استقاده از شبكه عصبي - فازي تطبيق پذير ANFIS به منظور پيش بيني كيفيت آب زيرزميني در غرب استان فارس طي سال هاي 1383 تا 1393

Using adaptive Neuro-Fuzzy network (ANFIS) to predict underground water quality in west of Fars province during 2003 to 2013 period

با توجه به كاهش بارندگي و استفادۀ بيش از حد از آب‌هاي زير‌زميني، بررسي كيفيت آنها از مهم‌ترين چالش‌هاي بحث‌شده در مناطق مختلف از جمله ايران است. تخمين كيفيت آب از طريق مدل سازي، از جمله استفاده از شبكه هاي عصبي، موجب كاهش هزينه و مديريت بهتر مي شود. بنابراين، تحقيق حاضر با هدف بررسي كيفيت آب زيرزميني در يك دورۀ 10 ساله (1383 تا 1393) با استفاده از شبكه هاي عصبي‌ ـ فازي تطبيق پذير (ANFIS) در غرب استان فارس انجام گرفت. در اين مطالعه از سه روش grid partitioning، clustering sub و FCM در دو حالت هيبريد و پس‌انتشار خطا به‌منظور پيش بيني كيفيت آب زير‌زميني استفاده شد. پارامترهاي آموزش در اين مطالعه، هدايت الكتريكي (EC) و نسبت جذب سديم (SAR) هستند. همچنين براي آموزش شبكه از كلاس هاي كيفيت آب تهيه‌شده توسط دياگرام ويلكاكس استفاده شد. در آلودگي شيميايي، طبق دياگرام ويلكاكس نسبت جذب سديم و هدايت الكتريكي مهم‌ترين فاكتورهايي هستند كه با اندازه گيري آنها مي‌توان آب منطقۀ مطالعه‌شده را در كلاس هاي مختلف مانند خيلي مناسب، مناسب و نامناسب براي آبياري كلاس‌بندي كرد. بر اساس نتايج از بين مدل هاي مختلف پيش‌بيني كيفيت آب زيرزميني، مدل هيبريد در روش FCM با بيشترين (R (0/99 و كمترين خطا، بيشترين دقت در پيش‌بيني كيفيت آب زيرزميني منطقۀ مطالعه‌شده را دارد.

Due to the reduced rainfall and overuse of underground water, checking the water quality is one of the most important challenges discussed in various areas, such as Iran. Estimation of water quality using models such as neural network results in costs reduction and better management. The current study aims is to assess ground water quality using adaptive fuzzy neural network (ANFIS) in the west of Fars province during 2003 to 2013 period. Three methods including grid partitioning, sub-clustering and FCM with two models of Hybrid and back propagation were used to predict the quality of ground water for the study area. In this study, electrical conductivity (EC) and sodium adsorption ratio (SAR) were used to train the neural network. In addition, water quality class diagram Wilcox was used to train the network. In chemical pollution, according to Wilcox diagram, EC and SAR are the most important factors based on which waters can be classified in different classes such as very appropriate, suitable and unsuitable for agriculture. Results show that among various models provided to predict groundwater quality, Hybrid models in FCM method have the greatest accuracy for the prediction of water quality in the study area with a maximum R (0.99) and minimum error.