مقایسۀ توانایی روش‏های مختلف ترکیبی در ارزیابی آسیب‏پذیری آب‏های زیرزمینی در آبخوان دشت قروه - دهگلان

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار، دانشکده علوم طبیعی دانشگاه تبریز

2 دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

3 دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

چکیده

دشت قروه- دهگلان بزرگ‏ترین دشت استان کردستان است که از نظر کشاورزی اهمیت زیادی برای این استان دارد. در سال‏های اخیر با توسعۀ کشاورزی، تمایل به استفاده از کودهای شیمیایی افزایش یافته و آبخوان‏های این دشت را در معرض آلودگی قرار داده است. بنابراین، تعیین مناطق آسیب‏پذیر برای مدیریت نواحی در معرض خطر، امری ضروری است. در تحقیق حاضر آسیب‏پذیری آبخوان دشت قروه- دهگلان با استفاده از روش‏های DRASTIC، SINTACS و SI ‌بررسی شده است. برای دست‌یابی به نتایج بهتر، روش‌های منفرد یادشده با روش‏های ترکیبی نظارت‌شده شامل مدل فازی ساجنو، الگوریتم ژنتیک و نیز روش‌های ‌نظارت‌نشده شامل روش مربوط به شاخص همبستگی (CI) ترکیب شدند. نتایج نشان داد شاخص همبستگی هر سه روش ترکیبی بیشتر از روش‏های منفرد (DRASTIC، SINTACS و SI) است و بین روش‏های ترکیبی، مدل فازی ساجنو بیشترین شاخص همبستگی را دارد و همچنین ضریب همبستگی این روش از باقی روش‏های ترکیبی و منفرد بیشتر است. مدل فازی ساجنو توانست 37 درصد ضریب همبستگی و 7 درصد شاخص همبستگی را نسبت به نتایج بهترین مدل منفرد افزایش دهد. بنابراین، روش ترکیبی نظارت‌شدۀ مدل فازی ساجنو برای ارزیابی آسیب‏پذیری آبخوان دشت قروه-دهگلان نسبت به بقیه روش‏ها بهتر است‌. براساس مدل فازی ساجنو، بخش‏های شمال‏ غرب و جنوب‏ شرق دشت پتانسیل آلودگی بیشتری نسبت به سایر مناطق آنجا دارند و باید محافظت بیشتری از این مناطق صورت بگیرد. بنابراین، می‌توان از روش ترکیبی نظارت‌شدۀ مدل فازی ساجنو برای بررسی آسیب‌پذیری آبخوان‏های دیگر نیز استفاده کرد.

