هدف این مقاله ارائه ایده‌ها و روش‌های جدید برای استفاده پایدار از آب‌های زیرزمینی در مناطقی است که بهره‌برداری بیش از حد جدی از آب‌های زیرزمینی و آلودگی جدی آب‌های زیرزمینی دارند. سیستم‌های اطلاعات جغرافیایی (GIS) با الگوریتم‌های یادگیری ماشین، فناوری بهینه‌سازی منابع آب و شبیه‌سازی عددی آب‌های زیرزمینی برای بهینه‌سازی تنظیم جدول آب زیرزمینی و کیفیت در زیر ناحیه داکسینگ در دشت جنوبی پکن ترکیب شدند. با جمع‌آوری داده‌های مصرف و عرضه محلی و مشاهدات سطح و کیفیت آب زیرزمینی در سفره زیرزمینی متصل زیر داکسینگ برای سال‌های 2006-2020، تقاضای آب متناظر و تأثیر آب زیرزمینی برای سال‌های 2021-2025 بر اساس شرایط موجود تعمیم داده شد. مدل توسعهغلظت 3 -N نقاط پایش آب زیرزمینی محلی در سال‌های مرطوب، نرمال و سال‌های خشک پیش‌بینی شد. با توجه به آلودگی NO 3 -N، سه رژیم جدید بهره برداری از آب های زیرزمینی ابداع شد که آنها را 1 تا 3 شماره گذاری کردیم. سپس تخصیص بهینه منابع آب برای سناریوهای سال مرطوب، سال معمولی و سال خشک برای سال 2025 محاسبه شد. با مقایسه کمبود آب، میزان بهره‌برداری از آب‌های زیرزمینی و آلودگی NO 3 -N تحت رژیم‌های جدید بهره‌برداری از آب‌های زیرزمینی، حالت بهینه بهره‌برداری از آب‌های زیرزمینی برای سه نوع مختلف سال هیدرولوژیکی تعیین شد. نتایج نشان می دهد که NO 3آلودگی N تا حد زیادی پس از اتخاذ رژیم های بهینه کاهش یافت و سطح آب زیرزمینی بهبود سریع را نشان داد. این نتایج می تواند کمک بزرگی در تحقق مدیریت، نظارت و تنظیم آب های زیرزمینی با ترکیب GIS با الگوریتم های یادگیری ماشینی باشد.

کلید واژه ها:

GIS ; الگوریتم ماشین ; تخصیص بهینه منابع آب ; آلودگی آب های زیرزمینی ؛ بهره برداری از آب های زیرزمینی ; چین

1. مقدمه

با رشد سریع جمعیت شهری در سال های اخیر، مصرف آب شهری به سرعت افزایش یافته است [ 1 ، 2 ]. در شمال چین، جایی که آب های سطحی محدود است، منابع آب شهری بیشتر از آب های زیرزمینی تامین می شود. افزایش مصرف آب شهری در شمال چین منجر به بهره برداری بیش از حد از منابع آب زیرزمینی محلی شده است و این به نوبه خود منجر به مشکلاتی مانند کاهش مداوم سطح آب، فرونشست زمین و بدتر شدن کیفیت آب زیرزمینی شده است [ 3 ، 4 ]. . برای رسیدگی به مشکلات زیست محیطی ناشی از بهره برداری طولانی مدت از آب های زیرزمینی در شمال، دولت چین پروژه انحراف آب از جنوب به شمال را راه اندازی کرده است.
پایتخت این کشور پکن که در بخش شمالی دشت چین شمالی واقع شده است، یکی از شهرهایی است که تحت تاثیر بهره برداری بیش از حد از آب های زیرزمینی قرار گرفته است. از سال 2014، انتقال آب از جنوب به شمال به پکن جایگزین برخی از آب‌های زیرزمینی شده است، اما آب‌های زیرزمینی هنوز 30 تا 40 درصد از کل تامین آب پکن را تشکیل می‌دهند. علاوه بر این، توده قابل توجهی از آلاینده ها به آب های سطحی و از آنجا به آب های زیرزمینی تخلیه می شود، واقعیتی که مشکل امنیت تامین آب را تشدید می کند [ 5 ]. بنابراین، چگونگی تحقق بهینه استفاده پایدار از منابع آب زیرزمینی در عین حصول اطمینان از توسعه اقتصادی و اجتماعی به یک مشکل فوری تبدیل شده است که باید حل شود.
GIS (سیستم های اطلاعات جغرافیایی) یک فناوری است که به طور گسترده برای جمع آوری، ذخیره، مدیریت، تجزیه و تحلیل و بیان داده های مکانی استفاده می شود [ 6 ]. GIS قلمروهای فکری علوم کامپیوتر، نقشه برداری، نقشه برداری و جغرافیا را در بر می گیرد و کاربردهای گسترده ای دارد. GIS نه تنها نقش مهمی در مدیریت و برنامه ریزی منابع زیست محیطی ایفا می کند، بلکه به ابزاری مهم در زمینه های دیگر مانند مدیریت شهری، ساخت و ساز مهندسی، تصمیم گیری تجاری و تحلیل استراتژیک برای ارتش تبدیل شده است و بنابراین به یک ابزار ضروری تبدیل شده است. سیستم کار برای بسیاری از مؤسسات [ 7 ، 8 ، 9]. به عنوان بخشی از چرخه هیدرولوژیکی جهانی، آب های زیرزمینی دارای ویژگی های پراکنش جغرافیایی آشکاری هستند. از آنجایی که GIS دارای قابلیت تجزیه و تحلیل جغرافیایی قدرتمندی است، می‌توان آن را با مدل‌های پیش‌بینی ماشین، فناوری بهینه‌سازی منابع آب و شبیه‌سازی عددی آب زیرزمینی برای دستیابی به تنظیم بهینه سطح و کیفیت آب زیرزمینی ترکیب کرد.
پیش بینی کیفیت آب یک تابع اساسی نظارت و مدیریت آب است [ 10 ]. در حال حاضر، روش‌های پیش‌بینی کیفیت آب عمدتاً شامل پیش‌بینی سری‌های زمانی [ 11 ]، پیش‌بینی جعبه خاکستری [ 12 ]، پیش‌بینی منطق فازی [ 13 ، 14 ]، شبیه‌سازی انتقال املاح [ 15 ، 16 ] و الگوریتم‌های یادگیری ماشینی [ 17 ، 18 ] است. ]. در حالی که روش سری زمانی یک مبنای نظری نسبتاً درستی دارد، تنها پاسخ زمانی شاخص کیفیت آب پیش‌بینی‌شده در نظر گرفته می‌شود. 19 ]]. پیش‌بینی کیفیت آب یک مشکل بسیار پیچیده است و عوامل زیادی بر پیش‌بینی پارامترهای کیفیت آب تأثیر می‌گذارند. دقت پیش‌بینی در آینده تنها به دلیل تغییرات در خود شاخص پیش‌بینی ضعیف است. روش پیش‌بینی جعبه خاکستری آسان است و برای موقعیت‌هایی مناسب است که داده‌های پایش کیفیت آب ناقص است، اما به راحتی تحت تأثیر داده‌های ناپایدار قرار می‌گیرد و در چنین مواردی منجر به خطای پیش‌بینی بزرگی می‌شود [ 20 ]. پیش‌بینی منطق فازی می‌تواند عدم قطعیت در فرآیند پیش‌بینی کیفیت آب را کنترل کند، اگرچه تلاش برای محاسبه زیاد است [ 21 ]. در حالی که روش تفاضل محدود را می توان برای شبیه سازی انتقال املاح با جریان آب زیرزمینی در سفره استفاده کرد، تعیین شرایط مرزی آسان نیست 22 ].، 23 ].
رویکرد الگوریتم یادگیری ماشین معنای روشنی دارد و تفکر مصنوعی و قضاوت را همراه با دقت بالا اضافه می‌کند [ 24 ]. در حال حاضر، الگوریتم های یادگیری ماشین عمدتاً شامل شبکه های عصبی و روش های یادگیری آماری است. الگوریتم‌های شبکه عصبی رایج شامل شبکه‌های عصبی پس انتشار [ 25 ]، شبکه‌های عصبی تابع پایه شعاعی [ 26 ]، شبکه‌های عصبی بازگشتی [ 27 ] و شبکه‌های عصبی حافظه کوتاه‌مدت (LSTMs) [ 28 ، 29 ، 30 ] هستند. روش‌های یادگیری آماری شامل درخت‌های تصمیم [ 31 ، 32 ]، جنگل‌های تصادفی (RFs) [ 33 ، 34]، و ماشین های بردار پشتیبانی (SVMs) [ 35 ، 36 ]. با چنین تنوعی از تکنیک‌های قدرتمند ارائه شده، پیش‌بینی و کنترل مؤثر کیفیت آب زیرزمینی را می‌توان با ترکیب داده‌های GIS با الگوریتم‌های یادگیری ماشین محقق کرد.
در این مقاله، منطقه داکسینگ در دشت جنوبی پکن به عنوان مطالعه موردی اتخاذ شده است. چند ضلعی های تیسن در اطراف نقاط پایش کیفیت آب زیرزمینی تولید شدند. سپس از یک ابزار تجزیه و تحلیل منطقه ای GIS برای استخراج مصرف آب و توسعه اقتصادی هر شهرستان استفاده شد. در نهایت، کیفیت آب زیرزمینی منطقه مورد مطالعه از سال 2021 تا 2025 با استفاده از الگوریتم‌های یادگیری ماشین پیش‌بینی شد. با توجه به نتایج به‌دست‌آمده، می‌توان کیفیت آب زیرزمینی و سطح آب منطقه مورد مطالعه را با تخصیص بهینه منابع آبی و شبیه‌سازی عددی سفره زیرزمینی تنظیم کرد. روش‌های تحقیق در این مقاله می‌تواند پایه‌ای نظری برای استفاده پایدار از منابع آب در مناطقی که آب‌های زیرزمینی منبع اصلی آب هستند، ارائه دهد.

2. مواد و روشها

2.1. منطقه مطالعه

ناحیه داکسینگ در دشت جنوبی پکن، در محدوده‌ای از مختصات نقشه‌ای واقع شده است که 116°13’–116°43′ شرقی و 39°26′-39°51′ شمالی را در بر می‌گیرد. این منطقه به چهارده شهرستان تقسیم شده است ( شکل 1 ) و مساحت کل منطقه تقریباً 1036 کیلومتر مربع است. این بخش از چین دارای آب و هوای نیمه مرطوب قاره ای گرم و نیمه مرطوب با چهار فصل متمایز است. میانگین بارندگی سالانه 510.1 میلی متر است. بارندگی در طول سال به طور نابرابر توزیع می شود و از سالی به سال دیگر تفاوت زیادی دارد. میانگین دمای سالانه 11.7 درجه سانتی گراد و حداکثر عمق خاک یخ زده 69 سانتی متر است. این ناحیه در دشت آبرفتی-پرولویوی رودخانه یونگدینگ قرار دارد. زمین آن مسطح است، با ارتفاع 9-73 متر (سیستم مرجع ارتفاع، سیستم ارتفاعی دریای زرد 1956 چین است) و شیب توپوگرافی 0.5-2.0 ‰. نوع خاک آن عمدتاً لومی شنی است که با حرکت از غرب به شرق به تدریج از درشت به ریز تغییر می کند. ضخامت سفره آب زیرزمینی زیر 80-120 متر است ( شکل 2)). آبخوان عمدتاً از لایه های شنی متوسط ​​و ریز لایه سست چهارتایی تشکیل شده است. از آنجایی که آبخوان عموماً نفوذپذیر است، سطح آب زیرزمینی یکنواخت است. چهار رودخانه اصلی در منطقه مورد مطالعه وجود دارد که عبارتند از: رودخانه Xinfeng، رودخانه Fenghe، رودخانه Xiaolong و رودخانه Dalong. رودخانه های این منطقه عمدتاً از درون آن سرچشمه می گیرند. منبع اصلی تغذیه بارندگی جوی است. مسیر رودخانه ها در شکل 1 نشان داده شده است . به دلیل عمیق بودن سطح آب زیرزمینی در منطقه مورد مطالعه، ارتباط رودخانه و سطح آب زیرزمینی قطع شده است. رودخانه ها آب های زیرزمینی را عمدتاً از طریق نشت تغذیه می کنند و رودخانه ای با ناحیه اشباع معلق در زیر بستر رودخانه، ناحیه غیراشباع و سیستم سفره آب زیرزمینی تشکیل می دهند ( شکل 3).). از سال 2006 تا 2020، متوسط ​​تغذیه کل آب های زیرزمینی 2.29 × 108 متر مکعب و کل تخلیه آب های زیرزمینی 2.21 × 108 متر مکعب بوده است. مشاهده می شود که تغذیه کل آب های زیرزمینی کمی بیشتر از کل دبی بوده است. با این حال، از آنجایی که شارژ مجدد آبیاری چاه به آب زیرزمینی تولید شده پس از نشت آب آبیاری زمین‌های کشاورزی بستگی دارد، نباید در کل منابع آب زیرزمینی لحاظ شود. بنابراین، مقدار منابع آب زیرزمینی باید مقدار کل تغذیه منهای تغذیه برگشتی حاصل از آبیاری چاه باشد، به این معنی که میانگین مقدار منابع آب زیرزمینی از سال 2006 تا 2020 2.00 × 10 8 متر مکعب بوده است.. مشاهده می شود که میزان دبی آب زیرزمینی از سال 2006 تا 2020 بیشتر از مقدار منابع آب زیرزمینی بوده است.

2.2. منابع اطلاعات

2.2.1. جدول آب زیرزمینی و داده های کیفیت

داده‌های جدول آب زیرزمینی عمدتاً از یک سری داده‌های پایش ماهانه بلندمدت تولید شده توسط 32 چاه مشاهده‌ای از سال 2006 تا 2020 به دست آمده است. مکان چاه‌های نظارتی در شکل 1 نشان داده شده است. داده‌های کیفیت آب زیرزمینی عمدتاً از داده‌های پایش سالانه 25 چاه نظارتی آب‌های زیرزمینی کم عمق از سال 2006 تا 2020 استخراج شده است. مکان این چاه‌های نظارتی در شکل 1 نیز نشان داده شده است. آلودگی NO 3 -N آلاینده اصلی آب های زیرزمینی در پکن است که 5٪ از کل مساحت دشت را تحت تأثیر قرار می دهد. آلودگی NO 3 -N این پتانسیل را دارد که آسیب زیادی به سلامت انسان و دام وارد کند [ 37 ] و به شدت تحت تأثیر فعالیت های انسانی قرار می گیرد. بنابراین، خیر3 -N به عنوان شاخص ارزیابی انتخاب شد.
2.2.2. داده های آماری
داده‌های آماری مورد استفاده در این مقاله عمدتاً از انتشارات زیر به‌دست آمده‌اند که اصل آن‌ها همه به زبان چینی است: سالنامه آماری آب پکن از سال 2006 تا 2020. سالنامه آماری ناحیه داکسینگ از سال 2005 تا 2020؛ گردآوری داده های سومین سرشماری کشاورزی ولسوالی داکسینگ در سال 1395؛ دومین بولتن ملی سرشماری منبع آلودگی پکن (2017)؛ سالنامه آماری منطقه ای پکن از 2012 تا 2020؛ سالنامه آماری زیست محیطی 2020 چین؛ طرح جامع منابع آب 2018 منطقه داکسینگ؛ طرح تامین آب 2017 برای حوضه رودخانه Xinfeng در منطقه Daxing؛ و بولتن داده های اصلی 2019 سومین بررسی ملی زمین در منطقه داکسینگ.

2.3. روش تحقیق

2.3.1. پیش بینی تقاضای آب

با توجه به چهاردهمین برنامه پنج ساله پکن برای ساخت و ساز جامعه صرفه جویی در مصرف آب و مواد تحقیقاتی مرتبط [ 38 ، 39 ، 40 ]، ما تقاضای آب خانگی، تقاضای آب صنعتی، تقاضای آب کشاورزی، و تقاضای آب زیست محیطی را در منطقه مورد مطالعه تعیین کردیم. از 2021 تا 2025. فرآیند محاسبه خاص به شرح زیر بود:
  • پیش بینی تقاضای آب خانگی

تقاضای آب خانگی منطقه داکسینگ از سال 2021 تا 2025 از سرانه مصرف آب و جمعیت با استفاده از فرمول زیر محاسبه شد:

آر1=اس⋅(1+α)تی⋅جی⋅(1+β)تی⋅365/1000
در معادله (1)، R 1 مصرف آب خانگی Daxing در واحدهای 10 4 m 3 است. S مصرف فعلی آب بر حسب L/d∙هر نفر است. مصرف آب فعلی بر اساس مصرف واقعی آب در سال 2020 است که 129.73 لیتر در روز به ازای هر نفر بوده است. α نرخ رشد سالانه مصرف آب برای هر نفر است که در حال حاضر 2٪ است. G جمعیت فعلی در واحدهای 10 4 نفری است. جمعیت فعلی 1.994 × 106 نفر است. و β نرخ رشد سالانه جمعیت است که در حال حاضر 4% است. t زمان سپری شده در سال است.
  • پیش بینی تقاضای آب صنعتی

مصرف آب صنعتی Daxing District از سال 2021 تا 2025 از مصرف آب مورد نیاز برای تولید 10000 یوان بازده صنعتی و کل خروجی صنعتی با استفاده از فرمول زیر محاسبه شد:

آر2=g0⋅(1+v)تی⋅م0⋅(1+v’)تی
در معادله (2)، R 2 مصرف آب صنعتی Daxing در واحدهای 10 4 m 3 است. g 0 مصرف فعلی آب مورد نیاز برای تولید 10000 یوان خروجی صنعتی در متر مکعب / (10 4 CNY) است. M 0 مقدار کل خروجی صنعتی در واحدهای 10 8 CNY است. v نشان‌دهنده نرخ رشد سالانه مصرف آب به ازای هر 10 4 CNY تولید صنعتی است که در حال حاضر 5-% است. و نرخ رشد سالانه توسعه صنعتی v’ 6٪ است.
  • پیش بینی تقاضای آب کشاورزی

میزان مصرف آب برای دامداری و آبزی پروری در ناحیه داکسینگ بسیار ناچیز است. آب مورد نیاز زراعت این ولسوالی برای آبیاری محصولات زراعی به ویژه گندم استفاده می شود. بنابراین، تنها آبی که برای آبیاری محصولات کشاورزی استفاده می شود، به عنوان نماینده ای برای کل تقاضای آب کشاورزی در Daxing در محاسبات ما گنجانده می شود.

آر3=1η⋅ω⋅آ
در رابطه (3)، R 3 مصرف آب کشاورزی Daxing در واحدهای 10 4 m 3 است. علامت η نشان دهنده ضریب استفاده موثر از آب آبیاری است، به معنای درجه بهره وری که از این آب استفاده می شود. ضریب استفاده موثر از آب آبیاری هر سال 0.01 افزایش می یابد و بنابراین انتظار می رود در سال 2025 0.75 باشد . /hm 2 در یک سال خشک. A منطقه آبی را بر حسب hm 2 نشان می دهد. با توجه به بولتن داده های اصلی سومین بررسی اراضی ملی داکسینگ (2019)، مساحت زمین کشاورزی در منطقه مورد مطالعه 26371.65 میلی متر مربع است . بنابراین، ما این مقدار را به A نسبت داده ایم .
  • پیش بینی تقاضای آب اکولوژیکی

از سال 2006 تا 2020، مصرف آب در داکسینگ برای اهداف زیست محیطی به طور مداوم رشد کرده است. برای اهداف این مقاله، تقاضای منطقه برای آب زیست محیطی بر اساس افزایش سالانه 1٪ پیش بینی شده است.

آر4=ه0⋅(1+γ)تی
در معادله (4): R 4 نشان دهنده تقاضای آب اکولوژیکی پیش بینی شده در واحدهای 10 4 m 3 است، e 0 نشان دهنده تقاضای سال 2020 1.43 × 10 8 m 3 است، γ نشان دهنده نرخ رشد سالانه (1٪) است، و t نشان دهنده زمان سپری شده از سال 2020 در سال است.
2.3.2. الگوریتم های یادگیری ماشین
در این مقاله، سه الگوریتم یادگیری ماشین، یعنی حافظه کوتاه‌مدت (LSTM)، RF، و رگرسیون برداری پشتیبانی (SVR)، برای پیش‌بینی تغییر غلظت NO 3 -N در آب‌های زیرزمینی Daxing از سال 2021 تا 2025 انتخاب شدند. با مقایسه دقت مدل‌های پیش‌بینی در طول یک دوره اعتبارسنجی، بهترین مدل پیش‌بینی انتخاب شد.
روش شبکه عصبی حافظه کوتاه مدت (LSTM) برای اولین بار توسط Hochreiter در سال 1997 ارائه شد [ 41 ]. این الگوریتم یک نسخه بهبود یافته از شبکه عصبی بازگشتی (RNN) است، و برای حل مشکلات ناپدید شدن گرادیان و انفجار گرادیان ناشی از ساختار تک انتشار پس‌انداز در هنگام آموزش RNN یک مدل مبتنی بر RNN در نظر گرفته شده است [ 41 ]. در پایه RNN، LSTM یک دروازه ورودی، یک دروازه خروجی، یک دروازه فراموشی و یک واحد حافظه ایجاد می کند. این مکانیسم‌های دروازه‌ای اضافی به غلبه بر مشکلات گرادیان کمک می‌کنند [ 42 ].
معادلات حاکم بر مدل LSTM به شرح زیر است:

دروازه ورودی:

منتی=σ(دبلیوyمن+دبلیومنمترمترتی-1+دبلیوتیججتی-1+بمن)

دروازه خروجی:

fتی=σ(دبلیوyfyتی+دبلیوfمترمترتی-1+دبلیوfججتی-1+بf)

عملکرد فعال سازی نورون:

جتی=fتی⊙جتی-1+منتی⊙برنزهساعت(دبلیوجyyتی+دبلیوجمترمترتی-1+بج)

دروازه فراموشی:

oتی=σ(دبلیوyo+دبلیوoمترمترتی-1+دبلیوoججتی-1+ب0)

ورودی وضعیت سلول حافظه:

مترتی=oتی⊙برنزهساعت(جتی)

خروجی مدل:

زتی=دبلیو2مترمترتی+بz
در این معادلات، اصطلاحات کلیدی به صورت زیر تعریف می شوند: yتی(تی=1،2،…،تی)دنباله ورودی مدل است. منتی،oتی، و fتیمقادیر خروجی دروازه ورودی، دروازه فراموشی و دروازه خروجی را به ترتیب در زمان t نشان می دهد. جتیو مترتینشان دهنده وضعیت فعال سازی نورون و ورودی های حالت سلول حافظه در زمان t بود. W ماتریس ضریب وزنی بین لایه های مختلف است. σ تابع فعال سازی سیگموئید است. tanh تابع فعال سازی مماس هذلولی است. و زتی(تی=1،2،…،تی)توالی خروجی مدل است.
RF یک روش یادگیری آماری است که توسط بریمن در سال 2001 بر اساس الگوریتم بگینگ [ 43 ] پیشنهاد شد. الگوریتم عمدتاً از یک مجموعه نمونه زیر آموزش و یک مدل درخت تصمیم فرعی تشکیل شده است. مجموعه نمونه زیرآموزشی از روش نمونه‌گیری مجدد بوت استرپ برای استخراج مجموعه‌های نمونه زیرآموزشی با اندازه نمونه مشابه با نمونه اصلی از نمونه اصلی استفاده می‌کند، سپس یک مدل درخت تصمیم فرعی برای هر مجموعه نمونه زیر آموزش می‌سازد. به این ترتیب مدل RF تولید می شود. هر مدل درخت تصمیم فرعی یک پیش‌بینی ایجاد می‌کند و پیش‌بینی نهایی با رأی‌گیری به دست می‌آید. از آنجایی که الگوریتم تحمل خوبی برای نقاط پرت و نویز دارد و مستعد بیش از حد برازش نیست، دقت شبیه‌سازی بالایی را در بسیاری از نظریه‌ها و مثال‌های مختلف نشان می‌دهد [ 44 ]، 45 ].
SVM یک الگوریتم یادگیری ماشینی است که توسط Vapnik در سال 1995 [ 46 ] پیشنهاد شد. این یک مدل یادگیری نظارت شده بر اساس تئوری یادگیری آماری است و عمدتا برای حل مسائل طبقه بندی و رگرسیون استفاده می شود. ایده اصلی SVM استفاده از یک تابع هسته برای تبدیل مسائل غیرخطی کم‌بعد به مسائل خطی با ابعاد بالا و سپس استفاده از روش‌های خطی برای حل مسائل غیرخطی اصلی در فضای ویژگی‌های با ابعاد بالا است. از آنجایی که SVM دارای مزایای ساختار ساده و بهینه جهانی نظری است، بهترین روش از بین سه روش در پرداختن به مسائلی مانند نمونه‌های کوچک، غیرخطی بودن و ابعاد بالا است.

2.3.3. مدل تخصیص بهینه برای منابع آب

  • تابع هدف
درجه کمبود آب تأثیر مهمی بر ثبات اجتماعی دارد، در حالی که هزینه آب تعیین کننده منافع اقتصادی استفاده از آب است. هدف تابع هدفی که ما انتخاب کرده‌ایم، تا آنجا که ممکن است، به حداقل رساندن کل کمبود آب و هزینه کل آب به طور همزمان است.

(1) حداقل کمبود آب کل

f1(q)=دقیقه∑j=14[آرj-∑من=14qمنj]
در رابطه (11) اصطلاحات به صورت زیر تعریف شده اند. تابع f 1 ( q ) کل کمبود آب در واحدهای 10 4 متر مکعب است . پارامتر q ij تامین آب سالانه منبع آب یکم به نوع j مصرف کننده آب در واحدهای 10 4 متر مکعب است . Rj تقاضای آب سالانه j مین نوع استفاده کنندگان در واحدهای 10 4 متر مکعب است . پارامتر i نشان دهنده منبع آب i است که به موجب آن i= 1، 2، 3، 4 اعدادی هستند که به ترتیب نشان دهنده آب سطحی، آب زیرزمینی، آب بازیافتی و آب انتقالی هستند. و پارامتر j نشان دهنده j امین مصرف کننده آب است که به موجب آن j = 1، 2، 3، 4 اعدادی هستند که به ترتیب نشان دهنده آب خانگی، آب صنعتی، آب کشاورزی و آب زیست محیطی هستند.

(2) حداقل هزینه آب

f2(q)=دقیقه∑من=14(∑j=14qمنj⋅پمن)
در معادله (12)، عباراتی که قبلاً در بالا تعریف نشده اند به شرح زیر تعریف می شوند: تابع f 2 (q) هزینه آب در واحدهای 104 CNY است. p i قیمت واحد تامین آب برای منبع آب یکم ، بر حسب CNY/m 3 است. و قیمت واحد تامین آب برای هر منبع آب با توجه به قیمت واحد تامین آب موجود در پکن تعیین می‌شود که برای آب‌های سطحی 0.48 CNY/m3 ، برای آب‌های زیرزمینی 5.00 CNY/m3 ، 1.00 CNY/m3 برای آب‌های زیرزمینی است . آب بازیافتی و 7.44 CNY/m3 برای آب انتقالی.
  • شرط محدودیت

(1) محدودیت های ظرفیت تامین آب

∑من=14∑j=14qمنj≤سz
∑j=14qمنj≤سمن
در معادلات (13) و (14)، Qz مجموع حجم سالانه موجود تمام منابع آب در واحدهای 10 4 m 3 است، در حالی که Q i حجم سالانه موجود هر منبع آب در واحد 10 4 m 3 است. بر اساس طرح جامع منابع آب در داکسینگ، حداکثر حجم آب سطحی موجود در منطقه مورد مطالعه Q 1 در سال معمولی یا مرطوب 1572 × 10 4 متر مکعب و در سال خشک 1001 × 10 4 متر مکعب است . سال حداکثر مقدار آب قابل استفاده آب زیرزمینی Q 2مطابق با مرطوب، خشک یا نرمال بودن سال تعیین می شود. حداکثر حجم قابل استفاده آب زیرزمینی در سال مرطوب 22450.66 × 10 4 متر مکعب ، حداکثر حجم قابل استفاده آب زیرزمینی در سال عادی 18086.54 × 10 4 متر مکعب و حداکثر حجم قابل استفاده آب زیرزمینی در سال خشک 14931 × 14 است. 10 4 متر 3 . حداکثر حجم موجود آب انتقالی Q 3 2600.00 × 10 4 m 3 است. با توجه به طرح تامین آب برای حوضه رودخانه Xinfeng منطقه Daxing، حداکثر حجم قابل استفاده آب بازیافتی Q 4 15987.00 × 10 4 است.m 3 .
(2) محدودیت های مصرف آب

چهار مصارف مختلف آب باید بین حداکثر و حداقل محدودیت تقاضای آب مربوطه قرار گیرند، به شرح زیر:

سدقیقه،j≤سj≤سحداکثر،j
در معادله (15)، Qmin، j و Q max ، j به ترتیب حداقل و حداکثر نیاز آب مصرف کننده j ام Q j را نشان می دهد. حداقل نیاز آبی Qmin , 1 , Qmin ,2 برای آب خانگی و آب صنعتی در هر مورد 99 درصد از نیاز اسمی آب مربوطه و حداکثر نیازهای Q max,1 و Q max,2 هر کدام 110 درصد است. تقاضای اسمی آب مربوطه؛ حداقل نیاز آب Qmin , 3 و Qmin ,4برای آب کشاورزی و آب اکولوژیک به ترتیب 75% و 70% از هر نیاز اسمی آب است. و حداکثر مقادیر Q max,3 و Qmin ,4 هر کدام 110% تقاضای اسمی آب مربوطه می باشد.
علاوه بر این، عرضه و تقاضای آب در فرمول فوق باید محدودیت های غیر منفی را برآورده کند.
  • راه حل مدل
مدل بهینه‌سازی منابع آب ساخته‌شده در این مقاله یک مسئله بهینه‌سازی چند هدفه با محدودیت‌ها است. برای یک الگوریتم حل، ما الگوریتم ژنتیک مرتب‌سازی غیرمسلط-II (NSGA-II) را انتخاب کرده‌ایم که عملکرد خوبی را در برخورد با مسائل بهینه‌سازی چند هدفه محدود نشان می‌دهد [ 47 ].
NSGA-II توسط Deb در سال 2002 به عنوان نسخه بهبود یافته NSGA پیشنهاد شد. از آنجایی که NSGA-II استراتژی مرتب‌سازی سریع و فاصله‌ای ازدحام غیر غالب را اتخاذ می‌کند، سرعت محاسبه و اثر این الگوریتم در مقایسه با NSGA بسیار بهبود یافته است [ 48 ].
2.3.4. شبیه سازی عددی جریان آب زیرزمینی
ما از داده‌های حفاری و هیدرولوژیکی شناخته شده برای Daxing برای ایجاد یک مدل هیدروژئولوژیکی با ماهیت مفهومی استفاده کردیم. یک بسته شبیه‌سازی عددی به نام GMS (سیستم مدل‌سازی آب‌های زیرزمینی 7.1) برای تعمیم آبخوان به یک آبخوان دوبعدی phreatic بدون جریان ثابت با ناهمگنی و همسانگردی استفاده شد. اگرچه بخش‌هایی از این آبخوان حاوی آب ریز محصور شده است، لایه ماسه متوسط ​​به ریز در لایه سست چهارتایی، محیط اصلی آب‌دار است. نفوذپذیری بین لایه های نگهدارنده آب به صورت عمودی پایدار گسترش می یابد. بنابراین، آبخوان دارای سطح آب زیرزمینی یکسانی است و ضخامت آن در محدوده 80 تا 120 متر است.
  • تعمیم پهنه بندی پارامترهای هیدروژئولوژیکی
مطابق با داده های حفاری، Daxing به سه بخش پارامترهای هیدروژئولوژیکی تقسیم شد. این تقسیم در شکل 4 نشان داده شده است . پارامترهای مورد استفاده در محاسبه مدل جریان آب ضریب نفوذپذیری K و بازده ویژه μ ، با محدوده مقادیر مربوطه آنها در جدول 1 نشان داده شده است.
  • تعمیم شرایط مرزی
جهت جریان آب زیرزمینی در داکسینگ عموماً از غرب به شرق است. مطابق با توزیع کانتور جدول آب زیرزمینی در دشت پکن و منطقه مورد مطالعه (نگاه کنید به شکل 5 )، مرزهای آبخوان زیر داکسینگ به دو دسته تقسیم شدند: مرز شار ثابت و مرز شار صفر. همانطور که در شکل 4 و شکل 5 نشان داده شده استخطوط سطح ایستابی آب زیرزمینی در شمال، شمال غرب و جنوب غربی موازی با مرز هستند به نحوی که مرزهای ورودی جانبی ایجاد می کنند، در حالی که مرز شرقی یک مرز خروجی جانبی بود. خطوط سطح آب زیرزمینی در بخش‌هایی از غرب و جنوب شرقی عمود بر مرزهای شار صفر است. مرز بالایی آبخوان در زیر داکسینگ عمدتاً بارش جوی، منبع رودخانه و منابع آبیاری زمین های کشاورزی را دریافت می کند و مرز غواصی است. از آنجایی که میانگین عمق آب زیرزمینی زیر سطح خاک 17.31 متر بود، تبخیر را می توان نادیده گرفت. بر اساس داده های حفاری، بیشتر آبخوان در عمق 120 متری وجود دارد و لایه رسی ضخیم تری در زیر آن وجود دارد.
  • ایجاد مدل ریاضی

مطابق با مدل مفهومی که به تازگی توضیح داده شد، جریان آب زیرزمینی در زیر Daxing را می توان به یک مدل جریان ناپایدار غیرهمگن و همسانگرد برای اهداف تجزیه و تحلیل عددی دقیق تر تعمیم داد. مدل ریاضی برای شبیه سازی آبخوان به شرح زیر است:

∂∂ایکس[ک(اچ-ب)∂اچ∂ایکس]+∂∂y[ک(اچ-ب)∂اچ∂y]+سr-سد=μ∂اچ∂تی
اچ(ایکس،y،تی)|تی=0=ساعت0(ایکس،y،تی)           (ایکس،y)∈D
اچ(ایکس،y،تی)|Γ1=ساعت1(ایکس،y،تی)           (ایکس،y)∈D،تی>0
ک(اچ-ب)∂اچ∂n|Γ2=q(ایکس،y،تی)           (ایکس،y)∈D،تی>0
در معادلات (16)-(19)، پارامترهای جدید به شرح زیر است: K نشان دهنده ضریب نفوذپذیری آبخوان بر حسب m/d است. H سطح آب زیرزمینی را در متر نشان می دهد. B ارتفاع کف آبخوان را بر حسب متر نشان می دهد. Q r نرخ تغذیه آب زیرزمینی را بر حسب m 3 /d نشان می دهد. Q d میزان تخلیه آب زیرزمینی را بر حسب m 3 /d نشان می دهد. پارامتر μ نشان دهنده عملکرد خاص آبخوان است. پارامتر h 1 جدول آب زیرزمینی نقطه مرزی کلاس I در m است. پارامتر q نرخ جریان تک عرض مرز کلاس II را بر حسب متر نشان می دهد3 /(d∙m); پارامترهای x و y مختصاتی هستند که در m مشخص شده اند. D محدوده مساحت محاسبه است. پارامتر n نرمال داخلی در مرز است. و شناسه های Γ1 و Γ2 به ترتیب مرزهای کلاس I و II را نشان می دهند.
معادله (16) معادله دیفرانسیل جزئی جریان ناپایدار در صفحه غواصی است که حرکت آب های زیرزمینی کم عمق را توصیف می کند.
معادلات (17) – (19) شرایط حل قطعی معادله (16) هستند که (17) شرط اولیه و (18) و (19) شرایط مرزی هستند.
  • حل مدل ریاضی
آبخوان زیر داکسینگ مطابق با مدل مفهومی هیدروژئولوژیکی ما به روشی گسسته شد که سطوح احتمالی دقت شبیه‌سازی و دقت داده‌ها را در نظر گرفت. از نظر فضایی، داکسینگ به یک شبکه افقی مستطیلی با فاصله شبکه 500 متر × 500 متر تقسیم شد. 4700 بلوک شبکه ای از این دست تولید شد. دوره شناسایی پارامتر از ژانویه 2015 تا دسامبر 2019 تعیین شد و دوره استرس یک ماهه بود که به شصت دوره استرس تقسیم شد. دوره تأیید از ژانویه 2020 تا دسامبر 2020 بود و دوره استرس یک ماهه بود که به دوازده دوره استرس تقسیم شد. داده‌های شبیه‌سازی جریان آب برای آبخوان به ماژول Modflow در GMS (سیستم مدل‌سازی آب زیرزمینی 7.1) برای ارزیابی تغییرات در میدان جریان آب زیرزمینی وارد شد.
  • شناسایی و اعتبارسنجی مدل
ما از داده‌های اندازه‌گیری شده از 32 نقطه پایش سطح آب زیرزمینی از ژانویه 2015 تا دسامبر 2019 برای شناسایی سطوح آب زیرزمینی استفاده کردیم و از داده‌های سطح آب زیرزمینی از همان 32 نقطه پایش از ژانویه 2020 تا دسامبر 2020 برای تأیید مدل استفاده کردیم.
  • پردازش اقلام منبع و سینک
منابع تغذیه آب زیرزمینی در داکسینگ اصولاً شامل تغذیه نفوذ بارش جوی، تغذیه نفوذ رودخانه، تغذیه برگشتی آبیاری چاه و جریان جانبی آب زیرزمینی است.
تخلیه های اصلی شامل بهره برداری مصنوعی (شامل آب صنعتی، آب خانگی، آب کشاورزی و آب زیست محیطی) و خروجی جانبی آب زیرزمینی بود. اقلام منبع و سینک از سال 2015 تا 2020 از طریق محاسبه بیلان آب زیرزمینی به دست آمد. نتایج این محاسبات در جدول 2 نشان داده شده است.
2.
شناسایی و تایید مدل
میدان جریان اولیه برای شبیه‌سازی مدل مربوط به 1 ژانویه 2015 بود. مدل جریان آب زیرزمینی با استفاده از داده‌های 32 چاه پایش سطح آب زیرزمینی از ژانویه 2015 تا دسامبر 2019 و از ژانویه 2020 تا دسامبر 2020 شناسایی و اعتبارسنجی شد. با تغییر پارامترهای مدل، تنظیم شرایط مرزی، و تکرار محاسبات آزمایشی، خطاهای بین مقادیر محاسبه‌شده و مشاهده‌شده در اکثر چاه‌های مشاهده‌ای می‌تواند در شرایط دقت شبیه‌سازی قرار گیرد. در فرآیند شبیه سازی و شناسایی جریان آب زیرزمینی، شرایط مرزی و پارامترهای مدل، مانند تسلیم ویژه μ و ضریب نفوذپذیری k، بطور قابل ملاحظه ای تعدیل شدند. نسبت بین سطح محاسبه شده و سطح واقعی جدول آب زیرزمینی در طول دوره اعتبارسنجی مدل جریان آب زیرزمینی در شکل 6 نشان داده شده است . از شکل 6 قابل مشاهده استکه نسبت سطح محاسبه شده به سطح مشاهده شده در طول دوره تأیید مدل حدود 1:1 بود. خطای مطلق بین سطح محاسبه شده و سطح واقعی برای 80.50 درصد مشاهدات کمتر از 1 متر، حداکثر خطای مطلق 1.90 متر و حداکثر خطای نسبی 13.16 درصد بود. مشاهده می‌شود که درجه تناسب کلی بین جدول آب زیرزمینی محاسبه‌شده و جدول آب زیرزمینی اندازه‌گیری شده خوب است، که به این معنی است که مدل می‌تواند به دقت ویژگی‌های واقعی میدان جریان آب زیرزمینی را تحت Daxing منعکس کند. بنابراین می توان از این مدل برای پیش بینی تغییرات آتی در میدان جریان آب زیرزمینی استفاده کرد. پارامترهای هیدروژئولوژیکی شناسایی شده در جدول 3 نشان داده شده است.

3. نتایج و بحث

3.1. پیش بینی غلظت NO 3 -N

مطابق با داده های پایش NO 3 -N از 25 نقطه پایش کیفیت آب زیرزمینی از سال 2006 تا 2020، ارزش کیفی آب منطقه مورد مطالعه با درون یابی بر اساس روش وزن دهی معکوس فاصله به دست آمد. حداکثر تعداد نقاط پیش‌بینی در شعاع جستجو 15 و حداقل تعداد نقاط پیش‌بینی در شعاع جستجو 10 بود. از طریق اعتبارسنجی متقاطع، میانگین خطا و ریشه میانگین مربعات خطای غلظت NO 3 -N به دست آمد. به ترتیب 0.09 و 0.53 باشد. هر دو به اندازه کافی کوچک بودند تا اطمینان حاصل شود که میانگین خطا و ریشه میانگین مربعات خطای الزامات ارزیابی ما را برآورده می کند.
برای کاهش تأثیر نوسانات در NO 3غلظت آلودگی N در سال های فردی، دوره 2006-2020 به سه دوره زمانی کوتاه تر، یعنی 2006-2010، 2011-2015، و 2016-2020 تقسیم شد. این سه دوره زمانی با سه برنامه پنج ساله تدوین شده توسط دولت چین مطابقت دارد، یعنی برنامه پنج ساله یازدهم برای توسعه ملی اقتصادی و اجتماعی جمهوری خلق چین (2006-2010)، برنامه پنج ساله دوازدهم. برای توسعه ملی اقتصادی و اجتماعی جمهوری خلق چین (2011-2015)، و سیزدهمین برنامه پنج ساله برای توسعه ملی اقتصادی و اجتماعی جمهوری خلق چین (2016-2020). با استفاده از ماشین حساب گرید در بسته GIS ما، میانگین مقدار نتایج درونیابی GIS در هر دوره زمانی تولید شد که نتایج محاسبات نهایی نشان داده شده در شکل 7 را به دست آورد..
در شکل 7 مشاهده می شود که غلظت NO 3 -N یک روند کلی افزایشی از سال 2006 تا 2020 نشان داد. در کل منطقه، میانگین غلظت NO 3 -N از سال 2006 تا 2010 5.52 میلی گرم در لیتر بود. بر همین اساس، میانگین غلظت NO 3 -N از سال 2011 تا 2015، 5.47 میلی گرم در لیتر بود که کاهش جزئی را نشان می دهد. با این حال، میانگین غلظت NO 3 -N از سال 2016 تا 2020، 5.92 میلی گرم در لیتر بود که افزایش 0.40 میلی گرم در لیتر در مقایسه با میانگین غلظت NO 3 -N از سال 2006 تا 2010. به طور کلی، این تغییرات نشان داد که با افزایش مستمر شهرنشینی در منطقه مورد مطالعه، NO 3 -N نیز روند افزایشی را نشان می دهد.
از منظر فضایی ( شکل 7 )، میانگین غلظت NO 3 -N در ناحیه شمالی داکسینگ بیشتر از مناطق مرکزی و جنوبی بود. میانگین غلظت NO 3 -N در منطقه شمالی از 12.62 میلی گرم در لیتر در سال 2006-2010 به 14.05 میلی گرم در لیتر در سال 2016-2020 افزایش یافت. میانگین غلظت NO 3-N در مناطق مرکزی و جنوبی به ترتیب در 2.67-2.80 میلی گرم در لیتر و 1.03-1.57 میلی گرم در لیتر از سال 2006 تا 2020 باقی مانده است، که نشان می دهد کیفیت آب زیرزمینی در مناطق مرکزی و جنوبی بهتر از مناطق شمالی است. این ممکن است به درجه بالاتر شهرنشینی در مناطق شمالی نسبت به مناطق مرکزی و جنوبی مربوط باشد. بر اساس سالنامه آماری 2020 برای داکسینگ، ارزش خروجی صنعتی، ارزش خروجی صنعت ثالث و جمعیت ساکن منطقه شمالی به ترتیب 73.27، 72.24 درصد و 60.84 درصد از معادل های کل منطقه را تشکیل می دهند که نشان می دهد که آلودگی NO 3 -N تا حد زیادی ناشی از شدت فعالیت های انسانی است.
ما انواع فعلی استفاده از آب در Daxing را به عنوان آب خانگی، آب صنعتی، آب کشاورزی و آب زیست محیطی مدل سازی کرده ایم. از آنجایی که تامین آب فعلی در منطقه مورد مطالعه به آب های زیرزمینی به عنوان تنها مهم ترین منبع از چهار منبعی که ما مدل سازی کردیم متکی است، لازم بود تا سودمندی آب های زیرزمینی محلی با توجه به بارهای آلاینده NO 3 -N مشاهده شده ارزیابی شود.
استانداردهای کیفیت آب برای آب خانگی، آب صنعتی، آب کشاورزی و آب اکولوژیک در استاندارد رسمی کیفیت آب مربوطه برای تامین آب شهری (CJ/T 206-2005)، استاندارد بهداشت آب آشامیدنی (GB 5749-2006) ذکر شده است. استفاده مجدد از آب بازیافتی شهری – استاندارد کیفیت آب برای مصارف صنعتی (GB 19923-2005)، استاندارد کیفیت آب آبیاری (GB 5084-2021) و استفاده مجدد از آب بازیافت شهری – استاندارد کیفیت آب برای مصارف محیطی منظره (GB/T 18921-2019)، به ترتیب. زیرا فقط استانداردهای آب خانگی محدودیت هایی را برای NO 3 تعیین می کنندغلظت N، در حالی که استانداردهای کیفیت آب برای آب صنعتی، آب کشاورزی و آب زیست محیطی وجود ندارد، آب های زیرزمینی برای برآورده کردن نیازهای آب صنعتی، آب کشاورزی و آب زیست محیطی در نظر گرفته شد. با این حال، در همان زمان لازم بود که کاربرد آب زیرزمینی محلی برای تامین آب خانگی با توجه به غلظت NO 3 -N آن ارزیابی شود.
برای ارزیابی بیشتر کاربرد آب های زیرزمینی Daxing برای استفاده از آب خانگی، ارزیابی باید به روشی انجام می شد که مطابق با استاندارد کیفیت آب فعلی برای تامین آب شهری (CJ/T 206-2005) و استاندارد بهداشت آب آشامیدنی (GB) باشد. 5749-2006). طبق استاندارد بهداشت آب آشامیدنی (GB 5749-2006)، حد مجاز NO 3 -N برای منابع آب زیرزمینی 20 میلی گرم در لیتر است. با این حال، طبق استاندارد کیفیت آب برای تامین آب شهری (CJ/T 206-2005)، حد مجاز NO 3 -N 10 میلی گرم در لیتر (20 میلی گرم در لیتر در موارد خاص) است. بنابراین، در مواردی که آب کافی وجود دارد، غلظت NO 3 -N در محدوده 10-20 میلی گرم در لیتر به این معنی است که آب نباید به عنوان آب خانگی استفاده شود. در شرایط کمبود آب جدی، NOغلظت 3 -N در محدوده 10-20 میلی گرم در لیتر برای استفاده از آب خانگی قابل قبول است. و آب با غلظت NO 3 -N بالای 20 میلی گرم در لیتر نباید به عنوان آب خانگی استفاده شود.
از تحلیل فوق می توان دریافت که آب های زیرزمینی منطقه شمالی به شدت آلوده بوده و برای آب خانگی مناسب نبوده، در حالی که کیفیت آب های زیرزمینی در مناطق مرکزی و جنوبی بهتر بوده و می تواند به عنوان آب خانگی مورد استفاده قرار گیرد.
برای پیش‌بینی بیشتر آلودگی NO 3 -N در سال‌های مرطوب، سال‌های عادی و سال‌های خشک از 2021 تا 2025، چند ضلعی‌های Thiessen را در ArcGIS در اطراف نقاط پایش کیفیت آب ایجاد کردیم [ 49 ، 50 ]. این چند ضلعی ها در شکل 8 نشان داده شده است. سپس با استفاده از ابزار تحلیل منطقه ای در ArcGIS، از چند ضلعی های تیسن برای استخراج مقادیر هشت پارامتر زیر در هر چند ضلعی استفاده شد: مصرف آب صنعتی، مصرف آب خانگی، مصرف آب کشاورزی، خروجی صنعتی، جمعیت، خروجی صنعت سوم، کشاورزی. خروجی و بارندگی الگوریتم های یادگیری ماشین برای پیش بینی تغییرات NO 3 استفاده شدغلظت N در سالهای مرطوب، سالهای عادی و سالهای خشک از 2021 تا 2025.
سه الگوریتم ماشینی معرفی شده در بالا، یعنی LSTM، RF و SVR، برای پیش‌بینی تغییر غلظت NO 3 -N از سال 2021 تا 2025 استفاده شدند. با مقایسه دقت پیش‌بینی‌های آنها در طول یک دوره اعتبارسنجی، بهترین مدل پیش‌بینی انتخاب شد. .
غلظت NO 3 -N هر نقطه پایش کیفیت آب از سال 2006 تا 2016 به عنوان نمونه دوره آموزشی برای سه الگوریتم یادگیری ماشین استفاده شد و غلظت NO 3 -N هر نقطه پایش کیفیت آب از سال 2017 تا 2020 به عنوان نمونه استفاده شد. نمونه دوره اعتبارسنجی برای سه الگوریتم ماشین. میانگین خطای مطلق، ریشه میانگین مربعات خطا، ضریب همبستگی و ضریب کارایی نش به عنوان شاخص‌های دقت ارزیابی برای الگوریتم‌های ماشین انتخاب شدند. نسبت مقادیر محاسبه غلظت NO 3 -N به مقادیر نظارت شده برای سه الگوریتم ماشین در طول دوره اعتبار سنجی در شکل 9 نشان داده شده است.. میانگین خطای مطلق، ریشه میانگین مربعات خطا، ضریب همبستگی و ضریب بازده نش بین مقدار محاسبه‌شده غلظت NO 3 -N و مقدار نظارت بر سه الگوریتم ماشین در طول دوره اعتبارسنجی به‌صورت اعداد در جدول S1 نشان داده شده‌اند .
از شکل 9 می توان دریافت که در بین سه الگوریتم ماشین، LSTM بالاترین دقت را دارد. برای این الگوریتم، نسبت مقدار محاسبه شده غلظت NO 3 -N به مقدار نظارت شده همیشه نزدیک خط 1:1 بود. از سوی دیگر، مقدار غلظت NO 3 -N محاسبه‌شده توسط الگوریتم‌های RF و SVR انحراف زیادی از مقدار پایش‌شده را نشان داد که انحراف الگوریتم RF بیشترین مقدار را داشت. جدول S1 نشان می دهد که میانگین خطای مطلق و ریشه میانگین مربعات خطای NO 3غلظت -N محاسبه شده توسط LSTM 0.05 و 0.91 بود، ارقامی که به ترتیب کمتر از میانگین خطاهای مطلق (1.45 و 0.09) و هر دو ریشه میانگین مربعات خطا (3.59 و 2.98) غلظت NO 3 -N همانطور که توسط RF و SVR محاسبه شد کمتر بود. . در عین حال، ضریب همبستگی و ضریب راندمان نش بین غلظت NO 3 -N و مقدار واقعی محاسبه شده توسط LSTM 0.98 و 0.98 بود که به ترتیب از هر دو ضرایب همبستگی (0.93، 0.94) و هر دو ضریب راندمان Nash بیشتر بود. 0.62، 0.80) که توسط RF و SVR محاسبه شده است.
این نتایج، ارائه شده در شکل 9 و جدول S1 نشان می دهد که دقت پیش بینی LSTM برای غلظت NO 3 -N در Daxing به طور واضح بهتر از RF و SVR بود. ترتیب دقت محاسباتی سه الگوریتم یادگیری ماشینی LSTM > SVR > RF بود.
بنابراین، ما LSTM را به‌عنوان سیستم یادگیری ماشینی انتخاب کردیم که با آن می‌توان تغییرات غلظت NO 3 -N در Daxing را در سال‌های مرطوب، سال‌های عادی و سال‌های خشک از 2021 تا 2025 پیش‌بینی کرد.
تقاضای آب برای یک سال مرطوب، یک سال عادی و یک سال خشک در سال های 2021-2025 مطابق با معادلات (1)- (4) محاسبه شد. نرخ توسعه اقتصادی از میانگین نرخ توسعه اقتصادی بین سال‌های 2006 و 2020 برون‌یابی شد. براساس توالی بارندگی از سال 1956 تا 2020، میانگین بارندگی در سال مرطوب، سال عادی و سال خشک 598.40 میلی‌متر، 482.10 میلی‌متر و 398.00 بود. میلی متر به ترتیب در سال‌های تر، نرمال و خشک، نرخ تضمینی بارش به ترتیب 25، 50 و 75 درصد بود.
با استفاده از مدل آموزش دیده LSTM، تغییرات غلظت NO 3 -N در یک سال مرطوب، یک سال عادی و یک سال خشک از 2021 تا 2025 پیش بینی شد. نتایج این پیش بینی در شکل 10 نشان داده شده است.
در مقایسه با سال های 2016 تا 2020، میانگین غلظت NO 3 -N در سطح منطقه از 5.92 میلی گرم در لیتر به 6.34 میلی گرم در لیتر، 6.61 میلی گرم در لیتر، و 6.96 میلی گرم در لیتر در یک سال مرطوب، یک سال عادی، افزایش یافت. به ترتیب یک سال خشک با جزئیات بیشتر، غلظت NO 3 -N در منطقه شمالی داکسینگ از 14.05 میلی گرم در لیتر به 14.87 میلی گرم در لیتر، 15.64 میلی گرم در لیتر، و 16.54 میلی گرم در لیتر، به ترتیب با حرکت مدل از دوره 2016-2020 افزایش یافت. به دوره 2021-2025 (سال مرطوب)، 2021-2025 (سال عادی) و 2021-2025 (سال خشک). مشاهده می شود که NO 3غلظت -N در سال عادی و سال خشک به شدت نسبت به سال مرطوب افزایش یافت. این را می توان با این واقعیت توضیح داد که تغذیه آب زیرزمینی در سال مرطوب بیشتر از سال های معمولی و خشک است، بنابراین آلودگی NO 3 -N به طور موثر رقیق می شود و NO 3 -N با سرعت بیشتری به خارج از آبخوان Daxing منتقل می شود.
برای اطمینان از موثرترین استفاده اجتماعی از آب، این ارقام ممکن است برای ایجاد یک رژیم انعطاف‌پذیر از کنترل‌ها بر استفاده از آب‌های زیرزمینی استفاده شوند که در آن برداشت از آب‌های زیرزمینی برای مصارف خانگی در مناطقی با آلودگی جدی آب‌های زیرزمینی به روش‌هایی که نرخ‌های اخیر را دارد، کاهش یا ممنوع شود. رقیق سازی و شارژ مجدد ناشی از بارندگی در نظر گرفته شود.

3.2. تخصیص بهینه منابع آب

برای کاهش تأثیر آلودگی آب های زیرزمینی NO 3 -N بر منابع آب خانگی، سه رژیم بهره برداری از آب های زیرزمینی ایجاد شد.
رژیم بهره‌برداری از آب‌های زیرزمینی 1: هیچ منطقه‌ای با غلظت NO 3 -N آب زیرزمینی بیش از 20 میلی‌گرم در لیتر مجاز نیست تا آب زیرزمینی خود را به تامین آب خانگی کمک کند.
رژیم بهره برداری از آب های زیرزمینی 2: آب های زیرزمینی استخراج شده از مناطق با غلظت NO 3 -N بالای 10 میلی گرم در لیتر اما کمتر از 20 میلی گرم در لیتر برای مصارف خانگی استفاده نمی شود و استخراج آب های زیرزمینی از مناطق با غلظت NO 3 -N بالاتر از 20 میلی گرم در لیتر. L به طور کلی ممنوع است.
رژیم بهره برداری از آب های زیرزمینی 3: برداشت آب زیرزمینی از تمام مناطق با غلظت NO 3 -N بالای 10 میلی گرم در لیتر به طور کلی ممنوع است.
با توجه به نقشه توزیع فضایی غلظت پیش‌بینی‌شده NO 3 -N در سال مرطوب، سال عادی و سال خشک از 2021 تا 2025 ( شکل 10 )، مناطقی که غلظت NO 3 -N 10-20 میلی‌گرم در هر سال بود. L و جایی که بیش از 20 میلی گرم در لیتر بود به ترتیب توسط ابزار تجزیه و تحلیل منطقه ای در ArcGIS استخراج شد.
با در نظر گرفتن سال 2025 به عنوان مثال، مصرف آب منطقه مورد مطالعه در سال 2025 بر اساس معادلات (1) – (4) محاسبه شد. تحت رژیم های بهره برداری از آب های زیرزمینی 1-3، حجم آب زیرزمینی موجود مربوطه در سال 2025 مرطوب، نرمال و خشک محاسبه شد. نتایج محاسبات در جدول 4 نشان داده شده است. از جدول 4 مشاهده می شود که تحت رژیم های بهره برداری از آب های زیرزمینی 1-3، حجم آب زیرزمینی موجود در سال آبی به ترتیب 214692000 متر مکعب ، 176519300 مترمکعب و 168058400 متر مکعب بوده است. تحت رژیم های بهره برداری از آب های زیرزمینی 1-3، حجم آب زیرزمینی موجود در سال عادی 165455900 مترمکعب ، 132175600 مترمکعب بود .و به ترتیب 125,083,400 متر مکعب . تحت رژیم های بهره برداری از آب های زیرزمینی 1-3، حجم آب زیرزمینی موجود در سال خشک به ترتیب 123817600 متر مکعب ، 98940400 متر مکعب و 93196100 متر مکعب بود . مشاهده می شود که حجم آب زیرزمینی موجود در سال آبی بیشترین، حجم آب زیرزمینی موجود در سال عادی دوم و حجم آب زیرزمینی موجود در سال خشک کمترین میزان را داشته است.
مطابق با مدل تخصیص بهینه ما برای منابع آب، تخصیص بهینه مصرف آب در سال 2025 برای سناریوهای سال تر، نرمال و خشک انجام شد. نتایج بهینه سازی در جداول S2-S4 نشان داده شده است. جداول S2-S4 نتایج تخصیص منابع آب برای رژیم فعلی بهره برداری از آب های زیرزمینی و تخصیص بهینه منابع آب برای رژیم های بهره برداری از آب های زیرزمینی 1-3 را نشان می دهد.
برای انتخاب بهترین رژیم بهره‌برداری از آب‌های زیرزمینی در سناریوهای مختلف سال هیدرولوژیکی، لازم بود بهترین حالت بهره‌برداری از سه جنبه کم‌آب، نرخ بهره‌برداری از آب‌های زیرزمینی به‌عنوان درصد حداکثر حد پایدار و به حداقل رساندن غلظت NO 3 -N انتخاب شود. در آب خانگی مطابق با نتایج پیکربندی در جداول S2-S4 ، ما خطرات کمبود آب و هزینه های منبع هر حالت بهره برداری از آب زیرزمینی را محاسبه کردیم. مطابق با مقادیر محدود بهره برداری از آب های زیرزمینی تحت رژیم های بهره برداری 1-3، و با در نظر گرفتن اینکه آب تحویل نهایی از منابع مختلط، حداکثر NO 3 مربوطه خواهد بود.غلظت آلودگی N هر رژیم بهره برداری از آب های زیرزمینی محاسبه شد. نتایج محاسبات در جدول 5 نشان داده شده است.
از جدول 5 می توان دریافت که میزان بهره برداری از آب های زیرزمینی و حداکثر غلظت آلودگی NO 3 -N رژیم های بهره برداری آب های زیرزمینی 1-3 کمتر از رژیم بهره برداری فعلی در هر سه نوع سال هیدرولوژیکی (تر، نرمال و خشک) بوده است. نشان می دهد که رژیم های بهره برداری از آب های زیرزمینی 1-3 بهتر از رژیم های بهره برداری از آب های زیرزمینی فعلی هستند.
در سال مرطوب، کمبود آب و نرخ بهره برداری از آب زیرزمینی رژیم های بهره برداری از آب های زیرزمینی 1-3 0 و 74.07 درصد بود، در حالی که حداکثر غلظت NO 3 -N در رژیم بهره برداری آب زیرزمینی 3 10.64 میلی گرم در لیتر بود که کمتر از آن بود. از رژیم های بهره برداری از آب های زیرزمینی 1 و 2. بنابراین رژیم بهره برداری از آب های زیرزمینی 3 برای سال آبی انتخاب شد.
کم آبی رژیم بهره برداری آب زیرزمینی 3 در سال عادی صفر بوده و میزان بهره برداری از آب زیرزمینی و حداکثر غلظت NO 3 -N تحت رژیم بهره برداری آب زیرزمینی 3 به ترتیب 16/69 درصد و 02/11 میلی گرم در لیتر بوده که نسبت به آب های زیرزمینی کمتر است. رژیم های بهره برداری 1 و 2. بنابراین رژیم بهره برداری از آب های زیرزمینی 3 برای سال های آبی معمولی انتخاب شد.
در سال خشک، رژیم‌های بهره‌برداری از آب‌های زیرزمینی 2 و 3 به ترتیب 24408600 مترمکعب و 30152900 مترمکعب کمبود آب ایجاد کردند. اگرچه نرخ بهره برداری از آب های زیرزمینی و حداکثر غلظت NO 3 -N رژیم های 2 و 3 در مقایسه با رژیم 1 کاهش یافت، برای اطمینان از ثبات اجتماعی و توسعه اقتصادی، رژیم بهره برداری از آب های زیرزمینی 1 را برای سال خشک انتخاب کردیم.

3.3. تغییرات در آلودگی NO 3 -N قبل و بعد از تنظیم بهینه

از مطالب فوق می توان دریافت که بهترین حالت های بهره برداری از آب های زیرزمینی در سال های تر، نرمال و خشک به ترتیب رژیم بهره برداری از آب های زیرزمینی 3، رژیم بهره برداری از آب های زیرزمینی 3 و رژیم بهره برداری از آب های زیرزمینی 1 بوده است. با در نظر گرفتن سال 2025 به عنوان سال نمونه، از ArcGIS برای ترسیم نقشه توزیع غلظت NO 3 -N برای رژیم بهره برداری بهینه از آب های زیرزمینی در سناریوهای سال مرطوب، سال عادی و سال خشک، به ترتیب استفاده کردیم ( شکل 11 ، شکل 12 و شکل 13 را ببینید. ).
شکل 11 ، شکل 12 و شکل 13 نشان می دهد که پس از معرفی رژیم های بهینه، غلظت NO 3 -N پیش بینی شده در سال 2025 به طور قابل توجهی کاهش یافته است، به ویژه در منطقه شمالی. غلظت NO 3 -N در سناریوهای سال مرطوب، سال نرمال و سال خشک از 6.60 میلی گرم در لیتر، 6.75 میلی گرم در لیتر و 6.95 میلی گرم در لیتر به 3.16 میلی گرم در لیتر، 3.26 میلی گرم در لیتر و 3.84 میلی گرم در لیتر کاهش یافت. به ترتیب. غلظت NO 3 -N در منطقه شمالی از 15.40 میلی گرم در لیتر، 15.82 میلی گرم در لیتر، و 16.42 میلی گرم در لیتر به 6.31 میلی گرم در لیتر، 6.61 میلی گرم در لیتر، و 7.93 میلی گرم در لیتر برای سناریوهای مختلف کاهش یافت. .

3.4. تغییرات در جدول آب های زیرزمینی قبل و بعد از تنظیم بهینه

با در نظر گرفتن سال 2025 به عنوان سال نمونه، از مدل Modflow برای شبیه‌سازی تغییرات سطح آب زیرزمینی قبل و بعد از تنظیم بهینه استفاده شد. با در نظر گرفتن سال 2020 به عنوان داده اولیه جدول آب زیرزمینی، منابع آبی از سال 2021 تا 2025 به ترتیب بر اساس رژیم بهره برداری از آب های زیرزمینی 3، رژیم بهره برداری از آب های زیرزمینی 3 و رژیم بهره برداری از آب های زیرزمینی 1 در سال های مرطوب، سال های عادی و سال های خشک تخصیص یافتند. مصرف آب زیرزمینی قبل و بعد از بهینه‌سازی با حجم بهره‌برداری از آب‌های زیرزمینی قبل و بعد از بهینه‌سازی یکسان در نظر گرفته شد. با در نظر گرفتن 2021-2025 به عنوان دوره شبیه سازی، نقشه توزیع جدول آب زیرزمینی برای سال 2025 به دست آمد ( شکل 14 ، شکل 15 و شکل 16 ).
از شکل 14 ، شکل 15 و شکل 16 مشاهده می شود که حجم بهره برداری از آب های زیرزمینی در سال مرطوب بر اساس رژیم بهره برداری از آب های زیرزمینی 3 بوده است. به این معنی که سطح آب زیرزمینی 0.99 متر افزایش یافت. از منظر تغییر فضایی در سطح آب زیرزمینی، سطح آب زیرزمینی در منطقه شمالی از 13.61 متر به 14.71 متر رسید، به این معنی که سطح آب زیرزمینی 1.10 متر افزایش یافته است. سطح آب زیرزمینی در منطقه مرکزی 0.74 متر و سطح آب زیرزمینی در منطقه جنوبی 1.12 متر افزایش یافت.
حالت بهره برداری از آب های زیرزمینی در سال عادی بر اساس رژیم بهره برداری از آب های زیرزمینی 3 بود. در مقایسه با رژیم پیش بهینه سازی، میانگین سطح آب زیرزمینی از 7.09 به 8.89 متر افزایش یافت، به این معنی که سطح سطح آب زیرزمینی 1.80 متر افزایش یافت. با جزئیات بیشتر، سطح آب زیرزمینی در منطقه شمالی از 12.63 متر به 14.38 متر افزایش یافت که افزایش 1.75 متری است. سطح آب زیرزمینی در منطقه مرکزی از 4.91 متر به 6.47 متر افزایش یافته است که افزایش 1.56 متری را نشان می دهد. سطح آب زیرزمینی در منطقه جنوبی از 3.72 متر به 5.81 متر افزایش یافت که 2.09 متر افزایش یافت.
حالت بهره برداری از آب های زیرزمینی در سال خشک بر اساس حالت بهره برداری از آب های زیرزمینی 1 بود. در مقایسه با رژیم پیش بهینه سازی، میانگین سطح آب زیرزمینی از 6.10 متر به 8.17 متر افزایش یافت که افزایش 2.07 متری بود. سطح آب زیرزمینی در منطقه شمالی از 11.82 متر به 13.80 متر افزایش یافت که 1.98 متر افزایش یافت. سطح آب زیرزمینی در منطقه مرکزی از 3.96 متر به 5.80 متر افزایش یافت که 1.84 متر افزایش یافت. سطح آب های زیرزمینی در منطقه جنوبی از 2.49 متر به 4.90 متر افزایش یافت که افزایش 2.41 متری بود.
از تجزیه و تحلیل فوق می توان دریافت که سطح آب زیرزمینی در منطقه جنوبی بیشترین افزایش را داشته است که ممکن است مربوط به این واقعیت باشد که منطقه جنوبی عمدتاً کشاورزی است. در این مقاله، پس از تعیین نرخ تضمینی مصرف آب کشاورزی و افزایش عرضه آب بازیابی و آب‌های سطحی برای مصارف آب کشاورزی، بهره‌برداری از آب‌های زیرزمینی کاهش یافت که نتیجه آن بازیابی سریع سطح آب زیرزمینی در منطقه جنوب بود.

4. نتیجه گیری

در این مقاله، با ترکیب GIS با الگوریتم‌های یادگیری ماشینی، فناوری بهینه‌سازی منابع آب و شبیه‌سازی عددی آب‌های زیرزمینی، کیفیت و جدول آب زیرزمینی در منطقه داکسینگ پکن به‌طور موثر بهینه‌سازی و کنترل شد. روش توسعه‌یافته در اینجا می‌تواند راهنمایی‌های نظری و عملی برای حکمرانی آب‌های زیرزمینی در مناطقی با آلودگی جدی آب‌های زیرزمینی و بهره‌برداری بیش از حد ارائه کند. به طور دقیق تر، نتایج اصلی این مقاله به شرح زیر است:
(1)
ArcGIS برای تولید چند ضلعی Thiessen در حدود 25 نقطه نظارت بر کیفیت آب استفاده شد. سپس از ابزار تحلیل منطقه ای در ArcGIS برای استخراج داده های مصرف آب و توسعه اقتصادی برای هر چند ضلعی استفاده شد. در نهایت، از سه الگوریتم یادگیری ماشینی برای پیش‌بینی آلودگی NO 3 -N تحت سه سناریو مختلف سال هیدرولوژیکی برای منطقه Daxing استفاده شد. نتایج نشان می دهد که LSTM از دقت بهتری نسبت به RF و SVR برخوردار است. بنابراین تحقیقات بیشتر در مورد ترکیب GIS و LSTM از ارزش نظری و عملی بالایی برخوردار است.
(2)
با توجه به پیش‌بینی مدل ما از آلودگی NO 3 -N آب‌های زیرزمینی آینده، این شکل از آلودگی روند افزایشی در Daxing را تحت رژیم توسعه شهری موجود نشان می‌دهد. در مقایسه با 2016-2020، آلودگی NO 3 -N آب های زیرزمینی طی دوره 2021-2025 از 14.05 میلی گرم در لیتر به 14.87 میلی گرم در لیتر، 15.64 میلی گرم در لیتر، و 16.54 میلی گرم در لیتر در سال مرطوب، سال عادی افزایش یافته است. و سناریوهای سال خشک به ترتیب. مشاهده می شود که پیش بینی آلودگی آلودگی در سناریوی خشک سال 2025 جدی ترین بود.
(3)
با در نظر گرفتن سال 2025 به عنوان سال نمونه ای که برای ارزیابی کاهش احتمالی آلودگی NO 3 -N در آب های زیرزمینی، سه رژیم جدید بهره برداری از آب های زیرزمینی ابداع شد. مدلی برای تخصیص بهینه منابع آب برای کار بهینه سازی استفاده از آب های زیرزمینی تحت سه رژیم جدید اعمال شد. نتایج بهینه‌سازی نشان داد که از این رژیم‌های جدید، رژیم بهره‌برداری از آب‌های زیرزمینی 3 باید در سال مرطوب و سال عادی و رژیم 1 در سال خشک اتخاذ شود.
(4)
با در نظر گرفتن سال 2025 به عنوان سال آزمایش، ما از ArcGIS برای ترسیم تغییرات آلودگی NO 3 -N قبل و بعد از بهینه‌سازی در سناریوهای سال مرطوب، سال عادی و سال خشک استفاده کردیم. نتایج نشان داد که غلظت NO 3 -N پس از بهینه‌سازی رژیم کاهش معنی‌داری داشت. برای منطقه شمالی داکسینگ که آلوده ترین منطقه بود، غلظت NO 3 -N از 15.40 میلی گرم در لیتر، 15.82 میلی گرم در لیتر و 16.42 میلی گرم در لیتر به 6.31 میلی گرم در لیتر، 6.61 میلی گرم در لیتر و 7.93 کاهش یافت. mg/L به ترتیب در سناریوهای سال مرطوب، سال عادی و سال خشک.
(5)
با در نظر گرفتن سال 2025 به عنوان سال آزمایش برای سومین بار، از مدل Modflow برای شبیه سازی تغییرات در سطح آب زیرزمینی قبل و بعد از بهینه سازی و تنظیم استفاده شد. نتایج نشان داد که میانگین سطح آب زیرزمینی در سناریوهای سال مرطوب، سال عادی و سال خشک به ترتیب 0.99 متر، 1.80 متر و 2.07 متر افزایش یافته است.
از آنجایی که آب های زیرزمینی در اعماق زمین مدفون هستند، کنترل آن دشوارتر از آب های سطحی است. برای کاهش بهره برداری بیش از حد از آب های زیرزمینی و در عین حال اطمینان از ایمنی و کفایت آب، استفاده از آب های سطحی، آب های بازیافتی و آب های انتقالی باید افزایش یابد. برای اطمینان از کیفیت آب های زیرزمینی، لازم است نظارت بر صنایع دارای انتشار آلاینده های زیاد افزایش یابد. برای دستیابی به هر دو هدف، حذف تدریجی یا اصلاح صنایعی که در حال حاضر مصرف آب و/یا آلایندگی بالایی دارند، مطلوب است. آب خانگی و صنعتی باید به طور کامل جمع آوری و به صورت متمرکز تصفیه شود و تخلیه مستقیم آن به آب ها ممنوع شود.
با توسعه سریع جامعه و اقتصاد، بسیاری از کشورها و مناطق با مشکل کمبود آب و آلودگی محیط زیست مواجه هستند. به ویژه در مناطقی که آب های سطحی کمیاب است و آب های زیرزمینی منبع مهم آبی هستند، دستیابی به بهره برداری پایدار از منابع آب زیرزمینی برای توسعه و پایداری این مناطق به ویژه با توجه به افزایش فراوانی آب و هوای شدید در جهان اهمیت زیادی دارد. این مقاله با ترکیب فناوری اطلاعات جغرافیایی با مدل‌های پیش‌بینی ماشین، فناوری بهینه‌سازی منابع آب و شبیه‌سازی عددی آب‌های زیرزمینی، کیفیت و جدول آب زیرزمینی را در منطقه مورد مطالعه بهینه و کنترل می‌کند و به نتایج خوبی دست می‌یابد. به دلیل عملکردهای تحلیلی قدرتمند آن، GIS در درک و درک تغییرات زمانی و مکانی در آب های زیرزمینی اهمیت زیادی دارد. علاوه بر این، الگوریتم‌های یادگیری ماشین ظرفیت بالایی برای تولید نتایج واضح از داده‌های پیچیده دارند. بنابراین، ترکیب GIS با الگوریتم‌های یادگیری ماشین در تحقق مدیریت، نظارت و تنظیم آب‌های زیرزمینی کمک بزرگی است. این مقاله می‌تواند ایده‌ها و روش‌های جدیدی برای استفاده پایدار از آب‌های زیرزمینی در مناطقی با بهره‌برداری بیش از حد جدی از آب‌های زیرزمینی و آلودگی جدی آب‌های زیرزمینی ارائه کند. و تنظیم آب های زیرزمینی برای ترکیب GIS با الگوریتم های یادگیری ماشین. این مقاله می‌تواند ایده‌ها و روش‌های جدیدی برای استفاده پایدار از آب‌های زیرزمینی در مناطقی با بهره‌برداری بیش از حد جدی از آب‌های زیرزمینی و آلودگی جدی آب‌های زیرزمینی ارائه کند. و تنظیم آب های زیرزمینی برای ترکیب GIS با الگوریتم های یادگیری ماشین. این مقاله می‌تواند ایده‌ها و روش‌های جدیدی برای استفاده پایدار از آب‌های زیرزمینی در مناطقی با بهره‌برداری بیش از حد جدی از آب‌های زیرزمینی و آلودگی جدی آب‌های زیرزمینی ارائه کند.

منابع

  1. وانگ، اس جی. ما، HT; ژائو، YB بررسی رابطه بین شهرنشینی و محیط زیست-مطالعه موردی منطقه پکن-تیانجین-هبی. Ecol. اندیک. 2014 ، 45 ، 171-183. [ Google Scholar ] [ CrossRef ]
  2. Wu، WJ; ژائو، اس کیو. زو، سی. Jiang, JL مطالعه تطبیقی ​​گسترش شهری در پکن، تیانجین و شیجیاژوانگ در سه دهه گذشته. Landsc. طرح شهری. 2015 ، 134 ، 93-106. [ Google Scholar ] [ CrossRef ]
  3. هوباچک، ک. Guan، DB; بارت، جی. ویدمن، تی. پیامدهای زیست محیطی شهرنشینی و تغییر سبک زندگی در چین: ردپای اکولوژیکی و آب. J. Clean Prod. 2009 ، 17 ، 1241-1248. [ Google Scholar ] [ CrossRef ]
  4. چن، بی بی. گونگ، HL؛ لی، XJ; لی، KC; زو، ال. گائو، ام ال. ژو، CF خصوصیات و علل فرونشست زمین در پکن، چین. بین المللی J. Remote Sens. 2017 , 38 , 808–826. [ Google Scholar ] [ CrossRef ]
  5. چن، جی. تانگ، سی. ساکورا، ی. یو، جی. فوکوشیما، Y. آلودگی نیترات ناشی از کشاورزی در مناطق مختلف هیدروژئولوژیکی سیستم جریان آب زیرزمینی منطقه ای در دشت شمال چین. هیدروژئول. J. 2005 ، 13 ، 481-492. [ Google Scholar ] [ CrossRef ]
  6. Malczewski، J. تجزیه و تحلیل مناسب کاربری زمین مبتنی بر GIS: مروری انتقادی. Prog. برنامه ریزی کنید. 2004 ، 62 ، 3-65. [ Google Scholar ] [ CrossRef ]
  7. سینگ، الف. مدیریت مشکلات منابع آب کشاورزی آبی از طریق تکنیک‌های جغرافیایی: مروری. Agr. مدیریت آب. 2016 ، 174 ، 2-10. [ Google Scholar ] [ CrossRef ]
  8. یانگ، XJ سنجش از دور و کاربردهای GIS برای تجزیه و تحلیل اکوسیستم دهانه رودخانه: یک مرور کلی. بین المللی J. Remote Sens. 2005 ، 26 ، 5347-5356. [ Google Scholar ] [ CrossRef ]
  9. ارزیابی، نظارت و مدیریت تالاب Garg، JK در هند با استفاده از تکنیک‌های مکانی J. Env. مدیریت 2015 ، 148 ، 112-123. [ Google Scholar ] [ CrossRef ]
  10. ژو، جی. وانگ، YY; شیائو، اف. وانگ، YY; روش پیش‌بینی کیفیت آب Sun، LJ بر اساس IGRA و LSTM. Water 2018 , 10 , 1148. [ Google Scholar ] [ CrossRef ]
  11. پارمار، KS; Bhardwaj, R. مدیریت کیفیت آب با استفاده از تحلیل آماری و مدل پیش‌بینی سری زمانی. Appl. علوم آب 2014 ، 4 ، 425-434. [ Google Scholar ] [ CrossRef ]
  12. عسگری، گ. قلی، م.ن. سالاری، م. اصغرنیا، ح. درویشموتولی، م. فرجی، ح. مرادنیا، م. پیش بینی غلظت نیترات در منابع آب زیرزمینی بابل با استفاده از مدل خاکستری (1،1). بین المللی جی. محیط زیست. مهندس بهداشت 2020 ، 9 ، 16. [ Google Scholar ] [ CrossRef ]
  13. پارمار، KS; Bhardwaj، R. مدل‌سازی پیش‌بینی آب رودخانه با استفاده از شبکه‌های عصبی، فازی و مدل جفت موجک. منبع آب مدیریت 2015 ، 29 ، 17-33. [ Google Scholar ] [ CrossRef ]
  14. گانر، ED; Kuvvetli، Y. تجزیه و تحلیل کیفیت آب زیرزمینی برای اهداف شرب با استفاده از شبکه های عصبی مصنوعی ترکیبی و رویکردهای منطق فازی. Desalin Water Treat. 2020 ، 174 ، 143-151. [ Google Scholar ] [ CrossRef ]
  15. لی، جی. لی، ایکس. Lv، NQ; یانگ، ی. Xi، BD; Li، MX; بای، اس جی; لیو، دی. ارزیابی کمی شدت آلودگی آب‌های زیرزمینی در سایت‌های آلوده معمولی در چین با استفاده از تحلیل رابطه خاکستری و شبیه‌سازی عددی. محیط زیست علوم زمین 2015 ، 74 ، 3955-3968. [ Google Scholar ] [ CrossRef ]
  16. یانگ، دبلیو. ژانگ، KN; چن، YG; ژو، XZ; جین، FX پیش‌بینی مهاجرت آلاینده‌ها در آبخوان لایه‌های گرانیتی شکسته دفن زباله. جی سنت. دانشگاه جنوب 2013 ، 20 ، 3193-3201. [ Google Scholar ] [ CrossRef ]
  17. آگراوال، پ. سینها، ا. کومار، اس. آگاروال، ا. بانرجی، ا. ویلوری، وی. آناواراپو، سی. دوویدی، ر. درا، وی. سینها، ج. و همکاران بررسی تکنیک‌های هوش مصنوعی برای ارزیابی کیفیت آب‌های زیرزمینی. Water 2021 , 13 , 1172. [ Google Scholar ] [ CrossRef ]
  18. احمدی، ع. علیایی، م. حیدری، ز. امامی، م. زین العابدین، ع. قملاقی، ع. داکاش، ا. فاگ، جنرال الکتریک؛ صادق، م. مدل‌سازی سطح آب‌های زیرزمینی با یادگیری ماشینی: مروری سیستماتیک و متاآنالیز. Water 2022 , 14 , 949. [ Google Scholar ] [ CrossRef ]
  19. Patle، GT; سینگ، DK; سرنگی، ع. رای، ا. خانا، م. Sahoo، RN سری زمانی تجزیه و تحلیل سطوح آب زیرزمینی و پیش بینی روند آینده. جی. جئول. Soc. هند 2015 ، 85 ، 232-242. [ Google Scholar ] [ CrossRef ]
  20. ژانگ، ایکس. لی، پی. بن لی، ز. یو، GQ وضعیت پویایی آب و نمک خاک و عوامل حساسیت مرتبط در یک منطقه آبیاری منطقه لس: مطالعه موردی در منطقه آبیاری کانال Luohui، چین. محیط زیست علوم زمین 2017 ، 76 ، 715. [ Google Scholar ] [ CrossRef ]
  21. نظری، ح. تقوی، بی. حاجی‌زاده، ف. پیش‌بینی شوری آب‌های زیرزمینی با استفاده از روش‌های سیستم استنتاج عصبی فازی تطبیقی: مطالعه موردی در دشت‌های آذرشهر، عجب‌شیر و مراغه، ایران. محیط زیست علوم زمین 2021 ، 80 ، 152. [ Google Scholar ] [ CrossRef ]
  22. لیو، اف ام؛ یی، SP; ما، هی؛ هوانگ، جی. تانگ، YK; Qin، JB; ژو، WH ارزیابی خطر آلودگی محیطی آب های زیرزمینی: مطالعه موردی یک سایت کارست برای ساخت یک نیروگاه فسیلی. محیط زیست علمی آلودگی R. 2019 , 26 , 30561–30574. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. آغلمند، ر. عباسی، ع. کاربرد MODFLOW با تحلیل شرایط مرزی بر اساس مشاهدات محدود در دسترس: مطالعه موردی دشت بیرجند در شرق ایران. Water 2019 ، 11 ، 1904. [ Google Scholar ] [ CrossRef ]
  24. کوادری، س. البلتاگی، ا. اسلام، ع. کاتب، س. عملکرد روش های یادگیری ماشین در پیش بینی شاخص کیفیت آب بر اساس مجموعه داده های نامنظم: کاربرد در منطقه ایلیزی (جنوب شرقی الجزایر). Appl. علوم آب 2021 ، 11 ، 190. [ Google Scholar ] [ CrossRef ]
  25. سان، ج. وانگ، فناوری سیستم اطلاعات جغرافیایی GH همراه با شبکه عصبی پس انتشار در پایش کیفیت آب های زیرزمینی. Isprs. بین المللی J. Geo-Inf. 2020 ، 9 ، 736. [ Google Scholar ] [ CrossRef ]
  26. ستشدی، ک.ج. Mutingwende، N.; Ngqwala، NP استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی ویژگی‌های فیزیکوشیمیایی کیفیت آب در سه منطقه، استان کیپ شرقی، آفریقای جنوبی. بین المللی J. Env. Res. میخانه. او 2021 ، 18 ، 5248. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. یون، اچ. هیون، ی. ها، ک. لی، KK; Kim, GB روشی برای بهبود پایداری و دقت مدل‌های سری زمانی مبتنی بر ANN و SVM برای پیش‌بینی‌های بلندمدت سطح آب زیرزمینی. محاسبه کنید. Geosci. 2016 ، 90 ، 144-155. [ Google Scholar ] [ CrossRef ]
  28. لیانگ، ژ. لیو، YP; هو، HC; لی، HQ; ما، YQ; خان، ام. تبدیل موجک ترکیبی با شبکه عصبی حافظه کوتاه‌مدت برای پیش‌بینی عمق جدول آب در شهر بائودینگ، دشت چین شمالی. جلو. محیط زیست علمی 2021 ، 78 ، 565. [ Google Scholar ] [ CrossRef ]
  29. گوپتا، پی کی. Maiti، S. بهبود مدل‌سازی مبتنی بر داده غلظت فلوراید با استفاده از الگوریتم‌های داده کاوی جدید. محیط زیست علوم زمین 2022 ، 81 ، 89. [ Google Scholar ] [ CrossRef ]
  30. آلدیانی، THH; الیاری، م. الکهطانی، ح. مشی، م. Algalil، FA پیش بینی کیفیت آب با استفاده از الگوریتم های هوش مصنوعی. Appl. بیونیک. بیومک. 2020 ، 2020 ، 6659314. [ Google Scholar ] [ CrossRef ]
  31. کومار، اس. Pati، J. ارزیابی آلودگی آرسنیک آبهای زیرزمینی با استفاده از یادگیری ماشین در بنارس، اوتار پرادش، هند. J. Water Health 2022 ، 20 ، 829-848. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. اسلام، ARMT; پال، SC; چاکرابورتی، آر. ادریس، ع.م. سلام، ر. اسلام، ام اس; زاهد، ع. شهید، س. اسماعیل، ZB یک چارچوب جدید همراه برای ارزیابی آسیب‌پذیری منابع آب با استفاده از تحلیل هیدروشیمیایی و مدل‌های مبتنی بر داده. J. Clean Prod. 2022 ، 336 ، 130407. [ Google Scholar ] [ CrossRef ]
  33. رودریگز-گالیانو، وی. مندز، نماینده مجلس؛ گارسیا سولدادو، ام جی. چیکا اولمو، م. Ribeiro، L. مدل‌سازی پیش‌بینی‌کننده آلودگی نیترات آب‌های زیرزمینی با استفاده از متغیرهای جنگل تصادفی و چند منبع مرتبط با آسیب‌پذیری ذاتی و خاص: مطالعه موردی در یک محیط کشاورزی (جنوب اسپانیا). علمی کل محیط. 2014 ، 476-477 ، 189-206. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. نوروزی، ح. مقدم، AA ارزیابی کیفیت آب های زیرزمینی با استفاده از روش جنگل تصادفی بر اساس شاخص های کیفی آب زیرزمینی (مطالعه موردی: آبخوان دشت میاندوآب، شمال غرب ایران). عرب جی. ژئوشی. 2020 ، 13 ، 912. [ Google Scholar ] [ CrossRef ]
  35. عربگل، ر. سرتاج، م. اصغری، ک. پیش‌بینی غلظت نیترات و توزیع فضایی آن در منابع آب زیرزمینی با استفاده از مدل ماشین‌های بردار پشتیبان (SVMs). محیط زیست ارزیابی مدل 2016 ، 21 ، 71-82. [ Google Scholar ] [ CrossRef ]
  36. دیکسون، بی. مطالعه موردی با استفاده از ماشین‌های بردار پشتیبان، شبکه‌های عصبی و رگرسیون لجستیک در یک GIS برای شناسایی چاه‌های آلوده به نیترات-N. هیدروژئول. J. 2009 , 17 , 1507-1520. [ Google Scholar ] [ CrossRef ]
  37. شیائو، ی. لیو، ک. هائو، کیو. شیائو، دی. زو، ی. یین، اس. ژانگ، ی. بینش هیدروژئوشیمیایی در مورد امضاها، پیدایش و چشم انداز پایدار آب های زیرزمینی غنی شده با نیترات در پیمونت حوضه آبخیز Hutuo، چین. Catena 2022 , 212 , 106020. [ Google Scholar ] [ CrossRef ]
  38. دای، سی. تانگ، جی. لی، ز. دوان، ی. Qu، Y. یانگ، ی. لیو، اچ. ژانگ، دی. وانگ، Y. سیستم شاخص توسعه منابع آب و سطح استفاده بر اساس جامعه صرفه جویی در مصرف آب. Water 2022 , 14 , 802. [ Google Scholar ] [ CrossRef ]
  39. لیو، جی. ژائو، ایکس. یانگ، اچ. لیو، کیو. شیائو، اچ. چنگ، جی. ارزیابی سیاست “توسعه جامعه صرفه جویی در مصرف آب” چین در سطح حوضه رودخانه: رویکرد تحلیل تجزیه ساختاری. جی. پاک. تولید 2018 ، 190 ، 799-808. [ Google Scholar ] [ CrossRef ]
  40. دو، م. لیائو، ال. وانگ، بی. چن، ز. ارزیابی اثربخشی ساخت جامعه صرفه جویی در مصرف آب در چین: یک آزمایش شبه طبیعی. جی. محیط زیست. مدیریت 2021 ، 277 ، 111394. [ Google Scholar ] [ CrossRef ]
  41. Hochreiter, S. مشکل گرادیان ناپدید شدن در طول یادگیری شبکه های عصبی عود کننده و راه حل های مسئله. بین المللی J. نامشخص. سیستم مبتنی بر دانش فازی. 1998 ، 6 ، 107-116. [ Google Scholar ] [ CrossRef ]
  42. هوکرایتر، اس. اشمیدهابر، جی. حافظه کوتاه مدت طولانی. محاسبات عصبی 1997 ، 9 ، 1735-1780. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. بریمن، ال. جنگل های تصادفی. ماخ Learn 2001 , 45 , 5-32. [ Google Scholar ] [ CrossRef ]
  44. داس، اس. چاکرابورتی، آر. Maitra, A. الگوریتم جنگل تصادفی برای پخش کنونی رویدادهای بارش شدید. Adv. Space Res. 2017 ، 60 ، 1271-1282. [ Google Scholar ] [ CrossRef ]
  45. نشوان، ام اس; شاهد، س. عدم قطعیت متقارن و جنگل تصادفی برای ارزیابی داده های بارش و دما شبکه بندی شده. اتمس. Res. 2019 ، 230 ، 104632. [ Google Scholar ] [ CrossRef ]
  46. وانگ، ایکس. ژونگ، ی. نظریه یادگیری آماری و وضعیت هنر در SVM. در مجموعه مقالات دومین کنفرانس بین المللی IEEE در انفورماتیک شناختی، 2003. مجموعه مقالات، لندن، انگلستان، 18-20 اوت 2003. صص 55-59. [ Google Scholar ] [ CrossRef ]
  47. نگاچو، پ. زارعی، ع. الشرکاوی، A. بهینه سازی چند هدفه پارتو. در مجموعه مقالات سیزدهمین کنفرانس بین المللی کاربرد سیستم های هوشمند در سیستم های قدرت، آرلینگتون، VA، ایالات متحده آمریکا، 6-10 نوامبر 2005. صص 84-91. [ Google Scholar ] [ CrossRef ]
  48. دب، ک. پراتاپ، ا. آگاروال، اس. میاریوان، تی. الگوریتم ژنتیک چندهدفه سریع و نخبه: NSGA-II. IEEE T. Evolut. محاسبه کنید. 2002 ، 6 ، 182-197. [ Google Scholar ] [ CrossRef ]
  49. علاقا، جی اس; گفت، مامان؛ Mogheir, Y. مدل‌سازی غلظت نیترات در آب‌های زیرزمینی با استفاده از رویکرد هوش مصنوعی-مطالعه موردی آبخوان ساحلی غزه. محیط زیست نظارت کنید. ارزیابی کنید. 2014 ، 186 ، 35-45. [ Google Scholar ] [ CrossRef ]
  50. نادعلی، ع. ابراهیم، ​​ز. مرتضی، ح. علی، ع.ب. غلامرضا، غ. احمد، RY; محمد، JM ارزیابی کیفیت آب و تحلیل پهنه‌بندی آبخوان شرقی دز توسط نمودارهای شولر و ویلکاکس و GIS. دسالین. تصفیه آب. 2016 ، 57 ، 23686–23697. [ Google Scholar ]
Ijgi 11 00501 g001 550
شکل 1. نقشه جغرافیایی منطقه مورد مطالعه.
Ijgi 11 00501 g002 550
شکل 2. بخش A-A’ منطقه مورد مطالعه.
Ijgi 11 00501 g003 550
شکل 3. رابطه بین سطح آب زیرزمینی و رودخانه.
Ijgi 11 00501 g004 550
شکل 4. نقشه پارتیشن پارامترهای هیدروژئولوژیک Daxing.
Ijgi 11 00501 g005 550
شکل 5. نقشه پراکندگی سطح آب زیرزمینی فعلی در منطقه مورد مطالعه، با در نظر گرفتن سال 2020 به عنوان مثال.
Ijgi 11 00501 g006 550
شکل 6. نسبت بین سطح محاسبه شده و سطح واقعی سطح آب زیرزمینی در طول دوره راستی آزمایی (سیستم مرجع ارتفاع، سیستم ارتفاعی دریای زرد چین در سال 1956 است).
Ijgi 11 00501 g007 550
شکل 7. توزیع فضایی غلظت NO 3 -N در آب های زیرزمینی داکسینگ از سال 2006 تا 2020: ( الف ) 2006-2010; ( ب ) 2011–2015; ( ج ) 2016–2020.
Ijgi 11 00501 g008 550
شکل 8. چند ضلعی های تیسن بر اساس 25 نقطه پایش کیفیت آب زیرزمینی در داکسینگ و مرزهای ناحیه.
Ijgi 11 00501 g009a 550 Ijgi 11 00501 g009b 550
شکل 9. نسبت بین مقادیر محاسبه شده و واقعی غلظت NO 3 -N برای سه الگوریتم یادگیری ماشین در طول دوره اعتبارسنجی: ( الف ) LSTM. ( ب ) RF؛ ( ج ) SVR.
Ijgi 11 00501 g010 550
شکل 10. توزیع فضایی غلظت های پیش بینی شده NO 3 -N از سال 2021 تا 2025: ( الف ) 2021-2025 (سال مرطوب). ( ب ) 2021–2025 (سال عادی)؛ ( ج ) 2021–2025 (سال خشک).
Ijgi 11 00501 g011 550
شکل 11. تغییرات غلظت NO 3 -N در سال مرطوب 2025 (رژیم بهره برداری از آب های زیرزمینی 3): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی.
Ijgi 11 00501 g012 550
شکل 12. تغییرات غلظت NO 3 -N در یک سال عادی 2025 (رژیم بهره برداری از آب های زیرزمینی 3): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی.
Ijgi 11 00501 g013 550
شکل 13. تغییرات غلظت NO 3 -N در سال خشک 2025 (رژیم بهره برداری از آب های زیرزمینی 1): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی،.
Ijgi 11 00501 g014 550
شکل 14. تغییرات سطح آب زیرزمینی در سال 2025 مرطوب (رژیم بهره برداری از آب های زیرزمینی 3): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی.
Ijgi 11 00501 g015 550
شکل 15. تغییرات سطح آب زیرزمینی در سال 2025 عادی (رژیم بهره برداری از آب های زیرزمینی 3): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی.
Ijgi 11 00501 g016 550
شکل 16. تغییرات سطح آب زیرزمینی در سال 2025 خشک (رژیم بهره برداری از آب های زیرزمینی 1): ( الف ) قبل از بهینه سازی و ( ب ) پس از بهینه سازی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید