بهينه سازي مدل دراستيك با استفاده از هوش مصنوعي جهت ارزيابي آسيب پذيري آب‌زيرزميني در دشت مراغه- بناب

Optimization of DRASTIC Model by Artificial Intelligence for Groundwater Vulnerability Assessment in Maragheh-Bonab Plain

ارزيابي آسيب‌پذيري آبخوان به منظور تعيين مناطق داراي پتانسيل آلودگي براي مديريت منابع آب‌زيرزميني از اهميت بالايي برخوردار است. در اين تحقيق، با استفاده از مدل دراستيك ارزيابي آسيب‌پذيري آب زيرزميني در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستيك از پارامترهاي موثر در ارزيابي آسيب?پذيري سفره آب زيرزميني شامل ژرفاي سطح ايستابي، تغذيه، جنس سفره، نوع خاك، شيب توپوگرافي، مواد تشكيل‌دهنده منطقه غيراشباع و هدايت هيدروليكي استفاده مي?شود كه به صورت 7 لايه در محيط GIS تهيه شدند و با وزن?دهي و رتبه?بندي و تلفيق 7 لايه ياد شده، نقشهنهايي آسيب‌پذيري آبخوان نسبت به آلودگي، با تقسيم?بندي به 3 محدوده آسيب?پذيري كم، متوسط و زياد تهيه و شاخص دراستيك براي كل منطقه بين 81 تا 116 برآورد شد. براي صحت‌سنجي مدل از داده هاي غلظت نيترات در منطقه استفاده شد كه نتايج همبستگي نسبي با ضريب همبستگي 81/0 را براي مدل دراستيك نشان داد. به منظور بهبود نتايج مدل، از 4 روش هوش مصنوعي شامل شبكه عصبي مصنوعي، مدل فازي ساجنو و ممداني، و مدل نروفازي استفاده شد. به اين منظور داده هاي ورودي (پارامترهاي دراستيك) و خروجي (آسيب پذيري) مدل و مقادير نيترات مربوطه به 2 دسته آموزش و آزمايش تقسيم شد. خروجي مربوط به مرحله آموزش با مقادير نيترات مربوطه تصحيح شد و پس از آموزش مدل، با استفاده از مقادير نيترات نتايج مدل‌ها در مرحله آزمايش مورد ارزيابي قرار گرفت. نتايج نشان داد كه تمام مدل‌هاي هوش مصنوعي به كار گرفته شده، قابليت بهبود نتايج مدل دراستيك اوليه را دارند، اما در اين بين، مدل نروفازي بهترين نتايج را دربرداشت و به عنوان مدل نهايي برگزيده شد. به طوري كه در مرحله آزمايش، تمام چاه‌هاي حاوي آلودگي نيترات بالا در دسته آسيب پذيري بالا قرار گرفتند. بر اساس مدل نهايي، نواحي باختري منطقه داراي بيشترين ميزان پتانسيل آلودگي هستند. همچنين، نتايج نشان داد كه مدل‌هاي هوش مصنوعي مي تواند به عنوان روشي كارا جهت بهينه سازي مدل دراستيك عمل كند و نتايج دقيق‌تري از برآورد پتانسيل آلودگي در منطقه مورد مطالعه را در پي داشته باشد.

Aquifer vulnerability assessment to define critical zones of pollution risk is an important method for groundwater resource management. By applying the DRASTIC model in this study, groundwater vulnerability in the Maragheh-Bonab Plain aquifer was evaluated. The DRASTIC model uses seven environmental parameters (Depth to water, net Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone, and hydraulic Conductivity) as seven layer in GIS media and finally a groundwater vulnerability map was created by overlaying the available hydrogeological data and categorized to low, moderate, and high risk. The DRASTIC index value was evaluated 81 to 116 for the study area. The vulnerability map created by DRASTIC is compared to nitrate data and the results indicate a relative correlation between the nitrate level and vulnerability index. In order to improve the model, four artificial intelligence (AI) models are adopted by optimizing the weights of the DRASTIC parameters. The four AI models are the Sugeno fuzzy logic (SFL), the Mamdani fuzzy logic (MFL), the artificial neural network (ANN), and the neurofuzzy (NF). For this purpose, the AI model input (the DRASTIC parameters), output (the vulnerability index), and nitrate concentration data was divided into two categories for training and test steps. The output of model in training step was corrected by related nitrate concentration, and after model training, the output of model in test step was verified by nitrate concentration. The results show that the four AI models are applicable to improve the correlation between nitrate level and vulnerability index using DRASTIC model for groundwater vulnerability assessment. The NF model by taking advantage of FL and ANN has the best results that high nitrate level at observation well location has high vulnerable index and was selected as a final model. According to the final model, the western areas of the aquifer are classified as high pollution risk. In conclusion, the AI approach proved to be an effective way to improve the DRASTIC model and provides a confident estimate of pollution risk for the study area.