مدیریت کاهش آلودگی آب های زیرزمینی با استفاده از نقشه های پتانسیل آلودگی منابع آب (مدل دراستیک)
Publish place: کنفرانس بین المللی محیط زیست و منابع طبیعی
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 562
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
IENC01_329
Index date: 24 January 2017
مدیریت کاهش آلودگی آب های زیرزمینی با استفاده از نقشه های پتانسیل آلودگی منابع آب (مدل دراستیک) abstract
اهمیت بررسی آسیب پذیری از طرفی به خاطر این است که آب زیرزمینی، یکی از منابع اصلی آب شرب می باشد و از طرف دیگر تمرکز بالای بشر و فعالیت های اقتصادی به طور مثال صنعت، کشاورزی و مناطق مسکونی به عنوان منابع پتانسیل آلودگی آب زیرزمینی می باشند که دارای پتانسیل آلودگی بالای هستند و باعث ورد حجم عظیمی از آلاینده ها به آب های زیرزمینی می شوند. تهیه نقشه پتانسیل آلودگی آب های زیرزمینی می تواند نقش مؤثری در کاهش میزان آلاینده های وارد شده به منابع آب زیرزمینی داشته باشد. با توجه به منابع آلوده کننده نقطه ای و غیر نقطه ای دشت رفسنجان از جمله شهرک های صنعتی و فعالیت های کشاورزی ضرورت انجام بررسی کیفی منابع آب زیرزمینی را نشان می دهد. این تحقیق با هدف پهنه بندی آسیب پذیری دشت رفسنجان با مدل راستیک انجام شده است. این مدل با توجه به اینکه از هفت پارامترمهم ژئوهیدرولوژی (عمق سطح ایستایی، تغذیه خالص، محیط آبخوان، بافت خاک، توپگرافی، محیط غیر اشباع، هدایت هیدرولیکی) استفاده می کند. روش مناسبی برای بررسی آسیب پذیری آبخوان ها باشد. نقشه نهایی آسیب پذیری حاصل از مدل DRASTIC دشت رفنسنجان را به پنج کلاس خیلی کم، کم، متوسط، زیاد و خیلی زیاد تقسیم بندی کرد که می توان در مدیریت دشت و کاربری اراضی مورد استفاده قرار بگیرد.
مدیریت کاهش آلودگی آب های زیرزمینی با استفاده از نقشه های پتانسیل آلودگی منابع آب (مدل دراستیک) Keywords:
مدیریت کاهش آلودگی آب های زیرزمینی با استفاده از نقشه های پتانسیل آلودگی منابع آب (مدل دراستیک) authors
مجید رمضانی سربندی
دانشجو کارشناسی ارشد آبخیزداری، دانشگاه کاشان
رضا قضاوی
دانشیار گروه مرتع و آبخیزداری، دانشگاه کاشان
سیامک دخانی
استادیار گروه مرتع و آبخیزداری، دانشگاه کاشان
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 :