عنوان

ارزیابی آسیب‌پذیری آبهای زیرزمینی دشت مغان با استفاده از روش‌های دراستیک و هوش مصنوعی

‭۱۶۳۵۲پ‬

per

ارزیابی آسیب‌پذیری آبهای زیرزمینی دشت مغان با استفاده از روش‌های دراستیک و هوش مصنوعی

/گلناز جوانشیر

: علوم طبیعی

، ‮‭۱۳۹۵‬

، افشار

چاپی

کارشناسی ارشد

زمین شناسی

‮‭۱۳۹۵/۱۱/۱۶‬

دانشگاه تبریز

حفظ منابع آب‌صزیرزمینی یکی از عمده برنامه‌صهایی است که باید در راس فعالیت‌صهای همه‌صی سازمان‌صها قرار بگیرد، زیرا که منابع آب قابل استفاده برای انسان‌صها بسیار محدود است .موقعیت دشت مغان از لحاظ انجام فعالیت‌های کشاورزی، دامپروری و دام‌داری در استان اردبیل بسیار کلیدی و مهم می‌صباشد .پسآب‌صهای کشاورزی و فاضلاب‌صهای حیوانی دو فاکتور بسیار مهم در آلوده‌صسازی منابع آب و خاک این دشت محسوب می‌صشوند .با شناسایی حساسیت بخش‌صهای مختلف این دشت نسبت به آلوده‌صکننده‌صها می‌صتوان این فعالیت‌صها را مدیریت کرد و از گسترش آنها در قسمت‌صهای با آسیب‌صپذیری بالا جلوگیری یا محدود کرد .برای شناسایی مناطق مستعد آلودگی در این دشت از روش‌صهای‮‭DRASTIC‬ ، ‮‭SINTACS‬ و ‮‭SI‬ که همگی معرف پارامترهای هیدروژئولوژیکی از منطقه مطالعاتی بودند، استفاده گردید .سپس برای بررسی میزان دقت این روش‌صها از داده‌صهای مقادیر نیترات نمونه‌صبرداری شده از منطقه که به روش ضریب همبستگی ‮‭CI‬ محاسبه گردید، استفاده شد .نتایج حاصله نشان داد که روش ‮‭DRASTIC‬ بالاترین میزان همبستگی را با مقادیر نیترات دارد، بنابراین روش کاربردی‌صتر و دقیق‌صتری نسبت به دو روش دیگر است .چون سه روش یاد شده از نظر کارشناس ارائه دهنده بسیار تاثیرپذیرند، لذا برای حذف این اثر، مدل ‮‭DRASTIC‬ با انواع روش‌صهای هوش مصنوعی بهینه گردید .روش‌صهای هوش مصنوعی بکار رفته شامل :شبکه عصبی مصنوعی پیشرو‮‭(FFN)‬، شبکه عصبی برگشتی‮‭(RNN)‬، منطق فازی ساجنو‮‭(SFL)‬، مدل برنامه‌صریزی بیان ژن ‮‭(GEP)‬و مدل هوش مصنوعی مرکب نظارت شده ‮‭(SCMAI)‬هستند .در مدل‌صهای هوش مصنوعی ‮‭۷‬ پارامتر مدل ‮‭DRASTIC‬ بعنوان ورودی‌صهای مدل‌صها و شاخص ‮‭DRASTIC‬ که با مقادیر نیترات تصحیح شده بود، بعنوان خروجی مدل تعریف شدند .نتایج حاصل از روش‌صهای هوش مصنوعی نشان داد که این روش‌صها برای بهبود مدل دراستیک بسیار مناسبند .از بین روش‌صهای هوش مصنوعی، مدل ‮‭SCMAI‬ بهترین نتیجه را برای ارزیابی آسیب‌صپذیری دشت مغان ارائه داد و براساس نتایج این روش، قسمت‌صهای جنوبی دشت نسبت به قسمت‌صهای شمالی دشت دارای حساسیت بالاتری نسبت به آلودگی هستند

Moghan plain is the most important region for agricultural activities, animal husbandry and livestock in Ardabil province where water and soil are exposed to agricultural and animal wastes. So, vulnerability assessment of different parts of the plain could be useful to manage these activities and able to prevent the spread of them in the highly vulnerable parts or limit them. DRASTIC, SINTACS and SI frameworks were adopted to identify areas which are suspectibed to be contaminaed in the plain using the representative hydrogeological parameters of the study area. To evaluate the accuracy of these methods, Nitrate values of groundwater that sampled from the aquifer applied to calculate the correlation coefficient (CI). The results showed that DRASTIC method has best correlation with the nitrate levels, so it is a more practical and more accurate method than others. Three abovementioned methods are strongly influenced by the experts' opinion. Therefore, for removing this effect, DRASTIC model was optimized by variety of artificial intelligence including Feed Forward Network (FFN), Recurrent Neural Network (RNN), Sageno fuzzy logic (SFL), Gene Expression Programming (GEP) and Supervised Committee Machine Artificial Intelligence model (SCMAI). The inputs of artificial intelligence models were the DRASTIC parameters and the output was modified DRASTIC vulnerability index by nitrate concentration. The results of artificial intelligence methods showed that these methods are useful to improve DRASTIC model. Between the artificial intelligence models, SCMAI model is superior to single models. Based on the best model results for vulnerability assessment of Moghan plain, the southern part were more vulnerabe related to pollution than the northern part

جوانشیر،گلناز

ندیری، عطاالله، استاد راهنما

صادق فام،سینا، استاد مشاور

سیفی ایناللو،رسول، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی