estimation of potential of the ground water arsenic ... · pollution in the sanandaj ground waters...

Journal of Environmental Health Engineering, November 2018; Vol. 6, No. 1: 84-98

Journal of Environmental Health Engineering

http://jehe.abzums.ac.ir

Estimation of Potential of the Ground Water Arsenic Contamination in Sanandaj Area Using Artificial Neural

Network Model

Saman Moradi1, Jamil Amanoallahi2*, Farshid Ghorbani2

1. M.Sc. Student, Environment Science, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran 2. Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources, University of

Kurdistan, Sanandaj, Iran

* E-mail: [email protected]

Received: 17 Jun. 2018 P ; Accepted: 26 Sep. 2018

ABSTRACT

Background & objective: Identification of ground waters contaminated by arsenic using surface soil parameters and modeling this relationship in two models including artificial neural network and multiple linear regression can be useful in managing the water resources of the region. Material & methods: The purpose of the present study was to estimate the potential of arsenic pollution in the Sanandaj ground waters using multiple linear regression (MLR) and artificial neural network (ANN) models. In this regards, 35 number of wells were selected among the permissible wells with considering watershed area, appropriate distribution, and different geological structure. The water samples stored in polyethylene bottles and kept at 4°C until transferred to the laboratory. For consideration of the relationship between the soils characteristics around the wells and ground water, the soil samples were collected from 0-20 cm of topsoil with composite sampling technique. The soil samples were air-dried and prepared for analysis. For long term storage of water samples nitric acid were added and the concentration of arsenic in water samples were measured by graphite furnace atomic absorption analyzer. Physical and chemical characteristics of the soil samples including: arsenic, arsenate, arsenite, phosphate, nitrate, total iron, amorphous iron, total manganese, amorphous manganese, clay, sand, silt, organic matter, pH and CEC were measured. Then all water and soil data were normalized and finally, accuracy of the MLP and ANN models was assessed to investigate the relationship between arsenic of water and soil parameters. Results: Results showed that the arsenic concentration of ground waters were lower than the standard level in the study area. This can be due to high concentration of arsenate in the study area soils compared arsenite and increasing the cationic exchange capacity of soil under the influence of clay particles, organic matter and free iron oxides. Conclusion: Compression of models accuracy result showed that ANN model with R=0.835, RMSE=0.156 and MAE =0.118 in the training phase and R =0.816, RMSE=0.177 and MAE=0.158 in the testing phase has higher accuracy and lower errors in the estimation of ground waters arsenic contamination than MLP model. Keywords: Arsenic, Groundwater, Multiple linear regression, Artificial neural network. Arsenate

98-84: 1شماره ، 6، سال 1397پاييز مجله مهندسي بهداشت محيط،

گروه محيط زيست، دانشكده منابع طبيعي، دانشگاه كردستان، سنندج، ايران نويسنده مسئول:* 0871- 6627723-25تماس: تلفن - [email protected]ايميل:

هاي زيرزميني شهرستان سنندج برآورد پتانسيل آلودگي آرسنيك آب با استفاده از مدل شبكه عصبي مصنوعي

2فرشيد قرباني، *2، جميل امان اللهي1سامان مرادي

دانش آموخته كارشناسي ارشد، محيط زيست، دانشكده منابع طبيعي، دانشگاه كردستان، سنندج، ايران 1

زيست، دانشكده منابع طبيعي، دانشگاه كردستان، سنندج، ايراناستاديار، گروه محيط 2

4/7/1397 پذيرش: ؛ تاريخ 27/3/1397 مقاله: دريافت تاريخ

چكيدهسـازي ايـن و مدل با استفاده از پارامترهاي سطحي خاك آرسنيك آلوده بهزيرزميني هايآب شناساييهدف: زمينه و

مفيد باشد. مديريت منابع آبي منطقهدر تواندچندگانه مي خطي رگرسيون و نوعيمص شبكه عصبيرابطه در دو مدل هـاي مـدل هـاي زيرزمينـي سـنندج بـا اسـتفاده از برآورد پتانسيل آلودگي آرسـنيك آب در اين مطالعه ها:مواد و روش

ي مجـوزدار هـا چـاه مورد آزمون قرار گرفت. در اين راسـتا از بـين مصنوعي شبكه عصبيچندگانه و خطي رگرسيونحوضه آبريز، پراكندگي مناسب و ساختار زمـين شـناختي متفـاوت انتخـاب چاه با در نظر گرفتن 35شهرستان سنندج

0-20هـاي خـاك از عمـق گراد و نمونـه درجه سانتي 4هاي پلي اتيلني و در دماي هاي آب هر چاه در ظرفنمونه .ندشدآوري و بـه آزمايشـگاه منتقـل شـدند. در آزمايشـگاه ه صورت مركب جمـع ها بمتري خاك سطحي باالدست چاهسانتي

هـاي فيزيكـي و شـيمياي گيري گرديـد. ويژگـي هبا دستگاه جذب اتمي به روش كوره اندازهاي آب غلظت آرسنيك نمونهدرصـد رس، شـكل، شكل، منگنز كل، منگنز بيخاك شامل: آرسنيك، آرسنات، آرسنيت، فسفات، نيترات، آهن كل، آهن بي

هـاي رگرسـيون چندگانـه و گيري شدند. در ادامه دقت مدلاندازه CEC و pHدرصد شن، درصد سيلت، ماده آلي خاك،قـرار آزمونشبكه عصبي مصنوعي براي بررسي رابطه بين پارامترهاي ذكر شده خاك و آرسنيك موجود درآب مورد

گرفت.

توانـد بـه زميني منطقه كمتر از حد استاندارد است كـه ايـن مـي هاي زيرن داد كه غلضت آرسنيك آبنتايج نشا :هايافته تأثير ذرات تحت خاك تبادل كاتيوني افزايش ظرفيت هاي منطقه نسبت به آرسنيت ودليل باال بودن غلظت آرسنات خاك

باشد. آهن آزاد اكسيدهاي و آلي ماده رس،

=118/0MAEو =156/0RMSEو =835/0Rدل شبكه عصبي با نشان داد كه م ها نيزي دقت مدلمقايسه گيري:نتيجه دارايي دقت بيشتر و خطاي كمتري در مرحله آزمون =158/0MAEو =177/0RMSEو =816/0Rدر مرحله آموزش و

چندگانه است. خطي هاي زيرزميني نسبت به مدل رگرسيونبرآورد آلودگي آرسنيك آبدر

آرسنات بي.عص شبكه چندگانه، خطي ونيرگرس ،ينيرزميز يهاآب آرسنيك،ي: ديكل كلمات

سامان مرادي و همكاران

85 1، سال ششم، شماره 1397پاييز ،مجله مهندسي بهداشت محيط

مقدمه-زمـين مباحث تريناز مهم زيرزميني يكي هايآب آلودگي

هـاي آب كـه در منـاطقي بخصـوص محيطـي، زيست شناسي

هايآب. 1 آيدبه شمار مي هستند ناچيز يا ندارند وجود سطحي

و بـوده جهـان در نفر هاميليون براي تأمين آب منبع زيرزميني فعاليـت ،هـا انسان سالمت بر ايتأثيرات عمده هاآن شدن آلوده تـرين مهم از يكي. 3دارد محيط زيست و كشاورزي، 2صنايع

انسـاني يـا طـور طبيعـي به كه زيرزميني آب هايآالينده گروه

.هستند كمياب سمي و جزئي عناصر شود،مي آن آلودگي باعثامـا ندارنـد، زمـين پوسـته تشكيل در چنداني نقش عناصر اين

، تجمـع در 4شناسـي بـوم و اقتصـاد در يزيـاد اهميـت داراي كـاهش كيفيــت آب ، 6بشـر ، كـاهش كيفيـت آب 5گياهـان

يكـي از .هسـتند ديگـر هـاي زمينـه بسـياري و 7هـا رودخانـه ي خاك كه بعنوان تهديـدي فزاينـده بـراي سـالمتي هاآلودگي

انسان و كيفيت محيط زيست مطرح است ميزان آرسنيك خاك در خاك، سبب افـزايش خطـر ريسـك است. افزايش آرسنيك

-هـاي زيرزمينـي مـي آرسنيك و ورود آن در آبشوي شست

آذرين در خـاك و وجود مواد مادري داراي تشكيالت. 8شودش هاي عمقي آب به سطح از علل اصلي افزاييابي جريانيا راه

كـل بـا آرسـنيك هايخاك. 9هستندميزان آرسنيك در خاك

. 01رونـد مـي شـمار بـه آلـوده كيلوگرم بر گرمميلي 10 از بيش سـموم رويـه امروزه عوامـل انسـان سـاز شـامل مصـرف بـي

صنعتي پسماندهاي و حيواني فضوالت ب،فاضال دار،آرسنيك

آب و خاك در آرسنيك ميزان افزايش باعث نيز ها)رنگ (مانند

است. آرسنيك به شده نتيجـه در زيرزمينـي و هـاي آب دليل وارد شدن به سـفره

محيطـي زيسـت هـاي چـالش ترينمهم از يكي زنجيره غذايي

تواند سبب تهديـد سـالمت كه مي11است كشورها از بسياري

وضـعيت بررسي براي سنتي هاياز روش استفاده. جامعه شود

در. اسـت پرهزينـه و بـر زمـان زيرزميني هاي آبسفره كيفي

براي بهتر مديريته زمين در هاي متنوعيروش اخير، هايسال

هـاي آب كيفـي هـاي بينـي شـاخص پـيش و آب كيفيت حفظ

داشـتن نيازمنـد هـا، روش ايـن ثـر اك. كار رفته استبه سطحي

كه است متفاوت هيدرولوژيكي از فرايندهاي وسيعي اطالعات

بـوده هزينـه و زمـان صـرف محتـاج همواره هابه آن دسترسي

12تاس) روشـي اسـت كـه MLRگانه (مدل رگرسيون خطي چند

ريـ متغ چنـد اي كي و وابسته ريغراي ارتباط خطي بين يك متب ونيرگرسـ يهـا مـدل . 13رديـ گيمـ قـرار استفاده مورد مستقل

در ياگسـترده طـور بـه ، 14رشانيتفس صحت ليدل به چندگانهمورد استفاده قرار هاي محيط زيستآلودگي ينيبشيپ ينهيزم مطالعات در ايگسترده بطور كه يهاييكي از مدل .15گيرندمي

اسـتفاده مورد آب منابع مختلف بيني پارامترهايپيش به مربوط

با مقايسه در روش اين باالي دقت بر پژوهشگران گرفته و قرار

شـبكه عصـبي مدل اندنموده تاكيد رگرسيوني و روابط تجربياي از شبكه عصبي مصـنوعي زيـر مجموعـه .16مصنوعي است

هوش مصنوعي است كـه سـاختار و عملكـرد آن هاي تكنيككـه بـه صـورت صـورت كلـي هماننـد مغـز انسـان اسـت. به

هـاي هـاي غيرخطـي در زمينـه پيشرونده و موفق براي سيستم بـه تـوان در اين راسـتا مـي . 17رودعلمي و مهندسي به كار مي

هــاي بينــي تغييــرات كيفيــت آبپــيش كــاربرد ايــن مــدل در، 18تــايواني متــاثر از بيمــاري قانقاريــا ازيرزمينــي در منطقــه

شناسـايي ، 19زيرزمينـي آب مشخصشناسايي منابع آلودگي نااز اسـتفاده با هاي زيرزمينيآلودگي آبدسترس غيرقابلمنابع

ر هاي زيرزمينـي د ارزيابي آلودگي آب، 20شدهغلظت مشاهده بيني فضايي آلودگي نيترات در پيش، 21فرانسه هايهپروژه جاد

يرزميني شهرستان سنندج با استفاده از مدل شبكه عصبي مصنوعيهاي زبرآورد پتانسيل آلودگي آرسنيك آب

86 ،1سال ششم، شماره ، 1397پاييز مجله مهندسي بهداشت محيط

تحليل فضايي الگوي پـراكنش آلـودگي ، 22هاي زيرزمينيآبدر مناطق كشاورزي فشـرده هاي زيرزمينينيترات نيتروژن آب

هاي زيرزميني آب بيني نيترات آلودگيپيش ،23شاندونگ چيناشـاره كـرد. در 24نـوار غـزه در مناطق روستايي و كشـاورزي

سازي مدلتوان ميدر رابطه با كاربرد اين مدل داخل كشور نيز روم و كـادميوم از آب توسـط سازي حذف آرسنيك، كو شبيه 26زيرزميني آب شوري سازيشبيهو ، 25فيلتراسيون نانو فرايند

استان در آرسنيك به هاي آلودهخاك وجود ايران در را نام برد.

شـوي آن كـه شسـت 27اسـت گزارش شده زنجان و كردستانهاي زيرزميني ايـن منـاطق بـه تواند سبب آلوده شدن آب-مي

وجود، پتانسيل آلودگي آرسـنيك در به با توجه آرسنيك شود.بـراي رسـد اسـتان كردسـتان بـه نظـر مـي هاي زير زمينيآب

خصوصـيات خـاك ي بررسي رابطه ،اين منابعمديريت پايدار ضـروري زمينـي زيرهاي آب آرسنيك آلودگي ميزان با سطحي

ي هـاي مختلـف و مقايسـه در اين راستا استفاده از مدل باشد.توانـد سـبب ها در بـرآورد ميـزان آلـودگي مـي دقت نتايج آن

لـذا د.گرد و به تبع آن افزايش دقت برآورد انتخاب مدل بهينهي عصبي هاي شبكهي دقت مدلهدف اصلي اين مقاله مقايسه

گانـه در بـرآورد پتانسـيل مصنوعي و رگرسيون خطـي چنـد هاي زيرزميني شهرستان سنندج است. آلودگي آرسنيك در آب

هامواد و روش

منطقه مورد مطالعه 6/3688مساحت با كردستان مركز استان ستان سنندج،شهر

جغرافيايي مختصات با دريا سطح از متر 1400ارتفاع و هكتار

دقيقـه 18درجـه و 47 و شـمالي عرض دقيقه 17و درجه 35

كردسـتان استان جنوبي بخش در و غرب ايران در شرقي طول

.)بالف و -1( دارد شكل قرار

زيرزميني و خاك برداري آبنمونه

ي آلـودگي نيتـرات در بررسـي رابطـه 22هانگ و همكاراني هاي زير زميني با پارامترهـاي خـاك سـطحي در منطقـه آب

از آب و خاك بايد شاندونگ چين بيان كردند كه نمونه گيري هاي داراي ساختار مختلف زمين شناسي و با پراكنش در خاك

مناسب در سطح منطقه باشد.

(الف) كشور ايران، (ب) استان كردستان، (ج) نقاط نمونه برداري :1 شكل

مطالعاتي در حوزه

هـا بسـتگي بـه تنـوع همچنين بيان داشتند كه تعداد نمونهه خواهد داشت. لذا در اين مطالعـه ساختار زمين شناسي منطق

هاي كم عمق و نيمه عميق در منطقه مورد مطالعه نيز نقشه چاهحلقـه چـاه 35هـا اي تهيـه و از بـين آن از سازمان آب منطقه

هـا بـا در نظـر گـرفتن پراكنـدگي انتخاب چـاه انتخاب شدند. ها (جاده ها از يكديگر) و دسترسي به چاهمناسب (فواصل چاه

-ساختارهاي مختلف زمـين ج) و -1(شكل ت يا خاكي) اسفال

.22) صورت گرفت2 (شكلشناسي 35هاي آب گرفته شده از هر حلقـه چـاه (مجمـوع نمونه

2اسـيد نيتريـك هاي پلي اتليني كه از قبل بـا نمونه) در ظرف 4در دمـاي نـد شو داده شـده بود ودرصد و آب مقطر شست

قل و بـا اسـتفاده از دسـتگاه گراد به آزمايشگاه منتدرجه سانتي



محصـول كشـور PHOENI986 مـدل Biotech( جذب اتمـي .گرديدگيري ميزان آرسنيك آب اندازه انگلستان)ــه ــك چــاه نمون ــاال دســت و نزدي ــاي خــاك از ب ــاي ه ه

حلقه چاه ) برداشت شدند. 35برداري شده (نمونه

ناختيش زمين ساختار اساس بر شده انتخاب هايچاه نقشه :2 شكل

20تـا 0برداري به صورت مركب و از عمـق روش نمونههـاي سپس نمونـه .22متري خاك سطحي صورت گرفتسانتي

يهـاي هاي كاغذي ريخته شد و با زدن برچسبخاك در پاكتهـا و اسـم شماره ايستگاه چاه ،(x,y)كه مشخصات جغرافيايي

خـاك هـاي نمونـه .ندبه آزمايشگاه منتقل شد شده روستا درجو ميزان ندنيز پس از انتقال به آزمايشگاه مورد آناليز قرار گرفت

، فسفر قابل جـذب، نيتـرات خـاك، قطر ذرات خاك، ماده آلي، آرسنيك و آرسنيت، اكسيدهاي )CEC(ظرفيت تبادل كاتيوني

شكل آزاد آهن و منگنز كل، و اكسيدهاي آزاد آهن و منگنز بيروش سـنجش 1شـماره جـدول . ندگيـري شـد در آنها اندازه

پارامترهاي مورد ذكر را نشان مي دهد.

ب و خاكآهاي روش سنجش و شماره استاندارد پارامترهاي اندازه گيري شده در نمونه :1جدول استاندارد شماره روش سنجش فيزيكي و شيميايي خصوصيات

3500 28اسپكتوفتومتري جذب اتمي آرسنيك آب 3500 29ري جذب اتمياسپكتوفتومت آرسنيك خاك

3500 كسر آرسنيت ازآرسنيك آرسنات 3500 28اسپكتوفتومتري جذب اتمي آرسنيت 4110 ، دستگاه اسپكتوفتومتر30اولسن فسفات 4110 31اسپكتوفتومتر نيترات 2350 32والكي بلك ماده آلي ،33سيترات دي تيونات منگنز كل

اسپكتوفتومتري جذب اتمي 2350

،34اسيد آمونيوم اگزاالت نز بي شكلمنگ اسپكتوفتومتري جذب اتمي

2350

،33سيترات دي تيونات آهن كل اسپكتوفتومتري جذب اتمي

2350

،34اسيد آمونيوم اگزاالت آهن بي شكل اسپكتوفتومتري جذب اتمي

2350

2510 35استات سديم، فلم فتومتر ظرفيت تبادل كاتيوني 10750 36يروش هيدرومتر سيلت



استاندارد شماره روش سنجش فيزيكي و شيميايي خصوصيات 10750 36روش هيدرومتري ماسه 10750 36روش هيدرومتري رس هاي آب و خاكتنظيمات دستگاه جذب اتمي براي سنجش آرسنيك، منگنز و آهن در نمونه :2جدول

شرايط دستگاه جذب اتمي فلزات سنگينBand width = 0.4nm آرسنيك آب،

Filter Factor = 1 آرسنيك خاك،

Analytical line = 193.7nm ت وآرسنا

Detection limit = 0.16mg/l آرسنيت

Band width = 0.4nm منگنز كل و

Filter Factor = 1 منگنز بي شكل Analytical line = 279.5nm

Detection limit = 0.002mg/l

Band width = 0.2nm آهن كل و

Filter factor = 1 آهن بي شكلAnalytical line 248.3nm Detection limit = 0.0046

تنظيمات دستگاه جذب اتمي براي سنجش آرسنيك شامل آرسنيك آب و خاك، آهن و منگننز در هر دو حالت كل و بي

نشان داده شده است 2شكل در جدول شماره ، ppb10، در آب ppb50ميزان استاندارد آرسنيك در خاك

و اسـت mg/kg 3000-20 ، منگنز كلmg/kg 3000آهن كل بهترين غلضت نيترات خاك كـه در آن گياهـان بالتـرين حـد

در ايــن تحقيــق اســت. ppm 30-2رشــد را خواهنــد داشــت هاي آب گيري شده در نمونهي بين ميزان آرسنيك اندازهرابطه

هـاي ي نمونـه گيري شدهمتغيرهاي اندازهبعنوان متغير پاسخ و قل در دو مدل رگرسـيون خطـي عنوان متغيرهاي مسته خاك ب

چندگانه و شبكه عصبي مصنوعي مورد آزمون قرار گرفتند.

رگرسيون خطي چندگانه تك عاملي

تـوان بـه مـي گانـه هاي رگرسـيون چند از روش استفادهبا پرداخــت. مســتقل متفــاوتبررســي همزمــان چنــدين متغيــر

هـا و اين روش تا حد زيادي بـه صـحت داده مناسبعملكرد

هـا در مقابـل غتشاشات بستگي دارد، چرا كه ايـن روش اعدم ــين ــته ورود چن ــااليي داش ــيت ب ــات نادرســت حساس اطالع

هايي منجر به بـروز خطاهـاي بـزرگ و فـاحش در نتـايج دادهدر برابر متغيرهاي با توزيـع كارايي اين روشبهترين شود. مي

. 27استنرمال

هاسازي دادهنرمالهــا از توزيــع نرمــال بــه وســيله آزمــون ابتــدا تبعيــت داده

كولموگروف اسميرونوف بررسي شد. نظـر بـه نرمـال نبـودن ) استفاده شـد. 1ي (ها از رابطهتوزيع، جهت نرمال نمودن داده

از مصنوعي قبـل عصبي هايشبكه آموزش در نكته قابل توجه

كمـك عمـل ايـن اسـت. هاداده سازي نرمال مدل، استفاده در

-داده كردن وارد كند.مي مدل ترسريع و بهتر آموزش به شاياني

-مـي شبكه در سرعت كاهش دقت و باعث خام صورت ها به

آن بـه ورودي هـاي داده عصبي، شبكه از آموزش قبل. 37شود

حـد از بـيش كوچك شـدن مانع كار اين شوند. استاندارد بايد



اسـتفاده )1( رابطه از هاداده ينرمال ساز ي. براشودمي هاوزن . 38شد

Xn=(X-Xmin)/(Xmax-Xmin) )1(

X دهداده مشاهده ش Xmax حداكثر داده مشاهده شده

Xmin شده مشاهده داده حداقل شبكه عصبي مصنوعي

اطالعـات پـردازش يسـامانه نوعي مصنوعي عصبي شبكه. 39دارد شـناختي زيست عصبي شبكه شبيه عملكردي كه استپنهـان ورودي، سه اليـه اصـلي از مصنوعي عصبي يشبكه هر

عنصـر چنـد اليه هر است. در شده تشكيل خروجي و (مخفي) مجـاور اليـه هـاي نـرون بـه دارد، كه وجود (نرون) پردازشگر

مقـادير توزيـع وظيفـه ورودي اليـه هستند. واحـدهاي متصل

هـاي سـيگنال نيز پاسـخ خروجي و اليه بعد اليه به هاورودي

بـا برابر هانرون تعداد دو اليه، اين در. دهدمي ارائه را خروجي

پنهان هاياليه يا اليه و باشدمي هاخروجي و هاورودي تعداد

دسـت به و خروجي هاياليه به ورودي هاياليه ارتباط وظيفه

عهـده بـر را متغيرهـا بـين غيرخطـي و خطـي روابـط آوردنهـاي موجـود در يك مدل شبكه عصبي اين كه وزن. 40دارند

در شبكه عصبي به نحو مطلوبي بـرآورد شـوند حـائز اهميـت هـاي ها روشاست. به منظور برآورد مقادير مطلوب بردار وزن

هـا در ترين و پركاربردترين آنشود كه مهممتعددي استفاده ميد. گيـر شبكه عصبي پرسپترون چند اليه مورد استفاده قرار مـي

هـاي عصـبي در اين روش مقدار خطا مجددا بـه مـدل شـبكه . در ايـن پـژوهش 41نمايدها را تعديل ميمنتقل و مقادير وزن

براي طراحي شبكه عصبي پرسپترون چند اليه از جعبـه ابـزار اسـتفاده شـد b 2014 شبكه عصبي در نرم افزار متلب نسـخه

آزمـون و ). مدل استفاده شده در شبكه عصبي پـس از 3(شكلنـرون بـه عنـوان 22خطاي فراوان داراي يـك اليـه پنهـان و

الگوريتم آموزشي از نوع لونبرگ .ترين مدل بوده استمناسب مكوارد است. -

ساختار شبكه عصبي مصنوعي :3شكل

يابيدرونيـابي هـاي متـداول درون امروزه بصورت وسيعي از روش

منـابع آب زيرزمينـي بندي كمـي و كيفـي براي تهيه نقشه پهنهتـوان گفـت وظيفـه . بصورت خالصـه مـي 42شوداستفاده مي

پردازد ميبررسي آن دسته از متغيرها يابي آن است كه بهدرونمقـاديري ماننـد ،كه داراي وابستگي مكاني بين مقادير هسـتند

هـا يـك ارتبـاط فضـايي فاصله و جهت قرارگيري كه بين ايناز جملـــه )IDW(روش معكــوس فاصــله . 43دارد وجــود هـاي در اين روش مقادير پيكسـل .يابي استهاي درونروش

علـوم در نزديكـي هـر گيري مقادير ممجهول از طريق ميانگينتـر شود. مقاديري كه به مركز پيكسل نزديكپيكسل برآورد ميتري دارند، به مقادير مجهول تاثير و وزن بيش هستند در برآورد

چه فاصله از مركـز پيكسـل مجهـول اين صورت است كه هر بيشتر شود اثر بخشي پيكسل معلوم در برآورد نقطه مجهول و

. 44كنندا ميمحاسبه ميانگين كاهش پيد

هايافته محيط حفاظت آژانس و) WHOي (جهان بهداشت سازمان

آب در آرسـنيك ) حـداكثر مجـاز US EPAآمريكـا ( زيسـت

اياند. خالصـه كرده مشخص ر ليترب ميكروگرم 10 را آشاميدني كمترين، بيشترين، ميـانگين و انحـراف معيـار از جملهآماري

هاي مورد بررسي در جـدول خاك و شيميايي فيزيكي اصخو بسـتگي مه ضـرايب نيـز 4 جدول در نشان داده شده است. 3

با آرسنات، آرسنيت، فسفات، نيترات، مـاده آلـي، آب آرسنيكشـكل، ظرفيـت تبـادل شكل، آهـن كـل و بـي منگنز كل و بي



كاتيوني، رس خاك و سيلت خاك نشان داده شده اسـت. بـر

در آب آرسنيك مجاز حد نيز )1388ايران ( ملي ندارداستا پايه

مقدار آلـودگي آرسـنيك .است ليتر بر ميكروگرم 10 آشاميدنيهـا نزديـك بـه آسـتانه گيري شده در بعضي از ايسـتگاه اندازه

ها كمتر از آستانه استاندارد استاندارد آلودگي و در اكثر ايستگاه .باشدمي

مطالعه مورد هايخاك و شيميايي فيزيكي هايويژگي شده يگيراندازه مقادير :3 جدول انحراف معيار ميانگين بيشترين كمترين شيمياييفيزيكي و خصوصيات 212/0 3/5 7/9 4/2 آرسنيك آب

269/0 7/4 1/11 77/0 آرسنيك خاك 242/0 331 455 233 آرسنات 266/0 4/4 8/10 45/0 آرسنيت 178/0 8/9 94/15 7/2 فسفات 236/0 665/0 745/0 491/0 نيترات

203/0 21/2 93/4 34/0 ماده آلي 212/0 171/0 258/0 113/0 منگنز كل

194/0 04/0 098/0 0 منگنز بي شكل 233/0 69/1 24/3 97/0 آهن كل

211/0 456/0 97/0 215/0 آهن بي شكل 223/0 6/56 84/60 02/50 ظرفيت تبادل كاتيوني

213/0 29/28 56/44 84/9 سيلت 224/0 94/50 72/84 88/28 ماسه 208/0 76/20 28/37 28/5 رس

آب آرسنيك با رابطه در مستقل متغيرهاي رگرسيون مدل از حاصل ضرايب :4 جدول tآزمون انحراف استاندارد ضرايب متغيرهاي مستقل

As(III) 247/0- 190/0 298/1 - As(V)103/0 138/0 747/0

2

4PO 412/0- 265/0 556/1 - 2ON 049/0 181/0 269/0

OM 508/0 231/0 199/2 dMn 129/0 252/0 512/0 oMn 266/0 - 339/0 783/0 - dFe 247/0- 195/0 268/1 - oFe 232/0- 284/0 818/0 -

CEC375/0- 224/0 674/1 -



Silt 039/0- 264/0 146/0 - Clay364/0 412/0 394/1

Constant*581/0 266/0 180/2 Constant* باشد. مي رگرسيوني فرمول در ثابت : ضريب

غلظت آلودگي آرسنيك در خاك تحت تاثير عوامل زيادي تـوان بـه ايـن مـوارد اشـاره كـرد: كلوئيـدهاي باشد كه ميمي

موجود در خاك (مواد معدني رس، مواد آلي، كربنات كلسيم و اكســيدهاي آزاد آهــن، فســفات، كربنــات موجــود در خــاك،

ــاد ل كــاتيوني خــاك، بافــت خــاك، ســنگ بســتر ظرفيــت تب .45هاي آهكي، ماسه سنگ آهكي، بازالت، داسيت)(رس

نتايج استفاده از آناليز رگرسيون خطي چندگانه

) x هاي مستقلهاي خاك (دادهدر اين مدل كه توسط داده ) y(داده وابسـته هـاي زيرزمينـي به برآورد مقدار آرسنيك آب

و R=636/0در مرحلـــه آمـــوزش پرداختـــه شـــده اســـت، 155/0RMSE= 124/0وMAE= در مرحلـــه ) و 4(شـــكل

=338/0MAEو =369/0RMSEو R=517/0آزمــون مقــادير .)5به دست آمد (شكل

0

2

4

6

8

10

12

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

ب آکنيسر آتظغل

نقاط نمونه برداری

مقادير مشاھده شده مقادير برآوردی

هاي زيرزميني در سازي آرسنيك آبنمودار نتايج حاصل از شبيه :4شكل فاده از مدل رگرسيون خطي چندگانهمرحله آموزش با است

نتايج حاصل از شبكه عصبي مصنوعي

دسته سه نيازمند طراحي جهت مصنوعي عصبي شبكه هايمدل

آموزشي هايداده از است. آزمون و آموزشي، اعتبارسنجي داده

هـاي و خروجـي هـا ورودي بـين رابطـه كـردن پيـدا منظور به

منظـور به اعتبارسنجي هايداده گردد، ازاستفاده مي ايمشاهده

از و شـود مي استفاده شبكه صحيح بر يادگيري نظارت و كنترل

اسـتفاده شبكه پيشنهادي عملكرد ارزيابي براي آزمون هايداده

گردد.مي 15 آمـوزش، بـراي هـا، داده كل درصد 70 پژوهش اين در

يافـت. اختصـاص مدل آزمون درصد 15 و درصد اعتبارسنجيبـه )x هاي مسـتقل هاي خاك (دادهدر اين مدل كه توسط داده

) y (داده وابسـته هـاي زيرزمينـي برآورد مقـدار آرسـنيك آب و R=835/0در مرحلـــه آمـــوزش ه شـــده اســـت، پرداختـــ

156/0RMSE= 118/0 وMAE= در مرحلـه آزمـون ) 6(شكل(شــكل =158/0MAEو =177/0RMSEو R=816/0مقــادير

) به دست آمد. 7

هاي زيرزميني در سازي آرسنيك آبنمودار نتايج حاصل از شبيه: 5شكل

همرحله آزمون با استفاده از مدل رگرسيون خطي چندگان



هاي زيرزميني در مرحله آموزش با استفاده از مدل شبكه عصبي مصنوعيسازي آرسنيك آبنمودار نتايج حاصل از شبيه :6شكل

0

1

2

3

4

5

6

7

8

9

10

1 2 3 4 5

ب آکنيسآر

ت ظغل

نقاط نمونه برداری

مقادير مشاھده شده مقادير برآوردی

هاي زيرزميني در سازي آرسنيك آبنمودار نتايج حاصل از شبيه :7شكل

عيمرحله آزمون با استفاده از مدل شبكه عصبي مصنو

يابي نتايج حاصل از درونپيدا است بيشترين مقـدار غلظـت 8همانطور كه از شكل

آرسنيك در دو منطقه شمال غربي و جنوب شـرقي قـرار دارد تر و در انتهـا حوضـه آبريـز قـرار كه لكه جنوب شرقي وسيع

ي كمتـري دارنـد بـه گرفته است. ساير مناطق ديگر كه آلـودگ و سرشاخه حوضه آبريـز قـرار در ابتدا واضحيخيلي صورت

دارند و در مقابل انتها يـا خروجـي حوضـه آبريـز داراي بـار غلظت بيشتري از آلودگي آرسنيك است.

هاي زيرزمينيابي غلظت آرسنيك آبنقشه درون :8شكل

بحث هاي زيرزمينيتغييرات آلودگي آرسنيك در آب

زيسـت حفاظت محـيط سازمان توسط خاك كيفيت معيار

گـرم بـر ميلـي 20آرسـنيك كـل آمريكـا بـراي متحده ياالتااست، با توجه به حد مجاز آرسنيك در خاك، مقـدار كيلوگرم

بـرداري كمتـر از آسـتانه هاي نمونههاي ايستگاهآرسنيك خاكهـاي اوليـه در خـاك آرسنيك آزاد شده از كاني استاندارد بود.

و آرسـنات شامل دو جز اصلي آرسنيت (نماينده فاز محلـول) باشد. آرسـنيت سـميت بيشـتري (نماينده فاز غير محلول) مي

شـوئي ميـزان رسـنات دارد و در نتيجـه بـر اثـر آب نسبت به آ. با افزايش 46شودزيرزميني مشاهده ميآرسنيت در منابع آب



جمله محيطي آرسنيك ازميزان سهم آرسنيت مخاطرات زيستكند در حاليكه با شوئي و آلودگي منابع آبي افزايش پيدا ميآب

افزايش سهم آرسـنات ميـزان اثـرات سـمي آرسـنيك كـاهش ل آرسنات . تثبيت آرسنيك در خاك با ترغيب تشكي 47 يابدمي

-شوئي آرسـنيك را كـاهش مـي همراه است كه تحرك و آب

هـاي . با توجه به اينكه مقـدار غلظـت آرسـنات خـاك 48 دهدبرداري نسبت به آرسنيت بيشتر اسـت پـس هاي نمونهايستگاه

بـرداري شـده بصـورت هـاي نمونـه در خـاك تثبيت آرسنيك محيطـي آرسنات است و نگراني در مـورد مخـاطرات زيسـت

شود كه و آلودگي منابع آبي كم ميشوئي آبآرسنيك از جمله توانـد يكـي از داليـل كمتـر از حـد اسـتاندارد بـودن مي اين

بـا آرسـنيك هاي زير زميني منطقه باشد.غلضت آرسنيك آب

سطح در شده جذب فسفات هاييون ذبه بينجا نيروي بر غلبه

افـزايش امـا شود. فسفات جايگزين تواندكلوئيدهاي خاك مي

شده اين فرآيند شدن معكوس منجر به ميزان فسفات در بيشتر

نيروي بر غلبه با . آرسنات49شودمي باعث واجذب آرسنات و

سـطح كلوئيـدهاي در شـده جذب نيترات هاييون ميان جاذبه آهن جايگزين آزاد اكسيدهاي جمله از خاك در مثبت بار داراي

در نيتـرات هـاي حـد آنيـون از بيش . افزايش50گرددمي هاآن

و اسـت زيكشـاور كودهـاي از پـي اسـتفاده در معموالً خاك محلـول درون بـه كلوئيـدها سطح از آرسنات آزاد شدن باعث

در . 51گـردد خـاك مـي در آرسـنات تشـكيل از مـانع و خـاك pH آهـن سـيدهاي بـا اك آرسـنيك اتصال 5/9تا 5/8هاي باال

آلـودگي باعـث بنـابراين و تر اسـت پايين هايpHاز ترضعيفبيشينه جذب آرسـنات توسـط اكسـيدهاي . 52شودمي بيشتري

تـوان كـه مـي 53افتـد اتفاق مـي 5/7تا 4بين pHآزاد آهن در تـا 5/7هـاي منطقـه ( خـاك pHنتيحه گرفت با توجه به دامنه

بر افزايش يا كـاهش حـل شـدن تأثيري ) اكسيدهاي آهن 9/7 تبـادل ظرفيـت .انـد آرسنيك خاك در منطقه مطالعاتي نداشته

اكسـيدهاي و آلـي مـاده رس، تأثير ذرات تحت خاك كاتيوني

عوامـل ايـن حضور با كه رودمي انتظار دارد. لذا قرار آهن آزاد

جـذب آن طبـع به و يافته افزايش خاك تبادل كاتيوني ظرفيت

هـاي با توجـه بـه اينكـه خـاك .54شودمي افزوده آرسنيك نيزمنطقه مطالعاتي داراي ظرفيـت تبـادل كـاتيوني نسـبتا بـااليي

بـادل كـاتيوني خـاك باشد تثبيت آرسنيك توسط ظرفيت تميكمتر تواند يكي از داليل كند كه اين امر نيز ميافزايش پيدا مي

هـاي زيـر زمينـي از حد استاندارد بودن غلضت آرسـنيك آب تـأثير تحت خاك بافت در معموال آرسنيك . توزيعمنطقه باشد

هاي بسيار سميت آرسنيك در خاك .است متفاوت ذرات ساير تحـت هـا خـاك اين در رسنيكتحرك آ چون ريز كمتر است

اكسـيدها سطوح طور كلي . به55دراد قرار آهن اكسيدهاي تأثير

داراي پـايين هـاي pHها دررس شده شكسته ذرات حاشيه در

ويـژه بـه و هـا آنيـون جذب باعث بنابراين هستند باردار مثبت

آرسنات به شكل آرسنيك بيشترين تثبيت. 56شوندمي آرسنات

پيونـدد. بـا مـي وقـوع سيلت به و رس محتواي با هايخاك درهاي منطقه مطالعاتي داراي بافت متوسطي توجه به اينكه خاك

رود كه احتمال حـل شـدن آرسـنيك در مي است پس انتظار داشته باشد و به آب زيرزميني راه يابد. با توجه به خاك وجود

گذار بر غلظت آرسـنيك تأثيراينكه تعداد پارامترهاي مستقل و امترهاي مانند فسفات خاك مورد مطالعه نسبتا زياد است و پار

مختلفـي هـاي متفـاوت داراي رفتارهـاي غلظـت ر و نيترات داثـر است و همچنين اثـر كاهشـي ظرفيـت تبـادل كـاتيوني و

خاك و بـه تبـع آن افزايشي بافت خاك بر حل شدن آرسنيك تـوان بـه زميني منطقه، لـذا نمـي هاي آب زيرورود آن به سفرهپارامترهـا بـر آرسـنيك خـاك منطقـه تـأثير راحتي به تفسـير

پرداخت و به همـين دليـل اسـت كـه از مـدل شـبكه عصـبي شده مصنوعي براي پيدا كردن روابط پيچيده غيرخطي استفاده

است.

مقايسه و ارزيابي مدل رگرسيون خطي چندگانـه تك عاملي با مدل شبكه عصبي مصنوعي

هاي پژوهش حاضر برتر بودن مدل شـبكه عصـبي را يافته



دارد. بـه مـي نسبت به مدل رگرسيون خطـي چندگانـه بيـان طوري كه استفاده از شـبكه عصـبي مصـنوعي صـحت نتـايج

رگرسـيون خطـي چندگانـه تـك بيني را نسبت بـه مـدل پيشدر مرحله آموزش %20در مرحله آزمون و %30عاملي به ميزان

تـر بـودن افزايش داده است. اين مسئله مهر تاييـد بـر پيچيـده شبكه عصبي نسبت به رگرسيون خطي چندگانـه تـك عـاملي

هاي شبكه عصبي توانـايي بـاالي است چرا كه يكي از قابليتطبـق نظـر يرخطـي پيچيـده اسـت. سازي مسائل غدر شبيه آن

معـادالت خاصـي بـراي 1998در سال 75اسچاپ و همكارانشرط به دسـت آوردن هاي عصبي الزم نيست وطراحي شبكه

هـاي ورودي و ايجـاد رابطـه مناسـب بـين داده ي دقيقنتيجهها كه داده كندبيشتر نمود پيدا مي. اين امر زماني استخروجي

ي نتايج دقيقي هاي ديگر قادر به ارائهداراي نويز باشد كه مدلقابليـت تعمـيم بسـيار به دليـل نيستند ولي مدل شبكه عصبي

ايـن .85داراي عملكرد خيلي بهتري خواهد بود بااليي كه داردحتـي در صـورتي كـه داده آموزندها درس ميها از مثالشبكه

در كافي وجـود نداشـته باشـد ايـن مـدل روابـط بـين داده را ، هـا ناشناخته بودن روابط يا دشوار بـودن توصـيف آن صورت

هاي خطي بـه برخالف روشهاي عصبي شبكهكند. كشف ميهـاي بسـيار كمـي پيش فرض يعني، صورت مدل آزاد هستند

حساس نبودن اين شبكه به وجود تعداد محدودي خطا .. دارنددر شـبكه ايـن هـاي برتـري هاي آماري يكي ديگـر از در دادهها در هاي خطي است. تنها محدوديت اين شبكهه با مدلمقايس

غير قابل تفسير بودن نتايج حاصل از مدلسازي از نظـر ميـزان برتـري تأثير هر متغير ورودي بر خروجـي مـورد نظـر اسـت.

گانـه و توسـط چنـد خطـي شبكه عصبي نسبت به رگرسـيون ،)2001( 59محققين زيادي ثابت شده است. الكامل و همكاران

)2009( 61كاي و همكـاران و ،)2003( 60الوالكو و همكارانچدقت مدل شبكه عصبي مصنوعي و رگرسيون خطي چندگانـه را در برآورد ميزان آلودگي هوا با هم مقايسه كردند نتايج آنهـا

ي ئـه انشان داد كه مدل شبكه عصبي مصنوعي داراي قابليت ار

ه رگرسـيون برتري شبكه عصبي نسبت ب .نتايج دقيقتري استديگــري در رابطــه بــا گانــه توســط پژوهشــگران چنــدخطــي

ثابت شده است و با نتايج اين مطالعه مطالعات آب زير زميني, 32توان به نتـايج ها ميهمخواني دارد از جمله اين پژوهشنيز

بـا اسـتفاده از كـه )2007همكـاران ( و تابـاچ الاشاره كرد. 65هاي عصـبي مصـنوعي بـه ارزيـابي آلـودگي سازي شبكهشبيهنشـان سه پرداختنـد. فران هايههاي زيرزميني در پروژه جادآب

ارزيابي خطـر براي شبكه عصبي مصنوعيدادند كه نتايج مدل نسـبت بـه رگرسـيون رسيدن آلودگي به منـابع آب زيرزمينـي و همكاران پوركيت .20چندگانه خطي داراي دقت باالتر است

مطالعه به مصنوعي عصبي شبكه مدل از ) نيز با استفاده2008(مالدا هنـد پرداختنـد و زيرزميني هايآبدر آرسنيك آلودگي

نتايج حاكي از آن بود كه شبكه عصـبي پرسـپترون چنـد اليـه هـاي رگرسـيون خطـي تري نسـبت بـه مـدل بيني مناسبپيش

ــتيبان دارد ــرداري پش ــه و رگرســيون ب و حســيني. 26چندگانبندي غلظت نيترات آب زيرزميني را بـا ) پهنه2014همكاران (

استفاده از شبكه عصبي مصنوعي فـازي توسـعه داده شـده بـر نشان آنها اساس رگرسيون برداري پشتيبان انجام دادند و نتايج

داد كه شبكه عصبي مصنوعي فازي توسعه داده شده بر اساس هاي تكنيـك زمـين آمـار، رگرسيون برداري در مقايسه با مدل

اي و توابع هسته گاوسي عملكرد جه دوم، چند جملهخطي، در . 63بهتري دارد

بررسي تغييرات مكـاني آرسـنيك بـا اسـتفاده از

يابيعمليات درونربـي و جنـوب بيشترين مقدار غلظت آرسنيك در شمال غ

تـر و كه لكه جنوب شرقي وسـيع است منطقه مطالعاتي شرقيدليـل ايـت امـر كـه دارددر انتهاي حوضه آبريز قـرار گرفتـه

تجمع غلظـت آرسـنيك در انتهـاي حوضـه آبريـز و دتوانميو ساير مناطق ديگر كـه باشدهاي شهر نشيني فعاليتهمچنين

و در ابتـدا واضـحي خيلـي آلودگي كمتري دارند به صـورت



سرشاخه حوضه آبريز قرار دارند.

گيرينتيجهگـذار بـر تأثيربا توجه به اينكه تعداد پارامترهاي مستقل و

غلظت آرسنيك خاك مورد مطالعه نسبتا زياد است مدل شبكه

ايـن براي پيـدا كـردن تواند روش مناسبيمي عصبي مصنوعيهش حاضـر هاي پـژو يافتهكه . باشدغيرخطي و روابط پيچيده

برتر بودن مدل شبكه عصبي را نسبت بـه مـدل رگرسـيون نيز . هدنشان ميخطي چندگانه

References 1. Nazari M, Burston M, Bishop P, Lerner D. Urban

Ground‐Water Pollution: A Case Study from Coventry, United Kingdom. Ground Water 1993; 31: 417-24.

2. Jousma G, Bear J, Haimes YY, Walter F. Groundwater Contamination: Use of Models in Decision-Making: Proceedings of the International Conference on Groundwater Contamination: Use of Models in Decision-Making, Amsterdam, The Netherlands, Organized by the International Ground Water Modeling Center (IGWMC), Indianapolis Delft. Sp Sci & Bu Me 2012: 26-9.

3. Movahhed S, Kalantari RR, Khezri M, Azari A. Deteminig and analyzing corrosion potential of groundwater in Ghorveh through simulating corrosion indices. J Environ Health Eng 2017;4(3): 233-42 [In Persian].

4. Aiuppa A, Federico C, Allard P, et al. Trace metal modeling of groundwater–gas–rock interactions in a volcanic aquifer: Mount Vesuvius, Southern Italy. Chem Gol 2005; 216: 289-311.

5. Mortazavi S, Hatami Manesh M. Determination of heavy metals pollution load index in sediments and aquatic plant (Nasturtium microphyllum) in Bashar river, Yasuj. J Environ Health Eng 2017;5(2): 157-72 [In Persian].

6. Aghalari Z, Jafarian S. Survey of nitrite and nitrate in mineral water available in the city of Babol in 2015. J Environ. Health Eng 2017; 5(1):65-72 [In Persian].

7. Alizadeh M, Mirzaei R, Kia SH. Determining the spatial trend of water quality indices across Kan and Karaj river basins. J Environ Health Eng 2017;4(3): 243-56 [In Persian].

8. Jiang J. Removing arsenic from groundwater for the developing world-a review. Water Sci Technol 2001;44: 89-98.

9. Sisr L, Mihaljevič M, Ettler V, et al. Effect of application of phosphate and organic manure-based fertilizers on arsenic transformation in soil columns. Environ Monit Assess 2007;135: 435-473.

10. Adriano DC. Trace elements in terrestrial environments:biogeochemistry, bioavailability, and risks of metals. Spr 2001: 165.

11. Garg N, Singla P. Arsenic toxicity in crop plants: physiological effects and tolerance mechanisms. Environ Chem Lett 2011; 9: 303-321.

12. Chen JC, Chang N, Shieh W. Assessing wastewater reclamation potential by neural network model. Eng Appl Artif Intel 2003; 16: 149-157.

13. Kuzmanovski I, Aleksovska S. Optimization of artificial neural networks for prediction of the unit cell parameters in orthorhombic perovskites; Comparison with multiple linear regression. Chemomet Intell Lab 2003; 67: 167– 174.

14. Zhou Q, Jiang H, Wang J, et al. A hybridmodel for PM2.5

forecasting based on ensemble empirical mode decomposition and a general regression neural nrtwork. Sci Total Environ 2014; 496: 264-274.

15. Cobourn WG. An enhanced PM2.5 air quality forecast model based on nonlinear regression and back-trajectory concentrations. Atmos Environ 2010; 44: 3015–3023.

16. Kuo JT, Hsieh MH, Lung WS, She N. Using artificial neural network for reservoir eutrophication prediction. Ecol Model 2007; 200: 171-177.

17. Hassan J. ARIMA and regression models for prediction of daily and monthly clearness index. Renew Energy 2014; 68: 421- 427.

18. Kuo YM, Liu CW, Lin KH. Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of blackfoot disease in Taiwan. Water Res 2004; 38: 148-158.

19. Singh RM, Datta B. Artificial neural network modeling for identification of unknown pollution sources in groundwater with partially missing concentration observation data. Water Resour Manag 2007; 21: 557-572.

20. El Tabach E, Lancelot L, Shahrour I, Najjar Y. Use of



artificial neural network simulation metamodelling to assess groundwater contamination in a road project. Math Comput Model 2007; 45: 766-776.

21. Gemitzi A, Petalas C, Pisinaras V, Tsihrintzis V. Spatial prediction of nitrate pollution in groundwaters using neural networks and GIS: An application to South Rhodope aquifer (Thrace, Greece). Hydrol Proce 2009; 23: 372-383.

22. Huang J, Xu J, Liu X, et al. Spatial distribution pattern analysis of groundwater nitrate nitrogen pollution in Shandong intensive farming regions of China using neural network method. Math Comput Model 2011; 54: 995-1004.

23. Al-Mahallawi K, Mania J, Hani A, et al. Using of neural networks for the prediction of nitrate groundwater contamination in rural and agricultural areas. Environ Earth Sci 2012; 65: 917-928.

24. Akhovat A, Mousavi SM. Modeling and Simulation of Arsenic, Chromium and Cadmium Removal from Water by Nanofiltration Process by Artificial Neural Networks. 1st Environmental remediation technologies conference, Sharif university of technology, Iran 2011: [In Persian].

25. Derakhshan S, Gholami V, Darvari Z. Simulation of Ground Water Salinity by Using Artificial Neural Network (ANN) on the Mazandaran province coasts. Irrig Sci Eng 2013; 36(2): 61-70 [In Persian].

26. Karimi nezhad MT, Tali MG, Mahmoudi MH, et al. Spatial Variability of as and Cd Concentrations in Relation to Land Use, Parent Material and Soil Properties in Topsoils of Northern Ghorveh, Kurdistan Province, Iran. World Appl Sci J 2010; 11: 1105-1113.

27. Jalali Lichaei M, Nabi-Bidhendi M. Comparison between multiple linear regression and artificial neural networks for porosity and permeability estimation. Geosci 2006; 61: 140-149 [In Persian].

28. Way C. Standard methods for the examination of water and wastewater. Water Environment Federation, Secaucus, 2012 NJ, USA.

29. Giacomino A, Malandrino M, Abollino O, et al. An approach for arsenic in a contaminated soil: speciation, fractionation, extraction and effluent decontamination. Environ Pollut 2010; 158: 416-423.

30. Olsen SR. Estimation of available phosphorus in soils by extraction with sodium bicarbonate. 1954.

31. Jackson M, Soil Chemical Analysis, 1967. Pub. By Prentice-Hall of India Pvt. Ltd., New Delhi, India. pp, 41-196.

32. Walkley A, Black IA. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration

method. Soil Sci 1934; 37: 29-38.

33. Mehra O, Jackson, M. Iron oxide removal from soils and clays by a dithionite-citrate system buffered with sodium bicarbonate. Proc. 7th Nat. Conf. Clays 1960; 317-327.

34. McKeague J, Day JH. Dithionite-and oxalate-extractable Fe and Al as aids in differentiating various classes of soils. Canadian J Soil Sci 1996; 46: 13-22.

35. Bower CA, Reitemeier R, Fireman M. Exchangeable cation analysis of saline and alkali soils. Soil Sci 1952; 73: 251-262.

36. Day PR. Particle Fractionation and Particle-Size Analysis. Methods of Soil Analysis. Part 1. Physical and Mineralogical Properties, Including Statistics of Measurement and Sampling (ed C. A. Black), 1965; pp. 545-567. American Society of Agronomy, Soil Science Society of America.

37. Zhu YM, Lu X, Zhou Y. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment. China Geo 2007; 84: 111-125.

38. Dastorani MT, Azimi Fashi K, Talebi A, Ekhtesasi MR. Estimation of Suspended Sediment Using Artificial Neural Network (Case Study: Jamishan Watershed in Kermanshah). J Watershed Manag Res 2012; 3(6): 61-74 [In Persian].

39. Demuth H, Beale M. Neural Network Toolbox (Version 4) For Use with Matlab. The Mathworks, Inc Available online at: ttps://wwwmathworkscom/help/pdf_doc/nnet/ nnet_ugpdf 1998.

40. Minasny B, McBratney A. The neuro-m method for fitting neural network parametric pedotransfer functions. Soil Sci Soc Am J 2002; 66: 352-361.

41. Back B, Back BJR. Financial statement planning in the presence of tax constraints. Euro J Oper Res 1995; 85: 66-81.

42. Missaghi.F, Mohammadi.k. Estimation of groundwater levels using conventional interpolation techniques and comparison with geostatistics technique. Twenty-first meeting on Earth Sciences Geo Survey and Min Explo of Country 2002: 588-590.

43. Hassani Pak AA. Geostatistics. Tehran University Press 1998: 328 [In Persian].

44. A MS, Abyaneh.H TZ. Evaluation of geostatistical methods for estimating electrical conductivity and pH of stream waters in Hamedan-Bahar plain. J Water Soil Conser 2009;16: 169-187.

45. Khodakarami L, Soffianian AR, Mohamadi T, Mirghafari NA. Study of heavy metals concentration Copper, Zinc and Arsenic soil using GIS and RS techniques (Case study: Kaboudarahang, Razan and Khonjin- Talkhab



catchment in Hamedan province). Appl RS GIS Tech Nat Resour Sci 2011; 2(1): 79-89 [In Persian].

46. Giacomino A, Malandrino M, Abollino O, et al. An approach for arsenic in a contaminated soil: speciation, fractionation, extraction and effluent decontamination. Environ Poll 2010; 158: 416-423.

47. Wauchope R. Fixation of arsenical herbicides, phosphate, and arsenate in alluvial soils. J Environ Qual 1975; 4: 355-358.

48. Álvarez-Benedí J, Bolado S, Cancillo I, et al. Adsorption–desorption of arsenate in three Spanish soils. Vadose Zone J 2005; 4: 289-290.

49. Jain A, Loeppert RH. Effect of competing anions on the adsorption of arsenate and arsenite by ferrihydrite. Environ Qual 2000; 29: 1422-1430.

50. Smith E, Naidu R, Alston A. Chemistry of arsenic in soils: I. Sorption of arsenate and arsenite by four Australian soils. Environ Qual 1999; 28: 1719-1726.

51. Anawar HM, Akai J, Sakugawa H. Mobilization of arsenic from subsurface sediments by effect of bicarbonate ions in groundwater. Chemo 2004; 54: 753-762.

52. Kinniburgh D, Jackson M, Syers J. Adsorption of alkaline earth, transition, and heavy metal cations by hydrous oxide gels of iron and aluminum. Soil Sci Soc Am J 1976; 40: 796-799.

53. Kinniburgh D, Smedley P. A review of the source, behaviour and distribution of arsenic in natural waters. Appl Geo 2002 17:517-68.

54. Frost R, Griffin R. Effect of pH on adsorption of arsenic and selenium from landfill leachate by clay minerals. Soil Sci Soc Am J 1977;41: 53-57 .

55. Majedi S, Soori b, Shiradi A. The zoning of arrsenic presence in some calcareous soils of Qorveh plain using logestic regression. Iranian J Soil Res. 2013; 27: 227-238 [In Persian].

56. Anagu I, Ingwersen J, Utermann J, et al. Estimation of heavy metal sorption in German soils using artificial neural networks. Geod 2009; 152: 104-12.

57. Schaap MG. Using neural network to predict soil water retention and soil hydraulic conductivity. Soil Till Res 1998; 47: 37- 42.

58. Robles LA, Ortega JC, Fu JS, et al. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile. Atmos Environ 2008; 42: 8331- 340.

59. Elkamel A, Abdul-Wahab S, Bouhamra W, et al. Measurement and prediction of ozone levels around a heavily industrialized area: A neural network approach. Advan Environ Res 2001; 5: 47–59.

60. Chaloulakou A, Grivas G, Spyrellis N. Neural Network and Multiple Regression Model for PM10 Prediction in Athens: A Comparative Assessment. J Air Waste Manag Associ 2003; 53 (10): 1183-190.

61. Cai M, Yin Y, Xie M. Prediction of hourly air pollutant concentrations near urban arterials using artificial neural network approach. Transport Res D 2009. 14: 32-41.

62. Purkait B, Kadam S, Das S. Application of artificial neural network model to study arsenic contamination in groundwater of Malda District, Eastern India. J Environ Inform 2008; 12: 140-49.

63. Hosseini SM, Mahjouri N. Developing a fuzzy neural network-based support vector regression (FNN-SVR) for regionalizing nitrate concentration in groundwater. Environ Monit Assess 2014; 186: 3685-699.

estimation of potential of the ground water arsenic ... · pollution in the sanandaj ground waters...

Documents