روند ارزیابی تغییرات منیزیم با استفاده از شبکه عصبی و سیستم اطلاعات مکانی در روستاهای شهرستان گنبد (استان گلستان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناس ارشد، دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران

2 استادیار دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران

چکیده

چاهها یکی از اصلیترین منابع تأمین کننده آب شرب، کشاورزی و صنعت میباشند. کیفیت آب از لحاظ شرب نیز در بین پارامترهای کیفی مهمترین پارامتر است. بنابراین بررسی و پیش بینی آلودگیها از اهداف مدیران و برنامهریزان میباشد.در این تحقیق از شبکه عصبی مصنوعی و سیستم اطلاعات مکانی برای تعیین آلودگی پارامتر منیزیم در آبهای روستاهای گنبد از استان گلستان در چهار سال متوالی 87 و 88 و 89 و 90 استفاده شده است. در این مدل شبکه عصبی مصنوعی در ساختار پرسپترون، با تعداد لایههای پنهان و نرونهای مختلف، مورد ارزیابی قرار گرفتهاند. در حال حاضر آلودگی آبهای زیرزمینی به دلیل فعالیتهای شیمیایی و صنعتی در حال افزایش است. بنابراین نیاز به شناسایی مناطق آسیبپذیر منطقه برای جلوگیری از آلودگی آبهای زیرزمینی است. همچنین در این تحقیق برای تعیین آلودگی آبهای زیرزمینی از نقشه هایی همچون: توپوگرافی، زمین شناسی، موقعیت چاهها، شیب، و ... در محیطهای مکانی استفاده شد. پس از تعیین میزان آلودگی با استفاده از مدلهای شبکه عصبی، خروجی مدل در محیط مکانی به نقشههای آلودگی دست پیدا کردهایم. همچنین با مشاهدهی نقشههای آلودگی و دادههای موجود در سالهای ذکر شده میتوان نتیجه گرفت که میزان آلودگی کم بود و این آلودگی نمیتواند خطرآفرین باشد.

کلیدواژه‌ها


عنوان مقاله [English]

The Process of Evaluating Magnesium Changes Using Neural Network and Geospatial Information System In the villages of Gonbad city (Golestan province)

نویسندگان [English]

  • Mohammadzaman Ahmadi 1
  • Saeed Behzadi 2
چکیده [English]

Abstract
Wells are one of the main sources of drinking water, agriculture and industry. Water quality in terms of drinking is the most important parameter among qualitative parameters. Therefore, the investigation and anticipation of pollution are the goals of managers and planners. In this research, artificial neural network and geospatial information system have been used to determine the contamination of magnesium parameter in the water of Gonbad villages in Golestan province during the 4 consecutive of 2008, 2009, 2010 and 2011. In this model, the artificial neural network has been evaluated in Perceptron structure with a number of hidden layers and various neurons. At present, pollution of underground is increasing due to the chemical and industrial activities. Therefore, it is necessary to identify vulnerable areas to prevent the pollution of groundwater. Also, in this research, to determine the groundwater contamination, maps such as topography, geology, location of wells, slopes and …, were used in spatial environment. After determining the amount of contamination using the neural network models and the output of the model in spatial environment, the pollution maps were obtained. Also, by observing contamination maps and data available in the aforementioned years, it can be concluded that the level of pollution was low and this pollution cannot be dangerous.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Geospatial Information System
  • Underground water pollution
  • Magnesium pollution

1- پهلوانی، ح.، بهره‌مند، ع.، دهقانی، الف.، سعدالدین، الف. (1390). «ارزیابی کارایی مدل شبکه عصبی مصنوعی در تخمین هوشمند هیدروگراف سیل در رودخانه ی جعفر آباد گرگان»

2- ذرتی پور، الف.، سلاجقه، ع.، المعالی، ن.، عسگری، ح.، (1387). «بررسی مدل بارش - رواناب با استفاده از روش‌های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)»

3- رجایی، ط؛ میرباقری، الف. (1388). «مدل بار معلق رودخانه ها با استفاده از شبکه عصبی مصنوعی».

