بهبود مدل DRASTIC با برنامه ریزی بیان ژن در تعیین آسیب پذیری آبخوان به نیترات مطالعه موردی: آبخوان دشت کرمانشاه

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 120

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HYD-8-28_003

تاریخ نمایه سازی: 19 دی 1401

چکیده مقاله:

آلودگی منابع آب زیرزمینی به علت نفوذ آلاینده ­ها از سطح زمین به سامانه آب زیرزمینی به­ ویژه در مناطق خشک و نیمه­ خشک که با کمبود کمی و کیفی منابع آب روبه ­رو هستند، یکی از معضلات جدی به شمار می­آید. بنابراین ارزیابی آسیب­ پذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی امری ضروری است. در این پژوهش آسیب ­پذیری آبخوان دشت کرمانشاه در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر موثر در آسیب­ پذیری که شامل عمق سطح ایستابی، تغذیه ­ی خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیراشباع و هدایت هیدرولیکی است، به صورت هفت لایه ­ی رستری تهیه و پس از رتبه ­دهی و وزن­ دهی شاخص دراستیک تعیین، که مقدار آن ما بین ۴۵ تا ۱۱۵ حصول گردید. بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از مدل بیان ژن که یکی از مدل­ های هوشمند که عملکرد خوبی را از خود نشان داده است و به صورت ترکیبی می­تواند با مدل­ های دیگر هماهنگ شده و نتایج مورد پذیرشی را ارائه دهد استفاده گردید. بدین منظور متغیرهای دراستیک با طول دوره­ ی آماری ۲۰ ساله (۱۳۷۸-۱۳۹۸) به عنوان ورودی مدل و غلظت نیترات به عنوان خروجی مدل تعریف شد. در مدل GEP داده ­ها به دو دسته آموزش و آزمایش تقسیم  و با استفاده از شاخص­ های آماریR۲ ،NRMSE  و MAE نتایج شبیه ­سازی مدل بیان ژن مورد ارزیابی قرار گرفت. نتایج حاکی از توانایی بالای مدل در برآورد غلظت نیترات و بهبود مدل DRASTIC را داشت. برای صحت ­سنجی و بهبود مدل DRASTIC از روش امتیازبندی شاخص آماریR۲  استفاده گردید. با حذف دو شاخص S و T فرمول اصلاح شده شاخص دراستیک بر پایه ­ی وزن­ده ی به صورت (۵D , ۴R, ۵A , ۵I, ۴C) حاصل گردید.

کلیدواژه ها:

نویسندگان

عرفان بهرامی

علوم و مهندسی آب , دانکشده کشاورزی , دانشگاه بیرجند

علی شهیدی

دانشیار گروه علوم و مهندسی آب، رشته ی آبیاری و زهکشی، دانشکده ی کشاورزی، دانشگاه بیرجند، بیرجند، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Asghari Moghaddam, A., Nadiri, A., & Pakniya, V. (۲۰۱۶). Vulnerability ...
  • Asefi, M., Radmanesh, F., & Zarei, H. (۲۰۱۴). Optimization of ...
  • Al-Adamat, R. A., Foster, I. D., & Baban, S. M. ...
  • Aller, L., Bennett, T., Lehr, J. H., Petty, R. J., ...
  • Bahrami, E., Mohammadrezapour, O., Salarijazi, M., & Jou, P. H. ...
  • Dizaji, A. R., Hosseini, S. A., Rezaverdinejad, V., & Sharafati, ...
  • Emamgolizadeh, S., Bateni, S. M., Shahsavani, D., Ashrafi, T., & ...
  • Ferreira, C. (۲۰۰۱). Gene expression programming: a new adaptive algorithm ...
  • Jha, M. K., & Sahoo, S. (۲۰۱۵). Efficacy of neural ...
  • Karimi, S., Shiri, J., Kisi, O., & Shiri, A. A. ...
  • Li, L., Wang, W., Gong, P., Zhu, X., Deng, B., ...
  • Mehr, A. D. (۲۰۲۱). Seasonal rainfall hindcasting using ensemble multi-stage ...
  • Nadiri, A. A., Gharekhani, M., Khatibi, R., Sadeghfam, S., & ...
  • Nematzadeh, M., Shahmansouri, A. A., & Fakoor, M. (۲۰۲۰). Post-fire ...
  • Panagopoulos, G. P., Antonakos, A. K., & Lambrakis, N. J. ...
  • Piscopo, G. (۲۰۰۱). Groundwater vulnerability map explanatory notes—Castlereagh Catchment. NSW Department ...
  • Ramezani Sarbandi, M., Ghazavi, R., Dokhani, S., & Mortazavi, S. ...
  • Rajput, H., Goyal, R., & Brighu, U. (۲۰۲۰). Modification and ...
  • Samey, A. A., & Gang, C. (۲۰۰۸). A GIS based ...
  • Sener, E., & Davraz, A. (۲۰۱۳). Assessment of groundwater vulnerability ...
  • Singh, A., Srivastav, S. K., Kumar, S., & Chakrapani, G. ...
  • Zakaria, N. A., Azamathulla, H. M., Chang, C. K., & ...
  • Zhang, H., Chen, W., & Liu, T. Y. (۲۰۲۱). Do ...
  • نمایش کامل مراجع