Iranian Jornal of Watershed Management Science&Engineering

fa بررسی اثر ویژگی‌های اقلیمی و سطح زمین بر کیفیت آب زیرزمینی با استفاده از داده‌های گوگل ارت انجین (GEE) (مطالعه موردی: دشت کهورستان، هرمزگان) Investigating the Impact of Climatic and Land Surface Characteristics on Groundwater Quality Using Google Earth Engine (GEE) Data (Case Study: Kahorestan Plain, Hormozgan) تخصصي Special پژوهشي Research مقدمه آب زیرزمینی به عنوان یکی از منابع حیاتی برای تأمین آب شرب و کشاورزی، به شدت تحت تأثیر تغییرات اقلیمی و فعالیت‌های انسانی قرار دارد. افزایش دما، تغییر الگوهای بارش، تغییرات پوشش گیاهی و ... منجر به تغییر در ترکیب شیمیایی آب می‌شود و این موضوع می‌تواند عواقب جدی برای تأمین آب شرب و کشاورزی داشته باشد. کیفیت آبهای زیرزمینی مانند آبهای سطحی دائم در حال تغییر کردن است و در دشت‌های خشک و نیمه‌خشک، شناسایی و تحلیل عوامل مؤثر بر کیفیت آب زیرزمینی جهت مدیریت پهنههای کیفی مختلف، از اهمیت ویژه‌ای برخوردار است. محققین در این زمینه اذعان داشتهاند که،  ویژگیهای خاک و سطح زمین میتواند مستقیماً بر کیفیت آب زیرزمینی تأثیر بگذارد و مدیریت صحیح خاک میتواند به بهبود کیفیت آب کمک کند. از این رو، پژوهش حاضر به بررسی تأثیر متغیرهای اقلیمی و ویژگی‌های سطح زمین بر کیفیت آب زیرزمینی در دشت کهورستان استان هرمزگان پرداخته و به دنبال شناسایی تغییرات کیفی آب در فصول آبیاری و غیرآبیاری است. شایان ذکر است، در تحقیقات پیشین بیشتر با الگوریتمهای درونیابی، میزان WQI در سامانه اطلاعات جغرافیایی برآورد و سطوح طبقات مختلف کیفیت آبزیرزمینی تبیین شده است. در پژوهش حاضر علاوه بر بررسی ارتباط معنادار میان متغیرهای اقلیمی و ویژگیهای سطح زمین با کیفیت آبزیرزمینی، بهبررسی توزیع فضایی این متغیر در محدوده مورد مطالعه و مدلسازی آن با روشهای رگرسیون جغرافیایی وزندار (GWR) و مجموع مربعات معمولی (OLS) بر اساس متغیرهای مستقل تأثیرگذار پرداخته شده است. مواد و روش‌ها محدوده مورد مطالعه در پژوهش حاضر، دشت کهورستان با مساحت 09/273 کیلومترمربع از جمله دشتهای نادر در غرب استان هرمزگان است. این مطالعه بر اساس داده‌های شیمیایی ۱۵ حلقه چاه نیمه‌عمیق در دشت کهورستان و مقاطع زمانی آبیاری و غیرآبیاری سالهای 2009 و 2018 انجام شد. متغیرهای مستقل تحقیق، شاخص شوری استاندارد شده (NDSI)، بارش تجمعی (Pr)، شاخص پوشش گیاهی نرمال شده (NDVI)، کمبود آب در خاک (DEF)، تبخیر و تعرق پتانسیل (PET)، دمای سطح زمین (LST)، شاخص شدت خشکسالی پالمر (PDSI)، تبخیر و تعرق واقعی (AET) بودند که از سامانه گوگل ارت انجین (GEE) بهشکل تصاویر ماهوارهای رستری در مقیاس ماهانه استخراج شدند. همچنین متغیر وابسته تحقیق، شاخص کیفیت آب زیرزمینی (WQI) بود که در سامانه اطلاعات جغرافیایی مدل شد. برای بررسی معناداری ارتباط بین این متغیرها در مقاطع زمانی مختلف از آزمون کای‌اسکوئر استفاده شد و سپس از روش‌های رگرسیون جغرافیایی وزن‌دار (GWR) و حداقل مربعات معمولی (OLS) برای مدل‌سازی تغییرات مکانی کیفیت آب زیرزمینی بهره گرفته شد. برای مقایسه میزان اعتبار یا کارایی مدل های رگرسیونی چند متغیره، از معیارهای، ضریب تعیین، ریشه میانگین مجذور خطاها و معیار آکائیکه استفاده شد. همچنین خاطرنشان میشود، جهت بررسی توزیع فضایی پهنه‌های کیفی آب زیرزمینی از آماره موران محلی در این مقاطع زمانی استفاده شد. نتایج و بحث آزمون کای‌اسکوئرنشان از ارتباط معنی‌دار بین متغیرهای اقلیمی و ویژگی‌های سطح زمین با کیفیت آب زیرزمینی داشت و تحلیل خودهمبستگی فضایی نشان داد که توزیع فضایی کیفیت آب زیرزمینی در دشت کهورستان به صورت تصادفی بوده است. از بین دو روش GWR و OLS، روش رگرسیون وزندار جغرافیایی با ریشه میانگین مربعات خطا معادل 14/0، مجموع مربعات باقیمانده 3/11، ضریب تعیین 82/0 و ضریب آکائیکه 19/570- نتایج