تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,098,658 |
تعداد دریافت فایل اصل مقاله | 97,206,286 |
ارزیابی روشهای درونیابی و فازی در تخمین مقدار آرسنیک آبهای زیرزمینی، مطالعۀ موردی آبخوان دشت خوی | ||
اکوهیدرولوژی | ||
مقاله 7، دوره 2، شماره 1، فروردین 1394، صفحه 63-77 اصل مقاله (1008.56 K) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2015.55129 | ||
نویسندگان | ||
نوید هوشنگی1؛ علی اصغر آل شیخ* 2؛ عطاالله ندیری3؛ اصغر اصغری مقدم4 | ||
1دانشجوی دکتری گروه مهندسی GIS، دانشکدة ژئودزی-ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
2استاد گروه مهندسی GIS، دانشکدة ژئودزی-ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
3استادیار گروه علوم طبیعی، دانشکدة علوم طبیعی، دانشگاه تبریز | ||
4استاد گروه علوم طبیعی، دانشکدة علوم طبیعی، دانشگاه تبریز | ||
چکیده | ||
بررسی و پهنهبندی دقیق غلظت فلزات سنگین و بهویژه آرسنیک در منابع آب زیرزمینی، تأثیر زیادی در برنامهریزی و پایش مستمر منابع آب و جلوگیری از بروز مشکلات سلامت برای انسانها دارد. هدف اصلی این تحقیق ارزیابی روش نوین استنتاج فازیِ سوگنو و مقایسة آن با روشهای درونیابی وزندهی معکوس فاصله (IDW)، کریجینگ (ساده، عمومی و عادی) و کوکریجینگ در تخمین مقدار آرسنیک در محدودة آبخوان دشت خوی بود. بررسی نتایج بعد از بهینهسازی المانهای مؤثر در فرمولهایِ اجرای هر روش نشان داد که ریشة میانگین مربعات خطا RMSE)) بهعلت تراکم کم و نحوة چیدمان چاههای نمونهبرداری برای همة روشهای درونیابی بالاست. در بین روشهایی که از دادههای کمکی استفاده نمیکنند، روشهای فازی سوگنو و IDW بهترتیب با RMSE برابر با ppb 5/26 و ppb 28 در قیاس با روشهای کریجینگ برآورد بهتری داشتند. استفاده از دادههای کمکی کلر، سدیم و آهن، دقتِ روشهای کوکریجینگ و فازی را نسبت به حالت تکمتغیره بهترتیب 46 و 51 درصد بهبود بخشید. علت اصلی برتری 19 درصدی روش فازی بر کوکریجینگ وابسته نبودن عملکرد روش فازی به نرمال بودن توزیع دادههاست. نتایج نشان داد که روش نوینِ فازی سوگنو در درونیابی مکانی انعطافپذیرتر است و راحتتر و سریعتر (هم از نظر اجرای کاربر و هم بهلحاظ نرمافزاری) اجرا میشود. | ||
کلیدواژهها | ||
آرسنیک؛ درونیابی؛ زمینآمار؛ فازی سوگنو | ||
عنوان مقاله [English] | ||
Evaluation and comparison of geostatistical and fuzzy interpolation methods in estimation of groundwater arsenic, Case study: Khoy plain aquifer | ||
نویسندگان [English] | ||
Navid Hooshangi1؛ Ali Asghar Alesheikh2؛ Ata Allah Nadiri3؛ Asghar Asghari Moghaddam4 | ||
1Ph.D. Candidate, Department of Geodesy & Geomatics Eng., KN Toosi University | ||
2Department of Geodesy and Geomatics Eng., KN Toosi University | ||
3Department of Earth Sciences, University of Tabriz. | ||
4Department of Earth Sciences, University of Tabriz. | ||
چکیده [English] | ||
Accurate analysis and interpolation of heavy metals, especially arsenic concentrationin ground watercan play a significant role in planning and continuous monitoring of water resources. The analysis may also prevent human health issues.The purpose of this paper was to evaluate newly published Sugeno type fuzzy inference system as an interpolation method for estimating the amount of arsenic in Khoy Aquifer. It is done by assessinginverse distance weighting (IDW), Kriging (simple, ordinary and universal), Cokriging and Sugeno type fuzzy inference system. The results after optimization of the influencing factors in the interpolation methods indicated that RMSE, due to the low density and odd arrangement of wells, for all of the interpolation methods is high. Among the methods that did not use the auxiliary data, soft computing and IDW, with 53ppb and 56ppb RMSE respectively, lays better estimation than Kriging methods.Chlorine (Cl), Sodium (Na) and Iron (Fe) were used as auxiliary data. These data improved the accuracy of kriging and fuzzy methods by 46% and 51% than single univariate methods. The main cause of 19% improvement of the fuzzy method is attributed to its independence of normal distribution. The results showed that fuzzy Sugeno in the modeling of interpolation is more flexible and easier to execute (in terms of both user’s knowledge and in software development). | ||
کلیدواژهها [English] | ||
arsenic, interpolation, Geostatistical, Fuzzy Sugeno | ||
مراجع | ||
[1]. ابراهیمزاده، سلمان؛ شاکری، عطا؛ بوستانی فردین، 1391، بررسی آلودگی ناشی از فلزات سنگین در آب زیرزمینی دشت زرقان واقع در شمال شرق شیراز، چهارمین همایش تخصصی مهندسی محیط زیست، 10 و 11 آبان، تهران، دانشگاه تهران. [2]. جانستون کوین، 1392، تحلیلگر زمینآماری در ArcGIS، ترجمۀ الهام اسمعیلزاده و طاهره نصیرزاده ، نشر ماهواره: 418. [3]. آقازاده نصرت ؛ اصغری زینب، 1390، ارزیابی هیدروژئوشیمیایی منابع آب زیرزمینی آبخوان دشت خوی، اولین همایش ملی زمین شناسی ایران. [4]. بدیعینژاد احمد؛ فرزادکیا، مهدی؛ غلامی، میترا؛ جنیدی معفری احمد، 1391، بررسی کیفیت شیمیایی منابع آب شرب زیرزمینی دشت شیراز با استفاده از سیستم اطلاعات جغرافیایی(GIS)، فصلنامۀ طب جنوب، شمارۀ 15: 62- 45. [5]. بوداغی، هاجر؛ یونسیان، مسعود؛ محوی، امیرحسین؛ محمدی، محمودعلی؛ دهقانی، محمدهادی؛ نظم آرا شاهرخ، 1390، بررسی میزان آرسنیک، کادمیوم و سرب در خاک و آب زیرزمینی و ارتباط آن با کود شیمیایی در خاک شالیزاری، مجلۀ دانشگاه علوم پزشکی مازندران، شمارۀ 21: 28-20. [6]. جانباز، مهدیه؛ خلقی، مجید؛ هورفر، عبدالحسین؛ حقشناس، داوود، 1391، بررسی آزمایشگاهی حذف آلایندۀ آرسنیک توسط نانو ذرات آهن از آبزیرزمینی، اولین کنفرانس ملی نانوفناوری و کاربرد آن در کشاورزی و منابع طبیعی، شمارۀ 3: 29-15. [7]. جلالی، لیدا، 1390، بررسی کمی و کیفی منابع آبزیرزمینی آبخوان دشت خوی، کارشناسی ارشد، دانشگاه تبریز، دانشکدۀ علوم طبیعی، گروه زمین: 227-1. [8]. حسنی پاک، علیاصغر؛ شرفالدین، محمد، 1390، تحلیل دادههای اکتشافی، مؤسسه انتشارات دانشگاه تهران: 156-34. [9]. رجایی، قاسم؛ مهدینژاد، محمدهادی؛ حصاری مطلق، سمانه، 1390، بررسی کیفیت شیمیایی آب شرب روستایی دشت بیرجند و قائن در سال 1389-1388، مجلۀ تحقیقات نظام سلامت، شمارۀ 7: 745-737. [10]. شرکت مهندسی آب و فاضلاب کشور، 1391، عناوین اولویتهای تحقیقاتی وزارت نیرو در سال 1391 - شرکت مهندسی آب و فاضلاب کشور و شرکت های زیرمجموعه، وزارت نیرو، دفتر آموزش، تحقیقات و فناوری وزارت نیرو. [11]. صاحبجلال، احسان؛ دهقانی، فرهاد ؛ طباطباییزاده، منیرالسادات، 1391، (تغییرات زمانی و مکانی پارامترهای کیفی آبهای زیرزمینی با استفاده از روش زمین آماری کریجینگ (مطالعه موردی: دشت بهادران مهریز. مجلۀ علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، شمارۀ 17: 61-51. [12]. عسگری، علیرضا؛ محوی، امیرحسین؛ واعضی، فروغ ؛ خلیلی فاطمه، 1387، کارایی حذف آرسنیک از آب آشامیدنی توسط گرانول هیدروکسید آهن (GFH)، مجلۀ دانشگاه علوم پزشکی قم، شمارۀ 2: 63-53. [13]. فرجی سبکبار، حسنعلی ؛ عزیزی، قاسم، 1385، ارزیابی میزان دقت روش های درون یابی فضایی مطالعه موردی: الگوسازی بارندگی حوزه کارده مشهد، پژوهشهای جغرافیای، شمارۀ 58: 15-1. [14]. کریمی گوهری، شهرام؛ خلیفه، سمیه، 1392، ارزیابی کارایی شبکههای آب سنجی با استفاده از تئوری آنتروپی گسستههای (مطالعه موردی: حوزه بختگان- مهارلو)، پژوهشنامه مدیریت حوزۀ آبخیز، شمارة 3: 50-34. [15]. محمدی، مسعود؛ محمدی قلعهنی، مهدی ؛ ابراهیمی کیومرث، 1390، تغییرات زمانی و مکانی کیفیت آب زیرزمینی دشت قزوین، مجلۀ پژوهش آب ایران، شمارۀ 5: 52-41. [16]. ندیری عطاالله؛ اصغری مقدم اصغر؛ صادقی فریبا ؛ آقایی حسین، 1391، بررسی آنومالی آرسنیک موجود در منابع آب سد سهند، مجلۀ محیطشناسی، شمارة 38: 74-61. [17]. ندیری، عطاالله؛ اصغری مقدم، اصغر؛ عبقری، هیراد؛ فیجانی، الهام، 1392، توسعه مدلهای هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان، مطالعه موردی: دشت تسوج، مجلۀ تحقیقات منابع آب ایران، شمارة 9: 14-1. [18]. ندیری، عطاالله؛ اصغری مقدم، اصغر؛ عبقری هیراد، کلانتری اسکویی، علی؛ حسینپور، عبدالله، 1393، مدل منطق فازی در تخمین قابلیت انتقال آبخوانها مطالعه موردی: دشت تسوج، مجلۀ دانش آب و خاک، شمارۀ 24: 233-219. [19]. Amini, M and Afyuni, M, Fathianpour, N, Khademi, H, Flühler, H, 2005, Continuous soil pollution mapping using fuzzy logic and spatial interpolation, Geoderma, .vol124, pp.223-233. [20]. Asadi, S and Hassan, M, Nadiri, A, Dylla, H, 2014, Artificial intelligence modeling to evaluate field performance of photocatalytic asphalt pavement for ambient air purification, Environmental Science and Pollution Research, .vol21, pp.1-11. [21]. Bhattacharjee, S and Chakravarty, S, Maity, S, Dureja, V, Gupta, KK, 2005, Metal contents in the groundwater of Sahebgunj district, Jharkhand, India, with special reference to arsenic, Chemosphere, .vol58, pp.1203-1217. [22]. Cetinkaya, CP and Harmancioglu, NB, 2014, Reduction of streamflow monitoring networks by a reference point approach, Journal of Hydrology, .vol512, pp.263-273. [23]. Dummer, TJ and Yu, ZM, Nauta, L, Murimboh, JD, Parker, L, 2014, Geostatistical modelling of arsenic in drinking water wells and related toenail arsenic concentrations across Nova Scotia, Canada, Science of The Total Environment. [24]. Gong, G and Mattevada, S, O’Bryant, SE, 2014, Comparison of the accuracy of kriging and IDW interpolations in estimating groundwater arsenic concentrations in Texas, Environmental Research, .vol130, pp.59-69. [25]. Kalhor, A and Araabi, BN, Lucas, C, 2013, Evolving Takagi–Sugeno fuzzy model based on switching to neighboring models, Applied Soft Computing, .vol13, pp.939-946. [26]. Ke, W and Cheng, HP, Yan, D, Lin, C, 2011, The Application of Cluster Analysis and Inverse Distance-Weighted Interpolation to Appraising the Water Quality of Three Forks Lake, Procedia Environmental Sciences, .vol10, pp.2511-2517. [27]. Lado, LR and Polya, D, Winkel, L, Berg, M, Hegan, A, 2008, Modelling arsenic hazard in Cambodia: A geostatistical approach using ancillary data, Applied Geochemistry, .vol23, pp.3010-3018. [28]. Li, J and Heap, AD, 2014, Spatial interpolation methods applied in the environmental sciences: A review, Environmental Modelling & Software, .vol53, pp.173-189. [29]. Li, J and Heap, AD, 2011, A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors, Ecological Informatics, .vol6, pp.228-241. [30]. Li, J and Heap, AD, 2008, A Review of Spatial Interpolation Methods for Environmental Scientists, Department of Resources, Energy and Tourism, .vol6, pp.1-154. [31]. Liu, CW and Jang, CS, Liao, CM, 2004, Evaluation of arsenic contamination potential using indicator kriging in the Yun-Lin aquifer (Taiwan), Science of the Total Environment, .vol321, pp.173-188. [32]. Ma, S.-q. and Chen, F, Wang, Q, Zhao, Z, 2012, Sugeno Type Fuzzy Complex-Value Integral and Its Application in Classification, Procedia Engineering, .vol29, pp.4140-4151. [33]. Nadiri, A and Chitsazan, N, Tsai, F, Moghaddam, A, 2013a, Bayesian Artificial Intelligence Model Averaging for Hydraulic Conductivity Estimation, Journal of Hydrology, .vol19, pp.520–532. [34]. Nadiri, AA and Fijani, E, Tsai, FT, Moghaddam, AA, 2013b, Supervised committee machine with artificial intelligence for prediction of fluoride concentration, Journal of Hydroinformatics, .vol15, pp.1474-1485. [35]. Price, DT and McKenney, DW, Nalder, IA, Hutchinson, MF, Kesteven, JL, 2000, A comparison of two statistical methods for spatial interpolation of Canadian monthly mean climate data, Agricultural and Forest Meteorology, .vol101, pp.81-94. [36]. Tutmez, B and Hatipoglu, Z, 2010, Comparing two data driven interpolation methods for modeling nitrate distribution in aquifer, Ecological Informatics, .vol5, pp.311-315. [37]. Tayfur, G and Nadiri, AA, Moghaddam, AA, 2014, Supervised Intelligent Committee Machine Method for Hydraulic Conductivity Estimation, Water Resources Management, .vol28, pp.1173-1184. [38]. Xie, Y and Chen, T, Lei, M, Yang, J, Guo, Q, Song, B, Zhou, X, 2011, Spatial distribution of soil heavy metal pollution estimated by different interpolation methods: Accuracy and uncertainty analysis, Chemosphere, .vol82, pp.468-476. | ||
آمار تعداد مشاهده مقاله: 2,759 تعداد دریافت فایل اصل مقاله: 1,256 |