استفاده از رویکرد یادگیری عمیق در افزایش کارایی شاخص آسیب‌پذیری آبخوان آبرفتی (منطقه مورد مطالعه: آبخوان ساحلی آمل-بابل)

نویسندگان

1 دانشیار دانشکده محیط زیست پردیس فنی دانشگاه تهران

2 دانشجوی دکتری، دانشکده محیط زیست پردیس بین المللی کیش دانشگاه تهران، کیش

3 عضو هیات علمی گروه آب پردیس ابوریحان دانشگاه تهران

doi
10.22059/ije.2024.373124.1801
چکیده

این تحقیق با هدف ارزیابی آسیب‌ پذیری آبخوانها با مقایسه دو رویکرد یادگیری عمیق و یادگیری ماشین در واسنجی شاخص انجام شده است. براین اساس با تحلیل آسیب‌پذیری ذاتی آبخوان آمل-بابل با شاخص DRASTIC پهنه‌‌های حساس آبخوان مشخص گردید. نتایج شاخص آسیب‌ پذیری نشان داد که بخش شمالغربی آبخوان نسبت به سایر مناطق دارای حساسیت بالاتری است. بررسی مقدار همبستگی بین غلظت نیترات به عنوان یک شاخص تاثیرگذار با شاخص آسیب‌پذیری DRASTIC حاکی از مقدار 24 درصد است که این مقدار نیازسنجی به واسنجی را نشان داد. براین اساس با دو روش CNN-Harris Hawks و LSTM-MPA به عنوان رویکردهای یادگیری عمیق، واسنجی وزن و رتبه‌های شاخص به عنوان متغیر تصمیم با هدف حداکثرسازی همبستگی غلظت نیترات و شاخص آسیب‌ پذیری انجام گرفت. نتایج نشان داد که روش CNN-HH با همبستگی 0/62 نسبت به روش LSTM-MPA با همبستگی 0/59دارای برتری است. پهنه‌های آسیب‌پذیری در شرایط واسنجی نشان داد که بخش غربی و شمال شرقی دارای آسیب‌ پذیری بالاتری است. از طرفی وزن و رتبه‌های واسنجی شده حاکی از افزایش کلیه وزن و رتبه‌ها در شرایط واسنجی نسبت به شرایط اولیه بوده که این موضوع پس از تحلیل رویکردهای بهینه‌سازی مشخص شد