بهینه‌سازی روش DRASTIC با استفاده از هوش مصنوعی برای ارزیابی آسیب‌پذیری آبخوان‏ چند‏گانۀ دشت ورزقان

نوع مقاله : پژوهشی

نویسندگان

1 استادیار گروه علوم زمین، دانشکدۀ علوم طبیعی، دانشگاه تبریز

2 دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

3 کارشناس شرکت آب و فاضلاب استان آذربایجان شرقی

چکیده

با توجه به افزایش جمعیت و توسعۀ فعالیت‏های کشاورزی و معدنی در دشت ورزقان که سبب افزایش مقادیر نیترات تا پنج برابر استاندارد سازمان بهداشت جهانی (WHO) شده، ارزیابی آسیب‏پذیری و حفاظت از منابع آب زیرزمینی در این منطقه اهمیت زیادی دارد. در این پژوهش، آسیب‏پذیری آبخوان چندگانۀ دشت ورزقان در برابر آلودگی به کمک روش DRASTIC در محیط ArcGIS بررسی شده و بهینه‏سازی روش DRASTIC با استفاده از مدل ANN صورت گرفته است. برای اجرای روش DRASTIC از پارامترهای مؤثر در ارزیابی آسیب‏پذیری سفرۀ آب زیرزمینی شامل عمق سطح ایستابی، تغذیۀ خالص، جنس محیط آبخوان، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندۀ ناحیۀ غیراشباع و هدایت هیدرولیکی استفاده شده که به‌صورت هفت لایۀ جداگانه برای آبخوان آزاد و تحت فشار تهیه و بعد از رتبه‌دهی و وزن‌دهی و تلفیق این هفت لایه شاخص DRASTIC محاسبه شد که براساس نتایج به‌دست‌آمده شاخص DRASTIC برای آبخوان آزاد 92- 164 و برای آبخوان تحت فشار 48-93 برآورد شد. به‌منظور بهینه‌سازی روش DRASTIC، از مدل شبکۀ عصبی مصنوعی استفاده و به این منظور داده‌های ورودی )پارامترهای (DRASTIC و خروجی (شاخص آسیب‏پذیری) و مقادیر نیترات مربوط به آن به دو دستۀ آموزش و آزمایش تقسیم شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل در مرحلۀ آزمایش ارزیابی شد. نتایج نشان داد مدل شبکۀ عصبی مصنوعی به‌کار گرفته‌شده، قابلیت بهبود نتایج روش  DRASTICاولیه را دارد. برای صحت‏سنجی نتایج روش کلاسیک و مدل هوش مصنوعی استفاده‌شده در این پژوهش، از داده‏های غلظت نیترات و ضریب همبستگی آن با شاخص آسیب‏پذیری در منطقه استفاده شد. مدل ANN با داشتن ضریب تعیین (R2) و شاخص همبستگی (CI) بیشتر نسبت به روش DRASTIC و همچنین توانایی ارزیابی یکپارچۀ آبخوان چندگانه و حذف خطای نظر کارشناسی اعمال‌شده در روش کلاسیک، روش بهتری برای ارزیابی آسیب‏پذیری آبخوان چندگانۀ دشت ورزقان است.

کلیدواژه‌ها

موضوعات


1. Vrba J, and Zaporozec A. Guidebook on mapping groundwater vulnerability. International Contributions to Hydrogeology. 1994;Verlag Heinz Heise GmbH and Co, KG.
2. Babiker I.S, Mohamed M.A.A, Hiyama T, and Kato K. A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Heights, Gifu Prefecture, central Japan. Science of the Total Environment. 2005; 345(1-3), pp 127-140.
3. Aller L, Bennett T, Lehr J. H, Petty R. J, & Hackett G. DRASTIC: A Standardized System for Evaluating Ground Water Pollution Potential Using Hydrogeologic Settings. Ada Oklahoma: U.S. Environmental Protection Agency. 1987; 600/2-87-035.
4. Panagopoulos G, Antonakos A, & Lambrakis, N. Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal.2006; 14: 894-911.
5. Shukla S, Mostaghimi S, Shanholt V. O, Collins, M.C. & Ross B. B. A county-level assessment of ground water contamination by pesticides. GroundWater Monitoring & Remediation. 2000; 20: 104-119.
6. Secunda S, Collin M.L, & Melloul A.J. Groundwater vulnerability assessment using a composite model combining DRASTIC with extensive agricultural land use in Israel’s Sharon region. Journal of Environmental Management. 1998; 54: 39-57.
7. Dixon B. Groundwater vulnerability mapping: a GIS and fuzzy rule based integrated tool. Journal of Applied Geography. 2005b; 25: 327-347.
8. Dixon, B. Applicability of neuro-fuzzy techniques in predicting ground-water vulnerability: a GIS-based sensitivity analysis. Journal of Hydrology. 2005a; 309: 17-38.
9. Nadiri A.A, Asghari Moghaddam A, Sadeghi F, Aghaee H. Investigation of Arsenic Anomalies in Water Resources of Sahand Dam. Journal of Environmental Studies. 2012; 38(3).
10. Nadiri A.A, Asghari Moghaddam A, Abghari H. Supervised Committee Fuzzy Logic Model for Estimation of Aquifers Transmissivity Case study: Tasuj Plain. Water and Soil Science. 2014.
11. Fijani E, Nadiri A.A, Asghari Moghaddam A, Tsai F, & Dixon B. Optimization of DRASTIC Method by Supervised Committee Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hydrology. 2013; 530: 89-100.
12. Nadiri A.A, Gharekhani M, Khatibi R, Sadeghfam S. Groundwater vulnerability indices conditioned by Supervised Intelligence Committee Machine (SICM). Science of The Total Environment. 2017a; 574: 691-706.
13. Nadiri A.A, Gharekhani M, Khatibi R, AsghariMoghaddam A. Assessment of Groundwater Vulnerability Using Supervised Committee to Combine Fuzzy Logic Models. Journal of EPSR (Environment Pollution Science Research ). 2017b; 564-653.
 14. Javanshir G Nadiri A.A, Sadeghfam S, Novinpour E. Introducing a new method to aquifer vulnerability assessment of Moghan plain based on combination of DRASTIC, SINTACS and SI methods. Ecohydrology.1395; Page 491-503. [Persian].
 
15. Gharekhani M. Optimization of groundwater vulnerability assessment methods using artificial intelligence models, Case study: Ardabil aquifer. MS. Thesis, Tabriz University , IRAN.1394. [Persian]
16. Yekom Consulting Engineers. Detailed, Reports and semi comprehensive groundwater studies of plains of East Azarbaijan Regional Water Company in ArcGIS media. Studies of groundwater study area Ahar-Varzeqan. 1388; page 208. [Persian].
 17. Mehrpartou M, Amini Fazl A, and Radfar J. Geologic map of Varzeghan. scale 1:100000.1371. [Persian].

18. Consulting Engineers Water Frespand. Providing balance and water cycle of Ahar –Varzeqan in the study area. Department of Energy, East Azerbaijan Regional Water company. 1383. [Persian].

19.Saadati H. Groundwater and Surface water quality studies of Varzeqan area. MS. Thesis, Tabriz University, IRAN, 1390. [Persian].
20. Gogu R.C, & Dassargues A. Current trends and future challenges in groundwater vulnerability assessment using overlay and index methods. Environmental Geology. 2000; 39: 549-559.
21. Almasri M. N. Assessment of intrinsic vulnerability to contamination for Gaza coastal aquifer, Palestine. Journal of Environmental Management. 2008; 88: 577-593.
22. Stigter T. Y, Ribeiro L, & Carvalho Dill A. M. M. Evaluation of an intrinsic and a specific vulnerability assessment method in comparison with groundwater salinisation and nitrate contamination levels in two agricultural regions in the south of Portugal, Hydrogeology Journal. 2006; 14: 79-99.
23. Soper R. C. Groundwater vulnerability to agrochemicals: A GIS-based DRASTIC model analysis of Carrol, Chariton, and Saline Counties, Missouri, USA. Master science thesis, University of Missouri-Columbia. 2006.
24. Anil K.J, Mao J, & Mohiuddin K.M. Artificial neural network: a tutorial. IEEE. 1996.
 
25. Hornik K, Stimchcombe M, & White H. multilayer feed forward network are Universal approximators, Neural Networks.1989; 2: 359-366.
26. Nadiri A.A,. Groundwater level prediction using artificial neural networks model in the Metro area in Tabriz. MS. Thesis, Tabriz University , IRAN. 1386. [Persian].
27. ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology, Artificial Neural Network in hydrology, part I and II. Journal of Hydrologic Engineering. 2000; 5(2):115-137.
دوره 4، شماره 4
دی 1396
صفحه 1089-1103
  • تاریخ دریافت: 14 اردیبهشت 1396
  • تاریخ بازنگری: 27 خرداد 1396
  • تاریخ پذیرش: 30 خرداد 1396
  • تاریخ اولین انتشار: 01 دی 1396
  • تاریخ انتشار: 01 دی 1396