ارزیابی چند مدل هوش مصنوعی برای پیش بینی کیفیت آب زیرزمینی (مطالعه موردی: دشت گرو)

مدل­سازی مناسب کیفیت آب­زیرزمینی از ابزارهای مهم برنامه­ریزی و تصمیم­گیری در مدیریت منابع آب است. در این مطالعه به منظور مدلسازی تغییرات متغیرهای کیفی آب­زیرزمینی دشت گرو از داده­های ۱۴ چاه در  دوره آماری (۱۳۸۸ تا ۱۳۹۵) استفاده شد. متغیرهای Na، Mg، Ca،SO۴، Cl و  HCO۳به عنوان متغیر مستقل و EC، SAR، TDS و TH به عنوان متغیر وابسته در نظر گرفته شد. از روش­های ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی برای مدل­سازی متغیرهای کیفی آب­زیرزمینی استفاده شد. به منظور تخمین کیفیت آب­زیرزمینی کل داده­ها به صورت تصادفی به دو دسته آموزشی (۸۰ درصد کل داده­ها) و آزمایشی (۲۰ درصد کل داده­ها) تقسیم شد. نتایج حاصل از مدل­سازی متغیرهای کیفی آب­زیرزمینی در دشت گرو نشان داد که شبکه عصبی-فازی تطبیقی در متغیرهای EC (۹۹/۰=R۲، ۱۳/۱۰۹= RMSE و ۹۹/۰ =CE)، SAR (۹۸/۰=R۲، ۲۸/۰= RMSE و ۹۸/۰ =CE) و TH (۹۹/۰=R۲، ۴۹/۰= RMSE و ۹۹/۰ =CE) نسبت به دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان عملکرد بهتری دارد و در متغیر TDS مدل شبکه عصبی مصنوعی (۹۹/۰=R۲، ۱۳/۱۰۹= RMSE و ۹۹/۰ =CE) نسبت به دو مدل دیگر کارایی بهتری داشته است. به منظور پهنه­بندی تغییرات کیفیت آب­زیرزمینی از مدل­های انتخاب شده بر اساس دو طبقه­بندی کیفیت آب شرب شولر و کشاورزی ویلکوکس استفاده گردید. نتایج حاصل از پهنه­بندی براساس طبقه­بندی آب شولر نشان داد که متغیر TDS داری سه طبقه نامناسب (۱/۲۱%)، بد (۵۹/۷۴%) و غیرقابل شرب (۳۱/۴%) و متغیرTH  دارای ۴ طبقه خوب (۸۵/۰%)، قابل قبول (۴۸/۲۳%)، نامناسب (۵۵/۶۷%) و بد (۱۲/۸%) می­باشد. نتایج پهنه­بندی بر اساس طبقه­بندی ویلکوکس نیز نشان داد که متغیر EC داری سه طبقه عالی (۴۱/۹%)، خوب (۷۹/۸۹%) و متوسط (۸/۰%) و متغیر SAR دارای دو طبقه عالی (۱۹%) و خوب (۸۱%) می­باشد.

Keywords:

پهنه بندی , شبکه عصبی فازی تطبیقی , شبکه عصبی مصنوعی , کیفیت آب زیرزمینی و ماشین بردار پشتیبان