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

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.

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