کاربرد شبکه های عصبی گرافی و سامانه اطلاعات جغرافیایی در تغییرات مکانی-زمانی کیفیت آب زیرزمینی

با توجه به شرایط اقلیمی خشک و نیمه خشک ایران، منابع آب زیرزمینی نقش اساسی در تامین آب شرب، کشاورزی و صنعت ایفا می کنند. 

پایش کیفیت آب زیرزمینی پدیده ای پیچیده با ماهیت مکانی-زمانی است که تحت تاثیر عوامل متعددی نظیر موقعیت مکانی چاه ها، شرایط زمین شناسی، الگوی بهره برداری و تبادلات هیدرودینامیکی در آبخوان قرار دارد. با این حال، بسیاری از مطالعات پیشین در این حوزه مبتنی بر روش های آماری کلاسیک و پهنه بندی های ساده در محیط سامانه اطلاعات جغرافیایی (GIS) بوده اند که توانایی محدودی در مدل سازی روابط غیرخطی و وابستگی های مکانی - زمانی دارند. این محدودیت ها سبب می شود الگوهای پنهان تغییرات کیفیت آب زیرزمینی به درستی شناسایی نشوند.

در سال های اخیر، الگوریتم های یادگیری ماشین به عنوان رویکردی نوین برای تحلیل داده های پیچیده محیطی موردتوجه قرار گرفته اند. در این میان، شبکه های عصبی گرافی (Graph Neural Networks) به دلیل قابلیت مدل سازی داده های دارای ساختار شبکه ای و روابط مکانی، توانایی بالایی در تحلیل هم زمان بعد مکانی و زمانی پدیده ها از خود نشان داده اند. ازآنجاکه چاه های مشاهده ای آب زیرزمینی را می توان به صورت گره های یک گراف و روابط مکانی یا هیدروژئولوژیکی بین آن ها را به عنوان یال های گراف در نظر گرفت، استفاده از شبکه های عصبی گرافی چارچوبی کارآمد برای پایش و تحلیل تغییرات کیفیت آب زیرزمینی فراهم می کند.

با وجود پیشرفت های اخیر در کاربرد شبکه های عصبی گرافی در علوم آب، مطالعات انجام شده عمدتا بر پیش بینی تراز آب زیرزمینی یا تحلیل سامانه های هیدرولوژیکی در مقیاس های منطقه ای و بین المللی متمرکز بوده اند. کاربرد این الگوریتم ها در پایش و تحلیل کیفیت آب زیرزمینی، به ویژه در آبخوان های ایران و به طور خاص آبخوان ابرکوه، تاکنون به صورت نظام مند مورد بررسی قرار نگرفته و از این منظر یک شکاف دانشی قابل توجه وجود دارد.

لذا، پژوهش حاضر باهدف پایش و تحلیل الگوهای مکانی - زمانی تغییرات کیفیت آب زیرزمینی آبخوان ابرکوه از طریق تلفیق شبکه های عصبی گرافی (GNN) و سامانه اطلاعات جغرافیایی (GIS) طراحی شده است تا ضمن شناسایی الگوهای پنهان تغییرات کیفی، زمینه ای علمی برای بهبود مدیریت و برنامه ریزی منابع آب زیرزمینی منطقه فراهم آورد.

مطالعات مرتبط با پایش و تحلیل کیفیت آب زیرزمینی:

در دهه های اخیر، پایش کیفیت آب زیرزمینی به عنوان یکی از محورهای اصلی مدیریت منابع آب در مناطق خشک و نیمه خشک مورد توجه پژوهشگران قرار گرفته است. بسیاری از مطالعات اولیه با استفاده از روش های آماری کلاسیک، تحلیل روند و شاخص های کیفی نظیر هدایت الکتریکی، شوری، نیترات و یون های اصلی، به بررسی وضعیت کیفی آبخوان ها پرداخته اند. نتایج این مطالعات نشان می دهد که بهره برداری بی رویه و تغییر کاربری اراضی نقش مهمی در افت کیفیت منابع آب زیرزمینی دارند.

در ایران نیز پژوهش های متعددی کیفیت آب زیرزمینی دشت های مختلف را با استفاده از داده های مشاهداتی مورد بررسی قرار داده اند که اغلب بر تحلیل مکانی توزیع پارامترهای کیفی تمرکز داشته اند.

کاربرد سامانه اطلاعات جغرافیایی (GIS) در مطالعات کیفیت آب زیرزمینی:

با گسترش سامانه های اطلاعات جغرافیایی، استفاده از GIS در تحلیل مکانی کیفیت آب زیرزمینی افزایش چشمگیری یافته است. پژوهشگران با بهره گیری از GIS توانسته اند پهنه بندی کیفی آب زیرزمینی، شناسایی مناطق بحرانی و تحلیل تغییرات مکانی پارامترهای کیفی را با دقت بالاتری انجام دهند. نتایج این مطالعات نشان می دهد که تلفیق داده های کیفی چاه ها با قابلیت های مکانی GIS، ابزار مناسبی برای تصمیم گیری در مدیریت منابع آب زیرزمینی فراهم می کند.

