بررسی آسیب‌پذیری آب زیرزمینی دشت گلپایگان با استفاده از بهینه‌سازی روش دراستیک

نوع مقاله : Research Paper

نویسنده

استادیار پژوهشی گروه پژوهشی ساختمانی و معدنی،پژوهشکده فناوری و مهندسی، پژوهشگاه استاندارد، کرج، ایران

چکیده

رشد جمعیت، توسعه فعالیت‌های صنعتی وکشاورزی و همچنین انتشار پسآب‌های حاصله، از عمده دلایلی هستند که موجب کاهش کمیت و تخریب کیفیت منابع آب زیرزمینی می‌شوند. بنابراین بررسی ارزیابی کیفی و پتانسیل آلودگی منابع آب زیرزمینی جهت حفاظت از آلودگی و همچنین مدیریت مؤثر آن‌ها ضروی به نظر می‌رسد. محدوده مطالعاتی گلپایگان نیز به عنوان یک مهم‌ترین دشت‌های استان اصفهان یکی از مناطق مهم کشاورزی، در معرض خطر آلودگی به نیترات قرار گرفته است. لذا بررسی مناطق آسیب‌پذیر آبخوان این منطقه با روش مناسب از اهمیت بالایی برخوردار است. در این تحقیق ابتدا از روش دراستیک معمولی، آسیب‌پذیری دشت گلپایگان برای بررسی مناطق آسیب‌پذیر استفاده شد. سپس برای بهینه‌سازی روش دراستیک با استفاده از الگوریتم ژنتیک، تابع هدفی به الگوریتم ژنتیک تعریف شد و وزن‌های بهینه پارامترهای دراستیک با بیشینه کردن تابع هدف بدست آمد. همچنین از روش فازی ساگنو از بین روش‌های منطق فازی جهت بهبود وزن‎‌های روش دراستیک استفاده گردید. داده‌های غلظت نیترات و شاخص همبستگی آن با آسیب‌پذیری برای بررسی صحت‌سنجی روش‌های ارائه شده به کار برده شد. شاخص همبستگی نشان داد که دراستیک بهینه شده با استفاده از الگوریتم ژنتیک، شاخص همبستگی بالاتری با نیترات داشته و نتیجه بهتری نسبت به دراستیک معمولی برای منطقه ارائه داده است. نقشه بهینه شده با استفاده از روش الگوریتم ژنتیک نشان می‌دهد که حدود 6، 23، 34، 21 و 16 درصد از دشت به ترتیب در مناطق با آسیب‌پذیری خیلی کم، کم، متوسط، زیاد و خیلی زیاد واقع‌شده‌اند.نقشه بهینه شده با استفاده از روش الگوریتم ژنتیک نشان می‌دهد که حدود 6، 23، 34، 21 و 16 درصد از دشت به ترتیب در مناطق با آسیب‌پذیری خیلی کم، کم، متوسط، زیاد و خیلی زیاد واقع‌شده‌اند.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of Groundwater Vulnerability of Golpayegan Plain Using DRASTIC Method Optimization

نویسنده [English]

  • Behzad Saeedi Razavi
Constraction & Mining Faculty Standard Research Institute Karaj- Iran
چکیده [English]

Assessment of Groundwater Vulnerability of Golpayegan Plain Using DRASTIC Method Optimization
Qualitative and potential of contamination evaluation of groundwater resources is necessary for contamination protection and their effective management. The Golpayegan study area as one of the most important plains of Isfahan province and one of the most important agricultural areas, has been exposed to nitrate contamination. Therefore, investigation of vulnerable areas of the aquifer in this area with proper method has a more importance. In this study, at first, DRASTIC method was applided to determining the vulnerable areas of Golpayegan plain. Then, to optimizing the DRASTIC method using genetic algorithm, the objective function was defined to the genetic algorithm and by maximizing the objective function, the optimum weights of the DRASTIC parameters were obtained. Also Sugeno fuzzy logic method was used to improve the weights of the DRASTIC method. Nitrate concentration data and its correlation index with vulnerability were used to evaluate the validity of the proposed methods. Correlation indices showed that the optimized DRASTIC using the genetic algorithm has a higher correlations with nitrates and presented the better results than the genera DRASTIC for the region. Optimized map using Genetic Algorithm method showed respectively 6, 23, 34, 21 and 16% of the plains are located in areas with very low, low, moderate, high and very high vulnerability.
Correlation indices showed that the optimized DRASTIC using the genetic algorithm has a higher correlations with nitrates and presented the better results than the genera DRASTIC for the region. Optimized map using Genetic Algorithm method showed respectively 6, 23, 34, 21 and 16% of the plains are located in areas with very low, low, moderate, high and very high vulnerability.
Keywords: Aquifer, Contamination, DRASTIC, Fuzzy Logic. Golpayegan Plain.

کلیدواژه‌ها [English]

  • Aquifer
  • Contamination
  • DRASTIC
  • Fuzzy logic
  • Golpayegan Plain
مهندسین مشاور و خدمات زمین فیزیک. 1379. گزارش مطالعات ژئوفیزیکی در منطقه گلپایگان.
سازمان هواشناسی استان اصفهان. 1397. گزارش وضعیت هواشناسی استان اصفهان.
Aller, L., Bennett, T., Lehr, J., Petty, R. 1987. DRASTIC: a standardized system for evaluating groundwater pollution using hydrogeologic settings. US EPA/Robert S. Kerr Environmental Research Laboratory. EPA/600/2–85/018.
Antonakos, A., Lambrakis, N. 2007. Development and testing of three hybrid methods for the assessment of aquifer vulnerability to nitrates based on the drastic model, an example from NE Korinthia, Greece. Journal of Hydrology. 12: 288– 304.
Babiker, I.S., Mohamed, M.M.A., Hiyama, T. & Kato, K. 2005. A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara, Heights, Gifu Prefecture, central Japan. Science of the Total Environment. 345: 127–140.
Baghapour, M.A., Fadaei Nobandegani, A., Talebbeydokhti, N., Bagherzadeh, S., Nadiri, A.A., Gharekhani, M., Chitsazan, N. 2016. Optimization of DRASTIC method by artificial neural network, nitrate vulnerability index, and composite DRASTIC models to assess groundwater vulnerability for unconfined aquifer of Shiraz Plain, Iran. Journal of Environmental Health Science and Engineering.43: 1343-1356.
Bennett, D., Xiao, N. and Armstrong. 2003. Using genetic algorithms to create multicriteria class intervals for choropleth maps.Annals of the Association of American Geographers, 93(3): 595–623.
Boughriba, M., Barkaoui, A., Zarhloule, Y., Lahmer, Z., El-Houadi, B., Verdoya, M. 2009. Groundwater vulnerability and risk mapping of the Angad transboundary aquifer using DRASTIC index method in GIS environment. Arabian Journal of Geoscience. 3: 207-220.
Blum and Roli, 2003. Metaheuristics in combinatorial optimization: Overview and conceptual comparison. Journal ACM Computing Surveys (CSUR). 35: 268-308.
Emberger, L. 1952. Sur le quotient pluviothermique. C.R. Sciences. 234: 2508-2511.
Holland, J. H. 1975. Adaptation in Natural and Artificial Systems. University of Michigan Press.
Lee, S. Y., Gilkes, R. J. 2005. Groundwater geochemistry and composition of hardpans in southwestern Australian regolith. Journal of Geoderma. 126(1): 59-84.
Fijani, E., Nadiri, A.A., Moghaddam, A.A., Tsai, F.T.C., Dixon, B. 2013. Optimization of DRASTIC method by supervised committee machine artificial intelligence to assess groundwater vulnerability for Maragheh–Bonab plain aquifer, Iran. Journal of Hydrolgy. 503:89–100.
Niknam, R., Mohammadi, K., Majd, V. 2007. Groundwater Vulnerability Evaluation of Tehran-Karaj Aquifer Using DRASTIC Method and Fuzzy Logic, Iran Water Resources Research. 2: 39-47.
Norouzi, H., Moghaddam, A.A., Nadiri, A.A. 2016.  Determining vulnerable areas of Malekan Plain Aquifer for Nitrate, Using Random Forest method, Journal of environmental studies. 41(4): 923-942.
Norouzi, H., Nadiri, A.A., Moghaddam, A.A. 2018. Identifying the Susceptible Area of Malikan Plain Aquifer to contamination using Fuzzy methodes, Journal of environmental studies. 44(2): 205-221.
Norouzi, H., Nadiri, A.A., Moghaddam, A.A., Gharekhani, M. 2018. Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer, Journal of ecohydrology. 5(3): 739-751.
Panagopoulos, G., Antonakos, A., Lambrakis, N. 2005. Optimization of DRASTIC model for groundwater vulnerability assessment by the use of simple statistical methods and GIS, Hydrogeology Journal. 12: 432-458.
Piscopo, G. 2001. Groundwater vulnerability map, explanatory notes, Castlereagh Catchment, NSW, Department of Land and Water Conservation, Australia.
Sadeghfam, S., Hassanzadeh, Y., Nadiri, A., Zarghami, M. 2016. Localization of Groundwater Vulnerability Assessment Using Catastrophe Theory. Water Resour Manage. 30: 4585–4601.
Voudouris. K., Nazakis. N., Polemio. M., Kareklas. K., 2010. Assessment of intrinsic vulnerability using the DRASTIC model and GIS in the Kiti aquifer, Cyprus. European Water journal. 30:13-24.
Vrba, J., Zoporozec, A. 1994. Guidebook on mapping groundwater vulnerability, International Contributions to Hydrogeology. Verlag Heinz Heise GmbH and Co, KG.