ارزیابی آسیب پذیری آب زیرزمینی آبخوان دهگلان با استفاده از روش دراستیک، شبکه عصبی موجک و الگوریتم ازدحام مرغ

شرق استان کردستان دارای پتانسیل مناسبی برای ذخیره منابع آب زیرزمینی است. اما بدلیل افزایش بی رویه در طول سال های متمادی و کاهش بارندگی ها حجم ذخایر آبخوان دهگلان واقع در آن کاهش چشم گیری داشته است و دشت دهگلان جزو دشت های ممنوعه طبقه بندی شده است. در این پژوهش به بررسی انتقال و پخش آلودگی در آبخوان دشت دهگلان با استفاده از روش دراستیک پرداخته شد. همچنین جهت مقایسه این روش با روش های هوشمند از روش شبکه عصبی موجک و الگوریتم ازدحام مرغ استفاده گردید. روش دراستیک یکی از روش های هم پوشانی است که با هفت پارامتر اصلی موثر شامل عمق آب زیرزمینی، تغذیه خالص، محیط خاک، توپوگرافی، محیط غیراشباع و هدایت هیدرولیکی نقشه ی حساسیت تهیه می شود. در روش های هوشمند پارامترهای دراستیک به عنوان ورودی و شاخص دراستیک به عنوان خروجی به مدل ها معرفی گردید. برای این منظور هفت لایه رستری با مقیاس 1:25000 در محیط gis تهیه شد و بعد از رتبه دهی و وزن دهی شاخص دراستیک بین 71 تا 153 به دست آمد. نتایج اجرای مدل شبکه عصبی موجک و الگوریتم ازدحام مرغ به چهار بخش تقسیم بندی شد، براساس نتایج مشاهده گردید که نقشه های آسیب پذیری نشان داد که بخش های شمال آبخوان دارای پتانسیل آلودگی متوسط و زیادی است و بایستی محافظت بیش تری از این مناطق صورت گیرد. با توجه به معیارهای ارزیابی نقشه آسیب پذیری بدست آمده با شبکه عصبی موجک نسبت به الگوریتم ازدحام مرغ عملکرد بهتری داشته است. بطوریکه براساس معیارهای ارزیابی شاخص دراستیک در شبکه عصبی موجک به ترتیب در بخش های غربی، جنوبی، شرقی و مرکزی (r^2=0.98 و 0.82rmse=)، (r^2=0.8 و 1.51rmse=)، (r^2=0.96 و 0.69rmse=) و (r^2=0.92 و 1.2rmse=) بدست آمد. همچنین در الگوریتم ازدحام مرغ معیارهای ارزیابی به ترتیب در بخش های غربی، جنوبی، شرقی و مرکزی (r^2=0.8 و 4.51rmse=)، (r^2=0.88 و 5.38rmse=)، (r^2=0.66 و 4.31rmse=) و (r^2=0.84 و 6.01rmse=) بدست آمد. توزیع نیترات با شاخص آسیب پذیری در حالت بهینه، نتایج بهتری را در پیش بینی مناطق آلوده داشته است.

the vulnerability assessment of dehgolan aquifer ground water using drastic method and wavelet neural network

the east part of kurdistan province has got considerable potentials for saving ground water. however, the reservoir volume of dehgolan aquifer has significantly decreased due to excessive consumption and low precipitation during past two decades. as a result, it has been classified as a forbidden plain. in this research, the transfer and spread of pollution in dehgolan plain aquifer was investigated using the drastic method. wavelet neural network and chicken swarming algorithm model were used to compare the study method with other smart methods. drastic method is one of sensitivity map overlay methods which is produced with seven main parameters including ground water depth, recharge, topography, soil environment, unsaturated environment and hydraulic conduction. in smart methods, drastic parameters and index were respectively defined as model inputs and outputs. accordingly, 7 raster layers with a scale of 1:25000 were produced in arc gis, and after ranking and weighing, the drastic index was obtained between 71 and 153. the results indicate that northern parts of the aquifer have moderate and high pollution potentials, so they need more protections. based on evaluation criteria the obtained vulnerability maps using neural network model had a better performance than chicken swarming algorithm so that r2 and rmse were obtained as (r2=0.98 and rmse= 0.82), (r2=0.8 and rmse= 1.51), (r2=0.96 and rmse= 0.69), (r2=0.92 and rmse= 1. 2) for western, southern, eastern and central parts respectively. moreover, r2 and rmse were obtained by chicken swarming algorithm as (r2=0.8 and rmse= 4.51), (r2=0.88 and rmse= 5.38), (r2=0.66 and rmse= 4.31), (r2=0.84 and rmse= 6. 01) for western, southern, eastern and central parts respectively. based on nitrate distribution data, vulnerability index had better results in predicting polluted parts.