@article { author = {Yoosefdoo, I and Khashei Siuki, A}, title = {Determine the Vulnerability of the Aquifer Using the Standard Drastic and Data-Based Methods (Case Study: Kochisfahan Aquifer)}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {9}, number = {2}, pages = {99-116}, year = {2018}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {}, abstract = {The use of groundwater plays an important rule for agricultural and drinking water purposes in the north of Iran especially in Koochesfehan region. In these areas, the excessive use of chemical fertilizers, especially nitrogen based ones, beside the inadequacy in the treatment and release of urban and industrial wastewater are some of the most effective parameter in groundwater pollution, especially about the concentration of nitrate. Therefore, identification and mapping of vulnerable aquifer areas, i.e. areas where pollutants can be penetrated and discharged from the ground surface to the groundwater system, is an appropriate management tool for preventing the pollution of groundwater resources. In this study, with the purpose of identifying vulnerable aquifers and areas with high nitrate content as the main vulnerability areas, by using 7 variables the Drastic method and by using the Aller weighing criterion, vulnerability index of the region was estimated. Then, by comparing the vulnerability index and the amount of nitrate measured in the zoned area, the correlation between nitrate and Drastic vulnerability index was calculated. The results showed that the vulnerability of the Astaneh-Koushfahan plain aquifer is located in four areas: 56.16% of the plain has a low vulnerability, 51.29% has a low to moderate vulnerability, 28.46% has a moderate to high vulnerability, 67.1% is vulnerable. It is too much. The correlation between the Drastic (vulnerability) index and the concentration of nitrate was 80%, which confirmed that nitrate was the main cause of vulnerability in this the aquifer. So, finding a method for estimating the amount of nitrate in present and future in this area with high speed and precision was assumed as the goal of this study. The amoun of nitrate were estimated with four artificial intelligence methods: artificial neural network, fuzzy model, support vector model and fuzzy-neural network. For this purpose, the seven Drastic variables data assumed as input parameters and the measured nitrate content in 30 different wells of the area were zoned by use of GIS software and divided into two categories of training and experimentation and they give as output parameters to all data-driven models. The results showed that all used artificial intelligence models give a good estimation of the amount of nitrate, but the neural network model had the best results, so that there was a correlation of 98% between computational nitrate and observation nitrate value. Finally, by choosing the model of the neural network as the superior model, it was tried to estimate the nitrate by decreasing the input parameters. The results showed that with 5 parameters of soil environment-unsaturated medium-saturated environment -water-hydraulic and eliminating two parameters of nutrition and topography, the correlation of estimated nitrate with the actual amount of measured nitrate is 0.90.}, keywords = {vulnerability,Drastic,Nitrate concentration,Artificial Neural Network,Fuzzy Network,Support vector machine}, title_fa = {تعیین آسیب‌پذیری آبخوان با روش دراستیک استاندارد و روش‌های داده‌مبنا (مطالعة موردی: آبخوان کوچصفهان)}, abstract_fa = {در سال‌های اخیر، افزایش جمعیت و به‌تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب‌های زیرزمینی، به‌دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه‌بندی مناطق آسیب‌پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده‌ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آلـودگی منـابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنه‌بندی پتانسیل آسیب‌پذیری آبخوان دشت آستانه، در منطقة کوچصفهان از توابـع استان مازندران، روش دراستیک ((DRASTIC به‌کـار گرفته شد که یکی از کاربردی‌ترین روش‌هـای هم‌پوشـانی است. برای صحت‌سنجی مدل، از داده‌های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب‌های زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بی‌رویه ازکودهای شیمیایی، به‌ویژه کودهای نیتروژن‌دار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آب‌های زیرزمینی منطقه شمرده می‌شود. ازاین‌رو، بررسی آلودگی نیترات که یکی از مهم‌ترین مسائل زیست‌محیطی در آب‌های زیرزمینی است، به‌صورت منظم و دوره‌ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب‌پذیری این منطقه معرفی شد. نتایج نشان داد آسیب‌پذیری آبخوان دشت آستانه‌ـ کوچصفهان در چهار محدوده قـرار دارد. 18/56% دشت دارای آسیب‌پذیری کـم، 51.29% دارای آسیب‌پذیری اندک تا متوسط، 28.46% دارای آسیب‌پذیری متوسط تا زیاد و 1/67% دارای آسیب‌پذیری زیـاد اسـت. میزان همبستگی بـین شـاخص دراسـتیک (شاخص آسیب‌پذیری) با غلظت نیترات 80% به‌دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده‌های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه‌گیری و پهنه‌بندی‌شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل‌های هوش مصنوعی به‌کار گرفته‌شده تخمین مناسبی از مقدار نیترات می‌دهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ به‌طوری‌که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی به‌منزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین‌زده‌شده با مقدار واقعی نیترات اندازه‌گیری‌شده برابر 0.90 است. درنتیجه، می‌توان تخمین مناسبی از مقدار نیترات و نیز آسیب‌پذیری این منطقه داشت. این نکته برتری روش‌های هوش مصنوعی در بررسی آسیب‌پذیری را، ور مقایسه با روش دراستیک، نشان می‌دهد. نتایج نشان داد که مدل‌های هوش مصنوعی روشی کارآ در تخمین آسیب‌پذیری آبخوان محسوب می‌شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه می‌دهند.}, keywords_fa = {آسیب‌پذیری,دراستیک,GIS,شبکة عصبی و فازی,ماشین بردار پشتیبان}, url = {https://gisj.sbu.ac.ir/article_96332.html}, eprint = {https://gisj.sbu.ac.ir/article_96332_26ffac5e498d82a7b310f7b806c61440.pdf} }