اخبار و اعلانات

 آمار

تعداد نشریات282
تعداد نشریات سازمان80
تعداد شماره‌ها3,220
تعداد مقالات35,690
تعداد مشاهده مقاله53,598,054
تعداد دریافت فایل اصل مقاله92,873,715
غلامی, حمید, گلزاری, شهرام, محمدی فر, علی اکبر, زحمتکش, حوریه, زارع, مریم. (1404). بهینه‌سازی شبکۀ پایش کمی و کیفی آب زیرزمینی با استفاده از روش‌های آماری و MCDM. سامانه مدیریت نشریات علمی, 38(2), 38-61. doi: 10.22092/wmrj.2024.367105.1595
حمید غلامی; شهرام گلزاری; علی اکبر محمدی فر; حوریه زحمتکش; مریم زارع. "بهینه‌سازی شبکۀ پایش کمی و کیفی آب زیرزمینی با استفاده از روش‌های آماری و MCDM". سامانه مدیریت نشریات علمی, 38, 2, 1404, 38-61. doi: 10.22092/wmrj.2024.367105.1595
غلامی, حمید, گلزاری, شهرام, محمدی فر, علی اکبر, زحمتکش, حوریه, زارع, مریم. (1404). 'بهینه‌سازی شبکۀ پایش کمی و کیفی آب زیرزمینی با استفاده از روش‌های آماری و MCDM', سامانه مدیریت نشریات علمی, 38(2), pp. 38-61. doi: 10.22092/wmrj.2024.367105.1595
غلامی, حمید, گلزاری, شهرام, محمدی فر, علی اکبر, زحمتکش, حوریه, زارع, مریم. بهینه‌سازی شبکۀ پایش کمی و کیفی آب زیرزمینی با استفاده از روش‌های آماری و MCDM. سامانه مدیریت نشریات علمی, 1404; 38(2): 38-61. doi: 10.22092/wmrj.2024.367105.1595

بهینه‌سازی شبکۀ پایش کمی و کیفی آب زیرزمینی با استفاده از روش‌های آماری و MCDM

پژوهش های آبخیزداری
مقاله 4، دوره 38، شماره 2 - شماره پیاپی 147، تیر 1404، صفحه 38-61    اصل مقاله (1.86 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22092/wmrj.2024.367105.1595
نویسندگان
حمید غلامی* 1؛ شهرام گلزاری2؛ علی اکبر محمدی فر3؛ حوریه زحمتکش4؛ مریم زارع4
1استاد گروه مهندسی منابع‌طبیعی، دانشکدة کشاورزی و منابع‌طبیعی، دانشگاه هرمزگان، بندرعباس، ایران
2دانشیار گروه مهندسی برق و کامپیوتر، دانشکدة فنی و مهندسی، دانشگاه هرمزگان، بندرعباس، ایران و دانشیار هستة پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس، هرمزگان، ایران
3پژوهشگر پسا دکتری گروه مهندسی منابع‌طبیعی، دانشکدة کشاورزی و منابع‌طبیعی، دانشگاه هرمزگان، بندرعباس، ایران
4کارشناس شرکت آب منطقه‌ای هرمزگان، بندرعباس، هرمزگان، ایران
چکیده
مقدمه و هدف
آب‌های زیرزمینی در تأمین نیازهای جوامع در بخش‌های گوناگون شرب، صنعت و کشاورزی و غیره نقش مهمی دارد. اهمیت این منابع حیاتی، در مناطق خشک و نیمه‌خشک که با کاهش نزولات جوی مواجه هستند، دوچندان است. زیرا، در این مناطق آبخوان‌ها به‌عنوان اصلی‌ترین منابع تأمین آب جوامع به‌شمار می‌آیند. همچنین، به‌دلیل موقعیت مکانی این منابع در مناطق ساحلی، با اثرات زمینی و تغییرات آب و هوایی دریایی مواجه هستند و هم‌زمان نیز تحت تأثیر فعالیت‌های انسانی می‌باشند. ازاین‌رو، آگاهی از ویژگی‌های کمی و کیفی سفره‌های آب زیرزمینی و پایش آن‌ها موضوع بسیار ضروری تلقی می‌شود. پایش پیوستة شبکۀ آب زیرزمینی مستلزم صرف هزینه، وقت، کار و نیروی انسانی است و بهینه‌سازی شبکۀ پایش می‌تواند راهکار مفیدی برای کاهش مشکلات نامبرده باشد. بنابراین،  پژوهش با هدف بهینه‌سازی شبکۀ پایش آب زیرزمینی در دشت گهکم سعادت‌آباد استان هرمزگان با استفاده از روش‌های آماری اجرا شد.
مواد و روش‌ها
در این پژوهش ابتدا با استفاده از بررسی منابع، دستورالعمل‌های وزارت نیرو و استفاده از دیدگاه خبرگان آب زیرزمینی، 9 معیار (میانگین سالانۀ سطح آب زیرزمینی، میانگین سالانۀ افت آب زیرمینی، هدایت آبی، تراکم چاه‌های بهره‌برداری، فاصله از رود، سازند زمین‌شناسی، کاربری زمین‌، فاصله از گسل و فاصله از چشمه و قنات) انتخاب شدند. سپس، با استفاده از روش تحلیل سلسله مراتبی (AHP)، هر کدام از معیارها وزن‌دهی شدند و نقشۀ مربوط به هر یک از آن‌ها برای انجام فرایند مکان‌یابی تهیه شد. در این پژوهش، به‌منظور اجرای فرایند مکان‌یابی چاه‌های مشاهده‌ای از مدل‌های تصمیم‌گیری چندمعیاره TOPSIS و WASPAS استفاده شد. سپس، به منظور ارزیابی شبکۀ پایش کنونی با نتایج مکان‌یابی، شبکۀ تیسن مربوط به هر آبخوان رسم شد. همچنین، میانگین امتیاز نقشه‌های مکان‌یابی در هر پلیگون تیسن به‌دست آمد. برای هر چاه و هر پولیگون، چاه‌هایی که میانگین امتیاز کمتر از 0/3 داشتند، به‌عنوان چاه‌های نامناسب انتخاب شدند. سپس، به‌منظور اطمینان از صحت انتخاب چاه‌های نامناسب، آزمون همگنی پتیت و استاندارد بهنجارداده‌های آب زیرزمینی در چاه‌های نامناسب، اجرا شد. در گام بعد برای مشخص کردن اهمیت نسبی 40 چاه موجود در منطقه از روش تجزیه و تحلیل مؤلفه‌های اصلی (PCA) استفاده شد و چاه‌های با اهمیت نسبی کم، حذف شدند. سپس، برای آگاهی از اندازة خطای استاندارد ناشی از حذف چاه‌ها، از روش درون‌یابی کریجینگ استفاده شد. سرانجام، به‌منظور گروه‌بندی چاه‌ها با ویژگی‌های مشابه، عمل خوشه‌بندی آن‌ها انجام شد.
نتایج و بحث
نتایج وزن‌دهی معیارها با استفاده از روش تحلیل سلسله مراتبی نشان داد که از میان 9 معیار استفاده شده در پژوهش، معیار تراکم چاه‌های بهره‌برداری با وزن 0/217 و معیار فاصله از گسل با وزن 0/031 به‌ترتیب رتبۀ اول و آخر را به‌دست آورده‌اند. مقایسة مدل‌های تصمیم‌گیری چندمعیاره برای فرایند مکان‌یابی نیز بیانگر دقت یکسان هر دو مدل TOPSIS و WASPAS بود. ازاین‌رو، نقشۀ میانگین دو مدل تهیه شد و برای انجام گام‌های بعدی پژوهش استفاده شد. بر پایة نتایج ارزیابی شبکۀ پایش کنونی با نتایج مکان‌یابی (شبکۀ بهینه)، تعداد 3 چاه به‌عنوان چاه‌های نامناسب شناسایی شد. همچنین، بر اساس اندازة ارزش  P value مربوط به آزمون پتیت و آزمون استاندارد بهنجار، مشخص شد که هر سه چاه به‌عنوان چاه‌های ناهمگن به‌درستی انتخاب‌شده‌اند. بر اساس یافته‌های به‌دست‌آمده از روش PCA نیز تعداد 6 چاه (شمارة 8، 9، 15، 10، 32 و 37 ) در گروه چاه‌های با اهمیت نسبی منفی بودند که این تعداد چاه حذف شدند. اندازة خطای استاندارد پس از حذف چاه‌های کم اهمیت، 14% افزایش یافت و تفاوت محسوسی ایجاد نشد. ازاین‌رو، بر اساس نتایج این پژوهش، می‌توان چاه‌های کم اهمیت را از شبکۀ پایش حذف کرد. همچنین، 40 چاه موجود در دشت گهکم سعادت‌آباد درون 5 خوشه، طبقه‌بندی شدند.
نتیجه‌گیری و پیشنهادها
هدف اصلی این پژوهش، بهینه‌سازی شبکۀ پایش آب زیرزمینی از دیدگاه کمی و کیفی با استفاده از مدل‌های آماری و MCDM بود. نتایج بیانگر کارایی و دقت زیاد روش‌های MCDM بود. بر اساس نقشۀ مکان‌یابی تولیدشده به‌وسیلة مدل‌های نامبرده برای چاه‌های مشاهده‌ای، منطقۀ مطالعه‌شده در 5 گروه از اولویت بسیارکم تا اولویت بسیار زیاد طبقه‌بندی شد. ازاین‌رو، مدیران آبخیز می‌توانند از یافته‌های این پژوهش برای توسعۀ شبکۀ پایش و صدور مجوزهای جدید برای حفر چاه‌های جدید در مکان‌های مناسب و نامناسب استفاده کنند. همچنین، با توجه به اهمیت پایش آب در مناطق ساحلی، استفاده از روش‌های تصمیم‌گیری چندمعیاره برای دیگر دشت‌های استان هرمزگان، نیز پیشنهاد می‌شود. به‌منظور مقایسۀ روش‌های گوناگون آماری، آب‌شناختی و داده‌کاوی مانند مدل‌های یادگیری ماشینی، استفادۀ هم‌زمان از آن‌ها در پژوهش‌های آینده پیشنهاد می‌شود. از سوی دیگر، در پژوهش‌های آینده برای ساخت شبکۀ پایش آب زیرزمینی، استفاده از معیارهای مؤثر دیگری مانند معیارهای تحلیل اقتصادی و هزینۀ ساخت شبکۀ پایش، معیارهای فاصله و مجاورت با دریا و معیارهای فاصله و نزدیکی به مسیرهای ارتباطی نیز پیشنهاد می‌شود.
کلیدواژه‌ها
آب‌های زیرزمینی؛ پایش؛ گهکم سعادت‌آباد؛ مدل‌های تصمیم‌گیری چندمعیاره
عنوان مقاله [English]
Optimizing the Quantitative and Qualitative Groundwater Monitoring Network Using Statistical and MCDM Methods
نویسندگان [English]
Hamid Gholami1؛ Shahram Golzari2؛ Ali Akbar Mohammadifar3؛ Hoorieh Zahmatkesh4؛ Maryam Zare4
1Professor, Department of Natural Resources Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran
2Associate professor, Department of Electrical and Computer Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran and Associate professor, Deep Learning Research Group, University of Hormozgan, Bandar Abbas, Hormozgan, Iran
3Ph.D., Department of Natural Resources Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran
4M.Sc., Hormozgan Regional Water Company, Bandar-Abbas, Hormozgan, Iran
چکیده [English]
Introduction and Goal
Groundwater plays a key role in supplying the requirements of the communities in various sectors such as drinking, industry and agriculture, etc. The important of this vital resource is even greater in arid and semi-arid regions that face decrease in precipitation. Because aquifers are considered as the main sources of water supply for communities in these areas. Also, due to their location, these resources in the coastal areas are impacting by climatic changes in the interaction of land and sea, and also, at the same time they are influencing by human activities. Therefore, understanding of the quantitative and qualitative characteristics of groundwater tables and their monitoring is necessary. Continuous monitoring of the groundwater network requires spending money, time, labor, and manpower, and optimizing the monitoring network can be a useful solution to reduce the aforementioned problems. Therefore, the research was conducted with the aim of optimization the groundwater monitoring network in the Gahkom Saadatabad plain, Hormozgan province, using statistical methods.
Materials and Methods
In this research, first, by reviewing sources, Ministry of Energy guidelines, and using the perspective of groundwater experts, 9 criteria (consisting of the mean ground water level, mean annual drop of ground water, hydraulic conductivity, density of exploitation wells, distance from the river, Geological formation, land-use, distance from the fault and distance from the spring) were selected. Then, using the Analytical Hierarchy (AHP) method, each of the criteria was weighted, and a map was prepared for each of them to carry out the location process. In this research, TOPSIS and WASPAS multi criteria decision making models were employed to implement the process of locating observed wells. Then, to evaluate the current monitoring network with location results, the Thyssen network for each aquifer was drawn. Also, the mean score of the location maps in each Thyssen polygon was obtained. For each well and each polygon, wells with the meam score of less than 0.3 were considered as unsuitable wells. Next, in order to ensure the accuracy of the selection of unsuitable wells, Pettitt’s homogeneity test and standard normality test were performed. In the next step, the principal component analysis (PCA) method was used to determine the relative importance of 40 wells in the region, and wells with low relative importance were eliminated. Then, the Kriging interpolation method was used to find out the standard error value due to the removal of the wells. Finally, clustering analysis was used to group wells with the similar characteristics.
Results and Discussion
The results of the AHP showed that among the 9 criteria used in the research, the density of exploitation wells with a weight = 0.217 and the distance from the fault with a weight = 0.031 were ranked as first and last ranks, respectively. Comparison of multi-criteria decision-making models for the location process also indicated the same accuracy of both TOPSIS and WASPAS models. Therefore, the mean map of the two models was prepared and used to carry out the next steps of the research. Based on the results of the evaluation of the current monitoring network with the results of location (optimal network), 3 wells were identified as unsuitable wells. Also, based on the P value of the Petit test and the standard normal test, it was determined that all three wells were correctly selected as Heterogeneous wells. Based on the findings obtained from the PCA method 6 wells (numbers 8, 9, 15, 10, 32, and 37), were included in the group of wells with negative relative importance, and this wells were removed. The size of the standard error increased by 14% after removing the unimportant wells, and there was no significant difference. Therefore, based on the results of this study, less important wells can be removed from the monitoring network. Also, 40 wells located in the Gahkom Saadatabad plain was classified into 5 clusters.
Conclusion and Suggestions
The main objective of this research was to optimize the groundwater monitoring network from a quantitative and qualitative perspective using statistical and MCDM models. The results revealed the high efficiency and accuracy of MCDM methods. Based on the results of the location map of observed wells generated by the mentioned models, the study area was classified into 5 groups from very low priority to very high priority. Therefore, watershed managers can use the findings of this study to develop a monitoring network and issue new permits to drill new wells in suitable and unsuitable locations. Also, considering the importance of water monitoring in coastal areas, it is recommended to use the mentioned methods for other plains of Hormozgan province. In order to compare different statistical, hydrological and data mining methods such as machine learning models, it is suggested to use them simultaneously in future studies. On the other hand, in future studies for construction of ground water monitoring network, it is also recommended to use other effective criteria such as economic analysis criteria and the cost of constructing the monitoring network, criteria of distance and proximity to the sea, and criteria of distance and proximity to communication routes.
کلیدواژه‌ها [English]
Data mining, Gahkom Saadat Abad, groundwater, monitoring, multi criteria decision making models
مراجع

Ali S, Verma S, Agarwal MB, Islam R, Mehrotra M, Kumar Deolia R, Kumar J, Singh Sh, Mohammadi AA, Raj D, Kumar Gupta M, Dang PH, Fattahi M. 2024. Groundwater quality assessment using water quality index and principal component analysis in the Achnera block, Agra district, Uttar Pradesh, Northern India. Scientific Reports. 14(1): 1-­­13. https://doi.org/10.1038/s41598-024-56056-8

Al-Zubari W, Al-Shaabani A, Abdulhameid N. 2023. Spatial optimization of the groundwater quality monitoring network in the kingdom of bahrain. Water, 15(12): 1-14. https://doi.org/10.3390/w15122169

Asghari Sarasekanrood S, Ghale E, Ebadi E. 2021. Investigation of land use changes and its relationship with groundwater level (Case study: Ardabil Plain). RS and GIS for Natural Resources. 12(1): 86-106. (In Persian). http://dorl.net/dor/20.1001.1.26767082.1400.12.1.5.6

Babaeihesar S, Hamdami Q, Ghasemieh H. 2016. Identify the effective wells in determination of groundwater depth in Urmia plain using principle component analysis. Journal of Water and Soil. 31(1): 40-50. (In Persian). https://doi.org/10.22067/jsw.v31i1.48750

Bączkiewicz A, Wątróbski J, Kizielewicz B, Sałabun W. 2021. Towards objectification of multi-criteria assessments: (2021). A comparative study on MCDA methods. conference: 16th Conference on Computer Science, 25. pp. 417-425. https://doi.org/10.15439/2021F61

Bayat F, Roozbahani A, Hashemy Shahdany SM. 2022. Performance evaluation of agricultural surface water distribution systems based on water‑food‑energy nexus and using AHP‑entropy‑WASPAS technique. Water Resources Management. 36(12): 4697-4720. https://doi.org/10.1007/s11269-022-03273-3

Bazrafshan O, Gerkani Nezhad Moshozi Z. 2018. Optimization of piezometeric wells number for groundwater level prediction using factor analysis (Case study: Minab plain). Irrigation and Water Engineering. 9(2): 80-94. (In Persian). https://doi.org/10.22125/IWE.2019.87268

Bouhout S, Haboubi K, El Abdouni A, El Hammoudani Y, Haboubi CH, Dimane F, Hanafi I, Salahdine Elyoubi M. 2023. Appraisal of groundwater quality status in the Ghiss-Nekor coastal plain. Journal of Ecological Engineering, 24(10):57-66. https://doi.org/10.1051/e3sconf/202452702015

Bro R, Smilde AK. 2014. Principal component analysis. Analytical Methods. 6(9): 2812–2831. https://doi.org/10.1039/C3AY41907J

Dehghan Rahimabadi P, Behnia M, Nasabpour Molaei S, Khosravi H, Azarnivand H. 2024. Assessment of groundwater resources potential   using Improved Water Quality Index (ImpWQI) and entropy-weighted TOPSIS model. Sustainable Water Resources Management. 10(1): 1-7. https://doi.org/10.1007/s40899-023-00988-y

Demirci M, Tasar B, Kaya YZ, Gemici E. 2021. Monthly groundwater level modeling using data mining approaches. Air and Water Components of the Environment Conference Proceedings, Cluj Napoca, Romania. 2021(1): 75-86. https://doi.org/10.24193/AWC2021_07

Deveci M, Canitez F, Gokasar I. 2018. WASPAS and TOPSIS based interval type-2 fuzzy MCDM method for a selection of a car sharing station. Sustainable Cities and Society. 41:777-791. https://doi.org/10.1016/j.scs.2018.05.034

Devi RN, Sowmiya S, Sundareswaran R, Broumi S. 2023. Waste to energy treatment for India using CRITIC-WASPAS method under Interval-Valued Pythagorean Neutrosophic Fuzzy set. Neutrosophic Sets and Systems. 61(1): 493-506. https://digitalrepository.unm.edu/nss_journal

Dinpazhoo Y. 2022. Clustering of observation wells of Khoy Plain aquifer from the view of water quality using the K-Means. Hydrogeology, 7(1):25-41. (In Persian). https://sid.ir/paper/1036888/en

Diribaa D, Karuppannan Sh, Takele T, Husein M. 2024. Delineation of groundwater potential zonation using geoinformatics and AHP techniques with remote sensing data. Heliyon. 10(3): 1-13.

https://doi.org/10.1016/j.heliyon.2024.e25532

Eghbalian S, Bahmani O. 2020. Study of local and temporal changes of groundwater quality standards of Hamedan-Bahar plain using (GIS) over a 10 years' period. Environmental Science and Technology. 22(3): 83-98. (In Persian).

Emami H, Salajagheh A, Moghadam Niya AR, Khalighi Sigaroudi. 2020. Investigating the accuracy and efficiency of TRMM satellite in estimating monthly rainfall in the Gorgan River watershed. Ecohydrology. 7(3): 719-729. (In Persian). https://doi.org/10.22059/ije.2020.261641.917

Ghahroudi Tali, M. 2015. The introduction to geographic information systems. 1 (ed) Payanname Noor University. 214 p. (In Persian).

Ghorabaee MK, Zavadskas EK, Amiri M, Esmaeili A. 2016. Multi-criteria evaluation of green suppliers using an extended WASPAS method with interval type-2 fuzzy sets. Journal of Cleaner Production, 137: 213-229. https://doi.org/10.1016/j.jclepro.2016.07.031

Hajizadegan S. 2015. Comparison and application of multi-criteria decision-making methods in selecting the optimal process for sewage treatment. Master's thesis, Birjand University. (In Persian). 105p.

Hakimdoost SY, Pourzeydi AM, Gerami MS. 2017. Spatial analysis of torrential rain in Mazandaran Province in the geographic information system (GIS) environment. Scientific Research Quarterly of Geographical Data, 7(102): 191-203. (In Persian). https://doi.org/10.22131/sepehr.2017.27477

Han D, Currell MJ. 2021. Review of drivers and threats to coastal groundwater quality in China. Science of The Total Environment, 806:1-20. https://doi.org/10.1016/j.scitotenv.2021.150913

Helena B, Pardo R, Vega M, Barrado E, Manuel J, Fernandez L. 2000. Temporal evolution of groundwater composition in an alluvial aquifer by principal component analysis. Water Research, 34(3): 807-816. https://doi.org/10.1016/S0043-1354(99)00225-0

Hossain J, Rahman Z, Maksud Kamal ASM, Chowdhury MA, Hossain SH, Rahman M, Zahid A, Towfiqul Islam AR. 2024. Quantitative and qualitative assessment of groundwater resources for drinking water supply in the peri-urban area of Dhaka, Bangladesh. Groundwater for Sustainable Development. 25: 101-146. https://doi.org/10.1016/j.gsd.2024.101146

Kahraman C, Ates NY, Cevik S, Gulbay M, Aysa Erdogam S. 2007. Hierarchical fuzzy TOPSIS model for selection among logistics information technologies. Journal of Enterprise Information Management. 20(2): 143-168. DOI:10.1108/17410390710725742

Kheirkhah Zarkesh, M., 2005. DSS for flood water site selection in Iran. PhD thesis. Wageningen University. 273 p.

Lee S, Hyun Y, Lee MJ. 2019.  Groundwater potential mapping using data mining models of big data analysis in Goyang-si, South Korea. Sustainability.11(6):1-21. https://doi.org/10.3390/su11061678

Li Zh, Luo Z, Wang Y, Fan G, Zhang J. 2022. Suitability evaluation system for the shallow geothermal energy implementation in region by entropy weight method and TOPSIS method. Renewable Energy. 184: 564-576. https://doi.org/10.1016/j.renene.2021.11.112

Lucas L, Jauzein M. 2008. Use of principal component analysis to profile temporal and spatial variations of chlorinated solvent concentration in groundwater. Environmental Pollution. 151(1): 205-212. https://doi.org/10.1016/j.envpol.2007.01.054

Luque-Espinar JA, López-Chicano M, Pardo-Igúzquiza E, Chica-Olmo M. 2024. Using numerical methods for map the spatiotemporal geogenic and anthropogenic influences on the groundwater in a detrital aquifer in south Spain. Journal of Environmental Management, 355(3): 1-12. https://doi.org/10.1016/j.jenvman.2024.120442

Mahmodizadeh S, Esmaeily A. 2021. Geostatistical modelling of spatial changes in groundwater quality using GIS and wilcox model (Case study: Central and Kenark Districts, Chabahar). Environment and Water Engineering. 7(1): 103-118. (In Persian). https://doi.org/10.22034/jewe.2020.255847.1460

Mandal T, Saha S, Das J, Sarkar A. 2022. Groundwater depletion susceptibility zonation using TOPSIS model in Bhagirathi River Basin, India. Modeling Earth Systems and Environment. 8(2):1711-1731. https://doi.org/10.1007/s40808-021-01176-7

Mehta D, Dhabuwala J, Yadav S M, Kumar V, Azamathulla HM. 2023. Improving flood forecasting in Narmada River Basin using hierarchical clustering and hydrological modelling. Results in Engineering. 20(13): 1-13. https://doi.org/10.1016/j.rineng.2023.101571

Zewdie MM, Kasie LA, Bigale S. Groundwater potential zones delineation using GIS and AHP techniques in upper parts of Chemoga watershed. Ethiopia Appl Water Sci. 14(85): 1-28.‏. 10.1007/s13201-024-02119-0

Nouri Gheidari MH. 2013. Determination of effective wells to monitor the ground water level using the principal components analysis. Water and Soil Sciences. 17(64): 149-158. (In Persian). http://jstnar.iut.ac.ir/article-1-1537-fa.html

Ostad‑Ali‑Askar K, Shayannejad M. 2021. Quantity and quality modelling of groundwater to manage water resources in Isfahan‑Borkhar aquifer. Environment Development and Sustainability.23(11):15943-15959. https://doi.org/10.1007/s10668-021-01323-1

Patnaik M,  Tudu CH,  Kumar Bagal D. 2024. Monitoring groundwater quality using principal component analysis. Applied Geomatics. 16(1): 281-291. https://doi.org/10.1007/s12518-024-00552-z

Pearson S, Falteisek J, Berg J. 2011. Minnesota groundwater level monitoring network-guidance document for network development. Technical  Report, 96 p. https://files.dnr.state.mn.us/publications/waters/groundwater_network_guidance.pdf.

Petersen W. 2001. Process identification by principal component analysis of river waterquality data. Ecological Modelling. 138(1-3): 193-213. https://doi.org/10.1016/S0304-3800(00)00402-6

Rahnama S, KhasheiSiuki A, Shahidi A. 2023. Investigating the effect of temporal and spatial variations on groundwater piezometric monitoring network design using principal components analysis (PCA). Journal of Aquifer and Qanat. 4(1): 16-29. (In Persian). https://doi.org/10.22077/jaaq.2023.5153.1046

Raja CH, Ramachandran M, Ramu K, Sivaji CH. 2023. Dharumapuri district, tamil nadu, groundwater quality status in relation to WASPAS system pollution. REST Journal on Advances in Mechanical Engineering. 2(3): 48-59. https://doi.org/10.46632/jame/2/3/5

Rajaeian SH, Ketabchi H, Ebadi T. 2024. Investigation on quantitative and qualitative changes of groundwater resources using MODFLOW and MT3DMS: A case study of Hashtgerd aquifer, Iran. Environment Development and Sustainability. 26(2): 1-26. https://doi.org/10.1007/s10668-022-02904-4

Ravindra B, Subba Rao N, Dhanamjaya Rao EN. 2023. Groundwater quality monitoring for assessment of pollution levels and potability using WPI and WQI methods from a part of Guntur district, andhra pradesh, India. Environment, Development and Sustainability. 25(12): 14785- 14815. https://doi.org/10.1007/s10668-022-02689-6

Razi MH, Zahratunnisa Z, Retongga N. 2024. Delineation of groundwater potential zone using remote sensing and GIS-based AHP for sustainable groundwater management in Aceh Besar Regency, Aceh Province, Indonesia. Journal of Degraded and Mining Lands Management. 11(2): 5237-5249. https://doi.org/10.15243/jdmlm.2024.112.5237

Richardson CM, Davis KL, Ruiz-González C, Guimond JA, Michael HA, Paldor A, Moosdorf N, Paytan A. 2024. The impacts of climate change on coastal groundwater. Nature Reviews Earth and Environment. 5(2): 100-119. https://doi.org/10.1038/s43017-023-00500-2

Saaty TL. 2000. Fundamentals of Decision Making and Priority Theory. 2nd ed. Pittsburgh, PA: RWS Publications. 245 p.

Sanchez- Martos F, Jimenez- Espinosa R, Pulido- Bosch A. 2001. Mapping groundwater quality variables using PCA and geostatistics: a case study of Bajo Andarax, southeastern Spain. Hydrological Sciences Journal. 46(2): 227-242. https://doi.org/10.1080/02626660109492818

Shinde S, Barai1 V, Gavit, B, Kadam S Atre A, Baliram Pande Ch, Chandra Pal S, Radwan N, Debele Tolche A, Elkhrachy I. 2024. Assessment of groundwater potential zone mapping for semi-arid environment areas using AHP and MIF techniques. Environmental Sciences Europe, 36(1): 1-20. http://dx.doi.org/10.1186/s12302-024-00906-9

Karthikeyan1 S, Arumugam S, Muthumanickam J, Kulandaisamy P, Subramanian M, Annadurai R, Sekar S. 2021. Causes of heavy metal contamination in groundwater of Tuticorin industrial block, Tamil Nadu. India. Environmental Science and Pollution Research, 28(15): 18651-18666. http://dx.doi.org/10.1007/s11356-020-11704-0‏

Soori S, Baharvand S, Amiri V. 2017. Delineation of groundwater potential using AHP-Fuzzy (A case study: Romeshgan Plain). Scientific Research Journal of Environmental Geology. 11(40): 11-26. (In Persian).

Sun X, Guo CH, Cui J. 2020. Research on evaluation method of water resources carrying capacity based on improved TOPSIS model. Hydroscience. 106(5): 68–74. https://doi.org/10.1051/lhb/2020040

Taherdoost H, Madanchian M. 2023. Multi-criteria decision making (MCDM) methods and concepts. Encyclopedia. 3(1): 77-87. https://doi.org/10.3390/encyclopedia3010006

Taheri K, Missimer TM, Amini V, Bahrami J, Omidipour RA. 2020. GIS-expert-based approach for groundwater quality monitoring network design in an alluvial aquifer: A case study and a practical guide. Environmental Monitoring and Assessment.192:1-20. https://doi.org/10.1007/s10661-020-08646-y

Xu J, Feng P, Yang P. 2016. Research of development strategy on China’s rural drinking. water supply based on SWOT–TOPSIS method combined with AHP-entropy: A case in Hebei Province. Environmental Earth Sciences. 75(1): 1-11. https://doi.org/10.1007/s12665-015-4885-6

 Zavadskas EK, Turskis Z, Antucheviciene J, Zakarevicius A. 2012. Optimization of weighted aggregated sum product assessment. Elektron Elektrotech. 122(6):3–6. https://doi.org/10.5755/j01.eee.122.6.181

آمار
تعداد مشاهده مقاله: 740
تعداد دریافت فایل اصل مقاله: 311


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب