AU - Moradi, Saman AU - Amanoallahi, Jamil AU - Ghorbani, Farshid TI - Estimation of Potential of the Ground Water Arsenic Contamination in Sanandaj Area Using Artificial Neural Network Model PT - JOURNAL ARTICLE TA - jehe JN - jehe VO - 6 VI - 1 IP - 1 4099 - http://jehe.abzums.ac.ir/article-1-579-fa.html 4100 - http://jehe.abzums.ac.ir/article-1-579-fa.pdf SO - jehe 1 AB  - زمینه و هدف: شناسایی آبهای زیرزمینی آلوده به آرسنیک با استفاده از پارامترهای سطحی خاک و مدلسازی این رابطه در دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه میتواند در مدیریت منابع آبی منطقه مفید باشد. مواد و روشها: در این مطالعه برآورد پتانسیل آلودگی آرسنیک آب های زیرزمینی سنندج با استفاده از مدل های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد آزمون قرار گرفت. در این راستا از بین چاه ها ی مجوزدار شهرستان سنندج 35 چاه با در نظر گرفتن حوضه آبریز، پراکندگی مناسب و ساختار زمین شناختی متفاوت انتخاب 0- شدند. نمونه های آب هر چاه در ظرف های پلی اتیلنی و در دمای 4 درجه سانتیگراد و نمونه های خاک از عمق 20 سانتیمتری خاک سطحی بالادست چاهها به صورت مرکب جمع آوری و به آزمایشگاه منتقل شدند. در آزمایشگاه غلظت آرسنیک نمونه های آب با دستگاه جذب اتمی به روش کوره اندازه گیری گردید. ویژگی های فیزیکی و شیمیای خاک شامل: آرسنیک، آرسنات، آرسنیت، فسفات، نیترات، آهن کل، آهن بیشکل، منگنز کل، منگنز بیشکل، درصد رس، اندازه گیری شدند. در ادامه دقت مدل های رگرسیون چندگانه و CEC و pH ، درصد شن، درصد سیلت، ماده آلی خاک شبکه عصبی مصنوعی برای بررسی رابطه بین پارامترهای ذکر شده خاک و آرسنیک موجود درآب مورد آزمون قرار گرفت. یافته ها: نتایج نشان داد که غلضت آرسنیک آبهای زیرزمینی منطقه کمتر از حد استاندارد است که این می تواند به دلیل بالا بودن غلظت آرسنات خاک های منطقه نسبت به آرسنیت و افزایش ظرفیت تبادل کاتیونی خاک تحت تأثیر ذرات رس، ماده آلی و اکسیدهای آزاد آهن باشد. نتیجه گیری: مقایسه ی دقت مدل ها نیز نشان داد که مدل شبکه عصبی با 835MAE=0/ و 118 RMSE=0/ و 156 R=0/ در مرحله آزمون دارایی دقت بیشتر و خطای کمتری MAE=0/ و 158 RMSE=0/ و 177 R=0/ در مرحله آموزش و 816 در برآورد آلودگی آرسنیک آبهای زیرزمینی نسبت به مدل رگرسیون خطی چندگانه است. CP - IRAN IN - Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran LG - eng PB - jehe PG - 84 PT - Research YR - 2018