نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

پیش بینی غلظت نیترات در آب های زیرزمینی محدوده شرق استان مازندران با استفاده از الگوریتم های محاسباتی نرم

نوع مقاله : مقاله پژوهشی

نویسندگان
فرحناز دوستعلی زاده 1
مجتبی خوش روش 2
رامین فضل اولی 3
محمد مهدی باطنی 4
1 دانش آموخته کارشناسی ارشد، گروه مهندسی آب، ، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2 دانشیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری
3 گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
4 پژوهشگر، انستیتوی مطالعات پیشرفته (IUSS)، پاویا، ایتالیا
چکیده
با توجه به اهمیت آب شیرین برای حیات بشر و آسیب‌پذیری منابع آب زیرزمینی در برابر انواع آلودگی‌ها و امکان انتقال آلاینده‌ها به سایر منابع آب‌های سطحی و زیرزمینی و همچنین، قرار داشتن کشور ایران در کمربند خشک و نیمه‌خشک، محافظت از این عنصر با ارزش و کمیاب بسیار ضروری بوده و پایش مداوم و مستمر آن باید از اولویت‌های مدیریت منابع آب قرار گیرد. از این رو، در پژوهش حاضر به آلودگی نیترات در دشت‌های شرق استان مازندران و بررسی مسائل مربوطه پرداخته شد و مدلی کارآمد و بهینه جهت پیش‌بینی غلظت نیترات ارائه شد. در انجام این پژوهش به مقایسه‌ی سه مدل یادگیری ماشین درخت تصمیم، رگرسیون لجستک و شبکه عصبی مصنوعی پرداخته شد. داده‌های فیزیکی و شیمیایی اندازه‌گیری شده طی سال‌های 1364 تا 1399 استفاده شده و به عنوان متغیرهای ورودی مدل‌ها قرار داده شد. متغیر‌ها شامل دما، سطح ایستابی، pH، EC ، HCO3-، CL-، SO24-، Na+، K+، Mg2+، Ca2+، THو TDS بوده و میزان آلودگی نیترات آب زیرزمینی با تقسیم 70 درصد داده‌ها به عنوان آموزش و 30 درصد به عنوان آزمون، پیش‌بینی شده و از شاخص‌های R2، RMSE، NSE و PBIAS برای ارزیابی مدل‌ها استفاده شد. نتایج به دست آمده حاکی از آن بود که مدل درخت تصمیم با اختلاف زیاد نسبت به دو مدل دیگر بهترین عملکرد را داشته (957/0R2 = و 297/0RMSE=، 95/0= NSE و 907/0Testing acc =) و پس از آن رگرسیون لجستیک و شبکه عصبی مصنوعی با عملکردهای به مراتب ضعیف‌تری نسبت به مدل درخت تصمیم قرار داشتند. پیشنهاد می‌شود آزمایش با مدل‌های دیگر یادگیری ماشین و تغییر قراردادن متغیرهای ورودی و اضافه کردن چند متغیر دیگر از جمله کاربری اراضی و بارندگی انجام و نتایج با پژوهش حاضر مقایسه گردند.
کلیدواژه‌ها
داده‌کاوی
درخت‌های تصمیم
رگرسیون لجستیک
شبکه عصبی مصنوعی

عنوان مقاله English

Prediction of Nitrate Concentration in Groundwater of the Eastern Region of Mazandaran Province using Soft Computing Algorithms

نویسندگان English

Farahnaz Doustalizadeh 1
Mojtaba Khoshravesh 2
Ramin Fazloula 3
Mohammad Mehdi Bateni 4
1 MSc. Graduated of Irrigation and Drainage, Water Engineering Department, Faculty of Agricultural Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
2 Associate Professor. Department of Water Engineering. Sari Agricultural Sciences and Natural Resources University
3 Water Dept., Agricultural Eng. College, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
4 Researcher, Scuola Superiore Studi Pavia IUSS, Pavia, Italy
چکیده English

Considering the importance of fresh water for human life and the vulnerability of groundwater sources to all kinds of pollution and the possibility of transferring pollutants to other surface and groundwater sources, as well as the location of Iran in the arid and semi-arid belt, protecting this valuable and rare element is imperative and its continuous monitoring must be one of the priorities of water resources managers. Therefore, in the current research, nitrate pollution in the eastern plains of Mazandaran province was discussed and relevant issues were investigated, and an efficient and optimal model for predicting nitrate concentration was presented. In this research, three machine learning models including decision tree, logistic regression and artificial neural network were compared. The physical and chemical data measured during the years 1985 to 2020 were used and entered as the input variables of the models. The variables include temperature, water level, pH, EC, HCO3-, CL-, SO24-, Na+, K+, Mg2+, Ca2+, TH and TDS; The amount of nitrate contamination of the groundwater, was predicted by dividing 70% of the dataset as training and 30% as testing data. The R2, RMSE, NSE and PBIAS indexes were applied for model evaluation. The results indicated that the Decision Tree model had the best performance with a large difference compared to the other two models (R2 = 0.957 and RMSE = 0.297, NSE = 0.95 and testing acc = 0.907). After That, logistic regression and artificial neural network had much weaker performances than the lead model. It is suggested to conduct another research with other machine learning models by changing the input variables and add some extra ones such as land-use and compare the results with the current research.

کلیدواژه‌ها English

Data mining
decision trees
logistic regression
artificial neural network
حسینی وردنجانی، س. م. ر.، خوش روش، م.، طاهری سودجانی، ه.، قهرمان شهرکی، م. و پورغلام آمیجی، م. 1402. ارزیابی کیفی آب زیرزمینی برای مصارف شرب بر اساس شاخص‌های کیفیت آب. مهندسی آبیاری و آب ایران. 14 (2): 180-164.
Awais, M., Aslam, B., Maqsoom, A., Khalil, U., Ullah, F., Azam, S. and Imran, M. 2021. Assessing Nitrate Contamination Risks in Groundwater: A Machine Learning Approach. Applied Sciences. 11: 10034.
Band, B. Sh., Janizadeh, S., Chandra Pal, S., Chowdhuri, I., Siabi, Zh., Norouzi, A., M. Melesse, A., Shokri, M. and Mosavi, A. 2020. Comparative Analysis of Artificial Intelligence Models for Accurate Estimation of Groundwater Nitrate Concentration, Sensors. 20: 5763.
Bui, D.T., Khosravi, Kh., Karimi, M., Busico, G., Sheikh Khozani, Z., Nguyen, H., Mastrocicco, M., Tedesco, D., Cuoco, E. and Kazakis, N. 2020. Science of the Total Environment. 715136836 
Elzain, H.E., Sang Yong Chung, S.Y., Senapathi, V., Sekar, S., Lee, S.Y., Priyadarsi D., Roy, Amjed Hassan, A. and Sabarathinam, Ch. 2022. Comparative study of machine learning models for evaluating groundwater vulnerability to nitrate contamination. Ecotoxicology and Environmental Safety. 229: 113061
Gangolli, S.D., Van den Brandt, P.A., Feron, V.J., Janzowsky, C., Koeman, J.H., Speijers, G.J.A., Spiegelhalder, B., Walker, R. and Wishnok, J.S. 1994. Assessment of nitrate, nitrite and N-nitroso compounds: Eur. J. Pharmacol. Environ. Toxicol. Pharmacol. Section. 292: 1–38.
García-del-Toro, E.M., García-Salgado, S., Mateo, L.F., Quijano, M.Á. and Más-López, M.I. 2022. Machine Learning as a Diagnosis Tool of Groundwater Quality in Zones with High Agricultural Activity (Region of Campo de Cartagena, Murcia, Spain). Agronomy. 12: 3076.
Gholami, V. and Booij, M.J. 2022. Use of machine learning and geographical information system to predict nitrate     concentration in an unconfined aquifer in Iran. Journal of Cleaner Production, 360, 131847.
He, S., Jianhua Wu, J., Dan Wang, D. and He, X. 2022. Predictive modeling of groundwater nitrate pollution and evaluating its main impact factors using random forest. Chemosphere. 290: 133388.
Hosseini, S.M. and Mahjouri, N. 2014. Developing a fuzzy neural network-based support vector regression (FNN-SVR) for regionalizing nitrate concentration in groundwater. Environmental Monitoring and Assessment. 186: 3685–3699.
Ijlil, S., Essahlaoui, A., Mohajane, M., Essahlaoui, N., Mili, E.M. and Rompaey, V. 2022. A machine learning        algorithm for modeling and mapping of groundwater pollution risk: A study to reach water security and sustainable development (Sdg) goals in a Mediterranean aquifer system. Remote Sensing. 14, 2379.
Iranian Ministry of Energy (IMOF). 2014. Rehabilitation and Balance Program for Groundwater Resources (106 pp).
Ma, L., Hu, L., Feng, X. and Songlin Wang, S. 2018. Nitrate and Nitrite in Health and Disease. Aging and disease. 9(5): 938-945.
Neshat, A., Pradhan, B., Pirasteh, S. and Shafri, H.Z.M. 2014. Estimating groundwater vulnerability to pollution using a modified DRASTIC model in the Kerman agricultural area, Iran. Environmental Earth Sciences. 71(7): 3119–3131.
Nolan, B.T., Gronberg, J.M., Faunt, C.C., Eberts, S.M. and Belitz, K. 2014. Modeling nitrate at domestic and public-supply well depths in the Central Valley, California. Environmental Science & Technology. 48: 5643–5651.
Rodriguez-Galiano V., Mendes, M.P., Garcia-Soldado, M.J., ChicaOlmo, M. and Ribeiro, L. 2014. Predictive modeling of groundwater nitrate pollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: a case study in an agricultural setting (Southern Spain). Science of the Total Environment. 476: 189–206.
Rokhshad, A.M., Khashei Siuki, A. and Yaghoobzadeh, M. 2021. Evaluation of a machine-based learning method to estimate the rate of nitrate penetration and groundwater contamination, Arabian Journal of Geosciences. 14: 40.
Sajedi-Hosseini. F., Malekian, A., Choubin, B., Rahmati, O., Cipullo, S., Coulon, F. and Pradhan, B. 2018. Science of the Total Environment. 644: 954–962.
Thomson, B.M., Nokes, C.J. and Cressey, P.J. 2007. Intake and risk assessment of nitrate and nitrite from New Zealand foods and drinking water. Fd Addit. Contam. 24: 113–121.
Uddameri, V., Bessa Silva, A.L., Singaraju, S., Mohammadi, Gh. and Hernandez, E.A. 2020. Tree-Based Modeling Methods to Predict Nitrate Exceedances in the Ogallala Aquifer in Texas. Water. 12: 1023.
WHO. 1995. Evaluation of certain food additives and contaminants. 44th report of the Joint FAO/WHO Expert Committee on Food Additives. Technical Report Series. 859: 29–35.
نشریه آبیاری و زهکشی ایران
دوره 18، شماره 2 - شماره پیاپی 105
خرداد و تیر 1403
صفحه 307-317