کلیدواژه‌ها

موضوعات


[1]. Stigter TY, Ribeiri L, Carvalho Dill AMM. Evaluation of an intrinsic and a specific Vulnerability assessment methodin comparsion with groundwater salinisation and nitrate contamination levels in two agricultural regions in the south of Portugal. Hydrogeology journal. 2006; 14:79-99.
[2]. Amasri MN. Assssment of intrinsic Vulnerability to contamination for Gaza Coastal aquifer, palestin. Journal of Environmental management. 2008; 88:577-593.
[3]. Maarofi S, Soleymani S, Ghobadi M, Rahimi Gh, Maarofi H. Malayer aquifer vulnerability assessment using models DRASTIC, SI and SINTACS. Soil and Water Research Journal.2011; 19(3). [Persian]
[4]. Foster SS. Fundamental concepts in aquifer vulnerability, pollution ris and protection strategy. In: van Duijvenbooden, W, Van Waegeningh, HG (Eds.), Vulnerability of Soils and Groundwater to Pollution. TNO Committee of Hydrological Research, the Hague, Proceedings and information; 1987. 38: 69-86.
[5]. Aller L, Bennet T, Leher J, Petty R., Hackett G. DRASTIC: A Standardized system for evaluating groundwater pollution potential using hydro-geological settings, Kerr Environmental Research Laboratory. U.S Environmental Protection Agency Report. 1987; (EPA/600/2-87/035).
[6]. Van Stemproot D. Evert L, Wassenaar L. Aquifer vulnerability index: a GIS compatible method for groundwater vulnerability mapping. Canadian Water Resources Journal; 1994. 18: 25-37.
[7]. Civita M, Massimo. Legenda unificata per le Carte della vulnerabilita dei corpi idrici sotteranei/ unified legend for the aquifer pollution vulnerability Maps, Studi sulla Vulnerabilita degli Acquiferi, Pitagora Edir, Bologna; 1990.
[8]. Ribeiro L. Desenvolvimento de um I ‘ndice para avaliar a susceptibilidade, ERSHA-CVRM; 2000.
[9]. Asghari Moghaddam A, Fijani E, Nadiri AA. Groundwater Vulnerability Assesment Using GIS-Based DRASTIC Model in the Bazargan and Poldasht Plains. Journal of Environmental Studies. 2010; 35, 52.
[10]. AsghariMoghaddam A, Barzegar R. Investigation of Nitrate Concentration Anomaly Source and Vulnerability of Groundwater Resources of Tabriz Plain Using AVI and GOD Methods. Water and soil Science. 2015; 24(4): 11-27. [Persian].
[11]. Fakhri MS, AsghariMoghaddam A, Najib M Barzegar R. Investigation of nitrate cincentrations in groundwater resources of Marand plain and groundwater vulnerability assessment using AVI and GODS methods. Joirnal of Environmental Studies. 2015; 41(1): 49-66. [Persian].
[12]. Bai L,Wang Y, Meng F. Application of DRASTIC and extension theory in the groundwater vulnerability evaluation. Water and Environment journal. 2012; 26(3):381–391.
[13]. Huan H, Wang J, Teng Y. Assessment and validation of groundwater vulnerability to nitrate based on a modified DRASTIC model: A case study in Jilin City of northeast China. Sci Total Environ. 2012; 440:14–23.
[14]. Jafari SM, Nikoo MR. Groundwater risk assessment based on optimization framework using DRASTIC method. Arab J Geosci. 2016; 9:742.
[15]. Hamza, MH, Added A, France’s A, Rodri’guez R. Validite’ de l’application des me’thodes de vulne’rabilite’ DRASTIC, SINTACS, SI et a l’e’tude de la pollution par lesnitrates dans la nappe phre’atique de Metline Ras Jebel-Raf Raf, Compets Rendus Geoscience. 2007; 339:493-505.
[16]. Asghari Moghaddam A , Gharekhani M, Nadiri AA, Kord M, Fijani E. Evaluation of intrinsic vulnerability of Ardabil plain using DRASTIC, SINTACS and SI methods. Journal of geography and planning. 2017; 21 (61): 57-74.
[17]. Javanshir G, Nadiri AA, Sadeghfam S, Abbas novinpour A. Introducing a new method to aquifer vulnerability assessment of Moghan plain based on combination of DRASTIC, SINTACS and SI methods. Ecohydrology Journal. 2016: 496-467. [Persian]
 [18]. Nadiri AA, Gharekhani M, Khatibi R, Sadeghfam S, Asghari Moghaddam A. Groundwater vulnerability indices conditioned by Supervised Intelligence Committee Machine (SICM). Sci Total Environ. 2017; 574:691– 706.
[19]. Nadiri AA, Gharekhani M, Khatibi R, Asghari Moghaddam A. Assessment of groundwater vulnerability using supervised committee to combine fuzzy logic models. Environ Sci Pollut Res. 2017; 24(9):8562–8577.
[20]. Nadiri AA, Sedghi Z, Khatibi R, Gharekhani M. Mapping vulnerability of multiple aquifers using multiple models and fuzzy logic to objectively derive model structures. Sci Total Environ. 2017; 593-594:75–90.
[21]. Nadiri AA, Gharekhani M., Khatibi R. Mapping Aquifer Vulnerability Indices Using Artificial Intelligence-running Multiple Frameworks (AIMF) with Supervised and Unsupervised Learning. Journal of Water Resource Management. 2018; 32: 3023–3040.
[22]. Boughriba M, Barkaoui A, Zarhloule Y, Lahmer Z, El-Houadi B, Verdoya M. Groundwater vulnerability and risk mapping of the Angad transboundary aquifer using DRASTIC index method in GIS environment. Arabian Journal of Geoscience. 2009; 3:207-220.
[23]. Panagopoulos G, Antonakos A, Lambrakis N. Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal. 2005; 12: 432-458.
[24]. Nadiri AA, Naderi K, Khatibi R, Gharekhani M. Modelling groundwater level variations by learning from multiple models using fuzzy logic. Hydrological Sciences journal. 2019; 64: 210-226.
[25]. Piscopo G. Groundwater vulnerability map, explanatory notes, Castlreagh Catchment, NSW, Department of Land and Water Conservation, Australia; 2001.
[26]. Todd D K. Mays L W. Groundwater Hydrology. Third Ed., John Wiley & Sons Inc., U.S.A; 2005.
[27]. Fijani E, Nadiri AA, Asghari Moghadam A; Tsai F T-C, Dixon B. Optimaization of DRASTIC Method by Supervised Committww Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hydrology. 2013; 530: 89-100.
[28]. Hongxing L, Chen P C P, Huang H P. Fuzzy Neural Intelligent System, Mathematical Foundation and the Application in Engineering, CRC Press LLC; 2001.
[29] Nadiri A, Sedghi Z, Evaluation of multiple aquifer vulnerability using DRASTIC, SINTACS methods. Journal of Hydrogeology, 2019, In press.
[30] Faal Aghdam R, Nadiri AA, Abbas Novinpour E. Evaluation of Bilverdi plain aquifer vulnerability based on combination of DRASTIC and SINTACS methods, 2018, 6(3): 135-150.
دوره 6، شماره 3
مهر 1398
صفحه 821-836
  • تاریخ دریافت: 29 فروردین 1398
  • تاریخ بازنگری: 31 خرداد 1398
  • تاریخ پذیرش: 31 خرداد 1398
  • تاریخ اولین انتشار: 01 مهر 1398
  • تاریخ انتشار: 01 مهر 1398