آب به عنوان یک منبع اساسی برای زندگی و سلامت در نظر گرفته می‌شود و با تهدیدات فزاینده‌ای در سطح جهان مواجه است که مستلزم حفاظت و بهبود کیفیت آن است . ^۱٫ آب‌های زیرزمینی که حدود ۹۹ درصد از آب شیرین مایع زمین را تشکیل می‌دهند، یک منبع آب ضروری جهانی و جزء کلیدی ذخایر جهانی هستند. آب‌های زیرزمینی جزء حیاتی چرخه هیدرولوژیکی هستند که به ویژه در برابر آلودگی ناشی از گسترش شهری، کشاورزی و توسعه صنعتی آسیب‌پذیر هستند ^{. ۳٫ رشد} سریع اجتماعی-اقتصادی، مسائل زیست‌محیطی، از جمله تخلیه آب‌های زیرزمینی و فرونشست زمین در مناطق مختلف را تشدید کرده است . ^۴ ، ۵ ، که حفاظت از کیفیت آب را به یک اولویت جهانی تبدیل کرده است. ^۶ .

آب‌های زیرزمینی به ویژه در مناطق خشک و نیمه‌خشک بسیار مهم هستند، جایی که دسترسی محدود و استفاده فشرده چالش‌های جدی ایجاد می‌کند ^۷ ، ۸٫ در الجزایر، آب‌های زیرزمینی تقریباً ۶۵ تا ۷۰ درصد از کل برداشت آب شیرین را تشکیل می‌دهند و کشاورزی بیش از ۷۰ درصد از این منبع را مصرف می‌کند. در مناطق کم‌ارتفاع ساحلی، شور شدن آب، تولیدات کشاورزی را تهدید می‌کند و نیازمند استراتژی‌های مدیریتی فوری است ^{۹ ، ۱۰٫} چالش‌های شور شدن آب‌های زیرزمینی مناطق کم‌ارتفاع ساحلی نگرانی‌های قابل توجهی را ایجاد می‌کند که بر تولیدات کشاورزی تأثیر می‌گذارد و بررسی جامع استراتژی‌های مدیریتی را ضروری می‌سازد ^۱۱٫ این شیوه‌های ناپایدار در حال حاضر به افت سطح آب‌های زیرزمینی و کاهش کیفیت آب‌های زیرزمینی کمک کرده‌اند ^۱۲ .

در مناطقی که آب سطحی کمیاب است، آب‌های زیرزمینی به عنوان منبع اصلی آب آشامیدنی و کشاورزی پایدار عمل می‌کنند ^{۱۳ ، ۱۴.} پیشرفت اجتماعی-اقتصادی الجزایر به طور قابل توجهی به ذخایر آب‌های زیرزمینی وابسته است که با تهدیدات ناشی از خطرات طبیعی و انسانی روبرو هستند ^{۱۵ ، ۱۶. برای درک بهتر چنین پویایی‌هایی، بسیاری از مطالعات جهانی از شاخص‌های کیفیت آب (WQIs) ۱۷ ، ۱۸} استفاده کرده‌اند .

با توجه به این زمینه، پایش آب‌های زیرزمینی برای تأمین نیازهای رو به رشد آب از نظر دسترسی و کیفیت، حیاتی می‌شود. شاخص‌های کیفیت آب (WQI) ابزارهای ضروری هستند که پارامترهای فیزیکی و شیمیایی متعدد را در یک مقدار عددی واحد تجمیع می‌کنند و امکان ارزیابی کارآمد کیفیت آب را فراهم می‌کنند. ^{۱۹ ، ۲۰٫} تحقیقات گسترده‌ای با استفاده از شاخص‌های کیفیت آب (WQI)، GIS، آمار چند متغیره و یادگیری ماشین (ML) ^{۲۱ ، ۲۲} ، هیدروشیمی و کیفیت آب‌های زیرزمینی را ارزیابی کرده‌اند .

منطقه سکیکده، در شمال شرقی الجزایر، چالش‌های ترکیبی کمبود آب، گسترش کشاورزی و توسعه صنعتی را نشان می‌دهد. از نظر کشاورزی، منطقه کشت شده تقریباً ۱۹۳۱۷۹ هکتار، از جمله ۱۵۳۰۰ هکتار زمین آبیاری شده، با تولید متنوع میوه و سبزیجات را در بر می‌گیرد. توت فرنگی به تنهایی ۵۲ هکتار را اشغال می‌کند و سالانه حدود ۴۱۰۰ کنتال محصول می‌دهد ^.۲۳ این منطقه به شدت برای آبیاری و تأمین نیازهای داخلی به آب‌های زیرزمینی وابسته است، زیرا رشد جمعیت و شهرنشینی تقاضا را افزایش می‌دهد. در بخش صنعتی، سکیکده میزبان بزرگترین پالایشگاه نفت الجزایر (۱۶٫۵ میلیون تن در سال)، یک پالایشگاه میعانات گازی، یک مجتمع پتروشیمی بزرگ و یک بندر تجاری است که سالانه بیش از ۲۲ میلیون تن کالا را جابجا می‌کند ^.۲۴ این همپوشانی بین کشاورزی متمرکز و صنعت در مقیاس بزرگ، آسیب‌پذیری منابع آب زیرزمینی را به میزان قابل توجهی افزایش می‌دهد.

مطالعات متعددی بر روی آب‌های زیرزمینی در منطقه سکیکدا انجام شده است که بر کیفیت و ویژگی‌های هیدروژئولوژیکی آن تمرکز دارد. یک مطالعه ارزیابی در مناطق صنعتی سکیکدا، آلودگی قابل توجه آب‌های زیرزمینی با فلزات سنگین مانند کروم، سرب و آرسنیک را نشان داد که غلظت آنها بیش از آستانه‌های تعیین شده توسط سازمان بهداشت جهانی (WHO) بود و تأثیر قوی فعالیت‌های صنعتی بر کیفیت آب‌های زیرزمینی را برجسته می‌کند . ^۲۵ به طور مشابه، تحقیقات در مورد آلودگی ناشی از معدن متروکه سیدی کامبار، وخامت شدید در کیفیت آب‌های زیرزمینی و سطحی، از جمله کاهش مناسب بودن برای آشامیدن و خطرات بالقوه بهداشتی برای جمعیت محلی را نشان داد . ^۲۶ ارزیابی‌های هیدروژئولوژیکی از جمله مدل DRASTIC ، مناطق آسیب‌پذیری متوسط ​​تا زیاد را در نزدیکی شهر سکیکدا شناسایی کردند . ^۲۷ به طور مشابه، مطالعات هیدروشیمیایی در حوضه فتزارا نشان داد که ۸۸٪ از نمونه‌ها برای آبیاری مناسب هستند و حدود ۶۴٪ منیزیم بالایی دارند که می‌تواند به حاصلخیزی خاک آسیب برساند ^. با این حال، این کارها عمدتاً بر هیدروشیمی مرسوم و مدل‌سازی کلاسیک متکی بودند، بدون ادغام روش‌های پیشرفته، مانند یادگیری ماشین (ML) که قادر به ثبت تعاملات پیچیده هیدروشیمیایی-محیطی هستند.

یک رویکرد جدید با استفاده از تکنیک‌های آماری چند متغیره، به ویژه تحلیل خوشه‌ای (CA) و تحلیل مؤلفه‌های اصلی (PCA) پیاده‌سازی شده است. این روش کمی، نمونه‌های آب زیرزمینی را برای بررسی روابط متقابل پارامترهای فیزیکوشیمیایی، ارزیابی شباهت‌های نمونه‌ها و تعیین فرآیندهای کانی‌سازی آب‌های زیرزمینی دسته‌بندی می‌کند. ^{۲۹ ، ۳۰٫} کیفیت آب‌های زیرزمینی به طور قابل توجهی تحت تأثیر الگوهای فیزیکوشیمیایی ناشی از شرایط زمین‌شناسی و شیوه‌های انسانی قرار دارد . ^۳۱٫ در واقع، تغذیه، خواص سفره آب، زمان تماس و فرآیندهای ژئوشیمیایی مانند انحلال مواد معدنی و تبادل یونی عوامل اصلی در کنترل ژئوشیمی آب‌های زیرزمینی برای آبیاری هستند. ^{۳۲ ، ۳۳٫} ابزارهای کلاسیک از جمله نمودارهای پایپر، گیبس، چادا و نسبت‌های یونی برای ارزیابی ویژگی‌های شیمیایی و عوامل کنترل‌کننده استفاده می‌شوند . ^۳۴٫ برای ارزیابی مناسب بودن آبیاری، معمولاً از شاخص‌های کیفیت آب زیرزمینی (IWQI) بر اساس پارامترهایی مانند Na%، SSP، SAR و MH استفاده می‌شود. ^{۳۵ ، ۳۶} . سیستم‌های اطلاعات جغرافیایی (GIS) با ادغام روش‌های ارزیابی کیفیت آب با تحلیل مکانی، رویکردی امیدوارکننده ارائه می‌دهند و در نتیجه تفسیر و ارائه یافته‌های تحقیقاتی را بهبود می‌بخشند . ^۳۷

الگوریتم‌های یادگیری ماشین (MLAs) به ابزارهای قدرتمندی برای پیش‌بینی کیفیت آب‌های زیرزمینی تبدیل شده‌اند. رویکردهایی مانند رگرسیون جنگل تصادفی (RF)، رگرسیون تقویت‌کننده گرادیان شدید (XGBR) و رگرسیون تقویت‌کننده تطبیقی ​​(ABR) دقت فوق‌العاده‌ای را در ثبت روابط پیچیده و غیرخطی در مجموعه داده‌های کیفیت آب نشان می‌دهند. ^{۲۲ ، ۳۸ ، ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ، ۴۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷٫} این مدل‌ها مزایای قابل توجهی نسبت به روش‌های سنتی، از جمله پردازش سریع‌تر، مقرون‌به‌صرفه بودن و مدیریت برتر داده‌های در مقیاس بزرگ ارائه می‌دهند . ^{۴۴ ، ۴۸٫} اخیراً، MLAها از چارچوب‌های پیش‌بینی قوی پشتیبانی کرده‌اند که تصمیم‌گیری در مدیریت منابع آب را تقویت می‌کنند. علاوه بر این، این مطالعه یک تجزیه و تحلیل مقایسه‌ای از الگوریتم‌های یادگیری ماشین انتخاب شده (RF، XGBR، ABR) را برای ارزیابی عملکرد پیش‌بینی‌کننده آنها برای شاخص‌های کیفیت آب آبیاری انجام می‌دهد. بیان این رویکرد مقایسه‌ای از ابتدا، هماهنگی با بخش‌های بحث و نتیجه‌گیری را تضمین می‌کند و خواننده را در مورد آنچه از مطالعه انتظار می‌رود، راهنمایی می‌کند.

با وجود این پیشرفت‌ها، سفره‌های آب ساحلی نیمه‌خشک در شمال شرقی الجزایر، به‌ویژه در مورد کاربرد MLAها برای پیش‌بینی WQIهای متنوع و ارزیابی اثرات ترکیبی شوری و فلزات سنگین، همچنان ناشناخته باقی مانده‌اند. پرداختن به این شکاف‌ها برای مدیریت پایدار کیفیت آب در این منطقه حساس و از نظر اقتصادی مهم، بسیار مهم است. این مطالعه به بررسی رفتار هیدرودینامیکی و کنترل‌های کلیدی ژئوشیمیایی بر آب‌های زیرزمینی در منطقه نیمه‌خشک سکیکده می‌پردازد. به‌طور خاص، تأثیر عوامل طبیعی و انسانی (کشاورزی، شهرنشینی) بر کیفیت آب‌های زیرزمینی برای مناسب بودن کشاورزی را ارزیابی می‌کند و این مطالعه در زمینه ایجاد استفاده از رگرسیون جنگل تصادفی (RF)، رگرسیون تقویت‌کننده گرادیان شدید (XGBR)، رگرسیون تقویت‌کننده تطبیقی ​​(ABR) در تلفیق با تحلیل SHAP برای ارزیابی منابع آب زیرزمینی آبیاری الجزایر در منطقه ساحلی شمال شرقی، مقدماتی است.

اصالت این مطالعه ناشی از ادغام شاخص‌های کیفیت آب (WQI) با تکنیک‌های یادگیری ماشین مبتنی بر GIS برای ارزیابی مناسب بودن آبیاری در منطقه Skikda است، جایی که چنین رویکرد ترکیبی هنوز اجرا نشده است. بنابراین اهداف اصلی این مطالعه عبارتند از (۱) ارزیابی تأثیر فرآیندهای طبیعی و فشارهای انسانی بر کیفیت آب‌های زیرزمینی در Skikda، (۲) ارزیابی کیفیت آب آبیاری با استفاده از IWQIها، و (۳) توسعه و آزمایش مدل‌های یادگیری ماشین (RF، XGBR، ABR) ادغام شده با GIS و SHAP برای پیش‌بینی و تفسیر مناسب بودن آبیاری. نتایج این مطالعه می‌تواند مقامات محلی مدیریت آب را در اتخاذ شیوه‌های آبیاری پایدار، ضمن کاهش خطرات بالقوه برای سلامت انسان و اکوسیستم‌های اطراف، راهنمایی کند.

منطقه مورد مطالعه

منطقه سکیکده، واقع در شمال شرقی الجزایر و بخشی از منطقه کوچک کابیلیه، از شمال با دریای مدیترانه هم‌مرز است و با استان‌های عنابه و غلمه (شرق)، قسطنطنیه و میلا (جنوب) و جیجل (غرب) مرز مشترک دارد. منطقه سکیکده مساحتی معادل ۵۵.۸۲ کیلومتر مربع ^با جمعیتی تقریباً ۸۹۰۰۰۰ نفر ^(۴۹) را پوشش می‌دهد که تراکم جمعیت آن ۱۹۲ نفر در هر کیلومتر مربع است ^. آب و هوای منطقه سکیکده معتدل نیمه مرطوب تا مرطوب است که تحت تأثیر دریای مدیترانه قرار دارد و با دو فصل متمایز مشخص می‌شود: یک دوره خنک‌تر و مرطوب‌تر از اکتبر تا آوریل، با میانگین دمای حدود ۱۴ درجه سانتیگراد، و یک دوره گرم‌تر و خشک‌تر از مه تا سپتامبر، با میانگین دمای ۲۲ درجه سانتیگراد. میانگین کلی دمای سالانه حدود ۱۸ درجه سانتیگراد و میزان بارندگی سالانه ۷۴۶.۹ میلی‌متر است. توپوگرافی متنوع سکیکده شامل کوه‌های ناهموار و دشت‌های مسطح است که در آن‌ها ارتفاع بین ۳۰۰ متر تا ۱۰۰۰ متر از سطح دریا متغیر است و این امر تأثیر قابل توجهی بر توزیع و دسترسی به آب‌های زیرزمینی دارد. آب‌های زیرزمینی در مناطق کوهستانی معمولاً در اعماق بیشتری یافت می‌شوند که استخراج را پیچیده می‌کند، در حالی که مناطق دشتی دارای سطوح کم‌عمق‌تری هستند که دسترسی به آب‌های زیرزمینی را برای آبیاری و آشامیدن آسان‌تر می‌کند. توپوگرافی متنوع سکیکده نقش مهمی در توزیع و دسترسی به آب‌های زیرزمینی در سراسر منطقه ایفا می‌کند. منطقه مورد مطالعه شامل چندین بخش نمونه از سکیکده است که بخش‌های مرکزی، شمال غربی و شرقی آن را در بر می‌گیرد. بخش مرکزی مناطق شهری مانند Cité Frère Ayachi P40، Cité Zéramna P32 و Hamadi Kerouma P42 را پوشش می‌دهد. بخش شمال غربی شامل مناطقی با فعالیت‌های کشاورزی، صنعتی و مسکونی قابل توجه مانند مناطق صنعتی P5، P6، P7، P8، P9، P10، P11، P39، P41 است. بخش جنوب غربی شامل محلاتی از جمله Hadaik P1، P2، P4، P12، P13، P14، P15، P16، P30، P38، P37، P42 و Zefzef P3، P17، P18، P19، P35، P29 است. مناطق جنوب شرقی مانند Beni Bechir P23، P25، P26 و مناطق غربی مانند Bissi P21، P22، P24، P28 و Bougaren P31، P33، P34، P44 و Cité Hamrouch Hamoudi P20، P43، P27 (شکل ۱ ). این تنوع جغرافیایی، که شامل مناطق کاربری اراضی متمایز است، درک کاملی از تأثیر فعالیت‌های صنعتی، کشاورزی و مسکونی بر کیفیت آب‌های زیرزمینی در این مناطق را تسهیل می‌کند . ^۵۰٫ استفاده از تجزیه و تحلیل چند متغیره، درک واضح‌تری از روابط بین پارامترهای فیزیکوشیمیایی را فراهم کرد که برای شناسایی منابع آلودگی بالقوه و انجام ارزیابی جامع از کیفیت آب ضروری است. ^۵۱ .

