دوره 13، شماره 2 - ( 4-1404 )
جلد 13 شماره 2 صفحات 178-158 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hasanvand M, Haghizadeh A, kamarehei B, Ghasemi L. Prioritization of Groundwater (Wells) Contamination Using Borda and Bargaining Algorithms in Khorramabad Aquifer. J Environ Health Eng 2025; 13 (2) :158-178
URL: http://jehe.abzums.ac.ir/article-1-1102-fa.html
URL: http://jehe.abzums.ac.ir/article-1-1102-fa.html
حسنوند مهسا، حقی زاده علی، کمره ئی بهرام، قاسمی لیلا. اولویتبندی آلودگی آب های زیرزمینی(چاه‌ها) با استفاده از الگوریتم های بوردا و چانه زنی در آبخوان خرم آباد. مجله مهندسی بهداشت محیط. 1404; 13 (2) :158-178
استاد گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، خرمآباد، ایران ، Haghizadeh.a@lu.ac.ir
چکیده: (38 مشاهده)
مقدمه: اولویتبندی مناطق برای شناسایی پتانسیل بهره‌برداری از منابع آب با پتانسیل آلودگی یک پروسه‌ی تصمیمگیری پیچیده است که باید با مطالعه شرایط مختلف منطقه صورت گیرد. لذا به‌منظور مدیریت منابع آب، بایستی یک روش تصمیمگیری بهینه برای توسعه و استعدادیابی مناطق مستعد آلودگی در آینده انتخاب گردد. در مطالعه حاضر، اولویتبندی بر اساس پتانسیل آلودگی در منابع آب زیرزمینی آبخوان خرمآباد مدنظر قرار گرفت.
مواد و روش‌ها: در این مطالعه نقشه کاربری اراضی با استفاده از تصاویر سنجنده OLIلندست ۸ تهیه شد. همچنین در مراحل مختلف تهیه نقشه کاربری اراضی حوضه خرمآباد و بررسی صحت نقشه‌های پیش‌بینی‌شده، از نرم‌افزارهای ArcGIS 10.3 وEnvi 5.3 بهره گرفته‌شده است. پارامترهای مختلف در چاه‌های خرمآباد جمع‌آوری و محاسبه شدند و بر اساس اهمیت در ایجاد پتانسیل آلودگی وارد الگوریتم‌های بوردا و چانه‌زنی شدند. سپس ازنظر پارامترهای بررسی‌شده امتیازبندی شدند.
نتایج: با استفاده از دو الگوریتم بوردا و چانه‌زنی در تئوری بازی، مؤثرترین پارامترها در چاه‌ها و نیز بحرانی‌ترین منابع ازنظر پتانسیل آلودگی مشخص شدند. با اجرای روش امتیازدهی بوردا پارامترهای کربنات با امتیاز ۱۷۹/۵، فسفات با امتیاز ۱۳۵/۵ و نسبت جذب سدیم با امتیاز ۱۳۰/۵ مؤثرترین پارامترها بودند. با اجرای الگوریتم چانه‌زنی پارامترهای کربنات، کلر و سولفات مؤثرترین پارامترها بودند.
نتیجه‌گیری: درنهایت، اولویتبندی منابع آب با هر دو روش ارائه شد که در روش بوردا برای چاه سراب یاس، علی‌آباد و بلیلوند در اولویت نخست قرار داشته است. تئوری بازی به‌عنوان راه‌حلی چندبعدی در زمینه‌های مختلف تصمیمگیری استفاده‌شده است و در نهایت، رویکردی مدیریتی و جامع را ارائه می‌دهد.
مواد و روش‌ها: در این مطالعه نقشه کاربری اراضی با استفاده از تصاویر سنجنده OLIلندست ۸ تهیه شد. همچنین در مراحل مختلف تهیه نقشه کاربری اراضی حوضه خرمآباد و بررسی صحت نقشه‌های پیش‌بینی‌شده، از نرم‌افزارهای ArcGIS 10.3 وEnvi 5.3 بهره گرفته‌شده است. پارامترهای مختلف در چاه‌های خرمآباد جمع‌آوری و محاسبه شدند و بر اساس اهمیت در ایجاد پتانسیل آلودگی وارد الگوریتم‌های بوردا و چانه‌زنی شدند. سپس ازنظر پارامترهای بررسی‌شده امتیازبندی شدند.
نتایج: با استفاده از دو الگوریتم بوردا و چانه‌زنی در تئوری بازی، مؤثرترین پارامترها در چاه‌ها و نیز بحرانی‌ترین منابع ازنظر پتانسیل آلودگی مشخص شدند. با اجرای روش امتیازدهی بوردا پارامترهای کربنات با امتیاز ۱۷۹/۵، فسفات با امتیاز ۱۳۵/۵ و نسبت جذب سدیم با امتیاز ۱۳۰/۵ مؤثرترین پارامترها بودند. با اجرای الگوریتم چانه‌زنی پارامترهای کربنات، کلر و سولفات مؤثرترین پارامترها بودند.
نتیجه‌گیری: درنهایت، اولویتبندی منابع آب با هر دو روش ارائه شد که در روش بوردا برای چاه سراب یاس، علی‌آباد و بلیلوند در اولویت نخست قرار داشته است. تئوری بازی به‌عنوان راه‌حلی چندبعدی در زمینه‌های مختلف تصمیمگیری استفاده‌شده است و در نهایت، رویکردی مدیریتی و جامع را ارائه می‌دهد.
فهرست منابع
1. Falah F, Daneshfar M, Ghorbaninejad S. Application of the Statistical Index Model in Groundwater Potential Mapping in the Khorramabad Plain. Journal of Water and Sustainable Development. 2017; 4(1): 89-98. (In Persian)
2. Tauqeer HM, Turan V, Iqbal M. Production of safer vegetables from heavy metals contaminated soils: the current situation, concerns associated with human health and novel management strategies. In Advances in bioremediation and phytoremediation for sustainable soil management: principles, monitoring and remediation (pp. 301-312). Cham: Springer International Publishing. 2022a. [DOI:10.1007/978-3-030-89984-4_19]
3. Ostad-Ali-Askari K, Shayannejad M, Ghorbanizadeh-Kharazi H. Artificial neural network for modeling nitrate pollution of groundwater in marginal area of Zayandeh-rood River, Isfahan, Iran. KSCE Journal of Civil Engineering. 2017; 21: 134-140. [DOI:10.1007/s12205-016-0572-8]
4. Akram R, Turan V, Hammad HM, Ahmad S, Hussain S, Hasnain A, Nasim W. Fate of organic and inorganic pollutants in paddy soils. Environmental pollution of paddy soils. 2018; 197-214. [DOI:10.1007/978-3-319-93671-0_13]
5. Tauqeer HM, Turan V, Farhad M, Iqbal M. Sustainable agriculture and plant production by virtue of biochar in the era of climate change. In Managing plant production under changing environment (pp. 21-42). Singapore: Springer Nature Singapore. 2022b. [DOI:10.1007/978-981-16-5059-8_2]
6. Akhtar N, Syakir Ishak MI, Bhawani SA, Umar K. Various natural and anthropogenic factors responsible for water quality degradation: A review. Water. 2021; 13(19): 2660. [DOI:10.3390/w13192660]
7. Panaskar DB, Wagh VM, Muley AA, Mukate SV, Pawar RS, Aamalawar ML. Evaluating groundwater suitability for the domestic, irrigation, and industrial purposes in Nanded Tehsil, Maharashtra, India, using GIS and statistics. Arabian Journal of Geosciences. 2016; 9: 1-16. [DOI:10.1007/s12517-016-2641-1]
8. Sarker B, Keya KN, Mahir FI, Nahiun KM, Shahida S Khan, RA. Surface and ground water pollution: Causes and effects of urbanization and industrialization in South Asia. Scientific Review. 2021; 7(3): 32-41. [DOI:10.32861/sr.73.32.41]
9. Kumar A, Malyan SK, Kumar SS, Dutt D, Kumar V. An assessment of trace element contamination in groundwater aquifers of Saharanpur, Western Uttar Pradesh, India. Biocatalysis and Agricultural Biotechnology. 2019; 20, 101213. [DOI:10.1016/j.bcab.2019.101213]
10. Tilahun K. Merkel BJ. Assessment of groundwater vulnerability to pollution in Dire Dawa, Ethiopia using DRASTIC. Environmental Earth Sciences. 2010; 59: 1485-1496. [DOI:10.1007/s12665-009-0134-1]
11. Rogers P. A game theory approach to the problems of international river basins. Water resources research. 1969; 5(4): 749-760. [DOI:10.1029/WR005i004p00749]
12. Abdoli G. Game theory and its applications (Static and dynamic games with complete information). Tehran: Jihad daneshgahi-Tehran university. 2011. (In Persian).
13. Liu Y, Hu Y, Hu Y, Gao Y, Liu Z. Water quality characteristics and assessment of Yongding New River by improved comprehensive water quality identification index based on game theory. Journal of environmental sciences. 2021; 104: 40-52. [DOI:10.1016/j.jes.2020.10.021]
14. Yang B, Lai C, Chen X, Wu X, He Y. Surface water quality evaluation based on a game theory-based cloud model. Water. 2018; 10(4): 510. [DOI:10.3390/w10040510]
15. Arshia A, Haghizadeh A, Tahmasebipour N, Zeinivand H. Prioritization of Sezar Subbasins in terms of flooding potentian using game theory. Iranian journal of Ecohydrology. 2018; 5(4): 1219-1231. (In Persian)
16. Tshamala AK, Musala MK, Kalenga GK, Wa Mumapanda HD. Assessment of surface water quality in Kakanda: detection of pollution from mining activities. 2021. [DOI:10.4236/jep.2021.129035]
17. Santonastaso GF, Di Nardo A, Creaco E, Musmarra D, Greco R. Comparison of topological, empirical and optimization-based approaches for locating quality detection points in water distribution networks. Environmental Science and Pollution Research. 2021; 28: 33844-33853. [DOI:10.1007/s11356-020-10519-3]
18. Bayat F, Didar TF, Hosseinidoust Z. Emerging investigator series: bacteriophages as nano engineering tools for quality monitoring and pathogen detection in water and wastewater. Environmental Science: Nano. 2021; 8(2): 367-389. [DOI:10.1039/D0EN00962H]
19. Zhang Y, Huo X, Luo Y. Prediction of groundwater pollution diffusion path based on multi-source data fusion. Frontiers in Environmental Science. 2023; 10: 1116309. [DOI:10.3389/fenvs.2022.1116309]
20. Hashemi M, Peralta RC, Yost M. Balancing Results from AI-Based Geostatistics versus Fuzzy Inference by Game Theory Bargaining to Improve a Groundwater Monitoring Network. Machine Learning and Knowledge Extraction. 2024; 6(3): 1871-1893. [DOI:10.3390/make6030092]
21. Moridi A.Game Theory in Water Quality Management. 2025. doi: 10.5772/intechopen.1007862 [DOI:10.5772/intechopen.1007862]
22. Beirnvand L, Afzali A. Assessment of groundwater vulnerability to contamination in Khorramabad plain. 15th National Conference on Irrigation and Evaporation Reduction. Kerman. 2019. (In Persian)
23. Rezaei R, Maleli A, Safari M, Ghavami A. Evaluation of chemical contamination of ground water resource in the downstream areas of the buria site of Sanandaj city. Scientific journal of Kurdistan University of Medical Sciences. 2010; 15: 89-98.
24. Bolstad P, Lillesand TM. Rapid maximum likelihood classification. Photogrammetric engineering and remote sensing. 1991; 57(1): 67-74.
25. Madani K. Game theory and water resources. Journal of hydrology. 2010; 381(3-4): 225-238. [DOI:10.1016/j.jhydrol.2009.11.045]
26. Suresh M, Sudhakar S, Tiwari KN, Chowdary VM. Prioritization of watersheds using morphometric parameters and assessment of surface water potential using remote sensing. Journal of the indian society of remote sensing. 2004; 32: 249-259. [DOI:10.1007/BF03030885]
27. Pacuit E. Voting methods. 2011.
28. Balinski M, Laraki R. A theory of measuring, electing, and ranking. Proceedings of the National Academy of Sciences. 2007; 104(21): 8720-8725. [DOI:10.1073/pnas.0702634104]
29. Brams SJ, Kilgour DM. Fallback bargaining. Group Decision and Negotiation. 2001; 10: 287-316. [DOI:10.1023/A:1011252808608]
30. Baharad E, Nitzan S. The Borda rule, Condorcet consistency and Condorcet stability. Economic Theory. 2003; 22(3): 685-688. [DOI:10.1007/s00199-002-0318-3]
31. Pizzol L, Zabeo A, Critto A, Giubilato E, Marcomini A. Risk-based prioritization methodology for the classification of groundwater pollution sources. Science of the Total Environment. 2015; 506: 505-517. [DOI:10.1016/j.scitotenv.2014.11.014]
32. Alvarado A, Esteller MV, Quentin E, Expósito JL. Multi-criteria decision analysis and GIS approach for prioritization of drinking water utilities protection based on their vulnerability to contamination. Water Resources Management. 2016; 30: 1549-1566. [DOI:10.1007/s11269-016-1239-4]
33. Oikonomidis D, Dimogianni S, Kazakis N, Voudouris K. A GIS/remote sensing-based methodology for groundwater potentiality assessment in Tirnavos area, Greece. Journal of Hydrology. 2015; 525: 197-208. [DOI:10.1016/j.jhydrol.2015.03.056]
34. Lima ML, Romanelli A, Massone HE. Decision support model for assessing aquifer pollution hazard and prioritizing groundwater resources management in the wet Pampa plain, Argentina. Environmental monitoring and assessment. 2013; 185: 5125-5139. [DOI:10.1007/s10661-012-2930-4]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
