ارزیابی چند مدل هوش مصنوعی برای پیش‌بینی کیفیت آب زیرزمینی (مطالعۀ موردی: دشت گرو)

مدل سازی مناسب کیفیت آب زیرزمینی از ابزارهای مهم برنامه ریزی و تصمیم گیری در مدیریت منابع آب است. در این مطالعه به منظور مدلسازی تغییرات متغیرهای کیفی آب زیرزمینی دشت گرو از داده های 14 چاه در دوره آماری (1388 تا 1395) استفاده شد. متغیرهای na، mg، ca،so4، cl و hco3به عنوان متغیر مستقل و ec، sar، tds و th به عنوان متغیر وابسته در نظر گرفته شد. از روش های ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبیفازی تطبیقی برای مدل سازی متغیرهای کیفی آب زیرزمینی استفاده شد. به منظور تخمین کیفیت آب زیرزمینی کل داده ها به صورت تصادفی به دو دسته آموزشی (80 درصد کل داده ها) و آزمایشی (20 درصد کل داده ها) تقسیم شد. نتایج حاصل از مدل سازی متغیرهای کیفی آب زیرزمینی در دشت گرو نشان داد که شبکه عصبیفازی تطبیقی در متغیرهای ec (0/99=r^2، 109/13= rmse و 0/99 =ce)، sar (0/98=r^2، 0/28= rmse و 0/98 =ce) و th (0/99=r^2، 0/49= rmse و 0/99 =ce) نسبت به دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان عملکرد بهتری دارد و در متغیر tds مدل شبکه عصبی مصنوعی (0/99=r^2، 109/13= rmse و 0/99 =ce) نسبت به دو مدل دیگر کارایی بهتری داشته است. به منظور پهنه بندی تغییرات کیفیت آب زیرزمینی از مدل های انتخاب شده بر اساس دو طبقه بندی کیفیت آب شرب شولر و کشاورزی ویلکوکس استفاده گردید. نتایج حاصل از پهنه بندی براساس طبقه بندی آب شولر نشان داد که متغیر tds داری سه طبقه نامناسب (21/1%)، بد (74/59%) و غیرقابل شرب (4/31%) و متغیرth دارای 4 طبقه خوب (0/85%)، قابل قبول (23/48%)، نامناسب (67/56%) و بد (8/12%) می باشد. نتایج پهنه بندی بر اساس طبقه بندی ویلکوکس نیز نشان داد که متغیر ec داری سه طبقه عالی (9/41%)، خوب (89/79%) و متوسط (0/8%) و متغیر sar دارای دو طبقه عالی (19%) و خوب (81%) می باشد.