تعیین آسیب پذیری آبخوان با روش دراستیک استاندارد و روش های داده مبنا (مطالعه موردی: آبخوان کوچصفهان)

در سال های اخیر، افزایش جمعیت و به تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب های زیرزمینی، به دلیل توسعه صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیه نقشه پهنه بندی مناطق آسیب پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آلودگی منابع آب زیرزمینی است. در این پژوهش، برای تهیه نقشه پهنه بندی پتانسیل آسیب پذیری آبخوان دشت آستانه، در منطقه کوچصفهان از توابع استان مازندران، روش دراستیک ((DRASTIC به کار گرفته شد که یکی از کاربردی ترین روش های هم پوشانی است. برای صحت سنجی مدل، از داده های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب های زیرزمینی برای کشاورزی و تامین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفاده بی رویه ازکودهای شیمیایی، به ویژه کودهای نیتروژن دار، برای افزایش محصول و نداشتن دقت لازم در تصفیه فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای موثر بر افزایش مقدار نیترات در آب های زیرزمینی منطقه شمرده می شود. ازاین رو، بررسی آلودگی نیترات که یکی از مهم ترین مسائل زیست محیطی در آب های زیرزمینی است، به صورت منظم و دوره ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب پذیری این منطقه معرفی شد. نتایج نشان داد آسیب پذیری آبخوان دشت آستانه کوچصفهان در چهار محدوده قرار دارد. ۱۸/۵۶% دشت دارای آسیب پذیری کم، ۵۱.۲۹% دارای آسیب پذیری اندک تا متوسط، ۲۸.۴۶% دارای آسیب پذیری متوسط تا زیاد و ۱/۶۷% دارای آسیب پذیری زیاد است. میزان همبستگی بین شاخص دراستیک (شاخص آسیب پذیری) با غلظت نیترات ۸۰% به دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکه عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه گیری و پهنه بندی شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دسته آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل های هوش مصنوعی به کار گرفته شده تخمین مناسبی از مقدار نیترات می دهند اما، در این میان، مدل شبکه عصبی بهترین نتایج را دربر داشت؛ به طوری که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی ۹۸ درصدی دیده شد. در ادامه، با انتخاب مدل شبکه عصبی به منزله مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین زده شده با مقدار واقعی نیترات اندازه گیری شده برابر ۰.۹۰ است. درنتیجه، می توان تخمین مناسبی از مقدار نیترات و نیز آسیب پذیری این منطقه داشت. این نکته برتری روش های هوش مصنوعی در بررسی آسیب پذیری را، ور مقایسه با روش دراستیک، نشان می دهد. نتایج نشان داد که مدل های هوش مصنوعی روشی کارآ در تخمین آسیب پذیری آبخوان محسوب می شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقه مورد مطالعه می دهند.

کلیدواژه ها:

آسیب پذیری ، دراستیک ، GIS ، شبکه عصبی و فازی ، ماشین بردار پشتیبان