استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

2 استادیار، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

3 استاد، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

چکیده

آلودگی منابع آب زیرزمینی به علت نفوذ آلاینده­ها از سطح زمین به سامانه آب زیرزمینی به‎ویژه در مناطق خشک و نیمه‎خشک که با کمبود کمی و کیفی منابع آب روبه‌رو هستند؛ یکی از معضلات جدی به شمار می­آید. بنابراین ارزیابی آسیب­پذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیب­پذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر مؤثر در آسیب­پذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ به‎صورت هفت لایه رستری تهیه شد و پس از رتبه­دهی و وزن­دهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان 82 تا 151 به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمال‎نظرهای کارشناسی برای رتبه­دهی و وزن­دهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از 5 روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیق­تری از ارزیابی آسیب­پذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدل­های هوش مصنوعی بهطور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدل­ها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روش­های هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (SCMAI) نتایج بهتری را دربر داشت. بر پایه این مدل، بخش­های باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Using supervised committee machine artificial intelligent model for improving DRASTIC model (case study: Ardabil plain aquifer)

نویسندگان [English]

  • M. Gharekhani 1
  • A. A. Nadiri 2
  • A. Asghari Moghaddam 3
1 Ph.D. Student, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
2 Assistant Professor, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
3 Professor, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • vulnerability
  • Ardabil Plain
  • DRASTIC
  • Artificial intelligence
  • SCMAI model

اصغری‌مقدم، ا.، فیجانی، ا. و ندیری، ع.، 1388- ارزیابی آسیب­پذیری آب زیرزمینی دشت­های بازرگان و پلدشت با استفاده از مدل دراستیک بر اساس GIS. مجله محیط شناسی، شماره 52، صص. 55 تا ‎64.

کرد، م.، 1393- مدلسازی عددی آبخوان دشت اردبیل و مدیریت آن با استفاده از بهینه­سازی برداشت آن، رساله دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، 190 ص.

ناصری، ح. و صارمی­نژاد، ف.، 1390- مقایسه ارزیابی آسیب­پذیری آبخوان به روش­های DRASTIC و منطق فازی، مطالعه موردی: دشت گل‌گیر مسجد سلیمان. فصل­نامه جغرافیای طبیعی، سال چهارم، شماره 11، صص. 17 تا 34.

ندیری، ع.، 1386- پیش­بینی سطح آب­های زیرزمینی با استفاده از مدل شبکه­های عصبی مصنوعی در محدوده مترو شهر تبریز، پایان­نامه کارشناسی ارشد، دانشکده علوم طبیعی، دانشگاه تبریز، 178 ص.

ندیری، ع.، 1392- مقایسه کارایی مدل­های عددی و هوش مصنوعی در مدیریت آبخوان­ها (مطالعه موردی: دشت تسوج)، رساله دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، 230 ص.

ندیری، ع.، اصغری‌مقدم، ا.، عبقری، ه. و فیجانی، ا.، 1392- توسعه مدل­های هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان، مطالعه موردی: دشت تسوج. تحقیقات منابع آب ایران، سال نهم، شماره 1، صص. 1 تا 14.

نیک­نام، ر.، محمدی، ک. و جوهری مجد، و.، 1386- ارزیابی آسیب­پذیری سفره آب زیرزمینی تهران-کرج با روش DRASTIC و منطق فازی، مجله تحقیقات منابع آب ایران، سال سوم، شماره 2، صص. 39 تا 47.

 

References

Aller, L., Bennett, T., Lehr, J. H., Petty, R. J. and Hackett, G., 1987- DRASTIC: A Standardized System for Evaluating Ground Water Pollution Potential Using Hydrogeologic Settings. EPA 600/2-87-035. U.S. Environmental Protection Agency, Ada, Oklahoma.

Antonakos, A. K. and Lambrakis, N. I., 2007- Development and testing of three hybrid methods for the assessment of aquifer vulnerability to nitrates based on the drastic model, an example from NE Korinthia, Greece. Journal of Hydrology, 288– 304.

Asadi, S., Hassan, M. and Nadiri, A., 2014- Artificial intelligence modeling to evaluate field performance of photocatalytic asphalt pavement for ambient air purification. Environ Sci Pollut Res, 21, 8847-8857.

ASCE (Task Committee on Application of Artificial Neural Networks in Hydrology), 2000- Artificial neural network in hydrology, part I and II. J. Hydrol. Eng., 5(2), 115-137.

Babiker, I. S., Mohamed, M. A. A., Hiyama, T. and Kato, K., 2005- A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Heights, Gifu Prefecture, central Japan. Science of the Total Environment, 345(1-3), 127-140.

Chen, C. H. and Lin, Z. S., 2006- A committee machine with empirical formulas for permeability prediction. Computer and Geoscience, 32 (4), 485–496.

Dixon, B., 2005- Applicability of neuro-fuzzy techniques in predicting ground-water vulnerability: a GIS-based sensitivity analysis. Journal of Hydrology, 309, 17-38.

Dixon, B., Scott, H. D., Dixon, J. C. and Steele, K. F., 2002- Prediction of aquifer vulnerability to pesticides using fuzzy rule-based models at the regional scale. Physical geography, 23, 130-153.

Fausett, L., 1994- Fundamentals of neural network. Prentice Hall, Englewood Cliffs, N. J., p. 461.

Fijani, E., Nadiri, A. A., Asghari Moghaddam, A., Tsai, F. and Dixon, B., 2013- Optimization of DRASTIC Method by Supervised Committee Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hydrology, 530, 89-100.

Haykin, S., 1994- Neural networks: a comprehensive foundation. Macmillan College Publishing, New York.

Hongxing, L., Chen, P. C. P. and Huang, H. P., 2000- Fuzzy Neural Intelligent System, Mathematical Foundation and the Application in Engineering. CRC Press, p. 392.

Labani, M. M., Kadkhodaie-Ilkhchi, A. and Salahshoor, K., 2010- Estimation of NMR log parameters from conventional well log data using a committee machine with intelligent systems: a case study from the Iranian part of the South Pars gas field, Persian Gulf Basin. Journal of Petroleum Science and Engineering, 72, 175–185.

McLay, C. D. A., Dragten, R., Sparling, G. and Selvarajah, N., 2001- Predicting groundwater nitrate concentrations in a region of mixed agricultural land use: a comparison of three approaches. Environmental Pollutants, 115, 191-204.

Nadiri, A. A., Chitsazan, N., Tsai, F. T. C. and Moghaddam, A. A., 2014- Bayesian Artificial Intelligence Model Averaging for Hydraulic Conductivity Estimation, Journal of Hydrologic Engineering, 19, 520-532.

Nadiri, A. A., Fijani, E., Tsai, F. T. C. and Moghaddam, A. A., 2013- Supervised committee machine with artificial intelligence for prediction of fluoride concentration. Journal of Hydroinformatics 15: 1474–1490.

Panagopoulos, G., Antonakos, A. and Lambrakis, N., 2005- Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal.

Pulido-Calvo, I. and Gutiérrez-Estrada, J. C., 2009- Improved irrigation water demand forecasting using a soft-computing hybrid model. Biosystems Engineering 102(2), pp 202–218.

Secunda, S., Collin, M. L. and Melloul, A. J., 1998- Groundwater vulnerability assessment using a composite model combining DRASTIC with extensive agricultural land use in Israel’s Sharon region. Journal of Environmental Management, 54, 39-57.

Tayfur, G., Nadiri, A. A. and Moghaddam, A. A., 2014- Supervised Intelligent Committee Machine Method for Hydraulic Conductivity Estimation. Water Resour Manage, 28: 1173-1184.

Vrba, J. and Zoporozec, A., 1994- Guidebook on mapping groundwater vulnerability. International Contributions to Hydrogeology, Verlag Heinz Heise GmbH and Co, KG.

Zadeh, L. A., 1965- Fuzzy sets. Information and Control, 8 (3), pp 338–353.