تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,113,191 |
تعداد دریافت فایل اصل مقاله | 97,217,035 |
بررسی آلودگی آب زیرزمینی دشت ملکان به آرسنیک | ||
اکوهیدرولوژی | ||
مقاله 2، دوره 3، شماره 2، تیر 1395، صفحه 151-166 اصل مقاله (1.59 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2016.59646 | ||
نویسندگان | ||
حسین نوروزی* 1؛ عطاالله ندیری2؛ اصغر اصغری مقدم3 | ||
1کارشناس ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، گروه علوم زمین، دانشگاه تبریز | ||
2استادیار هیدروژئولوژی، دانشکدۀ علوم طبیعی، گروه علوم زمین، دانشگاه تبریز | ||
3استاد هیدروژئولوژی، دانشکدۀ علوم طبیعی، گروه علوم زمین، دانشگاه تبریز | ||
چکیده | ||
از آنجا که در زمینۀ وضعیت پراکنش عناصر سنگین در آبهای زیرزمینی دشت ملکان اطلاعاتی وجود ندارد، این مطالعه با هدف بررسی فلزات سنگین، بهخصوص آرسنیک در آب زیرزمینی و تعیین عوامل مهم بر آنومالی آرسنیک این دشت انجام پذیرفت. به همینمنظور، نمونهبرداری از منابع آب زیرزمینی انجام شد و آنالیزهای هیدروشیمیایی در آزمایشگاه آبشناسی دانشگاه تبریز انجام شد. همچنین برخی عناصر سنگین از قبیل آهن، آلومینیوم، منگنز، آرسنیک و کروم با روش جذب اتمیـ کوره گرافیتی در آزمایشگاه کنترل کیفی آبـ فاضلاب تبریز اندازهگیری شدند. در مطالعۀ حاضر روش Random Forest (RF) که یک روش یادگیری مبتنی بر دستهای از درختهای تصمیم است، برای ارزیابی احتمال آلودگی آرسنیک پیشنهاد شده که تا کنون در این زمینه استفاده نشده است. روش RF نسبت به روشهای دیگر مزایایی مانند دقت پیشبینی زیاد، توانایی در یادگیری روابط غیرخطی، توانایی زیاد در تعیین متغیرهای مهم در پیشبینی و ماهیت غیرپارامتری دارد. براساس پیشبینی مدل RF، مقدار قابلیت انتقال، نیترات، هدایت هیدرولیکی و وجود شهرها بهعنوان تأثیرگذارترین پارامترها در وجود آنومالی آرسنیک شناخته شدند. وجود همبستگی زیاد بین مقادیر نیترات و آرسنیک، به منشأ انسانزاد آنومالی آرسنیک، بهخصوص بهدلیل نبود شبکۀ فاضلاب ارتباط پیدا میکند. همچنین آلودگی قسمت جنوب شرقی آبخوان را میتوان به منشأ زمینزاد ناشی از سولفیدهای آرسنیک درون شکستگیهای موجود در مارنهای میوسن ربط داد. بر اساس نقشۀ بهدستآمده از مدل، 13درصد از وسعت منطقۀ مطالعهشده در محدودۀ آسیبپذیری یا احتمال آلودگی بسیارکم، 53 درصد در محدودۀ آسیبپذیری کم، 21 درصد در محدودۀ آسیبپذیری متوسط، 5/11 درصد در محدودۀ آسیبپذیری زیاد و 5/1 درصد در محدودۀ آسیبپذیری بسیارزیاد نسبت آرسنیک قرار میگیرد. | ||
کلیدواژهها | ||
آب زیرزمینی؛ آرسنیک؛ دشت ملکان؛ قابلیت انتقال؛ نیترات؛ Random forest | ||
مراجع | ||
1- Asghari Moghaddam, A; Barzegar, R, 2013, considering Factors affecting high concentrations of arsenic in ground water Resources Tabriz plain aquifers, Journal of Earth Sciences, 92: pp. 154-147, [Persian].
2- Nadiri, A; Asghari Moghaddam, A; Sadeghi, F; Agaie, H, 2011, investigation of the arsenic anomaly in water resources of Sahand Dam, Journal of Environmental Studies, 3: PP. 61-74, [Persian].
3- Bellman, R, 2003, Dynamic programming. Mineola, NY: Dover Publications 366 pp.
4- Ahmed, K.M; Bhattacharya, P; Hasan, M.A., Akhter, S.H; Alam, S.M.M; Bhuyian, M.A.H; Imam, M.B; Khan, A.A; Sracek, O, 2004, Arsenic enrichment in groundwater of the alluvial aquifers in Bangladesh: An overview, Applied Geochemistry, 19: pp.181–200.
5- Booker, D.J; Snelder, T. H, 2012, comparing methods for estimating flow duration curves at ungauged sites. Journal of Hydrology, 434: pp. 78–94.
6- Boisson, J; Ruttens, A; Mench, M, Vangronsveld, J, 1999, Evaluation of hydroxyapatite as a metal immobilizing Soil additive for the remediation of polluted soils, Part 1. Influence of hydroxyapatite on metal exchange ability in soil, plant growth and plant metal accumulation. Environmental Pollution 104: 225–233.
7- Breiman, L; 1996, bagging predictors, Mach Learn, 24(2): pp. 123–40.
8- Breiman, L; 2001, Random Forests, Mach Learn, 45(1): pp. 5–32.
9- Breiman, L; Friedman, J. H; Olshen, R.A, Stone C.J, 1984, Classification and regression trees, Chapman & Hall/CRC, New York.
10- Cai, X; Yu, Y; Huang, Y; Zhang, L; Jia, P.M, Zhao, Q, 2003, Arsenic trioxide-induced mitotic arrest and apoptosis in acute promyelocytic leukemia cells Leukemia, 17: pp.1333–1337.
11- Das, P; Samantaray, S; Rout, G.R, 1997, Studies on cadmium toxicity in plants, a review. Environment Pollution, 98: pp.29-36.
12- Das, A.K; 1990, Metal ion induced toxicity and detoxification by chelation therapy, A text book on medical aspects of bio-inorganic chemistry, Isted, CBS, Delhi, 21: pp. 17-58.
13- Duda, R.O; Hart, P.E; Stork, D.G, 2011, Pattern classification and introduction to the bootstrap. Vol. 57, pp. CRC press.
14- Duker, A.A; Carranza E.J; Hale, M, 2005, Arsenic geochemistry and health, Environmental Pollution, 31 (5): pp. 631-64.
15- Emberger, L; 1952, Sur le quotient pluviothermique, C.R. Sciences, 234: pp. 2508-2511.
16- Evanko, F.R; Dzombak, D.A, 1997, Remediation of metals-contaminated soils and groundwater. Technology Evaluation Report prepared for Ground Water Remediation Technologies Analysis Center, Journal of Hydrology, 213: pp. 71–87.
17- Facchinelli, A; Sacchi, E; Mallen, L, 2001, Multivariate statistical and GIS-based approach to identify heavy metal sources in soils, Environment Pollution 114: pp. 313–324.
18- Friedl, M. A; Brodley, C. E; Strahler, A. H, 1999, Maximizing land cover classification accuracies produced by decision trees at continental to global scales, IEEE Transvers Geoscience Remote Sensing 37(2); pp. 969–77.
19- Guyon, I; Elisseeff, A, 2003, an introduction to variable and feature selection, Journal of machine Learning, 3: pp. 1157–82.
20- Jack C.N; Wang J; Shraim, A.A, 2003, Global health problem caused by arsenic from natural sources, Chemosphere, 52 (9): pp. 1353-1359.
21- Ghassemzadeh, F; Arbab-Zavar, M.H; McLennon, G, 2006, Arsenic and antimony in drinking water in Khohsorkh area, northeast Iran, possible risks for the public health, Journal of Applied Sciences, 6 (13): pp. 2705-2714.
22- Jain, C.K; Ali, I, 2000, Arsenic Occurrence toxicity and speciation techniques, Water Resource, 34(17): pp. 4304-4312.
23- Ko, B; Gim, J; Nam, J, 2011, Cell image classification based on ensemble features and random forest, Electronics Letters, 47: pp. 638-648.
24- Mosaferi, M; Yunesian, M; Mesdaghinia, A.R; Nadim, A; Nasseri; and Mahvi, A.H, 2006, Arsenic occurrence in drinking water of L.R. of Iran- the case of Kurdistan province, In: Fate of Arsenic in the environment, Proceedings of the BUET-UNU international symposium, 5-6 February, Dhaka, Bangladesh, Sciences, 6 (13): pp. 2705-2714.
25- Pal, M; 2005, Random Forest classifier for remote sensing classification, International Journal of Remote Sensing 26(1): pp. 217–22.
26- Ramanathan, A.L; Balakrishna, P.M; Chidambaram, S, 2007, Groundwater Arsenic Contamination and its health effect-case studies from India and South East Asia, Indian Journal Geochemistry, 22: pp. 371-384.
27- Rodriguez, V. F; Ghimire, B; Rogan, J; Chica-Olmo, M; Rigol-Sánchez, J. P, 2012d, An assessment of the effectiveness of a Random Forest classifier for land-cover classification, ISPRS Journal of Photogram Remote Sensing, 67: pp. 94-104.
28- Smedley, P.L; Kinniburgh, D.G, 2002, A review of the source, behavior and distribution of arsenic in natural waters, Applied Geochemistry, 17(12): pp. 517- 568.
29- USEPA, 2001, Risk Assessment Guidance for Superfund, Human Health Evaluation. Manual Part A, Interim Final, vol. 1, EPA/540/1-89/002.
30- WHO (World Health Organization), 2009, Guideline for Drinking Water Quality.
31- WHO, 2004, Guidelines for drinking water quality, Third edition, World Health Organization, Geneva.bnb.
32- Zheng, Y; Stute, M; Gavrieli, A.I; Dhar, R; Simpson, H.J; Schlosser, P; Ahmed, K.M, 2004, Redox control of arsenic mobilization in Bangladesh groundwater, Applied Geochemistry 19: pp. 201–214. | ||
آمار تعداد مشاهده مقاله: 1,584 تعداد دریافت فایل اصل مقاله: 1,201 |