Document Type : پژوهشی

Authors

1 - Assistant Professor, Faculty of Civil Engineering, Ayatollah Boroujerdi University, Boroujerd, Iran,

2 MS Student, Hydraulic Structures, Ayatollah Boroujerdi University, Boroujerd, Iran

3 Prof.Dr Faculty of Civil Engineering, Tabriz University

Abstract

Time series analysis of hydrological processes plays an important role in accurate recognition of this process. Wavelet-entropy index is a new indicator to assess the fluctuations of time series. In this paper, the effective factor in groundwater level declining in the Silakhor plain is examined using wavelet-entropy index. Generally, wavelet-entropy index reduction or time series complexity reduction of a phenomenon, indicates the reduction in time series natural fluctuations and thus the occurrence of an unfavorable trend in time series. In this way, to identify the main cause of declining aquifer water table, firstly, monthly time series of precipitation, temperature and rivers flow of this plain divided into shorter time periods and then, each of these time series were decomposed to multiple frequent time series by wavelet transform and then, normalized wavelet energies were calculated for these decomposed time series and finally, wavelet-entropy index was calculated for each three different time periods. The results of wavelet-entropy index analysis reflect the fact that, the complexity reduction of the flow time series about 71% is more effective on groundwater time series complexity reducing compared to the complexity reduction of the precipitation and temperature time series about 13% and 10.5% respectively. This result indicates the primacy of the human factors compared with the climate change factors impacts in declining the groundwater level in this plain.

