استفاده از شبکۀ عصبی‌ـ فازی تطبیق‌پذیر (ANFIS) به‌منظور پیش‌بینی کیفیت آب زیر‌زمینی در غرب استان فارس طی سال‌های 1383 تا 1393

مکرم, مرضیه; مکرم, محمد جعفر; زارعی, عبدالرسول; صفری نژادیان, بهروز

doi:10.22059/ije.2017.61491

استفاده از شبکۀ عصبی‌ـ فازی تطبیق‌پذیر (ANFIS) به‌منظور پیش‌بینی کیفیت آب زیر‌زمینی در غرب استان فارس طی سال‌های 1383 تا 1393

نوع مقاله : پژوهشی

نویسندگان

مرضیه مکرم ¹

محمد جعفر مکرم ²

عبدالرسول زارعی ³

بهروز صفری نژادیان ⁴

¹ عضو هیئت علمی، دانشکدۀ کشاورزی و منابع طبیعی داراب، دانشگاه شیراز

² دانشجوی دکتری برق قدرت، دانشگاه صنعتی شیراز

³ عضو هیئت علمی، گروه مهندسی منابع طبیعی (مرتع و آبخیزداری)، دانشکدۀ کشاورزی، دانشگاه فسا*

⁴ عضو هیئت علمی، گروه مهندسی برق و الکترونیک، دانشگاه صنعتی شیراز

10.22059/ije.2017.61491

چکیده

با توجه به کاهش بارندگی و استفادۀ بیش از حد از آب‌های زیر‌زمینی، بررسی کیفیت آنها از مهم‌ترین چالش‌های بحث‌شده در مناطق مختلف از جمله ایران است. تخمین کیفیت آب از طریق مدل‏سازی، از جمله استفاده از شبکه‏های عصبی، موجب کاهش هزینه و مدیریت بهتر می‏شود. بنابراین، تحقیق حاضر با هدف بررسی کیفیت آب زیر‏زمینی در یک دورۀ 10 ساله (1383 تا 1393) با استفاده از شبکه‏های عصبی‌ـ فازی تطبیق‏پذیر (ANFIS) در غرب استان فارس انجام گرفت. در این مطالعه از سه روش grid partitioning، clustering sub و FCM در دو حالت هیبرید و پس‌انتشار خطا به‌منظور پیش‏بینی کیفیت آب زیر‌زمینی استفاده شد. پارامترهای آموزش در این مطالعه، هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) هستند. همچنین برای آموزش شبکه از کلاس‏های کیفیت آب تهیه‌شده توسط دیاگرام ویلکاکس استفاده شد. در آلودگی شیمیایی، طبق دیاگرام ویلکاکس نسبت جذب سدیم و هدایت الکتریکی مهم‌ترین فاکتورهایی هستند که با اندازه‏گیری آنها می‌توان آب منطقۀ مطالعه‌شده را در کلاس‏های مختلف مانند خیلی مناسب، مناسب و نامناسب برای آبیاری کلاس‌بندی کرد. بر اساس نتایج از بین مدل‏های مختلف پیش‌بینی کیفیت آب زیرزمینی، مدل هیبرید در روش FCM با بیشترین R (99/0) و کمترین خطا، بیشترین دقت در پیش‌بینی کیفیت آب زیرزمینی منطقۀ مطالعه‌شده را دارد.

کلیدواژه‌ها

شبکۀ عصبی‌ـ فازی تطبیق‌پذیر (ANFIS)

کیفیت آب

SAR

موضوعات

مدیریت منابع آب در اکوسیستم های طبیعی

1. Ebn al-BalḵrG. Le Strange as Description of the Province of Fars.1912. London.
2. Kurepazan A. The principles of fuzzy set theory and its applications. Publications Amir Kabir University Jihad. 2004.
3. Minhaj MB. Fundamentals of artificial neural networks." Amirkabir University Press. 2005.
4. Sowlat MH. A novel, fuzzy-based air quality index (FAQI) for air quality assessment. Atmospheric Environment. 2011: (45): 2050-2059.
5. Lermontov A. River quality analysis using fuzzy water quality index: Ribeira do Iguape river watershed, Brazil. Ecological Indicators. 2009: (9): 1188-1197.
6. Ocampo-Duque W. Assessing water quality in rivers with fuzzy inference systems: A case study. Environment International. 2006: (32): 733-742.
7. Alireza V. Cropping Pattern Optimization by Using of TOPSIS and Genetic Algorithm Based on the Capabilities of GIS. Eco hydrology journal. 2016: 3(1): 69-82.
8. Mirabbasi R, Mazloumzadeh SM, Rahnama MB. Evaluation of irrigation water using fuzzy logic. Research Journal of Environmental Sciences. 2008: (2): 340-353.
9. Muhammetoglu A, Yardimci A. A Fuzzy Logic Approach to Assess Groundwater Pollution Levels below Agricultural Fields. Environmental Monitoring and Assessment. 2006: 118:337-354.
10. Dahiya S. Analysis of groundwater quality using fuzzy synthetic evaluation. Journal of Hazardous Materials. 2007: (147): 938-946.
11. Sharifi-Rad J, Hoseini-Alfatemi M, Sharifi-Rad M, William NS. Chemical composition, antifungal and antibacterial Activities of essential oil from lallemantia Royleana (benth. In wall.) Benth. Journal of Food Safety. 2015: (35): 19–25.
12. Nowshadi M, Salmyh R, Ahmadzada M. Simulation and forecasting of water quality parameters of Zayandehrood using artificial neural network. Journal of Water and Wastewater. 2009: 18(4): 49-65.
13. Oliaei A, Banzhad H, Samadi MT, Rahmani A, Saghi MH. Evaluation of artificial neural network performance in predicting indicators of quality (BOD and DO) in Moradbeik River, Hamedan. Water and soil science (agricultural knowledge). 2012: 20(1): 199 - 210.
14. Keshavarz A, Khashei Siooki A, Najafi MH. Locating appropriate water extraction using fuzzy hierarchical analysis (Case study: Birjand aquifer). Journal of Water and Wastewater. 2015: 142-135.
15. Raii R, Fallahpour S. The use of support vector machine to predict corporate financial distress using financial ratio. Accounting and Auditing review. 2010: 15(53): 21-32.
16. Karami B, Golabi M. Simulate and predict water quality parameters using artificial neural networks, fuzzy neural and statistical regression (Case study: Karun river, Khuzestan province)." The ninth international seminar river. Ahvaz martyr Chamran University. 2013.
17. Darvari Z, Gholami V, Derakhshan S. Simulated groundwater salinity using artificial neural network (ANN) in coast of the Mazandaran province. Journal of Water and Irrigation. 2014: 36(2): 61-70.
18. Alaii M, Zanguy M, Zanguy H. Prediction of water quality using neural networks MLP and adaptive fuzzy inference system (ANFIS) in Neyshabur plain. The National Conference of Environmental Science and Engineering. 2015. Ahvaz.
19. Bisht DCS, Jangid A. Discharge modeling using adaptive neuro-fuzzy inference system. International Journal of advances science and technology. 2011: (31): 99–114.
20. Mohammad NT, Seyed Reza H, Farshad A, Zahra NT. Evaluation the Accuracy of ANFIS, SVM and GP Models to Modeling the River Flow Discharge. Eco hydrology journal. 2016: 3(3): 347-361.
21. Afshin H, Mahdi P, Maryam Z, Moslem H. Land Use Optimization Using Combination of Fuzzy Linear Programming and Multi Objective Land Allocation Methods (Case Study: ChelgerdWatershed). Eco hydrology journal. 2016: 3(3): 363-377.
22. Ghandi A, Asghari Moghadam A. Evaluation of effective parameters in underground water quality (Tasouj Plain), 9th conference of geology, Tarbiyat Moaalem University, Iran. 2005.
23. Baharvand S, Ahmadi Khalaji A, Adib A, Uosefi Rad M. Role of different formation of geology in underground water quality (North of Khoram Abad), 3th conference of geology and environment, Eslamshahr, Azad university. 2006.
24. Taalohi M, Tabatabaee H. Predicting bar dam water quality using neural-fuzzy inference system. Indian Journal of Fundamental and Applied Life Sciences. 2014: 2231– 6345.
25. Najah AA, Shafie AEK, Othman AJO. Water quality prediction model utilizing integrated wavelet-ANFIS model with cross-validation. Eural Computing and Applications. 2012: 21(5):1-9.
26. Alavi N, Nozari, V, Mazloumzadeh S, Nezamabadi-pour H. Irrigation water quality evaluation using adaptive network-based fuzzy inference system. Paddy & Water Environment. 2010: 8(3): 259-264.