پیش‌بینی سلامت حوضه آبخیز بر پایة متغیّرهای کیفیّت آب سطحی (مطالعه موردی: حوضه آبخیز طالقان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموختة دکتری علوم و مهندسی آبخیز، دانشگاه تهران، تهران، ایران

2 استاد علوم و مهندسی آبخیز، دانشگاه تهران، تهران، ایران

3 دانشیار علوم و مهندسی آبخیز، دانشگاه تهران، تهران، ایران

4 دانشیار آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

کیفیّت آب سطحی، یکی از معیارهای مهمّ تعیین سلامت حوضه آبخیز است؛ به­گونه­ای که تغییرات آن، تعیین‌کنندة وضعیّت سلامت و در نتیجه، پایداری جوامع محیطی و انسانی است. با توجّه به اینکه در دهة اخیر، بر اثر مصرف بیش از حدّ منابع آب و آلودگی، این متغیّر حیاتی دچار تغییر شده است؛ بنابراین، اطّلاع از وضعیّت آن در سال­های آتی می­تواند نقش مهمّی در برنامه­ریزی محیطی و پایداری جغرافیای انسانی داشته باشد. حوضة آبخیز طالقان واقع در استان البرز، یکی از مناطقی است که دچار این تغییرات شده است. در پژوهش حاضر، با استفاده از اطّلاعات ایستگاه هیدرومتری گلینک و مقادیر 10 پارامتر کیفیّت آب (کلسیم، منیزیم، اسیدیته، سدیم، مجموع موادّ انحلالی، هدایت الکتریکی، کلر، سولفات، پتاسیم، سولفات و بیکربنات) در سال‌های (1395-1369)، وضعیّت سلامت این حوضه با استفاده از مدل برنامه­ریزی بیان­ژن، مورد ارزیابی قرار گرفت. داده­های سال­های (1384-1369)، (1392-1385)، (1395-1393)، به‎ترتیب، به‌عنوان دادة آموزش، آزمون و بررسی میزان خطا در نظر گرفته شد و حداقل یک سال آبی از مهر 1396 تا پایان شهریور 1397، به‌عنوان داده­های پیش­بینی با استفاده از الگوریتم به میزان میانگین همبستگی87/0 و ریشه میانگین مربعات خطا 003/3 میلی­گرم در لیتر برازش داده شد. داده­ های مورد استفاده، به دو صورت نرمال‌شده و واقعی مورد بررسی قرار گرفتند. نتایج نشان داد با استفاده از آموزش صورت‌گرفته در مدل، می­توان مقادیر متغیّرهای کیفیّت آب سطحی حوضة آبخیز طالقان را از راه بررسی الگوی داده­ها با دقّت قابل قبولی پیش­بینی کرد. در مجموع، دقّت مدل، زمانی که داده­ها نرمال­سازی شده­اند، به نسبت داده­های واقعی به­طور متوسّط به میزان 10/0 در مقادیر R2 کمتر بوده است.
 

کلیدواژه‌ها


ابراهیمی، پیام (1396) بررسی و مدل­سازی روند تغییرات شاخص­های سلامت و پایداری حوضة آبخیز (مطالعة موردی: حوضة آبخیز طالقان)، رسالة دکتری علوم و مهندسی آبخیز، گرایش آب، اساتید راهنما: علی سلاجقه و محسن محسنی ساروی، دانشگاه تهران، تهران.
امامقلی‌زاده، صمد؛ کریمی دمنه، راضیه؛ اژدری، خلیل (1395) مقایسة روش­های متداول برآورد بار رسوب معلّق رودخانة کرخه با روش برنامه­ریزی بیان­ژن، جغرافیا و توسعه، 14 (45)، صص. 140-121.
باباعلی، حمیدرضا؛ دهقانی، رضا (1396) مقایسة مدل­های هوشمند در تخمین بارش ماهانة حوضة کاکارضا، اکوهیدرولوژی، 4 (1)، صص. 11-1.
برجی حسن گاویار، مسلم؛ مقدم‌نیا، علیرضا؛ ساجدی، فرزانه (1396) بررسی کارایی دو روش داده محور در پیش‌بینی بارندگی ماهانه، پژوهش­های دانش زمین، 8 (31)، صص. 61-42.
بهمنش، جواد؛ مصطفوی، سمیه؛ زمان‌زاد قویدل، سروین (1396) استفاده از محاسبات نرم در پیش‌بینی و برآورد دبی جریان و بررسی جریان زیست‌محیطی (مطالعة موردی: رودخانة خرخره چای)، نشریة مهندسی عمران و محیط‌زیست، 47 (3)، صص. 22-9.
حقیقت‌جو، پرویز؛ محمدزاده شاهرودی، زهرا؛ محمدرضاپور، ام البنی (1396) مقایسه روش­های سیستم استنتاج عصبی-فازی و برنامه­ریزی بیان­ژن در برآورد تبخیر از تشتک (مطالعة موردی: استان خراسان جنوبی)، نشریة حفاظت منابع آب‌وخاک، 6 (4)، صص. 117-107.
دهقانی، رضا؛ قربانی، محمدعلی؛ تشنه‌لب، محمد؛ ریخته‌گر غیاثی، امیر؛ اسدی، اسماعیل (1394) مقایسه و ارزیابی مدل­های شبکه عصبی بیزین، برنامه­ریزی بیان­ژن، ماشین بردار پشتیبان و رگرسیون خطی در تخمین بده جریان؛ مطالعه موردی حوضه صوفی چای، مهندسی آبیاری و آب، 5 (20)، صص. 85-66.
زمانی، رضا؛ احمدی، فرشاد؛ رادمنش، فریدون (1393) مقایسة روش­های برنامه­ریزی بیان­ژن، سری زمانی غیر خطّی، خطّی و شبکة عصبی مصنوعی در تخمین دبی روزانه (مطالعة موردی: رودخانة کارون)، نشریه آب‌وخاک، 28 (6)، صص. 1182-1172.
ستاری، محمدتقی؛ میرعباسی نجف‌آبادی، رسول؛ عباسقلی نایب‌زاد، مهدی (1396) استفاده از داده‌کاوی در پیش‌بینی کیفیّت آب­های سطحی (مطالعة موردی: رودخانه­های دامنة شمالی سهند)، اکوهیدرولوژی، 4 (2)، صص. 419-407.
سلگی، اباذر؛ زارعی، حیدر؛ گلابی، محمدرضا (1396) بررسی عملکرد مدل برنامه‌ریزی بیان­ژن با روش­های پیش‌پردازش دادها جهت مدل­سازی جریان رودخانه، پژوهش­های حفاظت آب‌وخاک، 24 (2)، صص. 201-185.
قبادیان، رسول؛ قربانی، محمدعلی؛ خلج، معصومه (1392) بررسی عملکرد روش برنامه­ریزی بیان ژن در روندیابی سیلاب رودخانة زنگمار در مقایسه با روش موج دینامیکی، نشریة آب‌وخاک، 27 (3)، صص. 602-592.
قربانی، محمدعلی؛ دهقانی، رضا (1395) کاربرد شبکه‌ای عصبی بیزین، ماشین بردار پشتیبان و برنامه‌ریزی بیان­ژنی در تحلیل بارش رواناب ماهانه (مطالعة موردی: رودخانة کاکارضا)، علوم و مهندسی آبیاری، 39 (2)، صص. 138-125.
قربانی، محمدعلی؛ دهقانی، رضا (1396) مقایسة روش­های شبکة عصبی بیزین، شبکه عصبی مصنوعی و برنامه­ریزی بیان­ژن در تحلیل کیفیّت آب رودخانه­ها (مطالعة موردی: رودخانه بالخلوچای)، پژوهشنامة مدیریت حوضة آبخیز، 8 (15)، صص. 24-13.
قربانی، محمدعلی؛ صالحی، ابوذر (1390) استفاده از برنامه­ریزی بیان­ژن در بررسی تغییرات داده­های کیفی آب زیرزمینی با نوسانات سطح آب در دشت برخوار اصفهان، ششمین کنگرة ملّی مهندسی عمران، سمنان، دانشگاه سمنان، https://www.civilica.com/Paper-NCCE06-NCCE06_0098.html
Ahn, S. R., Kim, S. J. (2017) Assessment of Integrated Watershed Health Based on the Natural Environment, Hydrology, Water Quality, and Aquatic Ecology, Hydrol. Earth Syst. Sci., 21, 5583-5602.
Fithriasari, K., Brodjol, N., Sutikno, U., Kuswanto, H. (2013) Prediction of Hourly Rainfall Using Bayesian Neural Network with Adjusting Procedure, The Third Basic Science International Conference, M24, pp. 1-5.
Grosel, P., Zadnik Stirn, L. (2015) The Environmental Management Problem of Pohorje, Slovenia: A New Group Approach within ANP - SWOT Framework, Environ Manage, 161, pp. 106-112.
Karimi, S., Shiri, J., Kisi, O., Shiri, A. A. (2015) Short-Term and Long-Term Stream Flow Prediction by Using 'Wavelet-Gene Expression' Programming Approach, ISH Journal of Hydraulic Engineering, 22 (2), pp. 1-15.
Petousis, P., Han, S. X., Aberle, D., Bui, A. A. (2016). Prediction of Lung Cancer Incidence on the Low-Dose Computed Tomography Arm of the National Lung Screening Trial: A Dynamic Bayesian Network, Artif Intell Med, 72, pp. 42-55.
Terzi, O. (2013) Daily Pan Evaporation Estimation Using Gene Expression Programming and Adaptive Neural Based Fuzzy Inference System, Neural Computing and Applications, 23 (3-4), pp. 1035-1044.
Yahya, S. M., Rahman, A. U., Abbasi, H. N. (2012) Assessment of Seasonal and Polluting Effects on the Quality of River Water by Using Regression Analysis: A Case Study of River Indus in Province of Sindh, Pakistan, International Journal of Environmental Protection, 2 (2), pp. 10-16.
Yassin, M. A., Alazba, A. A., Mattar, M. A. (2016) Artificial Neural Networks Versus Gene Expression Programming for Estimating Reference Evapotranspiration in arid Climate, Agricultural Water Management, 163, pp. 110-124.