پتانسیل‌یابی منابع آبهای زیرزمینی در دشت خرم آباد با استفاده از دو روش منطق فازی و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

2 دانش آموخته کارشناسی ارشد سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشگاه محقق اردبیلی.

10.22034/gmpj.2020.118230

چکیده

در سال‌های اخیر با افزایش روز افزون جمعیت و توسعه صنعتی بهره‌برداری از منابع آب زیرزمینی چندین برابر شده است، با تداوم این عمل سطح آب‌های زیرزمینی روز به روز افت کرده است. بنابراین شناسایی این منابع، استفاده بهینه از آن به معنای برداشت پایدار و همیشگی از این ثروت خدادای است.هدف ازاین تحقیق ارزیابی و پتانسیل‌یابی منابع آب‌های زیر‌زمینی با استفاده از رو‌ش‌های منطق‌ فازی و شبکه عصبی مصنوعی دردشت خرم‌آباد است. دراین تحقیق ابتدا نقشه فهرست چاهها تهیه و بعد پارامترهای موثر درپتانسیل‌یابی از قبیل: لایه ارتفاع، شیب، جهت شیب، انحنای سطح، شاخص‌رطوبت توپوگرافی، کاربری‌اراضی، خاک، زمین‌شناسی، فاصله از رودخانه، تراکم زهکشی، فاصله از گسل، تراکم گسل مشخص و نقشه آن‌ها در محیط نرم‌افزارArc GIS  تهیه شد. جهت تهیه نقشه پتانسیل‌یابی منابع آب زیرزمینی از دو روش منطق فازی و شبکه عصبی مصنوعی استفاده شد. در مدل شبکه ‌عصبی‌ مصنوعی الگوریتم پس‌انتشار خطا و تابع فعالسازی سیگموئید به کار گرفته شد. ساختار نهایی شبکه دارای 11نرون درلایه ورودی، 11 نرون درلایه‌پنهان و 1 نرون درلایه خروجی گردید. در مدل منطق فازی از اپراتورهای عملگراجتماع فازی، عملگراشتراک فازی، عملگرضرب جبری فازی، عملگرجمع جبری فازی، عملگرگاما فازی استفاده شد. سپس نتایج هر دو مدل مورد ارزیابی قرار گرفت و در نهایت با مقایسه نتایج به دست آمده روش مناسب جهت پتانسیل‌یابی منابع آب‌های زیرزمینی به دست آمد و همچنین مهمترین عوامل موثر در پتانسیل‌یابی منابع در منطقه مشخص گردید. نتایج ارزیابی شبکه عصبی با چاه‌هایی با دبی بالا نشان می‌دهد که حدود80 درصد ازچاه‌ها درمناطق با پتانسیل متوسط به بالا است درحالی که نقشه منطق فازی حدود 75  درصد چاه‌ها درمناطق با پتانسیل متوسط به بالا را نشان می‌دهد. نتایج این پژوهش نشان داد که روش شبکه عصبی جهت پتانسیل‌یابی منابع آب زیرزمینی نسبت به روش منطق فازی مناسب ترو کاربردی‌تراست.

کلیدواژه‌ها


عنوان مقاله [English]

Groundwater Potential Finding in Khorramabad Plain Using Fuzzy Logic and Artificial Neural Network Methods

نویسندگان [English]

  • Sayyad Asghari 1
  • Maryam riahinia 2
1 Mohaghegh Ardabili University
2 M. Sc student of Mohaghegh Ardabili University
چکیده [English]

