فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و هدفمنابع آب زیرزمینی به‌عنوان بخش بزرگی از منابع آب شیرین جهان، نقش حیاتی در تأمین نیازهای بشر و حفظ بوم‌نظام‌ها دارند. از سوی دیگر، بهره‌برداری بی‌رویه، تغییرات اقلیمی و آلودگی، این منابع ارزشمند را با چالش‌های جدی مواجه ساخته است. کاهش سطح آب، کاهش کیفیت و فرونشست زمین از جمله پیامدهای منفی برداشت بیش از حد آب زیرزمینی است. مدیریت مؤثر و پایدار این منابع، مستلزم پایش دقیق و ارزیابی مستمر وضعیت کمی و کیفی آنهاست. شبکه‌های پایش آب‌های زیرزمینی، با جمع‌آوری داده‌های مربوط به سطح و کیفیت آب، امکان ارزیابی وضعیت منابع و شناسایی مشکلات را فراهم می‌کند. از سوی دیگر، طراحی بهینه این شبکه‌ها، با توجه ‌به محدودیت‌های هزینه‌ای و عملیاتی، چالش‌برانگیز است. هدف این پژوهش، بررسی و بهینه‌سازی شبکه چاه‌های مشاهده‌ای موجود در دشت شمیل-آشکارا در شمال‌شرقی استان هرمزگان با استفاده از روش‌های داده‌کاوی و هوش مصنوعی، شامل تحلیل سلسله‌مراتبی (AHP)، تحلیل مؤلفه‌های اصلی (PCA) و الگوریتم ژنتیک مرتب‌سازی نامغلوب نوع دوم (NSGA-II) بود. در این پژوهش، افزون بر بررسی بهبود کارایی شبکه پایش و کاهش هزینه‌های مرتبط، مکان‌های بهینه برای ساخت چاه‌های مشاهده‌ای جدید نیز تعیین شد.مواد و روش‌هامنطقه مطالعه‌شده، دشت شمیل-آشکارا در شمال‌شرقی استان هرمزگان، با مساحت 321/93 کیلومترمربع، همراه با سازندهای زمین‌شناسی متنوعی (شامل بنگستان، آغاجاری، گچساران، آسماری، رازک، هرمز، گورپی، میشان و آبرفت‌های کواترنر) بود. آبخوان مطالعه‌شده در سازندهای کواترنر بود و کاربری زمین آن شامل مراتع فقیر، کشاورزی و مسکونی بود. در این پژوهش، ابتدا با استفاده از روش AHP، مکان‌های مناسب برای ساخت چاه‌های مشاهده‌ای تعیین شد. هشت معیار شامل میانگین سطح آب زیرزمینی بلندمدت، نرخ کاهش سالانه، شیب تغییرات کاهش، تراکم چاه‌های بهره‌برداری، فاصله از رود، سازند زمین‌شناسی، کاربری زمین و فاصله از گسل درنظرگرفته شد. وزن هر معیار با استفاده از مقایسه‌های زوجی و نرم‌افزار Expert Choice محاسبه شد. سپس، با استفاده از نرم‌افزار ArcGIS، نقشه پایانی اولویت‌بندی مکان‌های مناسب تهیه شد. در گام بعد، شبکه پایش کنونی با نتایج مکان‌یابی مقایسه شد. با استفاده از شبکه‌های تیسن و محاسبه میانگین امتیازات مکان‌یابی در هر چندضلعی، چاه‌های کم‌اهمیت شناسایی شدند. برای اطمینان از صحت انتخاب، آزمون‌های همگنی داده‌ها روی چاه‌های کم‌اهمیت انجام شد. سپس، با استفاده از روش PCA، اهمیت نسبی چاه‌های پایش، تعیین شد. با حذف متوالی هر چاه و محاسبه ضریب همبستگی میان داده‌های چاه‌های باقی‌مانده و اولین مؤلفه اصلی (PC1)، اهمیت نسبی هر چاه محاسبه شد. همچنین، نبودن قطعیت ناشی از حذف چاه‌های کم‌اهمیت با استفاده از میانگین ضریب تغییرات سطح آب زیرزمینی ارزیابی شد. برای بررسی اثر حذف چاه‌های کم‌اهمیت بر خطای درون‌یابی، از روش کریجینگ استفاده شد. دو سناریو شامل استفاده از تمام چاه‌ها و حذف چاه‌های کم‌اهمیت بررسی شد و خطای استاندارد و RMSE محاسبه شد. در پایان، با استفاده از الگوریتم NSGA-II، شبکه بهینه چاه‌های مشاهده‌ای تعیین شد. دو تابع هدف شامل تعداد چاه‌های مشاهده‌ای و RMSE سطح آب زیرزمینی کمینه شدند. روش IDW برای برآورد سطح آب زیرزمینی در چاه‌های حذف‌شده استفاده شد.