مریم قرهخانی؛ عطاالله ندیری؛ اصغر اصغری‌مقدم
چکیده
آلودگی منابع آب زیرزمینی به علت نفوذ آلایندهها از سطح زمین به سامانه آب زیرزمینی بهویژه در مناطق خشک و نیمهخشک که با کمبود کمی و کیفی منابع آب روبه‌رو هستند؛ یکی از معضلات جدی به شمار میآید. بنابراین ارزیابی آسیبپذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. ...
بیشتر
آلودگی منابع آب زیرزمینی به علت نفوذ آلایندهها از سطح زمین به سامانه آب زیرزمینی بهویژه در مناطق خشک و نیمهخشک که با کمبود کمی و کیفی منابع آب روبه‌رو هستند؛ یکی از معضلات جدی به شمار میآید. بنابراین ارزیابی آسیبپذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیبپذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر مؤثر در آسیبپذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ به‌صورت هفت لایه رستری تهیه شد و پس از رتبهدهی و وزندهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان 82 تا 151 به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمالنظرهای کارشناسی برای رتبهدهی و وزندهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از 5 روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیقتری از ارزیابی آسیبپذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدلهای هوش مصنوعی به‌طور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدلها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روشهای هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (SCMAI) نتایج بهتری را دربر داشت. بر پایه این مدل، بخشهای باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.
رحیم برزگر؛ اصغر اصغری مقدم؛ عطاالله ندیری؛ الهام فیجانی
چکیده
با توجه به تمرکز جمعیت، فعالیت‌های کشاورزی و کارخانه‌های صنعتی در دشت تبریز، ارزیابی آسیبپذیری آبخوان این دشت برای توسعه، مدیریت، تصمیمات کاربری اراضی و جلوگیری از آلودگی آب‌های زیرزمینی ضرورری به نظر می‌رسد. در این پژوهش، آسیبپذیری آبخوان پیچیده دشت تبریز در برابر آلودگی به کمک مدل دراستیک در محیط GIS بررسی شده و بهینه‌سازی ...
بیشتر
با توجه به تمرکز جمعیت، فعالیت‌های کشاورزی و کارخانه‌های صنعتی در دشت تبریز، ارزیابی آسیبپذیری آبخوان این دشت برای توسعه، مدیریت، تصمیمات کاربری اراضی و جلوگیری از آلودگی آب‌های زیرزمینی ضرورری به نظر می‌رسد. در این پژوهش، آسیبپذیری آبخوان پیچیده دشت تبریز در برابر آلودگی به کمک مدل دراستیک در محیط GIS بررسی شده و بهینه‌سازی این مدل توسط روشهای مختلف فازی صورت گرفت. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفره آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه خالص، جنس محیط آبخوان، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهنده ناحیه غیراشباع و هدایت هیدرولیکی استفاده می‌شود که به‌صورت هفت لایه در نرم‌افزار ArcGIS تهیه شدند و با وزندهی و رتبه‌بندی و تلفیق این هفت لایه، نقشه نهایی آسیبپذیری آب زیرزمینی نسبت به آلودگی تهیه و شاخص دراستیک برای منطقه بین 40 تا 126 برآورد شد. برای صحت‌سنجی مدل، از داده‌های غلظت نیترات در آب زیرزمینی منطقه استفاده شد که نشان داد همبستگی نسبی بین غلظت نیترات و مدل دراستیک تهیه شده وجود دارد. به منظور بهینه‌سازی مدل دراستیک، از روشهای فازی ساجنو، ممدانی و لارسن استفاده گردید. برای این منظور، پارامترهای دراستیک به‌عنوان داده‌های ورودی و شاخص آسیبپذیری به‌عنوان خروجی برای مدلهای فازی تعریف شدند و مقادیر نیترات مربوطه به دو دسته آموزش و آزمایش تقسیم شد. شاخص آسیبپذیری مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح گردید و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدلها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج به‌دست آمده از مدلهای مختلف فازی نشان دادند که روش فازی ساجنو روشی کارآ و مفید برای بهینه‌سازی مدل دراستیک است. بر اساس مدل نهایی، نواحی خاوری منطقه در محدوده شهر تبریز دارای بیشترین میزان پتانسیل آلودگی می‌باشند.
اصغر اصغری مقدم؛ الهام فیجانی؛ عطاءالله ندیری
چکیده
ارزیابی آسیبپذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیبپذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفرۀ آب زیرزمینی شامل ژرفای سطح ...
بیشتر
ارزیابی آسیبپذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیبپذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفرۀ آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندة منطقۀ غیراشباع و هدایت هیدرولیکی استفاده می‌شود که به صورت 7 لایه در محیط GIS تهیه شدند و با وزندهی و رتبه‌بندی و تلفیق 7 لایۀ یاد شده، نقشۀنهایی آسیبپذیری آبخوان نسبت به آلودگی، با تقسیمبندی به 3 محدودۀ آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 81 تا 116 برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی 81/0 را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از 4 روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدلها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدلهای هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدلهای هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیقتری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد.
ارزیابی آسیبپذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیبپذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفرۀ آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندة منطقۀ غیراشباع و هدایت هیدرولیکی استفاده می‌شود که به صورت 7 لایه در محیط GIS تهیه شدند و با وزندهی و رتبه‌بندی و تلفیق 7 لایۀ یاد شده، نقشۀنهایی آسیبپذیری آبخوان نسبت به آلودگی، با تقسیمبندی به 3 محدودۀ آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین 81 تا 116 برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی 81/0 را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از 4 روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به 2 دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدلها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدلهای هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدلهای هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیقتری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد.
