در استان اصفهان در حال حاضر ۶ منطقه با نامهای پارک ملی کلاه قاضی، پناهگاه حیات وحش موته، پناهگاه حیات وحش قمیشلو، مناطق شکار ممنوع کرکس، حنا، کهیاز وجود دارد که سطحی در حدود ۵۸۰ هزار هکتار از مساحت استان را پوشانده است و تحت نظارت اداره کل حفاظت محیط زیست استان اصفهان حفاظت می‌شود.
۳-۱-۱۳ نقشه های منطقه و حوزه مورد مطالعه
شکل (۳-۶) نقشه موقعیت استان به انضمام محدوده­های مطالعاتی حوزه آبریز اصفهان
شکل (۳-۷) نقشه موقعیت شهرستانهای استان اصفهان
شکل (۳-۸) نقشه موقعیت محدوده مطالعاتی آب منطقه­ای استان اصفهان
شکل (۳-۹) نقشه موقعیت قرارگیری ۱۷۵ حلقه چاه مورد مطالعه (بخش الف)
شکل (۳-۱۰) نقشه موقعیت قرارگیری ۳۰۰ حلقه چاه مورد مطالعه (بخش ب)
۳-۲ انتخاب داده‌های پایه‌ای
برای انجام این تحقیق و بررسی و شبیه‌سازی مقدار نیترات در آبهای زیرزمینی استان اصفهان به مجموعه آمار کیفی منابع آب ثبت شده توسط معاونت مطالعات منابع آب شرکت سهامی آب منطقه‌ای استان اصفهان حدفاصل سال‌های ۱۳۷۴ تا ۱۳۸۷ رجوع گردید و به علت عدم اندازه‌گیری مستمر این پارامتر تا قبل از سال ۱۳۸۶، از داده‌های مربوط به طرح تحقیقاتی اندازه‌گیری نیترات در آبهای زیرزمینی استان، اجرایی در سال ۱۳۷۹ و ۱۳۸۰ استفاده شده (بخش الف) و با مقادیر اندازه‌گیری شده در سالهای ۱۳۸۶ و ۱۳۸۷ (بخش ب) تلفیق گردید.

۳-۲-۱ تعداد چاه‌های انتخاب شده
در بخش (الف)، از داده‌های تعداد ۱۷۵ حلقه چاه که توزیع آنها در مناطق مختلف به صورت ذیل است استفاده گردیده است.
- منطقه نجف آباد : ۲۹ حلقه چاه (چاه های شماره ۱ تا ۲۹)
- منطقه شهرضا : ۱۳ حلقه چاه (چاه های شماره ۳۰ تا ۴۲)
- منطقه شمال شهراصفهان تانطنزوکاشان: ۳۳ حلقه چاه(چاه های شماره ۴۳تا۷۵)
- منطقه اطراف رودخانه زاینده رود : ۱۰۰ حلقه چاه (چاه های شماره ۷۶تا۱۷۵)
در جدول (۲) پیوست، موقعیت (طول وعرض جغرافیایی) چاه‌های مورد نمونه‌برداری به همراه پارامترهای کیفی اندازه‌گیری شده، آمده است.
در بخش (ب)، از داده‌های تعداد ۳۰۰ حلقه چاه در سطح استان مربوط به سال‌های ۱۳۸۶ و ۱۳۸۷ استفاده شده که مشخصات آنها در جدول (۳) پیوست آمده است.
۳-۲-۲ زمان نمونه برداری
در بخش (الف) نمونه‌برداری از چاه‌ها از ابتدای دی ماه سال ۱۳۷۹ آغاز شده و در ۵ مرحله با فواصل زمانی یک ماهه تا اردیبهشت‌ماه سال ۱۳۸۰ ادامه یافته است.
در بخش (ب) نمونه‌برداری از چاه‌ها به صورت حداکثر فصلی و حداقل یک بار در سال صورت گرفته شده است.
۳-۲-۳ تجزیه‌های شیمیایی
نمونه‌های آب چاه پس از انتقال به آزمایشگاه طبق روش‌های استاندارد آزمایشگاهی مورد آزمایش قرار گرفته شده و علاوه بر اندازه‌گیری نیترات که پارامتر اصلی بوده مقادیر سدیم, پتاسیم, کلسیم, منیزیم, سولفات, کلر, بی‌کربنات، PH, هدایت الکتریکی، نسبت جذبی سدیم و سختی کل در آنها با بهره گرفتن از دستگاه‌ها و روش‌های زیر اندازه‌گیری شده است.
اندازه‌گیری نیترات : یون نیترات توسط الکترود انتخابگر یونی^[۱۳۴] جنوی^[۱۳۵] مدل۳۳۱۰ اندازه‌گیری شده است. در این دستگاه اختلاف بین دو طرف غشاء الکترود نیترات در مقایسه با اختلاف پتانسیل یک الکترود مرجع اندازه‌گیری شده است. در حقیقت دستگاه فعالیت یون نیترات را اندازه‌گیری کرده است. این الکترود قادر به ‌اندازه‌گیری یون نیترات در دامنه ^۶-۱۰×۷ تا ۱ مولار (۴۳/۰ تا ۱۰^۴×۲/۶ میلی‌گرم بر لیتر نیترات) بوده است.
باید توجه شود که این در صورتی است که یون‌های مزاحم در محلول وجود نداشته باشد. مهم‌ترین یون‌های مزاحم در مورد الکترود نیترات عبارتند از کلر, بی کربنات, استات, سولفات و فلوراید که در بین این یون‌ها، یون کلر و بی‌کربنات مزاحمت بیشتری ایجاد کرده‌اند. علی‌رغم مشکلات مربوط به مزاحمت یون‌ها، روش اندازه‌گیری نیترات به کمک الکترود نسبت به سایر روش‌ها به خاطر دقت بالاتر و صرفه‌جویی در زمان و هزینه برتری دارد [۱۲۶ و ۱۵۰].
اندازه‌گیری هدایت الکتریکی : هدایت الکتریکی نمونه‌های آب چاه توسط دستگاه هدایت سنج مدل ۶۴۴ متر- اهم انجام شده است [۱۰۰].
اندازه‌گیری کلسیم و منیزیم : مقدار کاتیون‌های کلسیم و منیزیم در نمونه‌ها توسط تیتراسیون با محلول ۰۱/۰ نرمال ورسین اندازه‌گیری شده است [۱۰۰].
اندازه‌گیری سدیم و پتاسیم : مقدار کاتیون‌های سدیم و پتاسیم در نمونه‌های آب چاه توسط دستگاه فلیم فتومتر کورنینگ مدل ۴۱۰ اندازه‌گیری شده است [۱۰۰].
اندازه‌گیری کلر : اندازه‌گیری آنیون کلر بوسیله تیتراسیون با محلول ۰۲۵/۰ نرمال نیترات نقره و در حضور بی‌کرمات پتاسیم انجام گردیده است [۱۰۰ و ۱۵۰].
اندازه‌گیری بی‌کربنات : آنیون بی‌کربنات موجود در نمونه‌های آب چاه به روش تیتراسیون با محلول ۰۵/۰ نرمال اسید سولفوریک در حضور معرف متیل اورانژ اندازه‌گیری گردیده است [۱۰۰].
اندازه‌گیری سولفات : مقدار یون سولفات در نمونه ها به روش کدورت سنجی و به کمک دستگاه اسپکترونیک بوش و لامب مدل ۲۰ اندازه‌گیری شده است [۱۰۰ و ۱۵۰].
اندازه‌گیری PH : مقدار PH نمونه‌های آب چاه توسط دستگاه پ- هاش سنج مدل ۶۲۰ متر- اهم اندازه‌گیری گردیده است [۱۰۰].
۳-۳ مراحل تهیه شبکه عصبی مصنوعی
پس از تعریف داده ­های ورودی و خروجی در MATLAB می‌توان از دو طریق شبکه عصبی مصنوعی را تهیه نمود روش اول که روش ساده‌تر است استفاده از ابزار NNTool^[136] نرم افزار Matlab بوده که پس از تشکیل ماتریس ورودی و خروجی و تعریف شبکه مورد نظر باید چندین بار نرم‌افزار را اجرا نموده تا مناسب‌ترین شبکه، تولید و تربیت شود. (لازم به ذکر است که تعیین ساختار مناسب شبکه باید با سعی و خطا و چندین مرتبه تکرار انجام شود) و روش دوم تهیه شبکه به روش برنامه نویسی و استفاده از دستورات پیش‌فرض نرم افزار Matlab بوده که در ادامه، توضیح مراحل تهیه شبکه به این روش آورده شده است.
۳-۳-۱ انتقال داده ­ها از Excel به MATLAB :
پس از انجام تمام مراحل مرتب کردن و تصحیح داده ­ها در Excel به منظور انجام محاسبات و اجرای آزمایش، داده ­ها به صورت دو ماتریس جداگانه (ماتریس متغیرهای ورودی=p و ماتریس متغیرهای خروجی=t) وارد صفحه کاری MATLAB گردیده تا عملیات پردازش بر روی این داده ­ها صورت گیرد.
پس از متصل نمودن Excel به MATLAB، جهت انتقال داده ­ها به منظور پردازش آنها در MATLAB، زیر خط ابزار Excel چهار گزینه ظاهر شده که شامل موارد زیر است:
Start matlab: برای راه ­اندازی Matlab به کار برده شده، یعنی این گزینه باعث اتصال این دو برنامه به یکدیگر و شروع کار هماهنگ آن دو شده است.
Put matrix: این گزینه داده‌های ماتریس‌های ورودی و خروجی را وارد Matlab می کند (داده­‌ها به هر شکلی که در Excel بوده‌اند باید به صورت ماتریس وارد Matlab شوند).