Introduction
In recent years, with the growing population, industrial development of groundwater resources has more than doubled, with groundwater levels continuing to fall and eventually reaching a point where there will be no more water to extract. Therefore identifying these resources, making optimum use of them means a permanent and permanent harvest of this natural gods wealth.
Methods and Material
Research Methodology: In this first phase, field studies and data collection were done. Wells map was prepared first and then effective parameters were identified: elevation layer, slope, slope direction, surface curvature, topographic moisture index, land use, soil, geology, river distance, drainage density, fault distance, fault density specified. And their plan was made. Satellite images of ENVI and eCognation software were used for mapping the land and the images were classified with basic pixel and object crosshairs and fuzzy logic and artificial neural network methods were used. Based on fuzzy logic, baseline maps are first ranked based on their impact and importance on groundwater resource potential, and then determined using a fuzzy method for each specific class rating factor. In the neural network method, these agents, along with a number of wells, enter the network as the input layer. In this way, the pattern is trained by the network between the input parameters (network input) and the areas where potential water resources exist (network output), then for The input parameters of the catchment to the trained neural network are predicted corresponding outputs which are potential areas of groundwater potential. Then the results of both models are tested and finally by comparing the results of the neural network model with the fuzzy logic model an appropriate method for groundwater resource potential in the catchment is obtained and the most important factors in resource potential in the area are identified.
Results and discussion
Evaluation of effective layers in the potential of groundwater resources: The results of the elevation factor showed that the highest percentage (33%) of the area with high potential is located at an altitude of 1700-2000 m, which is the average altitude of the region, and the results of the slope factor study show that the highest percentage of high and medium potential areas is on the slope 0-1 is located and the highest percentage of areas with low potential is on the slope of 60- 173 and the highest percentage of areas with high and medium potential to the northeast direction and the highest percentage of areas with low potential is in the southern direction.
The results of the study of lithology class (formation) show that the highest percentage of areas with high and medium potential. The weak are in the class (reserves of old and new mountaineering terraces and conifers). And the highest percentage of soil in the region is in areas with high potential and weak in the group (rocky / intulse outlets) and the highest percentage of areas with medium potential in the group (rocky direction outlets / input solo).The results of the study of the distance from the river show that the highest percentage of areas with high potential is located in the nearest distance from the river 200 meters and the highest percentage of areas with medium and weak potential is in a range far from the river. The results of the fault gap survey show that the highest percentage of areas with high and medium potential is located in the closest distance from the fault (0-0.032) and the highest percentage of areas with low potential (0.115-0.170).
Precipitation and temperature estimates show that the highest percentage of areas with high, medium and weak potential is in the range of 756-844 and the highest percentage of areas with high, medium and weak potential is in the range of 13-15. And the highest percentage of areas with high and low potential is in the use of medium rangeland and the highest percentage of areas with medium potential is in forest use. The results of the groundwater map show that the highest percentage (36.85) of areas with high potential is in the class of 10.12-6.74.
Evaluation of the classification maps of the results shows that the accuracy of kappa in object-class classification is 96% and in base pixel 85%. Neural network results also show that about 39% of the area has high potential of groundwater, while fuzzy logic map shows about 87% of the area with low potential
Conclusion
Using the descriptions needed for basic pixels and taps, we can provide you with faster access to various sites, loops, content and technical and engineering information in a variety of areas, in the entertainment and leisure markets. Read yourself below. From this research it can be concluded that your neural network can control the energy potential of water Underground is more practical than the appropriate fuzzy logic method because its results are closer to the ground. Factors such as slope factor can be considered as an important factor in the potential of groundwater resources because of the high percentage of potential areas in the range of 0-10%.

کلیدواژه‌ها [English]

  • Groundwater Resource Potential
  • Artificial Neural Network
  • Fuzzy logic
  • Object Oriented Classification
  • حاجی عزیزی، محمد؛ رحمانی، محمود؛ بیگلری، نجف، 1393، تحلیل اجزای محدود سدهای زیرزمینی و نکات مهم در طراحی و اجرای آن‌ها، مطالعه موردی: سد زیرزمینی آبخوری در استان سمنان، مجله مدل‌سازی در مهندسی، سال دوازدهم، شماره 38، صص 165-153.
  • خوشحال دستجردی، جواد؛ حسینی، سید محمد، 1389،کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشکسالی مطالعه موردی استان اصفهان، جغرافیا و برنامه ریزی محیطی، سال 3، شماره 39، صص 107-120.
  • راکعی، بابک؛ خامه‌چیان، ماشالله؛ عبدالملکی ، پرویز؛ گیاهچی، پانته آ، 1386، کاربرد سیستم شبکة عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش, مطالعه موردی: ناحیه سفیدار گله در استان سمنان، مجله علوم دانشگاه تهران، سال 3، شماره 33، صص 64_57.
  • رحیمی، محمد؛ سلیمانی،کریم، 1395، ارزیابی پتانسیل منابع آب زیرزمینی دشت دهگلان برپایه سیستم اطلاعات جغرافیایی و سنجش ازدور با استفاده از تکنیک تصمیم گیری چند معیاره، نشریه علمی پزوهشی علوم ومهندسی آبخیزداری ایران، سال دهم، شماره 35، صص38-27.
  • زرندی، یوسف؛. فرخ‌زاده، بهنوش؛ یوسف زاده چابک، معصومه؛ تیموریان، تیمور،1396، پتانسیل‌یابی منابع آب زیرزمینی با استفاده از الگوریتم حداکثر آنتروپی و سامانه اطلاعات جغرافیایی ( مطالعه موردی: دشت همدان – بهار)، فصلنامه علمی و پژوهشی مهندسی آبیاری و آب، سال 8، شماره29،صص 123-110.
  • علیزاده، امین، 1389، اصول هیدرولوژی کاربردی، چاپ سی و یکم، انتشارات دانشگاه امام رضا (ع)، مشهد.
  • قربانی‌نژاد، سمیرا؛ دانشفر، مانیا؛ رحمتی، امید؛ فلاح، فاطمه؛ حقی‌زاده، علی؛. طهماسبی‌پور، ناصر، 1396، پتانسیل‌یابی منابع آب زیرزمینی دشت ازنا – الیگودرز با استفاده از متغیرهای محیطی و مدل نسبت فراوانی، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال 8، شماره 2،صص77  -62.
  • کردوانی، پرویز؛ موغلی، مرضیه؛ فرخی، حامد، 1391، ارزیابی سد خاکی لاور بر آب‌های زیرزمینی دشت لاور فین (بندرعباس)، فصلنامه جغرافیایی طبیعی، سال 5، شماره 15، صص 1-9.
  • فلاح، فاطمه؛ دانشفر، مانیا؛ قربانی نژاد،  سمیرا، 1396، پتانسیل‌یابی منابع آب زیرزمینی در محدوده مطالعاتی خرم‌آباد با استفاده از روش شاخص آماری، نشریه آب و توسعه پایدار، سال چهارم، شماره1،صص 89 تا 98.
  • نوحانی، ابراهیم؛ معروفی‌نیا، ادریس؛ خسروی، خبات، 1397، ارزیابی روش نسبت فراوانی در پتانسیل‌یابی منابع آب زیرزمینی دشت الشتر  استان لرستان، نشریه آبیاری و زهکشی ایران، سال 1، شماره 12، صص 129 – 119.
  • یمانی، مجتبی؛ علیزاده، شهناز، 1393، پتانسیل‌یابی منابع آب زیرزمینی با استفاده از مدل AHP (مطالعه موردی : حوضه آباده – اقلید فارس)، فصلنامه هیدروژئولوژی، سال 1، شماره1، صص 144-131. 
  • یوسفی سنگانی، کیوان، 1391، ارزیابی مناطق مستعد پتانسیل منابع آب زیرزمینی ارتفاعات هزار مسجد –در محدوده  کلات نادری تا زنگلانلو به کمک فنآوری‌های GIS وRS ، پایان‌نامه برای دریافت درجه‌ کارشناسی ارشد در رشته‌ی زمین‌شناسی گرایش آب‌شناسی (هیدرو‌ژئو -لوژی)، دانشگاه فردوسی مشهد دانشکده‌ی علوم، 139ص.
  • همتی، فریبا، 1397، شناسایی الگوی رفتاری پهنه گسل های فعال بر اساس روش المان محدود و ارزیابی ارتباط آن با ماهیت و پراکنش مخاطرات ژئومورفیک مطالعه موردی: پهنه گسل بناروان، پایان نامه برای دریافت درجه کارشناسی ارشد در رشته ی ژئومورفولوژی در مدیریت محیط، دانشگاه برنامه ریزی و علوم محیطی تبریز، 236ص.
  • Deng, F. Deng, Z. Dan, L. Daqing, W. Duan, H. Xing,  Z; 2016. Application of remote sensing and GIS analysis in groundwater potential estimation in west Liaoning Province, China. Journal of Engg Research ,4:(3), pp 1-17.
  • Ghimire, M. Chapagain, P S. Shrestha, S; 2017. Mapping of ground water spring potential zone using geospatial techniques in the Central Nepal Himalayas: A case example Melamchi-Larke Area, Journal of Earth System Science, 128( 2), pp 26-24.
  • Lee, S. Ryu, J H. Lee, M. J. Won, J. S; 2006. The Application of artificial neural networks tolandslide susceptibility mapping at Janghung, Korea. Mathematical Geology, 38(2), pp 199-220.
  • Lee, Saro. Song, K. Kim, Y. Park, I; 2012. Regional groundwater productivity potential mapping using a geographic information system (GIS) based artificial neural network model, Hydrogeology Journal, 8(20), pp1511–1527.
  • Manap, M. Nampak, H. Pradhan, B. Lee,  S. Sulaiman, W. Ramli, M; 2012 .Application of probabilistic-based frequency ratio model in groundwater potential mapping using remote sensing data and GIS. Arabian Journal of Geosciences, 7(2), pp 711-724.
  • Suganthi, S. Elango, L. Subramanian, S K; 2013. Ground- water potential zonation by Remote Sensing and GIS techniques and its relation to the Groundwater level in the part of Coastal the Arani and Koratalai River Basin. Southern India, Earth Sci.  Res. SJ, 17(2), pp 87 – 95.