پديد آورندگان :
نوروزي، حسين دانشگاه تبريز - دانشكدۀ علوم طبيعي - گروه علوم زمين , نديري، عطاالله دانشگاه تبريز - دانشكدۀ علوم طبيعي - گروه علوم زمين , اصغري مقدم، اصغر دانشگاه تبريز - دانشكدۀ علوم طبيعي - گروه علوم زمين
كليدواژه :
آب زيرزميني , آرسنيك , دشت ملكان , قابليت انتقال , نيترات , Random Forest
چكيده فارسي :
از آنجا كه در زمينه وضعيت پراكنش عناصر سنگين در آبهاي زيرزميني دشت ملكان اطلاعاتي وجود ندارد، اين مطالعه با هدف بررسي فلزات سنگين، به خصوص آرسنيك در آب زيرزميني و تعيين عوامل مهم بر آنومالي آرسنيك اين دشت انجام پذيرفت. به همين منظور، نمونه برداري از منابع آب زيرزميني انجام شد و آناليزهاي هيدروشيميايي در آزمايشگاه آبشناسي دانشگاه تبريز انجام شد. همچنين برخي عناصر سنگين از قبيل آهن، آلومينيوم، منگنز، آرسنيك و كروم با روش جذب اتمي ـ كوره گرافيتي در آزمايشگاه كنترل كيفي آب ـ فاضلاب تبريز اندازه گيري شدند. در مطالعه حاضر روش (Random Forest (RF كه يك روش يادگيري مبتني بر دستهاي از درخت هاي تصميم است، براي ارزيابي احتمال آلودگي آرسنيك پيشنهاد شده كه تا كنون در اين زمينه استفاده نشده است. روش RF نسبت به روشهاي ديگر مزايايي مانند دقت پيشبيني زياد، توانايي در يادگيري روابط غير خطي، توانايي زياد در تعيين متغيرهاي مهم در پيشبيني و ماهيت غير پارامتري دارد. بر اساس پيشبيني مدل RF، مقدار قابليت انتقال، نيترات، هدايت هيدروليكي و وجود شهرها به عنوان تاثير گذارترين پارامترها در وجود آنومالي آرسنيك شناخته شدند. وجود همبستگي زياد بين مقادير نيترات و آرسنيك، به منشا انسان زاد آنومالي آرسنيك، به خصوص به دليل نبود شبكه فاضلاب ارتباط پيدا ميكند. همچنين آلودگي قسمت جنوب شرقي آبخوان را مي توان به منشا زمين زاد ناشي از سولفيدهاي آرسنيك درون شكستگي هاي موجود در مارن هاي ميوسن ربط داد. بر اساس نقشه به دست آمده از مدل، 13درصد از وسعت منطقه مطالعه شده در محدوده آسيب پذيري يا احتمال آلودگي بسياركم، 53 درصد در محدوده آسيب پذيري كم، 21 درصد در محدوده آسيب پذيري متوسط، 11/5 درصد در محدوده آسيبپذيري زياد و 1/5 درصد در محدوده آسيب پذيري بسيار زياد نسبت آرسنيك قرار مي گيرد.
چكيده لاتين :
The presence of Heavy metals anomalies in groundwater resource and their effect on human health through both drinking water and agricultural activities is a serious worldwide. Because of with the distribution of these elements in groundwater of Malikan plain, the information does not exist, this study were performed to evaluate heavy metals, especially arsenic in groundwater and to determining the most important factors on the arsenic anomalies of plains. Therefore, 27 samples were collected from groundwater resources in September 2014, and hydrochemical analysis were carried out in hydrogeology laboratory of Tabriz university as well as some heavy metals such as iron, aluminum, manganese, arsenic and chromium were analyzed by Atomic absorption- Graphite furnace method in Water quality control laboratory in East Azerbaijan Province. In this study the random forest (RF) algorithms, as a learning method based on ensemble of decision trees, are used for the first time in this context for evaluating of arsenics vulnerability. The RF technique has advantages over other methods due to having, high prediction accuracy, non-parametric nature, ability to learn nonlinear relationships, and ability to determine the important variables in the prediction. To model induction, five categories of explanatory variables, including aquifer characteristics, heavy metals, driving forces, remote sensing and physical-chemical variables, containing 24 variables, accompany with the response variable (arsenic) were entered into the model. Based on RF model predictions, transmissivity, nitrate, hydraulic conductivity and residential areas, were identified as the most effective parameters for having arsenic anomalies. The presence of high correlation between the amounts of nitrates and arsenic implicates the same origin for these ions. Based on the purposed model, 13% of the plain area is very low 53% low, 21% moderate, 11.5% high and 1.5% very high vulnerable to the arsenic contamination.
