مشخصات پژوهش

صفحه نخست /کاربرد شبکه عصبی کانولوشن ...
عنوان کاربرد شبکه عصبی کانولوشن برای پهنه‌بندی آسیب‌پذیری آبخوان‌ در برابر آلودگی
نوع پژوهش مقاله ارائه شده
کلیدواژه‌ها آب‌های زیرزمینی، آسیب‌پذیری آبخوان، مدل DRASTIC، شبکه عصبی کانولوشن (CNN)، نیترات.
چکیده ارزیابی آسیب‌پذیری آب‌های زیرزمینی ابزاری کلیدی برای مدیریت پایدار منابع آب به شمار می‌رود، به‌ویژه در مناطقی که تحت فشارهای فزاینده انسانی و تغییرات اقلیمی قرار دارند. چارچوب سنتی(BDF ) DRASTIC کاربرد گسترده‌ای یافته است، اما به دلیل اتکای زیاد به مقادیر نرخ و وزن تعیین‌شده توسط کارشناسان، با عدم قطعیت ذاتی مواجه است. به‌منظور رفع این محدودیت، در این پژوهش رویکردی نوین مبتنی بر شبکه عصبی کانولوش (CNN ) توسعه داده شد تا شاخص‌های آسیب‌پذیری آبخوان استخراج شوند. . سه تعریف از آسیب‌پذیری آبخوان مبنای طراحی سه شاخص قرار گرفت: شاخص آسیب‌پذیری ذاتی (IVI )، شاخص آسیب‌پذیری ویژه (SVI ) و شاخص آسیب‌پذیری کل(TVI ) . برخلاف IVI، دو شاخص SVI و TVI غلظت نیترات را در نظر گرفتند تا جنبه آلودگی‌محور آسیب‌پذیری نیز لحاظ شود. روش پیشنهادی در آبخوان ارومیه واقع در شمال‌غرب ایران پیاده‌سازی شد، جایی که آب زیرزمینی نقش حیاتی در تأمین مصارف کشاورزی و شرب دارد. شاخص‌های مبتنی بر CNN توانستند نقاط بحرانی آلودگی را شناسایی کنند و در مقایسه با نقشه‌های BDF از بروز تغییرات ناگهانی در کلاس‌های آسیب‌پذیری جلوگیری نمایند. عملکرد مدل‌ها بر اساس نمودار ROC و مقادیر AUC ارزیابی شد که به ترتیب برابر با 81/0 برایBDF، 91/0 برای IVI و 95/0 برای هر دو شاخص SVI و TVI بود. نتایج نشان دادند که CNN موجب بهبود چشمگیر پهنه‌بندی آسیب‌پذیری از طریق کاهش عدم قطعیت و ارائه الگوهای مکانی واقع‌بینانه‌تر می‌شود. علاوه بر این، اگرچه مقادیر AUC برای SVI و TVI یکسان بودند، اما توزیع‌های مکانی آن‌ها تفاوت قابل توجهی داشت که بیانگر بینش‌های مکمل ارائه‌شده توسط انواع مختلف شاخص‌های آسیب‌پذیری است. به‌طور کلی، چارچوب توسعه‌یافته مبتنی بر CNN دقت ارزیابی آسیب‌پذیری آبخوان‌ها را ارتقا می‌دهد. نتایج نشان می‌دهد که این رویکرد می‌تواند به عنوان ابزاری کارآمد در پشتیبانی تصمیم‌گیری به‌کار رود، به‌گونه‌ای که IVI برای نقشه‌برداری آسیب‌پذیری ذاتی و SVI و TVI برای مدیریت ریسک‌های آلودگی نیترات مناسب‌تر هستند. این دستاورد مسیر نویدبخشی برای ادغام یادگیری ماشین در مطالعات آینده آسیب‌پذیری آب‌های زیرزمینی ارائه می‌کند.
پژوهشگران مرجان معظم نیا (نفر اول)، سینا صادق فام (نفر دوم)، بهمن موسوی (نفر سوم)