Оптический микроскоп - это удивительное устройство, которое позволяет увидеть мир невидимый невооруженным глазом. С помощью оптического микроскопа можно рассмотреть мельчайшие детали объектов, которые невозможно увидеть обычным способом.

Этот инструмент играет важную роль в сферах науки, медицины и промышленности. Оптический микроскоп позволяет исследователям изучать клетки, микроорганизмы, минералы и другие объекты меньше размером чем ваши волосы. Благодаря микроскопу мы можем расширить свои знания о мире и обогатить нашу жизнь новыми открытиями.

На сайте Радоника вы найдете широкий выбор оптических микроскопов различных производителей и моделей. У нас вы сможете найти микроскопы для начинающих и опытных исследователей, а также специализированные микроскопы для медицинских и научных целей.

Мы предлагаем только качественные товары, которые прошли проверку и имеют высокие технические характеристики. Наши оптические микроскопы обеспечат вам четкое изображение и увеличение, что поможет вам сделать точные исследования.

Приобретая оптический микроскоп на нашем сайте, вы получите не только качественный продукт, но и профессиональную консультацию и быструю доставку. Мы гарантируем удовлетворение вашего запроса и отличное обслуживание.

Исследуйте мир с оптическим микроскопом от Радоника. Потратьте время на изучение невидимых деталей и откройте для себя удивительный мир микрокосмоса.

Преимущества микроскопов компании Радоника

1. Высокое качество изготовления: микроскопы от компании Радоника производятся с использованием самых современных технологий и материалов, что обеспечивает высокую точность и надежность работы.

2. Широкий выбор моделей: компания Радоника предлагает широкий ассортимент микроскопов различных типов и назначений, что позволяет выбрать оптимальное решение для конкретных задач и потребностей пользователя.

3. Превосходное оптическое качество: микроскопы от Радоника оснащены высококачественной оптикой, что обеспечивает четкое и детальное изображение обследуемого объекта.

4. Простота в использовании: микроскопы компании Радоника удобны в эксплуатации и обладают интуитивно понятным интерфейсом, что делает работу с ними максимально удобной и эффективной.

5. Надежное обслуживание и поддержка: компания Радоника предоставляет гарантийное и постгарантийное обслуживание микроскопов, а также консультационную поддержку для пользователей.

Анализатор удельной поверхности – это прибор или программное обеспечение, которое позволяет определить удельную поверхность материала. Удельная поверхность – это показатель, характеризующий площадь поверхности материала в единицу массы. Он используется в различных областях, таких как химия, физика, материаловедение и биология.

Анализатор удельной поверхности может работать на основе различных принципов измерения, таких как измерение площади поверхности методом Брэтчера-Эммета-Теллера (BET), измерение углового наклона капиллярной структуры поверхности, измерение контактного угла жидкости на поверхности и другие.

Использование анализатора удельной поверхности позволяет получить информацию о взаимодействии материала с окружающей средой, его адсорбционных и адсорбционно-десорбционных свойствах, а также о его микроструктуре.

Таким образом, анализатор удельной поверхности является важным инструментом для исследования и контроля свойств материалов, что позволяет повысить их качество и оптимизировать их использование в различных областях науки и техники.

Сорбция пористых материалов - это процесс, при котором одно вещество (сорбат) поглощается и задерживается внутри пористой структуры другого вещества (сорбента). Пористые материалы, такие как активированный уголь, глины, молекулярные ситечатые материалы и другие, обладают высокой поверхностной площадью и могут эффективно сорбировать различные вещества из газовой или жидкой фазы.

Процесс сорбции зависит от многих параметров, включая размер и форму пор, химический состав сорбента и сорбата, температуру, давление и концентрацию сорбата. Сорбция может использоваться для очистки воды, воздуха, пищевых продуктов, фармацевтических препаратов и других материалов от различных загрязнителей и вредных веществ.

Метод BET (Brunauer-Emmett-Teller) - это техника адсорбции газов, используемая для изучения поверхностных свойств материалов, таких как размер пор и площадь поверхности.

Анализ размеров пор методом BET происходит следующим образом:

1. Сначала материал подвергают адсорбции газа при различных относительных давлениях.

2. Затем измеряется объем газа, адсорбированного материалом, и строится изотерма адсорбции.

3. По данным изотермы рассчитывают площадь поверхности материала и объем пор.

4. Расчеты проводятся с использованием уравнения Брунера-Эммета-Теллера, которое учитывает молекулярные взаимодействия между газом и поверхностью материала.

Изучение размеров пор методом BET является полезным для определения структуры материала, его поверхностных свойств и взаимодействия с окружающей средой. Полученные данные могут использоваться в различных областях, таких как катализ, фармацевтика, пищевая промышленность и другие.

Анализаторы металлов EXPLORER 5000 от компании Радоника - это современное и надежное оборудование, которое позволяет с точностью определить состав металлических материалов. Они широко применяются в различных отраслях промышленности, где требуется быстрый и точный анализ металлов и сплавов.

Одним из лидирующих производителей анализаторов металлов является компания "Analyser", которая предлагает широкий выбор оборудования для анализа металлов различных типов и структур. Используя современные технологии и методики, анализаторы "Analyser" обеспечивают высокую точность и надежность результатов.

Преимущества использования анализаторов металлов:

1. Быстрота и удобство. Анализаторы металлов позволяют провести анализ состава материала за считанные минуты, что значительно экономит время и упрощает процесс контроля качества.

2. Точность и надежность. Современные анализаторы обеспечивают высокую точность результатов анализа, что позволяет избежать ошибок и недочетов при определении состава металлических материалов.

3. Многофункциональность. Анализаторы металлов могут использоваться для анализа различных типов металлов, сплавов и структур, что делает их универсальным и эффективным инструментом для проведения контроля качества.

Если вам необходимо приобрести анализатор металлов, обратитесь в компанию "Analyser", где вам помогут подобрать подходящее оборудование и обеспечат качественный сервис и поддержку.

Оптимизируйте работу вашего предприятия с помощью современного оборудования для анализа металлов от ведущего производителя. Убедитесь в надежности и качестве анализаторов металлов и повысьте эффективность производственных процессов!

Перистальтические насосы – это устройства, которые работают на принципе перистальтики, то есть сжатия и расширения гибкой трубки, через которую проходит жидкость. При сжатии трубки создается давление, которое выталкивает жидкость вперед, а при расширении трубки создается вакуум, благодаря чему жидкость подается в насос. Перистальтические насосы используются в различных отраслях промышленности, медицине, лабораторных и исследовательских целях, а также в системах оборудования для водных ресурсов. Они отличаются от других типов насосов своей способностью перекачивать агрессивные, вязкие, осажденные или чувствительные ксорбенты жидкости без их загрязнения или повреждения.

Перистальтические насосы – это современное оборудование, которое широко используется в различных отраслях промышленности и медицине. Они отличаются высокой точностью дозирования, надежностью и долговечностью, что делает их незаменимым инструментом для передачи жидкостей и газов.

Одним из ключевых преимуществ перистальтических насосов является их способность работать без контакта с перекачиваемым материалом. Это позволяет избежать загрязнения насоса и предотвращает загрязнение жидкости или газа. Кроме того, они обеспечивают плавную и равномерную подачу материала, что делает их идеальным выбором для задач, где требуется точное дозирование.

