پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,387 |
| تعداد دریافت فایل اصل مقاله | 97,222,930 |
بهینه‌سازی روش DRASTIC با استفاده از هوش مصنوعی برای ارزیابی آسیب‌پذیری آبخوان چندگانۀ دشت ورزقان | ||
| اکوهیدرولوژی | ||
| مقاله 13، دوره 4، شماره 4، دی 1396، صفحه 1089-1103 اصل مقاله (2.05 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.63238 | ||
| نویسندگان | ||
| عطا الله ندیری* 1؛ زهرا صدقی2؛ نعیمه کاظمیان3 | ||
| 1استادیار گروه علوم زمین، دانشکدۀ علوم طبیعی، دانشگاه تبریز | ||
| 2دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز | ||
| 3کارشناس شرکت آب و فاضلاب استان آذربایجان شرقی | ||
| چکیده | ||
| با توجه به افزایش جمعیت و توسعۀ فعالیتهای کشاورزی و معدنی در دشت ورزقان که سبب افزایش مقادیر نیترات تا پنج برابر استاندارد سازمان بهداشت جهانی (WHO) شده، ارزیابی آسیب‌پذیری و حفاظت از منابع آب زیرزمینی در این منطقه اهمیت زیادی دارد. در این پژوهش، آسیب‌پذیری آبخوان چندگانۀ دشت ورزقان در برابر آلودگی به کمک روش DRASTIC در محیط ArcGIS بررسی شده و بهینه‌سازی روش DRASTIC با استفاده از مدل ANN صورت گرفته است. برای اجرای روش DRASTIC از پارامترهای مؤثر در ارزیابی آسیب‌پذیری سفرۀ آب زیرزمینی شامل عمق سطح ایستابی، تغذیۀ خالص، جنس محیط آبخوان، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهندۀ ناحیۀ غیراشباع و هدایت هیدرولیکی استفاده شده که به‌صورت هفت لایۀ جداگانه برای آبخوان آزاد و تحت فشار تهیه و بعد از رتبه‌دهی و وزن‌دهی و تلفیق این هفت لایه شاخص DRASTIC محاسبه شد که براساس نتایج به‌دست‌آمده شاخص DRASTIC برای آبخوان آزاد 92- 164 و برای آبخوان تحت فشار 48-93 برآورد شد. به‌منظور بهینه‌سازی روش DRASTIC، از مدل شبکۀ عصبی مصنوعی استفاده و به این منظور داده‌های ورودی )پارامترهای (DRASTIC و خروجی (شاخص آسیب‌پذیری) و مقادیر نیترات مربوط به آن به دو دستۀ آموزش و آزمایش تقسیم شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل در مرحلۀ آزمایش ارزیابی شد. نتایج نشان داد مدل شبکۀ عصبی مصنوعی به‌کار گرفته‌شده، قابلیت بهبود نتایج روش DRASTICاولیه را دارد. برای صحتسنجی نتایج روش کلاسیک و مدل هوش مصنوعی استفاده‌شده در این پژوهش، از داده‌های غلظت نیترات و ضریب همبستگی آن با شاخص آسیب‌پذیری در منطقه استفاده شد. مدل ANN با داشتن ضریب تعیین (R2) و شاخص همبستگی (CI) بیشتر نسبت به روش DRASTIC و همچنین توانایی ارزیابی یکپارچۀ آبخوان چندگانه و حذف خطای نظر کارشناسی اعمال‌شده در روش کلاسیک، روش بهتری برای ارزیابی آسیب‌پذیری آبخوان چندگانۀ دشت ورزقان است. | ||
| کلیدواژه‌ها | ||
| آسیب‌پذیری؛ آبخوان چندگانه؛ شبکۀ عصبی مصنوعی؛ DRASTIC | ||
| عنوان مقاله [English] | ||
| Optimization of DRASTIC method using ANN to evaluating of vulnerability of multiple Varzqan aquifer | ||
| نویسندگان [English] | ||
| Ata Allah Nadiri1؛ Zahra Sedghi2؛ Naeimeh Kazemian3 | ||
| 1Assistant professor, Faculty of Natural Sciences, Department of Earth Sciences, Tabriz University, Tabriz, Iran | ||
| 2M.Sc. Student, Faculty of Natural Sciences, Department of Earth Sciences, Tabriz University, Tabriz, Iran | ||
| 3East Azarbaijan Water and West Water Company, Tabriz, Iran | ||
| چکیده [English] | ||
| Due to population growth and agricultural development and mining activities in the plain Varzeqan where nitrate concentration exceeds from 5 times the standard World Health Organization (WHO). So, Evaluation of vulnerability and protection of groundwater resources are very important in this area. The DRASTIC method uses seven effective environmental parameters on assessment of aquifer vulnerability such as Depth to groundwater level, net Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone and hydraulic Conductivity, as seven layers were prepared separately for unconfined and confined aquifer by corresponded the rate and weighting. The DRASTIC index value was evaluated for unconfined, confined aquifer 92-163 and 48-93 respectively. The artificial neural network model was used to optimize the DRASTIC method. In these model the DRASTIC parameters were considered as input, and conditioned DRASTIC index were used as output, and the data were divided into two categories of train and test. After model training, the model results were evaluated by the nitrate concentration through coefficient of determination (R2) and correlation index (CI) creteria. The results showed that artificial neural network model show high capability to improve the results of general DRASTIC and reduce subjectivity of model, especially in multiple aquifer. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, DRASTIC, Multiple Aquifer, vulnerability | ||
| مراجع | ||
|
1. Vrba J, and Zaporozec A. Guidebook on mapping groundwater vulnerability. International Contributions to Hydrogeology. 1994;Verlag Heinz Heise GmbH and Co, KG.
2. Babiker I.S, Mohamed M.A.A, Hiyama T, and Kato K. A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Heights, Gifu Prefecture, central Japan. Science of the Total Environment. 2005; 345(1-3), pp 127-140.
3. Aller L, Bennett T, Lehr J. H, Petty R. J, & Hackett G. DRASTIC: A Standardized System for Evaluating Ground Water Pollution Potential Using Hydrogeologic Settings. Ada Oklahoma: U.S. Environmental Protection Agency. 1987; 600/2-87-035.
4. 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.2006; 14: 894-911.
5. Shukla S, Mostaghimi S, Shanholt V. O, Collins, M.C. & Ross B. B. A county-level assessment of ground water contamination by pesticides. GroundWater Monitoring & Remediation. 2000; 20: 104-119.
6. Secunda S, Collin M.L, & Melloul A.J. Groundwater vulnerability assessment using a composite model combining DRASTIC with extensive agricultural land use in Israel’s Sharon region. Journal of Environmental Management. 1998; 54: 39-57.
7. Dixon B. Groundwater vulnerability mapping: a GIS and fuzzy rule based integrated tool. Journal of Applied Geography. 2005b; 25: 327-347.
8. Dixon, B. Applicability of neuro-fuzzy techniques in predicting ground-water vulnerability: a GIS-based sensitivity analysis. Journal of Hydrology. 2005a; 309: 17-38.
9. Nadiri A.A, Asghari Moghaddam A, Sadeghi F, Aghaee H. Investigation of Arsenic Anomalies in Water Resources of Sahand Dam. Journal of Environmental Studies. 2012; 38(3).
10. Nadiri A.A, Asghari Moghaddam A, Abghari H. Supervised Committee Fuzzy Logic Model for Estimation of Aquifers Transmissivity Case study: Tasuj Plain. Water and Soil Science. 2014.
11. Fijani E, Nadiri A.A, Asghari Moghaddam A, Tsai F, & Dixon B. Optimization of DRASTIC Method by Supervised Committee Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hydrology. 2013; 530: 89-100.
12. Nadiri A.A, Gharekhani M, Khatibi R, Sadeghfam S. Groundwater vulnerability indices conditioned by Supervised Intelligence Committee Machine (SICM). Science of The Total Environment. 2017a; 574: 691-706.
13. Nadiri A.A, Gharekhani M, Khatibi R, AsghariMoghaddam A. Assessment of Groundwater Vulnerability Using Supervised Committee to Combine Fuzzy Logic Models. Journal of EPSR (Environment Pollution Science Research ). 2017b; 564-653.
14. Javanshir G Nadiri A.A, Sadeghfam S, Novinpour E. Introducing a new method to aquifer vulnerability assessment of Moghan plain based on combination of DRASTIC, SINTACS and SI methods. Ecohydrology.1395; Page 491-503. [Persian].
15. Gharekhani M. Optimization of groundwater vulnerability assessment methods using artificial intelligence models, Case study: Ardabil aquifer. MS. Thesis, Tabriz University , IRAN.1394. [Persian]
16. Yekom Consulting Engineers. Detailed, Reports and semi comprehensive groundwater studies of plains of East Azarbaijan Regional Water Company in ArcGIS media. Studies of groundwater study area Ahar-Varzeqan. 1388; page 208. [Persian].
17. Mehrpartou M, Amini Fazl A, and Radfar J. Geologic map of Varzeghan. scale 1:100000.1371. [Persian].
18. Consulting Engineers Water Frespand. Providing balance and water cycle of Ahar –Varzeqan in the study area. Department of Energy, East Azerbaijan Regional Water company. 1383. [Persian].19.Saadati H. Groundwater and Surface water quality studies of Varzeqan area. MS. Thesis, Tabriz University, IRAN, 1390. [Persian].
20. Gogu R.C, & Dassargues A. Current trends and future challenges in groundwater vulnerability assessment using overlay and index methods. Environmental Geology. 2000; 39: 549-559.
21. Almasri M. N. Assessment of intrinsic vulnerability to contamination for Gaza coastal aquifer, Palestine. Journal of Environmental Management. 2008; 88: 577-593.
22. Stigter T. Y, Ribeiro L, & Carvalho Dill A. M. M. Evaluation of an intrinsic and a specific vulnerability assessment method in comparison with groundwater salinisation and nitrate contamination levels in two agricultural regions in the south of Portugal, Hydrogeology Journal. 2006; 14: 79-99.
23. Soper R. C. Groundwater vulnerability to agrochemicals: A GIS-based DRASTIC model analysis of Carrol, Chariton, and Saline Counties, Missouri, USA. Master science thesis, University of Missouri-Columbia. 2006.
24. Anil K.J, Mao J, & Mohiuddin K.M. Artificial neural network: a tutorial. IEEE. 1996.
25. Hornik K, Stimchcombe M, & White H. multilayer feed forward network are Universal approximators, Neural Networks.1989; 2: 359-366.
26. Nadiri A.A,. Groundwater level prediction using artificial neural networks model in the Metro area in Tabriz. MS. Thesis, Tabriz University , IRAN. 1386. [Persian].
27. ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology, Artificial Neural Network in hydrology, part I and II. Journal of Hydrologic Engineering. 2000; 5(2):115-137. | ||
|
آمار تعداد مشاهده مقاله: 1,184 تعداد دریافت فایل اصل مقاله: 1,120 |
||