کاهش متغیرهای الگوی بار نیتروژن ورودی به آب رودخانه با روش تحلیل حساسیت واریانس مبنا مطالعه موردی: حوضه آبریز رودخانه توید

آب و خاک

مقاله 4، دوره 31، شماره 2 - شماره پیاپی 52، خرداد 1396، صفحه 359-371   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.35317

نویسندگان

مجید جانفدا^* ؛ داود شاهسونی

دانشگاه صنعتی شاهرود

چکیده

شناخت و کنترل متغیرهای موثر بر نیتروژن ورودی به منابع آب به عنوان یکی از عوامل تهدید کننده حیات انسان و آبزیان اهمیت دارد. متغیرهای موثر را می‌توان با فنون ریاضی و ابداع راهکارهای شبیه‌سازی رایانه‌ای، شناسایی و از عوامل با اثرات ناچیز صرف نظر کرد تا بتوان منابع مالی را برای کنترل تعداد معدودی از عوامل بهینه صرف نمود. الگو‌های متعددی برای برآورد میزان این ترکیبات ساخته شده ‌است. در این راستا از الگوی پرکاربرد (INCA-N) Integrated Nitrogen in Catchments، به‌منظور انجام تحلیل حساسیت متغیرها و کاهش تعداد آن‌ها در این مقاله استفاده شده است. INCA-N شامل صدها متغیر ورودی است. لذا شناسایی متغیرهای بی‌تاثیر یا کم تاثیر حائز اهمیت است. روش تحلیل حساسیت واریانس- مبنا با شاخص‌حساسیت اصلی به‌خوبی می‌تواند متغیرهای مهم را شناسایی و حساسیت خروجی الگو را ارزیابی کند. این مقاله ضمن معرفی روش واریانس مبنا و برآورد شاخص‌های حساسیت باروش مونت کارلو و تولید اعداد شبه‌تصادفی، به تحلیل حساسیت خروجی الگو INCA-N و کاهش متغیرها در رودخانه توید می‌پردازد. نتایج تحلیل حساسیت در حجم نمونه بهینه نشان داد که چهار ‌متغیر (میزان جذب ‌نیترات گیاهان، نرخ نیترات‌زدایی، آلی‌سازی و معدنی‌سازی) از هفت متغیر الگو INCA-N کفایت می‌کند. سه متغیر نیتروژن هوا، برداشت آمونیاک توسط گیاه و بیشینه برداشت نیتروژنی غیرضروری هستند. این چهار متغیر ضروری به ترتیب دارای اثر اصلی و اثرکل (44/0، 49/0)، (189/0،248/0)، (182/0، 227/0)، (072/0، 105/0) هستند. اثرات متقابل بین متغیرها ضعیف (حداکثر 059/0) و قابل چشم‌پوشی است. بنابراین روش تحلیل حساسیت کارایی خوبی در کاهش متغیرهای این پدیده دارد.

کلیدواژه‌ها

الگوی INCA-N؛ کاهش متغیرهای الگو؛ روش مونت کارلو؛ نیتروژن

مراجع

1- Archer G.E.B. Saltelli A., and Sobol I.M. 1997. Sensitivity Measures, Anova-Like Techniques and the Use of Bootstrap. Statistical Computation. 58: 99-120.

2- Bhattacharrya K.G., and Gupta S.S. 2006. Pb (II) uptake by kaolinite and montmorillonite in aqueous medium: Influence of acid activation of the clays. Colloids Surface. 277:191-200.

3- Campolongo F., Cariboni J., and Saltelli A. 2007. An effective screening design for sensitivity analysis of large models. Environmental Modelling and Software. 22:1509–1518.

4- Cuiker R.I., Schaibly J.H., Schuler A.G. 1975. Study of the Sensitivity of coupled Reaction System to Uncertainties in Rate Coefficient. III Analysis of the Approximations. Chemical Physics. 63:1140–1149.

5- Cukier R.I., Fortuin C.M., Schuler K.E., Petschek A.G., and Schaibly J.H. 1973. Study of the sensitivity of coupled reaction systems to uncertainties in rate coefficients in theory. Chemical Physics. 59: 3873–3878.

6- Cukier R., Levine H., and Shuler K. 1978. Nonlinear sensitivity analysis of multiparameter model systems, Computational Physics. 26:1–42.

7- Helton J.C., Johnson J.D., Salaberry C.J., Storlie C.B. 2006. Survey of sampling based methods for uncertainty and sensitivity analysis. Reliability Engineering and System Safety. 91:1175–1209.

8- Homma T., and Saltelli. A. 1996. Importance measures in global sensitivity analysis of nonlinear models. Reliability Engineering and System Safety. 52:1–17.

9- Hornberger G., and Spear, R. 1981. An approach to the preliminary analysis of environmental systems. Environmental Management. 7: 7–18.

10- Iman R., and Hora S. 1990. A robust measure of uncertainty importance for use in fault tree system analysis. Risk Analysis. 10(3):401–403.

11- Ishigami T., and Homma T. 1996. An importance qualification technique in uncertainty analysis for compute models, in: Proceedings of the Isuma ’90. First International Symposium on Uncertainty Modelling and Analysis, University of Maryland, 3–5 December.

