
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,645,880 |
تعداد دریافت فایل اصل مقاله | 8,245,509 |
بهبود نتایج حاصل از مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 3، دوره 24، شماره 2، خرداد 1396، صفحه 45-65 اصل مقاله (1.03 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.11365.2579 | ||
نویسندگان | ||
نازنین قنبری* 1؛ کاظم رنگزن2؛ مصطفی کابلی زاده3؛ پوریا مرادی4 | ||
1دانشجو/دانشگاه شهید چمران اهواز | ||
2دانشیار/دانشگاه شهید چمران اهواز | ||
3استادیار/دانشگاه شهید چمران اهواز | ||
4کارشناس ارشد/دانشگاه شهید چمران اهواز | ||
چکیده | ||
سابقه و هدف: آلودگی آبهای زیرزمینی یک فرآیند پیچیده و پر از عدم قطعیت، در مقیاس منطقهای میباشد. توسعه یک روش یکپارچه جهت ارزیابی آسیبپذیری آبخوانها، میتواند به منظور مدیریت بهینه و حفاظت از آنها کارامد باشد. دشت رامهرمز به دلیل داشتن خاک حاصلخیز و منابع آب کافی دارای زمینهای مستعد کشاورزی است که به دلیل توسعه کشاورزی، استفاده از کودهای شیمیایی و مواد آفتکش همواره در معرض خطر آلودگی قرار دارد. یکی از راههای مناسب برای جلوگیری از آلودگی آبهای زیرزمینی، شناسایی مناطق دارای پتانسیل آلودگی میباشد. هدف از مطالعه حاضر، تهیه نقشه آسیبپذیری آبخوان آبرفتی دشت رامهرمز با استفاده از مدل دراستیک و سپس بکارگیری روشهای هوش مصنوعی جهت بهبود نتایج حاصل از مدل دراستیک است. با توجه به اهمیت منابع آب زیرزمینی در منطقۀ مورد مطالعه که برای مقاصد مختلف از جمله کشاورزی مورد استفاده قرار میگیرد، مطالعۀ آسیب پذیری آبخوان و حفاظت این مناطق برای توسعه و مدیریت بهینه منابع آب ضروری به نظر میرسد. مواد و روشها: در این مطالعه، ارزیابی آسیبپذیری آبخوان آبرفتی دشت رامهرمز در ابتدا با استفاده از مدل دراستیک انجام شد و در ادامه از روشهای هوش مصنوعی جهت بهینهسازی مدل استفاده گردید. مدل دراستیک شامل پارامترهای: عمق تا سطح ایستابی، تغذیه، جنس سفره، نوع خاک، توپوگرافی، مواد تشکیل دهنده منطقۀ غیراشباع و هدایت هیدرولیکی میباشد که در ارزیابی آسیبپذیری سفرۀ آبزیرزمینی موثر هستند. این روش بر اساس وزنهای استاندارد پارامترهای مدل دراستیک و لایههای بدست آمده برای هر یک از هفت پارامتر میزان آسیبپذیری آبخوان را محاسبه مینماید. پس از آماده-سازی لایهها، آسیبپذیری آبخوان آبرفتی دشت رامهرمز با استفاده از روش دراستیک، تعیین گردید. همچنین نقشۀ آسیبپذیری آبخوان و شاخص دراستیک برای کل منطقه محاسبه شد. به منظور ارزیابی دقت نتایج این مدل، از دادههای غلظت نیترات موجود در آبخوان جهت صحتسنجی استفاده شده است. در ادامه به منظور بهبود نتایج، مدل دراستیک با روشهای شبکه عصبی مصنوعی، منطق فازی( سوگنو و ممدانی) و سیستم استنتاج تطبیقی عصبی- فازی تلفیق شد و چهار نقشه آسیبپذیری با استفاده از مدلهای مختلف هوش مصنوعی حاصل گردید. یافتهها: نقشۀ آسیبپذیری آبخوان نسبت به آلودگی، با تقسیمبندی به سه محدودۀ آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 48 تا 156 محاسبه گردید. ضریب همبستگی 97/0 بین شاخص دراستیک و غلظت نیترات نشان دهنده دقت نسبتاً مناسب این روش است. نتایج نشان داد که مدلهای هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارا میباشند. با مقایسه نتایج مدلها میتوان نتیجه گرفت که مدل سیستم استنتاج تطبیقی عصبی- فازی بهترین نتیجه را در بردارد. نتیجهگیری: ضریب تعیین (R2) برای مدلهای سیستم استنتاج تطبیقی عصبی- فازی، شبکه عصبی و مدلهای فازی سوگنو و ممدانی بهترتیب 99/0، 94/0، 98/0 و 87/0 بدست آمد. طبق مدل نهایی، نواحی جنوب- جنوب شرقی منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. | ||
کلیدواژهها | ||
آسیب پذیری آب زیرزمینی؛ مدل دراستیک؛ سیستم اطلاعات جغرافیایی؛ هوش مصنوعی | ||
مراجع | ||
1.Ahmadi, J., Akhondi, L., Abbasi, H., Khashei-Siuki, A., and Alimadadi, M. 2013. Determination of aquifer vulnerability using DRASTIC model and a single parameter sensitivity analysis and acts and omissions (Case study: Salafchegan-Neyzar Plain). J. Water Soil Cons. 20: 3. 1-25. (In Persian) 2.Ahmadzadeh Gharah Gwiz, K., Mirlatifi, S., and Mohammadi, K. 2010. Comparison of Artificial Intelligence Systems (ANN & ANFIS) for Reference Evapotranspiration Estimation in the Extreme Arid Regions of Iran. J. Water Soil. 24: 4. 679-689. (In Persian) 3.Aller, L., Bennet, T., Lehr, J.H., Petty, R.J., and Hacket, G. 1987. DRASTIC: a standardized system for evaluating groundwater pollution using hydrological settings. Ada, OK, USA: Prepared by the National Water Well Association for the US EPA Office of Research and Development. 4.Antonakos, A.K., and Lambrakis, N.J. 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. J. Hydrol. 333: 288-304. 5.ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural network in hydrology, part I and II. J. Hydrol. Engin. 5: 115-137. 6.Asghari Moghaddam, A., Fijani, A., and Nadiri, A. 2015. Optimization of DRASTIC model by Artificial Intelligence for Groundwater Vulnerability Assessment in Maraghe-Bonab Plain. Engineering and Environmental Geology. 24: 94. 169-176. (In Persian) 7.Asghari Moghaddam, A., Nadiri, A., and Fijani, A. 2010. Spatial Prediction of Fluoride Concentration Using Artificial Neural Networks and Geostatic Models. Water and soil science. 19: 2. 129-145. (In Persian) 8.Aslani, M., Alesheikh, A.A., and Shad, R. 2011. Landslide Susceptibility Mapping, Using Fuzzy Inference System and GIS (Case study: Sections of Mazandaran Province). Iran. J. Rem. Sens. GIS. 2: 2. 35-54. (In Persian) 9.Baghapour, M., Nasser, T., Sayed Hamidreza, T., and Amir, F. 2014. Assessment of groundwater nitrate pollution and determination of groundwater protection zones using DRASTIC and composite DRASTIC (CD) models: the case of Shiraz unconfined aquifer. J. Health Sci. Surv. Sys. 2: 2. 54-65. 10.Demuth, H., Beale, M., and Hagan, M. 2010. Neural Network Toolbox™ 6 User's guide. 11.Dixon, B. 2005a. Applicability of neuro-fuzzy techniques in predicting groundwater vulnerability: a GIS-based sensitivity analysis. J. Hydrol. 309: 1-4. 17-38. 12.Dixon, B. 2005b. Groundwater vulnerability mapping: a GIS and fuzzy rule based integrated tool. J. Appl. Geograph. 25: 327-347. 13.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. J. Hydrol. 503: 89-100. 14.Guo, O., Wnag, Y., Gao, X., and Ma, T. 2007. A new model (DRARCH) for assessing groundwater vulnerability to arsenic contamination at basin scale: a case study in Taiyuan basin, northern China. Environmental Geology. 52: 5. 923-32. 15.Hooshangi, N., and Alesheikh, A.A. 2015. Evaluation of ANN, ANFIS and fuzzy systems in estimation of solar radiation in Iran. J. Geomat. Sci. Technol. 4: 3. 187-200. (In Persian) 16.Hopfield, J.J. 1982. Neural network and physical systems with emergent collective computational abilities. Proceeding of National Academy of scientists. 79: 2554-2558. 17.Karami shahmaleki, N., Behbahani, S.M., Masahbavani, A., and Khodai, K. 2010. Optimization of DRASTIC model by statistical nonparametric methods. Iran. J. Geol. 4: 14. 73-82. (In Persian) 18.Khazaii, A., Al Sheikh, A., Karimi, M., and Hassan Vahidnia, M. 2012. Prediction and modeling of carbon monoxide concentration with the combination of an adaptive neuro-fuzzy network and GIS. J. Appl. RS & GIS Techniq. Natur. Resour. Sci. 3: 3. 21-35. (In Persian) 19.Kia, M. 2011. Neural networks in MATLAB. Kian Rayan Sabz Press. (In Persian) 20.Lee, K.H. 2004. First Course on Fuzzy, Theory and Applications. Springer, Berlin, 335p. 21.Legrand, H.E. 1964. System for evaluating the contamination potential of some waste sites. J. AWWA. 56: 959-974. 22.Li-Xin Wang, A. 1997. Course in Fuzzy Systems and Control, Prentice Hall PTR. Pp: 192-205. 23.Merchant, J. 1994. GIS-based groundwater pollution hazard assessment: a critical review of the DRASTIC model. Photogrammetric Engineering and Remote Sensing. 60: 9. 1117-1127. 24.Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin, S., and Dawei, H. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32: 88-97. 25.Motkan, A.A., Naseri, H.R., and Ostad Hashemi, Z. 2008. Correction of DRASTIC method based on GIS using statistical methods and Analytical Hierarchy Process: A Case Study of Hamadan plain. Iran. J. Appl. Geol. 4: 3. 205-222. (In Persian) 26.Nakhaii, M., Amiri, V., and Rahimi Shahrebabaki, M. 2013. Evaluation of the contamination potential and sensitivity analysis using DRASTIC model based on GIS. J. Adv. Appl. Geol. 3: 8. 1-10. (In Persian) 27.Nazifkar, M., and Asghari, K. 2011. Adaptive Neuro-fuzzy inference system using fuzzy clustering in runoff predicting. The Sixth National Congress of Civil Engineering, Semnan University, Iran. (In Persian) 28.Neshat, A., Biswajeet, P., and Mohsen, D. 2014. Groundwater vulnerability assessment using an improved DRASTIC method in GIS. J. Resour. Cons. Recycl. 86: 74-86. 29.Newton, S.C., Pemmaraju, S., and Mitra, S. 1992. Adaptive fuzzy leader clustering of complex data sets in pattern recognition. IEEE Transactions on Neural Networks. 5: 794-800. 30.Panagopoulos, G., Antonakos, A., and Lambrakis, N. 2006. Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeol. J. 14: 894-911. 31.Report of Knowledge studies of available water resources in the Ramhormoz study area. 2006. Ministry of Power, Khuzestan Water and Electricity Company. April, Khuzestan. (In Persian) 32.Report of weather, climate and water resources in Khuzestan province. 2009. General Directorate of economic studies and surveys. Winter, Khuzestan. (In Persian) 33.Sabziparvar, A.A., and Bayat Varkeshi, M. 2011. Evaluation of artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) methods in prediction of global solar radiation. 10: 4. 347-357. (In Persian) 34.Sabziparvar, A.A., Zare Abyaneh, H., and Bayat Varkeshi, M. 2010. A model Comparison between Predicted Soil Temperatures Using ANFIS Model and Regression Methods in Three Different Climates. J. Water Soil. 24: 2. 274-285. (In Persian) 35.Sajadi, Z., Kalantari, N., Makvandi, M., Keshavarzi, M., Ghafari, H., Ahmadnejad, Z., and Booslik, Z. 2011. Study of the aquifer vulnerability in Assaluee using DRASTIC model. First national conference on water and wastewater science and technology. Islamic Azad University of Ahwaz, April. (In Persian) 36.Samey, A.A., and Gang, C. 2008. A GIS Based DRASTIC Model for the Assessment of Groundwater vulnerability to pollution in West Mitidja: Blida city, Algeria. Res. J. Appl. Sci. 3: 7. 500-507. 37.Sener, E., and Sehnaz, S. 2015. Evaluation of groundwater vulnerability to pollution using fuzzy analytic hierarchy process method. J. Environ. Earth Sci. 73: 12. 8405-8424. 38.Soper, R.C. 2006. Groundwater vulnerability to agrochemicals: A GIS-based DRASTIC model analysis of Carrol, Chariton, and Saline Counties, Missouri, USA. M.Sc. Thesis, University of Missouri-Columbia. 39.Sugeno, M., and Yasukawa, T. 1993. A Fuzzy-Logic-based Approach to Qualitative Modeling. IEEE Transactions on Fuzzy Systems. 1: 1. 7-31. 40.Vrba, J., and Zaporozec, A. 1994. Guidebook on Mapping Groundwater Vulnerability. International Association of Hydrogeologists–International Contributions to Hydrogeology 16 Water and Environ. J. 26: 3. 381-391. 41.Yarmohamadi, A., Chitsazan, M., and Rangzan, K. 2006. Calculation of the amount of DRASTIC model Parameters impact on Aghili plain aquifer vulnerability. Twenty-fifth Conference on Earth Sciences, Geological survey of Iran, Tehran. (In Persian) 42.Zounemat-Kermani, M., and Teshnehlab, M. 2008. Using adaptive neuro-fuzzy inference system for hydrological time series prediction. Applied Soft Computing. 8: 2. 928-936. | ||
آمار تعداد مشاهده مقاله: 1,080 تعداد دریافت فایل اصل مقاله: 724 |