Перистальтические насосы часто применяются в таких отраслях, как фармацевтика, пищевая промышленность, лабораторные исследования, водоочистка, медицина и другие. Они могут быть использованы для передачи различных жидкостей, включая агрессивные и вязкие среды, благодаря своей уникальной конструкции и химической стойкости.

Если вам требуется надежное и эффективное оборудование для передачи жидкостей и газов, обратитесь к специалистам в области перистальтических насосов. Они помогут вам выбрать оптимальное решение для ваших потребностей и обеспечат качественное обслуживание и поддержку.

Перистальтический насос работает на основе принципа перистальтики, который подразумевает передачу жидкости с помощью сжатия и расширения гибкой трубки или шланга. Внутри этой трубки находится жидность, которая перемещается вперед благодаря перистальтическим движениям, создаваемым специальным ротором или валиком.

Процесс работы перистальтического насоса можно разделить на несколько этапов:
1. В начале цикла на входе насоса трубка расширяется под действием вакуума, создаваемого сдвигом ротора или валика.
2. Затем ротор или валик начинает сжимать трубку по всей длине, что приводит к перемещению жидкости вперед.
3. После этого трубка снова расширяется, обеспечивая прочистку и наполнение ее новой порцией жидкости.
4. Процесс сжатия и расширения трубки повторяется циклически, обеспечивая постоянное перемещение жидкости в нужном направлении.

Перистальтические насосы обеспечивают точное и безопасное перемещение жидкостей, не контактируя с ними напрямую и предотвращая возможные загрязнения или перекачку. Это делает их идеальным выбором для широкого спектра применений, включая медицинскую и лабораторную технику, пищевую и фармацевтическую промышленность, а также для подачи реагентов и других химических веществ.

Не откладывайте на будущее – обновите свою технику и повысьте производительность вашего производства с помощью перистальтических насосов прямо сейчас!

Обеспечение количества и качества ресурсов подземных вод имеет важное значение для благополучия человека и экологического здоровья, общества и экономики. За последние несколько десятилетий методы моделирования уязвимости подземных вод стали важными для защиты и управления подземными водами. Загрязнение подземных вод очень динамично из-за его зависимости от пополнения запасов, которое является функцией зависящих от времени параметров, таких как осадки и суммарное испарение. Следовательно, необходимо учитывать анализ временных рядов в процессе «аппроксимации» для моделирования динамической уязвимости загрязнения подземных вод. Этот систематический обзор литературы (SLR) направлен на критический обзор методов, используемых для оценки пространственно-временной оценки уязвимости подземных вод. Метод PRISMA использовался для поиска на веб-платформах и уточнения собранных исследовательских статей путем применения определенных критериев включения и исключения. Несмотря на огромный рост этой области в последние годы, пространственно-временные вариации осадков и суммарного испарения не учитывались в значительной степени. Оценка уязвимости к загрязнению подземных вод должна включать в себя многокритериальные инструменты поддержки принятия решений для лучшего анализа подземного потока, времени пребывания и пополнения запасов подземных вод. Необходимо сформулировать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенностей, которые могут предоставить знания и инструменты для подготовки устойчивых стратегий управления подземными водами. Несмотря на огромный рост этой области в последние годы, пространственно-временные вариации осадков и суммарного испарения не учитывались в значительной степени. Оценка уязвимости к загрязнению подземных вод должна включать в себя многокритериальные инструменты поддержки принятия решений для лучшего анализа подземного потока, времени пребывания и пополнения запасов подземных вод. Необходимо сформулировать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенностей, которые могут предоставить знания и инструменты для подготовки устойчивых стратегий управления подземными водами. Несмотря на огромный рост этой области в последние годы, пространственно-временные вариации осадков и суммарного испарения не учитывались в значительной степени. Оценка уязвимости к загрязнению подземных вод должна включать в себя многокритериальные инструменты поддержки принятия решений для лучшего анализа подземного потока, времени пребывания и пополнения запасов подземных вод. Необходимо сформулировать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенностей, которые могут предоставить знания и инструменты для подготовки устойчивых стратегий управления подземными водами. Оценка уязвимости к загрязнению подземных вод должна включать в себя многокритериальные инструменты поддержки принятия решений для лучшего анализа подземного потока, времени пребывания и пополнения запасов подземных вод. Необходимо сформулировать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенностей, которые могут предоставить знания и инструменты для подготовки устойчивых стратегий управления подземными водами. Оценка уязвимости к загрязнению подземных вод должна включать в себя многокритериальные инструменты поддержки принятия решений для лучшего анализа подземного потока, времени пребывания и пополнения запасов подземных вод. Необходимо сформулировать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенностей, которые могут предоставить знания и инструменты для подготовки устойчивых стратегий управления подземными водами.
Ключевые слова:
загрязнение подземных вод ; пространственно-временная оценка уязвимости ; переменные, зависящие от времени ; методы моделирования
 

 

1. Введение

Подземные воды являются важным источником пресной воды, обеспечивающим воду для сельскохозяйственных, бытовых и промышленных нужд. Он также поддерживает различные потребности экосистем по всему миру. Подземные воды составляют крупнейший в мире резервуар пресной воды, на долю которого приходится 99% запасов жидкой пресной воды на Земле [ 1 ]. Согласно недавнему отчету ООН, подземные воды составляют почти половину мировой питьевой воды, около 40% воды, используемой для орошения, и одну треть воды, необходимой для промышленности [2 ] . Этот жизненно важный источник жизни стал серьезной проблемой в последние несколько десятилетий из-за его нехватки и уязвимости к загрязнению. Для количественной оценки этого жизненно важного вопроса были проведены огромные научные исследования [ 1 ,3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 ]. Увеличение использования воды для удовлетворения потребностей растущего населения привело к значительному истощению грунтовых вод в населенных городских и сельских районах из-за использования сельскохозяйственных земель. Во многих регионах водоносные горизонты стали подвержены либо полному, либо сезонному истощению [ 1 ]. Уязвимость к загрязнению подземных вод также возрастает из-за антропогенной деятельности и геогенного воздействия.
Вода естественным образом содержит несколько различных растворенных неорганических компонентов, таких как кальций, магний, натрий, калий, хлорид, сульфат, карбонат и т. д. Кроме того, в воде могут присутствовать второстепенные компоненты, такие как железо, марганец, фторид, нитрат и стронций. . Он также может содержать микроэлементы, такие как мышьяк, свинец, кадмий и хром, в количествах всего несколько микрограммов на литр. Присутствие этих составляющих или элементов зависит от слоев Земли, содержащих воду. Они важны с точки зрения качества воды [ 11 ]. Но когда в результате естественного явления повышается концентрация (приемлемая для конкретной цели) этих элементов, они наносят вред здоровью человека и называются загрязнителями. Поскольку эти загрязняющие вещества возникают из горных пород в результате выщелачивания или увядания [12 ], это называется геогенным загрязнением. Геогенное загрязнение можно определить как явление, вызванное геологическими процессами. И наоборот, загрязнение подземных вод в основном представляет собой комбинацию и последовательность поверхностных и подземных процессов. Эти процессы непосредственно связаны с пополнением запасов подземных вод. Поскольку климат контролирует осадки и суммарное испарение, воздействие изменения климата изменяет ход пополнения запасов, непосредственно ускоряя или замедляя поверхностные и подземные процессы.
Загрязнение и загрязнение – это не одно и то же. Первый – это наличие вещества в количестве, превышающем фоновый уровень концентрации. С другой стороны, загрязнение – это загрязнение, которое приводит или может вызвать неблагоприятные биологические последствия для местного населения. В этой статье мы намерены совместно обсудить пространственно-временные аспекты загрязнения подземных вод и загрязнения подземных вод. Более глубокие водоносные горизонты могут меньше подвергаться воздействию биологических и химических веществ; однако загрязнение неглубоких источников подземных вод стало эндемичным из-за вмешательства человека в пути течения приповерхностных или подземных вод. Сельскохозяйственные удобрения, пестициды, растворители и химикаты используются в обрабатывающей промышленности, горнодобывающей промышленности, производстве энергии, коммерческом применении и фармацевтической промышленности.1 ]. В региональном масштабе грунтовые воды также могут быть загрязнены геогенными факторами (естественными повышенными концентрациями определенных элементов) посредством кинетики адсорбции/десорбции, связанной с минералами почвы или горных пород, такими как мышьяк и фторид [1 ] . Кроме того, качество грунтовых вод также подвержено различным последствиям изменения климата, таким как изменение характера осадков, увеличение суммарного испарения (ET) и т. д.
Судьба и перенос пестицидов в недрах при использовании сельскохозяйственных земель чувствительны к вызванным изменением климата изменениям сезонности и интенсивности осадков, а также к изменению скорости пополнения запасов [13 , 14 ] . Кроме того, изменение климата и растущая глобальная урбанизация также могут увеличить риск наводнений. Это городское наводнение увеличивает попадание обычных городских загрязнителей, таких как нефть, растворители и сточные воды, в грунтовые воды [ 15 , 16] .]. Короче говоря, система подземных вод постоянно меняется из-за ее динамического взаимодействия с физическими и социально-экономическими системами. Наблюдаемые или ожидаемые изменения состояния подземных вод часто отличаются от наиболее желательных, и контроль этих изменений выходит далеко за рамки возможностей одного человека. Подземные воды являются общим ресурсом, но могут вызывать значительные расхождения между интересами и предпочтениями отдельных лиц по сравнению с интересами и предпочтениями местного сообщества. Эти причины мотивируют и оправдывают расширение исследований и вмешательств в управление ресурсами подземных вод [ 10 ].
«Уязвимость — это не абсолютная характеристика, а скорее относительное, неизмеримое, безразмерное свойство, указывающее, где наиболее вероятно возникновение загрязнения» [ 17 ]. Концепция уязвимости водоносного горизонта была введена в работе [ 18 ]. Это было определено как «возможность просачивания и диффузии загрязняющих веществ с поверхности в естественные водоемы грунтовых вод в естественных условиях». Ссылка. [ 19 ] описал уязвимость подземных вод как «внутреннее свойство системы подземных вод, которое зависит от чувствительности этой системы к антропогенному и/или природному воздействию». По данным [ 20], уязвимость подземных вод может быть внутренней или специфической в ​​зависимости от характера загрязнения. Внутренняя уязвимость является функцией гидрогеологических факторов, благодаря которым загрязняющие вещества могут достигать и диффундировать в грунтовые воды при попадании на поверхность [ 19 ]. Внутренняя уязвимость чувствительна к природному или геогенному загрязнению и не учитывает антропогенную деятельность [ 21 ]. Специфическая уязвимость означает восприимчивость к конкретному и/или группе загрязняющих веществ, основанную на свойствах загрязняющих веществ, процессах ослабления и характеристиках переноса [ 22 , 23] .]. Особая уязвимость относится к воздействию конкретного землепользования. Другими словами, это объединяет риск загрязнения, вызванного деятельностью человека [ 17 ].
Ссылка. [ 23 ] описал три основных подхода к оценке качественной уязвимости подземных вод. Первый подход (основанный на знаниях) оценивает уязвимость, рассматривая транспортные процессы только в ненасыщенных зонах и игнорируя процессы в насыщенных зонах (например, в водоносных горизонтах). Второй подход (основанный на данных) рассматривает поток подземных вод и процессы переноса загрязняющих веществ в системах водоносных горизонтов. Этот подход основан на разграничении регионов для защиты устьев скважин систем подачи подземных вод. Последний (процессный) подход основан на целостном методе оценки уязвимости водоносного горизонта с учетом как поверхностных, так и подземных процессов. На основе вышеупомянутых общих подходов (основанных на знаниях, данных и процессах), предложенных [ 23]], методы моделирования уязвимости подземных вод можно в целом разделить на три категории (модели наложения и индексы, статистические модели и модели, основанные на процессах). Модели представляют собой компьютерные программы, которые могут представлять собой аппроксимацию полевых ситуаций [ 24 ]. В зависимости от цели исследования модели подземных вод обычно используются для прогнозирования пространства и времени, интерпретации динамики системы и анализа потока в концептуальной гидрогеологической обстановке [ 24 ].
Метод наложения и индексов (основанный на знаниях): эти методы объединяют физико-географические переменные и присваивают им числовые рейтинги для картирования физико-географических и антропогенных характеристик исследуемой территории. Позже эти числовые оценки накладываются друг на друга для получения составного индекса восприимчивости. Эти рейтинговые системы являются равными или взвешенными в зависимости от относительной степени их контроля во всей оценке [ 25 ].
Статистический метод (на основе данных): эти методы сочетают концентрацию загрязнения, природные факторы (например, пополнение запасов или поверхностные и подземные процессы) и потенциальный источник загрязнения, т. е. землепользование (например, загрязнение от сельскохозяйственных удобрений и септиков). ), чтобы установить взаимосвязь между ними, которая может количественно оценить уязвимость подземных вод к загрязнению. Эти методы основаны на процессах корреляции и интеграции карт. В статистических методах известное возникновение загрязнения (точки обучения/переменные ответа) сочетается с пространственными данными (объясняющие переменные/факторы прогнозирования), чтобы объяснить взаимосвязь между каждым фактором и точками обучения [26 ] .
Метод, основанный на процессах (основанный на физических процессах): Методы, основанные на процессах, основаны на количественном подходе, который использует математическое моделирование для оценки уязвимости подземных вод. Эти методы полезны при расчете судьбы и переноса растворенных веществ, потока грунтовых вод и концентрации загрязняющих веществ в вадозной зоне и/или водоносных горизонтах. Эти подходы также подходят для создания эталонных критериев, которые можно четко идентифицировать. Эти эталонные критерии необходимы для моделирования и проверки модели [ 4 ]. Они могут предсказать последствия предлагаемого действия, которые можно использовать для принятия решений по политике землепользования.
Списки широко используемых подходов (наложенных и индексных, статистических и процессных) представлены в дополнительных материалах S1 .
Помимо приведенной выше классификации, исследования по оценке уязвимости подземных вод можно разделить на две категории в зависимости от цели исследования: защита «ресурсов» и защита «источников». Защита ресурсов основана на защите водоносного горизонта с целью защиты всего подземного объекта подземных вод. Он учитывает только вертикальную просачивание в ненасыщенной зоне до самой верхней поверхности грунтовых вод [ 4 ]. Защита источника основана на защите родника или колодца от загрязнения путем учета вертикальной просачивания в ненасыщенной зоне, а также бокового потока в насыщенной зоне [ 4 , 6 ].

