میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,196
تعداد مقالات77,227
تعداد مشاهده مقاله157,270,855
تعداد دریافت فایل اصل مقاله118,431,009
موسویان, سحر, وفاخواه, مهدی, موسوی, وحید. (1405). ارزیابی کیفیت آب رودخانه تلوار با استفاده از نمودارهای هیدروشیمی. , 13(1), 1145-1162. doi: 10.22059/ije.2026.408169.1899
سحر موسویان; مهدی وفاخواه; وحید موسوی. "ارزیابی کیفیت آب رودخانه تلوار با استفاده از نمودارهای هیدروشیمی". , 13, 1, 1405, 1145-1162. doi: 10.22059/ije.2026.408169.1899
موسویان, سحر, وفاخواه, مهدی, موسوی, وحید. (1405). 'ارزیابی کیفیت آب رودخانه تلوار با استفاده از نمودارهای هیدروشیمی', , 13(1), pp. 1145-1162. doi: 10.22059/ije.2026.408169.1899
موسویان, سحر, وفاخواه, مهدی, موسوی, وحید. ارزیابی کیفیت آب رودخانه تلوار با استفاده از نمودارهای هیدروشیمی. , 1405; 13(1): 1145-1162. doi: 10.22059/ije.2026.408169.1899

ارزیابی کیفیت آب رودخانه تلوار با استفاده از نمودارهای هیدروشیمی

مجله اکوهیدرولوژی
دوره 13، شماره 1، فروردین 1405، صفحه 1145-1162    اصل مقاله (1.67 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2026.408169.1899
نویسندگان
سحر موسویان1؛ مهدی وفاخواه* 2؛ وحید موسوی3
1دانشجوی کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
2استاد، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
3دانشیار‌، دانشکدۀ منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
چکیده
این پژوهش، کیفیت شیمیایی آب‌های سطحی در سه ایستگاه مهرآباد، چم‌‌شور ـ شادی‌آباد و چم‌‌شور ـ دلبران را با استفاده از نمودارهای Piper، Durov، Gibbs،Stiff ، USSL‌ و تحلیل یون‌های اصلی بررسی کرد. مقادیر هدایت الکتریکی (EC) بین ۲۲۵۲ تا ۴۰۴۵ میکروزیمنس بر سانتی‌متر، مواد جامد محلول (TDS) بین ۱۵۰۰ تا ۴۰۰۰ میلی‌گرم بر لیتر و نسبت جذب سدیم (SAR) بین 2/6 تا 14/8 اندازه‌گیری شد. نتایج نشان‌دهندۀ غلبۀ کاتیون‌های سدیم و پتاسیم و آنیون‌های کلراید و سولفات بود، در حالی که کلسیم و بی‌کربنات تنها در برخی نقاط مشاهده شد. نمودارهای Durov و Gibbs تأیید کردند که فرایندهای تبخیر، تبادل یونی و انحلال کانی‌های تبخیری و کربناتی، عوامل اصلی کنترل ترکیب آب هستند و تحول از Ca–HCO₃ به Na–Cl/Na–SO₄‌ را موجب شدند. بر پایۀ شاخص‌های کشاورزی و نمودار ‌USSL، بیشتر نمونه‌ها در رده‌های شوری C3–C4 و سدیم S2–S3 قرار گرفتند که استفادۀ مستقیم از آن‌ها برای آبیاری را بدون مدیریت خاک محدود می‌کند. در مجموع، کیفیت آب در این حوضۀ نیمه‌خشک عمدتاً تحت تأثیر تبخیر، اختلاط با منابع شور و تبادل یونی است و مدیریت آن برای پیشگیری از شور و سدیمی‌ شدن خاک ضروری است.
