کالیبراسیون مدل SINTACS جهت ارزیابی آسیبپذیری ذاتی آبخوان با استفاده از فرآیند تحلیل سلسله مراتبی (مطالعه موردی: دشت اندیمشک)
محل انتشار: دوازدهمین کنفرانس هیدرولیک ایران
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 594
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IHC12_194
تاریخ نمایه سازی: 30 شهریور 1394
چکیده مقاله:
با توجه به نیاز روز افزون جوامع بشری به منابع آب زیرزمینی، به ویژه در مناطق خشک و نیمه خشک مانند ایران، حفاظت و جلوگیری از آلودگی این منابع امری ضروری تلقی می گردد. بدین منظور، ارزیابی آسیب پذیری آب های زیرزمینی میتواند نقشی حیاتی در حفاظت و بهره برداری از این منابع ایفا نماید. مدل SINTACS یکی از رایج ترین مدل ها جهت ارزیابی آسیب پذیری آبخوان می باشد. اما از آنجایی که مشکل اصلی این مدل اعمال نظرات کارشناسی جهت نرخ بندی پارامترهای به کار رفته در آن می باشد، هدف این تحقیق، اصلاح مدل مذکور با استفاده از فرآیند تحلیل سلسله مراتبی ( AHP) بر اساس شرایط هیدروژئولوژیکی محلی می باشد، تا بدین طریق بتوان به نتایج نسبتاً صحیح تری از ارزیابی آسیب پذیری ذاتی آبخوان دست پیدا نمود. جهت تعیین وزن بهینه پارامترهای مدل، غلظت نیترات موجود در آب زیرزمینی به عنوان آلاینده شاخص در نظر گرفته شد. در نهایت به منظور تعیین مدل بهینه آسیب پذیری ذاتی آبخوان دشت مورد مطالعه، ضریب همبستگی بین مقادیر غلظت نیترات آبخوان و شاخص آسیب پذیری ذاتی با استفاده از آنالیز رگرسیون خطی ساده محاسبه گردید. نتایج نشان داد که مدل SINTACS اصلاح شده نسبت به مدل SINTACS استاندارد از همبستگی بیشتری با مقادیر غلظت نیترات برخوردار می باشد که این امر حاکی از تطابق بیشتر مدل اصلاح شده با شرایط واقعی آلودگی آبخوان مورد مطالعه می باشد.
کلیدواژه ها:
نویسندگان
مهرناز آصفی
کارشناس ارشد عمران مهندسی محیطزیست، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز
فریدون رادمنش
استادیار گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز
حیدر زارعی
استادیار گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :