برآورد پتانسیل آلودگی آرسنیک آب های زیرزمینی شهرستان سنندج با استفاده از مدل شبکه عصبی مصنوعی

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 42

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JEHE-6-1_006

تاریخ نمایه سازی: 8 آذر 1402

Abstract:

زمینه و هدف: شناسایی آبهای زیرزمینی آلوده به آرسنیک با استفاده از پارامترهای سطحی خاک و مدلسازی این رابطه در دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه میتواند در مدیریت منابع آبی منطقه مفید باشد. مواد و روشها: در این مطالعه برآورد پتانسیل آلودگی آرسنیک آب های زیرزمینی سنندج با استفاده از مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد آزمون قرار گرفت. در این راستا از بین چاه ها ی مجوزدار شهرستان سنندج ۳۵ چاه با در نظر گرفتن حوضه آبریز، پراکندگی مناسب و ساختار زمین شناختی متفاوت انتخاب ۰- شدند. نمونه های آب هر چاه در ظرف های پلی اتیلنی و در دمای ۴ درجه سانتیگراد و نمونه های خاک از عمق ۲۰ سانتیمتری خاک سطحی بالادست چاهها به صورت مرکب جمع آوری و به آزمایشگاه منتقل شدند. در آزمایشگاه غلظت آرسنیک نمونه های آب با دستگاه جذب اتمی به روش کوره اندازه گیری گردید. ویژگی های فیزیکی و شیمیای خاک شامل: آرسنیک، آرسنات، آرسنیت، فسفات، نیترات، آهن کل، آهن بیشکل، منگنز کل، منگنز بیشکل، درصد رس، اندازه گیری شدند. در ادامه دقت مدل های رگرسیون چندگانه و CEC و pH ، درصد شن، درصد سیلت، ماده آلی خاک شبکه عصبی مصنوعی برای بررسی رابطه بین پارامترهای ذکر شده خاک و آرسنیک موجود درآب مورد آزمون قرار گرفت. یافته ها: نتایج نشان داد که غلضت آرسنیک آبهای زیرزمینی منطقه کمتر از حد استاندارد است که این می تواند به دلیل بالا بودن غلظت آرسنات خاک های منطقه نسبت به آرسنیت و افزایش ظرفیت تبادل کاتیونی خاک تحت تاثیر ذرات رس، ماده آلی و اکسیدهای آزاد آهن باشد. نتیجه گیری: مقایسه ی دقت مدل ها نیز نشان داد که مدل شبکه عصبی با ۸۳۵MAE=۰/ و ۱۱۸ RMSE=۰/ و ۱۵۶ R=۰/ در مرحله آزمون دارایی دقت بیشتر و خطای کمتری MAE=۰/ و ۱۵۸ RMSE=۰/ و ۱۷۷ R=۰/ در مرحله آموزش و ۸۱۶ در برآورد آلودگی آرسنیک آبهای زیرزمینی نسبت به مدل رگرسیون خطی چندگانه است.

Authors

سامان مرادی

۱. M.Sc. Student, Environment Science, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran

جمیل امان اللهی

Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran

فرشید قربانی

Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources, University of Kurdistan, Sanandaj, 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 :
  • Nazari M, Burston M, Bishop P, Lerner D. Urban Ground‐Water ...
  • Jousma G, Bear J, Haimes YY, Walter F. Groundwater Contamination: ...
  • Movahhed S, Kalantari RR, Khezri M, Azari A. Deteminig and ...
  • Aiuppa A, Federico C, Allard P, et al. Trace metal ...
  • Mortazavi S, Hatami Manesh M. Determination of heavy metals pollution ...
  • Aghalari Z, Jafarian S. Survey of nitrite and nitrate in ...
  • Alizadeh M, Mirzaei R, Kia SH. Determining the spatial trend ...
  • Jiang J. Removing arsenic from groundwater for the developing world-a ...
  • Sisr L, Mihaljevič M, Ettler V, et al. Effect of ...
  • Adriano DC. Trace elements in terrestrial environments:biogeochemistry, bioavailability, and risks ...
  • Garg N, Singla P. Arsenic toxicity in crop plants: physiological ...
  • Chen JC, Chang N, Shieh W. Assessing wastewater reclamation potential ...
  • Kuzmanovski I, Aleksovska S. Optimization of artificial neural networks for ...
  • Zhou Q, Jiang H, Wang J, et al. A hybridmodel ...
  • Cobourn WG. An enhanced PM۲.۵ air quality forecast model based ...
  • Kuo JT, Hsieh MH, Lung WS, She N. Using artificial ...
  • Hassan J. ARIMA and regression models for prediction of daily ...
  • Kuo YM, Liu CW, Lin KH. Evaluation of the ability ...
  • Singh RM, Datta B. Artificial neural network modeling for identification ...
  • El Tabach E, Lancelot L, Shahrour I, Najjar Y. Use ...
  • Gemitzi A, Petalas C, Pisinaras V, Tsihrintzis V. Spatial prediction ...
  • Huang J, Xu J, Liu X, et al. Spatial distribution ...
  • Al-Mahallawi K, Mania J, Hani A, et al. Using of ...
  • Akhovat A, Mousavi SM. Modeling and Simulation of Arsenic, Chromium ...
  • Derakhshan S, Gholami V, Darvari Z. Simulation of Ground Water ...
  • Karimi nezhad MT, Tali MG, Mahmoudi MH, et al. Spatial ...
  • Jalali Lichaei M, Nabi-Bidhendi M. Comparison between multiple linear regression ...
  • Way C. Standard methods for the examination of water and ...
  • Giacomino A, Malandrino M, Abollino O, et al. An approach ...
  • Olsen SR. Estimation of available phosphorus in soils by extraction ...
  • Jackson M, Soil Chemical Analysis, ۱۹۶۷. Pub. By Prentice-Hall of ...
  • Walkley A, Black IA. An examination of the Degtjareff method ...
  • Mehra O, Jackson, M. Iron oxide removal from soils and ...
  • McKeague J, Day JH. Dithionite-and oxalate-extractable Fe and Al as ...
  • Bower CA, Reitemeier R, Fireman M. Exchangeable cation analysis of ...
  • Day PR. Particle Fractionation and Particle-Size Analysis. Methods of Soil ...
  • Zhu YM, Lu X, Zhou Y. Suspended sediment flux modeling ...
  • Dastorani MT, Azimi Fashi K, Talebi A, Ekhtesasi MR. Estimation ...
  • Demuth H, Beale M. Neural Network Toolbox (Version ۴) For ...
  • Minasny B, McBratney A. The neuro-m method for fitting neural ...
  • Back B, Back BJR. Financial statement planning in the presence ...
  • Missaghi.F, Mohammadi.k. Estimation of groundwater levels using conventional interpolation techniques ...
  • Hassani Pak AA. Geostatistics. Tehran University Press ۱۹۹۸: ۳۲۸ [In ...
  • A MS, Abyaneh.H TZ. Evaluation of geostatistical methods for estimating ...
  • Khodakarami L, Soffianian AR, Mohamadi T, Mirghafari NA. Study of ...
  • Giacomino A, Malandrino M, Abollino O, et al. An approach ...
  • Wauchope R. Fixation of arsenical herbicides, phosphate, and arsenate in ...
  • Álvarez-Benedí J, Bolado S, Cancillo I, et al. Adsorption–desorption of ...
  • Jain A, Loeppert RH. Effect of competing anions on the ...
  • Smith E, Naidu R, Alston A. Chemistry of arsenic in ...
  • Anawar HM, Akai J, Sakugawa H. Mobilization of arsenic from ...
  • Kinniburgh D, Jackson M, Syers J. Adsorption of alkaline earth, ...
  • Kinniburgh D, Smedley P. A review of the source, behaviour ...
  • Frost R, Griffin R. Effect of pH on adsorption of ...
  • Majedi S, Soori b, Shiradi A. The zoning of arrsenic ...
  • Anagu I, Ingwersen J, Utermann J, et al. Estimation of ...
  • Schaap MG. Using neural network to predict soil water retention ...
  • Robles LA, Ortega JC, Fu JS, et al. A hybrid ...
  • Elkamel A, Abdul-Wahab S, Bouhamra W, et al. Measurement and ...
  • Chaloulakou A, Grivas G, Spyrellis N. Neural Network and Multiple ...
  • Cai M, Yin Y, Xie M. Prediction of hourly air ...
  • Purkait B, Kadam S, Das S. Application of artificial neural ...
  • Hosseini SM, Mahjouri N. Developing a fuzzy neural network-based support ...
  • نمایش کامل مراجع