شناسایی ایستگاه‌های همگن شبکه پایش کیفی آبخوان مشهد برمبنای آلودگی نیترات

آب و خاک

مقاله 11، دوره 30، شماره 5 - شماره پیاپی 49، پاییز 1395، صفحه 1382-1393  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.44678

نویسندگان

مسلم اکبرزاده؛ بیژن قهرمان ؛ کامران داوری

دانشگاه فردوسی مشهد

چکیده

در راستای پایش پایدار منابع آب، ارزیابی شبکه پایش و ارزیابی کیفیت آبخوان با تجزیه و تحلیل دقیق اطلاعات به دست آمده از مقادیر آلودگی حاصل می‌شود. از اساسی ترین این تحلیل ها سنجش دقیق پهنه های مستعد خطر و شناسایی ایستگاه‌های همگن از نظر شاخص آلودگی است. با شناسایی چاه‌های همگن از نظر آلودگی به نیترات می‌توان سبب بهبود شرایط پایش شد. براین اساس در این پژوهش، آبخوان شهر مشهد با دو معیار فاصله اقلیدسی و آنتروپی، خوشه‌بندی شد. نتایج نشان داد بهترین ساختار خوشه بندی با چهار خوشه همگن حاصل می‌شود. با توجه به پراکندگی چاه‌ها و میانگین گشتاورهای خطی، روش مبتنی بر معیار آنتروپی بر روش فاصله اقلیدسی برتری دارد. همچنین تغییرات نیترات نقش بسزایی را در شناسایی ایستگاه‌های همگن مبتنی بر آنتروپی ایفا می‌کند. بنابراین با خوشه‌بندی مبتنی بر آنتروپی می‌توان چاه‌های همگن از نظر تغییرپذیری شاخص آلودگی نیترات را شناسایی کرد که این امر می‌تواند گامی مهم و موثر در جهت پایش آبخوان مشهد و ارزیابی وضعیت کیفی آن باشد. همچنین در راستای ارزیابی و بهینه‌سازی شبکه پایش، هر چه شبکه موجود خوشه‌های کمتری به خود اختصاص دهد، همگنی بیشتری دارد. بنابراین رویکرد بهینه سازی از افزایشی به کاهشی (تعدیل شبکه پایش) توجیه خواهد داشت. در این صورت هزینه‌های پایش اعم از حفر، تجهیز، نمونه‌برداری، نگهداری و آنالیز آزمایشگاهی نیز کاهش می‌یابد.

کلیدواژه‌ها

آب زیرزمینی؛ آنتروپی؛ خوشه بندی؛ ضریب نیم‌رخ؛ فاصله اقلیدسی؛ کریجینگ فضایی زمانی؛ گشتاورهای خطی

مراجع

1. Akbarzadeh M., Ghahraman B., and Davary, K. 2016. Evaluation of groundwater quality in mashhad aquifer using the indicator kriging based on nitrate pollution. Iranian Journal of Irrigation and Drainage, 1(10):48-62.

2. Anderberg. M. R. 1973. Cluster Analysis for Applications. Academic Press, New York, USA.

3. Bailey, K.D. 1994. Typologies and Taxonomies: An Introduction to Classification Techniques. SAGE Publications, Inc., USA.

4. Burn, D.H. 1990. An appraisal of the “region of influence” approach to flood frequency analysis. Journal of Hydrological Sciences, 35(2):149-165.

5. Burn, D.H. 1990. Evaluation of regional flood frequency analysis with a region of influence approach. Journal of Water Resources Research, 26(10): 2257-2265.

6. Cavadias, G.S., Ouarda, T. B. M. J., Bobee, B. and Girard, C. 2001. A canonical correlation approach to the determination of homogeneous regions for regional flood estimation of ungauged basins. Journal of Hydrological Sciences, 46(4): 499-512.

7. Cover, T.M., and Thomas, J.A. 2006. Elements of Information Theory. 2nd ed., John Wiley & Sons, Inc., New Jersey, USA.

8. Estivill-Castro, V. 2002. Why so many clustering algorithms: A position paper. ACM SIGKDD Explorations Newsletter, 4(1): 65-75.

9. Gan, G., Ma, C., Wu, J. 2007. Data Clustering: Theory, Algorithms and Applications. ASA-SIAM, Philadelphia. USA.

10. Glatfelter, D.R. 1984. Techniques for estimating magnitude and frequency of floods on streams in Indiana. US Geological Survey. Water Resources Investigations Report, 84-4134.

11. Haining, R. J. 1993. Spatial Data Analysis in the Social and Environmental Sciences. Cambridge University Press, Cambridge. UK.

12. Hosking J.R.M., Wallis J.R. 2013. Regional Frequency Analysis (An Approach Based on L-Moments). Translated by: B. Ghahraman. Tanin Ghalam, Mashhad.

13. Hosking, J., Wallis, J. 1993. Some statistics useful in regional frequency analysis. Journal of Water Resources Research, 29(2):271-281.

14. Jingyi, Z. and Hall, M. J. 2004. Regional flood frequency analysis for the Gan-Ming river basin in China. Journal of Hydrology, 296: 98-117.

15. Mao, J., and Jain, A. 1996. A self-organizing network for hyper ellipsoidal clustering (HEC). IEEE Transactions on Neural Networks, 7(1): 16–29.

16. Murphy, K.P. 2012. Machine Learning: A Probabilistic Perspective. MIT Press, Cambridge.

17. Ngongondo, C.S., Xu, C.Y., Tallaksen, L.M., Alemaw, B., and Chirwa, T. 2011. Regional frequency analysis of rainfall extremes in Southern Malawi using the index rainfall and L-moments approaches. Journal of Stochastic Environmental Research & Risk Assessment, 25:939–955.

18. Rajsekhar, D., Mishra, A., and Singh, V.P. 2011. Drought regionalization of Brazos river using an entropy approach. Proceedings of symposium on data-driven approaches to drought, Purdue University, West Lafayette, Indiana. June 21-22.

19. Rao, A. R. and Srinivas, V. V. 2006. Regionalization of watersheds by hybrid-cluster analysis. Journal of Hydrology, 318(1-4): 37-56.

20. Rianna, M., Ridolfi, E., Lorino, L., Alfonso, L., Montesarchio, V., Di Baldassarre, G., Russo, F., Napolitano, F. 2012. Definition of homogeneous regions through entropy theory. Proceedings of 3rd STAHY International Workshop on Statistical Methods for Hydrology and Water Resources Management. STAHY, Tunis, Tunisia, October 1-2.

21. Rousseeuw, P.J. 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20: 53–65.

22. Shahedi M., Sanaiinejad S.H., Ghahraman B. 2013. Regional frequency analysis of annual maximum 1-day and 2-day rainfalls using Clustering and L-moments, case study: Khorasan Razavi province. Journal of Water and Soil, 27(1):80-89.

23. Shannon, C.E. 1948. A mathematical theory of communication. Journal of Bell System Technical, 27: 623-656.

24. Singh, V. P. 1997. The use of entropy in hydrology and water resources. Journal of Hydrological Processes, 11: 587-626.

25. Singh, V.P. 2013. Entropy Theory and its Application in Environmental and Water Engineering. Wiley-Blackwell, John Wiley & Sons, Ltd., UK.

26. Yang, T., Shao, Q., Hao, Z.C., Chen, X., Zhang, Z., Xu, C.Y., and Sun L. 2010. Regional frequency analysis and spatio-temporal pattern characterization of rainfall extremes in the Pearl River Basin, China. Journal of Hydrology, 380:386-405.