چارچوب هستان‌شناسی برای تخصیص بهینه و پایدار منابع آب

الموضوعات : Research Paper

مهدیه صادقیان ¹ , صبا صارمی نیا ²

1 - 1. دانشجوی دکترا رشته مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران
2 - استادیار، دانشکدۀ مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان

تاريخ الإرسال : 17 الأحد , شعبان, 1446 تاريخ التأكيد : 20 الأحد , ربيع الثاني, 1447 تاريخ الإصدار : 08 السبت , جمادى الثانية, 1447

الکلمات المفتاحية: مدیریت آب, تخصیص منابع آب, آنتولوژی, گراف دانش, مدلسازی مفهومی,

ملخص المقالة :

مقدمه: آب به‌عنوان یکی از منابع طبیعی اساسی و حیاتی، نقشی غیرقابل‌چشم‌پوشی در توسعه پایدار و تأمین نیازهای انسانی، کشاورزی و صنعتی دارد. با این حال، رشد جمعیت، گسترش شهرنشینی، تغییرات اقلیمی و توزیع نابرابر منابع آبی در جهان، چالش‌های بزرگی را در زمینه مدیریت و تخصیص بهینه این منابع به وجود آورده است.

روش­: در این پژوهش، یک آنتولوژی جامع با هدف مدل‌سازی هوشمند و پاسخ به سوالات کلیدی در زمینه شناسایی و ارزیابی منابع آبی، تحلیل و تخصیص منابع، مدل‌سازی و پیش‌بینی و فناوری و جایگزینی آب توسعه داده شد. این آنتولوژی علاوه بر پوشش‌دهی جنبه‌های فنی مرتبط با عرضه و تقاضای آب، امکان تحلیل ساختاری و پاسخ به سوالات مرتبط‌ با جنبه‌های مطرح‌شده در زمینه تخصیص منابع، شناسایی عوامل تأثیرگذار و ارزیابی مدل‌های بهینه‌سازی را فراهم می‌آورد.

یافته­ ها: آنتولوژی توسعه داده‌شده در این پژوهش، انواع تقاضای آب، انواع منابع آب، کیفیت هر منبع، عوامل مؤثر در تغییرات منابع آبی، مدل‌ها و روش‌های تخصیص منابع آب و شاخص‌های پایداری آب، انواع محدودیت‌های مورد نیاز و روش حل را مورد بررسی قرار داده است. نتایج آنتولوژی نشان داد که آلودگی به‌شدت کیفیت آب را تحت تأثیر قرار داده و استفاده از آن منبع متفاوت خواهد شد و در نتیجه تخصیص آب تحت تأثیر قرار می‌گیرد. همچنین، تحلیل کمی آنتولوژی براساس سه شاخص غنای روابط (RR=0.24)، غنای ویژگی‌ها (AR=0.38) و غنای وراثت (IR=1.20) نشان داد که آنتولوژی از تنوع قابل قبول در روابط، غنای متوسط ویژگی‌ها و ساختار سلسله‌مراتبی متوازن برخوردار است. در ادامه، پژوهش‌های پیشین تحلیل شده و شکاف تحقیقاتی استخراج گردید. پژوهش‌های پیشین عمدتاً بر تخصیص منابع آب‌های سطحی با هدف کاهش هزینه‌های کمبود تمرکز داشته و مدل‌های ارائه‌شده اغلب به‌صورت خطی طراحی شده‌اند. همچنین، محدودیت‌های مرتبط با آلودگی و منابع آب زیرزمینی کمتر مورد توجه قرار گرفته است.

نتیجه­ گیری: با استفاده از کوئری‌های طراحی‌شده مشخص شد که پژوهش‌های کمی به مسائل پیچیده‌ای مانند تغییرات اقلیمی، هیدروژئولوژی و مدل‌های چندهدفه پرداخته‌اند. اگرچه مدل‌های ساده پاسخگو هستند، اما درنظرگرفتن عوامل واقعی‌تری همچون آلودگی و ویژگی‌های محیطی، نتایج بهتری ارائه می‌دهد.

المصادر:

1. Hellström D, Jeppsson U, Kärrman E. A framework for systems analysis of sustainable urban water management. Environmental impact assessment review. 2000;20(3):311-21.
2. Yuan L, Yang D, Wu X, He W, Kong Y, Ramsey TS, et al. Development of multidimensional water poverty in the Yangtze River Economic Belt, China. Journal of Environmental Management. 2023;325:116608.
3. Ghobadi A, Cheraghi M, Sobhanardakani S, Lorestani B, Merrikhpour H. Groundwater quality modeling using a novel hybrid data-intelligence model based on gray wolf optimization algorithm and multi-layer perceptron artificial neural network: a case study in Asadabad Plain, Hamedan, Iran. Environmental Science and Pollution Research. 2022:1-15.
4. Sun J, Li Y, Suo C, Liu J. Development of an uncertain water-food-energy nexus model for pursuing sustainable agricultural and electric productions. Agricultural Water Management. 2020;241:106384.
5. Mekonnen M, Hoekstra A. Sustainability: Four billion people facing severe water scarcity, Sci. Adv., 2, e1500323. 2016.
6. Parmesan C, Morecroft MD, Trisurat Y. Climate change 2022: Impacts, adaptation and vulnerability: GIEC; 2022.
7. Biswas AK. Integrated water resources management: a reassessment: a water forum contribution. Water international. 2004;29(2):248-56.
8. Zehtabian E, Masoudi R, Yazdandoost F, Sedghi-Asl M, Loáiciga HA. Investigation of water allocation using integrated water resource management approaches in the Zayandehroud River basin, Iran. Journal of Cleaner Production. 2023;395:136339.
9. Naeem K, Aloui S, Zghibi A, Mazzoni A, Triki C, Elomri A. A system dynamics approach to management of water resources in Qatar. Sustainable Production and Consumption. 2024;46:733-53.
10. Meng C, Zhou S, Li W. An Optimization model for water management under the dual constraints of water pollution and water scarcity in the Fenhe River Basin, North China. Sustainability. 2021;13(19):10835.
11. Homavandi H, Norouzi Y, Rashidi S. Applying Ontologies in Knowledge Management: A Systematic Review. Knowledge Retrieval and Semantic Systems. 2023;10(34):225-60.
12. Ospan A, Mansurova M, Barakhnin V, Nugumanova A, Titkov R. The development of a water resource monitoring ontology as a research tool for sustainable regional development. Data. 2023;8(11):162.
13. Smith B. Ontology. The furniture of the world: Brill; 2012. p. 47-68.
14. Noy NF, McGuinness DL. Ontology development 101: A guide to creating your first ontology. Stanford knowledge systems laboratory technical report KSL-01-05 and …; 2001.
15. Gruber TR. A translation approach to portable ontology specifications. Knowledge acquisition. 1993;5(2):199-220.
16. Gómez-Pérez A. Ontological engineering: A state of the art. Expert Update: Knowledge Based Systems and Applied Artificial Intelligence. 1999;2(3):33-43.
17. Drouin J, Gosset L, Wamejonengo J. Water Places: From Relational Ontologies. Water Policy in New Caledonia: Participative Co-building of Water Governance in a Decolonization Process. 2025;32:129.
18. Lukovac P, Joksimovic A, Bogdanovic Z, Despotovic-Zrakic M, Barac D. Modeling smart apiculture ecosystem: An ontology-based approach. 2025.
19. Keshavarzi M, Ghaffary HR. An ontology-driven framework for knowledge representation of digital extortion attacks. Computers in Human Behavior. 2023;139:107520.
20. Shahraki AS, Tash M, Caloiero T, Bazrafshan O. Optimal Allocation of Water Resources Using Agro-Economic Development and Colony Optimization Algorithm. Sustainability. 2024;16(13):5801.
21. Yuan L, Wu X, He W, Degefu DM, Kong Y, Yang Y, et al. Utilizing the strategic concession behavior in a bargaining game for optimal allocation of water in a transboundary river basin during water bankruptcy. Environmental Impact Assessment Review. 2023;102:107162.
22. Park J, Bayraksan G. A multistage distributionally robust optimization approach to water allocation under climate uncertainty. European Journal of Operational Research. 2023;306(2):849-71.
23. Azari P, Sobhanardakani S, Cheraghi M, Lorestani B, Goodarzi A. A fuzzy interval dynamic optimization model for surface and groundwater resources allocation under water shortage conditions, the case of West Azerbaijan Province, Iran. Environmental Science and Pollution Research. 2024;31(17):26217-30.
24. Suo M, Xia F, Fan Y. A fuzzy-interval dynamic optimization model for regional water resources allocation under uncertainty. Sustainability. 2022;14(3):1096.
25. He W, Yang L, Li M, Meng C, Li Y. Application of an Interval Two-Stage Robust (ITSR) Optimization Model for Optimization of Water Resource Distribution in the Yinma River Basin, Jilin Province, China. Water. 2020;12(10):2910.
26. Alfaisal FM, Alam S, Alharbi RS, Kaur K, Khan MA, Athar MF, et al. Application of an optimization model for water supply chain using storage reservoir operation for efficient irrigation system. Discrete Dynamics in Nature and Society. 2023;2023(1):7932653.
27. Naghdi S, Bozorg-Haddad O, Khorsandi M, Chu X. Multi-objective optimization for allocation of surface water and groundwater resources. Science of the Total Environment. 2021;776:146026.
28. Zhou M, Sun D, Wang X, Ma Y, Cui Y, Wu L. Multi-objective optimal allocation of water resources in Shule River Basin of Northwest China based on climate change scenarios. Agricultural Water Management. 2024;302:109015.
29. Li Y, Han Y, Liu B, Li H, Du X, Wang Q, et al. Construction and application of a refined model for the optimal allocation of water resources—Taking Guantao County, China as an example. Ecological Indicators. 2023;146:109929.
30. Calvete HI, Galé C, Iranzo JA, Mateo PM. A decision tool based on bilevel optimization for the allocation of water resources in a hierarchical system. International Transactions in Operational Research. 2023;30(4):1673-702.
31. Ghobadi F, Kang D. Application of machine learning in water resources management: A systematic literature review. Water. 2023;15(4):620.
32. Studer R, Benjamins VR, Fensel D. Knowledge engineering: Principles and methods. Data & knowledge engineering. 1998;25(1-2):161-97.
33. Escobar P, Roldán-García MdM, Peral J, Candela G, Garcia-Nieto J. An ontology-based framework for publishing and exploiting linked open data: A use case on water resources management. Applied Sciences. 2020;10(3):779.
34. Bonacin R, Nabuco OF, Junior IP. Ontology models of the impacts of agriculture and climate changes on water resources: Scenarios on interoperability and information recovery. Future Generation Computer Systems. 2016;54:423-34.
35. Elag M, Goodall JL. An ontology for component‐based models of water resource systems. Water Resources Research. 2013;49(8):5077-91.
36. Li S, Erickson C, Zajac M, Guo X, Duan Q, Gong J. A Semi-Automated Framework for Flood Ontology Construction with an Application in Risk Communication. Water. 2025;17(19):2801.
37. Du W, Liu C, Xia Q, Wen M, Hu Y, Chen Z, et al. OFPO & KGFPO: Ontology and knowledge graph for flood process observation. Environmental Modelling & Software. 2025;185:106317.
38. نوذری. هستان‌نگاری فراداده‌ای پایان‌نامه‌ها: طراحی یک الگو. مطالعات کتابداری و سازماندهی اطلاعات. 2024;35(1):75-122.
39. هادی تا, بیتا ش. PersianFarm: دیتاستی برای تطبیق آنتولوژی های فارسی.