هیدروژئولوژی منطقه مورد مطالعه

منطقه سکیکده در امتداد ساحل شمال شرقی الجزایر واقع شده است که یک چارچوب زمین‌شناسی پیچیده و متنوع را نشان می‌دهد که رفتار آب‌های زیرزمینی آن را کنترل می‌کند (شکل ۲ ). نقشه زمین‌شناسی عمومی (شکل ۲ الف) نشان می‌دهد که دشت‌های ساحلی عمدتاً توسط سازندهای آبرفتی و دریایی کواترنری پوشیده شده‌اند که مربوط به رسوبات ویلافرانشیان تا رسوبات اخیر است. این سازندهای عمدتاً از مواد شنی و رسی تشکیل شده‌اند که تخلخل و نفوذپذیری بالایی را برای توسعه سفره‌های آب زیرزمینی کم‌عمق فراهم می‌کنند ^۵۲٫ این مناطق آبخیز، تغذیه آب از نفوذ بارندگی و همچنین ورودی آب از مناطق زهکشی مجاور را دریافت می‌کنند.

با حرکت به سمت داخل خشکی، زمین‌شناسی به زیرزمین کابیل منتقل می‌شود که شامل فلیش‌های الیگو-میوسن و توالی‌های رسوبی قدیمی‌تر پالئوزوئیک تا مزوزوئیک، یادگارهایی از زنجیره کوهزایی مغربی ^۵۳، است. این سنگ‌های تثبیت‌شده‌تر عموماً میزبان سفره‌های آب نیمه‌محبوس تا محصور هستند و جریان آب زیرزمینی به شدت به شکستگی‌ها و ناپیوستگی‌های ساختاری وابسته است.

بخش جنوبی منطقه مورد مطالعه تحت سلطه تیغه رسوبی نومیدین است که از توالی‌های ماسه‌سنگی ضخیم با مارن‌ها و رس‌ها تشکیل شده است. این سازندها مخازن آبخوان مهمی را تشکیل می‌دهند که ظرفیت ذخیره‌سازی بالایی دارند اما بسته به درجه تحکیم و لایه‌بندی، قابلیت انتقال متغیری دارند ^(۵۴) . علاوه بر این، رخدادهای محلی سازندهای تبخیری تریاس، غنی از گچ و رس، به عنوان موانع نفوذناپذیر عمل می‌کنند و جریان آب زیرزمینی را به صورت محلی محدود کرده و شرایط هیدروژئولوژیکی ناهمگنی ایجاد می‌کنند.

مقطع زمین‌شناسی (شکل ۲ ب) در امتداد محور NNW-SSE (خط AB) تجسم دقیقی از تغییرات عمودی و جانبی سنگ‌شناسی ارائه می‌دهد. این بخش، یک سیستم آبخوان چند لایه را برجسته می‌کند، با واحدهای نفوذپذیر متناوب (ماسه سنگ‌ها، مارن‌های شنی، رس‌های شنی) و واحدهای نفوذپذیری کم (رس‌ها و مارن‌ها)، ساختاری که حرکت و ذخیره آب‌های زیرزمینی را کنترل می‌کند ^{۵۵ ، ۵۶٫} واحدهای نفوذپذیر به عنوان آبخوان‌های اصلی عمل می‌کنند و جریان و ذخیره قابل توجهی از آب‌های زیرزمینی را ممکن می‌سازند، در حالی که لایه‌های نفوذناپذیر یا نیمه‌تراوا به عنوان آکیتاردها یا آکیکلودها عمل می‌کنند و حرکت عمودی آب را محدود کرده و آب‌های زیرزمینی را به افق‌های نیمه محصور یا محصور تقسیم می‌کنند ^{۵۵ ، ۵۶} .

از نظر توپوگرافی، این منطقه دارای شیب ملایمی از ارتفاعات، از مناطق ساحلی کم‌ارتفاع (۰ تا ۳۰ متر) تا مناطق مرتفع‌تر داخلی (تا ۹۰ متر بالاتر از سطح دریا) است. این شیب، جریان طبیعی آب‌های زیرزمینی را از مناطق تغذیه داخلی به سمت مناطق تخلیه در امتداد ساحل افزایش می‌دهد. قرارگیری نقاط نمونه‌برداری آب (به رنگ قرمز) در امتداد واحدهای زمین‌شناسی مختلف، ناهمگونی هیدروژئولوژیکی را بیشتر نشان می‌دهد، زیرا تعامل بین سنگ‌شناسی و توپوگرافی، کیفیت آب متغیری را در سراسر منطقه مورد مطالعه ایجاد می‌کند.

در اصل، رفتار و دسترسی به آب‌های زیرزمینی در منطقه سکیکدا اساساً توسط آرایش پیچیده زیرسطحی آن تعیین می‌شود که شامل کنار هم قرار گرفتن رسوبات جوان و متخلخل، ماسه‌سنگ‌های نومیدیایی حاوی آب و لایه‌های رسی با نفوذپذیری کم است که به عنوان واحدهای محدودکننده عمل می‌کنند. بنابراین، درک جامع از این چارچوب زمین‌شناسی چندوجهی برای اجرای استراتژی‌های صحیح مدیریت آب‌های زیرزمینی و تضمین پایداری طولانی‌مدت این منبع حیاتی در منطقه ضروری است.

جمع‌آوری نمونه‌ها و اندازه‌گیری‌های شیمیایی

در مجموع ۴۴ نمونه آب زیرزمینی طی دو عملیات مجزا جمع‌آوری شد: یکی در مارس ۲۰۲۴ و دیگری در سپتامبر ۲۰۲۴. در هر عملیات، از هر ۴۴ محل نمونه‌برداری بازدید و نمونه‌ای گرفته شد. قبل از نمونه‌برداری، آب زیرزمینی از هر چاه به مدت ۱۵ دقیقه پمپ شد تا از به دست آمدن آبی که نمایانگر ویژگی‌های واقعی سفره آب زیرزمینی باشد، اطمینان حاصل شود و در نتیجه هرگونه آب راکدی که به طور بالقوه آلوده یا تحت تأثیر شرایط سطحی بود، حذف شود. سپس نمونه‌های جمع‌آوری‌شده با استفاده از غشاهایی با قطر ۰.۴۵ میکرومتر در محل فیلتر شدند. مختصات جغرافیایی هر چاه با استفاده از GPS ثبت شد. تمام مراحل نمونه‌برداری در شرایط استریل انجام شد تا خطر آلودگی خارجی به حداقل برسد.

نمونه‌های آب زیرزمینی در بطری‌های پلی‌پروپیلن (PP) از پیش تمیز شده، طبق دستورالعمل‌های استاندارد انجمن بهداشت عمومی آمریکا (APHA) ^۵۷ جمع‌آوری شدند . برای از بین بردن بقایای احتمالی، بطری‌ها با آب مقطر کاملاً شسته شدند. در طول کار میدانی، پارامترهای فیزیکوشیمیایی اولیه، شامل دما، pH، رسانایی الکتریکی (EC)، کدورت و کل جامدات محلول (TDS)، با استفاده از یک کاوشگر چند پارامتری (Hach) در محل اندازه‌گیری شدند. در هر چاه، سطح پیزومتریک با استفاده از یک کاوشگر پیزومتریک اندازه‌گیری شد. نمونه‌ها بلافاصله در خنک‌کننده‌های قابل حمل قرار داده شدند تا دمای آنها حفظ شود و از واکنش‌های شیمیایی یا تخریب جلوگیری شود. متعاقباً، تا زمان تجزیه و تحلیل طبق روش‌های APHA ^۵۷ در یخچال آزمایشگاهی در دمای ۴ درجه سانتیگراد نگهداری شدند .

برای تجزیه و تحلیل شیمیایی دقیق در آزمایشگاه، از تکنیک‌های زیر استفاده شد: Ca2 ⁺ و Mg2 ⁺ با استفاده از تیتراسیون کمپلکسومتری با EDTA و با استفاده از یک شاخص مناسب برای تعیین دقیق نقطه هم‌ارزی، تعیین مقدار شدند. یون‌های Cl- ^و HCO3- با _{استفاده} از روش‌های تیتراسیون حجمی مرسوم تجزیه و تحلیل شدند. غلظت Na ⁺ و K ⁺ با استفاده از نورسنجی شعله‌ای تعیین شد که شدت نور ساطع شده از یون‌های در معرض شعله را در برابر منحنی کالیبراسیون اندازه‌گیری می‌کرد. ^{یون‌های} _SO42- و NO3- _{با استفاده از اسپکتروفتومتر} ^، بر اساس جذب نور در طول موج‌های خاص پس از واکنش با معرف‌های شیمیایی اختصاصی، با غلظت‌های تعیین شده در برابر منحنی کالیبراسیون، تعیین مقدار شدند. این روش شامل اجرای بسیار دقیق هر مرحله بود. برای استخراج دقیق اندازه‌گیری، هر نمونه تحت سه چرخه آزمایش قرار گرفت. تمام نتایج تحلیلی به میلی‌اکی‌والان در هر لیتر (meq/L) تبدیل شدند و حاشیه خطای تحلیلی بیش از ۵٪ حفظ نشد.

روش‌های آماری چند متغیره

در این مطالعه، از تکنیک‌های تحلیل چند متغیره، مانند تحلیل مؤلفه‌های اصلی، برای انتخاب مرتبط‌ترین پارامترهای کیفیت آب جهت توسعه یک شاخص قابل اعتماد، مطابق با روش‌های مشابه مورد استفاده برای ارزیابی کیفیت آب، استفاده شد.

تحلیل مؤلفه‌های اصلی (PCA)

PCA یک تکنیک آماری قدرتمند است که برای بررسی و تفسیر روابط پیچیده بین مجموعه بزرگی از متغیرها با کاهش ابعاد و برجسته کردن الگوهای اساسی در داده‌ها طراحی شده است. در این مطالعه، PCA به طور مؤثر برای فشرده‌سازی پارامترهای متعدد کیفیت آب در مجموعه‌ای کوچکتر از تأثیرگذارترین آنها به کار گرفته شد و پایه‌ای مقرون به صرفه و قوی برای توسعه WQI های جدید فراهم کرد. ^{۴۰ ، ۴۱ ، ۴۲ ، ۴۳٫} سودمندی PCA در حفظ واریانس ضروری ضمن ساده‌سازی ساختارهای داده هیدروشیمیایی به طور گسترده در مطالعات کیفیت آب سیستم‌های سطحی و زیرزمینی شناخته شده است. PCA به عنوان یک روش چند متغیره، به طور گسترده در رشته‌های علمی برای به حداقل رساندن افزونگی، استخراج مرتبط‌ترین اطلاعات و کاهش همخطی چندگانه استفاده می‌شود و در نتیجه بینش‌های قوی در مورد ساختارهای داده پیچیده ارائه می‌دهد. ^{۵۴ ، ۵۵ ، ۵۶} .

در طول دهه‌های گذشته، مطالعات متعددی کاربرد PCA را به دلیل توانایی آن در به حداقل رساندن افزونگی داده‌ها، استخراج مرتبط‌ترین اطلاعات و کاهش همخطی چندگانه بین متغیرها نشان داده‌اند. در نتیجه، این روش بینش‌های قوی در مورد ساختارهای داده پیچیده در رشته‌های مختلف علمی ارائه می‌دهد ^{۵۸ ، ۵۹ ، ۶۰ ، ۶۱٫} برای تعیین منشأ احتمالی اجزای تشکیل‌دهنده آب‌های زیرزمینی و بررسی ارتباطات بین شاخص‌های مختلف هیدروشیمیایی، از PCA استفاده شد ^۶۲ که دانشمندان را قادر می‌سازد تا به مجموعه داده‌های پیچیده نفوذ کرده و به طور مؤثر متغیرها و روندهای غالبی را که ساختار کلی داده‌ها را هدایت می‌کنند، شناسایی کنند. این روش با تبدیل گروهی از متغیرهای مرتبط به مجموعه‌ای کوچک‌تر و غیرمرتبط به نام مؤلفه‌های اصلی (PC) به این هدف دست می‌یابد. PCA با ساده‌سازی مجموعه داده‌ها، نه تنها تفسیر را روشن می‌کند، بلکه طراحی WQI های متناسب با نیازهای آبیاری را نیز تسهیل می‌کند ^{۶۳ ، ۶۴} .

روابط معنادار بین جفت پارامترها، که اغلب ناشی از فرآیندهایی مانند انحلال مواد معدنی یا بارش هستند، با استفاده از تحلیل همبستگی پیرسون بررسی شدند که درک مهمی از دینامیک هیدروژئوشیمیایی رخ داده در سیستم آبخوان ارائه می‌دهد ^۶۵٫ علاوه بر این، PCA برای تشخیص و برجسته کردن شباهت‌ها و تفاوت‌های بین نمونه‌ها، و همچنین گروه‌بندی آنها بر اساس ویژگی‌های هیدروشیمیایی‌شان ^۴۶، به کار می‌رود . در پایش آب‌های زیرزمینی، چنین خوشه‌بندی به ویژه برای تمایز الگوهای هیدروشیمیایی طبیعی از الگوهای ناشی از فعالیت‌های انسانی مفید است ^۱۱ .

برای بررسی فرآیندهای ژئوشیمیایی اصلی کنترل‌کننده ترکیب شیمیایی آب‌های زیرزمینی و کیفیت آن در منطقه سکیکدا، بینش‌های معناداری از طریق اعمال PCA بر روی داده‌های هیدروشیمیایی جمع‌آوری‌شده در طول این مطالعه استخراج شد. رویکردهای قابل مقایسه در سفره‌های آب ساحلی، توانایی PCA را در آشکارسازی تأثیر نفوذ آب دریا و پویایی شوری آب‌های زیرزمینی نشان داده‌اند که از ارتباط آن با مطالعه موردی حاضر پشتیبانی می‌کند.

