کاربرد شبکه عصبی کانولوشن برای پهنه بندی آسیب پذیری آبخوان در برابر آلودگی

ارزیابی آسیب پذیری آبهای زیرزمینی ابزاری کلیدی برای مدیریت پایدار منابع آب به شمار میرود به ویژه در مناطقی که تحت فشارهای فزاینده انسانی و تغییرات اقلیمی قرار دارند. چارچوب سنتی BDF) DRASTIC) کاربرد گسترده ای یافته است اما به دلیل اتکای زیاد به مقادیر نرخ و وزن تعیین شده توسط کارشناسان، با عدم قطعیت ذاتی مواجه است. به منظور رفع این محدودیت در این پژوهش رویکردی نوین مبتنی بر شبکه عصبی کانولوش (CNN) توسعه داده شد تا شاخصهای آسیب پذیری آبخوان استخراج شوند. سه تعریف از آسیب پذیری آبخوان مبنای طراحی سه شاخص قرار گرفت: شاخص آسیب پذیری ذاتی (IVIT)، شاخص آسیب پذیری ویژه (SVI۴) و شاخص آسیب پذیری کل (TVI) برخلاف IVI، دو شاخص SVI و TVI غلظت نیترات را در نظر گرفتند تا جنبه آلودگی محور آسیب پذیری نیز لحاظ شود. روش پیشنهادی در آبخوان ارومیه واقع در شمال غرب ایران پیاده سازی شد جایی که آب زیرزمینی نقش حیاتی در تامین مصارف کشاورزی و شرب دارد. شاخصهای مبتنی بر CNN توانستند نقاط بحرانی آلودگی را شناسایی کنند و در مقایسه با نقشه های BDF از بروز تغییرات ناگهانی در کلاسهای آسیب پذیری جلوگیری نمایند. عملکرد مدلها بر اساس نمودار ROC و مقادیر AUC ارزیابی شد که به ترتیب برابر با ۸۱ برای BDF ۹۱ برای IVI و ۰/۹۵ برای هر دو شاخص SVI TVI بود. نتایج نشان دادند که CNN موجب بهبود چشمگیر پهنه بندی آسیب پذیری از طریق کاهش عدم قطعیت و ارائه الگوهای مکانی واقع بینانه تر میشود. علاوه بر این، اگرچه مقادیر AUC برای SVI و TVI یکسان بودند اما توزیع های مکانی آنها تفاوت قابل توجهی داشت که بیانگر بینشهای مکمل ارائه شده توسط انواع مختلف شاخصهای آسیب پذیری است به طور کلی چارچوب توسعه یافته مبتنی بر CNN دقت ارزیابی آسیب پذیری آبخوانها را ارتقا می دهد. نتایج نشان میدهد که این رویکرد میتواند به عنوان ابزاری کارآمد در پشتیبانی تصمیم گیری به کار رود به گونه ای که IVI برای نقشه برداری آسیب پذیری ذاتی و SVI و TVI برای مدیریت ریسک های آلودگی نیترات مناسب تر هستند. این دستاورد مسیر نوید بخشی برای ادغام یادگیری ماشین در مطالعات آینده آسیب پذیری آبهای زیرزمینی ارائه میکند.

کلیدواژه ها:

آبهای زیرزمینی ، آسیب پذیری ، آبخوان ، مدل DRASTIC ، شبکه عصبی کانولوشن (CNN) ، نیترات