اثرات کیفیت آب‌های سطحی بر کیفیت آب‌های زیرزمینی (مطالعه موردی: دشت تبریز)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

2 استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

چکیده

مطالعه حاضر بر روی رودخانه آجی‌چای واقع در دشت تبریز و در شرق دریاچه ارومیه­­، به‌منظور شناسایی عوامل مؤثر بر آلودگی رودخانه و آبخوان دشت تبریز و مدیریت و کنترل بهتر کیفیت منابع آب، با بهره‌گیری از تحلیل مؤلفه‌های اصلی، روش‌های هوش مصنوعی (شبکه عصبی مصنوعی و درخت تصمیم M5) و زمین آمار (کریجینگ و کوکریجینگ)، از طریق تحلیل داده‌های کیفیت آب (کاتیون‌ها، آنیون‌ها) در طی دوره آماری 1380 تا 1392 صورت گرفت. تحلیل‌های چند متغیره آماری قادر هستند حجم گسترده‌ای از داده‌ها را پردازش نمایند و به‌عنوان راهکاری کمی در مدیریت کیفیت آب رودخانه‌های استان آذربایجان شرقی مطرح گردند. تعیین مهم‌ترین پارامترهای تاثیرگذار در کیفیت آب منجر به کاهش هزینه‌ها و هدفدار نمودن پایش، کنترل و حفاظت کیفیت آب می‌شود. نتایج تحقیق حاکی از آن است که روش درخت تصمیم‌گیری (M5) روابط ساده خطی، قابل فهم‌تر و کاربردی‌تری برای پیش‌بینی کلر و شوری ارائه می‌کند و نوع تصمیمات گرفته‌شده براساس طبقه‌بندی در الگوریتم‌های درخت تصمیم، مشخص، شفاف و قابل استخراج است. همچنین نتایج حاصل از کاربرد روش‌های زمین آمار نشان داد که وضعیت آبخوان‌ دشت تبریز از لحاظ کیفی نسبت به سال‌های قبل در وضعیت نامطلوب قرار گرفته و در بخش غربی دشت به‌دلیل برداشت زیاد توسط چاه‌ها میزان شوری آب از بیشینه 9000 میکروموس بر سانتی‌متر در سال 1380 به بالای  11000 میکروموس بر سانتی‌متر در سال 1390 در مقطع خروجی رسیده است.

کلیدواژه‌ها


عنوان مقاله [English]

Impacts of Surface Water Quality on Groundwater Quality (Case study: Tabriz plain)

نویسندگان [English]

  • M Sadeghzadeh Sadat 1
  • AH Nazemi 2
  • AA Sadraddini 2
1 MSc Graduate of Irrigation and Drainage Engin., Dept. of Water Engin., Faculty of Agric., Univ. of Tabriz, Tabriz, Iran
2 Prof., Dept. of Water Engin., Faculty of Agric., Univ. of Tabriz, Tabriz, Iran
چکیده [English]

In order to determine effective parameters on Aji Chay river pollution and the aquifer of Tabriz plain located in eastern part of Urmia Lake and better management and controlling of water resource quality, principal component analysis, artificial intelligence techniques (neural networks and decision tree M5) and geostatistics (Kriging and Cokriging) through water quality data analysis (Cations, Anions) in the period of 2001 to 2013 have been used. Statistical multivariate analysis has an ability to process a big range of data, and is known as a quantitative method in order to manage water quality of the East Azarbaijan province’s rivers. Determination of the water quality parameters would result in costs reduction and aiming the monitoring, controlling, and protection of water quality. The results show that M5 method presents simple linear relations in predicting chloride and salinity, also the decisions for categorizing decision tree algorithms are clear and extractable. Also the results of geostatistics showed that Tabriz plain's aquifer is in a bad condition from qualitative viewpoint compared to the last years, and in western part of the plain due to extreme well extraction, salinity in outlet from 9000 in 2001 to over 11000 (µmhos cm-1) in 2012 has been increased.

