بهینه‏ سازی مدل دراستیک با استفاده از ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی به‌منظور ارزیابی آسیب ‏پذیری ذاتی آبخوان دشت اردبیل

نویسندگان

1 استادیار گروه علوم زمین، دانشکدۀ علوم طبیعی، دانشگاه تبریز

2 دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

3 استاد گروه علوم زمین دانشکدۀ علوم طبیعی، دانشگاه تبریز

4 دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

doi
10.22059/ije.2015.57300
چکیده

با توجه به افزایش جمعیت و توسعۀ کشاورزی در دشت اردبیل، ارزیابی آسیب‏پذیری آبخوان این دشت برای مدیریت منابع آب زیرزمینی و جلوگیری از آلودگی آب‏های زیرزمینی ضروری است. در این پژوهش آسیب‏پذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک بررسی شد. در مدل دراستیک هفت پارامتر مؤثر در آسیب‏پذیری شامل عمق آب زیرزمینی، تغذیۀ خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر‌اشباع و هدایت هیدرولیکی، به‌صورت هفت لایۀ رستری با مقیاس 30000: 1 تهیه شد و بعد از رتبه‏دهی و وزن‏دهی شاخص دراستیک محاسبه شد که برای دشت اردبیل بین 82 تا 151 به‌دست آمد. سپس به‌منظور بهینه‏سازی مدل دراستیک از مدل ماشین بردار پشتیبان، شبکۀ عصبی پیشرو و شبکۀ عصبی برگشتی استفاده شد تا بدین‌طریق بتوان به نتایج دقیق‏تری از ارزیابی آسیب‏پذیری دست یافت. به این منظور پارامترهای دراستیک به‌عنوان ورودی مدل و شاخص دراستیک به‌عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به 2 دستۀ آموزش و آزمون تقسیم شد. شاخص دراستیک مربوط به مرحلۀ آموزش با مقادیر نیترات مربوط تصحیح شد و بعد از آموزش مدل، در مرحلۀ آزمون نتایج مدل‏ها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که هر سه مدل هوش مصنوعی توانایی زیادی در ارزیابی آسیب‏پذیری آبخوان دارند، اما در این بین، مدل ماشین بردار پشتیبان در مرحلۀ آزمون برای هر سه قسمت شرقی، غربی و جنوبی دشت با کمترین مقدار RMSE به‌ترتیب 74/6، 93/3 و 78/3 و بیشترین مقدار R2 به‌ترتیب 73/0، 79/0 و 72/0نتایج بهتری را در‌بر‌داشت. بر‌اساس این مدل، قسمت‏های شمالی و غربی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.