مدل سازی ارتباط بین آلاینده های آب زیرزمینی با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) (مطالعه موردی استان مرکزی)

پیشینه و اهداف: منابع آب زیرزمینی یکی از مهم ترین منابع تامین آب شرب، کشاورزی و صنعتی در مناطق خشک و نیمه خشک به شمار می روند. در سال های اخیر، افزایش جمعیت، گسترش فعالیت های کشاورزی و صنعتی، توسعه شهرنشینی و محدودیت منابع آب سطحی موجب افزایش وابستگی به منابع آب زیرزمینی در بسیاری از مناطق ایران شده است. در این میان، افت کیفیت آب زیرزمینی به دلیل ورود آلاینده های مختلف، به ویژه یون های محلول نظیر سدیم، سولفات و کل مواد جامد محلول (TDS)، به یکی از مهم ترین چالش های مدیریت منابع آب تبدیل شده است. افزایش غلظت این پارامترها می تواند کیفیت آب را برای مصارف شرب و کشاورزی کاهش داده و آثار نامطلوبی بر محیط زیست و سلامت جوامع انسانی برجای گذارد. از سوی دیگر، روابط بین پارامترهای کیفی آب زیرزمینی ماهیتی پیچیده، غیرخطی و متاثر از عوامل متعدد طبیعی و انسانی دارند که مدل سازی آن ها را دشوار می سازد. در چنین شرایطی، استفاده از روش های هوشمند می تواند به درک بهتر این روابط کمک کند. هدف این پژوهش، مدل سازی و تحلیل روابط بین آلاینده های اصلی آب زیرزمینی در استان مرکزی با استفاده از سیستم استنتاج فازی–عصبی تطبیقی (ANFIS) و ارزیابی توانایی این روش در پیش بینی و تحلیل تغییرات زمانی کیفیت آب زیرزمینی است..روش ها : در این مطالعه، داده های کیفی آب زیرزمینی شامل پارامترهای سدیم، سولفات و کل مواد جامد محلول (TDS) برای سه دوره زمانی ۱۳۹۶، ۱۳۹۹ و ۱۴۰۲ از چاه های پایش استان مرکزی جمع آوری و مورد بررسی قرار گرفتند. در مرحله نخست، داده ها از نظر صحت و کیفیت مورد ارزیابی قرار گرفته و عملیات پیش پردازش شامل حذف داده های پرت و آماده سازی داده ها برای ورود به مدل انجام شد. سپس به منظور شبیه سازی روابط غیرخطی بین پارامترهای کیفی، از سیستم استنتاج فازی–عصبی تطبیقی (ANFIS) در محیط نرم افزار MATLAB استفاده شد. برای افزایش دقت مدل، ساختارهای مختلف ANFIS شامل روش های Grid، FCM و Subtractive در کنار الگوریتم های بهینه سازی هیبرید و پس انتشار خطا مورد ارزیابی قرار گرفتند. همچنین ۲۰ درصد داده ها برای آموزش مدل و ۸۰ درصد برای آزمون و ارزیابی عملکرد آن در نظر گرفته شد. عملکرد مدل ها با استفاده از شاخص های آماری ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب تعیین (R²) ارزیابی گردید.یافته ها: نتایج مدل سازی نشان داد که سیستم ANFIS توانایی بالایی در شناسایی و بازتولید روابط پیچیده و غیرخطی بین پارامترهای کیفی آب زیرزمینی دارد. مقادیر به دست آمده برای شاخص های RMSE و MAE در بسیاری از مدل ها نسبتا پایین بوده و ضرایب تعیین مثبت و قابل قبول، بیانگر دقت مناسب مدل در پیش بینی پارامترهای مورد مطالعه هستند. نتایج همچنین نشان داد که عملکرد مدل ها در دوره های زمانی مختلف متفاوت بوده و به نوع ساختار فازی و الگوریتم بهینه سازی مورد استفاده وابسته است. در اغلب موارد، مدل های مبتنی بر روش Grid همراه با بهینه سازی هیبرید عملکرد مطلوب تری از نظر تعادل بین خطای پیش بینی و توان توضیح واریانس داده ها ارائه کردند. با این حال، در برخی دوره ها، به ویژه سال ۱۴۰۲، کاهش دقت برخی مدل ها و مشاهده ضرایب تعیین پایین یا منفی نشان دهنده افزایش پیچیدگی الگوهای کیفی آب زیرزمینی و دشواری پیش بینی آن ها بوده است.نتیجه گیری:  به طور کلی، نتایج این پژوهش نشان داد که روش ANFIS ابزاری کارآمد و قابل اعتماد برای مدل سازی پارامترهای کیفی آب زیرزمینی و تحلیل روابط میان آن ها است. این روش با بهره گیری از قابلیت های یادگیری شبکه های عصبی و توان استدلال منطق فازی، قادر است الگوهای پیچیده حاکم بر کیفیت آب زیرزمینی را با دقت مناسبی شبیه سازی کند. نتایج همچنین نشان داد که انتخاب ساختار مناسب سیستم فازی و روش بهینه سازی تاثیر قابل توجهی بر عملکرد مدل دارد. با توجه به اهمیت منابع آب زیرزمینی در تامین آب شرب و کشاورزی استان مرکزی، استفاده از مدل های هوشمند مبتنی بر ANFIS می تواند به بهبود فرآیندهای پایش، شناسایی مناطق بحرانی، پیش بینی روند تغییرات کیفیت آب و اتخاذ تصمیمات مدیریتی موثر کمک کند. همچنین به کارگیری رویکردهای مشابه در سایر مناطق کشور می تواند نقش مهمی در حفاظت از منابع آب زیرزمینی، ارتقای مدیریت پایدار منابع آب و تضمین پایداری زیست محیطی ایفا نماید.

کلیدواژه ها:

کیفیت آب زیرزمینی ، سیستم استنتاج فازی عصبی تطبیقی ، کل جامدات محلول ، سولفات ، سدیم