Groundwater Quality Prediction and Investigating the Effect of its Changes on Land Prices

Reza Moghaddasi ¹ ( Faculty Member of Agricultural Economics, Islamic Azad University of Science and Research )
Danial Valadkhan ² ( Ph. D student of Agricultural Economic - Natural Resources and Environmental )
Amir Mohammadinejad ³ ( Faculty Member of Agricultural Economics, Islamic Azad University of Science and Research )

Submited date : 2023-05-12 Accepted date : 2024-08-21

Keywords: Water Quality, Neural network, Groundwater, Prediction, LSTM,

Abstract :

The main goal of this study is to predict the groundwater quality index in the short term. This process is made with the historical data of four variables that affect groundwater quality as input data. The effective parameters on the groundwater quality index ‎include rainfall rate, temperature and groundwater ‎abstraction was collected from 2009 to 2021. The results showed that the decrease in rainfall, and increase in temperature and the increase in groundwater abstraction in the warm seasons of the year cause a decrease in the groundwater quality index with a short-term break. Also the results showed that the Long-Short Term Memory model is efficient in groundwater quality prediction by using the historical data of the mentioned variables. Finally, by comparing the changes in the water quality index and the agricultural farms price, it was found that changes in the ground water quality first causes a decline in agricultural activity levels and agriculture land prices, and then by changing lands owner behavior, land price changes become ineffective.

Full-Text:



پیش‌بینی کیفیت آب زیر‌زمینی و بررسی اثر تغییرات آن بر قیمت اراضی 

شهرستان دماوند در استان تهران

رضا مقدسی*¹، دانیال ولدخان2، امیر محمدی نژاد3

1. دانشیار و عضو هیئت علمی گروه اقتصاد کشاورزی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

2. دانشجوی دکتری اقتصاد کشاورزی گرایش منابع طبیعی و محیط زیست دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

3. استادیار و عضو هیئت علمی گروه اقتصاد کشاورزی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

 

 

 

Groundwater Quality Prediction and Investigating the Effect of its Changes on Land Prices

A Case Study of Damavand City in Tehran Province

Reza Moghaddasi1*, Danial Valadkhan2, Amir Mohammadinejad3

1*. Associate Professor and member of the Faculty of Agricultural Economics, IAU of SRB, Tehran. Email: [e-mail] Phone: [phone]

2. Ph.D. student of agricultural economics in natural resources and environment at IAU of SRB, Tehran. Email: [e-mail]

3. Assistant Professor and member of the Faculty of Agricultural Economics, IAU of SRB, Tehran. Email: [e-mail]

 

 

 

 

 

 

 

 

 

Abstract:

Introduction: Groundwater Quality Prediction is special and practical for optimal management and prevention of water resources. Decreasing the quality of groundwater resources is a main challenges in the world. The main goal of this study is to predict the groundwater quality in the short term and to investigate its effect on the price of agricultural land in the region.

Methods: This study has selected several natural and humanity variables which are affected on the groundwater quality and predicted the groundwater quality index with a new model based on the recurrent neural network structure of long-term memory. Three effective variables included the monthly amount of rainfall, the monthly amount of temperature, and the amount of groundwater extraction in m3 on a monthly basis. Monthly data were used from five different wells in five different area of Damavand, related to the period of 2009 to 2022. The neural network architecture was considered long-short term memory type.

Results: The use of LSTM recurrent neural network in this study solves the problem of not knowing the future status of groundwater quality, and by using artificial intelligence technology, it is possible to achieve a future view of the groundwater quality resources situation. By comparing the groundwater quality and the price of lands and predicting the quality of groundwater in the short term, it was found that the decline in the groundwater quality resources first caused a decline in agricultural activities and then with the change in the behavior of land owners, it was often ineffective in the changes in land prices. 

Conclusion: Due to the results of the study, it was suggested that irrigation should be carried out according to the weather conditions in order to reduce the groundwater abstraction, and a specialized working group should be formed to identify the problem of facing the decline in the groundwater quality resources and the decisions of farmers. Develop the use of artificial intelligence technology to predicting natural factors.

Keywords: Groundwater, Water Quality, Prediction, Neural Network, LSTM.

 

 

 

 

 

 

 

 

 

 

 

 

چکیده

زمینه و هدف: پیش‌بینی کیفیت آب‌های زیر‌زمینی برای مدیریت بهینه و جلوگیری از آلودگی این منابع آبی اهمیت ویژه و کاربردی دارد. کاهش کیفیت منابع آب زیر‌زمینی از بزرگترین چالش‌ها در جهان محسوب می‌شود. هدف اصلی این مطالعه پیش‌بینی کیفیت آب زیر‌زمینی در آینده کوتاه مدت و بررسی اثر آن بر قیمت اراضی کشاورزی منطقه است.

روش پژوهش: این مطالعه بر مبنای متغیر‌های برونزای طبیعی و انسانی، چند متغیر اثر‌گذار بر شاخص کیفیت آب‌های زیر‌زمینی را انتخاب کرده و با یک مدل جدید مبتنی بر ساختار شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت² شاخص کیفیت آب زیر‌زمینی را پیش‌بینی نموده است. سه متغیر اثر‌گذار شامل میزان ماهانه بارندگی، میانگین ماهانه دمای هوا، و میزان برداشت آب زیر‌زمینی بر حسب مترمکعب به صورت ماهانه بودند. داده‌ها به صورت ماهانه از پنج حلقه چاه مختلف در پنج منطقه از شهرستان دماوند، مربوط به دوره سال‌های 1388 تا 1400 استفاده شد. معماری شبکه عصبی از نوع حافظه طولانی کوتاه مدت در نظر گرفته شد.

یافته‌ها: یافته ها دقت بالای مدل در پیش‌بینی کیفیت آب در سه ماهه بعد از آخرین داده ورودی مدل را نشان داد. یافته ها همچنین نشان داد که کاهش در بارندگی و افزایش دما و افزایش برداشت آب‌های زیر‌زمینی در فصول گرم سال با وقفه ی کوتاه مدت باعث کاهش کیفیت آب‌های زیر‌زمینی می‌شود. بررسی ضرایب همبستگی متغیر‌ها در مدل نیز که با وقفه کوتاه مدت انجام گرفت، نشان داد به ترتیب برداشت آب زیر‌زمینی، بارش باران و دمای هوا بر تغییر شاخص کیفیت آب زیر‌زمینی موثر هستند. مقایسه وضعیت شاخص کیفیت آب زیر‌زمینی و قیمت اراضی منطقه نشان داد که قیمت زمین نسبت به کاهش کیفیت آب زیر‌زمینی واکنش نشان نمی‌دهد.

 نتایج و بحث: استفاده از شبکه عصبی بازگشتی LSTM در این مطالعه، چالش عدم آگاهی از وضع آینده کیفیت آب زیر زمینی را حل می کند و با بهره گیری از تکنولوژی هوش‌مصنوعی می توان به آینده ای از وضع کیفیت منابع آب زیر زمینی دست پیدا کرد. با مقایسه کیفیت آب و قیمت زمین و پیش‌بینی کیفیت آب در آینده کوتاه مدت، مشخص شد که افت کیفیت منابع آب زیر‌زمینی ابتداً موجب افت فعالیت‌های کشاورزی و زراعی در اراضی شده و سپس با تغییر رفتار مالکان اراضی، غالباً در تغییرات قیمت زمین ها بی اثر می‌شود. با جمه بندی نتایج مطالعه پیشنهاد شد، برای کاهش برداشت آب زیر‌زمینی اقدام به آبیاری منطبق بر وضعیت آب و هوا گردد، کارگروه شناسایی مشکل مواجهه با افت کیفیت منابع آب و تصمیمات کشاورزان و باغداران، تشکیل گردد. بهره گیری از تکنولوژی هوش مصنوعی در حوزه پیش‌بینی عوامل طبیعی توسعه یابد.

