توسعۀ مدل drastic با استفاده از هوش مصنوعی در پتانسیل آلودگی آبخوان مناطق نیمه ‏خشک

به دلیل رشد اقتصادی سریع و بهره‏ برداری بیش از حد از آب ‏های زیرزمینی، مسئلۀ آلودگی نیترات در آب‏ های زیرزمینی بسیار جدی شده ‏است. هدف اصلی این مطالعه، توسعۀ مدل drastic برای شناسایی آسیب ‏پذیری آب‏های زیرزمینی در برابر آلودگی نیترات است. بنابراین، مدل استاندارد drastic با در نظر گرفتن عامل کاربری اراضی (مدل drastic-lu) ‏برای به نمایش گذاشتن آسیب ‏پذیری آب‏های زیرزمینی ارائه شد. نوآوری تحقیق حاضر، توسعۀ مدل‏ های drastic و drastic-lu توسط ماشین بردار پشتیبان (svm) ‏به منظور جلوگیری از خطای روش‏های همپوشانی و شاخص است. برای پیاده‏ سازی و اعتبارسنجی مدل‏ها، 21 نمونه چاه مشاهداتی در آبخوان دشت بیرجند جمع‏ آوری شدند. مقادیر rmse مربوط به مدل‏های drastic، drastic-lu، drastic+svm و drastic-lu+svm به‌ترتیب 0.821، 0.743، 0.612 و 0.490 ‌شد که نشان داد مدل‏های ترکیبی با استفاده از svm همبستگی بهتری را بین مقدار آسیب ‏پذیری و آلودگی نیترات نشان می‏ دهد. همچنین، مشخص شد که مدل drastic-lu+svm برای ارزیابی آسیب ‏پذیری آب‏ های زیرزمینی در برابر نیترات دقت بیشتری دارد.

development of drastic model using artificial intelligence on the potential of aquifer contamination in semi-arid regions

due to rapid economic growth and over-exploitation of groundwater, nitrate contamination in groundwater has become very serious. the main purpose of this study is to develop a drastic model to identify the vulnerability of groundwater to nitrate contamination. therefore, the standard drastic model was presented considering the land use factor (drastic-lu model) to demonstrate the vulnerability of groundwater. the novelty of the present study is the development of drastic and drastic-lu models by support vector machine (svm) to prevent the error of overlap and index methods. for implementation and validation of the models, 21 samples of observation wells were collected in birjand plain aquifer. rmse values for drastic, drastic-lu, drastic+svm, and drastic-lu+svm models were calculated to be 0.821, 0.743, 0.612, and 0.490, respectively, which was found that the hybrid models using svm shows a better correlation between the amount of vulnerability and nitrate contamination. it was also found that the drastic-lu+svm model has a higher accuracy for assessing the vulnerability of groundwater to nitrate.