حسن دانشیان

رخداد خشک سالی ده ساله از سال 1386 تا 1396 باعث رفتار کاملاً متفاوت آب زیرزمینی آبخوان های کارستی ایلام – سروک در شمال خوزستان در دو منطقه ی ایذه (با افت حدود 120 متر) و لالی (با افت حدود 20 متر) شده است. در این مقاله، میزان افت در آبخوان های کارستی ایذه و دلیل کاهش آبدهی چاه های آهکی آن نسبت به آبخوان لالی، بر اساس رفتار هیدروژئولوژی آن ها مورد مقایسه قرار گرفته است. داده های سطح آب زیرزمینی در پنج حلقه چاه آهکی جمع آوری گردید و خطاهای مربوط مورد تصحیح قرار گرفتند. هیدروگراف عمق سطح ایستابی چاه ها تهیه و افت های میانگین سالانه و مجموع روند افت ها در دو منطقه ی ایذه مورد مقایسه قرار گرفته است. به منظور شناسایی دلیل اختلاف فاحش در افت سطح آب زیرزمینی در آبخوان های موردمطالعه، خطواره ها با استفاده از موتور جستجوی تصاویر ماهواره ای Bing (تصویر ماهواره ای Landsat 8) در محیط ArcGIS استخراج گردید. به طور میانگین میزان افت آبخوان های کارستی شاویش و تنوش ایذه برابر با 129.1 متر و در تاقدیس گورپی لالی حدود 17 متر در دوره ی ده ساله خشک سالی است. علت اصلی اختلاف رفتار هیدروژئولوژی این دو منطقه ی ایذه در لیتولوژی متفاوت سازندهای ایلام و سروک، ضخامت متفاوت لایه ها و خاصیت شکنندگی متفاوت این دو سازند در دو منطقه ی ایذه است که این باعث ایجاد آبخوان کارستی با پتانسیل خیلی خوب در لالی شده است.

روندیابی سیل یکی از روش های پیش بینی سیل در رودخانه ها به منظور مدیریت و مهار سیل است. روابط بارش - روناب و ایجاد سیل در یک منطقه، رابطه خطی ریاضیاتی نیست که با آن سیلاب خیزی و وقوع سیلاب را در یک منطقه پیش بینی کرد و باید به این نوع پدیده ها به صورت مدل نگریست. روش های هوش مصنوعی و از جمله آن ها روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، روش هایی مطلوب در این زمینه هستند. در این پژوهش با استفاده از روش های شبکه عصبی مصنوعی و سیستم استنتاج فازی اقدام به روندیابی سیلاب در زیرحوزه آبخیز رودخانه زرد شده است. برای اجرای هر دو روش، ابتدا داده های لازم جمع آوری، سپس داده های پرت از سری داده ها حذف و درنهایت نرمال سازی شدند. مدل سازی روندیابی سیل با استفاده از شبکه های عصبی مصنوعی با کمک کدنویسی در نرم افزار متلب روی داده ها اجرا شد. برای اجرای سیستم استنتاج فازی نیز از این داده های آماده شده استفاده شد. در این پژوهش انواع ساختارهای متفاوت شبکه عصبی مصنوعی با تعداد نرون ها، لایه های مخفی، تعداد دوره های آموزش و توابع فعالیت متفاوت بر روی داده ها اجرا شدند تا درنهایت بهترین ساختار برای منطقه مورد مطالعه به دست آید. برای مدل استنتاج فازی نیز انواع ساختارها اجرا شدند تا درنهایت بهترین مدل انتخاب شود. نتایج نشان داد در حالت کلی، سیستم استنتاج فازی داده های منطقه مورد مطالعه را بهتر شبیه سازی می کند و نتایج بهتری نسبت به مدل شبکه عصبی مصنوعی نشان می دهد و مقادیر MSE و r در سیستم استنتاج فازی و مدل شبکه عصبی مصنوعی به ترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که نشان دهنده دقت بالاتر سیستم استنتاج فازی در پیش بینی سیلاب در حوزه آبخیز مورد مطالعه است.

هدف: یکی از مسائلی که در امر مدیریت پسماند حائز اهمیت می باشد، مبحث مکان یابی محل دفن پس ماند و شیرابه های ناشی از آن در نواحی روستایی است. این شیرابه ها، موجب آلودگی آبخوان می شوند. ارزیابی آسیب پذیری آلودگی آبخوان، ابزاری توانمند جهت توصیف حفاظت از این چنین مناطقی است که متأثر از آلاینده ها هستند. بنابراین، هدف اصلی این پژوهش، مکان یابی محل دفن پسماند روستایی است. علاوه بر این، پژوهش حاضر به بررسی پتانسیل آسیب پذیری آلودگی آبخوان در مکان های پیشنهادی دفن پسماند با استفاده از مدل دراستیک در نقاط روستایی و تهیه نقشه پهنه بندی مناطق آسیب-پذیر می پردازد. روش: روش این پژوهش از نوع اسنادی(کتابخانه ای)، میدانی و توصیفی-تحلیلی است. در این پژوهش، از مدل دراستیک جهت پهنه بندی آسیب پذیری آبخوان استفاده شده است. این مدل از ترکیب هفت پارامتر هیدروژئولوژیک مؤثر در انتقال آلودگی به آبخوان تشکیل شده است. این پارامترها در محیط نرم افزار GIS به صورت هفت لایه که تحلیل های لازم بر روی آن ها انجام می شود، ظاهر می گردند. یافته ها: استفاده از مدل دراستیک، یک روش ارزشمند برای بررسی پتانسیل آلودگی آب های زیرزمینی توسط شیرابه حاصل از مکان دفن پسماند است. استفاده از مدل دراستیک و نرم افزار GIS، در انتخاب مکان دفن پسماند برای مسئولین محلی که مسئولیت مدیریت دفن پسماند روستایی را برعهده دارند، بسیار کاربردی می باشد در ادامه، با تهیه این نقشه ها در محیط GIS، می توان لایه های مختلف را تلفیق و نقشهه پهنه بندی آسیب پذیری را تهیه نمود. با توجه به نقشه آسیب پذیری آبخوان و با در نظر گرفتن میزان پتانسیل آلودگی آبخوان در قسمت های مختلف، می توان مکان مناسبی جهت دفن پسماند تعیین کرد. در شرایط حاضر، حدود 88 درصد سفره ها در وضعیت آسیب پذیری کم قرار گرفته که می توان با در نظر گرفتن این نواحی، مکانی مناسب جهت دفن پسماند تعیین کرد. محدودیت ها/ راهبردها: عدم دسترسی به اطلاعات جدید در بخش هایی از گزارش. اصالت و ارزش: در این مقاله سعی شده است تا با استفاده از مدل دراستیک بتوان مکانی مناسب جهت دفن پسماند روستایی مشخص شود.