بهينه‌سازي روش DRASTIC با استفاده از هوش مصنوعي براي ارزيابي آسيب‌پذيري آبخوان چندگانۀ دشت ورزقان

Optimization of DRASTIC method using ANN to evaluating of vulnerability of multiple Varzqan aquifer

با توجه به افزايش جمعيت و توسعۀ فعاليت هاي كشاورزي و معدني در دشت ورزقان كه سبب افزايش مقادير نيترات تا پنج برابر استاندارد سازمان بهداشت جهاني (WHO) شده، ارزيابي آسيب پذيري و حفاظت از منابع آب زيرزميني در اين منطقه اهميت زيادي دارد. در اين پژوهش، آسيب پذيري آبخوان چندگانۀ دشت ورزقان در برابر آلودگي به كمك روش DRASTIC در محيط ArcGIS بررسي شده و بهينه سازي روش DRASTIC با استفاده از مدل ANN صورت گرفته است. براي اجراي روش DRASTIC از پارامترهاي مؤثر در ارزيابي آسيب پذيري سفرۀ آب زيرزميني شامل عمق سطح ايستابي، تغذيۀ خالص، جنس محيط آبخوان، نوع خاك، شيب توپوگرافي، مواد تشكيل‌دهندۀ ناحيۀ غيراشباع و هدايت هيدروليكي استفاده شده كه به‌صورت هفت لايۀ جداگانه براي آبخوان آزاد و تحت فشار تهيه و بعد از رتبه‌دهي و وزن‌دهي و تلفيق اين هفت لايه شاخص DRASTIC محاسبه شد كه براساس نتايج به‌دست‌آمده شاخص DRASTIC براي آبخوان آزاد 92- 164 و براي آبخوان تحت فشار 48-93 برآورد شد. به‌منظور بهينه‌سازي روش DRASTIC، از مدل شبكۀ عصبي مصنوعي استفاده و به اين منظور داده‌هاي ورودي )پارامترهاي (DRASTIC و خروجي (شاخص آسيب پذيري) و مقادير نيترات مربوط به آن به دو دستۀ آموزش و آزمايش تقسيم شد و پس از آموزش مدل، با استفاده از مقادير نيترات نتايج مدل در مرحلۀ آزمايش ارزيابي شد. نتايج نشان داد مدل شبكۀ عصبي مصنوعي به‌كار گرفته‌شده، قابليت بهبود نتايج روش DRASTICاوليه را دارد. براي صحت سنجي نتايج روش كلاسيك و مدل هوش مصنوعي استفاده‌شده در اين پژوهش، از داده هاي غلظت نيترات و ضريب همبستگي آن با شاخص آسيب پذيري در منطقه استفاده شد. مدل ANN با داشتن ضريب تعيين (R2) و شاخص همبستگي (CI) بيشتر نسبت به روش DRASTIC و همچنين توانايي ارزيابي يكپارچۀ آبخوان چندگانه و حذف خطاي نظر كارشناسي اعمال‌شده در روش كلاسيك، روش بهتري براي ارزيابي آسيب پذيري آبخوان چندگانۀ دشت ورزقان است.

Due to population growth and agricultural development and mining activities in the plain Varzeqan where nitrate concentration exceeds from 5 times the standard World Health Organization (WHO). So, Evaluation of vulnerability and protection of groundwater resources are very important in this area. The DRASTIC method uses seven effective environmental parameters on assessment of aquifer vulnerability such as Depth to groundwater level, net Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone and hydraulic Conductivity, as seven layers were prepared separately for unconfined and confined aquifer by corresponded the rate and weighting. The DRASTIC index value was evaluated for unconfined, confined aquifer 92-163 and 48-93 respectively. The artificial neural network model was used to optimize the DRASTIC method. In these model the DRASTIC parameters were considered as input, and conditioned DRASTIC index were used as output, and the data were divided into two categories of train and test. After model training, the model results were evaluated by the nitrate concentration through coefficient of determination (R2) and correlation index (CI) creteria. The results showed that artificial neural network model show high capability to improve the results of general DRASTIC and reduce subjectivity of model, especially in multiple aquifer.