12- Jarvie H. P., Wade A.J., Butterfield D., Whitehead P.G., Tindall C. I., Virtue, W.A., Dryburgh W. and McCraw A. 2002. Modelling nitrogen dynamics and distributions in the River Tweed, Scotland: an application of the INCA-N model, Hydrol. Earth Sys. Sci. 6:443-453.

13- Karaivanova A., Dimov I., and Ivanovska S. 2000. A Quasi-Monte Carlo Method for Integration with Improved Convergence.

14- Krzykacz-Hausmann B.1990. Gesellschaft fuer Reaktor Sicherheit (GRS) MbH. Technical Report GRS-A-1700, Garching.

15- Levy G., An introduction to quasi-random numbers. 2002. NAG Ltd, Oxford, UK

16- McKay M., 1996. Variance-based methods for assessing uncertainty importance in nureg-1150 analysis. Technical Report LA-UR-96-2695, 1, Los Alamos Laboratories.

17- Medici C., Bernal S., Butturini A., Sabater F., Martin M., Wade A.J., and Frances F. 2010. Modelling the inorganic nitrogen behaviour in a small Mediterranean forested catchment, Fuirosos (Catalonia). Hydrology and Earth System Sciences. 14 (2):223-237.

18- Mishra P.C., and Patel R.K. 2009. Use of agricultural waste for the removal of nitrate- nitrogen from aqueous medium. Environmental Management. 90:519-522.

19- Morris M.D. 1991. Factorial sampling plans for preliminary computational experiments. Technometrics. 33:161–174.

20- Ozturk N., and Ennil Kose T. 2008. A kinetic study of nitrite adsorption onto sepiolite and powdered activated carbon. Desalination. 223:174-179.

21- Ranzin M., Forti M.C., Whitehead P.G., Arcova F.C.S., Cicco V.de and Wade A.J. 2007. Integrated Nitrogen Catchment model (INCA-N) applied to a tropical catchment in the Atlantic Forest, Sao Paulo, Brazil. Hydrology and Earth System Sciences. 11(1):pp.614-622.

22- Saltelli A., Sobol’ IM., 1995. About the use of rank transformation in sensitivity analysis model. Reliable Eng Syst. Saf. 50:225–39.

23- Saltelli A, Tarantola S, Chan K. A. 1999. quantitative model-independent method for global sensitivity analysis of model output, J. of Technometrics. 41(1).

24- Saltelli A., Andres T.H. Homma, T. 1993. Some new techniques in sensitivity analysis of model output. Comput. Statist. Data Anal. 15:211–238.

25- Saltelli, A. 2002. Sensitivity Analysis for Importance Assessment. Risk Analysis. 22:3.

26- Saltelli A., Annoni P., Azzini I., Campolongo F., Ratto M., Tarantola S., 2010. Variance based sensitivity analysis of model output. Design and estimator for the total sensitivity index, J. Computer Physics Communications. 181:259–270.

27- Saltelli A., Ratto M., Andres T., Campolongo F., Cariboni J., Gatelli D., Saisana M., Tarantola S. 2008. Global sensitivity analysis The Primer. John Wiley & Sons Ltd. 1.

28- Saltelli A., Sobol’ I.M. 1995. About the use of rank transformation in sensitivity analysis of model output Reliability Engrg. Syst. Safety. 50:225–239.

29- Saltelli A., Tarantola S., Campolongo F., Ratto M., 2004. Sensitivity Analysis in Practice. John Wiley & Sons Ltd. 1.

30- Santner T.J., Williams B.J., Notz W. I. 2003. The Design and Analysis of Computer Experiments. Springer, New York . 1.

31- Shahsavani D., Grimvall A. 2011. Variance-based sensitivity analysis of model outputs using surrogate models. Environmental Modelling and Software. 26(6): 723-730.

32- Sobol I.M. 1998. On quasi-Monte Carlo integrations. Mathematics and Computers in Simulation. 47, 103±112.

33- Sobol I. M. 1993. Sensitivity analysis for non-linear mathematical models. Mathematical Modelling and Computational Experiment. 1:407–414. English translation of Russian original paper Sobol’ (1990).

34- Tarantola S. Gatellia D., Mara T. A. 2006. Random balance designs for the estimation of first order global sensitivity indices. Reliability engineering and system safety. 91(6):717-727.

35- Wade A. J., Durand P., Beaujouan V., Wessel W. W., Raat K. J., Whitehead P. G., Butterfield D., Rankinen K., Lepisto A. 2002. A nitrogen model for European catchments: INCA-N, new model structure and equations. Hydrology and Earth System Sciences. 6:559-582.

36- Whitehead P. G., Wilson E. J., Butterfield D. 1998a. A semi-distributed nitrogen model for multiple source assessments in catchments (INCA-N): Model structure and process equations. Science of the Total Environment. 210/211:547-558.

37- Whitehead P., Butterfield, D. and Wade, A. 2008. Potential impacts of climate change on river water quality, Environment Agency, Science Report – SC070043/SR1.

38- Whitehead., P. 2007. A Water Quality Modelling Study of Roşia Montană and the Abrud, Aries and Mures River Systems: Assessing Restoration Strategies and the Impacts of Potential Pollution Events model systems, Computational Physics. 26:1–42.

39- Xing X., Gao B., Yue Q., and Zhong Q.Q., 2010. Preparation of agricultural by-product based anion exchanger and its utilization for nitrate and phosphate removal. Bioresource Technology. 101: 8558-8564