy logic (MFL), the artificial neural network (ANN), and the neurofuzzy (NF). For this purpose, the AI model input (the DRASTIC parameters), output (the vulnerability index), and nitrate concentration data was divided into two categories for training and test steps. The output of model in training step was corrected by related nitrate concentration, and after model training, the output of model in test step was verified by nitrate concentration. The results show that the four AI models are applicable to improve the correlation between nitrate level and vulnerability index using DRASTIC model for groundwater vulnerability assessment. The NF model by taking advantage of FL and ANN has the best results that high nitrate level at observation well location has high vulnerable index and was selected as a final model. According to the final model, the western areas of the aquifer are classified as high pollution risk. In conclusion, the AI approach  proved to be an effective way to improve the DRASTIC model and provides a confident estimate of pollution risk for the study area.

کلیدواژه‌ها [English]

  • Groundwater vulnerability
  • Pollution Potential
  • DRASTIC
  • GIS
  • Artificial intelligence