در ابتدا داده ­های مورد نظر را در Excel انتخاب کرده و سپس روی این گزینه کلیک کرده، پنجره­ای ظاهر شده که می­خواهد نامی برای ماتریس داده ­ها انتخاب شود (هر نامی که در اینجا برای ماتریس انتخاب شود در صفحه کاری Matlab نیز به همین نام فراخوانده شده است). هنگامیکه نام ماتریس انتخاب شد آن را تأیید کرده و آنگاه با تایپ این نام در صفحه کاری Matlab، کل داده ­های موردنظر را بصورت یک ماتریس b×a ظاهر شده است (a: تعداد پارامترهای مستقل و b: تعداد نمونه‌های قرائت شده هستند). داده ­های مربوط به متغیر خروجی (ماتریس t) نیز بصورت یک ماتریس b×c (:c تعداد متغیر وابسته بوده که در اینجا متغییر نیترات بوده و برابر ۱ بود) ظاهر گردیده است.
Get matrix: داده ­ها را از Matlab به Excel منتقل کرده یعنی ماتریسی را که در Matlab ساخته شده (مثلاً ماتریس A که توسط شبکه پیش‌بینی شده) توسط این گزینه وارد Excel شده است. با کلیک روی این گزینه پنجره­ای ظاهر شده که نام ماتریس مورد نظر را خواسته است، پس از وارد کردن نام ماتریس و تأیید آن، داده‌هایی را که در Matlab به صورت ماتریس موجود بوده را در صفحه Excel نمایش داده شده است.
Evalstring: می­توان با این گزینه دستور و فرمول‌های لازم را در Excel برای Matlab نوشت، سپس توسط این گزینه آنرا به برنامه Matlab فرستاد [۱۳۷].
۳-۳-۲ پیش پردازش داده ­ها
عبارت پیش پردازش داده ­ها دارای مفهوم وسیعی است. این عمل شامل انتخاب متغیرهای مؤثر، انتخاب الگوهای آموزش و آزمون و نیز نرمال­کردن (استاندارد کردن) الگوها بوده است. هدف از نرمال کردن، هم‌ارزش کردن تمامی عناصر موجود در یک الگو است. در نظر گرفته، شبکه عصبی مصنوعی دارای دو نورون ورودی باشد. داده ­های مربوط به نرون اول در دامنه وسیعی همچون [۱۰۰۰­_و۰] پراکنده شده ­اند. اما داده‌های مربوط به نرون دوم بنا به بعد خاص متغیر مربوطه دارای دامنه تغییرات بسیار کوچکی همچون [۲ _و ۰] بوده‌اند. در صورتیکه داده ­ها بصورت خام به شبکه عرضه شود، شبکه تغییرات مربوط به نرون دوم را در مقایسه با نرون اول ناچیز پنداشته و می­توان گفت که اصلاً وجود نرون دوم را درک نکرده است. حال آنکه ممکن است اطلاعات مربوط به نرون دوم، اطلاعات بسیار ارزشمندی باشند. بدین منظور لازم است ورودی­های تمام نرون­ها نرمال شوند. معمولاً نرمال کردن الگوها به فرمی است که آنها را به بازه مشخصی مانند [۹/۰ _{و ­}۱/۰] و یا [۱ _{و ­}۰] نگاشت داده شده‌اند.
پس از نرمال کردن تمامی الگو­ها، نوبت به انتخاب الگوهای آموزش و آزمون رسیده است. با توجه به اینکه شبکه عصبی مصنوعی ذاتاً فاقد قدرت برون­یابی بالاست و توانایی تعمیم­دهی آن فقط در چارچوب درون‌یابی مطرح شده است، انتخاب داده ­های آموزش بسیار مهم به نظر رسیده است.
ماتریس­های ورودی و هدف قبل از اینکه توسط شبکه مورد استفاده قرار گرفته شوند باید استاندارد و نرمالیزه شوند. نرمالیزه کردن یعنی اعدادی را که در یک بازه نامتناهی قرار دارند، در یک بازه متناهی قرار دهیم.
هر سطر در ماتریس ورودی و خروجی نشان دهنده یک متغیر بوده است. جهت نرمالیزه کردن ماتریس‌های صفات ورودی و خروجی، انحراف هر مشاهده از میانگین را بدست آورده و آنرا بر انحراف معیار تقسیم نموده، میانگین هر کدام از ستون­های استاندارد شده، برابر صفر و انحراف میانگین آنها برابر ۱ بوده است.
بنابراین برای نرمالیزه کردن ماتریس­های p,t، ابتدا با بهره گرفتن از یک عملگر رگرسیون خطی، هر یک از متغیرها را مستقل خطی نموده و سپس با بهره گرفتن از دستور prestd در Matlab میانگین هر کدام از ستون­ها را برابر صفر و انحراف از میانگین (Sd) آنها را برابر یک قرار داده و داده ­ها، استاندارد شده است.
[Pn, Meanp, Stdp ; tn, meant, stdt] = prestd (p,t)
Pn = ماتریس ورودی نرمالیز شده.
Meanp = دستوری که میانگین ماتریس p را برابر صفر قرار داده است.
Stdp = دستوری که sd (انحراف از میانگین) ماتریس p را برابر یک قرار داده است.
tn = ماتریس هدف نرمالیز شده.
Meant = دستوری که میانگین ماتریس t را برابر صفر قرار داده است.