عطاءالله ندیری

هم زمان با رشد روزافزون جمعیت و طرح های توسعه و تغییرات اقلیمی در سال های اخیر و تأثیر آن بر وضعیت سیستم آبخوان دشت آذرشهر، ضرورت مطالعه دقیق و کاربردی پیرامون وضعیت این آبخوان، آشکار می شود. بدین منظور، با استفاده از مدل های هوش مصنوعی، اقدام به شبیه سازی و پیش بینی داده های سری زمانی بارش، دبی و سطح آب زیرزمینی محدوده مورد مطالعه شد و پس از تعمیم این داده ها به کل دشت با استفاده از روش درون یابی کریجینگ بیزین (EBK)، بیلان کلی آبخوان دشت به دست آمده و نتایج وارد مدل سیستم پویای آبخوان دشت در محیط نرم افزاری WEAP شد. با ایجاد سناریوی مرجع برای بازه زمانی 1392 تا 1400 و اعمال تنش افزایش جمعیت و میزان آب مصرفی بخش کشاورزی در طی این بازه، پاسخ آبخوان به تنش های وارده بررسی شد. سیستم پویای آبخوان دشت در قبال روند افزایشی 2 درصدی جمعیت و 1 درصدی آب مصرفی بخش کشاورزی، کاهش حجم مخزن به میزان حدود 7 درصد در پایان دوره تنش (سال 1400) را نشان داد. پژوهش حاضر بیانگر قابلیت بالای ترکیب هوش مصنوعی و پویایی سیستم در پیش بینی پاسخ آینده سیستم آبخوان به تغییرات اقلیمی است و می تواند در راستای مدیریت منابع آب و پیش بینی تمهیدات لازم برای آینده به کار رود.

افزایش جمعیت، توسعه کشاورزی و صنایع باعث افزایش شدید در مصرف منابع آب و به تبع آن کاهش کمی و کیفی منابع آب زیرزمینی شده است. افت گسترده در سطح تراز منابع آب زیرزمینی شیرین و نفوذ آب های سطحی و بارش ها به این منابع، جریانات سطحی را با کاهش دراماتیک مواجه کرده و در اکثر مناطق ایران آب زیرزمینی مهم ترین منبع تأمین کننده آب کشاورزی، شرب و صنعت گردیده است. از این رو اهمیت مدیریت، حفاظت و جلوگیری از آلودگی این منابع به ضرورت اجتناب ناپذیری مبدل شده است. یکی از راهکارهای مناسب برای جلوگیری از آلودگی منابع آب زیرزمینی شناسایی مناطق آسیب پذیر آبخوان است. در این پژوهش به منظور ارزیابی آسیب پذیری آبخوان دشت اردبیل از روش های DRASTIC، SINTACS و SI استفاده شده است. با استفاده از این روش ها و با توجه به ویژگی های هیدرولوژیکی و هیدروژئولوژیکی منطقه مورد مطالعه آسیب پذیری آبخوان در مقابل عوامل آلاینده پهنه بندی شد و مناطق مستعد به آلودگی در هر کدام از روش ها مشخص شد. سپس برای صحت سنجی هر کدام از روش ها از مقادیر نیترات اندازه گیری شده در منطقه استفاده شد. به منظور مقایسه بهتر و دقیق تر این روش ها، شاخص همبستگی (CI) بین نقشه های آسیب پذیری و مقادیر نیترات محاسبه گردید. نتایج نشان داد که مدل DRASTIC بالاترین شاخص همبستگی را دارد و بنابراین برای ارزیابی آسیب پذیری روش بهتری نسبت به روش های دیگر است. بر اساس نتایج حاصل از مدل DRASTIC، 36/44 درصد از آبخوان دشت اردبیل که بیش تر شرق و قسمتی از جنوب دشت را شامل می شود در محدوده آسیب پذیری کم و بقیه قسمت های دشت یعنی بخش های شمالی و غربی در محدوده آسیب پذیری متوسط قرار دارد.

آب های زیرزمینی اصلی ترین منبع آب شیرین در دشت بیلوردی است. افزایش جمعیت و کشاورزی باعث شده آب زیرزمینی در این آبخوان در معرض خطر کمی و کیفی قرار گیرد، لذا بررسی آسیب پذیری و به تبع آن جلوگیری از آلودگی آب های زیرزمینی مهم و ضروری به نظر می رسد. افت شدید سطح آب در منطقه باعث کاهش کیفیت آب زیرزمینی شده و در چند سال اخیر این دشت جزء دشت های ممنوعه محسوب شده است. مسئله مهم دیگر، وجود معدن آرسنیک ولیلو در محدوده دشت است که خطر آلودگی آب های زیرزمینی را افزایش می دهد. در این پژوهش از ترکیب روش های  DRASTIC و SINTACS   برای پیش بینی آسیب پذیری آبخوان استفاده شده است. برای صحت سنجی نتایج ازداده های نیترات و ضریب همبستگی آن با شاخص آسیب پذیری در منطقه استفاده شد. نتایج نشان داد با وجود این که که روش SINTACS با ضریب همبستگی بالا نسبت به روش DRASTIC کارایی نسبی بهتری دارد ولی با توجه به تشابه و تقارب نتایج انتخاب یکی از آن ها به عنوان روش برتر برای ارزیابی آسیب پذیری محدوده مورد مطالعه کار منطقی به نظر نمی رسد. لذا در این تحقیق روش های DRASTIC و SINTACS   برای ارزیابی آسیب پذیری آبخوان دشت بیلوردی ترکیب شد تا از مزیت هر دو روش به طور همزمان استفاده شود. نتایج حاصل ازروش پیشنهادی  5/36 درصد مساحت منطقه در مرکز را جزو مناطق با آسیب پذیری کم و20 درصد از قسمت جنوب غربی و شمال شرق جزء مناطق با آسیب پذیری زیاد و 5/43 درصد  مساحت در محدوده آسیب پذیری متوسط قرار دارد. ارائه راهکار مناسب و باصرفه برای جلوگیری از افزایش آلودگی دشت از جمله تعیین مناطق آسیب پذیر، از اقدامات مهم و ضروری در محدوده مطالعاتی است.

نبود منابع آب سطحی دائمی در بسیاری از نقاط کشور باعث اضافه برداشت آب از منابع محدود زیرزمینی شده است. در دشت دوزدوزان که در حوضه آبریز دریاچه ارومیه قرار دارد، به دلیل عدم جریان سطحی دائمی برداشت بی رویه از منابع آب زیرزمینی باعث ایجاد متوسط افت 76 سانتی متر در سال شده است. هدف از این تحقیق پیش بینی سطح آب زیرزمینی در این دشت با استفاده از روش های هوش مصنوعی و زمین آمار می باشد. در ابتدا با استفاده از روش خوشه بندی مرتبه ای (HCA) پیزومترها دسته بندی شدند. با انجام آنالیز حساسیت، داده های ماهانه سطح آب، بارش و تبخیر هرکدام با یک تأخیر زمانی طی دوره 10 ساله (91-82) به عنوان ورودی های مدل انتخاب شدند. پس از نرمال سازی داده ها مدل سازی با شبکه های عصبی (ANNs) انجام شد. به منظور بررسی بیشتر شبیه سازی با مدل فازی ساگنو (SFL) نیز انجام شد. برای مقایسه نتایج دو مدل شاخص های آماری جذر میانگین مربعات خطا و ضریب تبیین به کار گرفته شدند. با توجه به برتری مدل ANNs، مدل کریجینگ و کوکریجینگ عصبی برای پیش بینی مکانی سطح ایستابی انتخاب شدند و پیش بینی مکانی با هر دو مدل انجام شد. نتایج نشان داد که مدل کوکریجینگ با در نظر گرفتن پارامتر ثانویه توپوگرافی نسبت به مدل کریجینگ پیش بینی دقیق تری داشته است. براساس نتایج به دست آمده با افزایش بازه زمانی پیش بینی خطای مدل ترکیبی (کوکریجینگ عصبی) افزایش می یابد که بیش تر به دلیل افزایش خطای مدل شبکه عصبی مصنوعی با افزاییش بازه زمانی پیش بینی می باشد و خطای مدل زمین آمار ( کوکریجینگ) نامحسوس به نظر می رسد.