تحلیل خوشه‌ای (CA)

هدف اصلی CA شناسایی گروه‌های نسبتاً همگن از اشیاء با ارزیابی شباهت‌ها و تفاوت‌های آنها است ^{۴۰ ، ۴۱ ، ۴۲ ، ۴۳٫} این فرآیند خوشه‌بندی شامل ادغام گام به گام متغیرها بر اساس سطح شباهت آنها است که در یک خوشه واحد به اوج خود می‌رسد و به صورت بصری توسط یک دندروگرام برای درک شهودی از روابط متغیرها نمایش داده می‌شود. هدف اساسی CA ایجاد گروه‌بندی‌های یکنواخت با تجزیه و تحلیل تفاوت‌ها و شباهت‌های اشیاء ^۶۶ است ، که تضمین می‌کند اقلام موجود در یک کلاس بر اساس صفات مشترک گروه‌بندی می‌شوند، یک روش شناخته شده ^۶۷٫ در ابتدا، اشیاء با ویژگی‌های مشترک، گروه‌های کوچکی را تشکیل می‌دهند که با افزایش شباهتشان، به تدریج در یک خوشه واحد ادغام می‌شوند و با گروه‌بندی دقیق نمونه‌هایی با ویژگی‌های هیدروشیمیایی مشابه در خوشه‌های مجزا، الگوهای شیمی آب‌های زیرزمینی را به طور مؤثر متمایز می‌کنند. روش وارد، تکنیک خاص تحلیل خوشه‌ای مورد استفاده در اینجا است که با کمی‌سازی مبتنی بر ANOVA عدم تشابه خوشه‌ای از طریق مجموع مربعات خطاها از نقاط داده به مراکز خوشه‌ای آنها ^۶۸ متمایز می‌شود تا رویکردی قوی برای تحلیل خوشه‌ای ارائه دهد و درک گروه‌بندی‌های متمایز در داده‌های شیمی آب منطقه سکیکدا را افزایش دهد.

روش‌های نمایه‌سازی

تبادلات یونی

رویکرد شاخص‌گذاری، یک روش تحلیلی مفید برای ردیابی منابع و روابط بین یون‌های اصلی در آب‌های زیرزمینی است. این روش از نمودارهایی مانند (Ca + Mg) – (Na + K) در مقابل (HCO3 _– (SO4 ₊ Cl))، (Ca + Mg) در مقابل (HCO3 ₎ ، (Ca + Mg) در مقابل (Cl + SO4 ₎ ، (Na) در مقابل (Cl) و (Mg/Na) در مقابل (Mg/Ca) برای آشکار کردن تعاملات ژئوشیمیایی کلیدی استفاده می‌کند. این تحلیل‌های گرافیکی به تفسیر فرآیندهایی که ترکیب شیمیایی آب‌های زیرزمینی را شکل می‌دهند، کمک می‌کنند.

شاخص‌های کیفیت آب آبیاری (IWQI)

شاخص‌های کیفیت آب (IWQI) که در ابتدا توسط ^۶۹ معرفی شدند ، به‌طور خاص برای ارزیابی کیفیت آب برای آبیاری طراحی شده بودند و با ادغام پارامترهای مختلف فیزیکوشیمیایی و بیولوژیکی در یک امتیاز کمی واحد، یک معیار تلفیقی ارائه می‌دادند.

این روش در درجه اول برای ارزیابی این موضوع در نظر گرفته شده بود که آیا آب قبل از استفاده در شیوه‌های کشاورزی، بر اساس چندین شاخص کیفی مرتبط، استانداردهای ایمنی را برآورده می‌کند یا خیر ^۷۰٫ این روش، شاخص‌های مختلف فیزیکی و شیمیایی کیفیت آب را در یک امتیاز شاخص جامع ادغام می‌کند و ارزیابی ساده‌ای از چگونگی تأثیر آب بر رشد گیاه و سلامت خاک ارائه می‌دهد ^۷۱٫ علیرغم مفید بودن، شاخص‌های کیفیت آب (WQI) با چالش‌هایی در رابطه با استانداردسازی، انتخاب پارامترها و سازگاری منطقه‌ای روبرو هستند ^۱۹٫ قابلیت اطمینان شاخص‌های کیفیت آب تا حد زیادی به وزن‌دهی پارامترهای انتخاب شده بستگی دارد، زیرا تخصیص نامناسب وزن ممکن است باعث ایجاد سوگیری در شاخص نهایی شود. روش‌های مرسوم تعیین وزن معمولاً مبتنی بر قضاوت ذهنی هستند، در حالی که تحلیل عاملی مبنای آماری دقیق‌تری برای تعیین وزن‌های عینی ارائه می‌دهد ^۶۳ .

آب آبیاری می‌تواند بر خواص خاک و بهره‌وری کشاورزی تأثیر بگذارد، که تا حد زیادی تحت تأثیر ترکیبی پارامترهای متعدد آب است. در این مطالعه، شاخص‌های کلیدی شامل (IWQI، SAR، Na%، PI، MH و SSP) با استفاده از خواص فیزیکوشیمیایی آب زیرزمینی برای ارزیابی کیفیت آن برای آبیاری تعیین شدند. این شاخص‌ها با استفاده از فرمول‌ها و معیارهای طبقه‌بندی ذکر شده در جدول  ۱ محاسبه شدند و ارزیابی مداوم و دقیقی از کیفیت آب زیرزمینی برای آبیاری را تضمین کردند.

^{شاخص کیفیت آب (IWQI )} از طریق فرمولی تعیین می‌شود که از یک امتیاز بدون بعد در محدوده ۰ تا ۱۰۰ برای ارزیابی تعاملات بین متغیرهایی مانند EC، SAR، Na ⁺ ، HCO3- _و Cl ^– ۷۲ استفاده می‌کند (جدول  ۲ ).

Q _i : اندازه‌گیری کیفیت که نشان می‌دهد آیا در محدوده تلرانس مشخص‌شده قرار می‌گیرد یا خیر. برعکس، Wi نشان‌دهنده وزن اختصاص‌یافته به هر متغیر در ارزیابی است که نشان‌دهنده اهمیت نسبی آن در ارزیابی کلی است.

کجا؛

X _inf : کلاس مرزی پایین. X _ij : متغیر مشاهده شده. Q _imap : محدوده کلاس و X _amp : محدوده کلاسی که متغیر در آن قرار دارد.

کجا؛

I: مقدار عوامل فیزیکوشیمیایی و تغییر از ۱ تا n. J: تعداد عناصر از ۱ تا k. F: مقدار ویژه مؤلفه. A: میزان تأثیر پارامتر i بر عامل j.

روش‌های یادگیری ماشین برای ارزیابی شاخص‌های کیفیت آب

شاخص‌های کیفیت آب (WQI) مرسوم، مانند IWQI، SAR، Na%، MR، PI و SSP، از یک نقص قابل توجه رنج می‌برند: محاسبه آنها نیاز به وزن‌دهی تخصصی متغیرها دارد که اغلب منجر به نتایج مبهم می‌شود ^۳۸٫ این شاخص‌ها پارامترهای فیزیکوشیمیایی متنوع را در یک مقدار واحد که نشان‌دهنده مناسب بودن آب است، جمع می‌کنند. برای کاهش ذهنیت، محققان وزن‌های بحرانی یون مبتنی بر آنتروپی را در نظر گرفته‌اند که دقت اندازه‌گیری را افزایش می‌دهد. با این وجود، روش‌های تخمین سنتی که به معادلات ریاضی متکی هستند، نیاز به جمع‌آوری داده‌های گسترده، تجزیه و تحلیل آزمایشگاهی، اجرا و آزمایش دارند و ذاتاً آنها را زمان‌بر و پرزحمت می‌کنند. از سوی دیگر، الگوریتم‌های یادگیری ماشین (MLAs) جایگزین کارآمدتری ارائه می‌دهند ^۷۶ .

این مطالعه سه MLA، به ویژه رگرسیون جنگل تصادفی (RF)، رگرسیون تقویت‌کننده گرادیان شدید (XGBR) و رگرسیون تقویت‌کننده تطبیقی ​​(ABR) را با استفاده از بسته scikit-learn پایتون در محیط Spyder توسعه داد. این مدل‌ها WQIها را با استفاده از پارامترهای فیزیکوشیمیایی انتخاب شده به عنوان ویژگی‌های ورودی پیش‌بینی می‌کنند. نکته مهم این است که تنظیمات ابرپارامترهای مدل که قبل از آموزش از پیش تعیین شده‌اند و از داده‌ها آموخته نمی‌شوند، نقش حیاتی در تعیین عملکرد مدل دارند ^{۷۷ ، ۷۸ ، ۷۹} .

رگرسیون جنگل تصادفی (RF)

جنگل تصادفی (RF) یک MLA گروهی است که به طور گسترده برای کارهای رگرسیون و طبقه‌بندی استفاده می‌شود. این روش با ساخت چندین درخت تصمیم‌گیری در طول آموزش و تجمیع پیش‌بینی‌های آن برای بهبود دقت و استحکام عمل می‌کند. هر درخت بر روی یک زیرمجموعه تصادفی از داده‌ها (تجمیع بوت‌استرپ یا بسته‌بندی) آموزش داده می‌شود. در این مطالعه، دو ابرپارامتر کلیدی برای کاهش بیش‌برازش، که با توجه به حجم نمونه محدود، یک خطر بحرانی است، بهینه شدند: تعداد درختان در جنگل (محدوده آزمایش شده: ۱ تا ۲۰) و حداکثر عمق مجاز برای هر درخت منفرد (محدوده آزمایش شده: ۱ تا ۱۰ سطح). میانگین مربعات خطا (MSE) به عنوان معیاری برای ارزیابی کیفیت تقسیم‌بندی‌ها در هر درخت استفاده شد. همانطور که در منابع ^۸۰ ذکر شده است ، پیش‌بینی RF نهایی برای رگرسیون با میانگین‌گیری پیش‌بینی‌های همه درختان منفرد به دست می‌آید. این رویکرد گروهی به طور قابل توجهی عملکرد پیش‌بینی و قابلیت تعمیم را بر روی داده‌های دیده نشده افزایش می‌دهد.

رگرسیون تقویت تطبیقی ​​(ABR)

ABR یک تکنیک گروهی متوالی است که از الگوریتم AdaBoost اقتباس شده است، که در ابتدا برای بهبود درخت‌های طبقه‌بندی و رگرسیون طراحی شده بود ^۸۱٫ اصل اصلی آن شامل آموزش تکراری دنباله ای از یادگیرنده‌های ضعیف (معمولاً مدل‌های ساده) بر روی نسخه‌های تطبیقی ​​​​وزن‌دهی مجدد شده از داده‌های آموزشی است. الگوریتم به شرح زیر عمل می‌کند: به هر نمونه آموزشی یک وزن اولیه اختصاص داده می‌شود که نشان دهنده اهمیت نسبی آن است. در هر تکرار، یک یادگیرنده ضعیف بر روی مجموعه داده‌ای که با نمونه‌برداری مجدد از داده‌های اصلی بر اساس وزن‌های نمونه فعلی به دست آمده است، آموزش داده می‌شود. خطای یادگیرنده محاسبه می‌شود که به شدت تحت تأثیر نمونه‌های پیش‌بینی شده نادرست با وزن‌های بالا قرار دارد. سپس وزن‌های نمونه‌ها به‌روزرسانی می‌شوند: وزن نمونه‌هایی که توسط یادگیرنده فعلی به طور ضعیفی رگرسیون شده‌اند افزایش می‌یابد و تکرارهای بعدی بر روی چالش برانگیزترین موارد متمرکز می‌شوند ^۸۲٫ تطبیق AdaBoost با رگرسیون نیاز به مدیریت خطاهای با مقدار حقیقی به جای نتایج طبقه‌بندی دودویی دارد. ABR با موارد زیر به دست می‌آید: مقایسه خطاهای پیش‌بینی در برابر یک آستانه برای تعریف یک “خطا” برای اهداف به‌روزرسانی وزن، مشابه رویکرد طبقه‌بندی. اصلاح احتمالات نمونه‌گیری مجدد بر اساس بزرگی خطا؛ نمونه‌هایی با خطاهای بزرگتر، احتمال انتخاب بالاتری در تکرار بعدی دارند. ترکیب پیش‌بینی‌های همه یادگیرنده‌های ضعیف در دنباله با استفاده از میانگین وزنی یا میانه برای تولید رگرسیونر نهایی ^{۸۳ ، ۸۴.} برای این مطالعه، ابرپارامترهای ABR بهینه شدند: تعداد یادگیرنده‌های ضعیف متوالی (محدوده آزمایش شده: ۱ تا ۲۰) و حداکثر عمق یادگیرنده‌های درخت تصمیم پایه (محدوده آزمایش شده: ۱ تا ۱۰ سطح).

رگرسیون افزایش گرادیان شدید (XGBR)

XGBR یک پیاده‌سازی بسیار بهینه و مقیاس‌پذیر از چارچوب تقویت گرادیان است. تقویت گرادیان یک تکنیک گروهی است که مدل‌ها را به صورت متوالی می‌سازد؛ هر درخت تصمیم جدید برای اصلاح خطاهای باقیمانده گروه قبلی آموزش داده می‌شود. XGBR به طور خاص این فرآیند را با استفاده از بهینه‌سازی گرادیان نزولی برای به حداقل رساندن یک تابع زیان مشتق‌پذیر مشخص، بهبود می‌بخشد. این مدل، گروهی از درختان تصمیم را می‌سازد که به عنوان یادگیرنده‌های پایه عمل می‌کنند. یک اصل اساسی این است که این یادگیرنده‌ها برای ایجاد خطاهای غیرهمبسته در زیرمجموعه‌های داده مختلف طراحی شده‌اند. هنگامی که پیش‌بینی‌های فردی آنها با هم ترکیب می‌شوند، این خطاها یکدیگر را جبران می‌کنند و در نتیجه دقت پیش‌بینی کلی به طور قابل توجهی بهبود می‌یابد ^{۷۷ ، ۸۵ ، ۸۶٫} برای بهینه‌سازی عملکرد مدل XGBR برای این مطالعه، پارامترهای کلیدی زیر به طور سیستماتیک تنظیم شدند تا بیش‌برازش را کاهش دهند، که با توجه به حجم نمونه محدود، یک خطر حیاتی است: (i) نرخ یادگیری، سهم هر درخت را در گروه کنترل می‌کند (مقادیر آزمایش شده: ۰٫۱، ۰٫۰۱، ۰٫۰۰۱). (ii) تعداد دورهای تقویت (یعنی درخت‌های تصمیم‌گیری) در دنباله (محدوده آزمایش‌شده: ۱ تا ۲۰). (iii) حداکثر عمق مجاز برای هر درخت تصمیم منفرد، که برای مدیریت پیچیدگی مدل و جلوگیری از بیش‌برازش بسیار مهم است (محدوده آزمایش‌شده: ۱ تا ۲۰ سطح). این کاوش جامع در فضای ابرپارامتر با هدف شناسایی پیکربندی بهینه برای به حداکثر رساندن عملکرد پیش‌بینی انجام شد.

پیاده‌سازی SHAP

در حالی که MLA های مرسوم مشخص می‌کنند که کدام ویژگی‌های ورودی بر خروجی‌ها تأثیر می‌گذارند، اغلب در روشن کردن چگونگی مشارکت این ویژگی‌ها در پیش‌بینی‌های خاص ناکام می‌مانند ^۸۷٫ برای پرداختن به این شکاف تفسیرپذیری، تکنیک‌های پیشرفته‌ای مانند تحلیل SHAP پدیدار شده‌اند که از اصول نظریه بازی برای توضیح مدل‌های پیچیده «جعبه سیاه» ^{۸۸ ، ۸۹} استفاده می‌کنند. SHAP یک چارچوب یکپارچه برای تفسیر مدل بر اساس سه ویژگی کلیدی ارائه می‌دهد: (i) دقت محلی، توضیح با خروجی مدل برای نمونه خاص مورد توضیح مطابقت دارد. (ii) گم‌شدگی، ویژگی‌هایی که در نمونه وجود ندارند هیچ کمکی نمی‌کنند. (iii) سازگاری، اگر تأثیر یک ویژگی در هر مدلی افزایش یابد، مقدار SHAP آن کاهش نمی‌یابد.

این چارچوب، سهم دقیق (ارزش شپلی) هر ویژگی را در یک پیش‌بینی منفرد، با در نظر گرفتن ویژگی‌ها به عنوان بازیگران همکار در یک بازی، کمّی می‌کند . ^۹۰ در نتیجه، تحلیل SHAP نه تنها اهمیت کلی ویژگی‌ها را رتبه‌بندی می‌کند، بلکه جهت‌گیری (مثبت یا منفی) و میزان تأثیر هر ویژگی بر هر پیش‌بینی را نیز آشکار می‌کند و شفافیت مدل را به طور قابل توجهی افزایش می‌دهد . ^۹۱

اجرای رویکردهای برنامه‌ریزی‌شده

این مطالعه استفاده از MLAها به ویژه RF، ABR و XGBR را برای بهبود نظارت بر WQIها پیشنهاد می‌کند. همانطور که در شکل  ۳ نشان داده شده است ، روش ما به شرح زیر است: (الف) پارامترهای فیزیکوشیمیایی مختلفی به عنوان ورودی مدل استفاده می‌شوند. (ب) MLAها با استفاده از اعتبارسنجی متقابل Leave-One-Out (LOOCV) آموزش داده می‌شوند و ابرپارامترهای آنها به طور سیستماتیک بهینه می‌شوند. (ج) از تجزیه و تحلیل SHAP برای تفسیر تأثیر هر پارامتر بر WQIهای پیش‌بینی شده و شناسایی پنج ویژگی برتر پیش‌بینی‌کننده استفاده می‌شود. (د) سپس مدل‌ها فقط با استفاده از این پنج ویژگی برتر و ابرپارامترهای بهینه قبلاً شناسایی شده آنها، برای تولید نسخه‌های نهایی و با بهترین عملکرد، بازآموزی می‌شوند. کد پایتون مورد استفاده برای اجرای این طرح در مطالب تکمیلی (جدول S1 ) ارائه شده است.

مجموعه داده‌ها و نرم‌افزار برای تحلیل داده‌ها

محل نمونه‌های جمع‌آوری‌شده از آب‌های زیرزمینی (شکل ۱ ) و توزیع مکانی شاخص‌های کیفیت آب محاسبه‌شده (WQI) بر روی نقشه‌ها (شکل‌های ۱ و ۲ (ج)، ۸ و ۹) برای نشان دادن مناطق بسیار پرخطر و امن از نظر کیفیت آب، ترسیم شدند. این نقشه‌ها با نرم‌افزار ArcGIS Pro 2.8.8 (Esri; https://www.esri.com/arcgis/about-arcgis ) تهیه شدند. علاوه بر این، از روش اعتبارسنجی متقاطع بدون حذف (LOOCV) برای افزایش استحکام مدل و به حداقل رساندن بیش‌برازش استفاده شد. در هر تکرار، LOOCV یک نمونه واحد را به عنوان مجموعه اعتبارسنجی تعیین می‌کند و مدل را بر روی داده‌های باقی‌مانده کالیبره می‌کند. این روش تقریباً از کل مجموعه داده‌ها برای کالیبراسیون هر بار استفاده می‌کند و ارزیابی دقیقی از عملکرد پیش‌بینی ارائه می‌دهد . ^{۹۲ ، ۹۳} برای بهینه‌سازی فراپارامتر، از GridSearchCV برای ارزیابی سیستماتیک ترکیبات پارامتر استفاده شد و بهترین مدل بر اساس بالاترین R² و کمترین RMSE انتخاب شد. فراپارامترهای بهینه شده برای هر مدل در جدول ۳ به تفصیل آمده است . برای اطمینان از تکرارپذیری و کنترل تصادفی بودن، مجموعه داده‌ها با استفاده از یک حالت تصادفی ثابت تقسیم‌بندی شدند. این رویکرد کنترل‌شده، ثبات را در تقسیم گره حفظ می‌کند، تنوع نمونه‌برداری را کاهش می‌دهد و قابلیت اطمینان نتایج را افزایش می‌دهد.

ارزیابی مدل‌ها

مدل‌های رگرسیون با استفاده از شاخص‌های آماری زیر ارزیابی شدند: جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، کارایی نش-ساتکلیف (NSE)، شاخص ویلموت (WI) و ضریب تعیین (R2 ⁾ (معادلات  ۴ تا ۱۸). مدل بهینه بر اساس به حداکثر رساندن NSE، WI و R2 و به حداقل رساندن MAE و RMSE انتخاب شد ^. پارامترها به صورت زیر تعریف می‌شوند: Ya _مقدار واقعی، Yp _مقدار پیش‌بینی شده، Ȳ میانگین مقادیر واقعی و N تعداد نقاط داده است.

ویژگی‌های هیدروشیمیایی

ارزیابی پارامترهای کیفیت آب در منطقه سکیکدا، که با استانداردهای آبیاری تعیین‌شده ^۹۴ مقایسه شده است ، تغییرات فصلی قابل توجهی را در ویژگی‌های هیدروشیمیایی آب‌های زیرزمینی بین تابستان (دوره خشک) و زمستان (دوره مرطوب) نشان داد (جدول ۴ ). سطح pH پایداری نسبی را نشان داد، با میانگین ۷.۴۰ (محدوده ۶.۵۲-۷.۸۶) در طول دوره خشک و میانگین کمی پایین‌تر ۷.۰۷ (محدوده ۶.۲۵-۹.۲۹) در طول دوره مرطوب. این مقادیر عموماً در محدوده قابل قبول FAO از ۶.۰ تا ۸.۵ قرار می‌گیرند که برای اکثر محصولات کشاورزی مطلوب در نظر گرفته می‌شود.۸۹ با این حال، حداکثر pH ثبت شده ۹.۲۹ در طول فصل مرطوب نشان دهنده وجود قلیائیت موضعی است که به طور بالقوه ناشی از تشدید فعل و انفعالات آب-سنگ یا انحلال بیشتر کانی‌های کربناته به دلیل افزایش جریان آب در طول رویدادهای تغذیه مجدد است. این قلیائیت، در صورت تداوم، می‌تواند بر در دسترس بودن برخی از مواد مغذی برای گیاهان تأثیر بگذارد.

برخلاف pH نسبتاً پایدار، رسانایی الکتریکی (EC) در هر دو دوره مقادیر میانگین بالایی را نشان داد: ۱۸۸۰٫۹۱ میکروزیمنس بر سانتی‌متر (محدوده ۵۳۲٫۰۰-۵۸۳۰٫۰۰ میکروزیمنس بر سانتی‌متر) در طول فصل خشک و ۱۷۱۵٫۵۲ میکروزیمنس بر سانتی‌متر (محدوده ۷۳۰٫۰۰-۴۰۷۴٫۰۰ میکروزیمنس بر سانتی‌متر) در طول فصل مرطوب. به طرز نگران‌کننده‌ای، حداکثر مقادیر EC در هر دو دوره از آستانه ۳۰۰۰ میکروزیمنس بر سانتی‌متر فائو فراتر رفت که به طور واضح نشان‌دهنده مشکلات قابل توجه شوری است که می‌تواند انواع محصولات مناسب برای آبیاری را به شدت محدود کند. این شوری بالا احتمالاً با تشدید فعالیت‌های کشاورزی و شیوه‌های آبیاری بعدی تشدید می‌شود و منجر به شسته شدن نمک‌های انباشته شده از پروفیل خاک به آب‌های زیرزمینی زیرین می‌شود ^{۹۰ ، ۹۱} . علاوه بر این، فرآیندهای طبیعی مانند برهمکنش طولانی مدت آب-سنگ، به ویژه با سازندهای زمین‌شناسی حاوی نمک، و تأثیرات انسانی، از جمله شیوه‌های صنعتی و کشاورزی که مواد جامد محلول را وارد می‌کنند، احتمالاً در این شوری نقش دارند ^{۹۲ ، ۹۳ ، ۹۴٫} نتایج ما تأیید می‌کند که شور شدن یک فرآیند پیچیده است که تحت تأثیر مکانیسم‌های هیدروژئولوژیکی قرار دارد، همانطور که در مطالعات مدل‌سازی این پدیده ^۹۵ مستند شده است ، و این یک چالش بزرگ برای کشاورزی در مناطق ساحلی است.

به طور مشابه، کل جامدات محلول (TDS) روندهای EC را منعکس کرد، به طور متوسط ​​۹۷۳٫۸۴ میلی‌گرم در لیتر (محدوده ۲۵۸٫۰۰-۳۰۲۰٫۰۰ میلی‌گرم در لیتر) در دوره خشک و ۹۵۰٫۸۲ میلی‌گرم در لیتر (محدوده ۳۹۳٫۰۰-۲۳۶۰٫۰۰ میلی‌گرم در لیتر) در دوره مرطوب، با حداکثر غلظت بیش از حد مجاز FAO یعنی ۲۰۰۰ میلی‌گرم در لیتر در چندین نمونه، نگرانی قابل توجه در مورد شوری و پتانسیل آن برای ایجاد تنش اسمزی در گیاهان و جلوگیری از جذب آب را بیشتر تقویت می‌کند. چالش‌های مشابه مرتبط با شوری در سایر مناطق نیمه‌خشک الجزایر، به ویژه در منطقه کشاورزی Dzira در کوه‌های Ksour مشاهده شده است، جایی که مقادیر EC از ۱۵۲۰ تا ۳۶۲۰ میکروزیمنس بر سانتی‌متر و سطح TDS اغلب از ۲۰۰۰ میلی‌گرم در لیتر فراتر می‌رفت، که این پارامترها را به محدودیت‌های اصلی در مناسب بودن آبیاری تبدیل می‌کند. Meziani و همکاران (۲۰۲۴). این وضعیت به طور دقیق نتایج ما در سکیکده را منعکس می‌کند، جایی که شوری آب‌های زیرزمینی به طور مشابه یک عامل محدودکننده غالب برای استفاده کشاورزی است و این تصور را تقویت می‌کند که شوری یک مسئله فراگیر در سفره‌های آب الجزایر و یک چالش حیاتی برای مدیریت پایدار منابع آب است.

غلظت کلرید (Cl- ⁾ تغییرات فصلی قابل توجهی را نشان داد. در طول دوره خشک، میانگین غلظت ۲۸۸٫۷۲ میلی‌گرم در لیتر (محدوده ۳۰٫۹۰ تا ۱۲۸۰٫۰۰ میلی‌گرم در لیتر) بود. با این حال، تداوم مقادیر حداکثر فراتر از محدودیت‌های FAO نشان دهنده وجود مداوم منابع شور محلی است که احتمالاً با تعامل آب‌های زیرزمینی با سازندهای تبخیری و نشت فاضلاب‌های صنعتی و شهری به سیستم آب مرتبط است. برعکس، میانگین غلظت کلرید در طول دوره مرطوب به ۸۷۶٫۰۰ میلی‌گرم در لیتر (محدوده ۷۳٫۰۰ تا ۱۲۸۰٫۰۰ میلی‌گرم در لیتر) افزایش یافت و حداکثر مقادیر آن از دستورالعمل FAO یعنی ۱۰۳۶٫۰۰ میلی‌گرم در لیتر فراتر رفت که احتمالاً به دلیل شسته شدن خاک‌های شور طبیعی به دلیل افزایش تغذیه، ورود نمک‌های انباشته شده به آب‌های زیرزمینی یا تأثیر مناطق ساحلی مجاور در صورتی که سیستم آبخوان ارتباط هیدرولیکی با آب دریا داشته باشد و منجر به نفوذ شور شود، قابل انتساب است. این نتایج نشان می‌دهد که نفوذ آب دریا عامل مهمی است که بر پویایی آب‌های زیرزمینی تأثیر می‌گذارد، همانطور که توسط مطالعاتی که این پدیده را در سفره‌های آب ساحلی ارزیابی کرده‌اند، نشان داده شده است ^[۹۶] ، که با رویکردهای مدل‌سازی تصادفی اخیر که بر تغییرپذیری آب‌های زیرزمینی شور در سفره‌های آب ساحلی تأکید دارند، ^[۹۷]، مطابقت دارد . این سطوح بالای کلرید می‌تواند برای محصولات حساس سمی باشد و باعث سوختگی برگ و کاهش عملکرد شود.

غلظت سولفات ( _{SO42- ) در هر دو فصل عموماً در محدوده قابل قبول FAO یعنی ۹۶۰ میلی‌گرم در لیتر باقی ماند، که} ^به طور میانگین در دوره خشک ۱۲۸٫۳۹ میلی‌گرم در لیتر (محدوده ۱٫۰۰ تا ۳۴۵٫۰۰ میلی‌گرم در لیتر) و در دوره مرطوب ۱۴۰٫۰۵ میلی‌گرم در لیتر (محدوده ۴٫۲۰ تا ۴۲۹٫۱۵ میلی‌گرم در لیتر) بود، که سولفات اغلب از اکسیداسیون سولفیدها و هوازدگی سنگ‌های تبخیری مانند گچ ^۹۸ ناشی می‌شود .

سطح نیترات (NO2- ₎ ^در هر دو فصل به طور مداوم پایین بود، به طور متوسط ​​۰٫۸۱ میلی‌گرم در لیتر (محدوده ۰٫۱۸-۲٫۹۹ میلی‌گرم در لیتر) در دوره خشک و ۰٫۷۹ میلی‌گرم در لیتر (محدوده ۰٫۰۳-۶٫۶۰ میلی‌گرم در لیتر) در دوره مرطوب، که نشان دهنده حداقل آلودگی نیترات انسانی است، با وجود نیترات که عموماً به کشاورزی (کودهای نیتروژن) و فعالیت‌های خانگی نسبت داده می‌شود ⁽ حد مجاز FAO: 10 میلی‌گرم در لیتر – در محدوده ایمن). این یافته، مفهوم حداقل تأثیر انسانی را تقویت می‌کند، مطابق با ارزیابی‌های چند متغیره که منابع آلودگی بالقوه را ردیابی کرده‌اند.

غلظت بی‌کربنات (HCO2- ₎ ^که در قلیائیت آب‌های زیرزمینی نقش دارد، در دوره خشک به طور متوسط ​​۳۷۰٫۴۰ میلی‌گرم در لیتر (محدوده ۱۹۸٫۰۰-۶۹۵٫۰۰ میلی‌گرم در لیتر) و در دوره مرطوب ۳۴۱٫۷۳ میلی‌گرم در لیتر (محدوده ۲۰۱٫۰۰-۶۱۰٫۰۰ میلی‌گرم در لیتر) بود که احتمالاً تحت تأثیر انحلال کربنات قرار دارد؛ سطح بالای بی‌کربنات ممکن است بر pH خاک و در دسترس بودن مواد مغذی تأثیر بگذارد (حد مجاز FAO: 610 میلی‌گرم در لیتر – برخی از مقادیر بیش از حد مشاهده شده است).