Keywords

رشد و نمود اثرات حاصل از خشکسالی به قیمت از دست رفتن سرمایه‌های زیستی و اکوسیستمی منحصربه‌فرد ایران تمام شده و دسترسی به منابع آب شیرین که حساس‌ترین آن آب‌های زیرزمینی است به­سرعت در حال کاهش است (ابودوایلی[1] و همکاران، 2008؛ حسین­پور و همکاران، 2010). در بسیاری از مناطق کشور، کاهش سطح آب­های زیرزمینی نه تنها بهره­برداری از این آب­ها را محدود ساخته بلکه منجر به وقوع پدیده­ی فرونشت زمین و خسارات جانی و مالی سنگینی شده است. پژوهش­های متعددی در راستای شناسایی علل افت سطح آب­های زیرزمینی صورت گرفته است. به عنوان نمونه اکبری و همکاران (1388) افت سطح آب­های زیرزمینی را با استفاده از سیستم اطلاعات جغرافیایی (GIS) در آبخوان دشت مشهد بررسی نمودند. نتایج تحقیق آن­ها گویای این موضوع بود که مهم­ترین عوامل افت آب زیرزمینی در دشت مشهد پدیده خشکسالی، برداشت بی­رویه، ازدیاد جمعیت، افزایش سطح زیر کشت و تعداد زیاد چاه­های برداشت می­باشد. فرامرزی و همکاران (1393) اثر تغییرات کاربری اراضی روی افت تراز آب‌ زیرزمینی را در منطقه دشت دهلران استان ایلام مورد ارزیابی قرار دادند. آن­ها به این نتیجه دست یافتند که همبستگی مثبتی بین افزایش اراضی دیمی، اراضی آبی، جنگل دست کاشت با افت سطح ایستابی وجود دارد. به ­طور­کلی بحث‌هایی که در ارتباط با بحران خشکسالی و کم‌آبی در ایران صورت گرفته در تضاد با یکدیگر بوده و هنوز به یک جامعیت و هدفی روشن دست پیدا نکرده است. برخی معتقدند که بحران کم‌آبی، ناشی از تغییر اقلیم گسترده در ایران است (وحیدی، 1390؛ ربانی و علیخانی، ۱۳۸۹) و برخی دیگر آن را نتیجه‌ی بهره­گیری بی­رویه انسان از منابع آبی و عدم مدیریت درست منابع آب می‌دانند (نورانی و همکاران، 1394، فسخودی و میرزایی، 1392). در سال‌های اخیر در آبخوان دشت سیلاخور تراز آب زیرزمینی کاهش قابل ملاحظه­ای را داشته است. همچنین الگوی نوسانی تراز آب زیرزمینی در این منطقه دچار تغییر شده و نوسانات آن کاهش یافته است. این کاهش نوسانات تراز آب زیرزمینی را می‌توان به نوعی بیمار شدن آب زیرزمینی منطقه­ی مورد نظر دانست. در این میان نکته­ی اساسی شناسایی عامل بروز این تغییرات در تراز آب زیرزمینی می­باشد. برای نشان دادن تأثیر تغییرات اقلیمی از متغیرهای دما و بارش منطقه استفاده شده است. همچنین جهت رصد نمودن تأثیرات انسانی نظیر حفر چاه­های غیرمجاز، توسعه­ی بی­رویه­ی کشاورزی و ایجاد کارخانه‌های صنعتی می­توان از متغیر دبی آب خروجی حوضه بهره­گیری نمود و جهت رتبه­بندی عوامل و درصد تأثیر هر یک می­توان از شاخص­های مختلفی از جمله معیار نوین موجک-آنتروپی استفاده نمود. برای اولین بار شانون[2] (1948) مفهوم آنتروپی را به ‌عنوان ابزاری برای سنجش محتوای اطلاعات سیگنال معرفی کرد. پژوهشگران دیگری نیز در عرصه‌های مختلف از این ابزار جهت آنالیز سیگنال و سری زمانی استفاده نمودند (چن و لی[3]، 2014؛ و وارانیس و پدریوا[4]، 2015). پنکاس[5] (1991) مدلی دیگر را از مفهوم آنتروپی که آنتروپی تقریبی[6] نام دارد جهت تعیین پیچیدگی سری‌های زمانی کوتاه‌مدت طراحی نمود. از سویی ریچمن و مورمن[7] (2000) با ایجاد تغییری جزئی در ساختار آنتروپی تقریبی، مفهومی اصلاح‌شده را به نام آنتروپی نمونه[8] معرفی کردند. میشرا[9] و همکاران (2009) به ‌وسیله‌ی مفهوم آنتروپی به بررسی تغییرات مکانی و زمانی سری زمانی بارش در ایالت تگزاس آمریکا پرداختند. آن‌ها به کمک این معیار مشخصه‌های متعددی از جمله تعداد روزهای بارانی را از سری زمانی بارش استخراج نمودند. در پژوهش دیگری مینگ­چو[10] (2011) با استفاده از معیار آنتروپی چند مقیاسه، به آنالیز سری زمانی بارش پرداخت. او سری زمانی بارش چهار حوضه را تحت تبدیل موجک قرارداد و از معیار آنتروپی جهت تشخیص درجه­ی تجزیه­ی سری‌های زمانی تجزیه‌شده استفاده نمود. از آنجایی‌که سری زمانی فرایندهای هیدرولوژیکی بسیار پیچیده بوده بنابراین استفاده از تبدیل موجک و تجزیه سری زمانی به چند زیرسری موجب درک بهتر و درست‌تر از رفتار کوتاه و بلندمدت سری زمانی داده‌ها می‌شود (نورانی و همکاران، 2012). با رویداشت به نکات یادشده می­توان گفت که معیار موجک- آنتروپی[11] یک شاخص جدید و کارا در محاسبه‌ی پیچیدگی سری زمانی بخصوص سری زمانی داده‌های هیدرولوژیکی می‌باشد. در این تحقیق از معیار موجک- آنتروپی جهت محاسبه‌ی میزان تأثیر تغییرات دما، بارش و دبی بر کاهش تراز آب زیرزمینی آبخوان دشت سیلاخور استفاده ‌شده است.

ویژگی­های محدوده­ی مورد مطالعه

دشت سیلاخور با وسعتی به اندازه­ی 819 کیلومتر­مربع، بزرگ‌ترین زمین هموار استان لرستان در غرب ایران است (شکل 3). این دشت وسیع که شامل مساحت شهرستان‌های بروجرد و دورود نیز می­باشد از قطب‌های مهم کشاورزی و باغداری منطقه هم به شمار می‌رود. کمترین ارتفاع محدوده 1437 متر، مربوط به بخش­های خروجی حوضه و بیشترین ارتفاع محدوده­ی 3845 متر از سطح دریا، مربوط به جنوب شرقی محدوده می­باشد.

مواد و روش

معیار آنتروپی

جهت محاسبه­ی معیار آنتروپی ابتدا می­بایست انرژی موجک یا به عبارت دیگر انرژی سیگنال را که با نماد Em نشان داده می­شود از رابطه­ی (1) محاسبه نمود:

رابطه­ی (1)

 

Wm(t)زیرسری زمانی جزئی[12] از مراتبM=1, 2, 3, …, m  است. اگرX  متغیر تصادفی گسسته با مقادیر x1, x2,…xn و احتمالات متناظر p1, p2,…pnباشد، آنتروپی شانون از رابطه­ی (2) محاسبه می‌شود (سینک[13]، 2011):

رابطه­ی (2)

 

که در این رابطه  H(X)آنتروپی X است که تابع آنتروپی شانون نیز نامیده می‌شود.  Pتوزیع احتمال است و به‌ صورت P={pi, i=1,2,3,…..N} تعریف می‌شود. احتمال وقوع یک پدیده، عدم قطعیت آن و میزان آنتروپی یا اطلاعات باهم مرتبط هستند. اگر احتمال وقوع پدیده­ای زیاد باشد، میزان آنتروپی آن کم است و بالعکس. به عبارت دیگر، برای تبیین پدیده­های با احتمال وقوع کم و عدم قطعیت زیاد، اطلاعات آنتروپی زیادی لازم است.

