زمین شناسی محیط زیست و مهندسی
سید نعیم امامی؛ صالح یوسفی
چکیده
حرکات تود ه ای در زمره خطرناک ترین حوادث طبیعی در مناطق کوهستانی به شمار می روند. پژوهش حاضر از مدلهای یادگیری ماشین(ML) برای تهیه نقشه حساسیت به حرکات توده ای در استان چهارمحال و بختیاری استفاده می کند. این مدل ها بر پایه مجموعه اطلاعات جامع 864 حرکت توده ای شامل جریان واریزه، زمین لغزش و ریزش سنگ در طول 42 سال گذشته (1356تا1397 ...
بیشتر
حرکات تود ه ای در زمره خطرناک ترین حوادث طبیعی در مناطق کوهستانی به شمار می روند. پژوهش حاضر از مدلهای یادگیری ماشین(ML) برای تهیه نقشه حساسیت به حرکات توده ای در استان چهارمحال و بختیاری استفاده می کند. این مدل ها بر پایه مجموعه اطلاعات جامع 864 حرکت توده ای شامل جریان واریزه، زمین لغزش و ریزش سنگ در طول 42 سال گذشته (1356تا1397 خورشیدی) و همچنین 12 عامل موثر در رخداد این حرکات، مورد بررسی، آزمون و اعتبارسنجی قرارگرفته اند. نتایج اعتبارسنجی نشان می دهدکه روشRandom Forest) RF) جنگل تصادفی مناسب ترین مدل برای تهیه نقشه های حساسیت به حرکات توده ای است. افزون براین، روش های Multivariate Adaptive Regression Splines) MARS ،(Mixture Discriminant Additive) MDA) و BRT (Boosted Regression Trees) نیز نتایج نسبتاً دقیقی ارائه داده اند. نتایج سطح زیر منحنی (AUC) برای اعتبارسنجی روش هایRF، MARS،MDA و BRT به‌ترتیب 0/968، 0/845، 0/828، و 0/765 است. برپایه نقشه حساسیت به حرکات توده ای تولید شده توسط مدل RF، 32 درصد از سطح استان در کلاس های حساسیت بالا و بسیار بالا شناسایی شده است. بیشتر مناطق در معرض خطر حرکات توده ای در باختر و مرکز استان چهارمحال و بختیاری واقع هستند. افزون براین، یافته‌های این پژوهش نشان می‌دهدکه ارتفاع، زاویه شیب، فاصله از جاده‌ها و فاصله از گسل‌ها عوامل بحرانی در وقوع حرکات توده ای هستند. نتایج این پژوهش رهیافتی را برای کاهش خسارات ناشی از خطرات طبیعی ارائه می کند.
مریم قرهخانی؛ عطاالله ندیری؛ اصغر اصغری‌مقدم
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. ...
بیشتر
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.
اصغر اصغری مقدم؛ الهام فیجانی؛ عطاءالله ندیری
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 ...
بیشتر
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.