واژه‌های کلیدی: آبخوان؛ پیش بینی؛ کیفیت آب؛ شبکه عصبی؛

 

 

 

 

 

 

 

 

1. بیان مسئله

افزایش جمعیت جهان طی قرن اخیر باعث افزایش تقاضا برای غذا و محصولات کشاورزی شده و این امر موجب افزایش فعالیت‌های کشاورزی، توسعه شهر نشینی و گسترش صنایع گشته و به تبع آن منابع طبیعی از جمله آبخوان‌ها بیش از پیش در معرض خطر قرار گرفته است. افزایش جمعیت همچنین سبب افزایش کشت آبی شده و همین موضوع تقاضای آب در سطح جهان را افزایش داده است (1). هدف این مطالعه بررسی اثر متغیر‌های اقلیمی و دخالت انسان بر تغییر کیفیت آب زیر‌زمینی با استفاده از روش شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM RNN³) است. این متغیر‌ها شامل میزان بارندگی و دمای هوا، به همراه اصلی‌ترین متغیر تاثیر گذار یعنی میزان استحصال آب زیر‌زمینی می باشند. کیفیت آب باید بر اساس متغیرهای فیزیکی و شیمیایی در ارتباط با استفاده از آب، تعریف شده باشد. اگر چه مفهوم کیفیت آب زیر‌زمینی واضح به نظر می رسد، اما چگونگی بررسی و ارزیابی آن، نیاز به برخی ترفند‌های خاص دارد (2). این موضوع بسیار حائز اهمیت است که اگر میزان برداشت منابع آب زیر‌زمینی از میزان تجدید این منابع پیشی بگیرد، ممکن است برداشت بی‌رویه موجب تخریب و تخلیه کامل آبخوان‌ها گردد (3). کاهش سطح آب‌های زیر‌زمینی از یک سو موجب افت کیفیت منابع و از سوی دیگر موجب اختلال در چرخه طبیعی هیدرولوژی و همچنین سایر اکوسیستم‌های مرتبط می‌شود (1). یکی از بزرگترین نگرانی‌ها و مشکلات کاهش کیفیت در عرضه آب‌های زیر‌زمینی است چرا که به عنوان اصلی‌ترین منبع آب آشامیدنی در مناطق خشک و نیمه‌خشک و همچنین منبع تامین آب آبیاری در بخش کشاورزی در این مناطق محسوب می‌شود (4). دشتی برمکی و همکاران (2) در مطالعه ای شاخص کیفیت آب زیر‌زمینی را در آبخوان لنجانات ارزیابی نموده اند. آنها با ارزیابی 66 نمونه آب از این دشت و با در نظر گرفتن کاربری اراضی در منطقه، به این نتیجه رسیدند که در امتداد زاینده رود که شالیزارها را در بر می گیرد، کیفیت آب به کمترین حد خود می رسد. سازمان جهانی محیط زیست برای اولین بار شاخص کیفیت منابع آب زیر‌زمینی را برای درجه بندی میزان آلودگی این منابع معرفی کرد (5). ساختار آبخوان‌ها به صورت انعطاف پذیر و پویاست. به این صورت که آب به صورت آهسته و پیوسته از نواحی اشباع شده و پر آب به سمت نواحی خالی حرکت می کند. آبخوان‌ها در درجه اول، منابع همواره در خطر و حفاظت نشده محسوب می شوند. اگر چه این منابع، هر ساله دچار کاهش و تخلیه آب و سپس به وسیله نزولات و نفوذ جریانات سطحی به خاک دوباره تجدید می شوند (6). به دلیل همین ویژگی پویایی ساختار منابع آب زیر‌زمینی و توجه به محدودیت این منابع، مدیریت و پیش‌بینی وضعیت آن در آینده نقش مهم و اساسی در مدیریت منابع طبیعی ایفا خواهد نمود. همچنین تغییرات کیفیت آب زیر‌زمینی می‌تواند چالش‌های اقتصادی را در حوزه تولیدات کشاورزی و قیمت گذاری اراضی زراعی و باغی به دنبال داشته باشد. حسینی و همکاران (7) در مطالعه ای به بررسی کاربرد شاخص کیفیت آب و هیدروژئوشیمی در ارزیابی کیفی آب سطحی، مخازن چاه نیمه استان سیستان و بلوچستان پرداختتد. آن ها با بهره‌گیری از 84 نمونه مختلف جمع‌آوری شده از ایستگاه ها و به کارگیری نمودارهای پایپر و گیبس و روش‌های آماری به تحلیل هیدروژئوشیمیایی داده‌ها پرداختند. نتایج نشان داد که همبستگی بالایی میان پارامترهای چون کلیفرم، نیترات، سولفات و کلر با شاخص کیفیت آب وجود دارد و نتایج پهنه بندی کیفی بر اساس شاخص کیفیت آب نشانگر کاهش کیفیت آب در برخی چاه نیمه ها بود. پژوهشگران در مطالعه فرآیندهای هیدرولوژیکی، از شبکه‌های عصبی نیز استفاده نموده‌اند. فرزین و همکاران (8) در مطالعه ای عملکرد شبکه عصبی مصنوعی در پیش‌بینی و تحلیل فرآیندهای هیدرولوژیکی را مورد بررسی قراردادند. مطالعه ی آنها در حوضه آبخیز نازلوچای در آذربایجان غربی و با مقایسه دو مدل شبکه عصبی مصنوعی و مدل بهبود یافته موجک – شبکه عصبی انجام شد. نتایج نشان داد که متوسط میزان کمبود آب در 8 سال آینده در منطقه حدود 95/2 میلیون مترمکعب خواهد بود. متغیر‌های هیدرولوژیکی مانند باران، روان آب‌های سطحی، دما، تبخیر سطحی، نفوذ آب به بافت خاک و اعماق زمین و آبخوان‌ها بخشی از فعل و انفعالات طبیعی اکوسیستم هستند. همچنین ویژگی‌های هیدرولوژیکی منابع آب زیر‌زمینی اصلیترین خصوصیات قابل توجه برای تجزیه و تحلیل کیفیت این منابع آبی به شمار می روند. منابع آب زیر‌زمینی بخش مهمی از چرخه هیدرولوژیکی هستند که همیشه در سطوح زیرین به عنوان آبخوان شناخته می شوند. آبخوان‌ها ممکن است بهم متصل باشند، به همین دلیل دسترسی و بررسی کیفیت آنها موضوعات منطقه‌ای محسوب می‌شود که به وسیله جریان‌های سطحی و زیر‌سطحی تغذیه می شوند. شرایط و مشخصات آبخوان‌ها و کیفیت آب آنها به وسیله ی ویژگی‌های هیدرولوژیکی تعیین می‌شود. به دلیل پیچیدگی ویژگی‌های هیدرولوژیکی آبخوان‌ها و شناخت ابعاد مختلف آن‌ها، شبیه سازی مدل کیفیت آب‌های زیر‌زمینی و سطوح آن امری بسیار دشوار و در مواردی غیر ممکن به شمار می رود. مدل‌های عددی مبتنی بر شاخصه‌های فیزیکی برای درک سیستم هیدرولوژیکی آبخوان‌ها می توانند چرخه ی آبهای زیر‌سطحی و خصوصیات آنها را با جزئیات زیادی شبیه سازی کنند، اما این فرآیند به حجم زیادی از اطلاعات نیاز دارد که عموم آنها قابل دسترس نیستند (9). شدت بارش باران در شرایط مختلف جوی یکی از عوامل اصلی هیدرولوژیکی موثر بر منابع آب زیر‌زمینی در مناطق خشک و نیمه‌خشک به شمار می‌رود. روان آب‌هایی که در سطوح حرکت می کنند و بخشی از آنها نیز به اعماق زمین نفوذ می کنند در نهایت به عنوان جریانات زیر‌سطحی به آبخوان‌ها پیوسته و در آنها ذخیره می‌شوند. زمین رطوبت نفوذ کرده به داخل خاک را جذب کرده و پس از اشباع خاک از رطوبت، آب به لایه‌های زیرین و به آبخوان منتقل می‌شود. این فرآیند در دوران کم بارانی و عمدتا در تابستان به آرامی رخ می‌دهد. اگر تجدید منبع توسط بارش ها و جریانات سطحی به طور مدام انجام نشود، سطح آب‌های زیر‌زمینی افت نموده و کیفیت آب‌های زیر‌زمینی کاهش می‌یابد. با توجه به تاثیر بارش باران بر منابع آب زیر‌زمینی در میان مدت، این متغیر می‌تواند نقش مهمی در پیش‌بینی شاخص کیفیت منابع آب زیر‌زمینی داشته باشد. تقریبا تمام آبخوان‌ها به وسیله ی بارش باران و جریانات سطحی تغذیه می شوند. از سوی دیگر به دلیل پدیده ی گرمای جهانی، تبخیر جریانات سطحی در بلند مدت موجب تخلیه و تخریب منابع آب زیر‌زمینی خواهد شد. ادامه‌ی روند گرمای جهانی، دمای هوا را در تمام جهان افزایش خواهد داد و همچنین تاثیر بسزایی در عوامل محیطی از جمله تبخیر جریانات سطحی و تعرق بیشتر گیاهان خواهد داشت. در حالی که تغییرات آب و هوایی بر روی عوامل هیدرولوژیکی مانند بارش باران، گرما و تبخیر تاثیر می گذارد، بررسی نحوه ی ارتباط و همبستگی دمای هوا و شاخص کیفیت آب‌های زیر‌زمینی بسیار پیچیده است (4).

