بهبود نتایج حاصل از مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز

آلودگی آب های زیرزمینی یک فرآیند پیچیده و پر از عدم قطعیت، در مقیاس منطقه ای می باشد. توسعه یک روش یکپارچه جهت ارزیابی آسیب پذیری آبخوان ها، می تواند به منظور مدیریت بهینه و حفاظت از آن ها کارامد باشد. دشت رامهرمز به دلیل داشتن خاک حاصلخیز و منابع آب کافی دارای زمین های مستعد کشاورزی است که به دلیل توسعه کشاورزی، استفاده از کودهای شیمیایی و مواد آفت کش همواره در معرض خطر آلودگی قرار دارد. یکی از راه های مناسب برای جلوگیری از آلودگی آب های زیرزمینی، شناسایی مناطق دارای پتانسیل آلودگی می باشد. هدف از مطالعه حاضر، تهیه نقشه آسیب پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از مدل دراستیک و سپس بکارگیری روش های هوش مصنوعی جهت بهبود نتایج حاصل از مدل دراستیک است. با توجه به اهمیت منابع آب زیرزمینی در منطقه مورد مطالعه که برای مقاصد مختلف از جمله کشاورزی مورد استفاده قرار می گیرد، مطالعه آسیب پذیری آبخوان و حفاظت این مناطق برای توسعه و مدیریت بهینه منابع آب ضروری به نظر می رسد.
در این مطالعه، ارزیابی آسیب پذیری آبخوان آبرفتی دشت رامهرمز در ابتدا با استفاده از مدل دراستیک انجام شد و در ادامه از روش های هوش مصنوعی جهت بهینه سازی مدل استفاده گردید. مدل دراستیک شامل پارامترهای: عمق تا سطح ایستابی، تغذیه، جنس سفره، نوع خاک، توپوگرافی، مواد تشکیل دهنده منطقه غیراشباع و هدایت هیدرولیکی می باشد که در ارزیابی آسیب پذیری سفره آب زیرزمینی موثر هستند. این روش بر اساس وزن های استاندارد پارامترهای مدل دراستیک و لایه های بدست آمده برای هر یک از هفت پارامتر میزان آسیب پذیری آبخوان را محاسبه می نماید. پس از آماده-سازی لایه ها، آسیب پذیری آبخوان آبرفتی دشت رامهرمز با استفاده از روش دراستیک، تعیین گردید. هم چنین نقشه آسیب پذیری آبخوان و شاخص دراستیک برای کل منطقه محاسبه شد. به منظور ارزیابی دقت نتایج این مدل، از داده های غلظت نیترات موجود در آبخوان جهت صحت سنجی استفاده شده است. در ادامه به منظور بهبود نتایج، مدل دراستیک با روش های شبکه عصبی مصنوعی، منطق فازی( سوگنو و ممدانی) و سیستم استنتاج تطبیقی عصبی- فازی تلفیق شد و چهار نقشه آسیب پذیری با استفاده از مدل های مختلف هوش مصنوعی حاصل گردید.
نقشه آسیب پذیری آبخوان نسبت به آلودگی، با تقسیم بندی به سه محدوده آسیب پذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 48 تا 156 محاسبه گردید. ضریب همبستگی 97/0 بین شاخص دراستیک و غلظت نیترات نشان دهنده دقت نسبتا مناسب این روش است. نتایج نشان داد که مدل های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارا می باشند. با مقایسه نتایج مدل ها می توان نتیجه گرفت که مدل سیستم استنتاج تطبیقی عصبی- فازی بهترین نتیجه را در بردارد.
ضریب تعیین (R2) برای مدل های سیستم استنتاج تطبیقی عصبی- فازی، شبکه عصبی و مدل های فازی سوگنو و ممدانی به ترتیب 99/0، 94/0، 98/0 و 87/0 بدست آمد. طبق مدل نهایی، نواحی جنوب- جنوب شرقی منطقه دارای بیشترین میزان پتانسیل آلودگی هستند.