کلیدواژه‌ها
کیفیت آب؛ نمودارهای هیدروشیمیایی؛ شوری؛ قابلیت آبیاری؛ رودخانه تلوار
عنوان مقاله [English]
Assessment of Water Quality of Telvar River Using Hydrochemical Diagrams
نویسندگان [English]
Sahar Mousavian1؛ Mehdi Vafakhah2؛ Vahid Moosavi3
1M.Sc. Student in Watershed Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran
2Professor, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran
3Associate Professor, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor, Iran
چکیده [English]
This study investigates the chemical quality of surface waters at three stations in a semi-arid watershed using major ion analysis alongside Piper, Durov, Gibbs, Stiff, and USSL diagrams. The results indicate a clear dominance of sodium and potassium cations, as well as chloride and sulfate anions, while calcium and bicarbonate are present only in specific locations. These findings highlight the significant influence of ion exchange and carbonate dissolution processes on water composition. Durov and Gibbs diagrams further demonstrate that evaporation, increasing salinity, ion exchange, and dissolution of evaporite and carbonate minerals are the main factors controlling the evolution of water chemistry, leading to a shift from Ca–HCO₃ to Na–Cl/Na–SO₄ water types. Based on the USSL diagram and agricultural indices, most water samples fall into medium to high salinity classes (C3–C4) and high sodium hazard classes (S2–S3), limiting their direct use for irrigation without proper soil management.Overall, water quality in this semi-arid watershed is primarily controlled by evaporation, mixing with saline sources, and ion exchange, underscoring the importance of careful management to prevent soil salinization and sodicity.
کلیدواژه‌ها [English]
Water quality, Hydrochemical diagrams, Salinity, Irrigation suitability, Telvar River
مراجع
  • Ahmadi, P., Arefi, H., & Kardan, N. (2020). Modeling the discharge of Karun River Using a New Method Based on the Joint LSTM and GRU Neural Networks. Journal of Ecohydrology, 7(3), 619-633.‏ (In Persian)
  • Ansari Qujqar, M., Iraqinejad, Sh., Bazarafshan, J., Zahraei, B., & Parsi, E. (2021). Evaluating the effectiveness of GRU-LSTM hybrid model in forecasting dust storms (case study: Khuzestan province). Iran Water Resources Research, 17(1), 16-32. (In Persian)
  • Akbari Osmavandani, S., Sharafati, A., & Moghaddam, H. K. (2024). Assessing the effectiveness of artificial intelligence models in predicting Zayanderud dam inflow at different time scales. Acta Geophysica, 72(5), 3511-3527.‏ (In Persian)
  • Anvari, S. (2018). Probabilistic Forecasts of Streamflow Scenarios Using ESP Approach (Case study: Halil River). Journal of Irrigation Sciences and Engineering, 41(3), 75-87.‏ (In Persian)
  • Baharlu, R. (2009). Forecasting time series with long-term dependencies using NARX recurrent neural network. The 12th Electrical Engineering Student Conference, (In Persian)
  • Bakhshi Ostadkalayeh, F., Moradi, S., Asadi, A., Moghaddam Nia, A., & Taheri, S. (2023). Performance improvement of LSTM-based deep learning model for streamflow forecasting using Kalman filtering. Water Resources Management, 37(8), 3111-3127.‏ (In Persian)
  • Chadha, G. S., Panambilly, A., Schwung, A., & Ding, S. X. (2020). Bidirectional deep recurrent neural networks for process fault classification. ISA transactions, 106, 330-342.‏
  • Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv, 1412-3555.‏
  • Cho, K., Van Merriënboer, B., Bahdanau, D., & Bengio, Y. (2014). On the properties of neural machine translation: Encoder-decoder approaches. arXiv preprint arXiv, 1259-1409.‏
  • Damle, C., & Yalcin, A. (2007). Flood prediction using time series data mining. Journal of Hydrology, 333(2-4), 305-316.‏
  • Day, G. N. (1985). Extended streamflow forecasting using NWSRFS. Journal of Water Resources Planning and Management, 111(2), 157-170.‏
  • Fang, X., & Yuan, Z. (2019). Performance enhancing techniques for deep learning models in time series forecasting. Engineering Applications of Artificial Intelligence, 85, 533-542.‏
  • Fathi, P., Mohammadi, Y., & Homai, M. (2009). Intelligent modeling of monthly time series of input to Vahdat Dam in Sanandaj. Water and Soil (Agricultural Sciences and Industries), 23(1), 209-220 (In Persian)
  • Frank, R. J., Davey, N., & Hunt, S. P. (2001). Time series prediction and neural networks. Journal of intelligent and robotic systems, 31(1), 91-103.‏
  • Ghose, D. K. (2018). Measuring discharge using back-propagation neural network: a case study on Brahmani river basin. Intelligent Engineering Informatics: Proceedings of the 6th International Conference on FICTA, 591-598.
  • Hajizadeh Tahan, M., Ghasemzadeh, M., & Rezaeian, M. (2020). An evolutionary attention-based deep long short-term memory for time series prediction. Computational Intelligence in Electrical Engineering, 11(4), 15-28.‏ (In Persian)
  • Hosseinikhah, M., Zainiwand, H., Haqizadeh, A., & Tahmasabipour, N. (2013). Validation of temperature and precipitation values ​​of general circulation models in Kermanshah Ravansar and West Islamabad stations. Ecohydrology, 1(3), 195 206 (In Persian)
  • Khalili, R., & Moridi, A. (2023). A Review of Artificial Intelligence Applications in Modeling and Removal Processes of Pollutants Soluble in Water and Wastewater. Iran-Water Resources Research, 19(1), 136-166.‏ (In Persian)
  • Momeneh, S. (2022). Performance comparison of artificial intelligence models with IHACRES model in streamflow modeling of the Gamasiab River catchment. Water and Soil Management and Modelling, 2(3), 1-16.‏ (In Persian)
  • Muhammad, A. U., Li, X., & Feng, J. (2019). Using LSTM GRU and hybrid models for streamflow forecasting. In International Conference on Machine Learning and Intelligent Communications, 510-524.
  • Management and Planning Organization of Iran. (2005). Regional balance between water resources and uses in catchment basins current and future status of water resources. Office of Water Affairs Agriculture and Natural Resources Studies of Comprehensive Climate Adaptation Program. (In Persian)
  • Samadi M. and Fathabadi A. (2019). Application of time series, ANN, and SVM models in forecasting the Gorgan Dam inflow rate. Environ. Water Eng, 4(4), 299-309. (In Persian)
  • Shafa'i Bejestan, M. (1999). Hydraulic precipitation. Publications of Shahid Chamran University of Ahvaz (In Persian)
  • SohrabiBidar, A., & Aminnejad, M. (2015). Investigating the displacements of Jiroft concrete dam foundations using dam extensometers. Iran Engineering Geology Association Journal,7(3-4), 95-102 (In Persian)
  • Swagatika, S., Paul, J. C., Sahoo, B. B., Gupta, S. K., & Singh, P. K. (2024). Improving the forecasting accuracy of monthly runoff time series of the Brahmani River in India using a hybrid deep learning model. Journal of Water and Climate Change, 15(1), 139-156.‏
  • Valipour, M., Banihabib, M. E., & Behbahani, S. M. R. (2013). Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir. Journal of hydrology, 476, 433-441.‏
  • Wang, W. C., Chau, K. W., Cheng, C. T., & Qiu, L. (2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4), 294-306.‏
  • Zaytar, M. A., & El Amrani, C. (2016). Sequence to sequence weather forecasting with long short-term memory recurrent neural networks. International Journal of Computer Applications, 143(11), 7-11.‏
  • Zhang, B., & Govindaraju, R. S. (2000). Prediction of watershed runoff using Bayesian concepts and modular neural networks. Water Resources Research, 36(3), 753-762.‏
آمار
تعداد مشاهده مقاله: 198
تعداد دریافت فایل اصل مقاله: 73





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب