هشدار اولیه بیابان‌زایی آبخوان دشت مشهد بر اساس پیش‌بینی پارامترهای کمی و کیفی آب زیرزمینی

نویسندگان

1 کارشناس ارشد بیابان‌زدایی، گروه احیا و مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران

2 گروه احیای مناطق خشک و کوهستانی دانشکده منابع طبیعی دانشگاه تهران

3 دانشیار، دانشکده منابع طبیعی دانشگاه تهران

4 استادیار گروه احیا و مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران

5 دانشجوی کارشناسی ارشد مدیریت و کنترل بیابان، گروه احیا و مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران

10.22125/iwe.2021.133771

چکیده

در این تحقیق جهت پیش‌بینی و تعیین آستانه هشدار بیابان‌زایی از مدل‌سازی پارامترهای کمی و کیفی منابع آب زیرزمینی استفاده شد. داده‌های 62 چاه‌ پیزومتری و 55 چاه‌های کیفی از شرکت منابع آب ایران و همچنین شرکت آب منطقه‌ای استان خراسان رضوی جمع‌آوری شد. پیش‌پردازش‌ داده‌های آماری، رفع داده‌های ناقص و گمشده، تحلیل‌های آماری از جمله آزمون من‌کندال و همبستگی پیرسون انجام شد. نقشه شاخص‌های کمی و کیفی آب زیرزمینی از نظر شدت بیابان‌زایی و آستانه هشدار هر شاخص بر اساس مدل ایرانی ارزیابی پتانسیل بیابان‌زایی (IMDPA)  کلاس بندی و نقشه شدت و هشدار بیابان‌زایی برای یک دوره 20 ساله (1375-1395) تهیه شد. برای پیش‌بینی مقادیر کمی آب زیرزمینی از داده‌های ماهانه تراز سطح آب زیرزمینی به‌صورت متوالی استفاده شد و با استفاده از نرم‌افزار MATLAB 2015 و هوش مصنوعی پیش‌بینی داده‌ها برای سال 1400 صورت گرفت. نتایج نشان داد که بیشترین هشدار شاخص‌های کمی و کیفی آب براساس شدت بیابان‌زایی مربوط به شاخص افت می‌باشد و بعد از آن بیشترین هشدار مربوط به شاخص هدایت الکتریکی است. شاخص نسب جذبی سدیم از نظر شدت بیابان‌زایی در کلاس ناچیز قرار دارد و تنها در سال 1400 بخش جنوبی آبخوان دشت مشهد در شرایط هشدار قرار خواهد گرفت. از نظر میزان کلر فعلاً آبخوان دشت مشهد در شرایط هشدار قرار نگرفته است. اما با توجه به ارزیابی روند تغییرات این شاخص در آینده ممکن است در آستانه هشدار قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Desertification early warning based on forecasting of groundwater quantitative and qualitative parameters (Case Study: Mashhad plain aquifer)

نویسندگان [English]

  • Mahdi Golafshani 1
  • Ghomareza Zehtabian 2
  • Hassan Khosravi 2
  • Arash Malekian 3
  • Khaled Ahmadali 4
  • Samanaeh Bagheri 5
1 M.Sc. Expert in Combating Desertification, Faculty of Natural Resources, University of Tehran
2 University of Tehran
4 Assistant Professor, Faculty of Natural Resources, University of Tehran
5 M.Sc. Expert in Desert Management and Control, Faculty of Natural Resources, University of Tehran
چکیده [English]

This paper tries to forecast and determine the desertification warning threshold using groundwater resources quantitative and qualitative parameters modeling. The data from 62 piezometric wells and 55 quantitative wells were selected from Iranian Water Resources Management Company and Khorasan Razavi Regional Water Authority. Handling missing data, and statistical analyzes such as the Mann-Kendall test and Pearson correlation were performed. The desertification intensity and early waring maps was provided based on the Iranian Model of Desertification Potential Assessment (IMDPA) Model. The maps of quantitative and qualitative indices of groundwater were classified according to the desertification severity and threshold of each index for a 20-years period (1996-2016). Desertification intensity and warning threshold maps of each groundwater quantitative and qualitative index were classified according to the IMDPA Model. The ground water parameters were predicted by MATLAB 2015 software and artificial intelligence fore 2022. The results showed that among the quantitative and qualitative indices the highest decertification warning area was related to drop index. The electrical conductivity index was in second-order warning. Sodium sorption index is located in low desertification class and only southern part of Mashhad aquifer will be in warning condition in 2020. In terms of chlorine content, the aquifer of Mashhad plain has not been under warning condition. But considering the trend of changes in the index in the future may be on the verge of warning.

کلیدواژه‌ها [English]

  • Interpolation
  • Neural Network
  • Geostatistics
  • IMDPA Model
  • Warning Threshold
اختصاصی، م. ر. و ع. سپهر. 1390. روش‌ها و مدل‌های ارزیابی و تهیه نقشه بیابان‌زایی. چاپ اول، انتشارات دانشگاه یزد.
امیری، م.، م. خالدیان، ا. اشرف‌زاده، و ع. شاه نظری. 1395. بررسی تغییرات زمانی و مکانی شوری آب‌های زیرزمینی استان یزد با استفاده از روش زمین آماری کریجینگ شاخص. مجله اکوهیدرولوژی، شماره 3، ص 345_333.
چوبین، ب.، ا. ملکیان و ح. قره‌چایی. 1391. بررسی روند تغییرات زمانی سطح ایستابی آب‌های زیرزمینی در یک زیست‌بوم خشک (مطالعه موردی: آبخوان دشت آسپاس). نشریه مهندسی اکوسیتم‌های بیابان، شماره 1، ص 50_39.
خواجه، م.، ا. بذرافشان، ح.  وقارفرد و ی. اسماعیل پور. 1393. بررسی کمی و کیفی منابع آب زیرزمینی در دشت پریشان. نشریه برنامه‌ریزی و آمایش فضا، شماره 4، ص 96-71.
زهتابیان، غ.، ح. خسروی، ر. مسعودی، 1393. مدل‌های ارزیابی بیابان‌زایی (معیارها و شاخص‌ها)، انتشارات دانشگاه تهران
داوری، س.، ع. راشکی، م. اکبری و ع. طالبان‌فرد. 1396. ارزیابی شدت و ریسک‌ بیابان‌زایی و ارائه برنامه‌های مدیریتی. نشریه مدیریت بیابان، شماره 9، ص 106_91.
سلیمانی ساردو، ف.، ط. مصباح‌زاده، ن. برومند، ع. آذره و ا. رفیعی ساردوئی. 1397. بررسی روند تغییرات بیابان‌زایی در دشت کرمان با استفاده از مدل IMDPA. فصلنامه علمی-پژوهشی جغرافیا (برنامه‌ریزی منطقه‌ای سال هشتم)، شماره 3، ص 40_25.
فرنیا، ا.، خ. قربانی و م. سالاری‌جزی. 1397. ارزیابی روش کریجینگ در پهنه‌بندی تراز آب زیرزمینی. نشریه پژوهش‌های حفاظت آب و خاک، جلد 25، شمار 1، ص 182_165.
کریمی، ک.، ر. مسعودی، س. نخعی‌نژاد‌فرد و ب. زهتابیان. 1393. تاثیر تغییر معیارهای اقلیمی و هیدرولوژیک بر بابانزایی دشت مهران. نشریه مدیریت بیابان، شماره 4، ص 75_66.
محمدی، ع.، ح. کریمی، م. ج. خجسته و ف. مهدوی‌فر. 1392. تاثیر تغییرات هدایت الکریکی آب زیرزمینی بر روند بیابان‌زایی با استفاده از سیستم اطلاعات جغرافیایی ( مطالعه موردی: دشت مهران). اولین همایش سراسری کشاورزی و منابع طبیعی.
معروف‌پور، س.، ا. فاخری‌فرد و ج. شیری. 1397. بررسی توزیع مکانی کیفیت آب‌های زیرزمینی با استفاده از مدل‌های نرم‌افزاری و محاسباتی نرم. نشریه اکوهیدرولوژی، شماره 1، ص 238_232.
 Adiat, K. A. N, O. F. Ajayi, A. A. Akinlalu & I. B. Tijani. 2020. Prediction of groundwater level in basement complex terrain using artificial neural network: a case of Ijebu-Jesa, southwestern Nigeria. Applied Water Science volume 10, Article number: 8.
Akbari, M., M. JafariShalamzari, H. Memarian & A. Golami. 2019. Monitoring desertification processes using ecological indicators & providing management programs in arid regions of Iran.
Alipour, A., J. Rahimi & A. Azarnivand. 2017. Groundwater quality assessment for drinking & agricultural purposes (A pre_requisite for land use planning in arid & semi_arid region of Iran). Range & Watershed Management. 70 (2): 423_434.
Bain, J., S. Wang, H. Wan & C. Liu. 2018. Hydro chemical characteristics & quality assessment of groundwater for irrigation use in central & eastern Songnen Plain, Wortheast China. Environmental monitoring & assessment, 190 (7): 238.
Jahanshahi, A., E. Rohimoghadam & A. Dehvari. 2014. Investigating groundwater quality parameters using GIS & Geostatistics (Case Study: Shahr Babak Plain Aquifer), Water & Soil Science, 24 (2): 183_197.
Pawar, S., B. Panaskard & M. Wagh. 2014. Characterization of groundwater using water quality index of Solapur industrial, (Case Study: Maharashtra, India). International journal of Research in Engineering & Technology, 2 (4): 31_36.
Pourkhabaz, H. R., H. Aghdar & F. Mohammadyari. 2017. Zoning groundwater quality for agriculture by classification WILCOX index, (Case Study: Qazvin Plain). Geographical Space, 17 (58): 111_129.
Rafei Sharifabad, J., A. Nohegar, GH. Zehtabian & H. Gholami. 2017. Study of temporal & spatial variations of groundwater quality for drinking & farming in Yazd_Ardakan Plain. Desert Management, 5 (9): 107_119.
Selvakumar, S., K. Ramkumar, N. Chandrasekar, N. S. Magesh & S. Kaliraj. 2017. Groundwater quality & its suitability for drinking & irrigational use in the southern Tirachirappalli district, Tamil Nada, India. Applied Water Science, 7 (1): 411_420.
Soleimani, F., N. Broomand & A. Azareh. 2017. Evaluating the trend & spatial & temporal changes in groundwater quality in Jiroft Plain. Journal of Range & Watershed Management, 69 (4): 921_932.