عنوان

تعیین محدوده‌صهای محتمل فرونشست در آبخوان دشت شبستر با استفاده از مدل‌صهای هوش مصنوعی

شماره

‭۱۸۵۲۰پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

تعیین محدوده‌صهای محتمل فرونشست در آبخوان دشت شبستر با استفاده از مدل‌صهای هوش مصنوعی

نام نخستين پديدآور

/سیده زینب طاهری

نام ناشر، پخش کننده و غيره

: علوم طبیعی

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۶‬

نام توليد کننده

، راشدی

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

زمین شناسی گرایش زیست محیطی

زمان اعطا مدرک

‮‭۱۳۹۶/۱۱/۱۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

فرونشست زمین یکی از مخاطرات زیست‌صمحیطی است که در دهه‌صهای اخیر، به دلیل برداشت‌صهای بی‌صرویه از آب‌صهای زیرزمینی برای تامین نیازهای صنعتی، کشاورزی و ... در حال توسعه و گسترش بوده و بسیاری از آبخوان‌صهای کشور را در بر گرفته است .دشت شبستر یکی از مهم‌صترین دشت‌صهای استان آذربایجان شرقی است که در شمال‌صغرب ایران قرار گرفته و از زیرحوضه‌صهای دریاچه ارومیه به شمار می‌صرود .منابع آب زیرزمینی این دشت تامین کننده آب صنعت، شرب و بویژه کشاورزی شهر شبستر می‌صباشد که برداشت از آن‌صها در سال‌صهای اخیر به دلیل خشکسالی‌صهای رخ داده در این محدوده، به چندین برابر رسیده است .بنابراین احتمال آسیب‌صپذیری دشت نسبت به فرونشست بسیار بالاست که این امر لزوم شناسایی مناطق آسیب‌صپذیر و مستعد این پدیده را بمنظور جلوگیری از رخداد یا کاهش اثرات آن یادآور می-شود .برای این منظور در این تحقیق، یک چهارچوب کلی برای بررسی پتانسیل فرونشست در آبخوان‌صها ارائه شده است که ارزیابی این روش اولین بار در دشت شبستر صورت گرفته است .این روش، با الگو از روش دراستیک که آسیب‌صپذیری ذاتی آبخوان نسبت به آلودگی را بیان می‌صکند، چهارچوبی تحت عنوان ‮‭ALPRIFT‬ برای ارزیابی فرونشست ارائه می‌صدهد که آسیب‌صپذیری آبخوان نسبت به فرونشست را نشان می‌صدهد .بدین منظور، هفت عامل هیدروژئولوژیکی در این چهارچوب به عنوان عوامل موثر بر فرونشست در نظر گرفته شدند که عبارتند از :محیط آبخوان‮‭(A)‬ ، کاربری اراضی‮‭(L)‬ ، مقدار پمپاژ‮‭(P)‬ ، مقدار تغذیه‮‭(R)‬ ، ضخامت آبرفت‮‭(I)‬ ، فاصله از گسل ‮‭(F)‬ و افت سطح آب زیرزمینی .‮‭(T)‬ این پارامترها با ضرایب وزنی مشخصی با یکدیگر تلفیق شده و نقشه آسیب‌صپذیری دشت نسبت به فرونشست را ارائه دادند .سپس بمنظور صحت‌صسنجی چهارچوب ارائه شده از مقادیر فرونشست رخ داده در منطقه که از تصاویر راداری حاصل شده بود استفاده گردید که نتایج، همبستگی قابل قبولی را نشان دادند .در ادامه بمنظور بهبود مدل ‮‭ALPRIFT‬ و حذف نظرات کارشناسی که در وزن‌صدهی به پارامترها اعمال شده بود، از سه روش‌ص‍ هوش مصنوعی شامل منطق فازی ساگنو‮‭(SFL)‬ ، الگوریتم ژنتیک ‮‭(GA)‬ و برنامه‌صریزی بیان ژن ‮‭(GEP)‬ استفاده شد .در این روش‌صها، ‮‭۷‬ پارامتر مدل ‮‭ALPRIFT‬ بعنوان ورودی و شاخص آسیب‌صپذیری ‮‭ALPRIFT‬ بعنوان خروجی تعریف شد .نتایج حاصل نشان داد که هر سه روش قابلیت ارتقا و بهینه‌صسازی چهارچوب پیشنهادی را دارند اما روش ‮‭GA‬ نسبت به دو روش دیگر، دارای توانایی بیشتری در بهبود چهارچوب می‌صباشد .بر اساس این مدل، قسمت‌صهای جنوبی و مرکزی دشت بیشترین آسیب‌صپذیری نسبت به فرونشست را دارا هستند که باید برنامه‌صهای مدیریتی برای حفاظت آن‌صها در مقابل این پدیده اعمال گردد

متن يادداشت

land subsidence is one of the environmental hazards that in recent decades because of over abstraction of groundwater to supply industrial needs, agricultural needs and etc has been developing and expanding and has surrounding many of country's aquifers. Shabestar plain is one of the most important plains of East Azerbaijan province where located in Northwest Iran and is one of the Urmia Lake sub-basins. The groundwater resources of this plain are main water resource for industrial, domestic and specially, for agricultural demands of Shabestar city that because of occurred droughts in recent years, over abestraction of them has arrived to several times. Therefor probability of plain subsidence vulnerability is very high that distinguish the vulnerable and susceptible areas to prevent the subsidence or decrease its effects is necessary. For this purpose in this research, a general framework is presented for assessing the potential of subsidence in aquifers which evaluates of this method has been made for the first time in Shabestar plain. This method by pattering from DRASTIC method that describes the aquifer's inherent vulnerability to pollution, giving a framework for evaluating of subsidence named ALPRIFT that shows the aquifer's vulnerability to subsidence. For this purpose seven hydrogeological factors considered in this framework including: Aquifer media (A), Land use (L), Pumping of groundwater (P), Recharge (R), Impact of alluvium thickness (I), Fault distance (F) and Groundwater level decline (T). Based on specific weighting factors these parameters were combined together and presented subsidence vulnerability map of the Shabestar plain. Then for evaluation of the presented framework, amount of accurred subsidence in area which obtained from radar images were used that results showed acceptable correlation. In the following to improve the ALPRIFT model and removing the expert's opinion, three Artificial intelligence models including Sugeno Fuzzy Logic (SFL), Genetic Algorithm (GA) and Gene Expression Programming (GEP) were used. In these methods the inputs were ALPRIFT parameters and the output was modified subsidence vulnerability index. The results showed that all of the artificial intelligence models are able to improve the suggestion framework but GA Model is superior to single models. Based on the GA model results, the southern and center parts of the plain have the most of high subsidence vulnerability where management plans are essential to protect them against subsidence

مستند نام اشخاص تاييد نشده

طاهری، سیده زینب

مستند نام اشخاص تاييد نشده

ندیری، عطااله، استاد راهنما

مستند نام اشخاص تاييد نشده

برزگری، قدرت، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی