توسعه شاخص آلودگی منابع نقطه‌ای در سطوح گیرش چاه ها با رویکرد مدل‌سازی ریاضی (مطالعه موردی: آبخوان مشگینشهر)
محورهای موضوعی : مدیریت منابع آبمحسن حیدراوغلی 1 , حسین سعادتی 2 , ابراهیم فتائی 3
1 - استاد، گروه محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
2 - استادیار، گروه محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
3 - گروه محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران
کلید واژه: مشگینشهر, آسیب‌پذیری آبخوان, سطوح گیرش چاه, آلاینده‌های نقطه‌ای,
چکیده مقاله :
زمینه و هدف: مشخص ساختن سطوحی از دشت‌ها که دارای آسیب‌پذیری زیادی برای آلوده کردن چاه‌ها هستند، با مدل‌سازی، تلفیق و توسعه شاخص ها، امکان‌پذیر است. وجود نقاط آلاینده در این پهنه ها خطر آلودگی چاه‌ها را به همراه داشته و تشدید خواهد کرد. هدف اصلی این تحقیق توسعه و ارائه شاخص جدید برای تعیین سطوح آسیب پذیر اطراف چاه ها است که می توانند باعث آلودگی چاه-های شرب و کشاورزی موجود در دشت ها و به‌تبع آن آلودگی آبخوان گردند. در این تحقیق از ترکیب تراکم منابع نقطه‌ای آلاینده‌ها به‌عنوان شاخص ریسک و گیرش آلودگی چاه ها به‌عنوان شاخص آسیب‌پذیری استفاده شد. این روش نسبت به سایر روش‌ها دقیق‌تر است زیرا ویژگی هایی مانند تغذیه، میرایی طبیعی، خاک، رسانایی آبخوان، کاربری و پوشش اراضی و توزیع چاه‌ها را در نظر می گیرد و تلفیقی از شاخص آسیب‌پذیری و شاخص ریسک است.روش تحقیق: در تحقیق حاضر، آسیب‌پذیری آبخوان دشت مشگین شهر به مساحت 614 کیلومترمربع با استفاده از تلفیق دو عامل تراکم منابع آلاینده در پهنه‌های حریم رودخانه‌ها و محدوده گیرش چاه‌ها برآورد شد. بدین منظور ابتدا تراکم منابع آلاینده نقطه‌ای مانند صنایع، روستاها، ایستگاه های پمپ‌بنزین به‌عنوان شاخص منابع بالقوه آلاینده در محدوده حریم رودخانه های دشت مشگین شهر به روش کرنال در محیط GIS مشخص گردید. سپس مدل‌سازی عددی برای تعیین مناطق گیرش چاه با استفاده از مدل MODFLOW و MODPATH انجام شد. داده‌های آماری 10 ساله از سال 1390 تا 1399 به دودسته تقسیم شد. 8 سال اول برای واسنجی و 2 سال آخر برای اعتبار سنجی و صحت سنجی مدل، در حالت پایدار استفاده شد. سپس پارامترهای هدایت هیدرولیکی، تغذیه و ناهمسانگردی، به منظور انجام دقیق‌تر و راحت‌تر واسنجی، تحلیل حساسیت شد. در مرحله بعد با استفاده از مدل MODPATH و بر پایه نتایج مدل MODFLOW سطوح گیرش چاه‌ها یا مناطق با آسیب پذیری بالا در دوره های زمانی مختلف، برآورد شد. با تلفیق لایه تراکم آلاینده های نقطه‌ای در حریم رودخانه ها و سطوح گیرش چاه، شاخص توسعه‌یافته آلودگی دشت به دست آمد.یافته ها: مقدار پارامتر تراکم آلاینده‌ها در منطقه از صفرتا 998/0 مورد در کیلومترمربع متغیر بود به‌طوری‌که بیشترین مقدار تراکم در جنوب غربی دشت در اطراف شهرهای مهم منطقه قرار دارد. در 16 درصد از سطح کل دشت، هیچ‌گونه گیرش آلودگی توسط چاه‌ها وجود ندارد و گیرش نهایی با 25 درصد از سطح دشت، بیشترین سهم و گیرش 10 ساله با کمتر از یک درصد از سطح دشت، کمترین سهم را دارد. نتایج شاخص نهایی نشان داد کل سطح دشت در محدوده ریسک کم قرار داشته و حدود 50 درصد از سطح دشت مشگین در محدوده آسیب پذیری ناچیز قرار داشت. نتایج این شاخص بر اساس غلظت دو آلاینده مهم نیترات و کلراید اعتبارسنجی شد که همبستگی مثبتی با شاخص آسیب پذیری داشت. دو ماده آلاینده بالقوه به‌عنوان پارامترهای صحت سنج برای تائید نتیجه شاخص توسعه‌یافته در این تحقیق انتخاب شد. در مناطق روستایی و کشاورزی، که تحت تأثیر کود کشاورزی و فاضلاب است، نیترات به‌عنوان معیار در نظر گرفته شد. کلراید هم نشان دهنده آلودگی در مکان‌های صنعتی و تجاری است. نتایج نشان می‌دهد که رابطه بین شاخص ارائه‌شده با دو پارامتر کلر و نیترات به‌صورت تقریباً خطی است، بطوریکه ضریب همبستگی پیرسون برابر 58/0 برای نیترات و 49/0 برای کلراید برآورد شد.نتیجه‌گیری: نتایج حاصل از این تحقیق نشان داد که در مدیریت اراضی دشت ها، به‌منظور حفاظت از کیفیت آب چاه ها، ترکیب شاخص خطر آلاینده های نقطه ای در حریم رودخانه ها و آسیب پذیری سطوح گیرش چاه ها، نقش مهمی می تواند داشته باشد و در توسعه صنعتی دشت مشگین شهر، بایستی اولویت تخصیص با مناطقی باشد که دارای ریسک پایین‌تر هستند. با توجه به اینکه در دشت مشگین شهر، شهرک و واحدهای صنعتی وجود ندارد، ارزیابی طبقات ریسک این شاخص با تغییرات مکانی آلودگی آب های زیرزمینی مقدور نبود و توصیه می شود که این شاخص در دشت های صنعتی استفاده و ارزیابی گردد. شاخص ارائه‌شده در این تحقیق در مقایسه با شاخص های توسعه‌یافته‌ی دیگر درزمینهٔ آلودگی های آبخوان، ساده‌تر بوده ولی می توان برای دقت بیشتر برای هر نوع آلاینده نقطه‌ای و یا غیر نقطه‌ای وزن اثر هم تعیین کرد و یا از پارامترهای دیگر دخیل در آلودگی آبخوان هم استفاده کرد.
Background and Aim: It is possible to identify the areas of plains that are highly vulnerable to contaminating wells by modeling, integrating, and developing indicators. The presence of polluting points in these areas will bring and intensify the risk of contamination of wells. The main goal of this research is to develop and provide a new index to determine the vulnerable levels around the wells that can cause the pollution of drinking and agricultural wells and, consequently, the pollution of the aquifer. In this research, the combination of point pollutant sources density was used as a risk index and well capture zones as a vulnerability index. This method is more accurate than other methods because it takes into account features such as discharge, natural damping, soil, aquifer hydraulic conductivity, land use, landcover, and distribution of wells, and it is a combination of vulnerability index and risk index.Method:In the present research, the vulnerability of Meshginshahr’s plain’s aquifer with an area of 614 square kilometers is estimated using the combination of two factors of the density of polluting sources in the areas of the rivers and the well capture zones.First, the density of point pollution sources such as industries, villages, gas stations, as an index of potential polluting sources in Mashgin Shahr’s plain’s rivers is determined by Karnal method in GIS environment. Then, numerical modeling is done to determine the well capture zonesusing MODFLOW and MODPATH models.The statistical data of 10 years from 2011 to 2020 is divided into three categories.The first 8 years are used for the calibration, and the last 2 years were used for model validation.Modeling was performed for stable state.Then the parameters of hydraulic conductivity, recharge and anisotropy are subjected to sensitivity analysis.In the next step, using the MODPATH model and based on the results of the MODFLOW model, well capture zonesor areas with high vulnerability are estimated in different periods.By combining the density layer of point pollutants in the rivers’ protection area and well capture zones, the developed pollution index of the plain is obtained.Results: The density of pollutants in the region varied from zero to 0.998 items per square kilometer, so that the highest density is in the southwest of the plain, around the important cities of the region. In 16% of the total surface of the plain, there is no capture of pollution by wells. The final capture with 25% of the plain has the largest share and the 10-year capture with less than 1% of the plain has the lowest share. The results of the final index shows that the entire level of the plain is in the range of low risk, and about 50% of the level of the Meshgin’s plain is in the range of low vulnerability. The results of this index are validated based on the density of two important pollutants, nitrate and chloride, which have a positive correlation with the vulnerability index. Two potential pollutants are selected as accuracy parameters to confirm the result of the index developed in this research. Nitrate is considered in rural and agricultural areas, which are affected by agricultural fertilizers and sewage. Chloride also indicates pollution in industrial and commercial