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

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.

Keywords:

Arsenic , Groundwater , Multiple linear regression , Artificial neural network. Arsenate , آرسنیک , آبهای زیرزمینی , رگرسیون خطی چندگانه , شبکه عصبی. آرسنات