بررسی اثرات بلندمدت مصارف آب بخش صنعت و کشاورزی بر نوسانات سطح آب زیرزمینی دشت شازند

الموضوعات :

سیامک امیری ¹ , احمد رجبی ² , سعید شعبانلو ³ , فریبرز یوسفوند ⁴ , محمد علی ایزدبخش ⁵

1 - دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
2 - گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
3 - گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
4 - گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
5 - گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

تاريخ الإرسال : 29 الإثنين , رجب, 1444 تاريخ التأكيد : 17 الأربعاء , ربيع الثاني, 1445 تاريخ الإصدار : 08 الأربعاء , جمادى الأولى, 1445

الکلمات المفتاحية: مدل عددی GMS, هدایت هیدرولیکی, تراز آب زیرزمینی, راندمان آبیاری,

ملخص المقالة :

زمینه و هدف: امروزه با افزایش نیاز آبی در بخش‌های مختلف میزان برداشت از آب‌های زیرزمینی در حال افزایش است و این امر منجر به افت بیشتر تراز آب، درآبخوان‌های استان مرکزی شده است. یکی از مناسب‌ترین روش‌ها برای مدیریت بهینه منابع آب‌زیرزمینی، تجزیه و تحلیل رفتار آبخوان‌ها در شرایط مختلف با استفاده از مدل‌های ریاضی است. هدف از این تحقیق بررسی اثرات برداشت مصارف کشاورزی و صنعتی بر تراز آب زیرزمینی دشت شازند در استان مرکزی و تاثیر افزایش 20 درصدی راندمان آبیاری در اراضی کشاورزی در صورت توسعه سیستم‌های تحت فشار و کم مصرف با استفاده از مدل عددی GMS می‌باشد. روش پژوهش: ابتدا مدل مفهومی و عددی آبخوان شازند در نرم افزار GMS اجرا شده و در حالت ماندگار واسنجی شد. سپس مدل در حالت غیرماندگار برای دوره آماری مهر 1394 تا شهریور 1398 واسنجی شد. برای بررسی واکنش‌های مدل به ازای تغییرات پارامتر‌های مهم و موثر، آنالیز حساسیت مدل انجام شد و مدل برای دوره آماری مهر 1398 تا شهریور 1400 صحت‌سنجی شد. سپس تغییرات تراز آب زیرزمینی در آبخوان تحت دو سناریوی مدیریتی مرجع و افزایش راندمان آبیاری مورد بررسی و مقایسه قرار گرفت. در سناریوی مرجع با فرض ادامه وضع موجود و در سناریوی افزایش راندمان با فرض افزایش 20 درصدی راندمان آبیاری، شبیه‌سازی تغییرات تراز آب زیرزمینی در کل دشت شازند برای 20 سال آتی از مهر 1400 تا شهریور 1420 انجام شد. یافته‌ها: براساس نتایج بدست آمده مقدار خطای RMSE مربوط به واسنجی حالت ماندگار در حدود 7/0 متر و مقدار متوسط خطای RMSE در حالت غیرماندگار در تمام ماه‌های شبیه‌سازی در دو دوره واسنجی و صحت‌سنجی کمتر از 6/0 متر است که نشان دهنده دقت بالای مدل در شبیه‌سازی تراز آب زیرزمینی در کل دشت است. آنالیز حساسیت نشان داد، تغییرات پارامترهای آبدهی ویژه و هدایت هیدرولیکی بیشترین تاثیر را بر نوسانات آب زیرزمینی در کل دشت دارد. نتایج نشان داد در سناریوی مرجع افت تراز آب زیرزمینی در انتهای دوره 20 ساله بهره‌برداری، 95/3 متر می‌باشد. در سناریوی افزایش 20 درصدی راندمان، با کاهش برداشت از چاه‌های بهره‌برداری در اثر افزایش راندمان آبیاری، مقدار افت به 76/2 متر خواهد رسید که در این‌صورت میزان افت حدود 2/1 متر تعدیل خواهد یافت. نتایج: بر اساس نتایج، بیشترین افت تراز آب زیرزمینی در دو سناریوی مرجع و افزایش راندمان در مناطق مرکزی دشت به ترتیب 2/9 و 9/6 متر است و کمترین میزان افت در مناطق غربی دشت به ترتیب 1 و 5/0 متر است. با توجه به اینکه بخش کشاورزی بیشترین تاثیر را بر افت تراز در آبخوان در نواحی مرکزی دشت دارد، بهتر است برنامه‌های مدیریتی برای کنترل برداشت از آبخوان مانند افزایش راندمان یا اصلاح الگوی کشت بر روی این بخش متمرکز شود. در صورت اجرای سیستم های تحت فشار و افزایش راندمان در دشت تا حدودی میزان افت تراز در منطقه تعدیل می شود اما مشکل حل نخواهد شد و لازم است با اجرای برنامه‌های تکمیلی، بجای محصولات آب بر، گیاهان با نیاز آبی کم کشت شود و در بخش صنعت نیز بجای برداشت از آب زیرزمینی از پساب تصفیه شده شهری استفاده گردد.

المصادر:

Amiri, S., Rajabi, A., Shabanlou, S., Yosefvand, F., izadbakhsh, MA. (2023). Prediction of groundwater level variations using deep learning methods and GMS numerical model. Earth Science Informatic. https://doi.org/10.1007/s12145-023-01052-1

Azizi, E., Yosefvand, F., Yaghoubi, B., Izadbakhsh, MA., Shabanlou, S. (2023). Modelling and prediction of groundwater level using wavelet transform and machine learning methods: A case study for the Sahneh Plain, Iran. Irrigation and Drainage, 72(3), 747–762.

Azizpour, A., Izadbakhsh, MA., Shabanlou, S., Yosefvand, F., Rajabi, A. (2021). Estimation of water level fluctuations in groundwater through a hybrid learning machine, Groundwater for Sustainable Development, 15, 100687.

Azizpour, A., Izadbakhsh, MA., Shabanlou, S., Yosefvand, F., Rajabi, A. (2022). Simulation of time-series groundwater parameters using a hybrid metaheuristic neuro-fuzzy model. Environment Science Pollution Research, 29, 28414–28430.SA

Bayesteh, M., Azari, A. (2021). Stochastic Optimization of Reservoir Operation by Applying Hedging Rules. Journal of Water Resources Planning Management, 147(2), 04020099.

Esmaeili, F., Shabanlou, S., Saadat, MA. (2021). Wavelet-outlier robust extreme learning machine for rainfall forecasting in Ardabil City. Iran. Earth Sci Inform, 14, 2087–2100.

Fallahi, MM., Shabanlou, S., Rajabi, A., Yosefvand, F., izadbakhsh, MA. (2023). Effects of climate change on groundwater level variations affected by uncertainty (case study: Razan aquifer). Applied Water Science, 13, 143.

Ghobadian, R., Fatahi, A., Zare, M. (2014). Studying the Effects of Gavoshan Dam's Irrigation and Drainage Network on Groundwater of Miandarband Plain Using GMS 6.5 Model. Journal of Water Research in Agriculture, 28(4), 759-772. [in Persian]

Guzman, S. M., Paz, J. O., Tagert, M. L. M., Mercer, A. E. (2019). Evaluation of Seasonally Classified Inputs for the Prediction of Daily Groundwater Levels: NARX Networks Vs Support Vector Machines. Environmental Modeling & Assessment, 24(2), 223-234.

Hu, L., Xu, Z., Huang, W. (2016). Development of a river-groundwater interaction model and its application to a catchment in Northwestern China. Journal of Hydrology, 543, 483–500.

Ivkovic, K.M. (2009). A top–down approach to characterize aquifer–river interaction processes. Journal of Hydrology, 365, 145–155.

Lu, C., Chen, Y., Zhang, C., Luo, J (2013). Steady-state freshwater–seawater mixing zone in stratified coastal aquifers. Journal of Hydrology, 505, 24-34.

Mahdavi, M., Farokhzadeh. B., Salajegheh, A., Malakian, A., Souri, M. (2013). Simulation of Hamadan-Bahar Aquifer and Investigation of Management Scenarios by using PMWIN. Watershed Management Researches (Pajouhesh-va-Sazandegi), 26(1 (98)), 108-116. [in Persian]

Malekzadeh, M., Kardar, S., Saeb, K., Shabanlou, S., Taghavi L. (2019a). A novel approach for prediction of monthly ground water level using a hybrid wavelet and non-tuned self-adaptive machine learning model. Water resources management, 33: 1609-1628.

Malekzadeh, M., Kardar, S., Shabanlou, S. (2019b). Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models, Groundwater for Sustainable Development, 9, 100279.

Mazraeh, A., Bagherifar, M., Shabanlou, S., Ekhlasmand, R. (2023). A Hybrid Machine Learning Model for Modeling Nitrate Concentration in Water Sources. Water, Air, & Soil Pollution, 234(11), 1-22.

Mohammed, KS., Shabanlou, S., Rajabi, A., Yosefvand, F., izadbakhsh, MA. (2023). Prediction of groundwater level fluctuations using artificial intelligence-based models and GMS. Applied Water Science, 13, 54.

Mohtsham, M., Dehghani, A.A., Akbarpour, A., Miftah Halaghi, M. (2011). Prediction of water level in aquifer using GMS software, case study: Birjand aquifer, 4th Iran Water Resources Management Conference, Tehran, Iran. [in Persian]

Nadiri, A. A., Naderi, K., Khatibi, R., Gharekhani, M. (2019). Modelling groundwater level variations by learning from multiple models using fuzzy logic. Hydrological sciences journal, 64(2), 210-226.

Nagheli, S., Samani, N., Pasandi, M. (2011). Investigation of balance and sustainable development of Najaf Abad aquifer, 30th Earth Sciences Meeting, Tehran, Iran. [in Persian]

Narula, K.K., Gosian, A.K. (2013). Modeling hydrology, groundwater recharge and non-point nitrate loadings in the Himalayan Upper Yamuna basin, Science of the Total Environment, 468, S102-S116.

Pahar, G., Dhar, A. (2014). A Dry Zone-Wet Zone Based Modeling of Surface Water and Groundwater Interaction for Generalized Ground Profile. Journal of Hydrology, 519(27), 2215-2223.

Porhaghi, A., Akhondali, A., Radmanesh, F., Mirzaee, S. (2014). Manage the Groundwater Sources Exploration of the Nourabad Plain in the Drought Conditions with MODFLOW Modeling. Irrigation Sciences and Engineering, 37(2), 71-82. [in Persian]

Poursaeid, M., Mastouri, R., Shabanlou, S., Najarchi, M. (2020). Estimation of total dissolved solids, electrical conductivity, Salinity and groundwater levels using novel learning machines. Environment Earth Science, 79:1–25.

Poursaeid, M., Mastouri, R., Shabanlou, S., Najarchi, M. (2021). Modelling qualitative and quantitative parameters of groundwater using a new wavelet conjunction heuristic method: wavelet extreme learning machine versus wavelet neural networks. Water and Environment Journal, 35, 67–83.

Shamsai, A., Forghani, A. (2011). Conjunctive use of Surface and Ground Water Resources in Arid Regions. Iran-Water Resources Research, 7(2), 26-36. [in Persian]

Yosefvand, F., Shabanlou, S. (2020). Forecasting of Groundwater Level Using Ensemble Hybrid Wavelet–Self-adaptive Extreme Learning Machine-Based Models. Natural Resource Research, (2020); 29, 3215–3232.

Zeinali, M., Azari, A., Heidari, M. (2020a). Simulating Unsaturated Zone of Soil for Estimating the Recharge Rate and Flow Exchange Between a River and an Aquifer. Water Resources Management, 34, 425–443.

Zeinali, M., Azari, A., Heidari, M. (2020b). Multi-objective Optimization for Water Resource Management in Low-Flow Areas Based on a Coupled Surface Water–Groundwater Model. Journal of Water Resource Planning and Management (ASCE), 146(5), 04020020.

Zibaei, M.H., Zibaei, M., Ardokhani, K. (2013). Evaluation of scenarios of integrated use of surface and groundwater resources in Firoozabad plain of Fars. Journal of Agricultural Economics Research, 5(1), 157-181.