شناسایی مناطق بحرانی کیفیت آبهای زیرزمینی استان گلستان با استفاده از روش خوشه‌بندی فازی

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی‌ارشد مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل.

2 نویسنده مسئول، دانشیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان - دانشگاه زابل.

3 دانش‌آموخته کارشناسی‌ارشد مهندسی منابع آب، دانشگاه تهران.

4 مربی گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل.

چکیده

سابقه و هدف: یکی از مهمترین بحرانهایی که اغلب کشورها در حال حاضر با آن روبرو هستند، مساله کاهش کیفیت منابع آبی می ‏باشد. کاهش ذخایر آب‌های زیرزمینی و افزایش آلودگی‌ها، پتانسیل استفاده از آب‌های زیرزمینی برای مصارف مختلف را به میزان قابل ‏توجهی کاهش داده است. یکی از علل اصلی افت کیفیت آبهای زیرزمینی عبارتند از نفوذ زه آب‌های کشاورزی ناشی از مصرف بی رویه ‏کود و سموم کشاورزی می باشد. همچنین صنایع که در بسیاری موارد آب‌های زیرزمینی را با آلاینده‌های شیمیائی و هیدروکربنی آلوده ‏نموده‌اند. علاوه براین عوامل، دفع فاضلاب‌ها در شهرها و روستاها از طریق چاه‌های جاذب که از انواع ویروس‌ها و باکتری‌ها تشکیل ‏شده‌اند نیز از اعوامل ایجاد آلودگی هستند برنامه پایش کیفیت منابع آب زیرزمینی می‌تواند کیفیت مناسب منابع آب برای کاربری‌های ‏مختلف را تضمین کند. بدون پایش اطلاع مستمر از کیفیت منبع آب، روند تغییرات آن، برنامه ریزی برای تخصیص بهینه برای کاربری‌های ‏گوناگون، ارزیابی اثر توسعه‌های جدید و طراحی و اجرای برنامه‌های مدیریتی امکان پذیر نمی‌باشد لذا در این تحقیق همگن بندی کیفی ‏آبهای زیرزمینی به منطور شناسایی مناطق بحرانی در استان گلستان واقع در شمال کشور ایران با استفاده ترکیب خوشه‌بندی فازی با ‏الگوریتم ژنتیک، بر روی 14 پارامترکیفی‎ ‎در سالهای 1385، 1390 و 1395 بصورت گام زمانی 5 ساله صورت گرفت.‏
مواد و روشها: در این تحقیق جهت تعیین مناطق همگن برای هر سال ابتدا تعداد بهینه خوشه‌ها با استفاده از الگوریتم ژنتیک که در ‏نرم افزار متلب برنامه نویسی شده است، بدست آمد. بعد از خوشه‌بندی داده‌های کیفی، مقادیر مراکز خوشه ها از نظر کیفی با دیاگرام شولر ‏و ویلکاکس بررسی و مقایسه گردید و برای نمایش بهتر مناطق همگن ازنظر کیفیت آبهای زیرزمینی، نقشه های کلاس بندی در نرم افزار ‏GIS‏ برای منطقه تهیه و برای مطالعه ارائه شده است.‏
یافته ها: نتایج نشان داد که تعداد بهینه خوشه ها در سالهای 1385، 1390 و 1395 به ترتیب 6، 5 و 6 بوده است. بررسی نقشه های ‏کلاس بندی کیفیت آب زیرزمینی نشان داد که در سال 1385، خوشه شماره 6 که 7/2 % از چاههای مورد مطالعه را شامل می شود در ‏وضعیت نامناسبی از نظر کیفیت آب زیرزمینی از نظر شرب و کشاورزی قرار دارند که این چاهها در محدوده شهرکلاله قرار دارند. ‏همچنین در سال 1390 بر اساس نتایج می توان دریافت که 8/36 درصد چاههای استان در وضعیت خوبی از نظر کیفیت پارامترهای شرب ‏و کشاورزی قرار دارند که این چاهها تقریبا در بیشتر نقاط استان وجود دارند. و 33/33 % از چاهها در وضیت متوسط از نظر کیفیت شرب ‏قرار دارند. همچنین نتایج خوشه‌بندی فازی ‏‎(FCM)‎‏ در سال 1395 نشان داد که اکثر پارامترها در خوشه 3 دارای کیفیت متوسط هستند که ‏تقریبا 55/5 درصد از چاههای استان را شامل می شوند.‏
نتیجه گیری: بررسی نتایج نشان داد که وضعیت کیفیت آبهای زیرزمینی استان در سال 1385 نا مناسب بوده و در سال 1390 از وضعیت ‏مناسب تری برخوردار بوده است. ولی سال 1395 نسبت به سال 90 شاهد کاهش افت کیفیت بوده ایم لذا باید برنامه های مدیریتی مناسب ‏اتخاذ گردد. همچنین مشاهده شد که روش خوشه بندی فازی به دلیل درنظر گرفتن شرایط عدم قطعیت در تایین کلاس های سیستم طبقه ‏بندی روش مناسبی برای بررسی کیفیت و شناسایی مناطق بحرانی منابع آب زیرزمینی می باشد. ‏

کلیدواژه‌ها


عنوان مقاله [English]

Identification of critical areas of groundwater quality in Golestan province using fuzzy clustering method

نویسندگان [English]

  • Fariba Pourahmadi 1
  • Omolbani Mohammadrezapour 2
  • Salman Sharifazari 3
  • Parisa Kahkhamoghadam 4
1 M.Sc. Student of Water Resource Engineering, Faculty of Water and Soil, University of Zabol, Iran.
2 Corresponding Author, Associate Prof., Gorgan University of Agricultural Sciences and Natural Resources - University of Zabol, Iran.
3 M.Sc. Graduate of Water Resource Engineering, University of Tehran, Iran.
4 Instructor, Dept. of Water Engineering, Faculty of Water and Soil, University of Zabol, Iran.
چکیده [English]

Background and Objectives: One of the most important crises that most countries are currently ‎facing is the issue of reducing the quality of water resources. Reducing groundwater resources and ‎increasing pollution, reduced the potential for using groundwater for various uses. One of the main ‎reasons for the decline in groundwater quality is the impact of agricultural drainage due to the ‎excessive use of fertilizers and pesticides. Also, industries that in many cases have contaminated ‎groundwater with chemical and hydrocarbon contaminants.‎‏ ‏In addition to these factors, the disposal ‎of sewage in cities and villages through absorbent wells made up of viruses and bacteria also ‎contributes to contaminants‏.‏‎ Groundwater quality monitoring program can ensure the proper quality ‎of water resources for different uses‏.‏‎ Without monitoring, continuous reporting on the quality of ‎the water supply, its evolution, planning for optimal allocation for different uses, assessing the ‎impact of new developments, and designing and implementing management plans is not feasible.‎‏ ‏Identification of homogeneous regions in terms of groundwater quality in Golestan province of ‎northern Iran using Fuzzy Clustering Method combination with genetic algorithm (GA-FCM) was ‎performed on 14 parameters in a 5- year- time step in 2006, 2011 and 2016.‎
Material and Methods: To determine the homogeneous regions for each year, the optimal number ‎of clusters was initially obtained. After data clustering in Matlab software, the results of clustering ‎were evaluated qualitatively with Schuler and Wilcox diagrams. For better representation of ‎homogeneous regions, classification maps for the study area were presented.‎
Result and discussion: The results showed that the optimum numbers of clusters in 2006, 2011, ‎and 2016 were 6, 5, and 6, respectively. Analysis of groundwater quality classification maps ‎showed that in 2006, cluster no. 6, including 2.7% of the studied wells located within the city of ‎Kalaleh, is poor in terms of drinking and farming groundwater quality. Also, based on the results, it ‎can be seen that 36.8% of the wells across the province were in good condition in terms of quality ‎of drinking and agricultural parameters in 2011. Likewise, 33.33% of the wells are in a moderate ‎condition in terms of drinking quality, and the status of their groundwater has improved in terms of ‎quality since 2006. Also, the results of NSGA- FCM in 2016 showed that most of the parameters ‎‎(5.55% of the wells in the province) in the cluster 3 have a moderate quality.‎
Conclusion: The findings of this study showed that the groundwater quality in the province in ‎‎2016 is lower than in 2011, so appropriate management plans should be adopted. Moreover, it was ‎observed that the fuzzy clustering method is a suitable method for assessing and identification of ‎critical region of the quality of groundwater resources, since it considers the uncertainty conditions ‎in the classes of the classification system.‎

کلیدواژه‌ها [English]

  • Clustering
  • Genetic Algorithm
  • Water Quality
  • Piper
  • Wilcox‎
1.Ahani, A., and Mousavi Nadoushani, S. 2016. Assessment of some combinations of hard and fuzzy clustering techniques for regional station of catchments in Sefidroud basin. Journal of Hydroinformatics. 18: 1033-1054.
2.Bezdek, J.C., Chuah, S.K., and Leep, D. 1986. Generalized K-nearest neighbor rules. Fuzzy Sets and System. 18: 237-256.
3.Bezdek, J.C., Ehrlich, R., and Full, W. 1984. FCM: the fuzzy c-means Clustering algorithm. Computers and Geosciences. 10: 2. 191-203.
4.Bricker, O.P., and Jones, B.F. 1995. Main factors affecting the composition of natural waters, in CRC Press, Boca Raton, pp. 1-5.
5.Dahiya, S., Singh, B., Gaur, S., Garg, V.K., and Kushwaha, H.S. 2007. Analysis of groundwater quality using fuzzy synthetic evaluation. J. of Hazardous Materials, 147: 938-946.
6.Goyal, M.K., and Gupta, V. 2014. Identification of Homogeneous Rainfall Regimes in Northeast Region of India using Fuzzy Cluster Analysis. Water Resources Management, 28: 13. 4491-4511.
7.Guler, C., Thyne, G.D., McCray, J.E., and Turner, A.K. 2002. Evaluation of graphical and multivariate statistical methods for classification of water chemistry data, Hydrogeology Journal, 10: 455-474.
8.Guler, C., and Thyne, G.D. 2004. Delineation of hydrochemical facies distribution in a regional groundwater system by means of fuzzy c-means clustering. Water Resources Research.40: 2345-2360.
10.Kalantari, N., Rahimo, M., and Akbari, A. 2009. Hydrochemical study of Mianaab plain using Statistical method, hydrochemical diagrams and fuzzy logic, Iranian Journal of Geology.3: 9. 15-25. (In Persian)
11.Kathy, P., World Health Organization. Water, Sanitation and Health Team. 2005‎. Water recreation and disease : plausibility of associated infections: acute effects, sequelae and mortality, 239p.
12.Ocampo-Duque, W., Ferre-Huguet, N., Domingo, J.L., and Schuhmacher, M. 2006. Assessing water quality in rivers with fuzzy inference systems: A case study. J. of Environment International, 32: 6. 733-742.
13.Ott, W.R. 1978. Water quality indices: A survey of indices used in the United States, Office of Monitoring and Technical Support, Office of Research and Development, U.S. Environmental Protection Agency; Available to the public through National Technical Information Services. EPA-600/4-78-005.
14.Sivasankar, V., Kameswari, M., Msagati, T.A.M., Venkarapathy, M., and Senthil Kumar, M. 2013. Fuzzy set approach-A tool to cluster Holy samples of groundwater quality parameters at Rameswaram South India, Journal of Water Resources and Ocean Science.2: 3. 33-39.
15.Zadeh, L.A. 1965. Fuzzy Sets. Information control, 8: 338-353.
16.Zou, H., Zou, Z., and Wang, X. 2015. An Enhanced K-Means Algorithm for Water Quality Analysis of the Haihe River in China, International Journal of Environmental Research and Public Health, 12: 11. 14400-14413.