بهتری را نسبت به روش OLS ارائه کرد. همچنین NDVI و NDSI با ضریب تبیین (R2) معادل 47/0 در بازه زمانی نخست (4/2009)، متغیر NDSI با ضریب تبیین معادل 63/0 در بازه زمانی دوم (11/2009)، در مقطع زمانی سوم (5/2018)، دو متغیر NDVI و NDSI با ضریب تبیین معادل 65/0 و مقطع زمانی چهارم (12/2018) نیز صرفاً دو متغیر NDVI و NDSI با ضریب تبیین معادل 55/0 بیشترین تأثیرگذاری را از بین متغیرهای اقلیمی و ویژگیهای سطح زمین بر میزان کیفیت آب زیرزمینی نشان دادند. طبقات کیفیت آب زیرزمینی دشت کهورستان فقط دو طبقه بسیار ضعیف و نامناسب برای مصارف کشاورزی بودند. در مقطع زمانی نخست ، کلاس کیفی «بسیار ضعیف» از کیفیت آب زیرزمینی دشت کهورستان مساحت 44/2 کیلومترمربعی را به خود اختصاص داده است. در مقطع زمانی دوم ، تنها کلاس کیفیت آبزیرزمینی دشت کهورستان در این فصل آبیاری، طبقه «نامناسب برای مصارف کشاورزی» با مساحت 2/275 کیلومترمربع بود. در مقطع زمانی سوم، کلاس «بسیار ضعیف» کیفیت آب زیرزمینی سطحی معادل 91/14 کیلومترمربع از مساحت دشت و در مقطع زمانی چهارم، مساحت کلاس کیفی «بسیار ضعیف» 51/8 کیلومترمربع برآورد شد. نتیجه‌گیری همانگونه که نتایج نشان داد، کیفیت آب زیرزمینی در فصول آبیاری ( ماههای 11 و 12 سالهای 2009 و 2018) نسبت به فصول غیرآبیاری (ماههای 4 و 5 سالهای 2009 و 2018) کاسته میشود و همچنین سطوح کیفی آب زیرزمینی نیز در فصول آبیاری نسبت به فصول غیرآبیاری کاهشی میشود. نتایج نشان داد که افزایش پوشش گیاهی و کاهش شوری خاک از عوامل کلیدی در بهبود کیفیت آب زیرزمینی در این منطقه هستند و با کاهش پوشش گیاهی و افزایش شوری خاک در فصول آبیاری از وسعت و کیفیت پهنههای کیفی خوب و متوسط کاسته می‌شود. با توجه به برتری مدل GWR نسبت به OLS، این مدل می‌تواند به عنوان ابزاری مفید در مدیریت پهنههای کیفی منابع آب زیرزمینی و تحلیل تغییرات کیفیت آب به کار رود. در نهایت، پژوهش حاضر تأکید می‌کند که توجه به متغیرهای اقلیمی و ویژگی‌های سطح زمین برای مدیریت بهینه منابع آب زیرزمینی ضروری است. این پژوهش صرفاً به استفاده از روش‌های مختلف درونیابی شاخص WQI بر اساس دادههای شیمیایی چاههای مشاهداتی در سامانه اطلاعات جغرافیایی نپرداخته است و در این بین با توجه به اثرگذاری متغیرهای مختلف اقلیمی و ویژگیهای سطح زمین به پیشبینی پهنههای مختلف کیفیت آبزیرزمینی با روش‌های رگرسیون جغرافیایی وزندار و مجموع مربعات معمولی تأکید داشتهاست. اخذ متغیرهای مستقل در مقیاس ماهانه و در بازههای زمانی مختلف فصول آبیاری و غیرآبیاری در سامانه آنلاین گوگل ارت انجین (GEE) از دیگر توجهات پژوهش حاضر در بحث بررسی تغییرات کیفیت آب زیرزمینی بود. Introduction Groundwater, as one of the vital resources for supplying drinking water and agriculture, is significantly affected by climate change and human activities. Rising temperatures, changing precipitation patterns, and alterations in vegetation lead to changes in the chemical composition of water, which can have serious implications for the provision of drinking water and agricultural needs. The quality of groundwater, like that of surface water, is constantly changing, and in arid and semi-arid plains, identifying and analyzing the factors influencing groundwater quality is crucial for managing various quality zones. Researchers in this field have acknowledged that soil characteristics and land surface can directly impact groundwater quality, and proper soil management can contribute to improving water quality. Therefore, this study examines the impact of climatic variables and land surface characteristics on groundwater quality in the Kahorestan plain of Hormozgan Province, aiming to identify quality changes in water during irrigation and non-irrigation seasons. It is noteworthy that previous research primarily estimated the Water Quality Index (WQI) using interpolation algorithms within Geographic Information Systems (GIS) and delineated different groundwater quality levels. In the present study, in addition to investigating the significant relationships between climatic variables and land surface characteristics with groundwater quality, the spatial distribution of these variables within the study area is analyzed, and modeling is conducted using Geographically Weighted Regression (GWR) and Ordinary Least Squares (OLS) methods based on the influential independent variables. Methodology The study area in the present research is the Kahorestan plain, covering an area of 273.09 square kilometers, which is one of the rare plains in the western part of Hormozgan Province. This study was conducted based on chemical data from 15 semi-deep wells in the Kahorestan plain during irrigation and non-irrigation periods in the years 2009 and 2018. The independent variables of the study included the Normalized Difference Salinity Index (NDSI), cumulative precipitation (Pr), Normalized Difference Vegetation Index (NDVI), soil water deficit (DEF), potential evapotranspiration (PET), land surface temperature (LST), Palmer Drought Severity Index (PDSI), and actual evapotranspiration (AET), which were extracted as monthly raster satellite images from the Google Earth Engine (GEE). The dependent variable of the study was the Groundwater Quality Index (WQI), which was modeled within a Geographic Information System (GIS). To assess the significance of the relationships between these variables at different time periods, the Chi-square test was employed. Subsequently, Geographically Weighted Regression (GWR) and Ordinary Least Squares (OLS) techniques were utilized to model the spatial variations in groundwater quality. To compare the validity or efficiency of the multiple regression models, criteria such as the coefficient of determination, root mean square error, and Akaike Information Criterion were used. Additionally, it is noted that the Local Moran's I statistic was employed to investigate the spatial distribution of groundwater quality zones during these time periods. Results and discussion The chi-square test indicated a significant relationship between climatic variables and land surface characteristics with groundwater quality. Spatial autocorrelation analysis revealed that the spatial distribution of groundwater quality in the Khorasan plain is random. Among the two methods, GWR (Geographically Weighted Regression) and OLS (Ordinary Least Squares), the GWR technique provided better results with a root mean square error of 0.14, a residual sum of squares of 11.3, a coefficient of determination (R²) of 0.82, and an Akaike Information Criterion (AIC) of -570.19, compared to the OLS method. Additionally, NDVI (Normalized Difference Vegetation Index) and NDSI (Normalized Difference Snow Index) showed a coefficient of determination (R²) of 0.47 in the first time period (4/2009), with the NDSI variable showing an R² of 0.63 in the second time period (11/2009). In the third time period (5/2018), both NDVI and NDSI had an R² of 0.65, and in the fourth time period (12/2018), the two variables NDVI