ارزیابی روش های گوناگون درون یابی به منظور برآورد آلودگی مس و نیکل در خاک سطحی
Publish place: Journal of Water and Soil Science، Vol: 19، Issue: 73
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 227
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-19-73_008
تاریخ نمایه سازی: 22 اردیبهشت 1400
Abstract:
تعیین توزیع مکانی آلاینده های مختلف در خاک، شالوده ارزیابی آلودگی و کنترل خطر است. روش های درون یابی گوناگونی به طور گسترده به منظور برآورد غلظت فلزات سنگین در مناطق نمونه برداری نشده استفاده شده اند. در این مطالعه، کارایی روش های درون یابی (وزن دهی معکوس فاصله، چندجمله ای محلی، کریجینگ معمولی و توابع پایه شعاعی) برای برآورد آلودگی خاک سطحی به مس و نیکل در استان گلستان ارزیابی شدند. به این منظور، ۲۱۶ نمونه خاک سطحی از استان گلستان جمع آوری شد و غلظت نیکل و مس در نمونه ها تعیین گردید. سپس با استفاده از روش های درون یابی گوناگون، میزان آلودگی خاک مشخص شد. ارزیابی متقابل به منظور مقایسه روش ها با یکدیگر و برآورد میزان صحت آنها استفاده شد. نتایج نشان داد که تمام روش های درون یابی صحت قابل قبولی در پیش بینی غلظت میانگین عناصر مذکور داشتند. روش های RBF-IMQ و IDW۱ کمترین RMSE را برای هر دو عنصر داشتند؛ در حالی که روش RBF-TPS بیشترین RMSE را داشت و مساحت بیشتری از مناطق آلوده را برای هر دو عنصر برآورد کرد. با افزایش توان وزن دهی در روش های IDW مناطق آلوده وسیع تری برآورد شد. روش های درون یابی در قیاس با روش نسبت نمونه ها، مناطق آلوده به مس و نیکل را به ترتیب ۳۸/۸ و ۹۳/ ۶ درصد کمتر برآورد کردند.
Keywords:
Authors
روح الله میرزایی
۱. Dept. of Environ., Faculty of Natur. Resour. and Earth Sci., Univ. of Kashan, Kashan, Iran.
کامران رحیمی
۱. Dept. of Environ., Faculty of Natur. Resour. and Earth Sci., Univ. of Kashan, Kashan, Iran.
هادی قربانی
۲. Dept. of Soil Sci., Faculty of Agric., Shahrood Univ. of Technol., Shahrood, Iran.
ناصر حافظی مقدس
۳. Dept. of Geology, Faculty of Sci., Ferdowsi Univ. of Mashhad, Mashhad, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :