بررسي تراز آب زيرزميني بر مبناي خشکسالي ژئولوژيک با استفاده از تئوري موجک (مطالعه موردي: آبخوان بوشکان)

الموضوعات :

مهرداد دنیادیده ¹ , علیرضا نیکبخت شهبازی ² , حسین فتحیان ³ , نرگس ظهرابی ⁴

1 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
2 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
3 - گروه مهندسي منابع آب، واحد اهواز، دانشگاه آزاد اسلامي، اهواز، ايران.
4 - گروه مهندسي محيط زيست، واحد تهران شمال، دانشگاه آزاد اسلامي، تهران، ايران.

تاريخ الإرسال : 17 السبت , جمادى الثانية, 1445 تاريخ التأكيد : 20 الإثنين , رجب, 1446 تاريخ الإصدار : 16 السبت , شعبان, 1446

الکلمات المفتاحية: آبخوان, بوشکان, روش موجک, مدل آب زيرزميني,

ملخص المقالة :

زمينه و هدف: با توجه به افت شديد آب­هاي زيرزميني دشت­هاي کشور به دنبال برداشت بي رويه از آن‌ها براي اهداف کشاورزي، مديران به دنبال راهکارهاي مديريت و احيا سفره­هاي آب زيرزميني هستند. يکي از راهکارهاي جبران افت سطح آب زيرزميني که خود از مؤثرترين عوامل نابودي ظرفيت تغذيه و کاهش افت کيفيت در پهنه آب زيرزميني است، در کنار سناريوهاي کاهش برداشت از چاه­هاي کشاورزي تهيه طرح­هاي ممنوعيت با کم‌ترين عدم قطعيت براساس حساسيت ناحيه­اي به آلودگي است. در اين مطالعه به‌منظور استخراج روابط بارش- خشکسالي در يک محدوده منتخب تحت عنوان آبخوان بوشکان، از مجموع روابط هيدرولوژيکي و هم‌چنين مدل­هاي عددي مادفلو با استفاده از شاخص آسيب‌پذيري و ناحيه‌بندي استفاده شد.

روش پژوهش: استخراج حجم و نوع توزيع جريان در آبخوان که مرکز اثر خشکسالي هيدرولوژيک است، توسط روش تحليل منطقه­اي و استخراج خشکسالي­هاي با دوره بازگشت تاريخي و در عين حال محتمل از بررسي هيدروگراف مستخرج از مدل MODFLOW صورت پذيرفت. خروجي مطالعات هيدرولوژيکي که بر طبق عناصر فيزيوگرافي تهيه شد به‌عنوان ورودي­هاي مدل توزيع جريان آب زيرزميني در ناحيه مذکور استفاده گرديده. به‌منظور تهيه يک ساختار تعيين مناطق حساس در خشکسالي، از پردازش تصاوير ماهواره Sentinel-2 در تهيه شاخص NDWI به‌عنوان شاخص استاندارد شده تغييرات ساختار آب و همچنين پوشش زمين، و يک لايه ساختار زمين تدقيق شده بر اساس طبقه بندي به روش يادگيري ماشين و روش EO استفاده شد. لايه ساختار زمين تحت عنوان Geology، ملاک کلاسه بندي نواحي در تعيين اولويت خشکسالي (از منظر تغذيه آب زيرزميني) انتخاب شد.

يافته‌ها: ارزيابي درستي روش مذکور، تهيه يک جدول ارتباط تغييرات شاخص NDWI با کلاسه­هاي لايه Geology بود. اين همبستگي در لايه کلاسه بندي تغييرات ارتفاعي مشاهده نشد؛ با اين حال بررسي روند و بسامد (موجک) سري هاي زماني تغييرات آب رابطه مشخصي را با افت تراز آب زيرزميني مشخص کرد. از نتايج مشخص اين پژوهش مي­توان به اين موضوع اشاره کرد که براي تعيين نواحي خشکسالي، و يا مفهوم مقابل آن، يعني نواحي منتشر کننده خشکسالي به آب زيرزميني، ملاک اساسي بايد تنوع زمين شناسي در تحليل همزمان با توسعه کشاورزي منطقه باشد. با استفاده از تصاوير ماهواره­هاي سنتينل مي­شود بر طبق تشريحات حاضر در اين پژوهش، بازه­هاي کلاسه بندي شده اي را جهت دريافت بيشترين تغييرات شاخصNDWI  کشف کرد. اين بازه­هاي مکاني حدود تصميم گيري براي اجراي سازه­هاي انحراف جريان، و حتي محدوديت­هاي کشت به جهت بازسازي اقليم در مقابل خشکسالي­هاي منتج از کشاورزي را بهتر معين مي­کند. مقادير اوليه و نهايي پس از اجراي دوره واسنجي صورت مشابهي از پارامتر­هاي هيدروليکي را نمايش مي­دهد. مقدار خطاي نسبي RMS يا RMSE معادل با 86/2 مي­باشد که دقت بالاي شبيه­سازي را نشان مي­دهد.

