| تعداد نشریات | 22 |
| تعداد شمارهها | 354 |
| تعداد مقالات | 3,733 |
| تعداد مشاهده مقاله | 4,939,126 |
| تعداد دریافت فایل اصل مقاله | 3,310,844 |
تعریف مفهوم ریسک بهرهبرداری در منابع آب زیرزمینی به منظور واسنجی آسیبپذیری آبخوان | ||
| آبخوان و قنات | ||
| دوره 6، شماره 2، آذر 1404، صفحه 237-256 اصل مقاله (1.47 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22077/jaaq.2025.10182.1129 | ||
| نویسندگان | ||
| محمدرضا فرشی باانصاف1؛ مریم رفعتی* 2؛ حمید کاردان مقدم3 | ||
| 1گروه محیط زیست، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2گروه محیط زیست، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران . | ||
| 3عضوء هیات علمی موسسه تحقیقات آب، تهران، ایران | ||
| چکیده | ||
| در این مطالعه از مفهوم ریسک در بهرهبرداری برای واسنجی شاخص آسیبپذیری DRASTIC با توجه به خصوصیت ذاتی بودن آسیبپذیری در آبخوان استفاده شد. مفهوم ریسک براساس سه پارامتر غلظت نیترات، تراکم بهرهبرداری از منابع آب و تغییرات کاربریاراضی تعریف شد که این عوامل با استفاده از رویکرد فازی تلفیق و تهیه شد. از مفهوم تعریف شده برای واسنجی نتایج شاخص آسیبپذیری DRASTIC با استفاده از 2 مدل یادگیری ماشین استفاده گردید. نتایج نشان داد که استفاده از مفهوم ریسک برای واسنجی باتوجه به افزایش میزان همبستگی نسبت به استفاده از غلظت نیترات برتری داشته و از این مفهوم برای واسنجی استفاده شد. میزان همبستگی بین شاخص آسیبپذیری DRASTIC و ریسک از مقدار 35/0 قبل از واسنجی به مقدار 75/0 ارتقاء یافت. براساس نتایج بدست آمده در مرحله واسنجی، مشخص شد که مدل یادگیری ماشین ANFIS-EO باتوجه به بالاتربودن میزان همبستگی به عنوان مدل منتخب تعیین شد. بررسی پارامتری شاخص آسیبپذیری نیز نشان داد که در شاخص DRASTIC، 6 پارامتر افزایش وزن داشته و بالتبع آن نیز رتبهها بصورت محسوسی افزایش داشته است. نتایج محاسباتی نیز گویای این واقعیت بودکه بخشهای شمال و شمالغربی آبخوان بدلیل افزایش غلظت نیترات ناشی از توسعۀ کشاورزی و تمرکز جمعیت دارای حساسیت بالاتری بوده که این موضوع در شاخص DRASTIC کاملا مشهود شد. | ||
| کلیدواژهها | ||
| آسیبپذیری؛ ریسک بهرهبرداری؛ شاخص DRASTIC؛ واسنجی شاخص؛ غلظت نیترات | ||
| مراجع | ||
|
Aller. (1987). DRASTIC: A Standardized System for Evaluating Ground Water Pollution-Google Books. Ameur, M., Aouiti, S., Hamzaoui-Azaza, F., Cheikha, L. Ben, & Gueddari, M. (2021). Vulnerability assessment, transport modeling and simulation of nitrate in groundwater using SI method and modflow-MT3DMS software: case of Sminja aquifer, Tunisia. Environmental Earth Sciences, 80(6), 1–16. https://doi.org/10.1007/S12665-021-09491. Barzegar, R., Asghari Moghaddam, A., Norallahi, S., Inam, A., Adamowski, J., Alizadeh, M. R., & Bou Nassar, J. (2020). Modification of the DRASTIC Framework for Mapping Groundwater Vulnerability Zones. Groundwater, 58(3), 441–452. https://doi.org/10.1111/GWAT.12919. Bordbar, M., Rezaie, F., Bateni, S. M., Jun, C., Kim, D., Busico, G., Moghaddam, H. K., Paryani, S., Panahi, M., & Valipour, M. (2024). Global Review of Modification, Optimization, and Improvement Models for Aquifer Vulnerability Assessment in the Era of Climate Change. Current Climate Change Reports 2024 9:4, 9(4), 45–67. https://doi.org/10.1007/S40641-023-00192-2 Elzain, H. E., Chung, S. Y., Senapathi, V., Sekar, S., Lee, S. Y., Roy, P. D., Hassan, A., & Sabarathinam, C. (2022). Comparative study of machine learning models for evaluating groundwater vulnerability to nitrate contamination. Ecotoxicology and Environmental Safety, 229, 113061. https://doi.org/10.1016/J.ECOENV.2021.113061 George, N. J., Agbasi, O. E., Umoh, A. J., Ekanem, A. M., Udosen, N. I., Thomas, J. E., Aka, M. U., & Ejepu, J. S. (2025). Enhanced contamination risk assessment for aquifer management using the geo-resistivity and DRASTIC model in alluvial settings. Cleaner Water, 3, 100060. https://doi.org/10.1016/J.CLWAT.2024.100060 Guo, X., Yang, Z., Li, C., Xiong, H., & Ma, C. (2023). Combining the classic vulnerability index and affinity