استفاده از روش های یادگیری ماشین در تحلیل کیفیت آب زیرزمینی:

در سال های اخیر، روش های یادگیری ماشین به طور گسترده ای در مطالعات هیدروژئولوژی مورد استفاده قرار گرفته اند. الگوریتم هایی نظیر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم برای پیش بینی و طبقه بندی کیفیت آب زیرزمینی به کار رفته اند. نتایج این تحقیقات حاکی از عملکرد مناسب این الگوریتم ها در شناسایی روابط غیرخطی بین پارامترهای کیفی و عوامل موثر بر آن هاست.

با وجود این، بیشتر مدل های یادگیری ماشین کلاسیک، ساختار مکانی داده ها را به صورت صریح در نظر نمی گیرند و هر چاه را به عنوان یک نمونه مستقل تحلیل می کنند.

شبکه های عصبی گرافی(GNNs) و تحلیل مکانی– زمانی منابع آب:

شبکه های عصبی گرافی به عنوان نسل جدیدی از مدل های یادگیری عمیق، قابلیت مدل سازی داده هایی با ساختار شبکه ای و روابط مکانی–زمانی را دارا هستند. در مطالعات اخیر، از GNNs و به ویژه شبکه های عصبی گرافی مکانی–زمانی (ST-GNNs) برای پیش بینی تراز آب زیرزمینی و تحلیل سامانه های هیدرولوژیکی استفاده شده است. نتایج این پژوهش ها نشان می دهد که GNNها در مقایسه با مدل های عددی سنتی نظیرMODFLOW و حتی شبکه های عصبی معمولی، دقت بالاتری در پیش بینی بلندمدت و مدیریت داده های ناقص دارند.

جمع بندی پیشینه و خلا تحقیق:

مرور مطالعات پیشین نشان می دهد که اگرچه پژوهش های متعددی در زمینه پایش کیفیت آب زیرزمینی و کاربرد GIS انجام شده است، و همچنین الگوریتم های یادگیری ماشین در سال های اخیر مورد توجه قرار گرفته اند، اما استفاده تلفیقی از شبکه های عصبی گرافی و GIS برای تحلیل الگوهای مکانی–زمانی کیفیت آب زیرزمینی، تاکنون به صورت جامع مورد بررسی قرار نگرفته است. این خلا تحقیقاتی ضرورت انجام پژوهش حاضر را برجسته می سازد.

منابع:

1- قاسمی، م.، احمدی، ح.، و رضایی، ع.(1402). بررسی تغییرات کیفی آب زیرزمینی در دشت های مناطق خشک ایران. فصلنامه علوم و مهندسی آب ایران، 15(2)، 45–58.

2- جعفرزاده، م.، احمدی، ح.، و رضایی، ع. (۱۴۰۲). تحلیل تغییرات مکانی–زمانی کیفیت آب زیرزمینی با استفاده از سامانه اطلاعات جغرافیایی (GIS).

مجله علوم آب و خاک ایران، ۳۴(۲)، ۱۵۷–۱۷۱.

3- مرادی، ر.، و یوسفی، س. (۱۴۰۱). کاربرد تحلیل مکانی–زمانی در مدیریت کیفیت آب زیرزمینی. مجله مدیریت منابع طبیعی ایران، ۱۴(۱)، ۵۳–۶۸.

4.Wu, Z., Pan, S., Long, G., Jiang, J & Chang, X. (2021).Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks. Proceedings of the AAAI Conference on Artificial Intelligence, 35(8), 7321–7329.

5.Zhang, Y., et al. (2022). Spatiotemporal deep learning for water quality prediction. Water Research, 215, 118257

6.Chen, L., et al. (2021). Graph neural networks for environmental spatial analysis. Computers & Geosciences, 148, 104676.

7.Taccari, M. L., Wang, H., Nuttall, J & Chen, X. (2024). Spatial-temporal graph neural networks for groundwater data. Scientific Reports, 14, 24564.

8.Babiker, I. S., Mohamed, M. A. A & Hiyama, T. (2007). Assessing groundwater quality using GIS. Water Resources Management, 21(4), 699–715.

9. Belkhiri, L., Tiri, A. and Mouni, L., (2018). Assessment of heavy metals contamination in groundwater: A case study of the south of Setif area, East Algeria. In: Achievements and Challenges of Integrated River Basin Management.