برای به دست آورن روشی پایدار و مطمئن در ساختار مدیریت آلودگی‌های منابع آبی، محققان بسیار زیادی موضوع پیش‌بینی کیفیت آب را مطالعه نمودند. عملکرد شبکه‌های عصبی هوشمند در حوزه پیش‌بینی کیفیت آب مورد قبول بوده است. گان ژیانگ و همکاران از مدل شبکه عصبی فازی مبتنی بر الگوی T-S⁴ برای بدست آوردن وضعیت کیفیت آب رودخانه لیوکسی بهره گرفتند. آنها شش پارامتر مهم اثر‌گذار بر کیفیت آب را انتخاب نمودند (10). مدل کردن آبخوان‌ها به منظور پیش‌بینی کیفیت و سطح ایستایی آنها از نظر مطالعات هیدرولوژیکی و مدیریتی، مصارف آب کشاورزی و بدست آوردن آب‌های زیر‌زمینی با کیفیت بالا، از اهمیت زیادی برخوردار است. صادقی و همکاران در مطالعه‌ای تغییر کیفیت آب زیر‌زمینی را در مقایسه با تغییر کاربری و میزان بارندگی در منطقه دریاچه زیبار انجام دادند. مطالعه آن‌ها نشان داد که اراضی جنگلی در منطقه طی دو دوره ده ساله کاهش داشته و در مقابل مساحت اراضی کشاورزی افزایش داشته است. اگر چه میزان بارش باران در منطقه طی دوره مطالعه کاهش داشته اما کیفیت آب زیر‌زمینی همچنان مناسب بود. طی این پژوهش آنها به رابطه معناداری در خصوص تغییر کاربری اراضی، کاهش بارندگی و تغییرات کیفیت آب زیر‌زمینی دست نیافتند (17). مطالعه فرآیند‌های هیدرولوژیک در مدیریت منابع آب، از موارد اساسی در بهره‌برداری و مدیریت کمی و کیفی این منابع به شمار می‌رود. بارش از جمله فرآیند‌های هیدرولوژیکی است که کمبود آن سبب به وجود آمدن خشکسالی و کمبود آب می‌شود. پیشرفت تکنولوژی سبب شده تا بشر به دنبال روش‌های نوین برای پیش‌بینی عوامل مختلف باشد. مدل‌های هوش‌مصنوعی از روش‌های مورد علاقه مهندسان است که سبب سهولت در انجام محاسبات می‌شود. از روش‌های هوش‌مصنوعی در پیش‌بینی بسیاری از زمینه‌های منابع آب استفاده شده است (8). هدف از این مطالعه پیش‌بینی نسبتا دقیقی از شاخص کیفیت آب زیر‌زمینی در آینده کوتاه مدت (سه تا شش ماهه) با کمک الگوی شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت است. و پس از آن آثار تغییر کیفیت آب زیر‌زمینی بر تغییر قیمت اراضی منطقه دماوند مورد بررسی قرار می‌گیرد. البته این نکته حائز اهمیت است که دوره شش ماهه در بازه زمانی 10 الی 15 ساله که عموماً برای برنامه ریزی‌های عرضه و تقاضای آب استفاده می‌شود کوتاه مدت به شمار می رود (8) و به طور کلی کوتاه مدت، میان مدت و یا بلند مدت بودن یک دوره زمانی با توجه ماهیت متغیر‌های مورد مطالعه، کاملاً نسبی است. این پیش‌بینی با بهره‌گیری از روش هوش‌مصنوعی و مبتنی بر سنجش و مدل‌سازی عوامل اثر‌گذار بر شاخص کیفیت آب زیر‌زمینی، از جمله بارش باران، دما، و برداشت آب زیر‌زمینی که با مطالعه مقالات این حوزه، به روش کتابخانه‌ای شناسایی و مورد ارزیابی قرار گرفته، خواهد بود. با مرور منابع و مطالعات صورت گرفته می توان نتیجه گرفت که متغیر های انتخاب شده دراین مطالعه اعم از استحصال آب زیر‌زمینی، بارش باران و دمای هوا در بیشتر پژوهش ها به عنوان اصلی ترین عوامل اثر گذار بر کیفیت آب زیر‌زمینی شناخته شده است.

2. منطقه مورد مطالعه

شهرستان دماوند در شمالی شرقی استان تهران واقع شده است. این منطقه به صورت کوهستانی و در بخش‌های میانی و جنوبی به شکل دشت بوده و ارتفاع آن از سطح دریا به طور متوسط به 2000 متر می رسد. کل مساحت منطقه دماوند در حدود 2600 کیلومتر مربع است. دماوند با میانگین 400 میلی‌متر بارش سالیانه و متوسط دمای سالانه حدود ºC 10، آب و هوایی نیمه استپی و نسبتا سرد و خشک دارد (15). پوشش گیاهی در منطقه عمدتا به صورت علفزار، بوته زار، و بخش بزرگی نیز اراضی تحت کشاورزی و باغداری است. دماوند در منطقه خشک و نیمه‌خشک کشور واقع شده و به دلیل شرایط اقلیمی این منطقه منابع آب زیر‌زمینی اصلی‌ترین منبع تامین آب در این منطقه به شمار می رود. همچنین نابسامانی بهره‌گیری از منابع آب زیر‌زمینی در این منطقه مشهود بوده و تخمین زده می‌شود که صد ها حلقه چاه بدون مجوز در منطقه وجود داشته باشد. اطلاعات مربوط به بارش و دمای هوا به صورت ماهانه و همچنین میزان برداشت آب از چاه های نمونه در شکل های (2) تا (4) آمده است.

 

 

 

 

 

 

 

 

 

شکل 1. موقعیت منطقه مورد مطالعه و داده‌های نمونه

سری زمانی داده‌های بارش ماهانه بر حسب میلی‌متر در دوره زمانی 1388 تا 1400 در منطقه دماوند در شکل (2) آمده است.

 

 

 

 

 

 

 

شکل 2. میزان بارش در دوره زمانی 1388 تا 1400 (19)

میانگین ماهانه دمای هوا بر حسب سانتی گراد در دوره زمانی 1388 تا 1400 از اداره هواشناسی شهرستان دماوند اخذ شد. شکل (3) میانگین ماهانه دمای هوا را در منطقه مورد مطالعه نشان می‌دهد.

 

 

 

 

 

 

شکل 3. میانگین ماهانه دمای هوا در دوره زمانی 1388 تا 1400 (19)

متغیر برداشت آب‌های زیر‌زمینی یا همان برداشت آب از چاه به شرایط مختلفی وابسته است. از جمله‌ای این شرایط می توان به مقدار نیاز آبی درختان در طول فصول مختلف و دمای هوا اشاره نمود. افزایش دمای هوا موجب تبخیر و تعرق بیشتر شده و نیاز آبی گیاهان را افزایش می‌دهد. همچنین الگوی آبیاری در فصل میوه دهی نیز متفاوت بوده و در فصل سرما نیز آبیاری صورت نمی گیرد. برداشت آب از منابع آب زیر‌زمینی به عنوان اثرگذار ترین عامل در کاهش سطح آب‌های زیر‌زمینی و متعاقب آن افت کیفیت آب شناخته می‌شود. از چاه‌های مورد مطالعه در پژوهش به منظور آبیاری باغ‌ها، مزارع کشاورزی و همچنین در استخرهای خانگی، استفاده می شود. شکل(4)، میزان برداشت آب از چاه‌های مورد مطالعه را نشان می‌دهد.

 

ب) گرمابسرد (m3)	الف) آبسرد (m3)
د) سربندان (m3)	ج) سید آباد (m3)
ه) آیینه ورزان(m3)

 

شکل 4. میزان برداشت سالانه آب از چاه‌های نمونه 

3. مواد و روش ها

نمونه‌های شاخص کیفیت آب و میزان برداشت آب زیر‌زمینی در منطقه از پنج حلقه چاه آب در نواحی مختلف، با شرایط جغرافیایی و ارتفاع های مختلف از سطح دریا گرفته شده است. این نواحی شامل باغ شهر آبسرد، روستای گرمابسرد، روستای سید آباد، روستای سربندان، و روستای آیینه ورزان بودند. عمق چاه‌های انتخاب شده در بازه 30 تا 90 متر بود. شاخص کیفیت آب به روش نمونه گیری از تمام نمونه ها اخذ شد و سایر اطلاعات آب و هوایی اعم از میزان بارش و دمای هوا، از اداره هواشناسی منطقه دماوند اخذ گردید. جدول (1) اطلاعات چاه‌های نمونه را نشان می‌دهد.

جدول 1. اطلاعات چاه‌های نمونه

شماره	مکان حلقه چاه	ارتفاع از سطح دریا (متر)	عمق (متر)	کاربری
1	آبسرد	1936	55	آبیاری باغ‌ها
2	سیدآباد	2400	30	آبیاری  باغ‌ها و استخر خانگی
3	گرمابسرد	1962	65	آبیاری باغ‌ها
4	سربندان	2240	40	آبیاری باغ‌ها و مزرعه کشاورزی
5	آیینه ورزان	2146	86	آبیاری باغ‌ها و استخر خانگی

 

نرمال سازی روشی برای حذف داده‌های خارج از محدوده و همسان سازی وزن داده‌هاست. نرمال کردن داده‌ها برای همسان سازی توزیع داده‌های نمونه مورد استفاده قرار می گیرد. در این مطالعه برای نرمال سازی داده‌ها از رابطه‌ی (1) استفاده شد:

                                                                         (1)

Xnorm,i مقادیر نرمال شده، xi، xmax و xmin به ترتیب بیشترین و کمترین مقادیر نمونه ها هستند. داده‌های نرمال شده در شکل (5) آمده است:

آبسرد	آیینه ورزان
گرمابسرد	سربندان
سیدآباد

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 5. نتایج نرمال سازی داده‌ها

 

ذکر این نکته حائز اهمیت است که متغیر‌های میانگین ماهانه دمای هوا و میزان بارش ماهانه به صورت منطقه‌ای بوده و به موقعیت جغرافیایی چاه‌های نمونه محدود نیست. اما متغیر برداشت آب از چاه و شاخص کیفیت آب چاه به صورت موردی جمع‌آوری شده است. رابطه‌ی (2) مدل مورد استفاده در مطالعه را نشان می‌دهد:

                                                                         (2)

WQIGC شاخص کیفیت آب زیر‌زمینی، Ri میزان بارش ماهانه، Ti میانگین دمای ماهانه هوا و WEi میزان برداشت ماهانه آب‌های زیر‌زمینی را در دوره i ام نشان می‌دهند. 

پیش‌بینی شاخص کیفیت آبهای زیر‌زمینی که از این پس به اختصار WQIGC نامیده می‌شود، یک روش مهم و قابل توجه برای پایش ذخایر آبی زیر‌زمینی و همچنین ترسیم وضعیت این منابع در آینده به شمار می رود (11). مطالعات در این حوزه موجب توسعه روش‌هایی جهت پایش کیفیت آب زیر‌زمینی شده است. همچنین آگاهی از وضعیت کیفی منابع آب در آینده می‌تواند به بهبود تصمیم گیری‌های اقتصادی این حوزه کمک بسزایی کند. WQIGC تحت تاثیر عوامل مختلفی قرار دارد که هیچ یک از آنها ساختار‌یافته نیستند. در این پژوهش از طبقه بندی شاخص کیفیت آبهای زیر‌زمینی در بخش کشاورزی که توسط میرلز و همکاران در سال 2010 توسعه داده شده، استفاده شده است. روش‌های مختلفی برای پیش‌بینی شاخص کیفیت آب وجود دارد، که این روش ها عمدتاً در چهار گروه آمار و ریاضی، تئوری خاکستری، تئوری چائو و شبکه عصبی (یادگیری عمیق) طبقه‌بندی می‌شوند. در مدل‌های آمار و ریاضی دقت مورد نیاز برای پیش‌بینی وجود ندارد. همچنین برای به کارگیری تئوری چاو داده‌های بسیار زیادی نیاز است که این داده‌ها غالباً در دسترس نیستند. تئوری خاکستری نیز برای توابع غیر خطی پیچیده چندان مناسب نیست. همچنین مدل شبکه عصبی سنتی نیز در پردازش داده‌های سری زمانی کارایی لازم را ندارند (12). همین موضوع ما را به سمت استفاده از یادگیری ماشین (یادگیری عمیق⁵) سوق می‌دهد. سیستم‌های یادگیری عمیق برای توابع غیر خطی و همچنین داده‌های سری زمانی تصادفی مناسب هستند (12).

