تحلیل آسیب پذیری آبخوان مبتنی بر رویکرد هوش مصنوعی گراف (منطقه مورد مطالعه: محدوده مطالعاتی کرمان-باغین)

زمینه و هدف: این مطالعه به ارزیابی پتانسیل توسعه منابع آب زیرزمینی در آبخوان کرمان-باغین با استفاده از شاخص DRASTIC و شبکه عصبی گراف (GNN) پرداخته است. GNNها به دلیل توانایی در مدل سازی و تحلیل ارتباطات پیچیده و غیرخطی میان داده ها، به ویژه در داده های ساختار گرافی، به یکی از ابزارهای قوی در تحلیل های پیچیده تبدیل شده اند. استفاده از GNN برای واسنجی شاخص های آسیب پذیری مانند DRASTIC، به دلیل قابلیت مدل سازی روابط فضایی و زمانی میان عوامل مختلف موثر بر آسیب پذیری منابع آب، یک رویکرد نوآورانه و موثر به شمار می آید. مدل GNN برای سنجش آسیب پذیری آبخوان و غلظت نیترات در چاه های منتخب کیفی با استفاده از دو لایه وزن دهی کانولوشنی برای پارامترهای شاخص آسیب پذیری به کار گرفته شد. هدف اصلی، ارزیابی نگاه شبکه ای به وضعیت آسیب پذیری مکانی با رویکرد واسنجی شاخص آسیب پذیری است که در یک منطقه خشک و تابع شرایط کشاورزی بررسی شده است. روش پژوهش: در این تحقیق دو رویکرد مختلف برای واسنجی آسیب پذیری بررسی شد. در رویکرد اول، به دلیل ضریب همبستگی پایین بین غلظت نیترات و شاخص آسیب پذیری، واسنجی با استفاده از روش GNN انجام شد. در رویکرد دوم، پس از افزودن لایه کاربری اراضی به عنوان پارامتر مهمی در شاخص، واسنجی مجدد انجام گردید. شاخص آسیب پذیری دراستیک براساس نوع تاثیر بر شرایط هیدروژئولوژی در پایش منابع آب زیرزمینی در آبخوان آبرفتی مورد استفاده قرار گرفته که برای بدست آوردن آن سه عامل وزن دهی، درجه بندی و تعیین محدوده پارامترهای شاخص حائز اهمیت است. عمق تا سطح ایستابی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیراشباع و هدایت هیدرولیکی آبخوان جهت بررسی و تحلیل آسیب پذیری آبخوان مورد بررسی قرار می گیرد. تحلیل عمق آب زیرزمینی در چاه های مشاهده ای، تحلیل تغذیه آبخوان مبتنی بر نقشه های شیب، نفوذپذیری خاک و بارش در سطح آبخوان، محیط آبخوان، خاک و محیط غیراشباع با استفاده از لوگ های حفاری در منطقه، طبقه بندی شیب مبتنی بر تحلیل سه بعدی مدل رقومی ارتفاعی و میزان هدایت هیدرولیکی براساس قابلیت انتقال محاسباتی از آزمایشات پمپاژ و ضخامت آبخوان محاسبه گردید. یافته ها: نتایج بدست آمده از تحلیل شاخص آسیب پذیری DRASTIC نشان می دهد که میزان آسیب پذیری در بخش باغین با توجه به تراکم بالای اراضی کشاورزی، بیشتر بوده و این محدوده در کلاس های آسیب پذیری متوسط تا زیاد و زیاد قرار دارد. بررسی کاربری اراضی در این منطقه و همچنین ذات لایه های زمین شناسی در افزایش مقدار شاخص تاثیر دارد. نتایج نشان داد که اضافه کردن کاربری اراضی به شاخص آسیب پذیری موجب افزایش همبستگی بین غلظت نیترات و شاخص، از ۲۲ درصد به ۳۸ درصد شد. همچنین، نتایج واسنجی با استفاده از روش GNN نشان داد که میزان همبستگی به ۷۷ درصد افزایش یافت. این افزایش قابل توجه در همبستگی، بهبود عملکرد مدل با توجه به ترکیب کاربری اراضی و روش GNN را تایید می کند. این تحقیق نشان می دهد که مدل GNN با قابلیت های پیشرفته در مدل سازی روابط پیچیده فضایی و زمانی، ابزاری موثر برای ارزیابی آسیب پذیری منابع آب زیرزمینی در مناطق خشک و با بهره برداری بالا است. نتایج: بررسی وضعیت تغییرات سطح شاخص آسیب پذیری نشان داد که میزان تغییرات سطح آسیب پذیری در ۴ حالت شاخص DRASTIC، DRASTIC-LU، DRASTIC-GNN و DRASTIC-LU-GNN بگونه ای است که میزان آسیب پذیری در کلاس متوسط افزایش و در کلاس آسیب پذیری کم و خیلی کم روند کاهشی داشته است. بررسی شاخص اصلاحی آسیب پذیری نشان داد که واسنجی انجام شده با اضافه شدن کاربری اراضی به عنوان یک پارامتر اضافه تاثیر مناسبی داشته و توانسته میزان کارایی شاخص را بهبود بخشد. نتایج این مطالعه با توجه به تاثیرپذیری محیط ذاتی آبخوان از فعالیت های انجام شده، بخصوص فعالیت های کشاورزی که عرصه گسترده ای را در برمی گیرد، شامل می شود. بررسی رویکرد GNN به عنوان روش منتخب واسنجی نشان داد که این روش باتوجه به رویکرد مبتنی بر مفهوم زمانی-مکانی بصورت یکپارچه توانسته در بهبود دقت آسیب پذیری تاثیر داشته باشد.

کلیدواژه ها:

آسیب پذیری ، شاخص DRASTIC ، شبکه عصبی GNN ، همبستگی ، کاربری اراضی ، نیترات