عنوان

بررسی هیدروشیمیایی و بهینه‌سازی آسیب‌پذیری کل آبخوان دشت آذرشهر با استفاده از روش‌های ماشین یادگیری

Number

پ۲۸۰۲۸

.Language of Text, Soundtrack etc

per

Title Proper

بررسی هیدروشیمیایی و بهینه‌سازی آسیب‌پذیری کل آبخوان دشت آذرشهر با استفاده از روش‌های ماشین یادگیری

First Statement of Responsibility

فاطمه جعفرزاده بی‌شک

Name of Publisher, Distributor, etc.

علوم طبیعی

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۱۴۰ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

زمین‌شناسی گرایش هیدروژئولوژی

Date of degree

۱۴۰۱/۱۱/۱

Text of Note

دشت آذرشهر یکی از دشت‌های بزرگ واقع در استان آذربایجان شرقی است که دارای منبع مهم آب زیرزمینی است. مناسب‌ترین و کم‌هزینه‌ترین راه‌حل برای حفاظت از این منبع آب زیرزمینی از آلودگی‌ها، به‌کارگیری سیستم‌هایی است که به‌منظور ارزیابی آسیب‌پذیری سفره‌های آب زیرزمینی، جهت شناسایی مناطقی با پتانسیل آلودگی بیشتر نسبت به نقاط دیگر ارائه می‌دهد. بدین منظور، جهت ارزیابی آسیب‌پذیری آبخوان دشت آذرشهر نسبت به نفوذ آب‌شور و فعالیت‌های انسانی منطقه به ترتیب از روش‌های GALDIT و DRASTIC استفاده شد. باتوجه‌به اینکه ضرایب وزنی و نرخ اختصاص‌یافته به هر پارامتر دراستیک و گالدیت تا حدودی از روی نظر کارشناسی است بنابراین هدف اصلی این مطالعه بهبود روش‌های دراستیک و گالدیت با استفاده از ماشین‌های یادگیری به‌منظور کاهش اثر نظر کارشناسی هست. در اين پژوهش از مدل‌های درختي استفاده‌شده است. اين مدل‌ها درصورتی‌که ديتا کم باشد نتیجه‌ی بهتري را می‌دهند. ورودی‌های دراستیک و گالدیت به‌عنوان ورودی مدل‌های ماشین یادگیری قرار داده شد و شاخص دراستیک و گالدیت تصحیح‌شده با غلظت نیترات و مواد جامد محلول اندازه‌گیری شده در آبخوان به‌عنوان خروجی مدل‌ها در نظر گرفته شد. از بين چهار الگوريتم به‌کاربرده شده، الگوريتم AdaBoost ضريب همبستگي بيشتري را با غلظت نيترات و TDS داشت. درنهایت با استفاده از تلفیق این دو مدل بهینه‌شده، پتانسیل آسیب‌پذیری کل منطقه به دست آمد. از نتایج به‌دست‌آمده می‌توان در مدیریت و برنامه‌ریزی و تصمیم‌گیری در بخش‌های صنعت و کشاورزی منطقه استفاده نمود.

Text of Note

Azarshahr plain is one of the big plains located in East Azarbaijan province, which has an important source of underground water. The most appropriate and least expensive solution to protect this underground water source from pollution is to use systems that provide vulnerability assessment of groundwater aquifers in order to identify areas with higher pollution potential than other places. For this purpose, GALDIT and DRASTIC methods were used to evaluate the vulnerability of the Azarshahr Plain aquifer to saltwater intrusion and human activities in the region. Considering that the weight coefficients and rates assigned to each DRASTIC and GALDIT parameter are somewhat based on expert opinion, therefore the main goal of this study is to improve DRASTIC and GALDIT methods by using learning machines in order to reduce the effect of expert opinion. In this research, tree models were used.These models give better results if there is little data. DRASTIC and GALDIT inputs were put as input of learning machine models and DRASTIC and GALDIT index corrected with nitrate concentration and dissolved solids measured in the aquifer was considered as the output of the models. Among the four used algorithms, the AdaBoost algorithm had the highest correlation coefficient with nitrate and TDS concentration. Finally, by combining these two optimized models, the vulnerability potential of the entire area was obtained. The obtained results can be used in management, planning and decision-making in the industry and agriculture sectors of the region.

Variant Title

Hydrochemical investigation and optimizing the Azarshahr plain aquifer's total vulnerability using machine learning methods

Entry Element

جعفرزاده بی‌شک،

Part of Name Other than Entry Element

فاطمه

Relator Code

تهیه کننده

Entry Element

‏اصغری مقدم،

Entry Element

برزگر،

Part of Name Other than Entry Element

اصغر

Part of Name Other than Entry Element

رحیم

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز