مدل سازی Cd خاک های اطراف معادن نمک گرمسار براساس مدل شبکه عصبی مصنوعی (MLP)

در طی دو دهه گذشته، مدل سازی به کمک رایانه برای شبیه سازی عناصر سنگین توسعه قابل توجهی کرده است. برآورد آلودگی خاک نقش مهمی در کنترل آلودگی و مدیریت زمین دارد. اما در مناطقی با وسعت بالا، جمع آوری داده ها به روش مستقیم به لحاظ هزینه و زمان چالش برانگیز است. در سال های اخیر،کاربرد روش های غیر مستقیم مانند شبکه ی عصبی مصنوعی (ANN) و مدل های مشابه دیگر برای برآورد عناصر سنگین مورد توجه قرار گرفته است.در شهرستان گرمسار 27 معدن نمک وجود دارد که از این تعداد 16 معدن فعال است. نمک استخراج شده از این معادن به عنوان یکی از چاشنی های غذا مورد استفاده قرار می گیرد. از آنجا که به دلیل فعالیت های معدن کاری، ممکن است خاک های این منطقه آلوده به عناصر سنگین گردد. لذا در این بررسی، کارآیی شاخص های زمینی و طیفی برای برآورد کادمیوم (Cd)کل خاک در اطراف خاک های معادن نمک گرمسارتوسط مدل پرسپترون چند لایه (MLP) شبکه عصبی مصنوعی مورد ارزیابی قرار گرفت.

برای انجام این پژوهش49 نمونه خاک مرکب از عمقcm20-0 منطقه مورد مطالعه جمع آوری گردید. ویژگی های فیزیکی و شیمیایی نمونه های خاک مانند درصد رس، شن، سیلت، اسیدیته خاک (pH)، هدایت الکتریکی (EC) و درصد آهک تعیین گردید. اندازه گیری غلظت Cd کل توسط دستگاه جذب اتمی مدل واریان (Varian-220AA) صورت گرفت. برای استخراج پارامترهای زمینی منطقه مورد مطالعه از نقشه رقومی ارتفاع (DEM) و برای محاسبه شاخص های طیفی، تصاویر باندهای لندست-8 با وضوح m30 استفاده شدند. 25 داده کمکی مستخرج از DEM و تصاویر لندست-8 برای برآورد غلظت Cd کل خاک منطقه مورد مطالعه استفاده گردید. داده های جمع آوری شده به صورت تصادفی به دو دسته آموزش و صحت یابی تقسیم شدند و از آنها برای ارزیابی مدل MLP استفاده شد. براساس داده های کمکی بدست آمده و ضرایب همبستگی بین این داده ها با مقدار Cd برآورد شده، 2 مدل مورد ارزیابی قرار گرفت.

نتایج و بحث: 

نتایج این بررسی نشان داد که داده های کمکی مستخرج از باندهای لندست-8 (با بیشترین میزان دقت و کمترین میزان خطا) جزء تاثیرگذارترین پارامترها در برآورد آلودگی خاک به Cd بودند. براساس نتایج بدست آمده از ارزیابی عملکرد ANN در برآورد Cd کل، مقدار ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) برای مدل اول 05/0 و 95/0 و برای مدل دوم 10/0 و 80/0 بدست آمد. در مدل 1، شاخص اشباع (Sat I)، شاخص اندازه ذرات (GSI)، شاخص کربنات (CrI)، شاخص رنگ خاک (Color I) و شاخص گچ (GI) جزء ویژگی های مهم و اصلی در مدل سازی Cd بودند. نتایج مطالعه حاضر کارآیی بالای شبکه ی ANN را در برآورد Cd کل خاک نشان داد.

با توجه به توسعه مدل های یادگیری ماشین در رشته مهندسی محیط زیست بویژه در شبیه سازی عناصر سنگین، داشتن یک نقطه عطف برای پیشرفت آنها بسیار مهم است. نتایج این پژوهش نشان داد که مدل MLP برای برآوردCd  کل خاک مناسب است و می توان با کمک این روش در هزینه های نمونه برداری و تجزیه خاک صرفه جویی نمود. بنابراین توصیه می شود روش بکار رفته در این بررسی، برای تهیه نقشه Cd کل خاک در مناطق مشابه صحت سنجی شود.