کلیدواژه‌ها [English]

  • Artificial intelligence
  • Decision Tree
  • Geostatistics
  • groundwater quality
  • Surface water quality
رزمخواه ه، 1385. کاربرد تکنیک‌های تشخیص الگو در ارزیابی تغییرات زمانی و مکانی کیفیت آب رودخانه، مطالعه‌ موردی رودخانه‌ی کر. صفحه های 15 تا 30 مجموعه مقالات هفتمین سمینار بین‌المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.
زارع چاهوکی م‌ح، 1389. روش‌های تحلیل چندمتغیره در نرم افزار SPSS. انتشارت اشتراک دانش.
قهرمان ب، حسینی م و عسگری ح، 1382. کاربرد زمین آمار در ارزیابی شبکه‌های پایش کیفی آب زیرزمینی. مجله دانشگاه صنعتی امیرکبیر، دوره 14، شماره 0-55، صفحه‌های 971 تا 981.
ندیری ع، ١٣٨۶. پیش­بینی سطح آب زیرزمینی با استفاده از شبکه­های عصبی در محدوده متروی­ شهر تبریز.  پایان­نامه کارشناسی ارشد آبشناسی، دانشکده علوم طبیعی، دانشگاه تبریز.
Asghari Moghaddam A, 1991. The hydrology of Tabriz area, Iran. Ph.D Thesis. University College London, London.
Aytac G and Kisi O, 2011. Estimation of suspended sediment yield in Netural river using machine-coded linear genetic programming. Water Resourses Management 25: 691 - 704.
Bartlett MS, 1937. Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, Volume 160, Issue 901, pp: 268-282.
Betekhtin A, 1956. A course of mineralogy. Peace publishers Moscov, pp: 376-386.
Bhardwaj V, Singh DS and Singh AK, 2010. Water quality of the Chhoti Gandak River using principal component analysis, Ganga plain, India. Journal of Earth System Science 119: 117-127.
Bu H, Tan X, Li S and Zhang Q, 2010. Temporal and spatial variations of water quality in the Jinshui River of the South Qinling Mts., China. Ecotoxicology an Environmental Safety 73: 907-913.
Gibbs RJ, 1970. Mechanisms controlling world’s water chemistry. Science 170: 1088–1090.
Gonzalez JC, Grande JA, Barragan FJ, Ocana JA and Dela T, 2005. Nitrate accumulation and other components pf the groundwater in relation to cropping system in an aquifer in southwestern spain. Water Resources Management 19: 1-22.
Kaiser HF, 1974. An index of factorial simplicity. Psychometrika 39: 31-36.
Kravchenko AN, Bullocka DG, Robert PC, Rust RH and Larson WE, 1999. Comparision of Intepolation methods for mapping soil pand K contents. Proccedings of the Fourth Intemational Confrence on Precision Agriculture, St. Poal., Minnesota, USA, p 19. Part A and B 267-279.
Quinlan JR, 1986. Introduction of decision trees. Machine Learning 1: 81-106.
Rizzo DM and Mouser JM, 2000. Evaluation of geostatistics for combined hydrochemistry and microbial community fingerprinting at a waste disposal site critical transitions in Water and Environmental Resources Management 10: 1-11.
Shi j, Wang H, Xu J, Wu J, Liu X, Zhu H and Yu C, 2007. Spatial distribution of heavy metals in soils: a case study of Changing, China. Environmental Geology 52: 1-10.
Sophocleous M, 2002. Interaction between groundwater and surface water: The state of the Science. Hydrogeology Journal 10: 52-56.
Vega M, Pard P, Barrado OE and Deban L, 1998. Assessment of seasonal and polluting effects on the quality of river water by exploratory data analysis. Pergamon 32: 3581-3592.
Winter TC, Harvey JW, Franke OL and Alley WM, 1998. Ground Water and Surface Water a Single Resource. U.S. Geological Survey Circular 1139, U.S. Government Printing Office, Denver, Colora.