مقایسه و ارزیابی مدل های هوشمند و زمین آمار به منظور تحلیل تغییرات مکانی کیفیت آب زیرزمینی (دشت کمیجان)

چکیده مبسوط مقدمه و هدف: امروزه با توسعه بخش شهری، صنعتی و کشاورزی استفاده از آب­های زیرزمینی اهمیت بیشتری یافته است. بنابراین پایداری و توسعه بهره برداری از آب های زیرزمینی برای انواع مشتریان و اهداف مختلف، امری ضروری است که ویژگی های کمی و کیفی آن مورد بررسی و ارزیابی قرار گیرد. مواد و روش­ ها: شبکه عصبی تطبیقی فازی (FANN) و روش زمین آماری مبتنی بر سیستم اطلاعات جغرافیایی برای دشت کمیجان، استان مرکزی، ایران استفاده شده است. ابتدا داده های ۳۶ حلقه چاه از شرکت آب و فاضلاب روستایی جمع آوری شد. سپس با استفاده از انواع نیمه واریوگرام مانند: گوسی، خطی، کروی و همچنین کریجینگ و کوکریجینگ، مدل زمین آماری با استفاده از شاخص های R۲ و RMSE مورد ارزیابی قرار گرفت. سپس برای مدل شبکه عصبی تطبیقی فازی توابع عضویت مانند: مثلثی، زنگ تعمیم یافته و گاوسی بررسی شد و بهترین مدل با استفاده از شاخص­ های R۲ و RMSE تعیین شد. یافته­ها: با توجه به نتایج R۲ و RMSE در مدل های زمین آماری، کروی، خطی و نمایی به ترتیب برای متغیرهای EC، TDS و pH بهترین انتخاب شدند. همچنین بر اساس نیمه واریوگرام، روش کریجینگ عملکرد بهتری نسبت به روش کوکریجینگ برای تمامی متغیرهای مورد مطالعه با ضریب تعیین بالا به ترتیب ۰/۷۳، ۰/۶۶ و ۰/۸۵ برای EC، TDS و pH و کمتر در RMSE دارد .نتایج نشان داد که در شبکه عصبی تطبیقی ​​فازی، متغیر EC، تابع زنگ تعمیم یافته فازی با ضریب همبستگی ۰/۹۸ و میانگین مربعات خطای ۱۴۴/۵۴ در مرحله آزمون، خوب است. برای متغیر TDS، تابع گاوسی با ضریب همبستگی ۰/۹۸ و میانگین مربعات خطای ۰/۳۳ ۱۱۹ در مرحله آزمون بهترین است. همچنین برای متغیر pH، تابع زنگ تعمیم یافته با ضریب همبستگی ۰/۹۹ و میانگین مربعات خطای ۱۰۳/۱۰ در مرحله آزمون عملکرد بهتری نسبت به سایر توابع فازی در مدل سازی دارد. با مقایسه نتایج شبکه عصبی تطبیقی ​​زمین آماری و فازی می توان دریافت که مدل FANN نسبت به مدل زمین آماری کارایی بالاتری دارد. نتیجه­ گیری: نتایج نقشه های پهنه بندی نشان داد که در قسمت شمالی دشت EC کم و در مرکز و غرب EC بالای µSiemens/cm ۲۰۰۰ است. همچنین برای متغیر TDS، در قسمت شمالی دشت کم و در جنوب و جنوب غربی بالای ۱۰۰۰ میلی­ گرم در لیتر است. همچنین تغییرات مقدار pH  نشان داد که تغییرات این متغیر کم بوده و بیشترین میزان pH در قسمت شمالی و کمترین آن در قسمت جنوبی است.  

Keywords:

Artificial Neural Network , ANFIS , Co- Kriging , Electrical Conductivity , Kriging , شبکه عصبی مصنوعی , مدل کریجینگ , مدل کوکریجینگ , هدایت الکتریکی , ANFIS