سامانه اطلاعات مکانی
مژده مینائی؛ حسین آقامحمدی؛ محمدحسن وحیدنیا؛ امین رضا نشاط؛ سعید بهزادی
چکیده
پیشینه و اهداف: منابع آب زیرزمینی یکی از مهمترین منابع تأمین آب شرب، کشاورزی و صنعتی در مناطق خشک و نیمهخشک به شمار میروند. در سالهای اخیر، افزایش جمعیت، گسترش فعالیتهای کشاورزی و صنعتی، توسعه شهرنشینی و محدودیت منابع آب سطحی موجب افزایش وابستگی به منابع آب زیرزمینی در بسیاری از مناطق ایران شده است. در این میان، افت کیفیت آب ...
بیشتر
پیشینه و اهداف: منابع آب زیرزمینی یکی از مهمترین منابع تأمین آب شرب، کشاورزی و صنعتی در مناطق خشک و نیمهخشک به شمار میروند. در سالهای اخیر، افزایش جمعیت، گسترش فعالیتهای کشاورزی و صنعتی، توسعه شهرنشینی و محدودیت منابع آب سطحی موجب افزایش وابستگی به منابع آب زیرزمینی در بسیاری از مناطق ایران شده است. در این میان، افت کیفیت آب زیرزمینی به دلیل ورود آلایندههای مختلف، بهویژه یونهای محلول نظیر سدیم، سولفات و کل مواد جامد محلول (TDS)، به یکی از مهمترین چالشهای مدیریت منابع آب تبدیل شده است. افزایش غلظت این پارامترها میتواند کیفیت آب را برای مصارف شرب و کشاورزی کاهش داده و آثار نامطلوبی بر محیطزیست و سلامت جوامع انسانی برجای گذارد. از سوی دیگر، روابط بین پارامترهای کیفی آب زیرزمینی ماهیتی پیچیده، غیرخطی و متأثر از عوامل متعدد طبیعی و انسانی دارند که مدلسازی آنها را دشوار میسازد. در چنین شرایطی، استفاده از روشهای هوشمند میتواند به درک بهتر این روابط کمک کند. هدف این پژوهش، مدلسازی و تحلیل روابط بین آلایندههای اصلی آب زیرزمینی در استان مرکزی با استفاده از سیستم استنتاج فازی–عصبی تطبیقی (ANFIS) و ارزیابی توانایی این روش در پیشبینی و تحلیل تغییرات زمانی کیفیت آب زیرزمینی است..
روشها: در این مطالعه، دادههای کیفی آب زیرزمینی شامل پارامترهای سدیم، سولفات و کل مواد جامد محلول (TDS) برای سه دوره زمانی ۱۳۹۶، ۱۳۹۹ و ۱۴۰۲ از چاههای پایش استان مرکزی جمعآوری و مورد بررسی قرار گرفتند. در مرحله نخست، دادهها از نظر صحت و کیفیت مورد ارزیابی قرار گرفته و عملیات پیشپردازش شامل حذف دادههای پرت و آمادهسازی دادهها برای ورود به مدل انجام شد. سپس بهمنظور شبیهسازی روابط غیرخطی بین پارامترهای کیفی، از سیستم استنتاج فازی–عصبی تطبیقی (ANFIS) در محیط نرمافزار MATLAB استفاده شد. برای افزایش دقت مدل، ساختارهای مختلف ANFIS شامل روشهای Grid، FCM و Subtractive در کنار الگوریتمهای بهینهسازی هیبرید و پسانتشار خطا مورد ارزیابی قرار گرفتند. همچنین 20 درصد دادهها برای آموزش مدل و 80 درصد برای آزمون و ارزیابی عملکرد آن در نظر گرفته شد. عملکرد مدلها با استفاده از شاخصهای آماری ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب تعیین (R²) ارزیابی گردید.
یافتهها: نتایج مدلسازی نشان داد که سیستم ANFIS توانایی بالایی در شناسایی و بازتولید روابط پیچیده و غیرخطی بین پارامترهای کیفی آب زیرزمینی دارد. مقادیر بهدستآمده برای شاخصهای RMSE و MAE در بسیاری از مدلها نسبتاً پایین بوده و ضرایب تعیین مثبت و قابل قبول، بیانگر دقت مناسب مدل در پیشبینی پارامترهای مورد مطالعه هستند. نتایج همچنین نشان داد که عملکرد مدلها در دورههای زمانی مختلف متفاوت بوده و به نوع ساختار فازی و الگوریتم بهینهسازی مورد استفاده وابسته است. در اغلب موارد، مدلهای مبتنی بر روش Grid همراه با بهینهسازی هیبرید عملکرد مطلوبتری از نظر تعادل بین خطای پیشبینی و توان توضیح واریانس دادهها ارائه کردند. با این حال، در برخی دورهها، بهویژه سال ۱۴۰۲، کاهش دقت برخی مدلها و مشاهده ضرایب تعیین پایین یا منفی نشاندهنده افزایش پیچیدگی الگوهای کیفی آب زیرزمینی و دشواری پیشبینی آنها بوده است.
نتیجهگیری: بهطور کلی، نتایج این پژوهش نشان داد که روش ANFIS ابزاری کارآمد و قابل اعتماد برای مدلسازی پارامترهای کیفی آب زیرزمینی و تحلیل روابط میان آنها است. این روش با بهرهگیری از قابلیتهای یادگیری شبکههای عصبی و توان استدلال منطق فازی، قادر است الگوهای پیچیده حاکم بر کیفیت آب زیرزمینی را با دقت مناسبی شبیهسازی کند. نتایج همچنین نشان داد که انتخاب ساختار مناسب سیستم فازی و روش بهینهسازی تأثیر قابل توجهی بر عملکرد مدل دارد. با توجه به اهمیت منابع آب زیرزمینی در تأمین آب شرب و کشاورزی استان مرکزی، استفاده از مدلهای هوشمند مبتنی بر ANFIS میتواند به بهبود فرآیندهای پایش، شناسایی مناطق بحرانی، پیشبینی روند تغییرات کیفیت آب و اتخاذ تصمیمات مدیریتی مؤثر کمک کند. همچنین بهکارگیری رویکردهای مشابه در سایر مناطق کشور میتواند نقش مهمی در حفاظت از منابع آب زیرزمینی، ارتقای مدیریت پایدار منابع آب و تضمین پایداری زیستمحیطی ایفا نماید.
