مدل‌سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه محیط زیست، دانشکدة محیط زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران. *(مسوول مکاتبات)

2 دانشجوی دکتری آمایش محیط زیست، دانشکدة محیط زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران.

3 دانشیارگروه جنگلداری، دانشکدة منابع طبیعی ،دانشگاه صنعتی خاتم الانبیاء(ص)، بهبهان، ایران.

4 کارشناس ارشد آلودگی محیط زیست، دانشکدة منابع طبیعی، دانشگاه صنعتی خاتم الانبیاء(ص)، بهبهان، ایران.

چکیده

با توجه به اهمیت آب­های زیرزمینی در بخش شرب و کشاورزی، شبیه­سازی و پیش­بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می­گردد. در این تحقیق کار مدل­سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه­های شیمیایی یعنی آنیون­ها و کاتیون­های اصلی، SAR و pH انجام شده است. همچنین جهت مدل­سازی نسبت جذب سدیم به عنوان متغیر وابسته، فراسنج­های طول و
عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. در این مطالعه شبکه عصبی با الگوریتمMarquardt  Levenberg- برای پیش­بینی پارامترهای کیفی آب زیرزمینی انتخاب گردید. نتایج نشان داد
روش شبکه عصبی کارایی بالایی در پیش­بینی مقادیر پارامترهای کیفی آب زیرزمینی دارد. مقدار بالای ضریب همبستگی به دست آمده بین پارامترهای مدل­سازی شده بیان­گر نزدیک بودن مقادیر پیش­بینی گردیده با داده­های اندازه­گیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. ضریب تبیین هر سه عنصر مدل­سازی شده نیز در سه مرحله آموزش، اعتبارسنجی و تست بالای 90 درصد می­باشد که نشان دهنده­ی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و داده­های ارایه شده به شبکه است. نتایج این مطالعه از اهمیت زیادی در جهت برنامه­ریزی و مدیریت یکپارچه کیفیت منابع آب و حفاظت و بهره­وری مناسب از آن در منطقه مطالعاتی برخوردار می­باشد

کلیدواژه‌ها

موضوعات


 

 

 

 

 


 

 

فصلنامه انسان و محیط زیست، شماره 42، پاییز 96

 

مدل­سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی بااستفادهاز

 شبکهعصبیمصنوعی (مطالعه موردی: دشت مهران و دهلران)

 

میر مهرداد میرسنجری[1]*

mehrdadmirsanjari@yahoo.com

فاطمه محمدیاری[2]

رضا بصیری[3]

فاطمه حمیدی پور[4]

تاریخ دریافت: 16/11/1394

تاریخ پذیرش:03/09/1395

چکیده

با توجه به اهمیت آب­های زیرزمینی در بخش شرب و کشاورزی، شبیه­سازی و پیش­بینی تغییرات کیفی آن از نیازهای روزافزون بشر محسوب می­گردد. در این تحقیق کار مدل­سازی پارامترهای کیفی TDS و EC بر اساس سایر مؤلفه­های شیمیایی یعنی آنیون­ها و کاتیون­های اصلی، SAR و pH انجام شده است. همچنین جهت مدل­سازی نسبت جذب سدیم به عنوان متغیر وابسته، فراسنج­های طول و

عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. در این مطالعه شبکه عصبی با الگوریتمMarquardt  Levenberg- برای پیش­بینی پارامترهای کیفی آب زیرزمینی انتخاب گردید. نتایج نشان داد

روش شبکه عصبی کارایی بالایی در پیش­بینی مقادیر پارامترهای کیفی آب زیرزمینی دارد. مقدار بالای ضریب همبستگی به دست آمده بین پارامترهای مدل­سازی شده بیان­گر نزدیک بودن مقادیر پیش­بینی گردیده با داده­های اندازه­گیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. ضریب تبیین هر سه عنصر مدل­سازی شده نیز در سه مرحله آموزش، اعتبارسنجی و تست بالای 90 درصد می­باشد که نشان دهنده­ی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و داده­های ارایه شده به شبکه است. نتایج این مطالعه از اهمیت زیادی در جهت برنامه­ریزی و مدیریت یکپارچه کیفیت منابع آب و حفاظت و بهره­وری مناسب از آن در منطقه مطالعاتی برخوردار می­باشد.

کلمات کلیدی: مدل­سازی، شبکه عصبی مصنوعی، نسبت جذب سدیم، هدایت الکتریکی، کل جامدات محلول.

 

 

مقدمه

 

محدودیت منابع آب سطحی مناسب، تقاضای مصرف آب

 به دلیل افزایش جمعیت و توسعه کشاورزی، انسان­ها را به سمت بهره­برداری از ذخایر آب زیرزمینی سوق داده است (1). آب­های زیرزمینی به عنوان تنها منبع مورد اعتماد مصرف آب در زمینه­های شرب، کشاورزی و صنعت در مناطق خشک و نیمه خشک محسوب می­شوند (2). در سال­های اخیر برداشت بی­رویه از منابع آب زیرزمینی از یک سو و فعالیت در جهت تأمین غذا از سوی دیگر باعث لطمات جبران­ناپذیری به این منابع از نقطه نظر کمی و کیفی گردیده است (3). لذا مطالعات کیفی آب شامل مطالعه آلودگی آب­های سطحی و زیرزمینی حایز اهمیت می­باشند. از طرفی مدل­های رایانه­ای ابزاری برای مدیریت منابع آب فراهم نموده­اند و امروزه استفاده از مدل­های ریاضی نرم افزاری برای پایش و مدیریت آب­های زیرزمینی توسعه چشم­گیری یافته است (4). امروزه در دنیا آب و منابع آب به عنوان یکی از پایه­های اصلی توسعه پایدار به شمار می­روند و علاوه بر کمیت، کیفیت آب نیز جزء پارامترهای مهم مورد توجه قرار می­گیرد. در این راستا پارامترهای کیفی آب جزء مولفه­هایی هستند که بایستی در برنامه­ریزی­ها به دقت شبیه­سازی و تخمین زده شوند (5). مدل­های بسیاری برای بررسی و پیش­بینی کیفیت آب مورد استفاده قرار می­گیرند که بیش­تر آن­ها نیازمند اطلاعات ورودی فراوان و غیر قابل دسترس هستند و یا اندازه­گیری این اطلاعات صرف هزینه­های زمانی و مالی فراوانی را به دنبال خواهد داشت (6). تکنولوژی شبکه­های عصبی نتایج رضایت بخشی را در مدل­سازی سیستم­های پیچیده غیرخطی در مسایل هیدرولوژی و مدیریت منابع آب نشان داده است که به تفصیل توسط محققان در حوزه­های مختلفی گزارش شده­ است (7). شبکه­های عصبی مصنوعی با قابلیت اعتماد بیش­تر زمانی و سازگاری با تغییرات پیش­بینی نشده، جایگزین مناسب مدل­های تجربی و رگرسیونی برای پیش­بینی رفتار منابع آب به شمار می­روند (8). با توجه به نقش نسبت جذب سدیم (SAR) در مدیریت و پایداری خاک برآورد این فراسنج در آب­های زیرزمینی استفاده شده در اراضی کشاورزی از اهمیت خاصی برخوردار است. پارامتر رسانای الکتریکی ( (ECنیز از پارامترهای اصلی در پایش کیفیت آب به لحاظ شرب و کشاورزی می­باشد. این پارامتر ارتباط مستقیم با میزان شوری آب، میزان جذب سدیم و میزان کیفیت آب شرب را دارد (10و9). همچنین TDS پارامتر بسیار مؤثری در ایجاد طعم آب آَشامیدنی است. با توجه به اهمیت سه پارامتر SAR، EC و TDS این پارامترها برای مدل­سازی انتخاب شدند. در رابطه با پیش­بینی پارامترهای آب زیرزمینی با کمک شبکه عصبی مصنوعی مطالعات زیادی صورت گرفته است که می­توان به موارد زیر اشاره کرد. عسگری و همکاران (1390) در مطالعه­ای پارامترهای کیفی TH، EC و TDS در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی را پیش­بینی کردند (5). راحلی نمین و همکاران (1391) جهت کمی­سازی رابطه­ی فراسنج­های کیفی آب زیرزمینی و پدیده­های سطح زمین حوضه­ی آبخیز قره­سو استان گلستان از شبکه عصبی مصنوعی استفاده کردند. نتایج مطالعه آن­ها حاکی از کارایی بالای شبکه عصبی در امر برآورد بود  (11). پیری و بامری (1393) به بررسی نسبت جذبی سدیم (SAR) در آب­های زیرزمینی دشت بجستان با استفاده از وایازی خطی

چند متغیره و شبکه­ی عصبی مصنوعی پرداختند. نتایج نشان داد که روش­های وایازی خطی چند متغیره و شبکه عصبی مصنوعی به ترتیب می­توانند 9/23 و 80 درصد از تغییرات نسبت جذب سدیم را در منطقه مورد مطالعه توجیه کنند (12).

Eslamian و Lavaei (2009) آلودگی نیترات در شهر اصفهان را با روش ترکیبی الگوریتم ژنتیک و شبکه عصبی تجزیه و تحلیل کردند. نتایج حاصل از این پژوهش می­تواند در اهداف مدیریت آب­های زیرزمینی منطقه مفید واقع شود (13). Amiri و همکاران (2013) در مطالعه­ای مدل­سازی عنصر سرب (II) را با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی چند متغیره انجام دادند. آن­ها از پنج مدلANN  و MNLR شامل ترکیبی از پارامترهای عملیاتی توسعه یافته استفاده کردند. نتایج نشان داد که مدل ANN5 با الگوریتم لونبرگ- مارکوارت و تابع فعال مماس یادگیری در بین سایر پارامترهای ورودی دقیق ترین روش بود (14). Moasheri و همکاران (2013) به تخمین توزیع مکانی پارامترهای کیفی آب زیرزمینی دشت کاشان با روش ترکیبی زمین آمار، شبکه عصبی مصنوعی و بهینه شده با الگوریتم ژنتیک پرداختند. نتایج عملکرد دقیقی را از رویکرد ترکیبی بهینه شده با الگوریتم ژنتیک به منظور برآورد پارامترهای کیفی مورد مطالعه نشان داد به طوری که مقادیر سدیم، کلسیم و منیزیم به ترتیب با ضرایب 99 و 99 و 98٪ تخمین زده شدند (15). Asadollahfardi و همکاران (2013) به پیش بینی برآورد نسبت جذبی سدیم (SAR) در رودخانه چال قاضی با استفاده از شبکه عصبی مصنوعی پرداختند و به این نتیجه رسیدند که شبکه عصبی مصنوعی کارایی مطلوبی را در برآورد نسبت جذبی سدیم دارد (16). Nasr و Zahran (2014) از pH به عنوان ابزاری برای پیش­بینی شوری آب زیرزمینی برای اهداف آبیاری با استفاده از شبکه عصبی مصنوعی استفاده نمودند و به این نتیجه رسیدند که شبیه سازی با این روش می­تواند برای ورود داده­های جدید مورد استفاده قرار گیرد (17). با توجه به اهمیت فراوان شناخت خصوصیات کیفی آب زیرزمینی و پیش­بینی آن، هدف این تحقیق بررسی کارایی مدل شبکه­ی عصبی مصنوعی در شبیه­سازی و پیش­بینی مقادیر SAR، EC و TDS به عنوان پارامترهای کیفی آب زیرزمینی با استفاده از سایر پارامترهای شیمیایی غیر ارگانیک می­باشد. با توجه به اهمیت منابع آب زیرزمینی خصوصا در نواحی خشک و نیمه خشک و لزوم مدیریت صحیح آن، پیش­بینی کیفیت آب زیرزمینی برای مدیریت تامین و بهره­برداری از منابع آب در دشت مهران و دهلران امری لازم و ضروری به نظر می­رسد.

مواد و روش­ها

1- معرفی منطقه مطالعاتی

دشت مهران و دهلران در طول جغرافیایی 46 درجه و 15دقیقه تا 47 درجه و 39 دقیقه شرقی و عرض جغرافیایی 32 درجه و 2 دقیقه تا 33 درجه و 37 دقیقه شمالی در استان ایلام قرار دارند. نوع سازند­های منطقه کواترنری است که با گستردگی زیاد پوشش رویی دشت مهران و دهلران را تشکیل می­دهند. مساحت منطقه 8999 کیلومتر مربع و اقلیم منطقه بر اساس روش دومارتن خشک می­باشد (شکل 1).

 

 

 

 

شکل1- موقعیت منطقه مطالعاتی

 

 

2- روش تحقیق

 

به منظور آموزش و آزمایش شبکه، از تعداد 29 داده آنالیز شیمیایی مربوط به نمونه­های برداشت شده از چاه­های عمیق و نیمه عمیق موجود در منطقه در یک بازه زمانی 13ساله، سال­های 1379 تا 1392دشت مهران و دهلران استفاده گردیده است. با توجه به وضعیت زمین شناسی و اطلاعات حاصل از چاه­های اکتشافی و بهره­برداری دشت سفرة آب زیرزمینی از نوع آزاد بوده که در رسوبات آبرفتی و مخروط افکنه­ای حاصل از فرسایش ارتفاعات مشرف به دشت ایجاد شده است. موقعیت جغرافیایی چاه­ها در سیستم UTM با مختصات 3664433= UTMy؛606933= UTMxشروع و به مختصات 3581612= UTMy؛774406= UTMxختم می­شود. با توجه به لوگ چاه­های اکتشافی دشت مهران و دهلران بافت رسوبات در حاشیه­های شرقی و جنوبی در سطح و عمق عمدتاً دانه درشت و در حد ماسه و گراول بوده و در مناطق شمالی و مرکزی مخلوط درهمی از سیلت، رس و ماسه می­باشد. در مورد ضخامت رسوبات آبرفتی با توجه به عدم وجود نقشة هم ضخامت اطلاعات دقیقی وجود ندارد، لیکن با توجه به حفاری چاه­های اکتشافی ضخامت نهشته­های آبرفتی در حاشیه­های شمالی و شرقی دشت کم­تر از 50 متر می­باشد. در این تحقیق از مدل شبکه­ی عصبی مصنوعی در شبیه سازی مقادیر EC و TDS با استفاده از سایر پارامترهای کیفی یعنی کاتیون­های اصلی (Na، Ca، Mg)، آنیون­های اصلی (Cl، SO4، HCO3)، pH و SAR استفاده شده است همچنین جهت مدل­سازی نسبت جذب سدیم (SAR) به عنوان متغیر وابسته، فراسنج­های طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. جهت انجام تحقیق از نرم­افزارهای Matlab و Spss17 استفاده شده است. در این پژوهش 70 (21 داده)، 15 (4 داده) و 15 (4 داده) درصد داده­ها به ترتیب برای آموزش، اعتبارسنجی و آزمون اختصاص یافت. اصولا وارد­کردن داده­ها به صورت خام باعث کاهش سرعت و دقت شبکه می­شود. برای اجتناب از چنین شرایطی و همچنین یکسان نمودن ارزش داده­ها، قبل از آموزش شبکه عصبی داده­های ورودی آن بایستی معیار شوند. این کار مانع کوچک شدن بیش از حد وزن­ها می­شود (18). روش­های مختلفی برای بهنجار سازی داده­ها وجود دارند در این تحقیق برای بهنجار سازی داده­ها از رابطه زیر استفاده شد:

Xn= 0.5+{0.5×Xi-Xmean/Xmax-Xmin}

Xn: مقدار متغیر بهنجار شده، Xi مقدار واقعی متغیر، Xmean مقدار میانگین متغیر، Xmax بیش­ترین مقدار متغیر و Xmin کم­ترین مقدار متغیر می­باشد.

2-1- شبیه­سازیشبکه­یعصبیمصنوعی (ANN)

ساختار کلی شبکه­های عصبی مصنوعی از شبکه بیولوژیک انسان الهام گرفته شده است. شبکه­های عصبی مصنوعی با پردازش داده­های تجربی، دانش یا قانون نهفته در ورای داده­ها را به ساختار شبکه منتقل می­کنند. یک شبکه عصبی شامل واحدهای ساختمانی به نام سلول عصبی است و این قابلیت را دارد که با بکاربردن یک دسته داده ورودی بتواند یک دسته داده خروجی دلخواه را تولید نماید. سلول­های عصبی موجود در شبکه بسته به نوع عملکردشان در لایه­های خاصی قرار می­گیرند. هر شبکه عصبی حداقل دارای سه لایه است که شامل لایه ورودی، لایه میانی یا پنهان و لایه خروجی است. لایه ورودی محل ورود اطلاعات مورد نظر شبکه است. انتخاب نوع و تعداد ورودی­های شبکه در کیفیت عملکرد شبکه تاثیر زیادی دارد. لایه­های پنهان نقش سازمان­دهی عملکرد یک شبکه عصبی را دارند. تعداد لایه­های پنهان و سلول­های عصبی موجود در این لایه­ها تاثیر بسزایی در عملکرد شبکه دارد. در حالت کلی تعداد سلول­های عصبی موجود در لایه پنهان به ساختار شبکه، تعداد ورودی­ها و خروجی­های شبکه، تعداد دسته داده­های آموزشی، میزان خطای داده­ها، پیچیدگی تابع و الگوریتم آموزش بستگی دارد. لایه نهایی هر شبکه عبارت از لایه خروجی است که نتیجه عملکرد شبکه عصبی و پارامترهای مورد نظر را ارایه می­دهد (19). ساختار شبکه عصبی در شکل 2 نشان داده شده است.

 

 

 

 

شکل 2-ساختار شبکه عصبی مصنوعی چند­لایه (20)

 

 

شبکه عصبی مصنوعی یک روش ناپارامتریک و ابزار قدرت­مند برای کمی­سازی و مدل­سازی رفتار­ها و الگو­های پیچیده است که از رویکرد یادگیری ماشین استفاده می­کند (21 و 20). انواع شبکه­های عصبی مصنوعی به روز پرسپترون چند­لایه (MLP)، توابع پایه شعاعی (RBF)، شبکه­های خود سازمان­ده و مانند این­ها به طور گسترده­ای در مدل­سازی پدیده­های غیر­خطی استفاده می­شوند (21).

مراحل ساخت یک مدل شبکه عصبی مصنوعی در زیر آورده شده است:

1- مشخص کردن توپولوژی شبکه: در این مرحله تعداد لایه­ها و گره­های شبکه، نوع شبکه و توابع تحریک مشخص می­گردد.

2- آموزش شبکه: منظور از آموزش شبکه اصلاح مقادیر وزن­های شبکه برای نمونه­های متعدد است که اطلاعات ورودی را به شبکه داده و به عنوان داده آموزشی بر روی آن فرآیند یادگیری و اصلاح وزن­ها صورت می­گیرد. به طور کلی دو نوع آموزش در شبکه امکان­پذیر می­باشد: آموزش با نظارت و بدون نظارت.

3- آزمایش شبکه: بعد از انجام مراحل گفته شده، شبکه برای مجموعه­ای از اطلاعات معلوم امتحان و نقایص آن رفع می­شود (21). برخلاف روش­های آماری رایج، شبکه عصبی مصنوعی دارای مزیت­های زیر است:

  • Ø فرضیات را براساس توزیع داده­ها نمی­سازد.
  • Ø داده­های اندازه­گیری در انواع مختلفی، می­تواند استفاده کند.
  • Ø توانایی بالایی در حل مسایل غیر­خطی دارد (23).

آموزش یک پرسپترون چندلایه با استفاده از رویکرد پس انتشار خطا که بر مبنای قانون تعمیم یافته دلتاست، صورت می­گیرد. در طول آموزش برای هر رکورد که به شبکه معرفی می­شود، اطلاعات جهت یافتن یک پیش­بینی از لایه خروجی، به صورت رو به جلو به شبکه تغذیه می­گردد. این پیش­بینی با مقدار خروجی ثبت شده در بخش آموزش مقایسه و تفاوت میان مقدار پیش­بینی و خروجی واقعی رو به عقب در شبکه منتشر می­شود تا مقادیر وزن­های ارتباطی تعدیل و پیش­بینی الگوهای مشابه بهبود یابد (24). آموزش شبکه معمولأ بر اساس تعدادی از داده­های اندازه­گیری­شده (اکثریت داده­ها) انجام می­پذیرد.

در مرحله بعد، مدل با تعدادی از مقادیر اندازه­گیری شده صحت­سنجی می­گردد. در مدل­سازی به کمک شبکه­های عصبی مصنوعی بسته به متغیرهای ورودی و ارتباط آن­ها با پارامتر موردنظر که مدل می­گردد، تعدادی از داده­ها را برای تست و ارزیابی مدل و برآورد نقاط بحرانی مانند نقطه عطف و یا نقاط حداکثر و حداقل یک منحنی استفاده می­گردند. البته این داده­ها نبایستی در مراحل آموزش و صحت سنجی استفاده شده باشند (6).

نتایج

نتایج آمار توصیفی پارامتر­های اندازه­گیری شده در جدول 1 آمده است.

 

 

 

جدول 1- آمار توصیفی پارامترهای اندازه­گیری شده

پارامتر

حداقل

حداکثر

میانگین

انحراف معیار

ضریب تغییرات

Na

7/0

5/31

52/9

46/8

9/88

Ca

23/3

6/37

2/14

22/9

93/64

Mg

8/0

49/14

29/5

25/4

36/80

Cl

6/0

59/41

39/18

73/10

34/58

So4

55/2

95/46

97/17

79/12

16/71

HCO3

76/1

35/3

29/2

39/0

12/17

Ph

28/7

9/7

53/7

128/0

70/1

SAR

4/0

76/6

91/2

89/1

82/64

TDS

8/334

56/4598

23/1692

01/1187

17/70

EC

35/523

76/6866

64/2461

78/1700

09/69

 

 

براساس طبقه­بندی نلسون و بوما (25) اگر ضریب تغییرات کم­تر از 10 درصد باشد، تغییر­پذیری ضعیف، چنان­چه بیش از 10 درصد باشد، متوسط و در نهایت ضریب تغییرات برابر با 100 درصد نشان­دهنده تغییرات بسیار شدید متغیر می­باشد. بنابراین همان­طور که در جدول 1 دیده می­شود می­توان شدت تغییرات تمامی ویژگی­های مورد اندازه­گیری، به استثنای pH آب را در منطقه مورد مطالعه متوسط در نظر گرفت.

