مینا توزنده جانی؛ علیرضا سفیانیان؛ نورالله میرغفاری؛ محسن سلیمانی
چکیده
در بین عناصر سنگین، آرسنیک بهعنوان یک عنصر سرطانزا شناساییشده است و غلظتهای زیاد آن در اکوسیستم میتواند یک نگرانی بزرگ برای سلامتی عمومی و محیطزیست ایجاد کند. هدف از این مطالعه ارزیابی کیفیت آب زیرزمینی دشت همدان ـ بهار از نظر آلودگی به آرسنیک می-باشد. بدین منظور غلظت آرسنیک در 94 نقطه آب زیرزمینی مورد بررسی قرار گرفت. جهت ...
بیشتر
در بین عناصر سنگین، آرسنیک بهعنوان یک عنصر سرطانزا شناساییشده است و غلظتهای زیاد آن در اکوسیستم میتواند یک نگرانی بزرگ برای سلامتی عمومی و محیطزیست ایجاد کند. هدف از این مطالعه ارزیابی کیفیت آب زیرزمینی دشت همدان ـ بهار از نظر آلودگی به آرسنیک می-باشد. بدین منظور غلظت آرسنیک در 94 نقطه آب زیرزمینی مورد بررسی قرار گرفت. جهت تعیین توزیع مکانی آرسنیک از روشهای مختلف زمینآمار استفاده گردید، سپس نتایج حاصل از این روشها با استفاده از روش ارزیابی متقابل و محاسبه شاخصهای میانگین خطای مطلق (MAE) و میانگین خطای انحراف (MBE) با یکدیگر مقایسه شدند و مناسبترین روش انتخاب گردید. بدین منظور از روش توابع پایه شعاعی RBF با مدل Multiquadric جهت تعیین توزیع مکانی آرسنیک در آب زیرزمینی استفاده شد. علاوه بر این نقشه احتمال آلودگی و افزایش غلظت آرسنیک از حد آستانه نیز با استفاده از مدل کریجینگ شاخص برای آب زیرزمینی تهیه گردید. نتایج نشان داد که در حدود 67 درصد آبخوان دارای احتمال آلودگی کمتر از 50 درصد بود. درحالیکه 18/21 درصد سطح آبخوان دارای آلودگی متوسط و 9/10 درصد سطح آبخوان دارای احتمال آلودگی زیاد بود. مناطقی که در آن احتمال آلودگی آب زیرزمینی زیاد بود با کاربری کشاورزی و بهخصوص مناطق زیر کشت سیبزمینی همخوانی داشت که میتواند به دلیل مصرف زیاد کودهای شیمیایی و مرغی در این مناطق باشد.
سید محمد حسینی موغاری؛ شهاب عراقی نژاد
چکیده
درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارتهای ناشی از خشکسالی کمک شایانی میکند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از ...
بیشتر
درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارتهای ناشی از خشکسالی کمک شایانی میکند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سالهای آبی 52-1351 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI و با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیمیافته (GRNN) اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 58-53، 62-60، 70-67 و 76-73 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقادیر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 009/0 و 949/0 بوده است. همچنین با توجه به نتایج مدل-های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 تا SPI24 از 021/0 تا 925/0، 263/0 تا 953/0 و 210/0 تا 955/0 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارائه نموده است.