Пространственно-временная оценка уязвимости подземных вод

Традиционно модели загрязнения подземных вод основывались на «статической» гипотезе о том, что уязвимость подземных вод к загрязнению не зависит от времени. Однако уязвимость подземных вод по своей сути зависит от пополнения подземных вод, которое в основном контролируется осадками и эвапотранспирацией, а также структурой поверхностного и подповерхностного уровня земли. Таким образом, пополнение подземных вод сильно зависит от времени, и стратегии оценки будущей уязвимости подземных вод в условиях изменения климата и сценариев землепользования должны учитывать «динамическую» концепцию уязвимости [ 21]. Большинство экологических процессов зависят от пространства и времени, при этом временные ряды и ряды пространственных данных сильно зависят друг от друга. Согласно детерминистской теории пространственно-временной гидрогеологической изменчивости, временной ряд представляет собой систематическую закономерность, которая помогает выявить тренд/периодический фактор/сдвиг и/или их комбинацию [ 27 , 28] .] впервые ввел концепцию пространственно-временной уязвимости в гидрологии. Оно определялось как «способность данной системы справляться с внешними, природными и антропогенными воздействиями, влияющими на ее состояние и характер во времени и пространстве». Применение пространственно-временного анализа стало частью оценки уязвимости подземных вод за последние три десятилетия, наряду со значительным развитием количественных приложений в гидрологической области. Исследования показали, что пространственно-временная оценка превратилась в мощный инструмент для исследования данных гидрологических/гидрогеологических временных рядов поверхностных и подземных потоков. Временная зависимость уязвимости подземных вод к загрязнению уже четко определена.
Целью данного обзора является оценка последних разработок в методах пространственно-временной оценки загрязнения подземных вод. Хотя в последние годы многие обзоры продемонстрировали тенденцию в методах моделирования для оценки уязвимости подземных вод [ 4 , 5 , 29 , 30], отсутствует всеобъемлющий обзор, показывающий применение потенциального временного анализа уязвимости подземных вод. В этой статье систематически рассматриваются последние достижения в области динамической уязвимости загрязнения подземных вод и подчеркиваются пробелы в исследованиях с точки зрения моделирования моделей и установления зависящих от времени факторов. В данной статье рассмотрены только исследования, в которых в основном оценивались химические вещества, выделяющиеся в результате антропогенной деятельности и геогенных процессов. Исследования бактериологического загрязнения не были включены в данную статью, поскольку они выходят за рамки настоящего обзора. В дальнейшем может быть представлена ​​отдельная обзорная статья, посвященная только бактериологическому загрязнению.

2. Методология

В процессе обзора использовались рекомендации «Предпочтительные элементы отчетности для систематических обзоров и мета-анализов»/PRISMA [ 31] .] для определения уровня знаний моделей уязвимости к динамическому загрязнению подземных вод. Был проведен систематический обзор опубликованных исследований по пространственно-временной оценке уязвимости к загрязнению подземных вод. PRISMA обеспечивает надежную структуру для оценки существующих исследовательских статей и определения критериев включения и исключения. PRISMA следует четырем основным этапам. Первый — это определение источников данных и ограничение критериев поиска, а затем включение или исключение выборки в соответствии с установленными стандартами в зависимости от цели обзора. В-третьих, извлечение интересующих данных из окончательного выбора. В заключение результаты анализируются и обобщаются. Мы понимаем, что не все соответствующие статьи могли быть включены в обзор. Однако значительное их количество было получено с помощью нашего поиска PRISMA. В некоторых случаях отдельные ссылки включались в обсуждение, несмотря на то, что они не были включены в процесс обзора. Блок-схема ПРИЗМА представлена ​​вРисунок 1 .
Рисунок 1. Методология систематического обзора литературы с использованием блок-схемы PRISMA.
Поиск литературы проводился с использованием Web of Science (WoS) и ScienceDirect (SD). В этом обзоре рассматривались статьи, опубликованные в журналах, посвященных управлению подземными водами и окружающей средой, включенных в расширенный индекс научного цитирования (SCIE). Процедура поиска была разделена на два сегмента: один для пористых водоносных горизонтов (2010–2021 гг.) и один для карстовых водоносных горизонтов (2000–2021 гг.). Поиск литературы осуществлялся в WoS и SD с использованием булевых операторов AND, OR и NOT. Подробности критериев поиска можно найти в дополнительных материалах S2 .
Критерии включения и исключения были установлены на трех разных этапах. Название и ключевые слова: исследования должны быть проведены для оценки уязвимости загрязнения подземных вод (т.е. исключение загрязнения поверхностных вод, загрязнения почвы, загрязнения лесов и водно-болотных угодий, динамики водоразделов и управления водосборами, морфологии берегов рек и фильтрации). Аннотация: исследование должно было смоделировать пространственно-временную динамику уязвимости к загрязнению подземных вод только для внутренних водоносных горизонтов (т.е. без учета управления и восстановления подземных вод, здоровья человека, прибрежных водоносных горизонтов и засоления подземных вод). Полный текст: в научных исследованиях должны были использоваться методы моделирования для анализа и прогнозирования уязвимости к загрязнению в региональном масштабе, а не только для качественного объяснения наблюдаемых пространственно-временных данных. В описанной выше процедуре когда не было достаточной информации для исключения статьи на первом этапе, она включалась на следующем этапе и так далее, пока не была проведена полнотекстовая оценка. Подробную информацию о критериях поиска можно найти вДополнительный материал S2 . Наконец, путем полнотекстового анализа для этого систематического обзора литературы были отобраны 72 статьи.

3. Результаты и их обсуждение

В этом систематическом обзоре литературы пористые водоносные горизонты были отделены от карстовых, а затем были рассмотрены методы динамической оценки уязвимости. Это будет описано в двух разных разделах ниже.

3.1. Оценка уязвимости пористого водоносного горизонта

3.1.1. Модели наложения и индексы

Модели наложения и индексы в основном представляют собой субъективные/основанные на знаниях методы. Это старейшие методы моделирования загрязнения подземных вод. Реализация этих методов проста и требует минимальных параметров для оценки уязвимости подземных вод ( Рисунок 2 ). Индексные модели, используемые в последнее десятилетие для оценки динамической уязвимости подземных вод, включают IEA-UEF [ 32 ], WQI [ 33 ], m-HPI [ 34 ], GOD [ 35 ], Pesticide DRASTIC [ 36 ], DRASTIC. [ 37 ], GWV [ 38 , 39 ] и НПИ [ 40 ].
Рисунок 2. Блок-схема наложенной и индексной моделей, используемых для оценки загрязнения подземных вод.
Этот обзор показал, что два революционных индекса (DRASTIC и GOD) по-прежнему популярны среди исследователей, которые используют индексный анализ в своих исследованиях пространственно-временной уязвимости. Однако они были изменены и/или интегрированы в соответствии с потребностями исследований. Ссылка. [ 36 ] интегрированный статистический анализ, такой как иерархический кластерный анализ (HCA) и дискриминантный анализ, для установления связей между местоположениями и определения сезонного эффекта соответственно. Ссылка. [ 37 ] интегрировали теорию процесса аналитической иерархии (AHP) с DRASTIC для изменения весов и рейтингов на основе опыта и знаний специалистов или пользователей. AHP также была зарегистрирована [ 35] с использованием техники моделирования БОГ. Поскольку GOD является статической моделью, оценка пространственно-временных изменений была рассчитана с использованием ANOVA. В течение последнего десятилетия, помимо уязвимости, во многих пространственно-временных оценках качества подземных вод изучались индекс качества воды (WQI), иммунный эволюционный алгоритм – универсальная экспоненциальная формула (IEA-UEF), модифицированный индекс загрязнения тяжелыми металлами (m-HPI) и загрязнение нитратами. индекс (НПИ). WQI [ 33 ] и обновленная и интегрированная версия WQI под названием IEA-UEF [ 32 ] оценивали образцы качества подземных вод, собранные за определенный период, для исследования загрязняющих веществ, влияющих на качество подземных вод, и / или для определения зон качества подземных вод. Два новых подхода: m-HPI [ 34 ] и NPI [ 40]], были введены для анализа пространственно-временной тенденции содержания тяжелых металлов и нитратов соответственно на основе собранных проб подземных вод за определенный период. В этих моделях (WQI, IEA-UEF, m-HPI и NPI) использовался метод кригинга и/или обратного взвешивания расстояний (IDW) для удовлетворения потребностей в анализе пространственных тенденций. Все эти модели подходят для оценки качества подземных вод. Понимание состояния качества подземных вод и отслеживание тенденций загрязнения имеют решающее значение. Однако эти тенденции бессмысленны, если не учитывать физико-гидрологические параметры. Очень важно знать геогеническую или антропогенную историю систем водоносных горизонтов и геофизических процессов, чтобы сделать значимые выводы относительно анализа и разработки политики. Поэтому, этим моделям не хватает определения динамической уязвимости подземных вод. Ссылки. [38 , 39 ] представили модель долгосрочного прогнозирования. Они предсказали уязвимость подземных вод на три периода: прошлый (1961–1990 гг.), настоящий (2011–2040 гг.) и будущий (2041–2070 гг.). Они использовали метод уязвимости подземных вод (GWV) для оценки и прогнозирования долгосрочной уязвимости. Этот метод использует различные важные климатические параметры для оценки и прогнозирования сценария уязвимости подземных вод с учетом изменения климата. Краткое изложение моделей оценки уязвимости подземных вод на основе индексов, рассмотренных в этой статье, представлено в Таблице 1 .
Таблица 1. Краткое описание индексных моделей.

3.1.2. Статистические модели

Статистические модели основаны на методах, основанных на данных, начиная от анализа условной вероятности и регрессии и заканчивая описательной статистикой. Статистическое использование позволяет объективными методами определить взаимосвязь между уровнем загрязнения и предикторными факторами. За последнее десятилетие было предпринято множество попыток рассчитать уязвимость подземных вод к загрязнению с использованием методов статистического моделирования ( Рисунок 3 ).
Рисунок 3. Общая блок-схема статистической модели для оценки загрязнения подземных вод.
Ранее во многих обзорах были собраны эти модели и представлены подробные критические обзоры [ 4 , 5 , 30 ]. Этот обзор был проведен только для оценки статистического анализа временных рядов, разработанного за последнее десятилетие для анализа уязвимости подземных вод. Эти модели подразделяются на следующие категории: (i) пространственные интерполяции, (ii) многомерная статистика, (iii) пространственные автокорреляции, (iv) искусственный интеллект, (v) регрессии, (vi) байесовские сети, (vii) деревья решений, (viii) вероятностные методы и (x) кластерный анализ.

Пространственные интерполяции

При оценке уязвимости подземных вод пространственная интерполяция использует информацию о точках расположения проб для прогнозирования и картирования невыбранных мест. В зависимости от вероятностной природы методы пространственной интерполяции можно разделить на детерминистические (например, IDW) и геостатистические (например, кригинг) подходы. Этот обзор показал, что кригинг чаще всего использовался для оценки уязвимости подземных вод. Ссылка. [ 41] применил дизъюнктивный кригинг (ДК), наряду с обычным кригингом и кокригингом, для оценки вероятности загрязнения подземных вод из неточечных источников под воздействием сельскохозяйственного землепользования. Они собрали образцы подземных вод в соответствии с циклом летнего урожая с 2004 по 2006 год. Результаты показывают, что межгодовые изменения климата и внесение удобрений контролируют загрязнение нитратами. Таким образом, с агроэкологической точки зрения этот метод может обеспечить надежный результат для лиц, принимающих решения. Ссылка. [ 42 ] использовали обычный точечный кригинг для оценки пространственно-временного загрязнения подземных вод в Средиземноморском регионе. Они контролировали глубину и контуры грунтовых вод, pH, EC и NO 3.в предмуссонный (июнь) и послемуссонный (октябрь) сезоны в 2009 и 2010 годах из 220 наблюдательных скважин. В результате было показано, как характер осадков может изменить характер эвапотранспирации, который контролирует количество выщелачивания NO 3 (более высокая температура и более низкая относительная влажность могут увеличить суммарное испарение и минимизировать риск выщелачивания NO 3 ).
Ссылка. [ 43 ] предложили общую структуру принятия решений, сочетающую данные мониторинга и обычное моделирование на основе блочного кригинга для исследования уязвимости пестицидов подземных вод. Пробы воды были собраны в период с 2005 по 2009 год для анализа пяти средств защиты растений (СЗР), таких как тербутилазин (Tba), глифосат (Gly), пендиметалин (Pend), s-метолахлор (s-Met) и хлорпирифос (Cpyr). а также метаболит тербутилазина, называемый дезэтилтербутилазин (d-Tba). Этот подход сочетает в себе пространственное моделирование судьбы окружающей среды и информацию долгосрочного мониторинга возникновения ППС в скважинах. Система VULPES [ 44] использовался для целей моделирования. VULPES помог выявить зоны потенциальной уязвимости пестицидов в территориальном масштабе, а мониторинг выявил известные случаи загрязнения. Эта двойная характеристика единой модели предоставляет политикам более надежный набор информации для принятия решений об использовании пестицидов, создавая руководящие принципы и направления для дальнейших исследований.
Ссылка. [ 45 ] представили оценку уязвимости нитратов подземных вод для засушливого или полузасушливого региона. Данные о качестве воды по концентрации нитратов были отобраны (Na, Cl, SO 4 и NO 3 ) в период с 2000 по 2013 год. Чтобы понять пространственное распределение концентрации и временную протяженность распределения, на основе ANOVA (дисперсионный анализ) Использовались метод наименьшей значимой разницы (LSD) и обычный кригинг (ОК). Кроме того, для сравнения NO 3 был установлен безразмерный показатель коэффициента вариации.вариации шлейфов загрязнения. Результатом стало существенное объяснение взаимосвязи между концентрацией нитратов, отложениями и гидрогеологической ситуацией. Высокая проницаемость крупнозернистых отложений сократила время пребывания загрязнений в ненасыщенных зонах, а селитра получила возможность быстро достигать грунтовых вод с помощью вертикальных потоков.
Аналогично, исх. [ 46 , 47 ] также использовали ОК для оценки пространственно-временных изменений концентраций фторида и азота соответственно. Кроме того, исх. [ 46 ] использовали PCA и Varimax Rotation для выявления значимых и получения факторов. Сезонную изменчивость концентрации фторида можно увидеть из-за выветривания карбонатных минералов. Ссылка. [ 48 ] использовали ОК для оценки динамики концентрации нитратов. Пробы воды отбирались с июля 2018 г. по сентябрь 2019 г., анализ проводился путем разделения проб на четыре сезона: осень (сентябрь-ноябрь), зима (декабрь-февраль), весна (март-май) и лето ( июнь–август), для выявления сезонной изменчивости.
Ссылка. [ 49 ] объединили ОК и ИК для оценки пространственно-сезонного распределения концентрации нитратов и создания карты зонирования распределения. Пробы подземных вод отбирались летом (июль 2012 г. и сентябрь 2012 г.) и зимой (апрель 2012 г. и март 2013 г.). Позже была построена вариограмма для выявления пространственной зависимости значений нитратов. Ссылка. [ 50] провел исследование по картированию сезонного и годового загрязнения мышьяком ГВ. Два метода интерполяции, полигон Тиссена и OK, а также регрессионная модель были интегрированы для картирования концентрации мышьяка и прогнозирования будущей тенденции с использованием данных временных рядов. Пробы концентрации мышьяка были собраны до и после сезонов муссонов с 2006 по 2008 год. Обнаружены явные сезонные колебания с высокой концентрацией в послемуссонные сезоны из-за выщелачивания мышьяка из почвенных решеток (где мышьяк присутствует в виде мышьяковой руды), следуя за процессом просачивания дождевой воды через зерна почвы. Ссылка. [ 51 ] использовали метод обратного взвешивания по расстоянию (IDW) и PCA для исследования концентрации пестицидов в грунтовых водах.
Ссылка. [ 52 ] использовали семивариограмму для оценки воздействия изменений в землепользовании и сельскохозяйственной деятельности на загрязнение подземных вод. Пробы воды на концентрацию нитратов были отобраны в 2002 и 2007 годах для сравнения качества воды. Сферическая изотропная модель была адаптирована к эмпирическим полувариациям. Этот метод объединил пространственно распределенные переменные и концентрации нитратов во всем классифицированном диапазоне. Перекрестная проверка проводилась с использованием кригинга. Аналогично, исх. [ 53] исследовали поступление нитратов в недра в результате пополнения ГВ с использованием геостатистического анализа вариограмм. Пробы воды из 13 ручьев отбирались каждые две недели с января 2010 г. по февраль 2011 г. для оценки расхода, ЕС, концентрации нитратов, pH и температуры воды. Анализ временных рядов этих параметров объяснил взаимосвязь между различными гидрологическими реакциями в общем режиме выпадения осадков.

