بهبود مدل DRASTIC با برنامه ریزی بیان ژن در تعیین آسیب پذیری آبخوان به نیترات مطالعه موردی: آبخوان دشت کرمانشاه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
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 می آید. 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 مؤثر 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 45 تا 115 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 می تواند با مدل های دیگر هماهنگ شده و نتایج مورد پذیرشی را ارائه دهد استفاده گردید. بدین منظور متغیرهای دراستیک با طول دوره ی آماری 20 ساله (1378-1398) 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 آماریR2 ،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 آماریR2 استفاده گردید. با حذف دو شاخص S و T فرمول اصلاح شده شاخص دراستیک بر پایه ی وزن ده ی به صورت (5D , 4R, 5A , 5I, 4C) حاصل گردید.Improving DRASTIC Model by Planning Gene Expression in Determining Aquifer Vulnerability to Nitrate (Case Study: Kermanshah Plain)
were prepared as seven raster layers, and after ranking and weighing, the obtained DRASTIC index ranged between 45 and 115. Yet, as far as the model's major problem is applying expert opinions in ranking and weighing the variables, the main purpose of this study is to improve the DRASTIC model by using the gene expression model, which as an intelligent model has shown a desirable performance. Also, in a mixed form, it can cope with other models to provide acceptable results. Thus, DRASTIC variables of a 20- year statistical period (1999-2009) were defined as the model input, and nitrate concentration was defined as its output. Data in GEP model were divided into two categories: training and experimentation. Moreover, using the statistical parameters (R2, RMSE, MAE and r), the simulation results of the gene expression model were evaluated. The results indicate the model's high ability in estimating nitrate concentration and its high capability in improving DRASTIC model. For validation and improvement of DRASTIC model, statistical parameters, R2 and r, were used, which were specified according to the error of the range model. Also, for each time combining the parameter with the GEP model, a score was gained during different stages and repeated performances of the weight ranking model using weighing rank model of each parameter. Finally, by removing two parameters, S and T, the modified formula of the DRASTIC index which was obtained based on weighing was 5D, 4R, 5A, 5I, and 4C.
تبلیغات
