آیسن یوسف‌دوست؛ عباس خاشعی سیوکی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 99-116
چکیده
در سال‌های اخیر، افزایش جمعیت و به‌تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب‌های زیرزمینی، به‌دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه‌بندی مناطق آسیب‌پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده‌ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار ...
بیشتر
در سال‌های اخیر، افزایش جمعیت و به‌تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب‌های زیرزمینی، به‌دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه‌بندی مناطق آسیب‌پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده‌ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آلـودگی منـابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنه‌بندی پتانسیل آسیب‌پذیری آبخوان دشت آستانه، در منطقة کوچصفهان از توابـع استان مازندران، روش دراستیک ((DRASTIC به‌کـار گرفته شد که یکی از کاربردی‌ترین روش‌هـای هم‌پوشـانی است. برای صحت‌سنجی مدل، از داده‌های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب‌های زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بی‌رویه ازکودهای شیمیایی، به‌ویژه کودهای نیتروژن‌دار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آب‌های زیرزمینی منطقه شمرده می‌شود. ازاین‌رو، بررسی آلودگی نیترات که یکی از مهم‌ترین مسائل زیست‌محیطی در آب‌های زیرزمینی است، به‌صورت منظم و دوره‌ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب‌پذیری این منطقه معرفی شد. نتایج نشان داد آسیب‌پذیری آبخوان دشت آستانه‌ـ کوچصفهان در چهار محدوده قـرار دارد. 18/56% دشت دارای آسیب‌پذیری کـم، 51.29% دارای آسیب‌پذیری اندک تا متوسط، 28.46% دارای آسیب‌پذیری متوسط تا زیاد و 1/67% دارای آسیب‌پذیری زیـاد اسـت. میزان همبستگی بـین شـاخص دراسـتیک (شاخص آسیب‌پذیری) با غلظت نیترات 80% به‌دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده‌های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه‌گیری و پهنه‌بندی‌شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل‌های هوش مصنوعی به‌کار گرفته‌شده تخمین مناسبی از مقدار نیترات می‌دهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ به‌طوری‌که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی به‌منزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین‌زده‌شده با مقدار واقعی نیترات اندازه‌گیری‌شده برابر 0.90 است. درنتیجه، می‌توان تخمین مناسبی از مقدار نیترات و نیز آسیب‌پذیری این منطقه داشت. این نکته برتری روش‌های هوش مصنوعی در بررسی آسیب‌پذیری را، ور مقایسه با روش دراستیک، نشان می‌دهد. نتایج نشان داد که مدل‌های هوش مصنوعی روشی کارآ در تخمین آسیب‌پذیری آبخوان محسوب می‌شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه می‌دهند.