نتايج: مدل رياضي MODFLOW در 126 دوره ماهانه مورد شبيه­سازي و در 25% دوره زماني نهايي مورد صحت سنجي قرار گرفت. حد کل خطا تا 18/3 کاهش يافت. اين مقدار با توسعه مدل مفهومي و ارائه داده پايه بيشتر مي­تواند بيشتر کاهش يابد. دشت بيشتر از نواحي مياني و شمالي چند متبادل آبخوان، تغذيه مي­شود. با توجه به مطالعه نقشه تراز آب­هاي زير زميني، آب اين منطقه از جهت شمال و شمال شرق به طرف مركز دشت و سپس جنوب و جنوب غرب جريان دارد؛ که با توجه به گسترش نواحي کشاورزي، از اين نظر جهت جريان، عامل گسترش آلودگي مي­باشد. نتايج تراز آبخوان براي اين مدت نشان مي‌دهد كه سطح آب در بيشتر قسمت­هاي دشت، همواره در حال پايين رفتن بوده و ميزان بالا آمدگي آن در دوره­هاي­تر همواره كمتر از ميزان پايين افتادگي آن در دوره­هاي خشك است. همچنين نتايج نشان مي­دهد که با فرض اينکه ميزان تخليه و تغذيه دشت همانند سال­هاي قبل باشد، اکثر چاه­هاي مشاهده­اي با تشديد شيب افت سطح آب مواجه خواهند شد.

المصادر:

Adamowski, J., Fung Chan, H., Prasher, S.O., Ozga-Zielinski, B., Sliusarieva, A., 2012. Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resour. Res. 48, W01528.
Afan, H.A., El-shafie, A., Mohtar, W.H.M.W., Yaseen, Z.M., 2016. Past, present and prospect of an Artificial Intelligence (AI) based model for sediment transport prediction. J. Hydrol.
Chong K. L., 2021, "Review on Dam and Reservoir Optimal Operation for Irrigation and Hydropower Energy Generation Utilizing Meta-Heuristic Algorithms," in IEEE Access, vol. 9, pp. 19488-19505.
Dixit, P., Londhe, S., Deo, M.C., 2016. Review of Applications of Neuro-Wavelet Techniques in Water Flows. Ina. Lett. 1, 99–104.
Dogani, A. Dourandish, M. Ghorbani and M. R. Shahbazbegian, 2020, "A Hybrid Meta-Heuristic for a Bi-Objective Stochastic Optimization of Urban Water Supply System," in IEEE Access, vol. 8, pp. 135829-135843.
Du, K., Zhao, Y., Lei, J., 2017. The incorrect usage of singular spectral analysis and discrete wavelet transform in hybrid models to predict hydrological time series. J. Hydrol. 552, 44– 51.
Fahimi, F., Yaseen, Z.M., El-shafie, A., 2017. Application of soft computing-based hybrid models in hydrological variables modeling: a comprehensive review. Theor. Appl. Climatol. 128, 875–903.
Hoaglund III, J.R. and PoIllard, D., 2003. Dip and anisotropy effects on flow using a vertically skewed model grid. Groundwater, 41(6), pp.841-846.
Jeong, C.B., Kang, H.M., Lee, M.C., Kim, D.H., Han, J., Hwang, D.S., Souissi, S., Lee, S.J., Shin, K.H., Park, H.G. and Lee, J.S., 2017. Adverse effects of microplastics and oxidative stress-induced MAPK/Nrf2 pathway-mediated defense mechanisms in the marine copepod Paracyclopina nana. Scientific reports, 7(1), p.41323.
Khazaee Poul, A., Shourian, M. & Ebrahimi, H. A, 2019, Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction. Water Resour Manage 33, 2907–2923.
Kresic, N., 2014. Hydraulic methods. In Methods in Karst hydrogeology (pp. 65-92). CRC Press.
Minh, D., Wang, H.X., Li, Y.F. and Nguyen, T.N., 2022. Explainable artificial intelligence: a comprehensive review. Artificial Intelligence Review, pp.1-66.
Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O., 2014. Applications of hybrid Wavelet-Artificial Intelligence models in hydrology: A review. J. Hydrol. 514, 358–377.
Saatsaz, M. A historical investigation on water resources management in Iran. Environ Dev Sustain 22, 2020, 1749–1785
Sang, Y.-F., 2013. A review on the applications of wavelet transform in hydrology time series analysis. Atmos. Res. 122, 8–15.
Schilling, J., Hertig, E., Tramblay, Y. et al. Climate change vulnerability, water resources and social implications in North Africa. Reg Environ Change 2020 20, 15.
Sentinel Hub, https://www.sentinel-hub.com, 2021, Sinergise Solutions d.o.o., a Planet Labs company.
Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.
Shi, B. Wang, P. Jiang, J. Liu, R. 2018, Applying high-frequency surrogate measurements and a wavelet-ANN model to provide early warnings of rapid surface water quality anomalies, Science of The Total Environment, Volumes 610–611, Pages 1390-1399, ISSN 0048-9697.
Solomatine, D.P., Ostfeld, A., 2008. Data-driven modelling: some past experiences and new approaches. J. Hydroinformatics 10, 3–22.
Spiro D. Alexandratos, Naty Barak, Diana Bauer, F. Todd Davidson, Brian R. Gibney, Susan S. Hubbard, Hessy L. Taft, and Paul Westerhof ACS Sustainable Chemistry & Engineering 2019 7 (3), 2879-2888.
Water Resources Report, 2020. Iran water resources management organization. [in Persian]
Yaseen, Z.M., El-shafie, A., Jaafar, O., Afan, H.A., Sayl, K.N., 2015. Artificial intelligence-based models for stream-flow forecasting: 2000-2015. J. Hydrol.
Zhang, Shuifeng; Zhang, Jinchi; Meng, Miaojing; Chen, Peixian; Liu, Xin; Liu, Guoliang; Gu, Zheyan. 2021. "A Multi-Objective Decision Making System (MDMS) for a Small Agricultural Watershed Based on Meta-Heuristic Optimization Coupling Simulation" Water 13, no. 10: 1338.