and NDSI again showed the highest impact among climatic variables and land surface characteristics on groundwater quality, with an R² of 0.55. The groundwater quality classes of the Kahorestan plain only included two categories: very poor and unsuitable for agricultural use. In the first-time frame, the "very poor" quality class of groundwater in the Khorasan plain covered an area of 2.44 Km2. In the second time frame, the only groundwater quality class in the Khorasan plain during that irrigation season was "unsuitable for agricultural use," with an area of 275.2 Km2. In the third time frame, May 2018, the "very poor" quality class of surface groundwater accounted for 14.91 Km2 of the plain's area. In the fourth time frame, December 2018, the area classified as "very poor" quality was estimated to be 8.51 Km2. Conclusion As the results indicated, groundwater quality during irrigation seasons (months 11 and 12 of the years 2009 and 2018) decreases compared to non-irrigation seasons (months 4 and 5 of the years 2009 and 2018), with the quality levels of groundwater also diminishing during irrigation periods. The findings revealed that increased vegetation cover and reduced soil salinity are key factors in improving groundwater quality in this region. A decrease in vegetation cover and an increase in soil salinity during irrigation seasons lead to a reduction in the extent and quality of good and moderate quality zones. Given the superiority of the GWR model over OLS, this model can serve as a useful tool in managing the quality zones of groundwater resources and analyzing changes in water quality. Ultimately, this research emphasizes that attention to climatic variables and land surface characteristics is essential for the optimal management of groundwater resources. This study not only utilized various interpolation methods for the WQI based on the chemical data from observation wells within a Geographic Information System (GIS), but also highlighted the prediction of different groundwater quality zones using Geographically Weighted Regression and Ordinary Least Squares techniques, considering the impact of various climatic variables and land surface characteristics. Additionally, obtaining independent variables at a monthly scale across different time periods of irrigation and non-irrigation seasons from the online Google Earth Engine (GEE) was another focus of the current study regarding the examination of groundwater quality changes. شاخص شوری خاک,کیفیت آب زیرزمینی, متغیرهای اقلیمی, مدل جغرافیایی وزن‌دار Soil salinity index, groundwater quality, climatic variables, geographically weighted model, Global Moran's I. 59 72 http://jwmsei.ir/browse.php?a_code=A-10-1649-1&slc_lang=fa&sid=1 Adnan Sdeghi lari عدنان صادقی لاری adnan.sadeghilari@hormozgan.ac.ir 100319475328460017836 100319475328460017836 Yes Department of Water Science and Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران Mohamad Kazemi محمد کاظمی mohamad.kazemi86@gmail.com 100319475328460017837 100319475328460017837 No Department of Hormoz Studies and Research Center, Hormozgan University پژوهشکده هرمز، دانشگاه هرمزگان Fatemeh Rajabi فاطمه رجبی fatemeh.rj.v2@gmail.com 100319475328460017838 100319475328460017838 No Department of Water Science and Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران