ارزیابی آسیب پذیری آب زیرزمینی آبخوان دهگلان با استفاده از روش دراستیک، شبکه عصبی موجک و الگوریتم ازدحام مرغ

نویسندگان

1 استادیار گروه زمین‌شناسی، دانشگاه ارومیه، ارومیه، ایران

2 دانش‌آموخته کارشناسی‌ارشد، گروه جغرافیا، دانشگاه تبریز، تبریز، ایران

3 استادیار گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد سنندج، سنندج، ایران

doi
10.22084/nfag.2023.27039.1535
چکیده

شرق استان کردستان دارای پتانسیل مناسبی برای ذخیره منابع آب زیرزمینی است. اما بدلیل افزایش بی­رویه در طول سال­های متمادی و کاهش بارندگی­ها حجم ذخایر آبخوان دهگلان واقع در آن کاهش چشم­گیری داشته است و دشت دهگلان جزو دشت­های ممنوعه طبقه­بندی شده است. در این پژوهش به بررسی انتقال و پخش آلودگی در آبخوان دشت دهگلان با استفاده از روش دراستیک پرداخته شد. همچنین جهت مقایسه این روش با روش­های هوشمند از روش شبکه عصبی موجک و الگوریتم ازدحام مرغ استفاده گردید. روش دراستیک یکی از روش­های هم­پوشانی است که با هفت پارامتر اصلی مؤثر شامل عمق آب زیرزمینی، تغذیة خالص، محیط خاک، توپوگرافی، محیط غیراشباع و هدایت هیدرولیکی نقشه­ی حساسیت تهیه می­شود. در روش­های هوشمند پارامترهای دراستیک به عنوان ورودی و شاخص دراستیک به عنوان خروجی به مدل­ها معرفی گردید. برای این منظور هفت لایة رستری با مقیاس 1:25000 در محیط GIS تهیه شد و بعد از رتبه­دهی و وزن­دهی شاخص دراستیک بین 71 تا 153 به­دست آمد. نتایج اجرای مدل شبکة عصبی موجک و الگوریتم ازدحام مرغ به چهار بخش تقسیم­بندی شد، براساس نتایج مشاهده گردید که نقشه­های آسیب­پذیری نشان داد که بخش­های شمال آبخوان دارای پتانسیل آلودگی متوسط و زیادی است و بایستی محافظت بیش­تری از این مناطق صورت گیرد. با توجه به معیارهای ارزیابی نقشه آسیب­پذیری بدست آمده با شبکه عصبی موجک نسبت به الگوریتم ازدحام مرغ عملکرد بهتری داشته است. بطوریکه براساس معیارهای ارزیابی شاخص دراستیک در شبکه عصبی موجک به ترتیب در بخش­های غربی، جنوبی، شرقی و مرکزی (R2=98/0 و 82/0RMSE=)، (R2=8/0 و 51/1RMSE=)، (R2=96/0 و 69/0RMSE=) و (R2=92/0 و 2/1RMSE=) بدست آمد. همچنین در الگوریتم ازدحام مرغ معیارهای ارزیابی به ترتیب در بخش­های غربی، جنوبی، شرقی و مرکزی (R2=8/0 و 51/4RMSE=)، (R2=88/0 و 38/5RMSE=)، (R2=66/0 و 31/4RMSE=) و (R2=84/0 و 01/6RMSE=) بدست آمد. توزیع نیترات با شاخص آسیب­پذیری در حالت بهینه، نتایج بهتری را در پیش­بینی مناطق آلوده داشته است.