ارزیابی ریسک آلودگی ناشی از نیترات در آبخوان دشت آذرشهر با استفاده از مدل های هوش مصنوعی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 59

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IWRR-19-5_013

تاریخ نمایه سازی: 24 اردیبهشت 1403

چکیده مقاله:

دشت آذرشهر در حوضه آبریز دریاچه ارومیه، دارای منبع مهم آب زیرزمینی است و به علت رونق کشاورزی در معرض خطر آلودگی نیترات قرار دارد؛ لذا حفاظت از منابع آب زیرزمینی با شناسایی مناطق در معرض ریسک آلودگی ضروری است. در این مطالعه به منظور بررسی آسیب پذیری ذاتی و ریسک آلودگی از داده های زمین ‎شناسی، داده های هیدروژئولوژیکی و ژئوفیزیکی و نیز نقشه رقومی ارتفاعی ماهواره SRTM با دقت مکانی ۳۰ متر و درنهایت جهت صحت‎ سنجی از غلظت آلاینده نیترات نمونه ‎برداری شده از ۳۵ منبع مختلف با پراکندگی و توزیع مناسب استفاده شده است. در پژوهش حاضر ریسک آلودگی آبخوان دشت آذرشهر با روش "منبع- مسیر- هدف" مورد بررسی قرار گرفته است. در این روش بعد از شناسایی منبع آلودگی، آسیب پذیری آبخوان به عنوان مسیر درنظر گرفته شد. برای ارزیابی آسیب پذیری، از روش DRASTIC بهبود یافته با استفاده از سه مدل فازی ساجنو (SFL)، الگوریتم درخت تصمیم (M۵P) و الگوریتم زیر فضای تصادفی (RS) استفاده شد و در نهایت نقشه آسیب پذیری نسبت به آلاینده نیترات به دست آمد. از بین مد ل های هوش مصنوعی بر اساس بیشترین ضریب همبستگی (۰/۸۷=r) و کمترین میزان خطا (۰/۰۶=RMSE)، مدل M۵P به عنوان بهترین مدل جهت ارزیابی آسیب پذیری آبخوان دشت آذرشهر انتخاب شد. در نهایت نقشه ریسک آلودگی نیترات از حاصل ضرب آسیب پذیری آبخوان (بر اساس مدل M۵P) در سرعت جریان آب زیرزمینی به دست آمد. نتایج نشان داد ریسک آلودگی آبخوان نسبت به آلاینده نیترات در قسمتی از مرکز، جنوب و جنوب شرق آبخوان بالا است.

نویسندگان

ناصر جبرائیلی اندریان

دانشجوی دکتری آب زمین شناسی، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران.

عطاالله ندیری

استاد، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران.

مریم قره خانی

دکتری آب زمین شناسی، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aller L, & Thornhill J (۱۹۸۷) DRASTIC: A standardized system ...
  • Barzegar R, Moghaddam A A, Deo R, Fijani E, & ...
  • Bera A, Mukhopadhyay B P, & Das S (۲۰۲۲) Groundwater ...
  • Civita M (۱۹۹۰) Legenda unificata per le Carte della vulnerabilita ...
  • Das A, Maiti S, Naidu S, & Gupta G (۲۰۱۷) ...
  • Debeljak M, & Džeroski S (۲۰۱۱) Decision trees in ecological ...
  • Foster S S D (۱۹۸۷) Fundamental concepts in aquifer vulnerability, ...
  • Gharekhani M, Nadiri A A, Asghari Moghaddam A, & Sadeghfam ...
  • Hosseini F S, Choubin B, Mosavi A, Nabipour N, Shamshirband ...
  • Jafari S M, & Nikoo M R (۲۰۱۶) Groundwater risk ...
  • Nadiri A A, Aghdam F, Razzagh S, Barzegar R, Jabraili-Andaryan ...
  • Nadiri A A, Gharekhani M, Khatibi R, Sadeghfam S, & ...
  • Nadiri A A, Jabraili N, & Gharekhani M (۲۰۱۹) Comparison ...
  • Nadiri A A, Sadeghfam S, Gharekhani M, Khatibi R, & ...
  • Nadiri A A, Sedghi Z, & Khatibi R (۲۰۲۱) Qualitative ...
  • Neshat A, Pradhan B, & Javadi S (۲۰۱۵) Risk assessment ...
  • Nobre R C M, Rotunno Filho O C, Mansur W ...
  • Rajput H, Goyal R, & Brighu U (۲۰۲۰) Modification and ...
  • Razzagh S, Nadiri A A, Khatibi R, Sadeghfam S, Senapathi ...
  • Ribeiro L (۲۰۰۰) Desenvolvimento de um ındice para avaliar a ...
  • Scanlon BR, Healy R W, & Cook P G (۲۰۰۲) ...
  • Sener E, & Davraz A (۲۰۱۳) Assessment of groundwater vulnerability ...
  • Taghavi N, Niven R K, Kramer M, & Paull D ...
  • Stempvoort D V, Ewert L, & Wassenaar L (۱۹۹۳) Aquifer ...
  • Wang J, He J, & Chen H (۲۰۱۲) Assessment of ...
  • Wang Y, & Witten I H (۱۹۹۶) Induction of model ...
  • Xiong H, Wang Y, Guo X, Han J, MA C, ...
  • نمایش کامل مراجع