میانگین غلظت کاتیون‌های اصلی، شامل کلسیم (Ca2 ⁺ ) (خشک: ۱۰۰.۲۳ میلی‌گرم در لیتر، مرطوب: ۱۰۴.۵۲ میلی‌گرم در لیتر)، منیزیم (Mg2 ⁺ ) (خشک: ۵۲.۰۹ میلی‌گرم در لیتر، مرطوب: ۱۱۵.۰۰ میلی‌گرم در لیتر)، سدیم (Na ⁺ ) (خشک: ۱۷۲.۷۰ میلی‌گرم در لیتر، مرطوب: ۱۹۱.۷۳ میلی‌گرم در لیتر) و پتاسیم (K ⁺ ) (خشک: ۶.۱۰ میلی‌گرم در لیتر، مرطوب: ۹.۱۶ میلی‌گرم در لیتر)، عموماً در محدوده معمول مشاهده شده در آب‌های زیرزمینی بودند و منعکس کننده ترکیب کاتیونی غالب بودند که احتمالاً از هوازدگی سازندهای زمین‌شناسی محلی ناشی شده‌اند (محدودیت‌های FAO: Ca2 ⁺ ۴۰۰ میلی‌گرم در لیتر، Mg2 ⁺ ۲۰۰ میلی‌گرم در لیتر، Na ⁺ ۹۱۹ میلی‌گرم در لیتر، K ⁺ ۴۰۰ میلی‌گرم در لیتر – همه در محدوده ایمن). نکته قابل توجه این است که دوره خشک ضرایب تغییرات بالاتری را برای چندین یون نشان داد که نشان‌دهنده ناهمگونی مکانی بیشتر در کیفیت آب است و نشان می‌دهد که منابع و فرآیندهای مختلف در شرایط جریان کم غالب‌تر می‌شوند. سطوح پایین‌تر منیزیم مشاهده شده در طول دوره خشک می‌تواند به طور بالقوه با رسوب کانی‌های کربناته با افزایش قلیائیت مرتبط باشد که به طور بالقوه بر در دسترس بودن این ماده مغذی ضروری گیاه تأثیر می‌گذارد ^. غلظت سدیم و پتاسیم اغلب به انحلال طبیعی فلدسپات‌های موجود در ماتریس آبخوان و همچنین نفوذهای انسانی، به ویژه استفاده از کودهای کشاورزی و تخلیه رواناب فاضلاب نسبت داده می‌شود. ⁽ دستورالعمل FAO تأیید می‌کند که مقادیر قابل قبول هستند، اگرچه SAR باید در نظر گرفته شود). سطوح بالای سدیم، حتی در این میانگین‌ها، می‌تواند به مرور زمان خطری برای ساختار خاک ایجاد کند، به خصوص اگر نسبت جذب سدیم (SAR) بالا باشد که نیاز به در نظر گرفتن غلظت کلسیم و منیزیم دارد.

آب‌های زیرزمینی سکیکدا یک سیستم هیدروشیمیایی پویا را نشان می‌دهند که تحت تأثیر تغییرات فصلی، فرآیندهای طبیعی و تأثیرات انسانی شکل می‌گیرد. شوری و کلرید بالا به طور مداوم، به ویژه در فصل مرطوب، استفاده مستقیم از آن را برای آبیاری به طور قابل توجهی محدود می‌کند. مدیریت مؤثر، از جمله محصولات مقاوم به شوری و شستشوی خاک، بسیار مهم است. افزایش تغییرپذیری مکانی در فصل خشک، ارزیابی کیفیت آب در هر مکان را برای کشاورزی پایدار ضروری می‌سازد.

رخساره‌های آب زیرزمینی

آب‌های زیرزمینی در منطقه سکیکدا به طور سیستماتیک با رتبه‌بندی یون‌های اصلی به رخساره‌های هیدروشیمیایی طبقه‌بندی شدند. این تحقیق از نمودارهای مختلفی برای تجسم مجموعه داده‌های پیچیده، روشن کردن تغییرات مکانی و زمانی در پارامترهای کلیدی هیدروشیمیایی و ارزیابی جامع کیفیت آب‌های زیرزمینی استفاده کرد. تجزیه و تحلیل آب‌های زیرزمینی منطقه سکیکدا با استفاده از نمودار پایپر ^۱۰۲ (شکل ۴ ) دو رخساره اصلی شیمیایی آب را نشان می‌دهد: کلسیم-منیزیم-سولفات (Ca-Mg-SO4 ₎ و سدیم-کلرید (Na-Cl). تمایز بین این رخساره‌ها در درجه اول بر اساس آنیون‌های غالب به شرح زیر است: (الف) نوع Ca-Mg-SO4 _که با فراوانی نسبی بالاتر سولفات مشخص می‌شود، و (ب) نوع Na-Cl که نسبت بیشتری از کلرید را نشان می‌دهد. نکته قابل توجه این است که در هر دو رخساره، سدیم به عنوان کاتیون غالب در اکثر نمونه‌های آب زیرزمینی مورد تجزیه و تحلیل قرار گرفته است. وجود نمونه‌های خاصی که نوع آب مختلط را نشان می‌دهند، نشان‌دهنده یک سیستم آبخوان پیچیده است که در آن آب‌هایی با تاریخچه یا ترکیبات ژئوشیمیایی متفاوت، فرآیندهای اختلاط را طی می‌کنند . ^۱۲ این ترکیب می‌تواند به دلیل مسیرهای جریان متفاوت در آبخوان یا ارتباطات هیدرولیکی بالقوه بین مناطق مختلف رخ دهد.

بررسی بیشتر با استفاده از نمودار گیبس (شکل ۴ الف و ب) تأثیر فرآیندهای تبخیر را به عنوان مکانیسم اصلی حاکم بر ترکیب شیمیایی کلی آب‌های زیرزمینی سکیکدا نشان داد. تبخیر در سیستم‌های آبی، مانند رودخانه‌ها و مصب‌ها، به عنوان یک مکانیسم تغلیظ عمل می‌کند که منجر به افزایش تدریجی غلظت نمک محلول و در نتیجه افزایش شوری در طول زمان می‌شود . ^۶ غلظت اکثر نمونه‌ها در میدان غالب تبخیر نشان می‌دهد که از دست دادن آب از طریق تبخیر، منجر به افزایش غلظت نمک‌های محلول در آب باقیمانده می‌شود که متعاقباً به زمین نفوذ می‌کند، که یک عامل کلیدی در شکل‌دهی به شیمی آب‌های زیرزمینی است. این فرآیند به طور مؤثر یون‌هایی را که در ابتدا در مقادیر کمتری وجود داشتند، تغلیظ می‌کند. با این حال، وجود چند نمونه که روند کمی به سمت میدان هوازدگی سنگ نشان می‌دهند، نشان می‌دهد که انحلال مواد معدنی تشکیل دهنده ماتریس آبخوان نیز در مجموعه یون‌های محلول موجود در آب‌های زیرزمینی نقش دارد، اگرچه به نظر می‌رسد تأثیر آن نسبت به اثر تغلیظ تبخیر ثانویه باشد ^۱۰۳ . این فرآیند کانی‌سازی که توسط انحلال کربنات‌ها، گچ و سایر کانی‌های تبخیری هدایت می‌شود، به عنوان منبع اصلی کلسیم، منیزیم، سولفات و بی‌کربنات در آب‌های زیرزمینی شناخته شده است ^{۱۱ ، ۹۵٫} این نشان دهنده یک کنترل دوگانه بر شیمی آب‌های زیرزمینی است، که تبخیر فرآیند غالب است و کانی‌سازی سهم پایه اضافی از اجزای محلول را فراهم می‌کند. تأثیر ترکیبی تبخیر و هوازدگی ثانویه سنگ بر شیمی آب‌های زیرزمینی با مطالعات مدل‌سازی تصادفی که تعامل بین عوامل اقلیمی و زمین‌شناسی را در تشکیل آب‌های زیرزمینی شور برجسته می‌کنند، سازگار است ^۹۷٫ این نشان دهنده یک کنترل دوگانه بر شیمی آب‌های زیرزمینی است، که تبخیر فرآیند غالب‌تر در تعیین قدرت و ترکیب یونی کلی است، در حالی که تعاملات آب-سنگ به سطح پایه اجزای محلول کمک می‌کند. الگوهای هیدروشیمیایی قابل مقایسه‌ای نیز در حوزه آبخیز دریاچه فتزارا در شمال شرقی الجزایر مشاهده شده است، جایی که رخساره‌های Na-Cl، Ca-Mg-Cl و Ca-Mg-HCO₃ بسته به منشأ آنها بر آب‌های سطحی غالب هستند. در آن سیستم، تبخیر و هوازدگی سیلیکات نیز به عنوان فرآیندهای اصلی کنترل کننده کانی سازی شناسایی شدند و تبادل کاتیونی نقش ثانویه ای ایفا کرد ^.این یافته‌ها، آبخوان اسکیکدا را منعکس می‌کنند، جایی که رخساره‌های Na-Cl و Ca-Mg-SO₄ غالب هستند و تبخیر به عنوان عامل اصلی شیمی آب‌های زیرزمینی ظاهر می‌شود، در حالی که انحلال مواد معدنی و تبادل یونی سهم مکملی دارند. چنین تشابهاتی تأکید می‌کنند که در سیستم‌های آبی ساحلی و داخلی شمال شرقی الجزایر، کیفیت آب به شدت تحت تأثیر متقابل تبخیر و برهمکنش‌های آب و سنگ قرار دارد.

فرآیندهای تبادل یونی

بررسی هیدروشیمیایی و تفسیر نمایش‌های گرافیکی متعدد، توصیف ظریف و پیچیده‌ای از کیفیت آب‌های زیرزمینی در منطقه سکیکده، واقع در استان سکیکده، الجزایر، را نشان داد. پراکندگی متنوع نقاط نمونه‌برداری در این نمودارها، تأثیر عوامل کنترل‌کننده متعدد بر ترکیب یونی آب‌های زیرزمینی را برجسته می‌کند. این عوامل شامل تعاملات پیچیده بین آب و سازندهای زمین‌شناسی، دینامیک هیدروژئولوژیکی و ورودی‌های احتمالی انسانی است. نزدیکی منطقه به ساحل نشان می‌دهد که شرایط آب و هوایی و تأثیرات دریایی، از جمله نفوذ احتمالی آب دریا، نیز ممکن است نقش مهمی در شکل‌دهی به مشخصات هیدروشیمیایی داشته باشند. استخراج شدید آب‌های زیرزمینی از سفره‌های آب ساحلی، فشار آب شیرین را کاهش می‌دهد و باعث می‌شود آب دریا به داخل سفره آب نفوذ کند، پدیده‌ای که به عنوان نفوذ آب شور شناخته می‌شود ^۱۰۵٫ در منطقه سکیکده، چنین مکانیسم‌هایی احتمالاً بر ترکیب آب‌های زیرزمینی، به ویژه در مکان‌های مجاور خط ساحلی مدیترانه، تأثیر می‌گذارند.

خواص پیچیده هیدروشیمیایی آب‌های زیرزمینی به طور جامع از طریق نمودار Durov (شکل  ۵ a) و مجموعه‌ای از نمودارهای پراکندگی آموزنده (شکل  ۵ b-e) نشان داده شده است. نمودار Durov به وضوح نشان می‌دهد که اکثریت قابل توجهی از نمونه‌های آب‌های زیرزمینی در میدان (۱) قرار دارند، دامنه‌ای که نشان می‌دهد غلظت فلزات قلیایی خاکی (به ویژه کلسیم (Ca2 ⁺ ) و منیزیم (Mg2 ⁺ )) از فلزات قلیایی (سدیم (Na ⁺ ) و پتاسیم (K ^+ ) ) بیشتر است و همزمان، غلظت بی‌کربنات (HCO2- ₎ از آنیون‌های اسیدی قوی (سولفات (SO42- ⁾ ₎ و کلرید (Cl- ⁾ بیشتر است .

با این حال، نمودار دوروف همچنین حضور قابل توجهی از نمونه‌های آب زیرزمینی را که در میدان (۲) رسم شده‌اند، نشان می‌دهد. این میدان نشان‌دهنده آبی است که در آن فلزات قلیایی خاکی هنوز بر فلزات قلیایی غالب هستند، اما نکته مهم این است که آنیون‌های اسیدی قوی (سولفات و کلرید) از بی‌کربنات بیشتر هستند. وجود این نمونه‌ها نشان‌دهنده وجود انواع آب‌های مختلط در آبخوان است، جایی که تأثیر سایر فرآیندهای ژئوشیمیایی، فراتر از انحلال ساده کربنات، قابل توجه است. انواع آب‌های زیرزمینی مختلط می‌توانند ناشی از انحلال گچ و انیدریت، فرآیندهای تبادل کاتیونی و تأثیرات انسانی مانند فعالیت‌های کشاورزی و صنعتی باشند ^{۶ ، ۵۱٫} این آب‌های مختلط احتمالاً منعکس‌کننده سهم منابع زمین‌شناسی مختلف یا تأثیر واکنش‌های هیدروژئوشیمیایی خاصی هستند که آب را از یون‌های سولفات و کلرید غنی می‌کنند.

نمودارهای پراکندگی همراه، بینش‌های جزئی‌تری در مورد روابط و منابع بالقوه این یون‌های کلیدی ارائه می‌دهند. شکل‌های (۵b) همبستگی بین سدیم (Na ⁺ ) و کلرید (Cl- ⁾ را نشان می‌دهند . روند مثبت کلی مشاهده شده، سهم بالقوه انحلال هالیت (نمک طعام) یا تأثیر نفوذ آب شور به بخش‌هایی از آبخوان را نشان می‌دهد. با این حال، پراکندگی قابل توجه در اطراف این روند نشان می‌دهد که فرآیندهای دیگر، یعنی هوازدگی سیلیکات‌ها یا ورودی‌های انسانی، مانند رواناب کشاورزی، تخلیه فاضلاب یا فعالیت‌های صنعتی، نیز در غلظت کلی سدیم و کلرید نقش دارند ^{۴۷ ، ۱۰۶} .

شکل ۵c رابطه بین مجموع فلزات قلیایی خاکی (Ca ^۲+ + Mg ^۲+ ) و سولفات (SO _۴ ^۲- ) را بررسی می‌کند. روند مثبت کلی در اینجا به سهم احتمالی انحلال کانی‌های حاوی سولفات مانند گچ یا انیدریت در ماتریس سفره آب زیرزمینی اشاره دارد. با این وجود، پراکندگی قابل توجه نقاط داده نشان می‌دهد که منابع و رفتار کلسیم، منیزیم و سولفات صرفاً توسط این فرآیند واحد کنترل نمی‌شوند و عوامل دیگری مانند تبادل کاتیونی یا انحلال سایر فازهای معدنی احتمالاً در آن نقش دارند.

شکل ۵d ، نمودار مجموع فلزات قلیایی خاکی (Ca ^۲+ + Mg ^۲+ ) در برابر مجموع آنیون‌های اسیدی قوی (Cl ^– + SO _۴ ^{۲ –} )، وجود انواع آب‌های مختلط را تقویت می‌کند. همبستگی مثبت گسترده‌تر نشان می‌دهد که با افزایش غلظت فلزات قلیایی خاکی، غلظت آنیون‌های قوی‌تر نیز افزایش می‌یابد و این امر، برهم‌کنش فرآیندهای ژئوشیمیایی مختلف مؤثر در تشکیل این یون‌ها در آب‌های زیرزمینی را برجسته می‌کند. عدم وجود یک روند خطی فشرده، نشان‌دهنده منابع همپوشانی و مسیرهای ژئوشیمیایی متغیر مؤثر در ترکیب آب‌های زیرزمینی در منطقه سکیکدا است.

در نهایت، شکل ۵e ، نمودار متقاطع نسبت‌های Mg/Ca در مقابل Mg/Na، اطلاعات ارزشمندی در مورد تکامل هیدروشیمیایی آب‌های زیرزمینی ارائه می‌دهد. خوشه‌بندی دقیق بخش قابل توجهی از نقاط داده در یک منطقه مشخص، یک مسیر تکاملی مشترک را برای این آب‌ها نشان می‌دهد. نسبت‌های نسبتاً پایین Mg/Na، همراه با نسبت‌های متغیرتر Mg/Ca، می‌تواند نشان‌دهنده انحلال غالب کربنات (که معمولاً کلسیم بیشتری نسبت به منیزیم آزاد می‌کند) همراه با فرآیندهای تبادل کاتیونی بالقوه باشد، که در آن کلسیم موجود در آب ممکن است با منیزیم یا سدیم در مواد آبخوان مبادله شود. این امر تفسیر تأثیرات طبیعی در مقابل تأثیرات انسانی در آبخوان Skikda را تأیید می‌کند. در مورد منطقه Skikda، خوشه‌بندی قابل توجه اکثر نمونه‌ها در داخل یا نزدیک بیضی آبی برجسته، نشان‌دهنده یک منشأ یا فرآیند ژئوشیمیایی مشترک است که بر نسبت یون‌ها در اکثر نمونه‌های آب زیرزمینی تأثیر می‌گذارد.

تجزیه و تحلیل آماری برای تشخیص منبع یون

رویکرد خوشه‌بندی

تحلیل خوشه‌ای سلسله مراتبی (HCA) در سکیکدا، ارتباطات فصلی متمایزی را بین پارامترهای کیفیت آب زیرزمینی نشان داد که در تابستان و زمستان سه خوشه را تشکیل می‌داد که نشان‌دهنده یک سیستم هیدروشیمیایی پویا است. به طور مشابه، دندروگرام یا تحلیل خوشه‌ای (CA) در مورناگ، با در نظر گرفتن عوامل فیزیکوشیمیایی (Mg2 _+ ، ^{Ca2+، K+، Na+، Cl-، HCO3-، NO3-، SO42-} _، ^TDS ) ^، سه ^{گروه‌بندی} متمایز ^{را برای} طبقه‌بندی نمونه و ^{درک همبستگی} شناسایی کرد (شکل ۶ ). این شباهت با مطالعات قبلی نشان می‌دهد که خوشه‌بندی فصلی پارامترهای آب زیرزمینی یک ویژگی تکرارپذیر در سیستم‌های آبخوان است که منعکس‌کننده کنترل‌های هیدروژئوشیمیایی مشترک، الگوهای تغذیه و تأثیرات انسانی است (۱، ۲، ۶، ۸۱۲). در تابستان، خوشه G1 دوباره HCO3- ₍ ^{بی‌کربنات} ) و Cl- ⁽ کلرید) را به هم مرتبط کرد. خوشه G2 شامل Na⁺ (سدیم)، SO42- ₍ سولفات)، Ca2 ^+ ( کلسیم) و NO3- ₍ ^نیترات ) بود که نشان‌دهنده الگوهای هم‌تغییری متفاوت در مقایسه با زمستان است که احتمالاً به دلیل افزایش تبخیر یا تغییر تأثیرات انسانی است ^[۱۰۷] . خوشه G3 شامل K ⁺ (پتاسیم)، Mg2 ⁺ (منیزیم) و TDS (کل جامدات محلول) بود که نشان‌دهنده رابطه نزدیک‌تر بین این پارامترها در طول دوره خشک‌تر و گرم‌تر است که احتمالاً ناشی از غلظت بیش از حد یا انحلال مواد معدنی خاص است (شکل ۶ الف).

در زمستان، خوشه G1، HCO3- (بی‌کربنات) و Cl- (کلرید) را در یک گروه قرار داد ^که _{نشان‌دهنده} تأثیرات ^مشترک بر غلظت آنهاست. خوشه G2 شامل NO3- ₍ ^نیترات )، K ⁺ (پتاسیم)، _SO42- (سولفات)، Na ^+ ( سدیم)، Ca2 ⁺ (کلسیم) و Mg2 ⁺ (منیزیم) بود که نشان‌دهنده کنترل‌های هیدروژئوشیمیایی مشترک در طول دوره مرطوب‌تر است. TDS (کل جامدات محلول) خوشه G3 مجزای خود را تشکیل داد که نشان می‌دهد تغییرات کلی آن تحت تأثیر مجموعه‌ای گسترده‌تر از عوامل نسبت به ارتباطات یونی خاص است (شکل ۶ ب).

این تغییرات فصلی در خوشه‌بندی متغیرها، فرآیندهای هیدروژئوشیمیایی در حال تکامل در آبخوان سکیکدا را برجسته می‌کند و اهمیت در نظر گرفتن پویایی فصلی را برای مدیریت مؤثر منابع آب و استراتژی‌های پایش هدفمند برجسته می‌سازد. ارتباط مداوم بی‌کربنات و کلرید نشان‌دهنده یک رابطه اساسی پایدار است، در حالی که ترکیب متغیر سایر خوشه‌ها نشان‌دهنده تأثیر تغذیه متغیر، تعامل آب-سنگ و فعالیت‌های انسانی در طول فصول است.

روش مؤلفه اصلی

مطالعات قبلی نشان داده‌اند که تحلیل مؤلفه‌های اصلی (PCA) به عنوان ابزاری مؤثر برای فشرده‌سازی پارامترهای فیزیکوشیمیایی متعدد در مجموعه‌ای کوچک‌تر از متغیرهای غالب عمل می‌کند . ^۶۴ این روش، ارزش PCA را در ساده‌سازی مجموعه داده‌های پیچیده ضمن حفظ مهم‌ترین اطلاعات، برجسته می‌کند و بنابراین رویکردی عینی‌تر و اقتصادی‌تر برای ارزیابی کیفیت آب ارائه می‌دهد. در مطالعه حاضر، PCA بر روی آب‌های زیرزمینی در منطقه سکیکدا اعمال شد تا فرآیندهای اصلی مؤثر بر شیمی آب شناسایی شوند و بین منابع طبیعی و انسانی تغییرپذیری تمایز قائل شوند. کاربردهای قبلی PCA در مطالعات کیفیت آب، مفید بودن آن را برای تفکیک تأثیرات طبیعی از انسانی نشان داده است. نشان داده شده است که این رویکرد تأثیرات ترکیبی نهاده‌های کشاورزی، تخلیه‌های صنعتی و فاضلاب خانگی بر پویایی کیفیت آب را برجسته می‌کند. ادغام روش‌های آماری و محاسباتی، تعیین عوامل کلیدی طبیعی و انسانی مؤثر بر آلودگی آب‌های زیرزمینی را امکان‌پذیر کرده است. ^۱۸ و چارچوبی قوی برای تفسیر محرک‌های اصلی تغییرپذیری کیفیت آب در منطقه سکیکدا فراهم می‌کند. چنین یافته‌هایی بر توانایی PCA نه تنها در کاهش ابعاد، بلکه در ردیابی منابع آلودگی نیز تأکید دارند، دیدگاهی که مستقیماً با ارزیابی آب‌های زیرزمینی در منطقه Skikda مرتبط است.

جداول زیر (جدول ۵ برای تابستان و جدول ۶ برای زمستان) ضرایب همبستگی حاصل از تحلیل مؤلفه‌های اصلی (PCA) را نشان می‌دهند. این ضرایب، قدرت و جهت رابطه خطی بین هر پارامتر هیدروشیمیایی اندازه‌گیری شده (TDS، Mg، Ca، K، Na، Cl، SO₄، HCO₃، NO₃) و چهار مؤلفه اصلی (فاکتورهای ۱، ۲، ۳ و ۴) که توسط PCA برای هر دو مجموعه داده فصلی شناسایی شده‌اند (در شکل  ۷ تجسم شده‌اند ) را کمّی می‌کنند.

PCA تابستانی نشان می‌دهد که عامل ۱ (محور افقی، واریانس ۴۵.۶۴٪) نشان‌دهنده کانی‌سازی کلی است، با بارهای منفی روی TDS و یون‌های اصلی، که احتمالاً توسط تبخیر و تغلیظ نمک‌ها تشدید می‌شود (شکل  ۷ الف-ج؛ جدول  ۵ ). عامل ۲ (محور عمودی در شکل‌های  ۷ د و واریانس ۱۶.۰۱٪) با همبستگی‌های مثبت قوی با بی‌کربنات و نیترات مشخص می‌شود، که نشان‌دهنده ورودی‌های حاصل از تجزیه مواد آلی یا رواناب سطحی حامل این ترکیبات است. عامل ۳ (محور عمودی در شکل  ۷ ب و واریانس ۱۱.۵۱٪) ارتباط مثبتی بین منیزیم و نیترات نشان می‌دهد، که به طور بالقوه نشان‌دهنده انحلال مواد معدنی خاص یا منابع انسانی مؤثر در هر دو است. در نهایت، عامل ۴ (محور عمودی در شکل  ۷ ج و واریانس ۱۰.۰۱٪) همبستگی مثبت قوی با سولفات دارد، که به تخلیه صنعتی یا انحلال سازندهای زمین‌شناسی حاوی سولفات به عنوان منابع مهم در طول تابستان اشاره دارد.

در زمستان، PCA چهار عامل کلیدی را که تغییرپذیری کیفیت آب‌های زیرزمینی Skikda را توضیح می‌دهند، شناسایی کرد (شکل  ۷ d-f؛ جدول  ۶ ). عامل ۱ (محور افقی، واریانس ۵۹٫۴۳٪) نشان دهنده کانی‌سازی کلی است، با همبستگی‌های منفی قوی با یون‌های اصلی (TDS، Mg، Ca، Na، Cl)، که نشان‌دهنده اثرات رقیق‌سازی است. عامل ۲ (محور عمودی در شکل‌های  ۷ d و واریانس ۱۲٫۴۶٪) با سطوح پایین‌تر سولفات و نیترات مرتبط است، که به طور بالقوه نشان‌دهنده سهم محدود انسانی یا زمین‌شناسی این یون‌ها در طول زمستان است. عامل ۳ (محور عمودی در شکل‌های  ۷ e و واریانس ۸٫۸۲٪) غلظت بالای پتاسیم و نیترات را برجسته می‌کند، که احتمالاً به منابع محلی مانند شستشوی کود یا فاضلاب اشاره دارد. عامل ۴ (محور عمودی در شکل  ۷f ، واریانس ۷٫۵۶٪) همبستگی‌های مثبت متوسطی را با کلسیم، کلرید و نیترات نشان می‌دهد که به تأثیرات فعالیت‌های خانگی/کشاورزی یا تعاملات خاص آب-سنگ که این اجزا را آزاد می‌کنند، اشاره دارد۹۵٫

نتایج PCA در هر دو فصل، عامل ۱ (معدنی‌سازی/شوری) را به عنوان عامل اصلی تغییرپذیری آب‌های زیرزمینی در منطقه Skikda برجسته می‌کند (شکل  ۷ ؛ جداول  ۵ و ۶ ). در این مطالعات، متغیرهای خاص – مانند نیترات، سولفات و پتاسیم – با شیوه‌های کشاورزی فصلی، تخلیه‌های صنعتی یا تغییرات هیدرولوژیکی مرتبط بودند که اثربخشی رویکردهای چند متغیره را در شناسایی عوامل اصلی تغییرپذیری کیفیت آب برجسته می‌کند. به عنوان مثال، جفت شدن سولفات-نیترات در زمستان (عامل ۲) نشان‌دهنده تأثیر بالقوه کشاورزی یا صنعتی در دوره‌های تغذیه بیشتر است، در حالی که الگوی بی‌کربنات-نیترات در تابستان (عامل ۲) به افزایش فعالیت بیوشیمیایی یا آبشویی کود در شرایط خشک اشاره دارد. غلبه پتاسیم در زمستان (عامل ۳) و سولفات در تابستان (عامل ۴) بیشتر بر کنترل‌های فصلی بر کیفیت آب تأکید می‌کند که تحت تأثیر عوامل طبیعی (مانند تبخیر، زمین‌شناسی) و انسانی (مانند کشاورزی، فاضلاب) قرار دارند.

رویکرد شاخص آبیاری

هدف این مطالعه ارزیابی کیفیت ۴۴ نمونه آب زیرزمینی برای اهداف آبیاری با استفاده از شاخص‌های چندگانه است: شاخص کیفیت آب آبیاری (IWQI)، نسبت جذب سدیم (SAR) و درصد سدیم (Na%)، خطر منیزیم (MH)، شاخص نفوذپذیری (PI) و درصد سدیم محلول (SSP). این شاخص‌ها، مناسب بودن آب‌های زیرزمینی را برای آبیاری بر اساس ترکیب شیمیایی، با تمرکز بر پارامترهای سدیم، منیزیم و شوری ارزیابی می‌کنند (جداول  ۷ و ۸ ؛ شکل‌های  ۸ و ۹ ).

شاخص کیفیت آب آبیاری (IWQI)

IWQI پارامترهای هیدروشیمیایی متعددی (مانند رسانایی الکتریکی، سدیم، کلرید و بی‌کربنات) را ادغام می‌کند تا یک امتیاز ترکیبی ارائه دهد که منعکس کننده کیفیت کلی آب آبیاری است ^{۷۱ ، ۱۰۸٫} مقادیر بالاتر IWQI نشان دهنده مناسب‌تر بودن برای آبیاری است و محدوده‌های خاصی سطوح محدودیت را تعریف می‌کنند. همانطور که در (شکل‌های ۸ الف و ۹ الف) نشان داده شده است، تجزیه و تحلیل مکانی مناطقی را با کیفیت آب نشان می‌دهد که می‌توانند بر سلامت خاک و محصولات کشاورزی تأثیر منفی بگذارند. در تابستان، IWQI از ۳۰٫۳۶ تا ۷۴٫۰۰ متغیر بود (میانگین: ۵۴٫۵۶، انحراف معیار: ۹٫۸۹). نمونه‌ها به گونه‌ای توزیع شدند که ۴۳٫۲٪ از نمونه‌های آب در منطقه دارای محدودیت متوسط ​​از شمال شرقی منطقه مورد مطالعه، ۴۵٫۵٪ از نمونه‌های آب در منطقه دارای محدودیت زیاد از جنوب منطقه مورد مطالعه، ۶٫۸٪ محدودیت کم از شمال شرقی در جنوب شرقی منطقه مورد مطالعه و ۴٫۵٪ محدودیت شدید داشتند. در زمستان، شاخص کیفیت آب (IWQI) از ۲۶٫۸۸ تا ۷۱٫۳۲ متغیر است (میانگین: ۵۶٫۷۰، انحراف معیار: ۱۰٫۴۴). اکثر نمونه‌ها (۵۹٫۲٪) در جنوب منطقه مورد مطالعه در دسته محدودیت متوسط، ۲۹٫۵٪ در شمال شرقی در دسته محدودیت زیاد، ۶٫۸٪ در دسته محدودیت کم و ۴٫۵٪ در جنوب شرقی منطقه مورد مطالعه در دسته محدودیت شدید قرار می‌گیرند. نتایج IWQI نشان می‌دهد که آب‌های زیرزمینی عموماً برای آبیاری دارای محدودیت متوسط ​​تا زیاد هستند و هیچ نمونه‌ای به “بدون محدودیت” (۸۵-۱۰۰) دست نیافته است. میانگین کمی پایین‌تر IWQI در تابستان (۵۴٫۵۶ در مقابل ۵۶٫۷۰ در زمستان) نشان دهنده کاهش جزئی کیفیت کلی آب است که احتمالاً به دلیل افزایش تبخیر یا غلظت املاح در ماه‌های گرم‌تر است. انحراف معیار (۱۰٫۴۴ در زمستان، ۹٫۸۹ در تابستان) نشان‌دهنده تغییرپذیری متوسط ​​است که نشان‌دهنده ناهمگونی مکانی در کیفیت آب‌های زیرزمینی است. غلبه دسته‌های محدودیت متوسط ​​و زیاد نشان می‌دهد که اکثر نمونه‌ها برای آبیاری تا حدودی مناسب هستند و نیاز به مدیریت دقیق برای جلوگیری از تخریب خاک، به ویژه برای محصولات حساس به شوری، دارند . ^۴۶

نسبت جذب سدیم (SAR)

SAR نسبت نسبی یون‌های سدیم به کلسیم و منیزیم را کمّی می‌کند و نشان‌دهنده پتانسیل سدیمی شدن خاک است که می‌تواند نفوذپذیری خاک را کاهش دهد ^{۷۱ ، ۱۰۹٫} مقادیر SAR پایین‌تر نشان‌دهنده کیفیت بهتر آب برای آبیاری است. در تابستان، SAR از ۱٫۶۰ تا ۷٫۱۰ متغیر بود (میانگین: ۴٫۱۰، انحراف معیار: ۱٫۳۸). همه نمونه‌ها (۱۰۰٪) نیز عالی بودند (جدول ۷ ؛ شکل ۸ ب). در زمستان، SAR از ۱٫۱۳ تا ۶٫۹۶ متغیر بود (میانگین: ۳٫۶۰، انحراف معیار: ۱٫۲۴). همه نمونه‌ها (۱۰۰٪) به عنوان عالی طبقه‌بندی شدند (جدول ۸ ؛ شکل ۹ ب). مقادیر SAR به طور مداوم پایین هستند که نشان‌دهنده کیفیت عالی آب آبیاری با حداقل خطر تجمع سدیم در خاک‌ها است. میانگین SAR کمی بالاتر در تابستان (۴٫۱۰ در مقابل ۳٫۶۰ در زمستان) ممکن است منعکس‌کننده اثرات غلظت فصلی باشد، اما مقادیر بسیار پایین‌تر از آستانه کیفیت خوب باقی می‌مانند. انحراف معیار پایین (۱٫۲۴ در زمستان، ۱٫۳۸ در تابستان) نشان دهنده پویایی یکنواخت سدیم در سراسر مکان‌های نمونه‌برداری شده است. این نتایج نشان می‌دهد که سدیمی بودن مرتبط با سدیم برای این نمونه‌های آب زیرزمینی نگران‌کننده نیست و آنها را از نظر SAR همانطور که در (شکل‌های ۸ ب و ۹ ب) نشان داده شده است، برای آبیاری بسیار مناسب می‌کند. این نتایج نشان داد که آب آبیاری هیچ تأثیری بر میزان محصول یا نفوذ خاک ^۴۵ نداشته است .

درصد سدیم (Na%)

Na% نسبت سدیم نسبت به کل کاتیون‌ها را اندازه‌گیری می‌کند که بر ساختار و نفوذپذیری خاک تأثیر می‌گذارد. Na% بالا می‌تواند منجر به پراکندگی خاک و کاهش نفوذ آب شود ^۷۱. در تابستان، Na% از ۲۸.۹۴ تا ۶۹.۹۰ متغیر بود (میانگین: ۴۹.۹۲، انحراف معیار: ۹.۳۹). اکثر نمونه‌ها (۶۸.۲٪) از نمونه‌های آب در منطقه “مجاز” بودند، ۱۵.۹٪ در مرکز جغرافیایی منطقه خوب بودند (جدول ۷ ؛ شکل ۸ ج)، ۱۵.۹٪ نامناسب بودند و هیچ‌کدام عالی نبودند. در زمستان، Na% از ۱۹.۱۹ تا ۶۶.۸۹ متغیر بود (میانگین: ۴۶.۲۸، انحراف معیار: ۱۰.۳۶). بیشتر نمونه‌ها (۶۸٫۲٪) از نمونه‌های آب در منطقه مجاز، ۲۰٫۴٪ خوب، ۹٫۱٪ نامناسب و ۲٫۳٪ از شمال شرقی مناطق مورد مطالعه که در (جدول ۸ ؛ شکل ۹ ج) نشان داده شده است، عالی بودند. نتایج درصد سدیم نشان می‌دهد که بیشتر نمونه‌های آب زیرزمینی در محدوده مجاز برای آبیاری قرار دارند، اگرچه بخش قابل توجهی (۱۵٫۹٪ در تابستان، ۹٫۱٪ در زمستان) به دلیل محتوای بالای سدیم نامناسب هستند. میانگین بالاتر درصد سدیم در تابستان (۴۹٫۹۲ در مقابل ۴۶٫۲۸ در زمستان) نشان دهنده افزایش فصلی در غلبه سدیم است که احتمالاً به دلیل غلظت تبخیر یا آبشویی است. انحراف معیار (۱۰٫۳۶ در زمستان، ۹٫۳۹ در تابستان) نشان دهنده تغییرپذیری متوسط ​​است که منعکس کننده تفاوت در شرایط هیدروژئوشیمیایی محلی است. در حالی که اکثر نمونه‌ها مناسب هستند، وجود نمونه‌های نامناسب، نیاز به نظارت خاص محل را برای جلوگیری از تخریب خاک ناشی از سدیم برجسته می‌کند.

خطر منیزیم (MH)

MH خطر غلبه منیزیم بر کلسیم را ارزیابی می‌کند، که می‌تواند بر ساختار خاک و رسانایی هیدرولیکی تأثیر منفی بگذارد. بنابراین، مدیریت سطح منیزیم برای حفظ سلامت خاک و تضمین بهره‌وری بهینه کشاورزی بسیار مهم است ^{۷۱ ، ۱۱۰٫} مقادیر MH <50 برای آبیاری ایمن در نظر گرفته می‌شوند. در تابستان، MH از ۳۰٫۱۲ تا ۶۰٫۸۲ متغیر بود (میانگین: ۳۷٫۶۹، انحراف معیار: ۵٫۷۸). اکثر نمونه‌ها (۹۵٫۵٪) ایمن بودند و ۴٫۵٪ از مناطق جنوبی ناامن بودند (جدول ۷ ؛ شکل ۸ د). در زمستان، MH از ۲۲٫۴۴ تا ۶۱٫۷۱ متغیر بود (میانگین: ۴۵٫۳۱، انحراف معیار: ۶٫۷۶). همانطور که در (جدول ۸ ؛ شکل ۹ د) نشان داده شده است، اکثر نمونه‌ها (۸۸٫۶٪) از آب نمونه‌ها ایمن بودند، در حالی که ۱۱٫۴٪ از آب شمال شرقی منطقه مورد مطالعه ناامن بودند . نتایج MH نشان می‌دهد که آب‌های زیرزمینی عمدتاً برای آبیاری ایمن هستند و نسبت نمونه‌های ناامن در تابستان کمتر است (۴٫۵٪ در مقابل ۱۱٫۴٪ در زمستان). میانگین پایین‌تر MH در تابستان (۳۷٫۶۹ در مقابل ۴۵٫۳۱ در زمستان) نشان دهنده بهبود فصلی است که احتمالاً به دلیل رقیق شدن یا تغییر در نسبت‌های یونی است. انحراف معیار (۶٫۷۶ در زمستان، ۵٫۷۸ در تابستان) نشان‌دهنده تغییرپذیری کم تا متوسط ​​است که نشان دهنده پویایی نسبتاً ثابت منیزیم است. بخش کوچکی از نمونه‌های ناامن نشان دهنده خطر جزئی مشکلات خاک ناشی از منیزیم است، اما در کل، MH عامل محدود کننده قابل توجهی برای آبیاری نیست ^{۴۵ ، ۱۱۱} .

شاخص نفوذپذیری (PI)

شاخص PI، مناسب بودن آب برای آبیاری را بر اساس تأثیر آن بر نفوذپذیری خاک، با در نظر گرفتن غلظت سدیم، کلسیم، منیزیم و بی‌کربنات ارزیابی می‌کند. مقادیر بالاتر PI نشان دهنده مناسب بودن بهتر است. کلاس I (PI > 75%) برای آبیاری مناسب و کلاس II (PI = 25-75%) به عنوان نسبتاً مناسب در نظر گرفته می‌شود، کلاس III (PI < 25%) غیرقابل قبول است ^{۷۱ ، ۱۱۰ ، ۱۱۲٫} در تابستان، PI از ۳۸٫۹۲ تا ۸۳٫۳۹ متغیر بود (میانگین: ۶۱٫۶۶، انحراف معیار: ۹٫۵۲). همانطور که در (جدول ۷ ؛ شکل ۸ e) نشان داده شده است، اکثر نمونه‌ها (۹۳٫۲%) در کلاس II مناسب، ۶٫۸% در کلاس I مناسب قرار گرفتند و هیچ کدام نامناسب – کلاس III نبودند . در زمستان، PI از ۳۳٫۰۶ تا ۸۱٫۴۰ متغیر بود (میانگین: ۵۸٫۸۲، انحراف معیار: ۱۱٫۷۶). همانطور که در (جدول ۸ ؛ شکل ۹e ) نشان داده شده است، اکثر نمونه‌ها (۹۰٫۹٪) در کلاس نسبتاً مناسب – کلاس II، ۹٫۱٪ در کلاس مناسب – کلاس I قرار گرفتند و هیچ کدام نامناسب – کلاس III نبودند . نتایج شاخص عملکرد (PI) نشان می‌دهد که آب‌های زیرزمینی برای آبیاری بسیار مناسب هستند و تقریباً همه نمونه‌ها در دسته‌های “خوب” قرار می‌گیرند. میانگین شاخص عملکرد (PI) کمی بالاتر در تابستان (۶۱٫۶۶ در مقابل ۵۸٫۸۲ در زمستان) نشان‌دهنده بهبود ویژگی‌های نفوذپذیری است که احتمالاً به دلیل تغییرات در نسبت‌های بی‌کربنات یا کاتیون است. انحراف معیار (۹٫۵۲ در تابستان، ۱۱٫۷۶ در زمستان) نشان‌دهنده تغییرپذیری متوسط ​​است که نشان‌دهنده برخی تفاوت‌های مکانی در شیمی آب است. عدم وجود نمونه‌های نامناسب، ویژگی‌های نفوذپذیری مطلوب این نمونه‌های آب‌های زیرزمینی را برجسته می‌کند و آنها را به طور کلی برای حفظ خواص هیدرولیکی خاک مناسب می‌سازد. بنابراین، این نتایج تأیید می‌کند که کیفیت آب زهکش‌ها برای اهداف آبیاری مناسب است ^۱۱۱ .

درصد سدیم محلول (SSP)

SSP نسبت سدیم محلول نسبت به کل کاتیون‌ها را اندازه‌گیری می‌کند، مشابه Na% و برای ارزیابی خطرات مرتبط با سدیم برای ساختار خاک استفاده می‌شود. مقادیر SSP کمتر از ۶۰ بی‌خطر در نظر گرفته می‌شود ^{۷۱ ، ۷۳} .

در تابستان، SSP از ۲۸٫۸۳ تا ۶۹٫۸۸ متغیر بود (میانگین: ۴۹٫۳۲، انحراف معیار: ۹٫۴۰). اکثر نمونه‌ها (۸۸٫۶٪) در محدوده امن قرار گرفتند، و ۱۱٫۴٪ از نمونه‌های آب، ناامن بودند که در جنوب شرقی منطقه مورد مطالعه یافت شدند (جدول  ۷ ؛ شکل  ۸ و). در زمستان، SSP از ۱۹٫۱۰ تا ۶۶٫۸۰ متغیر بود (میانگین: ۴۵٫۸۲، انحراف معیار: ۱۰٫۴۵). بیشتر نمونه‌ها (۹۳.۲٪) از آب نمونه‌ها در وضعیت امن و ۶.۸٪ در وضعیت ناامن قرار گرفتند که در مرکز منطقه مورد مطالعه یافت شد (جدول  ۸ ؛ شکل  ۹ و). نتایج SSP روند درصد سدیم را منعکس می‌کند، به طوری که اکثر نمونه‌ها برای آبیاری امن هستند. میانگین بالاتر SSP در تابستان (۴۹.۳۲ در مقابل ۴۵.۸۲ در زمستان) و افزایش نسبت نمونه‌های ناامن (۱۱.۴٪ در مقابل ۶.۸٪) نشان دهنده افزایش فصلی غلبه سدیم است که با غلظت تبخیر سازگار است. انحراف معیار (۱۰.۴۵ در زمستان، ۹.۴۰ در تابستان) نشان‌دهنده تغییرپذیری متوسط ​​است که منعکس کننده تفاوت‌های ژئوشیمیایی خاص مکان است. در حالی که اکثر نمونه‌ها امن هستند، وجود نمونه‌های ناامن در هر دو فصل، نیاز به مدیریت دقیق آبیاری برای کاهش تجمع سدیم در خاک‌ها را برجسته می‌کند.

کارایی الگوریتم‌های یادگیری ماشین در پیش‌بینی شاخص‌های کیفیت آب (WQI)

این مطالعه از MLAهایی مانند RF، ABR و XGBR به همراه آنالیز SHAP برای بهبود پایش WQI استفاده کرد. یازده پارامتر فیزیکوشیمیایی (pH، EC، TDS، Mg، Ca، K، Na، Cl، SO4 _، HCO3 ، NO3 _) با استفاده از SHAP تجزیه و تحلیل شدند تا پنج ویژگی برتر پیش‌بینی‌کننده به عنوان ورودی‌های مدل شناسایی شوند. عملکرد مدل با استفاده از RMSE، MAE، NSE، WI و R2 ارزیابی ^شد .