places. The results show that the relationship between the two parameters of chlorine and nitrate is almost linear, so that the Pearson correlation coefficient for nitrate is 0.58 and for chloride is 0.49.Conclusion: The results of this research indicated that in the plains’ management in order to protect the wells’ water quality, the combination of the risk index of point pollutants in the rivers and the vulnerability of the well capture zones can play an important role, and in the industrial development of Mashgin Shahr plain, priority should be given to areas with lower risk. Due to the fact that there are no industrial towns or units in Mashgin Plain, it is not possible to evaluate the risk classes of this index with the spatial changes of groundwater pollution, and it is recommended that this index be used and evaluated in industrial plains. The index presented in this research is simpler compared to other developed indices in the field of aquifer pollution, however; for more accuracy, the weight of the effect can be determined for any point or non-point pollutant, or other parameters can be used
Abbasi, A., Taghavi, L., & Sarai Tabrizi, M. (2021). Qualitative Zoning of Groundwater to Assessment Suitable Drinking Water Using GIS Software in Mohammad Shahr, Meshkinshahr, and Mahdasht in Alborz Province. Anthropogenic Pollution, 5(1), 138-149.
Aller, L., Lehr, J. H., Petty, R. & Bennett, T. (1987). Drastic: a standardized system to evaluate ground water pollution potential using hydrogeologic settings. Journal of Geological Society of India, 29(1), pp 622.
Bachmaier, M., & Backes, M. (2008). Variogram or semivariogram? Understanding the variances in a variogram. Precision Agriculture, 9(3), 173-175.
Bakhtiari Enayat, B., Malekian, A., & Selajqa, A. (2015). Assessment of groundwater vulnerability using combined methods in modified stick, logistic regression and drastic hierarchical analysis (Hashtgerd plain). Iran Water and Soil Research (Agricultural Sciences of Iran), 47(2), 269-279. [In Persian]
Bear, J., & Cheng, A. H.-D. (2010). Modeling groundwater flow and contaminant transport (Vol. 23): Springer.
Chowdhury, S.H., Kehew, A.E., Passero, R.N., (2003). Correlation between nitrate contamination and groundwater pollution potential. Ground Water, 41 (6), 735–745.
Connell, L.D., Daele, G., (2003). A quantitative approach to aquifer vulnerability mapping. Journal of Hydrology, 276(1-4), 71–88.
Elzain, H. E., Chung, S. Y., Venkatramanan, S., Selvam, S., Ahemd, H. A., Seo, Y. K., . . . Yassin, M. A. (2022). Novel machine learning algorithms to predict the groundwater vulnerability index to nitrate pollution at two levels of modeling. Chemosphere, 13 (1), 71-76.
ESRI (Environmental Systems Research Institute Inc). (2018). Understanding GIS the ArcInfo Method: Redland, California. ESRI Press.
Farhadi, H., Fataei, E., & Kharrat Sadeghi, M. (2020). The Relationship between Nitrate Distribution in Groundwater and Agricultural Landuse (Case study: Ardabil Plain, Iran). Anthropogenic Pollution, 4(1), 50-56.
Ghadir Zamani, M., Moridi, A., & Yazdi, J. (2020). Determining the Groundwater Quality Protection Zone by Considering the Vulnerability of Aquifer, Iran-Water Resources Research, 16(1):1-16. [In Persian]
Ghomi Avili, F., & Makaremi, M. (2020). Predicting Model of Arsenic Transport and Transformation in Soil Columns and Ground Water Contamination (Case study: Gorgan Plain, Iran). Anthropogenic Pollution, 4(1), 57-64.
Gudari, M. (2011). Mathematical models of groundwater, GMS model applied training. Volume 1. Simay-e-Danesh-e-Tehran. 270 PP. [In Persian]
Journel, A.G., Huijbregts, C.J., (1978). Mining Geostatistics. New York: Academic Press.
Jodvi, A., & Khazaei, P. (2015). Presenting a new method for assessing the risk of contamination of underground water sources based on geographic information system and numerical modeling. Iranian Journal of Irrigation and Drainage, 10(2), 241-251. [In Persian]
Johnston, K., Ver Hoef, J. M., Krivoruchko, K., & Lucas, N. (2001). Using ArcGIS geostatistical analyst (Vol. 380): Esri Redlands.
Meshgin Regional Water Company, (2017), Semi-detailed studies of Meshgin plain watershed and water year balance period 1986-2017, volume five of Meshgin plain underground water table model. Quds Niro Consulting Engineers Co. 182 pp. [In Persian]
Nadiri AA, Akbari E, Abbas Novinpour E, Gharekhani M. 2020. Assessment of Khoy Aquifer Vulnerability Using a Combined Method. Water and Irrigation Management.9 (2):251-62.
Mcdonald, M.C., Harbaugh, A.W., (1996). MODFLOW-96-Use’'s Documentation for MODFLOW-96. An Update to the U.S. Geological Survey Modular Three-dimensional Finite Difference Groundwater Flow Model. Open-File Report: 96–485.
Melloul, A.J., Collin, M., (1998). A proposed index for aquifer water quality assessment: the case of Israe’'s Sharon region. Journal of Environmental Management, 54(2), 131–142.
Mitra, A., & Chowdhury, B. (2019). Identifying Anthropogenic Factors of Groundwater Pollution through Students’ Opinion in Rural West Bengal. Anthropogenic Pollution, 3(2), 49-59.
Mohtar, W. H. M. W., Maulud, K. N. A., Muhammad, N. S., Sharil, S., & Yaseen, Z. M. (2019). Spatial and temporal risk quotient-based river assessment for water resources management. Environmental Pollution, 248, 133-144.
Nobre, R.C.M., Nobre, M.M.M., (2004). Natural attenuation of chlorinated organics in a shallow sand aquifer. Journal of Hazardous Materials, 110(1-3), 129–137.
Nobre R.C.M., Rotunno Filho O.C., Mansur W.J., Nobre M.M.M., Cosenza C.A.N. (2007). Groundwater vulnerability and risk mapping using GIS, modeling and a fuzzy logic tool. Journal of Contaminant Hydrology, 94(3-4), 277–292.
Pollock, D.W., (1989). MODPATH—a computer program to complete and display pathlines using results from MODFLOW. Open-File Report. U.S. Geological Survey, Reston, VA, pp. 89–381.
Powell, K.L., Taylor, R.G., Cronin, A.A., Barrett, M.H., Pedley, S., Sellwood, J., Trowsdale, S.A., Lerner, D.N., (2003). Microbial contamination of two urban sandstone aquifers in the UK. Water Research, 37(2), 339–352.
Rahmati, H., farshchi, P., & Pournoori, M. (2022). Zoning of the southern coastal region of the IRAN based on Pollution of water resources (Case study: Minoo Island). Anthropogenic Pollution, 6(1), 100-108.
Saadati, H. (2015). Evaluation of paleoclimatic changes with the help of chlorine chemical tracer in the sediments of the unsaturated region of Ardabil plain. Watershed Engineering and Management, 8(3), 310-321. [In Persian]
Saadati, H., Sharifi, F., Mahdavi, M., Ahmadi, H., & Mohseni Saravi, M. (2009). Determining Origin of groundwater recharge resources, drought and wet periods by isotopic tracers in Hashtgerd plain. Journal of Range and Watershedmanagementt, 62(1),
Saadati, H., Malekian, A., & moghaddamnia, A. (2020). Assessment of Vulnerability Index and Risk Zoning in Ardabil Plain. Water and Irrigation Management, 10(1), 157-171. doi:10.22059/jwim.2020.298424.770
Samadi, J. (2022). Modelling hydrogeological parameters to assess groundwater pollution and vulnerability in Kashan aquifer: novel calibration-validation of multivariate statistical methods and human health risk considerations. Environmental Research, 21(1), 113028.
Silverman, B. W. (2018). Density estimation for statistics and data analysis: Routledge.
Staboultzidis, A.-G., Dokou, Z., & Karatzas, G. P. (2017). Capture zone delineation and protection area mapping in the aquifer of Agia, Crete, Greece. Environmental Processes, 4(1), 95-112.
Worrall, F., Kolpin, D.W., (2003). Direct assessment of groundwater vulnerability from single observations of multiple contaminants. Water Resources Research, 39 (12), 1345–1352.
_||_