استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل)

این تحقیق با هدف ارزیابی آسیب‌ پذیری آبخوانها با مقایسه دو رویکرد یادگیری عمیق و یادگیری ماشین در واسنجی شاخص انجام شده است. براین اساس با تحلیل آسیب‌پذیری ذاتی آبخوان آمل-بابل با شاخص drastic پهنه‌‌های حساس آبخوان مشخص گردید. نتایج شاخص آسیب‌ پذیری نشان داد که بخش شمالغربی آبخوان نسبت به سایر مناطق دارای حساسیت بالاتری است. بررسی مقدار همبستگی بین غلظت نیترات به عنوان یک شاخص تاثیرگذار با شاخص آسیب‌پذیری drastic حاکی از مقدار 24 درصد است که این مقدار نیازسنجی به واسنجی را نشان داد. براین اساس با دو روش cnn-harris hawks و lstm-mpa به عنوان رویکردهای یادگیری عمیق، واسنجی وزن و رتبه‌های شاخص به عنوان متغیر تصمیم با هدف حداکثرسازی همبستگی غلظت نیترات و شاخص آسیب‌ پذیری انجام گرفت. نتایج نشان داد که روش cnn-hh با همبستگی 0/62 نسبت به روش lstm-mpa با همبستگی 0/59دارای برتری است. پهنه‌های آسیب‌پذیری در شرایط واسنجی نشان داد که بخش غربی و شمال شرقی دارای آسیب‌ پذیری بالاتری است. از طرفی وزن و رتبه‌های واسنجی شده حاکی از افزایش کلیه وزن و رتبه‌ها در شرایط واسنجی نسبت به شرایط اولیه بوده که این موضوع پس از تحلیل رویکردهای بهینه‌سازی مشخص شد.

using the deep learning approach to increase the efficiency of the alluvial aquifer vulnerability index (case study: coastal aquifer: babol-amol)

this research aims to evaluate the vulnerability of aquifers by comparing two approaches of deep learning and machine learning in index calibration. therefore, by analyzing the inherent vulnerability of the amol-babol aquifer with the drastic index, the sensitive areas of the aquifer were identified. the results of the vulnerability index showed that the northwestern part of the aquifer is more sensitive than other areas. examining the correlation value between nitrate concentration as an effective index with the drastic vulnerability index indicates a value of 24%, which indicated the need for recalibration. therefore, with two cnn-harris hawks and lstm-mpa methods as deep learning approaches, weighting and index ranks were carried out as decision variables with the aim of maximizing the correlation of nitrate concentration and vulnerability index. the results showed that the cnn-hho method with a correlation of 0.62 is superior to the lstm-mpa method with a correlation of 0.59. vulnerability zones in the assessment conditions showed that the western and northeastern parts have higher vulnerability. on the other hand, the recalibrated weights and ranks indicate an increase in all weights and ranks in recalibration conditions compared to the initial conditions, which was determined after analyzing the optimization approaches