نوع مقاله : مقاله پژوهشی

نویسندگان

• مژده مینائی ¹
• حسین آقامحمدی ¹
• محمدحسن وحیدنیا ²
• امین رضا نشاط ¹
• سعید بهزادی ³

¹ گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

² گروه مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

³ گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

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 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.

کلیدواژه‌ها

• کیفیت آب زیرزمینی
• سیستم استنتاج فازی عصبی تطبیقی
• کل جامدات محلول
• سولفات
• سدیم

موضوعات

• سامانه اطلاعات مکانی

عنوان مقاله [English]

Modeling groundwater quality parameters using adaptive neural fuzzy inference system (ANFIS) (Case study of Markazi Province)

نویسندگان [English]

• mojde minaei ¹
• hossein aghamohammadi ¹
• Mohammad Hasan Vahidnia ²
• Amin Reza Neshat ¹
• Saeed Behzadi ³

¹ Department of Remote Sensing and GIS, Faculty of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Center for Remote Sensing and GIS Research, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

³ Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

Background and Objectives: Rapid population growth, industrial and agricultural expansion, and the limited availability of surface water resources have significantly increased dependence on groundwater in arid and semi-arid regions of Iran. Groundwater serves as a vital source of water for domestic consumption, agricultural irrigation, and industrial development, particularly in regions where alternative water resources are scarce. However, groundwater quality has been increasingly threatened by various pollutants, particularly dissolved ions such as sodium, sulfate, and total dissolved solids (TDS), originating from both natural hydrogeochemical processes and anthropogenic activities. Elevated concentrations of these parameters can reduce water suitability for drinking and irrigation purposes and may have adverse environmental and socioeconomic impacts. Understanding the complex relationships among groundwater quality parameters is therefore essential for effective water resource management and long-term sustainability. In recent years, artificial intelligence-based techniques have emerged as powerful tools for modeling environmental systems characterized by nonlinear and uncertain relationships. The primary objective of this study is to model and analyze the interactions among major groundwater quality pollutants in Markazi Province using the Adaptive Neuro-Fuzzy Inference System (ANFIS), with the aim of identifying temporal variations in groundwater quality and providing a scientific basis for sustainable groundwater management.
Methods: In this study, groundwater quality data including sodium, sulfate, and TDS were collected from monitoring wells distributed across Markazi Province for three time periods corresponding to the years 2017, 2020, and 2023. Prior to modeling, several preprocessing procedures, including data screening, normalization, and outlier removal, were applied to improve data quality and ensure reliable model development. The ANFIS modeling framework was implemented in the MATLAB environment to capture the nonlinear relationships among the selected groundwater quality parameters. Different fuzzy inference structures, including Grid Partitioning, Fuzzy C-Means (FCM), and Subtractive Clustering, were evaluated in combination with hybrid and backpropagation optimization algorithms. The dataset was divided into training (20%) and testing (80%) subsets to assess model generalization capability. Model performance was evaluated using Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and the coefficient of determination (R²).
Findings: The modeling results demonstrated that ANFIS is capable of effectively identifying and reproducing complex nonlinear relationships among groundwater quality parameters. The evaluation metrics indicated satisfactory predictive performance for most of the investigated models. In general, models based on Grid Partitioning combined with hybrid optimization produced more reliable results in the earlier study periods, exhibiting lower prediction errors and higher coefficients of determination. The results also revealed that model performance varied among the investigated years, reflecting temporal changes in groundwater quality conditions and data characteristics. While positive R² values and relatively low RMSE and MAE values confirmed the effectiveness of ANFIS in most cases, some models developed for the 2023 dataset showed weaker performance, indicating increased complexity and variability in groundwater quality patterns. Nevertheless, the overall findings confirmed the capability of ANFIS to model groundwater quality parameters with acceptable accuracy.
Conclusion: Overall, the findings of this study confirm that ANFIS is a reliable and efficient tool for groundwater quality modeling and can be applied as an intelligent decision-support system for regional groundwater monitoring and management. The results highlight the importance of selecting appropriate fuzzy inference structures and optimization algorithms to achieve accurate predictions. Considering the critical role of groundwater resources in supplying drinking water and supporting agricultural activities in Markazi Province, the application of ANFIS-based models can enhance management strategies, assist in identifying vulnerable and critical areas, and contribute to the prevention of further groundwater quality degradation. Furthermore, the use of similar intelligent modeling approaches in other regions with comparable hydrogeological conditions can improve groundwater resource management, support sustainable development goals, and contribute to long-term environmental sustainability.

کلیدواژه‌ها [English]

• Groundwater Quality
• ANFIS
• TDS
• Sulfate
• Sodium

COPYRIGHTS

© 2026 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

(https://creativecommons.org/licenses/by-nc/4.0/)