استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)

آلودگی منابع آب زیرزمینی به علت نفوذ آلاینده ها از سطح زمین به سامانه آب زیرزمینی به‎ویژه در مناطق خشک و نیمه‎خشک که با کمبود کمی و کیفی منابع آب روبه‌رو هستند؛ یکی از معضلات جدی به شمار می آید. بنابراین ارزیابی آسیب پذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیب پذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر موثر در آسیب پذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ به‎صورت هفت لایه رستری تهیه شد و پس از رتبه دهی و وزن دهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان 82 تا 151 به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمال‎نظرهای کارشناسی برای رتبه دهی و وزن دهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از 5 روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیق تری از ارزیابی آسیب پذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدل های هوش مصنوعی به‌طور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدل ها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روش های هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (scmai) نتایج بهتری را دربر داشت. بر پایه این مدل، بخش های باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.

Using supervised committee machine artificial intelligent model for improving DRASTIC model (case study: Ardabil plain aquifer)

Due to the infiltration of contaminants from surface to underground water systems, groundwater pollution is one of the serious problems, especially in arid and semiarid areas that encounter with lack of quality and quantity of water resources. Therefore, groundwater vulnerability evaluation is necessary to manage the groundwater resources by identifying areas with high potential of contamination. In this study, groundwater vulnerability in Ardabil plain aquifer was evaluated by applying DRASTIC model. DRASTIC model was prepared by seven effective parameters on vulnerability, including groundwater depth, net recharge, aquifer media, soil media, topography, impact of vadose zone, and hydraulic conductivity. These parameters were prepared as seven raster layers, and DRASTIC index was then calculated after ranking and weighting. The DRASTIC index value was obtained between 82 to 151 for the Ardabil plain. The main problem of this model is the subjectivity in determining rates and weights of the parameters. Therefore, the purpose of this study is to improve DRASTIC model using 5 methods of artificial intelligence (AI), such as Feedforward network (FFN), Recurrent neural network (RNN), Sugeno fuzzy logic (SFL), Mamdani fuzzy logic (MFL), and Committee machine (CM) to obtain the most accurate results of vulnerability evaluation. Because of heterogeneity in the Ardabil Plain, it is divided into 3 sections including west, east and north, and each section needs an individual model. For this purpose, the DRASTIC parameters and the vulnerability index were defined as inputs data and output data respectively for models, and nitrate concentration data were divided into two categories for training and test steps. The output of model in training step was corrected by the related nitrate concentration, and after model training, the output of model in test step was verified by the nitrate concentration. The results show that all of the artificial intelligence methods are able to improve the DRASTIC model, but the supervised committee machine artificial intelligence (SCMAI) model had the best results. According to this model, the most of high pollution potential areas located in western and northern parts of the plain, and need more protection.