در این تحقیق تعداد لایه­های مخفی و شمار نرون­ها در لایه­های میانی متناسب با تعداد نرون­ها لایه­ی میانی بر مبنای مقایسه­ی عملکرد شبکه انتخاب شد. برای تخمین از یک شبکه عصبی MLP سه لایه استفاده شد. برای مدل­سازی SAR شبکه دارای 5 نرون در لایه ورودی (طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH) و یک نرون در لایه خروجی (میزان نسبت جذب سدیم آب زیرزمینی) می­باشد. شبکه در مدل­سازی EC و TDS به صورت 8 نرون در لایه ورودی(Na، Ca، Mg، Cl، SO4، HCO3، pH و SAR) و یک نرون در لایه خروجی (EC برای مدل­سازی EC و TDS برای مدل­سازی TDS) تعریف شد. مدل­سازی

این دو عنصر به صورت جداگانه صورت گرفت به طوری که ورودی­های هر دو یکسان اما خروجی هر عنصر بنابر هدف متفاوت بود. یکی از مهم­ترین وظایف محققان بهینه­سازی شبکه عصبی است که با آزمون روش­های مختلف به دست می­آید (26). تعداد نرون­های لایه پنهان، با توجه به این که هنوز از روش خاصی تبعیت نمی­کنند، به صورت سعی و خطا تعیین شدند، به این صورت که شبکه با یک نرون آموزش داده شده  و RMSE آن محاسبه می­گردد. سپس به نرون­ها یک واحد اضافه گردیده و مجددا مقدار RMSE محاسبه شده و این عمل آ­­ن­قدر تکرار می­گردد تا تعداد نرون مناسب تعیین گردد. در نهایت شبکه­ای که بهترین جواب را در مرحله­ی آموزش و آزمون به دست می­آورد به عنوان مناسب­ترین شبکه برای مدل­سازی انتخاب می­گردد. لذا در این تحقیق پس از آن که 54 شبکه مختلف اجرا شد، در نهایت در شبیه­سازی SAR، EC و TDS بهترین ساختار به دست آمده از شبکه عصبی مصنوعی که دارای دو لایه پنهان که 12 گره در لایه پنهان اول و 1 گره در لایه پنهان دوم و یک گره در لایه خروجی می­باشد تعیین گردید. تابع فعال­سازی نرون­های دو لایه پنهان لاگ سیگموئید (logsig) و برای نرون خروجی خطی (pure line) انتخاب شد. برای آموزش شبکه از الگوریتم Levenberg-Marquardt استفاده شد و حداکثر تعداد مجاز 1000 در نظر گرفته شد. جهت ارزیابی شبکه عصبی انتخاب شده، یک تحلیل رگرسیون بین داده­های خروجی و داده­های پایش شده، انجام یافته است. شکل 2 و 3 رگرسیون خطی بین نتایج خروجی از شبکه عصبی و نتایج پیش­بینی شده را به ترتیب در داده­های آموزش و تست نشان می­دهد. محورX  ها غلظت کل پارامتر اندازه­گیری شده و محور Y ها غلظت کل پارامتر پیش­بینی شده را نشان می­دهد.

 

 

 

شکل 2- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی TDS در داده­های آموزش

 

 

شکل 3- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی TDS در داده­های تست

 

 

شکل 4- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی EC در داده­های آموزش

 

شکل 5- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی EC در داده­های تست

 

 

شکل 6- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی SAR در داده­های آموزش

 

 

شکل 7- رگرسیون خطی بین نتایج حاصل از پایش و پیش­بینی SAR در داده­های تست

 

 

مقدار ضریب همبستگی (R) در شبکه عصبی بهینه برای
داده­های آموزش و تست در جدول 2 آمده است.

 


جدول 2- مقدار ضریب همبستگی (R) در شبکه عصبی بهینه

پارامترها

همبستگی داده­های آموزش

همبستگی داده­های تست

TDS

1

960/0

EC

1

991/0

SAR

834/0

713/0

 

 

 

 

بهترین روش آموزش برای داده­های مورد استفاده و همچنین مقایسه­ی عملکرد شبکه­های ساخته شده بر اساس معیارهای میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) برازش گردیده بین داده­های واقعی و داده­های پیش­بینی شده انجام شد (جدول 3).

 

 

جدول 3- پارامترهای آماری محاسبه شده TDS در مراحل مختلف شبکه عصبی

مرحله

R2

MSE

RMSE

ME

آموزش

1

43/1

75/1

22/0

اعتبار سنجی

4/99

1

1

29/0

تست

16/92

4/2

3/1

05/0-

 

 

 

 

 

 

 

جدول 4-پارامترهای آماری محاسبه شده EC در مراحل مختلف شبکه عصبی

مرحله

R2

MSE

RMSE

ME

آموزش

8/99

66/2

87/1

28/0

اعتبار سنجی

98

1/1

11/1

33/0

تست

3/98

1/2

54/1

06/0-

 

 

 

 

 

 

 

جدول 5-پارامترهای آماری محاسبه شده SAR در مراحل مختلف شبکه عصبی

مرحله

R2

MSE

RMSE

ME

آموزش

92/92

23/3

91/1

31/0

اعتبار سنجی

27/81

91/1

24/1

42/0

تست

6/98

9/2

63/1

09/0-

 

 

 

 

 

 


بحث و نتیجه­گیری

 

 مدل­کردن و شبیه­سازی عناصر SAR، EC و TDS از طریق شبکه عصبی مصنوعی به دلیل دارا بودن قابلیت توانایی یادگیری از طریق ارائه مثال بدون نیازمندی به معادلات حاکم بر پدیده، جایگاه ویژه­ای دارد. در واقع شبکه­های عصبی مصنوعی یکی از کاربردی­ترین مدل­ها در پیش­بینی و مدل­سازی مسایل پیچیده هیدروژئولوژیکی و هیدرولوژیکی می­باشند. با انتخاب نوع و تعداد مناسب عوامل ورودی و نیز استفاده از نوع مناسب و سازگار شبکه عصبی مصنوعی و نیز کالیبره کردن مناسب آن می­توان گفت که این تکنیک ابزاری بسیار کارا و مناسب برای برآورد شوری، هدایت الکتریکی و کل جامدات محلول آب زیرزمینی در دشت مهران و دهلران می­باشد. رهیافت این تحقیق، شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه با الگوریتمMarquardt  Levenberg- بوده است که در مطالعات محققانی چون درخشان و همکاران (1392) و ذوقی و همکاران (1393) به عنوان کارآمدترین الگوریتم شبکه عصبی معرفی شده است (27). همان­طور که در جدول 2 مشخص است مقدار بالایی از ضریب همبستگی به دست آمده است که در واقع بیان­گر نزدیک بودن مقادیر پیش­بینی گردیده با داده­های اندازه­گیری شده و توانایی و دقت بالای روابط بین متغیرهای ورودی با خروجی است. مطابق جدول 3 تا 5 ضریب تبیین هر سه عنصر در تمام مراحل بالای 90 درصد می­باشد که نشان دهنده­ی دقت قابل قبول شبکه عصبی مصنوعی و یادگیری خوب و کارآمد شبکه با استفاده از الگوریتم آموزشی مورد نظر و داده­های ارایه شده به شبکه است. با توجه به تحقیق انجام گرفته می­توان نتیجه کاربرد مدل شبکه عصبی مصنوعی در شبیه­سازی و پیش­بینی خصوصیات کیفی آب را مناسب و بهینه ارزیابی نموده و توانایی کافی آن در این مورد را تأیید نمود. نتایج تحقیقات غلامی و همکاران (1392)، پیری و همکاران، (1393) و پورمحمدی و همکاران (1392) نیز حاکی از کارایی بالای شبکه عصبی در برآورد و شبیه­سازی پارامترهای آب زیرزمینی است (12، 4و28).

منابع

1-       شمسایی، احمد، »هیدرولیک جریان آب در محیط­های متخلخل«، مرکز نشر دانشگاه صنعتی امیرکبیر ،1381، 234 ص.

2-    میرزایی – ع ا، ناظمی – ا ح، »پیش­بینی تراز آب زیرزمینی با استفاده از شبکه­های عصبی مصنوعی«-اولین همایش ملی مدیریت منابع آب اراضی ساحلی، بهار 1389 - ساری - دانشگاه علوم کشاورزی و منابع طبیعی ساری- ایران.

3-       دهقانی، امیر و همکاران، »مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی تطبیقی و زمین آمار در میان­یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین)«، مجله علوم کشاورزی و منابع طبیعی، 1388، دوره 16، صص 536-517.

4-    غلامی، وحید و همکاران، »بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه­سازی شوری آب زیرزمینی در سواحل استان مازندران«، مجله پژوهش آب در کشاورزی، 1391. دوره 26، شماره 3، صص 70-61.

5-    عسگری- م ص، آریافر- ا، ضیاء- ح، »پیش­بینی پارامترهای کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی«- هفتمین کنفرانس زمین شناسی مهندسی و محیط زیست ایران، 1390، دانشگاه صنعتی شاهرود، سمنان- ایران.

6-    دریایی- م، اگدرنژاد- ا، بینا- م، رادمنش- ف، »بررسی تاثیر عوامل کیفی آب رودخانه بر روی EC و  TDSبه کمک شبکه­های عصبی مصنوعی«- هشتمین سمینار مهندسی رودخانه، 1388، دانشگاه شهید چمران اهواز، اهواز- ایران

7-       Luk, KC., Ball, JE., Sharma, A., 2001. An application of artificial neural network for rainfall forecasting. Math Compute Modelو Vol. 33, pp. 683-693.

8-       موسوی- ع، خسروپور- ف، »پیش­بینی سطح ایستابی آب زیرزمینی دشت داریون به روش شبکه عصبی مصنوعی«- اولین همایش ملی حفاظت از تالاب­ها و اکوسیستم­های آبی، 1392، همدان، ایران.

9-       Baghvand, A., Nasrabadi, T., Nabi Bidhendi, GR., Vosoogh, A., Karbassi, AR., Mehrdadi, N., 2010. Groundwater quality degradation of an aquifer in Iran central desert. Desalination, Vol. 260, pp.  264–275.

10-   Jamshidzadeh, Z., Mirbagheri, SA., 2011. Evaluation of groundwater quantity and quality in the Kashan Basin, Central Iran. Desalination, Vol. 270, pp. 23–30.

11-  راحلی نمین، بهناز و همکاران، »کمی­سازی رابطه فراسنج­های کیفی آب زیرزمینی و پدیده­های سطح زمین حوزه آبخیز قره سو استان گلستان«، مجله منابع طبیعی ایران، 1391، دوره 65، صص 82-67.

12-  پیری، حلیمه و همکاران، »برآورد نسبت جذبی سدیم (SAR) در آب­های زیرزمینی با استفاده از وایازی خطی چند متغیره و شبکه عصبی مصنوعی (مطالعه موردی دشت بجستان)«، مجله مهندسی منابع آب، 1393، سال هفتم. صص 80-67.

13-   Eslamian, S. S. and N. Lavaei, 2009, Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI), vol. 5, No. 2, pp. 194-203             

14-   Amiri, M. j., Abedi- Koupai, j., Eslamian, S., Mousavi, S. F. and Arshadi, M., 2013, Modeling pb adsorption based on synthetic and industrial wastewaters by ostrich bone char using artificial Neural Network and Multivariate non-linear regression, Int. J, Hydrology Science and Technology, vol. 3, No. 3, pp. 221-240

15-   Moasheri, SA., Rezapour, OM., Beyranvand, Z., Poornoori, Z., 2013. Estimating the spatial distribution ofgroundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Science, Vol. 5 (20), pp. 2434-2442.

16-   Asadollahfardi, Gh., Hemati, A., Moradinejad, S., Asadollahfardi, R., 2013. Sodium Adsorption Ratio (SAR) Prediction of the Chalghazi River Using Artificial Neural Network (ANN) Iran, Current World Environment, Vol. 8(2), pp.169-178 .

17-   Nasr, M., Zahran, HF., 2014. Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egyptian Journal of Aquatic Research.

18-   Sajikumara, N., Thandaveswra, BS., 1999. A non linear rainfall- runoff model using an artificialneural network. J. Hydrology, Vol. 216, pp. 32-55.

19-  حقیرچهره قانی- س، علیپور- ع، »بررسی امکان بهره­گیری از شبکه­های عصبی برای تعیین قابلیت استخراج در معادن سطحی«- سومین کنفرانس مکانیک سنگ ایران، 1386، دانشگاه صنعتی امیرکبیر تهران، ایران.

20-   Maithani, S., 2009. A Neural Network based Urban Growth Model of an Indian City, J.  Indian Soc. Remote Sensing, Vol. 37, pp. 363–376.

21-   Wang, Y., Li, Sh., 2011. Simulating multiple class urban land-use/cover changes by RBFN-based CA model. Computers and Geosciences, Vol. 37, pp. 111–121.

22-  فاطمی عقدا، سید محمود و همکاران، »پهنه­بندی خطر رانش زمین در منطقه طالش با استفاده از سیستم­های هوشمند و شبکه­های عصبی مصنوعی پرسپترون«، مجله زمین شناسی مهندسی، 1382، سال 1، شماره 2، صص 47-35.

23-    Li, X., Yeh, A. G. O., 2002. Neural-network-based cellula r automata for simulating multiple landuse changes using GIS. int. j. geographical information science, Vol. 16, pp. 323- 343

24-  محجوبی- ع، تجریشی_ م، »مقایسه عملکرد الگوریتم­های شبکه عصبی مصنوعی و درختان تصمیم­گیری در پیش­بینی تغییرات شوری آب رودخانه­ها مطالعه موردی: رودخانه کارون«- چهارمین همایش و نمایشگاه تخصصی مهندسی محیط زیست، 1389، دانشگاه تهران، ایران.

25-  بامری، ابوالفضل و همکاران، »تغییرات مکانی کربن آلی در موقعیت­های مختلف شیب در منطقه توشن استان گلستان«، مجله حفاظت آب و خاک، 1391، دوره 19، صص61-43.

26-   Almasri, MN., Kaluarachchi, JJ., 2005. Modular neural networks to predict the nitrate distribution in ground water using the onground nitrogen loading and recharge data. Environmental Modelling & Software, Vol. 20 (7), pp. 851- 871.

27-  ذوقی، محمد جواد و همکاران، »مدلسازی غلظت تری­هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی«، مجله علوم و تکنولوژی محیط زیست، 1393، دوره 16، شماره 3، صص 10-2.

28-  پورمحمدی، سمانه و همکاران، »مقایسه کارایی روش­های شبکه عصبی و سری­های زمانی در پیش­بینی سطح آب زیرزمینی (مطالعه موردی: زیر حوزه بختگان استان فارس)«، نشریه پژوهش­های حفاظت آب و خاک، 1392، جلد بیستم، شماره 4، صص 261-251.


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



1- استادیار گروه محیط زیست، دانشکدة محیط زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران. *(مسوول مکاتبات)

2- دانشجوی دکتری آمایش محیط زیست،  دانشکدة محیط زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران.

[3]- دانشیارگروه جنگلداری، دانشکدة منابع طبیعی ،دانشگاه صنعتی خاتم الانبیاء(ص)، بهبهان، ایران.

[4]- کارشناس ارشد آلودگی محیط زیست، دانشکدة منابع طبیعی، دانشگاه صنعتی خاتم الانبیاء(ص)، بهبهان، ایران.

 

1-       شمسایی، احمد، »هیدرولیک جریان آب در محیط­های متخلخل«، مرکز نشر دانشگاه صنعتی امیرکبیر ،1381، 234 ص.

2-    میرزایی – ع ا، ناظمی – ا ح، »پیش­بینی تراز آب زیرزمینی با استفاده از شبکه­های عصبی مصنوعی«-اولین همایش ملی مدیریت منابع آب اراضی ساحلی، بهار 1389 - ساری - دانشگاه علوم کشاورزی و منابع طبیعی ساری- ایران.

3-       دهقانی، امیر و همکاران، »مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی تطبیقی و زمین آمار در میان­یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین)«، مجله علوم کشاورزی و منابع طبیعی، 1388، دوره 16، صص 536-517.

4-    غلامی، وحید و همکاران، »بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه­سازی شوری آب زیرزمینی در سواحل استان مازندران«، مجله پژوهش آب در کشاورزی، 1391. دوره 26، شماره 3، صص 70-61.

5-    عسگری- م ص، آریافر- ا، ضیاء- ح، »پیش­بینی پارامترهای کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی«- هفتمین کنفرانس زمین شناسی مهندسی و محیط زیست ایران، 1390، دانشگاه صنعتی شاهرود، سمنان- ایران.

6-    دریایی- م، اگدرنژاد- ا، بینا- م، رادمنش- ف، »بررسی تاثیر عوامل کیفی آب رودخانه بر روی EC و  TDSبه کمک شبکه­های عصبی مصنوعی«- هشتمین سمینار مهندسی رودخانه، 1388، دانشگاه شهید چمران اهواز، اهواز- ایران

7-       Luk, KC., Ball, JE., Sharma, A., 2001. An application of artificial neural network for rainfall forecasting. Math Compute Modelو Vol. 33, pp. 683-693.

8-       موسوی- ع، خسروپور- ف، »پیش­بینی سطح ایستابی آب زیرزمینی دشت داریون به روش شبکه عصبی مصنوعی«- اولین همایش ملی حفاظت از تالاب­ها و اکوسیستم­های آبی، 1392، همدان، ایران.

9-       Baghvand, A., Nasrabadi, T., Nabi Bidhendi, GR., Vosoogh, A., Karbassi, AR., Mehrdadi, N., 2010. Groundwater quality degradation of an aquifer in Iran central desert. Desalination, Vol. 260, pp.  264–275.

10-   Jamshidzadeh, Z., Mirbagheri, SA., 2011. Evaluation of groundwater quantity and quality in the Kashan Basin, Central Iran. Desalination, Vol. 270, pp. 23–30.

11-  راحلی نمین، بهناز و همکاران، »کمی­سازی رابطه فراسنج­های کیفی آب زیرزمینی و پدیده­های سطح زمین حوزه آبخیز قره سو استان گلستان«، مجله منابع طبیعی ایران، 1391، دوره 65، صص 82-67.

12-  پیری، حلیمه و همکاران، »برآورد نسبت جذبی سدیم (SAR) در آب­های زیرزمینی با استفاده از وایازی خطی چند متغیره و شبکه عصبی مصنوعی (مطالعه موردی دشت بجستان)«، مجله مهندسی منابع آب، 1393، سال هفتم. صص 80-67.

13-   Eslamian, S. S. and N. Lavaei, 2009, Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI), vol. 5, No. 2, pp. 194-203             

14-   Amiri, M. j., Abedi- Koupai, j., Eslamian, S., Mousavi, S. F. and Arshadi, M., 2013, Modeling pb adsorption based on synthetic and industrial wastewaters by ostrich bone char using artificial Neural Network and Multivariate non-linear regression, Int. J, Hydrology Science and Technology, vol. 3, No. 3, pp. 221-240

15-   Moasheri, SA., Rezapour, OM., Beyranvand, Z., Poornoori, Z., 2013. Estimating the spatial distribution ofgroundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Science, Vol. 5 (20), pp. 2434-2442.

16-   Asadollahfardi, Gh., Hemati, A., Moradinejad, S., Asadollahfardi, R., 2013. Sodium Adsorption Ratio (SAR) Prediction of the Chalghazi River Using Artificial Neural Network (ANN) Iran, Current World Environment, Vol. 8(2), pp.169-178 .

17-   Nasr, M., Zahran, HF., 2014. Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egyptian Journal of Aquatic Research.

18-   Sajikumara, N., Thandaveswra, BS., 1999. A non linear rainfall- runoff model using an artificialneural network. J. Hydrology, Vol. 216, pp. 32-55.

19-  حقیرچهره قانی- س، علیپور- ع، »بررسی امکان بهره­گیری از شبکه­های عصبی برای تعیین قابلیت استخراج در معادن سطحی«- سومین کنفرانس مکانیک سنگ ایران، 1386، دانشگاه صنعتی امیرکبیر تهران، ایران.

20-   Maithani, S., 2009. A Neural Network based Urban Growth Model of an Indian City, J.  Indian Soc. Remote Sensing, Vol. 37, pp. 363–376.

21-   Wang, Y., Li, Sh., 2011. Simulating multiple class urban land-use/cover changes by RBFN-based CA model. Computers and Geosciences, Vol. 37, pp. 111–121.

22-  فاطمی عقدا، سید محمود و همکاران، »پهنه­بندی خطر رانش زمین در منطقه طالش با استفاده از سیستم­های هوشمند و شبکه­های عصبی مصنوعی پرسپترون«، مجله زمین شناسی مهندسی، 1382، سال 1، شماره 2، صص 47-35.

23-    Li, X., Yeh, A. G. O., 2002. Neural-network-based cellula r automata for simulating multiple landuse changes using GIS. int. j. geographical information science, Vol. 16, pp. 323- 343

24-  محجوبی- ع، تجریشی_ م، »مقایسه عملکرد الگوریتم­های شبکه عصبی مصنوعی و درختان تصمیم­گیری در پیش­بینی تغییرات شوری آب رودخانه­ها مطالعه موردی: رودخانه کارون«- چهارمین همایش و نمایشگاه تخصصی مهندسی محیط زیست، 1389، دانشگاه تهران، ایران.

25-  بامری، ابوالفضل و همکاران، »تغییرات مکانی کربن آلی در موقعیت­های مختلف شیب در منطقه توشن استان گلستان«، مجله حفاظت آب و خاک، 1391، دوره 19، صص61-43.

26-   Almasri, MN., Kaluarachchi, JJ., 2005. Modular neural networks to predict the nitrate distribution in ground water using the onground nitrogen loading and recharge data. Environmental Modelling & Software, Vol. 20 (7), pp. 851- 871.

27-  ذوقی، محمد جواد و همکاران، »مدلسازی غلظت تری­هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی«، مجله علوم و تکنولوژی محیط زیست، 1393، دوره 16، شماره 3، صص 10-2.

28-  پورمحمدی، سمانه و همکاران، »مقایسه کارایی روش­های شبکه عصبی و سری­های زمانی در پیش­بینی سطح آب زیرزمینی (مطالعه موردی: زیر حوزه بختگان استان فارس)«، نشریه پژوهش­های حفاظت آب و خاک، 1392، جلد بیستم، شماره 4، صص 261-251.