propagation clustering algorithm to assess the intrinsic aquifer vulnerability of coastal aquifers on an integrated scale. Environmental Research, 217, 114877. https://doi.org/10.1016/J.ENVRES.2022.114877 Javadi, S., Kavehkar, N., Mohammadi, K., Khodadadi, A., & Kahawita, R. (2011). Calibrating DRASTIC using field measurements, sensitivity analysis and statistical methods to assess groundwater vulnerability. Water International, 36(6), 719–732. https://doi.org/10.1080/02508060.2011.610921 Kardan Moghaddam, H., Rahimzadeh Kivi, Z., Bahreinimotlagh, M. and Moghddam, H.K., 2022. Evaluation of the groundwater resources vulnerability index using nitrate concentration prediction approach. Geocarto International, 37(6), pp.1664-1680. Lakshminarayanan, B., Ramasamy, S., Anuthaman, S. N., & Karuppanan, S. (2021). New DRASTIC framework for groundwater vulnerability assessment: bivariate and multi-criteria decision-making approach coupled with metaheuristic algorithm. Environmental Science and Pollution Research 2021 29:3, 29(3), 4474–4496. https://doi.org/10.1007/S11356-021-15966-0 Najafzadeh, M., Homaei, F., & Mohamadi, S. (2022). Reliability evaluation of groundwater quality index using data-driven models. Environmental Science and Pollution Research, 29(6), 8174–8190. https://doi.org/10.1007/S11356-021-16158-6 Nejatian, N., abbaspour, M., Javidan, P., Nia, M. Y., Shacheri, F., Azizi, H., Nia, M. Y., Pazoki, A., Pazoki, M., Amiri, M. J., & Abbasi, S. (2024). Evaluation of the vulnerability and pathways of groundwater pollution in the Zanjanrud river basin by an integrated modeling approach. Modeling Earth Systems and Environment, 10(2), 2295–2308. https://doi.org/10.1007/S40808-023-01897-X Podlasek, A., Koda, E., Vaverková, M. D., Rabek, P., Bujakowski, F., & Pietruszewski, W. (2025). Groundwater vulnerability modelling in landfill-affected areas: From conventional GOD and DRASTIC models to the novel DRASTIC-LPBM approach. Engineering Geology, 357, 108347. https://doi.org/10.1016/J.ENGGEO.2025.108347 Saida, S., Tarik, H., Abdellah, A., Farid, H., & Hakim, B. (2017). Assessment of Groundwater Vulnerability to Nitrate Based on the Optimised DRASTIC Models in the GIS Environment (Case of Sidi Rached Basin, Algeria). Geosciences 2017, Vol. 7, Page 20, 7(2), 20. https://doi.org/10.3390/GEOSCIENCES7020020 Sorichetta, A., Ballabio, C., Masetti, M., Robinson, G. R., & Sterlacchini, S. (2013). A Comparison of Data-Driven Groundwater Vulnerability Assessment Methods. Groundwater, 51(6), 866–879. https://doi.org/10.1111/GWAT.12012 Subbarayan, S., Thiyagarajan, S., Karuppannan, S., & Panneerselvam, B. (2024). Enhancing groundwater vulnerability assessment: Comparative study of three machine learning models and five classification schemes for Cuddalore district. Environmental Research, 242, 117769. https://doi.org/10.1016/J.ENVRES.2023.117769 Taghavi, N., Niven, R. K., Kramer, M., & Paull, D. J. (2023). Comparison of DRASTIC and DRASTICL groundwater vulnerability assessments of the Burdekin Basin, Queensland, Australia. Science of The Total Environment, 858, 159945. https://doi.org/10.1016/J.SCITOTENV.2022.159945 Taheri, K., Missimer, T. M., Maleki, A., Omidipour, R., & Majidipouri, F. (2024). Assessment of alluvial aquifer intrinsic vulnerability by a generic DRASTIC model: a discussion on data adequacy and pragmatic results. Environment, Development and Sustainability, 26(6), 15125–15162. https://doi.org/10.1007/S10668-023-03240-X Thirumalaivasan, D., Karmegam, M., & Venugopal, K. (2003). AHP-DRASTIC: software for specific aquifer vulnerability assessment using DRASTIC model and GIS. Environmental Modelling & Software, 18(7), 645–656. https://doi.org/10.1016/S1364-8152(03)00051-3
| ||
|
آمار تعداد مشاهده مقاله: 247 تعداد دریافت فایل اصل مقاله: 33 |
||