Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/A51F0275-43DA-44C3-BD7B-2FB28915173D | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.81255 | - |
| Language | el | - |
| Extent | 125 σελίδες | el |
| Title | Προσδιορισμός νιτρορύπανσης υπόγειων υδάτων στην ευρύτερη περιοχή του Ασωπού ποταμού με χρήση ANNs | el |
| Title | Determination of groundwater nitrate pollution in the extended area of Asopos River using ANNs | en |
| Creator | Stylianoudaki Christina | en |
| Creator | Στυλιανουδακη Χριστινα | el |
| Contributor [Thesis Supervisor] | Karatzas Georgios | en |
| Contributor [Thesis Supervisor] | Καρατζας Γεωργιος | el |
| Contributor [Committee Member] | Nikolaidis Nikolaos | en |
| Contributor [Committee Member] | Νικολαιδης Νικολαος | el |
| Contributor [Committee Member] | Paranychianakis Nikolaos | en |
| Contributor [Committee Member] | Παρανυχιανακης Νικολαος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Environmental Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Περιβάλλοντος | el |
| Content Summary | Στην παρούσα διπλωματική εργασία επιχειρείται η χρήση τεχνητού νευρωνικού δικτύου για την εκτίμηση των συγκεντρώσεων νιτρικών ιόντων (NO3-) σε υπόγεια ύδατα. Η νιτρορύπανση προκαλείται με την άμεση ή έμμεση απόρριψη στο υδάτινο περιβάλλον αζωτούχων ενώσεων και οδηγεί στην πρόκληση βλαβών στην ανθρώπινη υγεία και στην υποβάθμιση των υδατικών οικοσυστημάτων. Στα υπόγεια ύδατα, εμφανίζεται κυρίως με τη μορφή αθροιστικής συσσώρευσης νιτρικών, τα οποία σε ορισμένες περιπτώσεις φθάνουν σε επίπεδα που είναι απαγορευτικά για τη χρήση του νερού για σκοπούς ύδρευσης. Ως οριακή τιμή έχει καθορισθεί από την Ελληνική και Διεθνή νομοθεσία η συγκέντρωση των 50 mg/l, ωστόσο ακόμα και σε μικρότερες συγκεντρώσεις (μεγαλύτερες από 25 mg/l) δημιουργείται προβληματισμός για μακροχρόνια χρήση του νερού για πόση (ypeka, 2018). Η μοντελοποίηση της νιτρορύπανσης των υπόγειων υδάτων με τις κλασικές αριθμητικές μεθόδους μπορεί να καταστεί ιδιαίτερα δύσκολη διαδικασία και απαιτεί πολύ καλές γνώσεις της γεωμορφολογίας της περιοχής, η οποία εν γένει χαρακτηρίζεται από ετερογένεια (Tanty & Desmukh, 2015; Gutiérrez et al, 2018). Επιπλέον, οι τεχνικές ανίχνευσης και μέτρησης των συγκεντρώσεων των νιτρικών ιόντων στο νερό χαρακτηρίζονται από υψηλό κόστος και υψηλές απαιτήσεις σε χρόνο, ενώ οι φορητές συσκευές που χρησιμοποιούνται δεν είναι ικανοποιητικής ακρίβειας. Ακόμη, στις διάφορες μεθόδους που χρησιμοποιούνται για τη χημική ανάλυση του νερού, η ανίχνευση των νιτρικών επηρεάζεται από την ύπαρξη άλλων ιόντων, κυρίως των Cl- (Alahi & Mukhopadhyay, 2018). Το γεγονός αυτό οδηγεί σε σημαντική υποβάθμιση του προβλήματος, ιδιαίτερα σε περιοχές με υψηλές συγκεντρώσεις αλάτων, όπως σε παράκτιους υδροφορείς. Με γνώμονα τα προαναφερθέντα ζητήματα, στην παρούσα εργασία εξετάζεται η δυνατότητα χρήσης νευρωνικών δικτύων για την εκτίμηση των συγκεντρώσεων των νιτρικών ιόντων σε υπόγειους υδροφορείς. Το νευρωνικό δίκτυο δεν απαιτεί γνώση των γεωμορφολογικών χαρακτηριστικών της περιοχής, η οποία είναι δύσκολο να αποκτηθεί, ενώ ως παράμετροι εισόδου μπορούν να χρησιμοποιηθούν μεταβλητές χωρίς να υπάρχει γνώση των σχέσεων που τις διέπουν στο σύστημα που μελετάται (Trichakis et al., 2011). Για το σκοπό της εργασίας, αναπτύχθηκαν συνολικά τρία νευρωνικά δίκτυα σε περιβάλλον Matlab. Για το πρώτο δίκτυο χρησιμοποιήθηκαν εύκολα μετρήσιμα δεδομένα πεδίου. Οι παράμετροι που μελετήθηκαν αρχικά ήταν το pH, η ηλεκτρική αγωγιμότητα, η θερμοκρασία του νερού και του αέρα και η στάθμη του υδροφορέα. Με αυτές τις παραμέτρους, το μοντέλο πέτυχε αρκετά καλή προσομοίωση (R=0.92259, NSE=0.8406). Κατόπιν, για την καλύτερη περιγραφή του συστήματος επιλέχθηκε να εισαχθεί στο μοντέλο και το ποσοστό χρήσεων γης σε ακτίνα 1000 m από το κάθε πηγάδι. Με την είσοδο αυτής της μεταβλητής, παρατηρήθηκε σημαντική αύξηση της απόδοσης του μοντέλου (R=0.97412, NSE=0.9481). Στο τρίτο μοντέλο, η προσομοίωση βασίστηκε σε τυπικές μετρήσεις ποιότητας νερού. Συγκεκριμένα, χρησιμοποιήθηκαν το pH, η ηλεκτρική αγωγιμότητα, τα ανθρακικά ιόντα (HCO3-) και τα ιόντα Cl-, Ca2+, Mg2+, Na+, K+, SO42-. Στο συγκεκριμένο μοντέλο σημειώθηκε η καλύτερη προσομοίωση (R=0.96545, NSE=0.987838), το οποίο πιθανά οφείλεται στην ύπαρξη περισσότερων δεδομένων. Τέλος, χρησιμοποιώντας το δεύτερο μοντέλο, στο οποίο θεωρείται ότι έχουν συμπεριληφθεί παράγοντες που επηρεάζουν σημαντικά τη μεταφορά νιτρικών, εξετάστηκαν σενάρια κλιματικής αλλαγής και αλλαγών χρήσεων γης ώστε να εκτιμηθούν οι επιπτώσεις τους στα επίπεδα των συγκεντρώσεων NO3-. Τα αποτελέσματα των σεναρίων καταδεικνύουν τη σημαντική συμβολή των αγροτικών αλλά και των βιομηχανικών δραστηριοτήτων στα αυξημένα επίπεδα της νιτρορύπανσης. Για την κατασκευή των μοντέλων αντλήθηκαν δεδομένα από μετρήσεις που έγιναν στο χρονικό διάστημα 2000-2008 σε γεωτρήσεις του Νομού Βοιωτίας, στο πλαίσιο υδρογεωλογικής και υδροχημικής έρευνας του ΙΓΜΕ (Γιαννουλόπουλος, 2008). Πιο συγκεκριμένα, χρησιμοποιηθήκαν δεδομένα από γεωτρήσεις που είναι τοποθετημένες στο Κωπαϊδικό Πεδίο και την ευρύτερη περιοχή της Λεκάνης Απορροής του Ασωπού ποταμού, όπου υπάρχει ιδιαίτερα υψηλή αγροτική, κτηνοτροφική και βιομηχανική δραστηριότητα. Για το λόγο αυτόν, στις υπό εξέταση περιοχές έχει παρουσιαστεί εκτεταμένη ρύπανση και σύμφωνα με τα κριτήρια της Οδηγίας 91/676/ΕΟΚ, καθορίστηκαν με τις ΚΥΑ 19652/1906/1999 (ΦΕΚ Β’ 1575/05-08-1999) και ΚΥΑ 106253/08.11.10 ως ζώνες ευπρόσβλητες σε νιτρορύπανση γεωργικής προέλευσης. Η καλή προσομοίωση που επετεύχθη στα μοντέλα, τα καθιστά ένα χρήσιμο εργαλείο για την πρόβλεψη των επιπέδων ρύπανσης, που θα αποτελεί τη βάση για την κατάστρωση σχεδίων από τις αρμόδιες αρχές, με σκοπό τη βέλτιστη διαχείριση των υπόγειων υδάτων και την πρόληψη της νιτρορύπανσης. | el |
| Content Summary | The scope of the present study is the estimation of groundwater pollution by nitrates (NO3-), using artificial neural networks (ANNs). Nitrate pollution is caused through the introduction of excessive amounts of nitrogen to surface and groundwater, mainly as a result of agricultural practices because of the overuse of nitrogen based fertilizers. NO3- are particularly mobile through water and soil, so excess nitrates from sewage and agricultural fertilizers easily make their way into groundwater and surface waters. The guideline value for nitrate in drinking water is set by Greek and international legislation at a concentration of 50 mg/l, but even at lower concentrations (greater than 25 mg/l), concerns are being raised about long-term use of drinking water. Modeling of nitrate pollution with the commonly used mathematical methods can be a particularly difficult process and requires very good knowledge of the geomorphology of the study area, which in most cases is characterized by heterogeneity. In addition, techniques for detecting and measuring nitrate concentrations in water are characterized by high cost and high demands of time, while portable devices used are not of sufficient accuracy. Furthermore, in the various methods used for chemical analysis of water, the detection of nitrates is affected by the presence of other ions, especially Cl-. Based on the aforementioned issues, this thesis examines the possibility of using neural networks for the assessment of concentrations of nitrate in groundwater. ANNs do not require the knowledge of the geomorphology characteristics of the area, which is hard to obtain, while it is possible to use variables as inputs parameters without knowing the relationships that condition them in the system being studied. For the aforementioned purpose of this thesis, three neural networks were developed using Matlab toolbox. For the first network, easily measurable field data were used. The parameters initially studied were pH, electrical conductivity, water temperature, air temperature and aquifer level. This model achieved a fairly good simulation (R=0.92259, NSE=0.8406). Then, for the better description of the underground system, it was chosen to include in the model, the percentage of land uses in a radius of 1000 m from each well. The performance of the model increased significantly by the use of these variables (R=0.97412, NSE=0.9481). In the third model, the simulation was based on typical water quality measurements. In particular, pH, electrical conductivity, HCO3-, Cl-, Ca2+, Mg2+, Na+, K+, and SO42- were used. This model achieved the best simulation (R=0.96545, NSE=0.987838), possibly due to the larger number of available data. Finally, scenarios of climate change and land use changes were examined, in order to assess their impact on NO3- levels, using the second model, which is considered to have included factors that significantly affect nitrate transport into the geoenvironment. The results of the scenarios demonstrate the important contribution of agricultural and industrial activities to increased nitrate pollution. The models achieved a good simulation, which indicates that they are a possible useful tool for the estimation of groundwater pollution by nitrates and so, they may constitute the basis for the development of groundwater management plans. | en |
| Type of Item | Μεταπτυχιακή Διατριβή | el |
| Type of Item | Master Thesis | en |
| License | http://creativecommons.org/licenses/by-nc/4.0/ | en |
| Date of Item | 2019-03-04 | - |
| Date of Publication | 2019 | - |
| Subject | MATLAB | en |
| Subject | Nitrate pollution | en |
| Subject | Νιτρορύπανση | el |
| Subject | Artificial neural networks | en |
| Subject | Τεχνητά νευρωνικά δίκτυα | el |
| Bibliographic Citation | Χριστίνα Στυλιανουδάκη, "Προσδιορισμός νιτρορύπανσης υπόγειων υδάτων στην ευρύτερη περιοχή του Ασωπού ποταμού με χρήση ANNs", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019 | el |
| Bibliographic Citation | Christina Stylianoudaki, "Determination of groundwater nitrate pollution in the extended area of Asopos River using ANNs", Master Thesis, School of Environmental Engineering, Technical University of Crete, Chania, Greece, 2019 | en |
Copyright © DIAS 2013