معیار موجک-آنتروپی

تابع تبدیل موجک قابلیت تجزیه سری زمانی به چندین زیر سری زمانی با مقیاس‌های مختلف را دارا است و با مطالعه زیرسری‌های زمانی حاصل از سری زمانی کلی، رفتار کوچک‌مقیاس و بزرگ‌مقیاس یک فرایند هیدرولوژیکی را مورد آنالیز قرار می­دهد. توابع موجک دارای انواع بسیاری هستند که تابع مهم‌ترین و پرکاربرد­ترین آن‌ها در نمودار شکل (1) نشان داده‌شده است (مالات[14]، 1998):

 

شکل (1)نمودار الف)تابعموجکHaar   ؛ ب)تابعموجک Coif1 ؛ پ)تابعموجک Sym3؛ ت)تابعموجکdb2

با ترکیب مفاهیم موجک و آنتروپی، ابزار جدیدی به نام موجک-آنتروپی برای محاسبه­ی پیچیدگی به دست می‌آید. با بهره­گیری از این روش می‌توان سری زمانی را به تعدادی زیرسری تجزیه و انرژی موجک هر کدام از زیرسری­ها و در نتیجه معیار موجک-آنتروپی را برای هرکدام از آن‌ها محاسبه نمود. معیار آنتروپی در واقع گویای میزان نوسانات سری زمانی است و مقدار این معیار با شدت نوسان سری رابطه­ی مستقیم دارد. انرژی موجک موجود در هر زیرسری از رابطه­ی (3) محاسبه می‌شود (سینک، 2011).

رابطه­ی (3)

 

در این رابطه m مقیاس تفکیک سیگنال اصلی و Cm ضرایب جزئی موجود می‌باشد و n تعداد ضرایب موجود در مقیاس m است. انرژی کل سیگنال (Etotal) از رابطه‌ی (4) به­دست می‌آید (سینک، 2011):

رابطه­ی (4)

 

با استفاده از رابطه­ی (5)، انرژی موجک نرمال شده هرکدام از زیر­سری‌ها محاسبه می­شود.

رابطه­ی (5)

 

پس از محاسبه­ی انرژی نرمال شده هر کدام از زیرسری­ها در نهایت معیار   موجک-آنتروپی با استفاده از رابطه­ی (2) به‌صورت زیر محاسبه می‌گردد:

رابطه­ی (6)

 

شـکل (2) روند محاسبه­ی معیار موجک-آنتروپی را بـه صورت شـماتیک نـشان می­دهد. در این شکل ابتدا سری زمانی توسط تبدیل موجک به چند زیرسری زمانی تجزیه و سپس انرژی نرمال هر کدام از زیرسری­ها محاسبه می­شود. در نهایت با استفاده از رابطه­ی (6) معیار موجک-آنتروپی از انرژی­های نرمال شده به دست می­آید.

 

شکل (2) ساختار شماتیک محاسبه­ی معیار موجک-آنتروپی

 

شکل (3) محدوده­ی مطالعاتی دشت سیلاخور (دورود-بروجرد)

جدول (1) ویژگی‌های آماری منطقه­ی موردنظر را نشان می‌دهد. شکل (4) سری زمانی ماهانه 204 ماهه مقایسه بارندگی و تغییرات تراز متوسط آب زیرزمینی دشت سیلاخور از سال آبی (1377-1376) تا (1393-1392) نشان می‌دهد. شکل 5 و 6 نیز تغییرات دما و دبی آب خروجی را در بازه­ی زمانی یاد شده نشان می‌دهد. شایان ذکر است که آبخوان دشت سیلاخور از نوع آبخوان تحت فشار می­باشد. در این دشت تعداد 11 منطقه­ی مختلف موجود است که در هر منطقه سطح پیزومتری آبخوان توسط یک چاه پیزومتری (مجموعاً 11 چاه پیزومتری) اندازه­گیری شده است (شکل7) و نهایتاً میانگین تراز آبخوان در این مناطق، سری زمانی متوسط تراز آب زیرزمینی را در دست داده است.

