بررسی پتانسیل آسیب‌پذیری شوری آبخوان دشت عجب‌شیر با استفاده از چهار چوب galdit و بهبود آن با روش‌های هوش مصنوعی

در سال های اخیر شور شدن آب در آبخوان های ساحلی که همواره در آن ها کشاورزی در حال توسعه می باشد، نیازمند بررسی پتانسیل آسیب پذیری آبخوان نسبت به شوری آب است. در آبخوان عجب شیر نیز برای بررسی پتانسیل آسیب پذیری از چارچوب galdit که شامل شش لایه: نوع آبخوان (g)، هدایت هیدرولیکی آبخوان (a)، ارتفاع سطح آب ­زیرزمینی (l)، فاصله از خط ساحلی (d)، تاثیر کیفی پیشروی آب شور (i) و ستبرای آبخوان (t) می باشد، استفاده شد. در ضمن برای صحت سنجی نقشه پهنه بندی شده پتانسیل آسیب پذیری شوری، مقادیر tds مورد استفاده قرار گرفت. همچنین برای اطمینان از قطعیت داده های در دسترس و نیز بهبود وزن و رفع ایرادات کارشناسی در تعیین وزن­ لایه های galdit، از منطق فازی (ساجنو)، الگوریتم ژنتیک (ga)، الگوریتم زیرفضای تصادفی (rs) و الگوریتم درخت تصمیم (m5p) استفاده شده است. نتایج به دست آمده از همبستگی galdit، galdit-f، galdit-ga، galdit-rs و galdit-m5p با tds به ترتیب 0/5، 0/81، 0/6، 0/8 و 0/8 به دست آمد. بخش‌های جنوب و جنوب خاوری دشت دارای بیشترین پتانسیل شوری است و مقادیر همبستگی، عملکرد خوب روش های galdit-f، galdit-rs و galdit-m5p را در این مطالعه نشان داد.

investigating the salinity vulnerability potential of ajab-shir plain aquifer using galdit framework and improving it with artificial intelligence

in recent years, the salinization in coastal aquifers, where agriculture is always developing, requires the investigation of aquifer vulnerability to water salinity. in the ajab-shir aquifer, to investigate the galdit vulnerability framework, which includes six layers such as type of aquifer (g), aquifer hydraulic conductivity (a), groundwater level above the sea level (l), distance from the coastline (d), quality impact of saline water intrusion (i) and aquifer thickness (t) used. meanwhile, tds values used to validate zoned vulnerability map. also, to ensure the certainty of the available data, as well as to improve the weight and fix expert’s errors in determining the weight of galdit layers, fuzzy logic (sugeno), genetic algorithm (ga), random subspace algorithm (rs) and decision tree algorithm (m5p) were used. the results showed the correlation coefficient of about 0.5, 0.81, 0.6, 0.8, and 0.8 between galdit, galdit-f, galdit-ga, galdit-rs, and galdit-m5p with tds, respectively. the south and south-east parts of the plain show the highest salinity potential and correlation values showed the good performance of galdit-f, galdit-rs and galdit-m5p methods in this study.