مقایسه روش ‌های شبکه عصبی و نروفازی برای بهبود چهار چوب عملی دراستیک (مطالعه موردی: آبخوان دشت شبستر)

رشد روزافزون جمعیت و افزایش نیازهای آبی، استفاده از منابع آب شیرین بویژه منابع آب زیرزمینی را افزایش داده است. به همین جهت ارزیابی آسیب‌پذیری آب‌های زیرزمینی روشی مناسب برای شناخت مناطق آسیب پذیر و محافظت از این منابع به شمار می‌رود. دشت شبستر در استان آذربایجان‌شرقی یک منطقه فعال از نظر کشاورزی است و استفاده از منابع آب زیرزمینی در آن به علت کمبود منابع سطحی از اهمیت فوق‌العاده زیادی برخوردار است. در این مطالعه از چهار چوب عملی دراستیک برای ارزیابی آسیب‌پذیری آبخوان دشت شبستر استفاده شده است. مقدار شاخص آسیب‌پذیری دراستیک در منطقه مورد مطالعه برابر53.3 تا 118.3محاسبه شد. با توجه به اینکه ضرایب وزنی اختصاص یافته به هر پارامتردراستیک، تا حدودی از روی نظر کارشناسی است بنابراین هدف اصلی این مطالعه بهبود دراستیک با دو مدل شبکه عصبی و نروفازی بوده است. ورودی های دراستیک به عنوان ورودی هر دو مدل هوش مصنوعی قرار داده شدند. شاخص دراستیک تصحیح شده با غلظت نیترات به عنوان خروجی مدل در نظر گرفته شد. مقادیر نیترات به دو دسته آموزش و آزمایش دسته‌بندی شد. پس از آموزش هر دو مدل، نتایج مدل در مرحله آزمایش با غلظت نیترات مورد ارزیابی قرار گرفت. نتایج نشان داد هر دو مدل هوش مصنوعی توانایی بالایی جهت بهبود مدل دراستیک دارند. با این وجود مدل نروفازی با داشتن ضریب همبستگی بالاتری با نیترات روشی مناسب جهت ارزیابی آسیب‌پذیری آبخوان دشت شبستر بوده است.

Comparison of Neural Network and NeuroFuzzy Techniques to Improve the DRASTIC Frame Work (Case Study: Shabestar plain Aquifer)

Increasing population and rising water requirements have raised the use of freshwater resources such as groundwater. Therefore, assessing the vulnerability of groundwater is a suitable method for identifying the vulnerable areas and protecting these resources. Shabestar plain in East Azarbaijan province is an active agricultural area and the use of groundwater resources in this plain is important due to the shortage of annual precipitation. In this study, the DRASTIC frame work was used to assess the vulnerability of the Shabestar plain aquifer. The amount of DRASTIC vulnerability index in the study area was calculated as 53.3to 118.3. Given that the weights of the DRASTIC frame work were somewhat expert, so the main purpose of this study was improvement of the DRASTIC by two methods of Neural Network and NeuroFuzzy. DRASTIC inputs were introduced as inputs of the both artificial intelligence models. The corrected DRASTIC index with nitrate concentration was considered as the outputs of the models. Nitrate values were categorized into two groups of train and test. After training the model the results of the model were evaluated at the test step with nitrate concentration. The results showed that the both artificial intelligence models had the high ability to improve the DRASTIC model. Nevertheless, the neurofuzzy model having a higher correlation coefficient with nitrate was a suitable method for assessing the vulnerability of Shabestar plain aquifer.