یک شبکه عصبی بازگشتی شامل گروه‌های متوالی از شبکه هاست. هر واحد شبکه ورودی و داده‌های بخش قبلی را دریافت نموده، فرآیند شناسایی داده را انجام می‌دهد و نتایج را در قالب اطلاعات موقت به بخش بعدی منتقل می کند. اخیراً با پیشرفت هوش‌مصنوعی، محققان برای غلبه بر محدودیت‌های شبکه عصبی بازگشتی، سیستم RNN ها را ارتقا دادند. در فرآیند‌های جدید، اجزای لایه پنهان⁶، اطلاعات تولید شده نرون‌های⁷ گذشته را ذخیره می کنند. در RNN‌های استاندارد عموما خطای گرادیان باعث ایجاد اختلال می‌شود، برای رفع این مشکل مدل حافظه طولانی کوتاه مدت⁸، شبکه‌های عصبی بازگشتی را وزن دهی می کند. واحد‌های زنجیره‌ای RNN ها در این حالت تبدیل به واحد‌های متوالی LSTM می شوند. در مرحله بعد درگاه‌های ورودی در مدل، اطلاعات را به حافظه موقت⁹ منتقل می کنند. این نوع از شبکه عصبی موسوم به LSTM کاملا برای غلبه بر وابستگی زمانی در داده‌های سری زمانی ابداع شده است.

 

 

 

 

 

 

 

 

شکل 6. ساختار مدل مورد مطالعه

 

 

 

 

 

 

شکل 7. ساختار باز شده ی عملکرد شبکه عصبی بازگشتی

شکل (6) چارچوب کلی مدل مورد استفاده این پژوهش را نشان می‌دهد. ساختار RNN‌های معمولی شامل لایه ورودی، لایه پنهان و لایه خروجی هستند. شکل (8) ساختار داخلی بخش حافظه موقت (بلوک حافظه) را نشان می‌دهد که عملکرد آن کاملا شبیه RNN‌های ساده است. تشریح پارامترهای xi و yi در شکل (3) دقیقا همانند همین متغیر‌ها در شکل (7) است. متغیر Ci وضعیت بخش حافظه در زمان i ام را نشان می‌دهد که مسئولیت کنترل و به روز رسانی بخش حافظه را بر عهده دارد. برای حفظ متغیر Ci، سه درگاه اصلی عمل می کنند: ورودی¹⁰، فراموشی¹¹ و خروجی¹².

 

 

 

 

 

 

 

شکل 8. ساختار داخلی واحد حافظه‌ی موقت

درگاه ورودی، کنترل کننده ی اطلاعاتی است که باید در حافظه ذخیره گردند. پارامتر ii مقدار درگاه ورودی است که به صورت رابطه (3) تعریف می‌شود:

                                                                 (3)

که در آن:

Wxi وزن میان درگاه ورودی و لایه ورودی، Whh وزن آخرین لایه پنهان و لایه پنهان کنونی،  تابع سیگموئید و bi بردار بایاس هستند. در شبکه‌های عصبی بازگشتی مانند LSTM عموما از توابع سیگوئید و توابع‌هایپربولیک به عنوان تابع عملیاتی در بلوک حافظه استفاده می‌شود. درگاه فراموشی و درگاه خروجی نیز مشابه درگاه ورودی هستند که در در روابط (4) و (5) آمده است:

                                                                 (4)

در رابطه (4)، Wfx وزن میان درگاه فراموشی و لایه ورودی، Wfh وزن میان درگاه فراموشی و لایه پنهان و bf نیز بردار بایاس است.

                                                  (5)

که Wox وزن میان درگاه خروجی و لایه ورودی و Woc وزن میان درگاه خروجی و وضعیت بلوک حافظه در زمان i ام هستند. همچنین bo بردار بایاس است. در روابط (4) و (5)، مقدار درگاه فراموشی برابر fi و مقدار درگاه خروجی برابر oi است. مقدار Ci نیز مطابق رابطه‌ی (6) بدست می‌آید:

                                         (6)

در معادله (6) Wcx وزن لایه ورودی و وضعیت بلوک حافظه در زمان i ام و Wcc وزن میان i امین وضعیت حافظه و وضعیت بلوکه حافظه در زمان بعد از آن هستند. bc نیز مانند روابط قبلی بیانگر بردار بایاس است. در نهایت یک مدل با ساختار کاملا متصل میان لایه‌های ورودی، پنهان و خروجی به صورت شکل (9) ارائه شده است.

 

 

 

 

 

 

 

شکل 9. مدل پیش‌بینی شاخص کیفیت آبهای زیر‌زمینی مبتنی بر شبکه عصبی بازگشتی LSTM

همانطور که در شکل (9) آمده است، X=(xt-1, xt-2, .., xt-d)، ورودی x مقادیر متوالی از پارامتر‌های اثرگذار در ماه d ام هستند که قبل از ماه t ام قرار دارد. تعداد نرون ها در لایه ورودی توسط پله زمانی (ماه) معین می‌شود. پیش‌بینی داده‌های سری زمانی متوالی هنگامی دچار چالش می‌شود که تعدادی از داده‌ها در طول زمان دچار وقفه، یا تغییر ساختار شوند. به عنوان مثال بارش باران در مواقعی از حد معمول فراتر رفته و موجب سیلاب می‌شود و رفتار شناسی این داده‌های در شبکه‌های عصبی سنتی اغلب با خطا مواجه می‌شود. به همین جهت از مدل حافظه‌ی طولانی کوتاه مدت موسوم به LSTM استفاده می شود. این مدل به شبکه اجازه می‌دهد تا روابط غیر خطی و ارتباط داده‌های تصادفی را نیز منعکس کند. طبق نتایج تحقیقات آیش و همکاران شبکه‌های عصبی چند لایه با تعداد لایه‌های زیاد به ندرت نتایج درستی در پیش‌بینی مقادیر ارائه می‌دهند. این مشکل در شبکه ها عموماً «تطبیق بیش از حد¹³» نامیده می‌شود (13).

 H=(h1, h2, .., hi,..hn) مقادیر لایه‌های پنهان هستند. تعداد نرون ها در لایه‌های پنهان به وسیله تکرار گردش شبکه معین می‌شود.  به عنوان پیش‌بینی مدل در خروجی برای t ماه در آینده حاصل می گردد. تنها یک نرون در لایه خروجی وجود دارد به همین خاطر یک مرحله پیش‌بینی در خروجی حاصل می گردد. متغیر  تابع سیگموئید در عملگر حافظه‌ی موقت در هر نرون است. رابطه‌ی (8) خروجی مدل را نشان می‌دهد:

                                                                 (7)

                                                                                 (8)

که Whx وزن میان لایه پنهان و لایه ورودی و Whh وزن آخرین لایه پنهان و لایه پنهان کنونی هستند. by بردار بایاس است. هدف شبکه‌های عصبی برای عملکرد بهتر، شناسایی ضرایب وزنی مناسب میان متغیر‌هاست. تمرین و یادگیری متوالی و مکرر شبکه‌های عصبی موجب می‌شود تا میزان خطای آنها در تولید نتایج کاهش یابد. خطای آماری مجذور میانگین مربعات (RMSE) نشان دهنده ی فاصله مقادیر پیش‌بینی شده و مقادیر واقعی است. به بیان دیگر این شاخص آماری کارایی پیش‌بینی مدل را نشان می‌دهد. مقادیر کمتر شاخص RMSE نشان دهنده ی دقت بالاتر در مدل شبکه عصبی هستند. معادله RMSE در رابطه‌ی (9) آمده است:

                                                                         (9)

همچنین شاخص‌های R2، خطای میانگین مربعات (MSE) و میانگین خطای مطلق (MAE) نیز جهت صحت سنجی عملکرد مدل در روابط (10)، (11) و (12) آمده است:

                                                                                 (10)

                                                                                 (11)

                                                                                 (12)

که y0 مقدار پیش‌بینی شده، و yt مقدار واقعی در زمان t هستند (13 و 18). خروجی آزمون‌های آماری فوق در بخش نتایج مورد بررسی قرار گرفته است. برای ارزیابی دقت پیش‌بینی مدل، مقدار آزمون f-score استفاده شد که معادل آن 75/0 به‌دست آمد. f-score نوعی آزمون تک امتیازی است، که برای ارزیابی مدل‌های باینری به کار گرفته می‌شود. روش این آزمون بر اساس امتیاز دهی به پیش بینی‌های صحیح بر اساس داده‌های تاریخچه مدل است که در حوزه رایانه (گیمیفیکشن)¹⁴ نیز نام گذاری می‌شود (14).

3. نتایج و بحث 

در این پژوهش مجموعه‌ای از داده‌های ورودی به کار گرفته شده‌اند که از لحاظ ساختاری کاملا متفاوت هستند. این نوع از داده‌ها نیاز به یک مدل ساختار‌یافته هوش‌مصنوعی دارند تا بتواند ارتباط میان آنها را در میان مدت و بلندمدت شناسایی کند. به این منظور از یک مدل شبکه عصبی کاملا متصل استفاده شد (شکل 9). آزمون نرمال بودن داده‌ها توسط نرم افزار Eviews 9.0 صورت گرفت. آماره‌های آزمون نرمال بودن، در جدول (2) آمده است:

جدول 2. آزمون نرمال بودن داده‌ها

نمونه	آبسرد	گرمابسرد	سربندان	سیدآباد	آیینه ورزان
آماره جارک برا (Jarque-Bera)	9/0	76/0	76/1	01/1	93/2
احتمال (Probability)	63/0	68/0	41/0	6/0	23/0

 

 

 

برای بدست آوردن تعداد بهینه نرون ها و بهترین عملکرد شبکه، اجرای شبکه با تعداد لایه ها و نرون‌های مختلف چندین مرحله تکرار شد تا بهینه ترین نتایج حاصل گردد. تعداد 10 لایه پنهان در شبکه در نظر گرفته شد که مقدار بهینه بین لایه ورودی و خروجی است. 

ب) آبسرد	الف) گرمابسرد
د) سربندان	ج) سیدآباد
ه) آیینه ورزان

 

شکل 10. نتایج پیش‌بینی شاخص کیفیت آب در پنج منطقه

شکل (10) نتایج خروجی مدل را برای 5 نمونه مورد مطالعه نشان می‌دهد. پردازش داده‌ها توسط نرم افزار کدنویسی شده با Python و در محیط اجرایی Google Collaborator صورت گرفت. نتایج پیش‌بینی شده توسط مدل با خط قرمز رنگ مشخص شده است. داده‌های واقعی سه ماهه نخست 1401 نیز در ادامه داده‌های نمونه پس از اسفند ماه سال 1400 جهت مقایسه آمده است. همانگونه که در شکل مشخص است، به جز پیش‌بینی شاخص کیفیت آب در نمونه شهر آبسرد، در چهار مورد دیگر پیش‌بینی به درستی صورت گرفته است. دقت پیش‌بینی نیز با توجه به محدودیت داده‌ها در 156 ماه گذشته، قابل قبول است. نادرستی پیش‌بینی در نمونه (ب) می‌تواند علل مختلفی از جمله موثر بودن عوامل دیگر که در مدل لحاظ نشده داشته باشد. 

تجزیه و تحلیل روابط بین متغیر‌ها و آزمون همبستگی میان آنها، از مراحل اصلی پردازش داده‌های ورودی است. ضریب همبستگی¹⁵ متغیر‌ها یک مقدار بدون واحد بین 1- و 1+ است که ارتباط مثبت و منفی بین متغیر‌ها را نشان می‌دهد.

جدول 3. ضرایب همبستگی متغیر‌های ورودی مدل

میزان بارندگی (R)	برداشت آب زیر‌زمینی(WE)	دمای هوا (T)	شاخص کیفیت آب (GWQI)
1/0	2/0-	1/0	گرمابسرد
12/0	1/0-	12/0-	آبسرد
2/0	07/0-	02/0	سربندان
02/0	01/0	01/0	آیینه ورزان
07/0	03/0-	00/0	سید آباد

 

 

 

 

 

 

 

با توجه به ماهیت داده‌های مورد مطالعه آزمون همبستگی داده‌ها با وقفه زمانی سه ماهه صورت گرفته است. ضریب همبستگی میان شاخص کیفیت آب و میزان بارش در نمونه گرمابسرد، آبسرد و سربندان مقدار بالایی را نشان می‌دهد که نشان دهنده ی همبستگی نسبتا بالای شاخص کیفیت و میزان بارش است. ضریب منفی میان شاخص کیفیت آب زیر‌زمینی و برداشت آب زیر‌زمینی نشان دهنده ی تاثیر برداشت آب بر کاهش کیفیت آب زیر‌زمینی است. جدول (4) مقایسه شاخص‌های آماری به دست آمده را نشان می‌دهد.

جدول 4. نتایج شاخص‌های آماری

R2	میانگین خطای مطلق	خطای میانگین مربعات	طول پنجره شبکه عصبی بازگشتی	تعداد تکرار مدل	لایه‌های پنهان	نمونه
99/0	15/0	28/0	4	250	10	آبسرد
99/0	1/0	12/0	4	250	10	گرمابسرد
99/0	17/0	43/0	4	250	10	سربندان
99/0	2/0	41/0	4	250	10	سیدآباد
99/0	26/0	66/0	4	250	10	آیینه ورزان

 

 

 

 

 

 

 

خطای میانگین مربعات در هر پنج نمونه نشان دهنده ی میزان خطای پایین در مدل است. همچنین آماره R2 نشان می‌دهد که حداکثر اثرگذاری توسط متغیر‌های ورودی مدل وجود دارد. به طور کلی همبستگی بالایی میان تغییر کیفیت منابع آب زیر‌زمینی و تغییرات کاربری، پوشش گیاهی و نهایتا قیمت اراضی کشاورزی و غیر کشاورزی وجود دارد. تاثیر هیدرولوژیکی تغییرات کاربری و پوشش اراضی، در مقیاس‌های زمانی و مکانی مختلف دیده می‌شود (16). در منطقه دماوند به دلیل شرایط خاص منطقه به جهت ظرفیت‌های سرمایه گذاری و ساخت ساز بناهای ویلایی و امارت‌های مجلل، رشد قیمت اراضی حاشیه روستاها به صورت فزاینده در سال‌های اخیر افزایش داشته است. اما از سوی دیگر، اراضی با کاربری کشاورزی و باغات، با پارامتر‌های دیگری غیر از ارزش افزوده زمین‌های منطقه، قیمت گذاری می شوند. جدول (5) متوسط قیمت هر متر مربع زمین را در دو نقطه ابتدا و انتهای دوره نمونه گیری نشان می‌دهد.

جدول 5. متوسط قیمت هر متر مربع زمین کشاورزی در ابتدا و انتهای دوره مطالعه

منطقه	نوع کاربری زمین	قیمت هر متر مربع (هزار ریال) (فروردین 1388)	قیمت هر متر مربع زمین (هزار ریال) (اردیبهشت 1401)
آبسرد	کشاورزی	000/350	000/500/16
گرمابسرد	کشاورزی	000/24	000/500/8
سربندان	کشاورزی	000/140	000/000/19
آیینه ورزان	کشاورزی – مسکونی	000/300	000/000/48
سید آباد	کشاورزی	000/185	000/600/17

 

قیمت اراضی کشاورزی اصولا یک متغیر کم نوسان بوده و تغییرات آن بیشتر در میان مدت و بلند مدت به چشم می آید. از این رو بررسی نوسان قیمت اراضی مستقیما در کنار پارامتر شاخص کیفیت آب شاید به طور کامل تاثیرات این دو متغیر بر یکدیگر را منعکس نکند، چرا که عواملی که پیش تر ذکر گردید به عنوان اجزاء اخلال در تغییر قیمت زمین موثر هستند. در تحلیل همبستگی قیمت زمین و شاخص کیفیت آب مشخص می شود که این دو متغیر به یکدیگر وابسته نیستند. نتایج این تحلیل در ادامه مورد بررسی قرار گرفت است. نمودار‌های (11) تا (15) سری زمانی قیمت اراضی مورد مطالعه در کنار تغییرات شاخص کیفیت زمین را نشان می‌دهند.

 

 

 

 

 

 

 

 

شکل 11. مقایسه شاخص کیفیت آب زیر‌زمینی و قیمت زمین در منطقه آبسرد

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 12. مقایسه شاخص کیفیت آب زیر‌زمینی و قیمت زمین در منطقه گرمابسرد

 

 

 

 

 

 

 

 

شکل 13. مقایسه شاخص کیفیت آب زیر‌زمینی و قیمت زمین در منطقه سربندان

 

 

 

 

 

 

 

 

شکل 14. مقایسه شاخص کیفیت آب زیر‌زمینی و قیمت زمین در منطقه سید آباد

 

 

 

 

 

 

 

 

شکل 15. مقایسه شاخص کیفیت آب زیر‌زمینی و قیمت زمین در منطقه‌اینه ورزان

افزایش قیمت زمین در طول 10 ساله گذشته کاملا آشکار است و تورم بیش از 1000 درصد را نشان می‌دهد. همچنین نکته قابل تامل به خصوص در سال‌های اخیر، افت کیفیت آب زیر‌زمینی است، که با تغییر کاربری اراضی چندان موجب کاهش قیمت زمین نشده است. تحلیل همبستگی دو متغیر قیمت زمین و شاخص کیفیت آب زیر زمینی به وسیله نرم افزار Eviews 9.0 انجام شده و نتایج آن در جدول (6) آمده است. علت وابسته نبودن قیمت زمین به کیفیت آب آن را می توان در تغییر کاربری زمین و به عبارت بهتر، ناچار بودن مالکین به تغییر کاربری جستجو کرد. این امر قطعاً به کاهش فعالیت‌های کشاورزی و کاهش تولیدات کشاورزی منجر خواهد شد. 

جدول 6. ضرایب همبستگی و احتمال معناداری همبستگی قیمت و شاخص کیفیت آب در مناطق نمونه

Probability	Correlation	نمونه
00/0	47/0	گرمابسرد
02/0	17/0-	آبسرد
00/0	30/0-	سربندان
00/0	60/0	آیینه ورزان
18/0	10/0-	سید آباد

 

 

 

 

 

 

همانگونه که در جدول مشخص شده است، ضرایب همبستگی قیمت زمین‌ و شاخص کیفیت آب‌زیرزمینی در موارد آبسرد، سربندان و سیدآباد اعداد منفی هستند که نشان گر رابطه معکوس میان قیمت زمین و WQIGC است. احتمال معناداری نیز به جز در مورد سید آباد معنادار بودن نتایج همبستگی را نشان می دهد. یعنی افزایش قیمت زمین همراه با کاهش کیفیت منابع آبی آن رخ داده است. البته مقدار کم ضرایب همبستگی، کم اثر بودن این دو متغیر بر روی هم را تفسیر می‌کند. در موارد گرمابسرد و آیینه ورزان که هر دو در بین مناطق دیگر جز کم آب‌ترین ها به شمار می‌آیند، ضرایب مثبت اما مقدار کم وابستگی به یکدیگر را نشان می دهد. با تحلیل ضرایب همبستگی می تواند نشان داد که افزایش قیمت زمین به تغییرات میزان کیفیت آب زیرزمینی وابستگی ندارد. علت این موضوع در شکل (16) تشریح شده است.

 

 

 

 

 

 

 

 

 

 

 

شکل 16. فرآیند افت کیفیت منابع آب زیر‌زمینی و نحوه اثر‌گذاری آن بر قیمت اراضی کشاورزی

4. نتیجه گیری و پیشنهادات

یک مدل جدید مبتنی بر شبکه عصبی بازگشتی از نوع حافظه‌ی طولانی کوتاه مدت (LSTM) با پارامتر‌های جدید برای پیش‌بینی کیفیت آب زیر‌زمینی ارائه شد. افزایش خطای پیش‌بینی شاخص کیفیت آب در آینده دورتر نشان می‌دهد که پیش‌بینی در بازه کوتاه‌تری از آینده، دقیق تر و کارآمد تر است. همچنین تعدد متغیر‌های کم اثر بر شاخص کیفیت ممکن است باعث انحراف مدل از مسیر درست پیش‌بینی شود. به دلیل ناهمگنی ساختار خاک در منطقه و توزیع ناهمگن حجم آبخوان‌ها، امکان بسط نتایج این مطالعه به سایر نواحی وجود ندارد، اما عملکرد مدل نرم افزاری می‌تواند با سری داده‌های دیگری نیز آزمایش گردد. فرضیه اولیه این پژوهش بر مبنای اثر‌گذاری متغیر‌های انتخاب شده بر شاخص کیفیت آب زیر‌زمینی بود، و چگونگی اثر‌گذاری و امکان قابل پیش‌بینی بودن WQIGC در طی فرآیند این مطالعه بررسی شد. این مطالعه به بررسی تاثیر برخی متغیر‌های طبیعی و مداخله انسانی که بر کیفیت آب‌های زیر‌زمینی موثر هستند، پرداخته است. در این پژوهش هدف دستیابی به پیش‌بینی درستی از وضع کیفیت آب زیر زمینی در آینده کوتاه مدت بود. و پس از آن با قیاس شاخص کیفیت آب زیر زمینی و قیمت اراضی کشاورزی، به بی اثر بودن افت کیفیت آب زیر زمینی بر روی قیمت زمین در منطقه پی برده شد. استفاده از شبکه عصبی بازگشتی LSTM در این مطالعه، چالش عدم آگاهی از وضع آینده کیفیت آب زیر زمینی را حل می کند و با بهره گیری از تکنولوژی هوش‌مصنوعی می توان به آینده ای از وضع کیفیت منابع آب زیر زمینی دست پیدا کرد. این موضوع می تواند به مدیریت منابع آب در تامین و مصرف کمک شایانی کند. با مقایسه کیفیت آب و قیمت زمین و پیش‌بینی کیفیت آب در آینده کوتاه مدت، مشخص شد که افت کیفیت منابع آب زیر‌زمینی با تغییر رفتار مالکان اراضی در تغییرات قیمت زمین ها بی اثر می‌شود. کاهش کیفیت آب در بخش کشاورزی همواره موجب زیان کشاورزان و باغداران می گردد، اما با توجه به سیاست توسعه ایی منطقه در جهات غیر از بخش کشاورزی، مالکان اراضی با تصمیم گیری در خصوص بهره‌برداری متفاوت از زمین، نسبت به تغییرات کیفیت آب، بی تفاوت می شوند و این موضوع در آینده بلند مدت بحران جدی را در منطقه ایجاد خواهد کرد.

برای عملیاتی ساختن و توسعه نتایج این مطالعه، انجام برخی اقدامات در آینده توصیه شده است: 1) برای کاهش برداشت بی‌رویه آب زیر زمینی اقدام به آبیاری منطبق بر وضعیت آب و هوایی از جمله زمان‌های بارش باران، که موجب تعدد بیشتر آبیاری با حجم برداشت کمتر می‌شود. 2) تشکیل کارگروه شناسایی چالش‌های اراضی کشاورزی و باغات منطقه در خصوص مواجهه با افت کیفیت منابع آبی، و همچنین انعکاس تصمیمات مالکین، زارعین و باغداران در خصوص افت کیفیت آب زیر زمینی 3) همکاری با مدیریت فناوری سازمان هواشناسی کشور و همچنین بهره‌گیری از امکانات نرم افزاری و سخت افزاری جهت ایجاد سامانه‌های داده پردازی و استفاده از هوش‌مصنوعی برای پیش‌بینی عوامل مختلف اقلیمی و زیست محیطی در جهت مدیریت کارا تر آنها.

 

 

منابع 

1. Wada, Y., Wisser. D., Eisner, S., Flörke, M., Gerten, D. Haddeland, I., Hanasaki, N., Masaki, Y., Portmann, Felix T., Stacke, T., Tessler, Z. & Schewe, J. 2013. Multimodel projections and uncertainties of irrigation water demand under climate change, Geophysical Research Letters, 40(17), pp. 4626-4632.

2. DashtiBarmaki, M., Rezaei, M. and Saberi Nasr, A. 2012. Evaluation of the Ground Water quality Index in Lanjanat Aquifer Using Geographic Information System. Journal of Engineering Geology, Vol. 8, No. 2, pp. 2138-2121.

3. Gleeson, T., J. VanderSteen., Sophocleous, A., Taniguchi, M., Alley, W.M., Allen, D. M. & Zhou, Y. 2010. Groundwater sustainability strategies, Nature Geoscience, 3(6), pp. 378-379.

4. Kumar, C.P. 2012. Climate change and Its impact on groundwater resources, International Journal of Engineering and Science, 1(5), pp. 43-60.

5. Hameed, M., Sharqi, S. S., Yaseen, Z. M., Afan, H., Hussain, A. & Elshafie, A. 2016. Application of artificial intelligence (AI) techniques in water quality index prediction: a case study in tropical region, Malaysia, Neural Computing and Applications, 28(1), pp. 893-905.

6. Koundouri, P. (2004). Potential for groundwater management: Gisser-Sanchez effect reconsidered, Water Resources Research, 40(6).

7. Hosseini, H., Shakri, A., Rezai, M., DashtiBarmaki, M. and Shahraki, M. 2017. Application of Water Quality Index and Hydro Geochemistry in Quality Assessment of Surface Water, Case Study of Sistan and Baluchistan Province. Journal of Health and Environment of Iranian Environmental Health Scientific Association, Volume 11, Volume 4, pp. 586-575.

8. Farzin, S., Karmi, H., DostMohammadi, M., Ghanbari, A. and Zamiri, A. 2016. The Performance of Artificial Neural Network in Forecasting and Analyzing Hydrological Processes (case study: Water Shortage in the Nazlochai watershed in West Azarbaijan Province). Journal of Eco Hydrology, Volume 3, Vol. 4, pp. 644-631.

9. Sahoo, S., Jha, M. K. 2015. On the statistical forecasting of groundwater levels in unconfined aquifer systems, Environmental Earth Sciences, 73(7), pp. 3119–3136.

10. Qun Jiang, X., Fen Chen, W., Jun Guo, L. & Wu Huang, Z. 2020. Application of T-S fuzzy neural network model in water quality comprehensive evaluation, Procedia Computer Science, 166, pp. 501-506.

11. Li, L., Jiang, P., Xu, H., Lin, G., Guo, D. & Wu, H. 2019. Water quality prediction based on recurrent neural network and improved evidence theory: a case study of Qiantang River, China, Environmental Science and Pollution Research, 26(4), pp. 19879-19896.

12. Ning, C.C., Gao, P.D., Wang, B.Q., Lin, W.P., Jiang, N.H. & Cai, K.Z. 2016. Impacts of chemical fertilizer reduction and organic amendments supplementation on soil nutrient, enzyme activity and heavy metal content, Journal of Integrative Agriculture, 16 (8), pp. 1819-1831.

13. Aish, A.M., Zaqoot, H.A. & Abdeljawad, S.M. 2015. Artificial neural network approach for predicting reverse osmosis desalination plants performance in the Gaza Strip, Desalination, 367, pp. 240-247.

14. Duggal, K., Raj Gupta, L. & Singh, P. 2015. Gamification and Machine Learning Inspired Approach for Classroom Engagement and Learning. Mathematical Problems in Engineering, Vol 2021, pp. 2-18.

15. Khademi Nadushan, F., Azizipour, T. and Shabani, R. 2007. The State of Flora and Fauna in the Ancient Site of Veliran Damavand in the Parthian Era Based on Paleo-Nutrition Data. Modares Journal of Humanities, Volume 13, Number 3, pp. 74-90.

16. Kai, Z., Farramzi, M. and Mehdizadeh, H. 2016. Investigating the Impact of Land use Change on the Quantitative and Qualitative Parameters of Groundwater, A Case Study of Mehran Plain, Ilam. Wetland Eco Biology, 9(33), pp. 15-28.

17. Sadeghi., A. Galalizadeh., S. Zehtabian., G. & Khosravi, H. 2021. Assessing the Change of Groundwater Quality Compared with Land‑Use Change and Precipitation Rate, Case Study of Zrebar Lake's Basin. Applied Water Science, 11(7), pp. 155-170.

18. Wang., Y. Zhou., J. Chen., K. Wang., Yun. & Liu., L. 2017. Water Quality Prediction Method Based on LSTM Neural Network. 12th International Conference on Intelligent Systems and Knowledge Engineering (ISKE).

19. Technical Data Group, Global Historical Weather Database. 2021. www.worldweatheronline.com.

18

 

---

[1] * نویسنده مسئول: رضا مقدسی

نشانی: دانشکده کشاورزی و صنایع غذایی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

تلفن: [phone]

پست الکترونیکی: [e-mail]

[2]  Long Short Term Memory Recurrent Neural Network

[3]  Long Short Term Memory Recurrent Neural Network

[4]  Takagi-Sugeno fuzzy neural network

[5]  Deep Learning 

[6]  Hidden Layers

[7]  Neruns

[8]  Long-Short Term Memory (LSTM)

[9]  Temporary Memory Block 

[10]  Input Gate

[11]  Forget Gate

[12]  Output Gate

[13]  Over-fitting problem 

[14]  Gamification Test

[15]  Correlation Coefficient

---