با اعمال تحلیل SHAP بر روی داده‌های تابستان، پنج ویژگی مهم مؤثر بر پیش‌بینی‌های MLA شناسایی شدند (جدول  ۹ ). سه MLA شامل RF، ABR و XGBR به دلیل توانایی‌شان در پیش‌بینی شش WQI ارزیابی شدند: IWQI، SAR، Na%، MR، PI و SSP (به جدول  ۱۰ مراجعه کنید ). تحلیل مقایسه‌ای نشان داد که XGBR به طور مداوم در تمام شاخص‌ها، به عنوان مثال در اعتبارسنجی IWQI (RMSE = 4.95، MAE = 3.93، R2 = 0.74) عملکرد ضعیفی داشته است ^که نشان‌دهنده چالش‌هایی در مدل‌سازی روابط غیرخطی پیچیده است. از سوی دیگر، RF دقت برتر را در تمام WQIها با نتایج اعتبارسنجی قوی نشان داد: مانند IWQI (RMSE = 2.41، MAE = 1.83، NSE = 0.94، WI = 0.88، R2 ⁼ ۰٫۹۴)، SAR (RMSE = 0.37، MAE = 0.28، NSE = 0.92، WI = 0.86، R2 ⁼ ۰٫۹۲)، Na% (RMSE = 3.36، MAE = 2.35، NSE = 0.87، WI = 0.81، R2 ⁼ ۰۸۷)، MR (RMSE = 2.99، MAE = 1.90، NSE = 0.73، WI = 0.69، R2 ⁼ ۰٫۷۳)، PI (RMSE = 2.99، MAE = 2.20، NSE = ۰.۹۰، WI = ۰.۸۲، R۲ ⁼ ۰.۹۰) و SSP (RMSE = ۲.۹۵، MAE = ۲.۱۷، NSE = ۰.۹۰، WI = ۰.۸۳، R۲ ⁼ ۰.۹۰) که نشان‌دهنده دقت آن در پیش‌بینی این WQIها است.

در حالی که ABR کارایی پیش‌بینی متفاوتی را نشان داد، در اعتبارسنجی IWQI (RMSE = 3.53، MAE = 2.54، NSE = 0.87، WI = 0.82، R2 ⁼ ۰٫۸۷)، اعتبارسنجی SAR (RMSE = 5.04، MAE = 3.59، NSE = 0.71، WI = 0.70، R2 ⁼ ۰٫۷۱)، اعتبارسنجی PI (RMSE = 4.19، MAE = 2.94، NSE = 0.80، WI = 0.75، R2 ⁼ ۰٫۸۰) و اعتبارسنجی SSP (RMSE = 3.00، MAE = 2.29، NSE = 0.90، WI = 0.82، R2 ⁼ ۰٫۹۰) عملکرد خوبی داشت. با این حال، همانطور که نتایج اعتبارسنجی MR نشان داد (RMSE = 5.26، MAE = 3.45، NSE = 0.67، WI = 0.62، ^R2 = ۰٫۶۷)، در پیش‌بینی MR با مشکل مواجه شد که نشان‌دهنده محدودیت‌های آن در ثبت روابط غیرخطی پیچیده است.

با اعمال تحلیل SHAP بر روی داده‌های زمستانی، پنج ویژگی مهم مؤثر بر پیش‌بینی‌های MLA شناسایی شدند (جدول  ۱۱ ). سه MLA شامل RF، ABR و XGBR برای پیش‌بینی شش WQI ارزیابی شدند: IWQI، SAR، Na%، MR، PI و SSP (به جدول  ۱۲ مراجعه کنید ). این تحلیل نشان داد که XGBR به طور مداوم در تمام شاخص‌ها، مانند IWQI، عملکرد ضعیف‌تری داشته است (RMSE = 5.45، MAE = 4.14، NSE = 0.72، WI = 0.67، R2 ⁼ ۰٫۷۲)، که نشان‌دهنده چالش‌هایی در مدل‌سازی روابط غیرخطی پیچیده است. برعکس، RF برای همه WQI ها با نتایج اعتبارسنجی قوی، دقت بالاتری را نشان داد: برای مثال، IWQI (RMSE = 3.96، MAE = 2.82، NSE = 0.85، WI = 0.81، R2 ⁼ ۰٫۸۵)، SAR (RMSE = 0.37، MAE = 0.27، NSE = 0.91، WI = 0.85، R2 ⁼ ۰٫۹۱)، Na% (RMSE = 4.42، MAE = 3.15، NSE = 0.81، WI = 0.80، R2 ⁼ ۰٫۸۱)، MR (RMSE = 2.62، MAE = 1.92، NSE = 0.85، WI = 0.78، R2 ⁼ ۰٫۸۵)، PI (RMSE = 3.89، MAE = 2.79، NSE = ۰.۸۹، WI = ۰.۸۵، R۲ ⁼ ۰.۸۹) و SSP (RMSE = ۳.۴۹، MAE = ۲.۵۸، NSE = ۰.۸۹، WI = ۰.۸۳، R۲ ⁼ ۰.۸۹) که نشان‌دهنده مهارت آن در پیش‌بینی دقیق این WQIها است.

در حالی که ABR کارایی متفاوتی در پیش‌بینی نشان داد، در اعتبارسنجی IWQI (RMSE = 2.95، MAE = 1.66، NSE = 0.92، WI = 0.90، R2 ⁼ ۰٫۹۲)، اعتبارسنجی SAR (RMSE = 0.40، MAE = 0.31، NSE = 0.90، WI = 0.82، R² = ۰٫۹۰)، اعتبارسنجی MR (RMSE = 2.77، MAE = 1.99، NSE = 0.83، WI = 0.76، R² ⁼ ۰٫۸۳)، اعتبارسنجی PI (RMSE = 4.52، MAE = 3.20، NSE = 0.85، WI = 0.81، R² = ۰٫۸۵) و اعتبارسنجی SSP (RMSE = 4.23، MAE = 3.08، NSE = 0.83،) عملکرد خوبی داشت. WI = 0.78، R2 ⁼ ۰٫۸۳). با این حال، همانطور که در نتایج اعتبارسنجی Na% مشاهده شد، در پیش‌بینی Na% با چالش‌هایی روبرو بود (RMSE = 5.03، MAE = 3.70، NSE = 0.76، WI = 0.75، R2 ⁼ ۰٫۷۶)، که نشان‌دهنده محدودیت‌هایی در ثبت روابط غیرخطی پیچیده است.

نتایج ما نشان می‌دهد که مدل‌های RF عموماً در پیش‌بینی WQIها نسبت به مدل‌های ABR و XGBR مؤثرتر بودند. برای اطمینان از اینکه مدل ما به طور نامناسب از داده‌ها یاد نمی‌گیرد، از LOOCV برای جستجوی بهینه‌سازی فراپارامتر و تحلیل SHAP برای انتخاب ویژگی بهینه استفاده شد. مدل‌های RF حاصل (جداول ۱۱ و ۱۲ ) تنها شکاف‌های کوچکی بین عملکرد کالیبراسیون و اعتبارسنجی (R2 و RMSE) نشان می‌دهند ^، که بیش‌برازش قابل توجه را بعید می‌سازد. پیش‌بینی دقیق روند کیفیت آب نیاز به مدل‌سازی تعاملات پیچیده و غیرخطی بین عوامل تخریب دارد. تکنیک‌های رگرسیون چند متغیره پیشرفته به عنوان جایگزین‌های قدرتمندی برای روش‌های مرسوم ظهور کرده‌اند و دقت پیش‌بینی و کارایی عملیاتی بالاتری را ارائه می‌دهند ^{۱۱۳ ، ۱۱۴ ، ۱۱۵٫} مطالعات، اثربخشی خاص MLAها (مثلاً RF، ABR و XGBR) را برای پیش‌بینی WQIها نشان می‌دهند ^{۱۱۵ ، ۱۱۶ ، ۱۱۷٫} حسن و همکاران. در سال ۲۰۲۱ با استفاده از RF با اجزای کمیاب برای پیش‌بینی WQIها به دقت استثنایی (۹۸.۹۹٪) دست یافت، در حالی که خوی و همکاران، در سال ۲۰۲۲ دقت XGBR (R2 = 0.989، RMSE = 0.107)، دقت ABR (R2 = 0.973، RMSE = 0.175) و دقت RF (R2 = 0.986، RMSE = 0.121) را تأیید کردند ^. به ^طور مشابه ^، ال بیلالی و همکاران، در سال ۲۰۲۱ با استفاده از پارامترهای فیزیکی، عملکرد قوی برای RF (R2 = 0.92) گزارش کردند ^، در حالی که بویی و همکاران، در سال ۲۰۲۰ با استفاده از مدل RF با پارامترهای فیزیکوشیمیایی به مقادیر R2 برابر با ۰.۹۳ دست یافتند ^. این مطالعه نشان می‌دهد که MLAها نه تنها محاسبات WQI را ساده می‌کنند، بلکه اهمیت عوامل ورودی را نیز روشن می‌کنند و آنها را به ابزاری ارزشمند برای ارزیابی کیفیت آب تبدیل می‌کنند. این مدل‌ها جایگزین قابل اعتماد و کارآمدی برای روش‌های سنتی ارائه می‌دهند که اغلب شامل محاسبات پیچیده و فرمول‌های زیرشاخص هستند. با توجه به عملکرد جامع و مداوم آنها، این مطالعه سازمان‌های نظارت بر کیفیت آب را تشویق می‌کند تا رویکردهای مبتنی بر MLA را برای مدیریت منابع مؤثرتر و با زمان کارآمدتر اتخاذ کنند.

این مطالعه از نظر جغرافیایی بر روی آبخوان Skikda متمرکز است، که به طور بالقوه کاربرد مستقیم مدل‌های ایجاد شده را در سایر مکان‌ها با ویژگی‌های زمین‌شناسی و اقلیمی متمایز بدون کالیبراسیون بیشتر محدود می‌کند. اندازه نمونه، اگرچه برای مدل‌های مورد استفاده کافی است، اما تا حدودی محدود است (۴۴ نمونه در هر فصل)، و یک مجموعه داده گسترده‌تر ممکن است استحکام و دقت پیش‌بینی‌های یادگیری ماشین را افزایش دهد.

علاوه بر این، این مطالعه به جای تجزیه و تحلیل عمیق آلاینده‌های خاص، مانند فلزات سنگین سمی، که ممکن است درک جامع‌تری از فشار انسانی ارائه دهد، بر عوامل فیزیکوشیمیایی تمرکز دارد. در حالی که تجزیه و تحلیل SHAP قابلیت تفسیر را بهبود می‌بخشد، مدل‌های یادگیری ماشین تا حدودی “جعبه‌های سیاه” باقی می‌مانند و پیش‌بینی‌های آنها تحت تأثیر کیفیت و وسعت داده‌های ورودی قرار می‌گیرد. در نهایت، اگرچه این مطالعه نوسانات فصلی را پیدا می‌کند، اما بر اساس داده‌های یک سال است. برای درک پیامدهای تغییرپذیری آب و هوا و فعالیت‌های مداوم انسانی بر روند کیفیت آب‌های زیرزمینی، نظارت طولانی مدت لازم است.

مناسب بودن آب‌های زیرزمینی برای آبیاری در آبخوان ساحلی Skikda الجزایر با استفاده از ترکیبی از ویژگی‌های هیدروژئوشیمیایی، GIS و یادگیری ماشینی (ML) مورد تجزیه و تحلیل قرار گرفت. این مطالعه نشان داد که آب‌های زیرزمینی عمدتاً از Ca-Mg-SO4 و Na-Cl تشکیل شده‌اند _و شیمی آنها تحت تأثیر تبخیر، برهمکنش‌های سنگ-آب و فعالیت‌های انسانی قرار دارد. با وجود اینکه اکثر نمونه‌ها به دلیل خطرات شوری، برای آبیاری از محدودیت متوسط ​​تا شدید برخوردارند، شاخص‌های بحرانی مانند SAR و PI کیفیت خوبی را با حداقل خطرات سدیمی نشان دادند. IWQI نشان داد که اکثر نمونه‌ها دارای محدودیت‌های متوسط ​​تا زیاد هستند که مناسب بودن آنها را برای محصولات حساس به نمک محدود می‌کند. شاخص‌های SAR و PI نشان‌دهنده کیفیت آب عالی تا خوب، با حداقل خطر سدیمی ناشی از سدیم و ویژگی‌های نفوذپذیری مطلوب خاک هستند. نتایج MH و SSP نشان داد که اکثر نمونه‌ها ایمن هستند و خطرات کمی برای تخریب خاک مرتبط با منیزیم یا سدیم دارند. Na% و SSP نمونه‌های نامناسبی را برای آبیاری، به ویژه در تابستان، نشان دادند که نشان‌دهنده خطرات سدیم موضعی است. نمونه‌های تابستانی عموماً در مقایسه با زمستان، کیفیت کمی پایین‌تری (Na%، SSP و IWQI پایین‌تر) نشان دادند که احتمالاً به دلیل غلظت تبخیری املاح است. با این حال، MH و PI در تابستان به طور جزئی بهبود می‌یابند که نشان‌دهنده‌ی نوعی بافرینگ فصلی در دینامیک منیزیم و نفوذپذیری است.

آب‌های زیرزمینی تا حدودی برای آبیاری مناسب هستند، اما به مدیریت دقیق، به ویژه برای کاهش خطرات شوری، نیاز دارند. استراتژی‌هایی مانند ترکیب با آب با شوری کمتر، انتخاب محصولات مقاوم به شوری و اجرای شیوه‌های آبیاری کارآمد (مانند آبیاری قطره‌ای) توصیه می‌شود. با توجه به تغییرپذیری در Na% و SSP، پایش مکان-محور برای جلوگیری از تخریب طولانی‌مدت خاک ضروری است. به طور خلاصه، اگرچه آب‌های زیرزمینی بر اساس SAR، PI، MH و SSP به طور کلی برای آبیاری مناسب هستند، اما محدودیت‌های متوسط ​​IWQI مستلزم مدیریت پیشگیرانه برای تضمین استفاده پایدار کشاورزی است. مطالعات هیدروژئوشیمیایی بیشتر و پایش خاک برای اصلاح استراتژی‌های آبیاری و محافظت از سلامت خاک توصیه می‌شود.

در میان مدل‌های یادگیری ماشینی آزمایش‌شده – جنگل تصادفی (RF)، تقویت گرادیان شدید (XGBR) و تقویت تطبیقی ​​(ABR) – مدل RF به‌طور مداوم عملکرد برتر را در پیش‌بینی شاخص‌های کیفیت آب آبیاری (IWQI) برای هر دو فصل نشان داد و ابزاری بسیار دقیق و قابل اعتماد بود. تجزیه و تحلیل مقایسه‌ای نشان می‌دهد که مدل‌های RF به‌طور کلی در پیش‌بینی WQIها نسبت به مدل‌های ABR و XGBR مؤثرتر بودند. نتایج نشان داد که RF دقت برتر را برای همه WQIها با نتایج اعتبارسنجی قوی نشان می‌دهد: IWQI (R2 ⁼ ۰٫۸۵ و ۰٫۹۴)، SAR (R2 ⁼ ۰٫۹۱ و ۰٫۹۲)، Na% (R2 ⁼ ۰٫۸۱ و ۰٫۸۷)، MR (R2 ⁼ ۰٫۸۵ و ۰٫۷۳)، PI (R2 ⁼ ۰٫۸۹ و ۰٫۹۰) و SSP (R2 ⁼ ۰٫۸۹ و ۰٫۹۰). این نتایج، قابلیت RF را برای پیش‌بینی دقیق WQIها برای مجموعه داده‌های تابستان و زمستان برجسته می‌کند. در نهایت، ادغام GIS با مدل RF، چارچوبی قدرتمند و قابل تکرار برای پیش‌بینی کارآمد کیفیت آب‌های زیرزمینی ارائه می‌دهد و تصویر روشنی برای مدیریت کیفیت آب و آبیاری پایدار ارائه می‌دهد.