مقایسه روش های شبکه عصبی و نروفازی برای بهبود چهار چوب عملی دراستیک (مطالعه موردی: آبخوان دشت شبستر)

رشد روزافزون جمعیت و افزایش نیازهای آبی، استفاده از منابع آب شیرین بویژه منابع آب زیرزمینی را افزایش داده است. به همین جهت ارزیابی آسیب پذیری آب های زیرزمینی روشی مناسب برای شناخت مناطق آسیب-پذیر و محافظت از این منابع به شمار می رود. دشت شبستر در استان آذربایجان شرقی یک منطقه فعال از نظر کشاورزی است و استفاده از منابع آب زیرزمینی در آن به علت کمبود منابع سطحی از اهمیت فوق العاده زیادی برخوردار است. در این مطالعه از چهار چوب عملی دراستیک برای ارزیابی آسیب پذیری آبخوان دشت شبستر استفاده شده است. مقدار شاخص آسیب پذیری دراستیک در منطقه مورد مطالعه برابر۳/۵۳ تا ۳/۱۱۸محاسبه شد. با توجه به اینکه ضرایب وزنی اختصاص یافته به هر پارامتردراستیک، تا حدودی از روی نظر کارشناسی است بنابراین هدف اصلی این مطالعه بهبود دراستیک با دو مدل شبکه عصبی و نروفازی بوده است. ورودی های دراستیک به عنوان ورودی هر دو مدل هوش مصنوعی قرار داده شدند. شاخص دراستیک تصحیح شده با غلظت نیترات به عنوان خروجی مدل در نظر گرفته شد. مقادیر نیترات به دو دسته آموزش و آزمایش دسته بندی شد. پس از آموزش هر دو مدل، نتایج مدل در مرحله آزمایش با غلظت نیترات مورد ارزیابی قرار گرفت. نتایج نشان داد هر دو مدل هوش مصنوعی توانایی بالایی جهت بهبود مدل دراستیک دارند. با این وجود مدل نروفازی با داشتن ضریب همبستگی بالاتری با نیترات روشی مناسب جهت ارزیابی آسیب پذیری آبخوان دشت شبستر بوده است.

کلیدواژه ها:

آسیب پذیری ، بهینه سازی ، دشت شبستر ، شبکه عصبی ، نروفازی