نتایج و بحثنتایج AHP نشان داد که بیشترین اولویت ساخت چاه مشاهده‌ای به‌دلیل تمرکز فعالیت‌های کشاورزی، تراکم زیاد چاه‌ها و کاهش شدید سطح آب مربوط به مناطق جنوبی و جنوب‌شرقی بود. در این تحلیل، بیشترین اهمیت مربوط به معیار تراکم چاه‌های بهره‌برداری با وزن 0/327 بود و پس از آن معیار کاهش سطح آب زیرزمینی (0/245) و کاربری زمین (0/15) بودند. نرخ ناسازگاری 0/04 محاسبه شد که نشان‌دهنده سازگاری مناسب قضاوت‌های خبرگان بود. مقایسه شبکه پایش کنونی با نتایج AHP نشان داد که پنج چاه (W7، W9، W12، W14 و W16) با میانگین امتیاز مکان‌یابی کمتر از 0/113 از دیدگاه موقعیت مکانی نامناسب بودند. آزمون‌های همگنی داده‌ها با استفاده از روش Pettitt و p-value کمتر از 0/05 نیز بیانگر نبودن همگنی داده‌های این چاه‌ها بود. نتایج PCA نشان داد که چاه‌های کم‌اهمیت شناسایی‌شده با این روش (W8، W10، W18، W21 با ضریب‌های همبستگی کمتر از 0/20)، با چاه‌های شناسایی‌شده با روش AHP متفاوت بودند که این تفاوت به‌دلیل تفاوت ساختار و داده‌های ورودی دو روش بود. زیرا، در روش PCA صرفاً از داده‌های سطح آب استفاده می‌شود، اما در روش AHP معیارهای بیشتری درنظرگرفته می‌شود. بررسی نتایج کریجینگ نشان داد که حذف چاه‌های کم‌اهمیت بر اساس AHP منجر به کاهش خطای استاندارد درون‌یابی از میانگین 4/8 به 4/2 متر شد. همچنین، حذف چاه‌ها بر اساس PCA باعث افزایش این خطا از 4/8 به 3/5 متر شد. از سوی دیگر، در هر دو روش، حذف چاه‌های کم‌اهمیت باعث افزایش RMSE شد. در روش AHP ریشه میانگین مربعات خطا، از 14/22به 17/08 متر (20/1 % افزایش) و در روش PCA از 14/22 به 14/41 متر (1/3% افزایش) یافت. الگوریتم NSGA-II برای شبکه پایش، پیکربندی بهینه‌ای 16 چاهی را پیشنهاد داد که در مقایسه با شبکه اولیه 28 چاهی، 43% در تعداد چاه‌ها کاهش مشاهده شد. افزون بر این، RMSE فقط 3/7% (از 14/22 به 15/26 متر) افزایش یافت. ضریب تغییرات سطح آب زیرزمینی در شبکه بهینه 0/89 محاسبه شد که نزدیک به اندازه‌ آن در شبکه اصلی (0/92) بود. این یافته نشان‌دهنده حفظ اطلاعات مهم آب‌زمین‌شناختی در شبکه کاهش‌یافته بود.نتیجه‌گیری و پیشنهادهاروش AHP برای تعیین مکان‌های بهینه چاه‌های مشاهده‌ای کارآمد بود و استفاده از آن در سایر دشت‌ها نیز توصیه می‌شود. همچنین، پیشنهاد می‌شود برای بهبود کارایی این روش، از متغیرهای دیگر و خروجی مدل‌های آب زیرزمینی استفاده شود. افزون بر این، استفاده از روش‌های PCA و NSGA-II سبب بهینه‌سازی شبکه‌های پایش خواهد شد.