 

جدول (1) ویژگی‌ها آماری سری زمانی دشت سیلاخور

میانگین

کمینه

بیشینه

سری زمانی ماهانه (204 ماه)

74/1499

29/1496

209/1503

تراز متوسط آب زیرزمینی (متر)

76/42

0

25/255

بارش (میلی‌متر)

053/15

6-

9/29

دما (درجه سلسیوس)

395/57

375/6

16/482

دبی (مترمکعب بر ثانیه)

 

شکل (4) مقایسه‌ی سری زمانی تغییرات بارش و تراز متوسط آب زیرزمینی در دشت سیلاخور

 

شکل (5) سری زمانی تغییرات دما در دشت سیلاخور

 

شکل (6) سری زمانی تغییرات دبی آب خروجی از دشت سیلاخور

 

شکل (7) نقشه­ی GIS چاه­های پیزومتر در دشت سیلاخور

 

بحث و نتایج

آنالیز سری زمانی تراز متوسط آب زیرزمینی

با رویداشت به شکل (4) می­توان دریافت که سری زمانی تراز متوسط آب‌های زیرزمینی دشت سیلاخور در ابتدا (سال 1376) با میزان تراز 64/1500 متر شروع و نهایتاً به تراز 63/1497 متر در پایان بازه­ی 204 ماهه (سال1393) ختم می‌شود. واضح است که سطح آب زیرزمینی در این منطقه‌ی وسیع، تحت تاثیر عوامل متعدد اقلیمی و انسانی، در حدود 3 متر کاهش‌یافته است. اما سری زمانی داده‌های هیدرولوژیکی ناایستا بوده و دربردارنده‌ی مشخصه­های متعددی است. بنابراین قضاوت در ارتباط با تغییرات تراز آب زیرزمینی و وضعیت آن در منطقه­ی مورد مطالعه صرفاً با بررسی مقادیر ابتدایی، انتهایی و متوسط سری زمانی تراز متوسط آب زیرزمینی نمی‌تواند قضاوتی دقیق و درست باشد. در نتیجه در گام نخست، هدف استفاده از مفاهیم و معیارهایی است که بتوان به دیدگاه صریحی در ارتباط با سری زمانی تراز آب زیرزمینی و سایر سری‌های زمانی هیدرولوژیکی منطقه دست ‌یافت.

در این تحقیق ابتدا از تبدیل و تجزیه سری زمانی به وسیله­ی تبدیل موجک استفاده می‌شود. در این راستا سری زمانی 204 ماهه تراز متوسط آب زیرزمینی به سه بازه زمانی 68 ماهه تقسیم‌شده و سپس هرکدام از این سری‌های زمانی تحت تبدیل موجک db2 با درجه­ی تجزیه­ی 1 تا 5  قرار می‌گیرد. شایان ذکر است که بعد از درجه تجزیه 5، مقادیر انرژی نرمال به طور ناگهانی به عدد یک بسیار نزدیک شده و عبارت Ln[ρm]صفر می شود و در نتیجه مقادیر انرژی نرمال از درجه تجزیه 5 به بعد تاثیری بر مقدار معیار موجک آنتروپی نخواهند داشت. در نتیجه در پژوهش حاضر به ارائه نتایج تبدیل موجک با درجه­ی تجزیه­ی­ 1 تا 5 بسنده شده است. همچنین دلیل استفاده از این تابع موجک شباهت زیاد شکل تابع موجک db2 به سری­های زمانی هیدرولوژیکی از جمله تراز متوسط آب زیرزمینی و همچنین سری زمانی بارش، دما و دبی می‌باشد. به عنوان نمونه در شکل (8) قسمتی تصادفی از تغییرات سری­های زمانی بارش، دما و دبی دشت سیلاخور نشان داده شده است. همانطور که مشاهده می­شود نحوه­ی نوسانات این سری­های زمانی با شکل تغییرات تابع موجک db2 شباهت نسبی زیادی نسبت به توابع موجک Haar، Coif1 و Sym3 (شکل1) دارد.

 

شکل (8) شباهت تابع موجک db2 به نوسانات سری­های زمانی بارش، دما و دبی

جهت آنالیز سری زمانی تراز آب زیرزمینی و رصد نمودن تغییرات بی‌نظمی در روند سری زمانی از معیار موجک-آنتروپی استفاده می‌شود. در این راستا انرژی نرمال شده (nρ) برای هرکدام از زیرسری­های به‌ دست ‌آمده از تبدیل موجک محاسبه و نهایتاً معیار موجک-آنتروپی (WE) در هر سه بازه­ی زمانی محاسبه می‌شود (جدول 2). شکل (9) نمودار تغییرات معیار موجک-آنتروپی در سه دوره‌ی زمانی 68 ماهه است.