4- زارع ابیانه، ح.، بیان ورکشی، م.، اخوان، س.، محمدی، م. (1390). «تخمین نیترات آب زیرزمینی دشت همدان - بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش بینی».

5- عزیزی، ع.، حسن پور، س.، سلیمانی، ح.، عزیزی، و. (1391). «پهنه بندی آسیب‌پذیری آبخوان دشت گربایگان در مقابل آلودگی با استفاده از روش دراستیک در محیط GIS»، نوزدهمین همایش ملی ژئوماتیک.

6- قربانی‌زاده خرازی، ح.، معاضه، هـ .، استاد علی عسگری، ک. (1389). «مدلسازی آلودگی نیترات در آب‌های زیرزمینی حاشیه زاینده رود با استفاده از شبکه عصبی مصنوعی».

7- مختاری، ز.، ناظمی، الف.، ندیری، ع.، (1391). «پیش‌بینی تراز آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: دشت شبستر)».

 8- مختاری، ز؛ ناظمی، الف؛ ندیری، الف. (1391). «پیش‌بینی تراز آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: دشت شبستر)».

9- مهدوی، م. (1382). هیدرولوژی کاربری. انتشارات دانشگاه تهران، جلد 1 و 2.

10- میرزائی، ع. الف، ناظمی، الف. ح.، (1390). «پیش‌بینی سطح تراز ایستایی با استفاده از سامانه های هوشمند (مطالعه ی موردی دشت شبستر). مجله مهندسی منابع آب، سال چهارم.

11- نعمتی، سمیرا.، نقی پور، ل.، فاضلی فرد، م.، (1393). «مدلسازی شبکه عصبی مصنوعی از محلول جامدات در سیمینه رود ایران».

12- نیکو، م.، نیکو، م.، بابایی نژاد، ت.، امیری، آ.، رستم پور، ق. (1390). «تعیین کیفیت آب در مسیر رودخانه با استفاده از شبکه عصبی مصنوعی تکاملی» (مطالعه موردی رودخانه‌ی کارون بازه شهید عباسپور - عرب اسد).

13- Arffin, j., Abdul chani, A., Zakaria, N. and Shukri Yahya, A. (2003) Sediment prediction using and regression approach. 1st international conference on managing rivers in the 27th century: issues & challenges.

14- Gazzaz, N., Yasoff, M., Aris, A., Juahir, H., Ramli, M. (2012). "Artificial neural network modeling of the water guality index FOR Kinta river (Malaysia) Using water quality variables as preditors.

15- Greib, L; Djaberi, L; Hani, A; Bouhsina, S; Mudry, j; Sharour, I. (2011). “Potential groundwater contamination by toxic metals around an abandoned iron mine, Bekkaria (Algeria)”

16- Huigun and Ling L, 2008. Water quality assessment using artificial neural network. pp. 5-13. International conference on computer science and software engineering. Washington, DC, USA.

17- Orzepowski, W.,  Paruch, M., Pulikowski, K., Kowalczyk, T., Pokladek, R. (2014). Quantitative and qualitative assessment of agricultural water resources under variable conditions of Silesian lowlands (south west Poland).

18- Prudencio, r. Ludermir, T., and carvalho, F. (2002). “neural network hybrid learning: Genetic algorithms and levenberg-marquatt.” 26th annual conference of the gesllschaff fur klassifikaition, Germany, Mannheim 464-472.

19- Sreekanth, P. D., Geethanjali, N., Sreedevi, P. D., Ahmed, S., Ravi Kumar, N. & Kamala Jayanthi, P. D., 2009, “Forecasting groundwater level using artificial neural networks”, Current Science, Vol. 96 (7): 933-939.

20- Tran, N. H., hoong Gin, K. Y., NGY, H. H. (2015). “Fecall Pollution sorce Tracking toolbox for indentification, evaluation and eharacterization of fecal contamination in receiving urban surface waters and groundwater”.

21- www.msnpro.com

22- www.prozhe.com

23- Yang, Y., Rosenbaum, M. S. (2007). “Artificial neural network linked to GIS for determining sedimentology in harbours”.

24-Yazdani, M. K. S. (2008) using artificial neural network in assessing the quality states of rivers.