جدول (2) محاسبه معیار موجک-آنتروپی برای سری زمانی تراز متوسط آب زیرزمینی

زیر سری‌های 68 ماهه

انرژی نرمال­شده زیرسری­ها

دوره­ی ­سوم

دوره­ی دوم

دوره­ی اول

000217/0

000319/0

000125/0

ρ1

001165/0

002441/0

000722/0

ρ2

009348/0

008336/0

003428/0

ρ3

009489/0

010765/0

003751/0

ρ4

97978/0

97814/0

99197/0

ρ5

11259/0

12756/0

09983/0

 معیار موجک-آنتروپی (WE)

73/11- %

77/27 %

***

درصد تغییرات

 

شکل (9)نمودار تغییرات معیار موجک-آنتروپی برای تراز میانگین آب زیرزمینی در 3 بازه­ی مختلف

همان‌طور که در جدول (2) نشان داده‌ شده است، معیار موجک-آنتروپی در بازه­ی زمانی سوم به میزان 73/11 درصد کاهش ‌یافته است. کاهش معیار موجک-آنتروپی نشانه‌ی مطلوبی نیست. به‌عبارت‌دیگر کاهش این معیار گویای کاهش میزان پیچیدگی یا درواقع کاهش نوسانات سری زمانی در بازه­ی زمانی سوم است. همان‌طور که اشاره شد، کاهش میزان نوسانات سری زمانی هیدرولوژیکی نشان‌ دهنده‌ی بیمار شدن آن مشخصه‌ی هیدرولوژیکی است (نورانی و همکاران، 2015). بنابراین تراز آب زیرزمینی دشت سیلاخور در بازه­ی زمانی سوم دچار بیماری شده و هدف اصلی شناسایی عامل وقوع این بیماری از میان عوامل اقلیمی و انسانی است.

بررسی میزان تأثیر عوامل اقلیمی و انسانی بر کاهش تراز متوسط آب زیرزمینی

در سال‌های اخیر با گسترش صنعت، برداشت بی‌رویه و غیراصولی از آب‌های جاری، تغییر الگوی کشت و در نتیجه کاشت محصولاتی همانند برنج که متناسب با شرایط آبی منطقه نبوده و آب زیادی مصرف می­کنند، منجر به ایجاد نیاز آبی وافری در منطقه مورد نظر شده و در نتیجه بهره­برداری از منابع آب­های زیرزمینی با حفر چاه­های متعدد به طور مستقیم و بهره­برداری از آب­های سطحی به صورت غیرمستقیم بر کاهش سطح آب­های زیرزمینی تأثیر گذاشته است. شکل (10) تراکم زیاد چاه­های حفر شده در دشت مطالعاتی را نشان می­دهد. باتوجه به این نقشه GIS، تعداد 1679 حلقه چاه در منطقه دشت سیلاخور حفر شده است. روشن است که برداشت آب­های زیرزمینی به وسیله­ی این تعداد چاه نقشی اساسی و مستقیم در کاهش تراز سطح این آب­ها داشته است.

 

شکل (10) محل چاه­های حفر شده در منطقه­ی دشت سیلاخور

در ایـن بخش هدف بررسی میزان تأثیر هرکدام از عـوامل اقلیمی و انسـانی می­باشد که به صورت غیرمستقیم بر بحرانی شدن وضعیت تراز آب زیرزمینی دشت سیلاخور در سال‌های اخیر تاثیر گذاشته است. افزایش بهره­گیری انسان از آب‌های سطحی ناشی از موارد یاد شده موجب کاهش دبی آب‌های خروجی از این منطقه شده است. بنابراین دبی آب­های خروجی از حوضه­ی بارزترین مصداق عوامل انسانی می­باشد. از این روی جهت در نظر گرفتن عوامل اقلیمی از سری زمانی بارش و دما و جهت بررسی تأثیر عوامل انسانی از سری زمانی دبی آب خروجی از حوضه استفاده‌شده است. در این راستا سری زمانی 204 ماهه بارش، دما و دبی به سه بازه­ی زمانی 68 ماهه تقسیم و سپس تحت تابع موجک db2 و درجه­ی تجزیه­ی 1 تا 5 قرار داده می‌شود. سپس انرژی نرمال شده برای هر زیرسری تجزیه‌شده محاسبه و نهایتاً معیار موجک-آنتروپی برای هر بازه زمانی برای بارش، دما و دبی به­دست می­آید (جداول 3 تا 5). تغییرات این معیار مربوط به سه بازه­ی زمانی مورد نظر برای بارش، دما و دبی در شکل (11) نشان داده‌شده است.

جدول (3) محاسبه معیار موجک-آنتروپی برای سری زمانی بارش

زیر سری‌های 68 ماهه

انرژی نرمال­شده زیرسری­ها

دوره­ی سوم

دوره­ی دوم

دوره­ی اول

01974/0

024031/0

023803/0

ρ1

036965/0

045677/0

013089/0

ρ2

072813/0

098165/0

056131/0

ρ3

028483/0

028087/0

015506/0

ρ4

842/0

80404/0

89147/0

ρ5

6363/0

73412/0

47441/0

معیار موجک-آنتروپی (WE)

13-

55%

***

درصد تغییرات

جدول (4) محاسبه معیار موجک-آنتروپی برای سری زمانی دما

زیر سری‌های 68 ماهه

انرژی نرمال­شده زیرسری­ها

دوره­ی سوم

دوره­ی دوم

دوره­ی اول

000419/0

000762/0

000497/0

ρ1

006006/0

00628/0

006138/0

ρ2

038022/0

039564/0

05269/0

ρ3

019382/0

02633/0

010216/0

ρ4

93617/0

92706/0

93046/0

ρ5

29648/0

33107/0

30402/0

معیار موجک-آنتروپی (WE)

5/10- %

9 %

***

درصد تغییرات

 

 

جدول (5) محاسبه معیار موجک-آنتروپی برای سری زمانی دبی خروجی حوضه

زیر سری‌های 68 ماهه

انرژی نرمال­شده زیرسری­ها

دوره­ی سوم

دوره­ی دوم

دوره­ی اول

002705/0

013552/0

014705/0

ρ1

011389/0

04281/0

022404/0

ρ2

015655/0

10664/0

044648/0

ρ3

017352/0

087381/0

012512/0

ρ4

9529/0

74962/0

90573/0

ρ5

24836/0

8609/0

49946/0

معیار موجک-آنتروپی (WE)

71- %

72 %

***

درصد تغییرات

لازم به ذکر است که برای تجزیه هرکدام از سری‌های زمانی مانند مرحله­ی قبل از تابع موجک db2 استفاده‌ شده زیرا همانطور که اشاره شد شکل نوسانات سری­های زمانی داده­های هیدرولوژیکی نیز شباهت زیادی به شکل تابع موجک db2 دارد (شکل 8). در جدول (3) با توجه به درصد تغییرات میزان معیار موجک-آنتروپی برای سری زمانی بارش، این معیار ابتدا در بازه‌ی زمانی دوم به ‌اندازه‌ی 55% افزایش داشته و سپس به ‌اندازه 13­% کاهش می‌یابد. در نتیجه در بازه­ی زمانی سوم 13% کاهش نوسانات سری زمانی بارش رخ ‌داده است. اما تا قبل از آنکه میزان کاهش نوسان این سری زمانی نسبت به تغییرات سیگنال سایر سری­های زمانی دما و دبی مقایسه نشده است نمی‌توان در مورد میزان تأثیر بارش بر تراز آب زیرزمینی قضاوتی علمی نمود. با توجه به درصد تغییرات میزان معیار موجک-آنتروپی مربوط به سری زمانی دما در جدول (4) (9% افزایش و 5/10% کاهش به ترتیب در بازه­ی زمانی دوم و سوم) به نظر می‌رسد تأثیرات سیگنال دما بر تغییرات تراز آب زیرزمینی قابل‌ توجه نمی‌باشد. در جدول5 تغییرات معیار موجک-آنتروپی در سه بازه زمانی برای سری زمانی دبی نشان داده‌شده است و همان‌طور که مشخص است نوسانات این سری زمانی در بازه‌ی زمانی سوم به میزان 71% کاهش ‌یافته و این بیشترین کاهش معیار موجک-آنتروپی در مقایسه با سری‌های زمانی بارش و دما است. برای درک بهتر تغییرات این معیار نمودار تغییرات آن برای هر سه سری زمانی در شکل (11) رسم شده است.

 

شکل (11) نمودار تغییرات معیار موجک-آنتروپی برای بارش، دما و دبی در 3 بازه­ی مختلف

طبق نمودار شکل (11)، میزان کاهش معیار موجک-آنتروپی که بیانگر میزان کاهش نوسانات سیگنال است در بازه­ی زمانی سوم (بین سال‌های 87 تا 93) برای دبی آب‌های خروجی از دشت سیلاخور از سایر سری‌های زمانی بیشتر است. با به  وجود آمدن این معضل، روندی نامطلوب در نوسانات تراز آب‌های زیرزمینی که به میزان نفوذ آب‌های جاری در این منطقه نیز وابسته است رخ می­دهد و پیچیدگی آن در همین بازه کاهش می‌یابد (شکل 9) و ازآنجایی‌که کاهش پیچیدگی سیگنال دبی در منطقه از سایر سری‌های زمانی بیشتر بوده این نتیجه حاصل می‌شود که سری زمان دبی بیشترین تأثیر را در وقوع نوسانات نامطلوب در تغییرات تراز آب زیرزمینی دشت سیلاخور داشته است. از سویی همان‌طور که اشاره شد دخالت انسان در محیط زیست منطقه، عدم مدیریت در استفاده از منابع آب‌های جاری، ایجاد سد و بهره‌برداری غلط و سنتی از این آب‌ها، افزایش جمعیت، تغییر کاربری زمین‌ها و تغییر الگوی کشت منجر به کاهش نوسانات دبی (کاهش پیچیدگی) به میزان قابل‌توجهی در سال‌های اخیر شده است. بنابراین چون تغییرات دبی مهم‌ترین مصداق عامل تأثیرات انسانی در این منطقه است در نتیجه­ی عامل انسانی بر عامل تغییر اقلیم در بیمار شدن یا به عبارتی وقوع روندی نامطلوب در نوسانات آب زیرزمینی دشت سیلاخور مقدم می‌باشد. ثبات تقریبی متوسط بارندگی منطقه مورد نظر با توجه به شکل (4) (خط نقطه چین) گواه دیگری بر این مدعاست.

نتیجه‌گیری

شناخت عوامل و یا مهم‌ترین عاملی که اثرات ناشی از خشکسالی را تشدید می‌کند بسیار مورد اهمیت است. در این پژوهش جهت آنالیز سری زمانی ماهانه، تراز متوسط آب‌های زیرزمینی در آبخوان دشت دورود بروجرد (دشت سیلاخور) ابتدا این سری به سه بازه­ی زمانی تقسیم شد و نهایتاً معیار موجک-آنتروپی برای هر بازه­ی زمانی سری زمانی تراز آب زیرزمینی به ­دست آمد. نتایج گویای این بود که در بازه­ی زمانی سوم (بین سال‌های 87-93) معیار موجک-آنتروپی کاهشی 73/11 درصدی داشته است. کاهش این معیار بیانگر کاهش میزان نوسانات سری زمانی و نهایتاً نشان‌دهنده‌ی وقوع روندی نامطلوب در تغییرات تراز آب زیرزمینی منطقه­ی مطالعاتی است. پس از بررسی تغییرات معیار موجک-آنتروپی در همان سه بازه­ی زمانی برای سری زمانی بارش، دما و دبی به این نتیجه دست پیدا شد که در بازه­ی زمانی سوم معیار پیچیدگی موجک-آنتروپی برای سری زمانی دبی به ‌اندازه‌ی 71 درصد کاهش داشته و این موضوع تأثیر به سزای تغییرات دبی نسبت بارش و دما را بر بیمار شدن یا در واقع وقوع روندی نامطلوب در نوسانات تراز آب زیرزمینی دشت سیلاخور به اثبات رساند. بنابراین عوامل انسانی تأثیر بیشتری در بیماری و کاهش آب زیرزمینی در منطقه­ی مورد نظر نسبت به تغییرات اقلیم دارد. امید است مسئولان و ارگان‌های ذیربط بیش ‌از پیش بر مدیریت بهره‌برداری از منابع طبیعی تأکید عملی داشته باشند تا عواقب کاهش تراز آب آبخوان روند افزایشی خود را متوقف سازد و از رخداد پدیده­های مخربی همچون فرونشست زمین در آینده جلوگیری گردد.



[1]- Abuduwaili

[2]- Shannon

[3]- Chen & Li

[4]- Varanis & Pederiva

[5]- Pincus

[6]- Approximate entropy

[7]- Richman & Moorman

[8]- Sample entropy

[9]- Mishra

[10]- Ming Chou

[11]- Wavelet-Entropy  (WE)

[12]- Detailed

[13]- Singh

[14]- Mallat

- اکبری، مرتضی؛ جرگه، محمدرضا و حمید مدنی سادات (1388)، بررسی افت سطح آب­های زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی (GIS) (مطالعه­ی موردی: آبخوان دشت مشهد)، پژوهش­های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، شماره­ی 4، صص63-78.
- فسخودی، عباس، میرزایی، مهرنوش (1392)، پیامدهای بحران کم‌آبی و خشک شدن زاینده‌رود در مناطق روستایی (مطالعه­ی موردی: جلگه براآن در شرق اصفهان)، مجله­ی توسعه محلی، شماره­ی 2، صص 157-180.
- فرامرزی، مرزبان؛ یعقوبی، ثریا و کامران کریمی (1393)، اثر تغییرات کاربری اراضی روی افت تراز آب‌ زیرزمینی (مطالعه­ی موردی: دشت دهلران، استان ایلام)، فصلنامه­ی مدیریت آب در مناطق خشک، شماره­ی 2، صص 55-64.
- نورانی، وحید؛ رنجبر، سویل و فرانک توتونچیان (1394)، بررسی تغییرات فرآیندهای هیدرولوژیکی با استفاده از معیاره­ی موجک-آنتروپی (مطالعه­ی موردی: دریاچه­ی ارومیه)، نشریه­ی مهندسی عمران و محیط زیست دانشگاه تبریز، 45، شماره­ی 80، صص 75-86.
- وحیدی، علیرضا (۱۳۹۰)، تأثیر تغییر اقلیم و خشکسالی بر منابع آب ایران، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور، کرمان، انجمن مهندسی آبیاری و آب ایران.
-Abuduwaili, J., Gabchenko, M.V. & Xu, J., (2008), Eolian Transport of Salts: A Case Study in the Area of Lake Ebinur (Xinjiang, Northwest China), Journal of Arid Environments, No.10, PP. 1843-1852.
-Chen, J., & Li, G., (2014), Tsallis Wavelet Entropy and Its Application in Power Signal Analysis, Entropy, Vol. 16, No. 6, PP. 3009-3025. 
-Hoseinpour, M., Fakheri Fard, A. & Naghili, R., (2010), Death of Urmia Lake, a Silent Disaster Investigating of Causes, Results and Solutions of Urmia Lake Drying, The 1 st International Applied Geological Congress, Department of Geology, Islamic Azad University- Mashad Branch, Iran, PP. 26-28.
-Mallat, S.G., (1998), A Wavelet Tour of Signal Processing, Second ed. Academic Press, San Diego.
-Ming Chou, C., (2011), Wavelet-Based Multi-Scale Entropy Analysis of Complex Rainfall Time Series, Entropy, No. 1, PP. 241-253. 
-Mishra, A.K., Özger, M., & Singh, V.P., (2009), An Entropy-Based Investigation Into the Variability of Precipitation, Journal of Hydrology, No. 1-4, PP. 139-154. 
-Nourani, V., Komasi, M., & Taghi Alami, M., (2012), Hybrid Wavelet–Genetic Programming Approach to Optimize Artificial Neural Network Modeling of Rainfall–Runoff Process, Journal of Hydrologic Engineering, No. 6, PP. 724-741. 
-Nourani, V., Sharghi, E. & Ranjbar, S., (2015), Change Detection of Hydrological Processes Using Wavelet-Entropy Complexity Measure (Case Study: Urmia Lake Watershed), Symposium on Regional Floods: Regional Effects of Changes in the River System, Vienna, Austria.
-Pincus, S.M., (1991), Approximate Entropy as a Measure of System Complexity, Proceedings of the National Academy of Sciences of the United States of America, No. 6, PP. 2297-2301. 
-Rajaee, T., Mirbagheri, S.A., Nourani, V., & Alikhani, A., (2010), Prediction of Daily Suspended Sediment Load Using Wavelet and Neuro-Fuzzy Combined Model, Journal of Environmental Science and Technology, No. 1, PP. 93-110. 
-Richman, J.S., & Moorman, J.R., (2000), Physiological Time-Series Analysis Using Approximate Entropy and Sample Entropy, American Journal of Physiology-Heart and Circulatory Physiology, No. 6, PP. 2039-2049. 
-Shannon, C.E., (1948), A Mathematical Theory ofCommunications I and II. Bell, System Technical Journal, No. 3, PP. 379-443. 
-Singh, V.P., (2011), Hydrologic Synthesis UsingEntropy Theory, Journal of Hydrologic Engineering, No. 5, PP. 421-433. 
-Varanis, M., & Pederiva, R., (2015), Wavelet Packet Energy-Entropy Feature Extraction and Principal Component Analysis for Signal Classification, Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, No. 1, PP. 1-7.