Многомерная статистика

За последнее десятилетие было проведено множество многомерных анализов для анализа пространственно-временного распределения загрязняющих веществ в подземных водах. Анализ главных компонентов (PCA) является одним из наиболее важных и широко используемых инструментов определения параметров и методов обработки данных практически для всех экологических исследований. Этот обзор литературы показал, что в недавнем прошлом метод PCA, интегрированный с факторным анализом (FA), иерархическим кластерным анализом (HCA), регрессией или методами пространственной интерполяции, интенсивно использовался при оценке уязвимости загрязнения подземных вод. Ссылка. [ 54 ] представили исследование на основе ГИС, объединившее PCA и IDW для изучения источников азота в подземных водах при различных сценариях землепользования. Ссылка. [ 55] объединили PCA и FA для отслеживания источника городского загрязнения и уровня концентрации. FA использовался для уменьшения участия менее значимых параметров в каждом компоненте. Эта процедура сокращения включала извлечение другого набора варифакторов путем вращения осей, определенных при извлечении PCA. Кластерный анализ (CA) на основе K-средних был применен к варифакторам, извлеченным из FA, для анализа сходства качества воды. Ссылка. [ 56 ] использовали PCA для отслеживания источника и переноса хлората в грунтовых водах при использовании сельскохозяйственных земель. Ссылка. [ 57] исследовали пространственно-временную уязвимость качества GW, используя надежный метод PCA (ROBPCA). Чтобы избежать недостатков классического PCA (таких как аномальные наблюдения, завышение дисперсии и т. д.), они сравнили и предложили ROBPCA для измерения сезонных и гидрохимических характеристик водоносного горизонта. ROBPCA является полезным методом выявления пространственно-временных изменений качества ГВ, когда гидрохимические процессы разнообразны и доступны аномальные образцы.
Ссылка. [ 58 ] количественно оценили тенденцию загрязнения подземных вод путем оценки пространственно-временных изменений параметров качества воды. Они интегрировали индекс качества подземных вод (GQI), HCA и PCA на основе ГИС для картирования зон качества подземных вод, выявления потенциальных источников загрязнения, исследования процесса геохимических изменений качества грунтовых вод и определения ответственных факторов соответственно. Метод интерполяции Кригинга также был использован для демонстрации пространственного распределения указанных значимых главных компонент. Ссылка. [ 59] исследовали концентрацию фторида с помощью FA. Мы уже обсуждали, что этот подход полезен для замены больших матриц введением новых переменных. Они создали карты землепользования за 2001–2003 годы (ETM+) и 2004–2008 годы (TM), используя контролируемый метод (максимального правдоподобия), чтобы понять влияние рисовых полей на концентрацию фторидов в подземных водах. Вероятность появления была рассчитана для выявления распределения концентрации фторида во времени. Ссылка. [ 60 ] использовали FA и HCA для картирования химической изменчивости подземных вод, а также их вероятных источников. FA — это двумерный подход, который позволяет анализировать двусторонние наборы данных, например, образцы — химические переменные или образцы — времена года. Чтобы преодолеть это ограничение при реализации многофакторного анализа, был использован многофакторный анализ PARAFAC [ 61].] был представлен.

Регрессионные модели

Ссылка. [ 62 ] исследовали загрязнение нитратами, используя обобщенные смешанные аддитивные модели (GAMM), предложенные [ 63 ]. Эти регрессионные модели используются в первую очередь для выявления пространственно-временных тенденций в сложных данных мониторинга. Ссылка. [ 64 ] использовали комбинированный метод множественной регрессии и мульти-индикаторов для прогнозирования пространственно-временного распределения нитратов в грунтовых водах и факторов, способствующих его источникам. Карты землепользования временных рядов (1980, 1995 и 2000 гг.) использовались для оценки структуры землепользования во время пополнения «молодой воды». Этот временной анализ проводился с использованием метода линейной интерполяции [ 65 ]. Простая модель материального баланса [ 66] был приспособлен для оценки концентрации нитратов, смешанных из различных источников пополнения, с учетом известного количества воды, пополняемой в неглубокие водоносные горизонты. Ссылка. [ 67] изучали источники и динамику концентрации коллоидов в неглубоком водоносном горизонте. Для измерения уязвимости был использован комбинированный статистический подход. Анализ частичного избыточности (pRDA) представлял собой количественное изменение расхода потока и физико-химической динамики. Моделирование структурными уравнениями (SEM) использовалось для проверки взаимосвязи между концентрацией коллоидов в потоке трещин и гидравликой осадков и химией потока. Корреляция Пирсона и многолинейный регрессионный анализ (пошаговый метод) также использовались для картирования взаимосвязи между динамикой концентрации коллоидов и физико-химическими свойствами потока/воды. Ссылка. [ 68] исследовали относительные преимущества измерения данных о качестве GW путем сравнения пространственных и пространственно-временных статистических моделей. Они сравнили пространственный кригинг (метод пространственного моделирования), пространственные P-сплайны и пространственно-временные P-сплайны (оба являются распространенными подходами непараметрической регрессии). Результат показал, что сплайны работали лучше, чем кригинг, поскольку при введении ковариационной структуры Матерна возникала проблема «раздувания». С другой стороны, кригинг требует большого размера выборки и большего количества вычислений, чем сплайны для пространственно-временного анализа.

Искусственный интеллект

Ссылка. [ 69 ] предложили многослойную искусственную нейронную сеть с прямой связью (ИНС) для исследования источников загрязнения с точки зрения продолжительности активности, величины и местоположения. Для идентификации характеристик источника использовалась нейронная сеть обратного распространения (BPNN). Метод выборки латинского гиперкуба (LHS) генерировал изменяющиеся во времени потоки источников. Эти результаты были использованы в модели потока подземных вод и модели переноса. Информация, полученная в результате этого процесса, использовалась в процессах построения моделей ИНС. Кривые прорыва (BTC) также были получены для конкретных сценариев загрязнения. Параметры BTC использовались в качестве входных данных для модели ИНС. Ссылка. [ 70] представил высоко нелинейную имитационную модель, называемую нейронной сетью глубокой регуляризации (DRNN). Они разработали гибридный эвристический подход, объединив метод дифференциальной эволюции цепи Маркова (DEMC) для глобального поиска и метод оптимизации роя частиц (PSO) для локального поиска. Этот комплексный метод позволил получить достоверную информацию о характеристиках источников загрязнения и гидравлических параметрах. Ссылка. [ 71] разработала QTR-модель раннего предупреждения на основе нечеткой логики загрязнения подземных вод (качество подземных вод (Q), тенденция качества подземных вод (T) и риск загрязнения подземных вод (R)) для региональной оценки рисков. Метод DRASTIC был интегрирован с моделью QTR, чтобы понять внутреннюю уязвимость подземных вод и определить нагрузку источников загрязнения на основе собранной информации.

Пространственная автокорреляция

Ссылка. [ 72 ] оценили пространственно-временную тенденцию концентрации фторида, объединив два разных статистических метода: Морана I [ 73 ] и локальные индикаторы пространственной ассоциации (LISA) [ 74 ]. LISA — это метод, основанный на расстоянии, который количественно определяет степень кластеризации высоких или низких значений интересующего параметра и то, как значения в соседних местоположениях изменяются в пределах указанной полосы пропускания (расстояния). LISA обеспечивает лучшее представление о кластеризации пространственных единиц путем расчета локального I Морана для каждой единицы.

Байесовские сети

Ссылка. [ 7 ] представил комплексный подход к оценке зависящей от времени уязвимости подземных вод к загрязнению из неточечных источников. Байесовский метод, основанный на данных (веса доказательств (WofE)) использовался для определения взаимосвязи между временными изменениями в землепользовании и загрязнением ГВ, а также для прогнозирования будущих тенденций. Ссылка. [ 75 ] представили новую модель оптимизации, основанную на сожалении, для определения источника загрязнения в системе GW. Поток подземных вод и перенос загрязнений были рассчитаны с использованием MODFLOW и MT3D. Анализ Монте-Карло использовался для измерения влияния риска и неопределенности на параметры модели и входные данные. Модель байесовской сети была обучена и проверена на основе результатов анализа Монте-Карло.

Другие статистические методы

Ссылка. [ 76 ] предложили подробное дерево решений, с помощью которого можно измерить время задержки и перенос загрязняющих веществ в грунтовых водах. Этот подход может картировать уязвимость GW и соответствовать стратегиям управления, предложенным WFD и GWD. Ссылка. [ 77 ] использовали ПРАКТИЧЕСКУЮ модель моделирования [ 78 ] для исследования взаимосвязи между наличием нитратов и контекстуальными переменными, т.е. осадками и пополнением запасов. ПРАКТИЧНЫЙ определяет ежемесячную сумму пополнения, учитывая в расчетах набор контекстуальных параметров. Последовательное гауссовское моделирование использовалось для создания смоделированных сценариев относительно концентрации нитратов для каждого гидрологического года для оценки значений выше и ниже порога 50 мг-NO 3/1 и определить среднее значение смоделированных концентраций нитратов. Ссылка. [ 79 ] представили интегрированную трехмерную гидрогеохимическую модель для изучения судьбы и транспорта нитратов в водосборе ледниковых отложений. Для этого исследования они синтезировали геологическую, гидрогеохимическую и геофизическую информацию, чтобы составить карту пространственно-временной изменчивости концентрации нитратов в ледниковом ландшафте. Кластерный анализ K-средних был использован для анализа влияния подземной гидрогеологии на удаление и перенос нитратов в грунтовых водах. Краткое изложение моделей оценки уязвимости подземных вод на основе индексов, рассмотренных в этой статье, представлено в Таблице 2 .
Таблица 2. Сводная информация о статистических моделях загрязнения ГВ.

Физические/процессные методы

Динамическая концепция уязвимости ГВ в основном контролируется различными поверхностными и подземными процессами, такими как пространственные и временные вариации пополнения ГВ и их хранения в нескольких системах потоков с разным временем пребывания. Следовательно, эти процессы следует учитывать при оценке уязвимости GW, чтобы лучше управлять ресурсами GW. Кроме того, методы, основанные на процессах, могут учитывать судьбу и перенос загрязнителей, что делает их пригодными для понимания того, как антропогенная деятельность и изменение климата могут повлиять на этот жизненно важный источник [21 ] . Общая блок-схема, представляющая процедуру моделирования процессной модели, показана на рисунке 4 .
Рисунок 4. Общая блок-схема, изображающая моделирование модели, основанной на процессах.
В начале 1980-х годов численные модели стали очень популярны для оценки уязвимости подземных вод, особенно для защиты ресурсов. MODFLOW, предложенный [ 80 ], оставался ценным инструментом для моделирования судьбы и переноса загрязняющих веществ с течением времени. В нескольких исследованиях, основанных на процессах, представленных в этом обзоре, использовался метод MODFLOW для оценки динамической оценки уязвимости подземных вод. Ссылка. [ 81] оценили внутреннюю восприимчивость к GW в 11 исследуемых районах по всей территории Соединенных Штатов путем интеграции MODFLOW и схемы отслеживания частиц на основе адвекции (MODPATH). Эти комбинированные методы могут объяснить сложную пространственно-временную взаимосвязь между климатом и характеристиками водоносного горизонта, которые отвечают за перенос растворенных веществ, исходя из нынешнего сценария, но не позволяют делать прогнозы на будущее. Ссылка. [ 82 ] интегрировали MT3DMS с MODFLOW для оценки нагрузки азота в неглубоком водоносном горизонте и прогнозирования концентрации нитратов в ответ на изменение землепользования. Ссылка. [ 83 ] соответствует одномерной модели, называемой Пакетом оценки потерь азота и окружающей среды (NLEAP) [ 84], наряду с MODFLOW и MT3DMS, для моделирования динамики азота в системе растениеводство-почва. Ссылка. [ 85 ] использовали модифицированную версию NLEAP, интегрированную с ГИС (NLEAP-GIS), для моделирования потенциального вымывания нитратов за пределы корневой зоны сельскохозяйственных культур, т.е. 0–100 см на пахотных землях севооборота. NLEAP-GIS может более эффективно параметризовать модель с помощью параметров временных рядов, контролируемых методами управления.
Ссылка. [ 86 ] смоделировали трехмерный поток подземных вод и обтекаемый транспорт с высоким пространственным разрешением для отслеживания неточечного переноса загрязнений при использовании сельскохозяйственных земель с использованием метода оценки неточечных источников (NPSAT). Это физически обоснованная система моделирования, которая также может генерировать кривые прорыва загрязнений для многих пространственно распределенных податливых поверхностей выпуска. Блок-схема, изображающая инициализацию моделирования NPSAT, представлена ​​на рисунке 5 . Результаты показали, что, независимо от степени неоднородности водоносного горизонта, временная динамика вероятности превышения нитратов и изменчивость нитратов между скважинами в значительной степени контролируются изменчивостью конструкции скважин и пространственно-временных источников нитратов. Ссылка. [ 87] представил новую модель передаточной функции, названную моделью расширенной передаточной функции (TFM-ext), для моделирования пространственно-временного распределения растворенных веществ из неточечного источника (NPS) в ненасыщенных зонах. Этот метод основан на передаточных функциях Жюри, определяемых как функции плотности вероятности времени путешествия АПЛ на заданной глубине и времени. Этот метод объединяет статистический метод, основанный на передаточной функции, и физические свойства почвы для оценки времени перемещения растворенного вещества на определенной глубине.
Рисунок 5. Структура для инициализации моделирования NPSAT, измененная после [ 86 ].
Ссылка. [ 88 ] использовали модель инструмента оценки почвы и воды (SWAT) для картирования выщелачивания нитратов из-за интенсивного использования сельскохозяйственных земель. Модель была откалибрована с использованием нескольких гидрологических, морфологических, литологических, климатических параметров и параметров землепользования в диапазоне от суточного до годового временного масштаба. Позднее качественная проверка модели была проведена с использованием существующих данных о концентрации нитратов в подземных водах. Результаты модели представили хорошее моделирование стока, урожайности и нитратов, а также измерили неопределенность. Ссылка. [ 89 ] применили модель реактивного химического переноса (PHREEQC [ 90 ]) и переменную модель потока и переноса насыщенных грунтовых вод (FEMWATER [ 91 ]) для оценки вертикального переноса соединений азота в различных типах почв.
Ссылка. [ 92 ] представили стохастический алгоритм в сочетании с моделями потока и переноса, а также стохастический подход к управлению для борьбы с неточечным сельскохозяйственным загрязнением. Для этого исследования они объединили стохастическую обратную модель (для определения негауссовских параметров) с моделью оценки качества подземных вод (для измерения неточечного сельскохозяйственного загрязнения). Метод постепенного кондиционирования (GC) использовался в качестве стохастической обратной модели для моделирования полей проводимости (K). Для оценки качества подземных вод используется гидроэкономическая модель, предложенная [ 93] был использован. Матрица откликов этой модели (RM) отображает влияние источников загрязнения на концентрации на контрольных участках с течением времени. Для получения RM они использовали MODFLOW и MT3DMS. Наконец, они провели оценку неопределенности с помощью моделирования Монте-Карло. Ссылка. [ 94] использовало моделирование HYDRUS-1D в сочетании с MODFLOW и MT3DMS для измерения уязвимости подземных вод к выщелачиванию нитратов в результате внесения удобрений. HYDRUS-1D исследовал распределение нитратов в ненасыщенной зоне над уровнем грунтовых вод. Параметры почвы и сельскохозяйственных культур были взяты в качестве входных данных в HYDRUS-1D для расчета переноса растворенных веществ в качестве следующего шага с помощью MT3DMS. Одновременно с этим был смоделирован еще один HYDRUS-1D с использованием климатических, геологических и гидрогеологических свойств для запуска модели потока. Наконец, результаты были объединены с помощью платформы ГИС, чтобы понять пространственно-временные изменения нитратов в водоносном горизонте. Это отобразило реакцию нитратов подземных вод в различных сценариях. Ссылка. [ 95] исследовали реактивный транспорт селена (Se) в сочетании с азотом в орошаемой системе водоносного горизонта регионального масштаба, используя новый метод под названием UZF-RT3D. Это многовидовая, переменно насыщенная модель реактивного транспорта. Параметры модели оценивались в несколько этапов ( рис. 6 ). Эта модель успешно отображает основные пространственно-временные закономерности загрязнения и переноса Se и NO 3 и предоставляет инструмент для разработки стратегий восстановления.
Рисунок 6. Структура для инициализации модели и оценки значений параметров модели, измененная после [ 95 ].
Ссылка. [ 96 ] представили исследование по выявлению неизвестных источников загрязнения подземных вод с использованием классической модели нелинейной оптимизации, интегрированной с методами моделирования потоков и переноса. Для оценки процессов потока и переноса они использовали двумерный гибридный конечный элемент Галеркина и интегрированный метод конечных разностей под названием SUTRA [ 97 ]. Для идентификации неизвестных источников загрязнения независимо от их пространственно-временных характеристик использовались оптимальные модели идентификации источников (OSIM1 и OSIM2). Кроме того, для количественной оценки эффективности модели была использована нормализованная оценка ошибок для потоков источников (NEE f ). Ссылка. [ 98] представил новую технику идентификации источника, применяя гибридный подход. Этот метод объединил технику слепого разделения источников (BSS) [ 99 ] на основе неотрицательной матричной факторизации (NMF) [ 100 ] в сочетании с специально разработанным полуконтролируемым алгоритмом кластеризации k-средних [ 101 ]. Новая методология получила название NMFk, где k — известное количество источников. Алгоритм NMFk основан на данных о геохимическом загрязнении, соотношениях двух компонентов (соотношениях изотопов) и дельта-нотациях, т.е. стандартных нормализованных соотношениях стабильных изотопов. Краткое изложение моделей оценки уязвимости подземных вод, основанных на процессах, рассмотренных в этой статье, представлено в Таблице 3 .
Таблица 3. Краткое описание моделей, основанных на процессах.

3.2. Оценка уязвимости карстового водоносного горизонта

Карстовые водоносные горизонты являются одним из важнейших источников пресной воды, обеспечивающим водой потребности 25% населения планеты [ 102 ]. Эти водоносные горизонты обеспечивают значительный объем питьевой воды в Европе; для некоторых регионов они являются единственным источником пресной воды. Уязвимость к загрязнению этих жизненно важных источников пресной воды представляет собой серьезную угрозу для огромного населения, удовлетворяющего свои потребности в питьевой воде. Карстовые водоносные горизонты чувствительны к гидрологическим изменениям в регионах питания. Карстовые водоносные горизонты представляют собой уникальный гидрогеологический процесс через канальную (трубообразную проточную систему) и диффузную (через трещины и поры) проточные системы [ 21]. Из-за этих двойственных характеристик карстовых систем они имеют более выраженные поверхностные и подземные взаимоотношения, что делает их уязвимыми для загрязнителей двумя разными способами. Быстрое время перемещения и низкая емкость водоносного потока делают карсты чувствительными к «недолгоживущим» загрязняющим веществам. С другой стороны, в диффузных системах «стойкие» загрязнения могут накапливаться и выделяться в течение длительного периода времени [ 21 ]. Из-за этих уникальных сценариев уязвимости карстовые водоносные горизонты требуют особого внимания при оценке уязвимости подземных вод.

3.2.1. Метод наложения и индексный метод

Ссылка. [ 103 ] оценили внутреннюю и специфическую уязвимость, используя методы DRASTIC и DRASTIC Pesticide. Индекс восприимчивости (SI) также использовался для визуализации временных изменений конкретной уязвимости. Из-за типичной системы подземных потоков в карстовых водоносных горизонтах следует учитывать вертикальную просачивание и боковой поток, чтобы составить карту уязвимости карстовых подземных вод с точки зрения защиты источников и ресурсов. Ссылка. [ 104 ] измеряли пространственно-временное загрязнение подземных вод методом COP. Они интегрировали географически взвешенную регрессию (GWR) и использовали параметры высоты, землепользования, геологии и нормализованного дифференцированного вегетативного индекса (NDVI) для описания пространственной динамики взаимосвязей между переменными. Ссылка. [ 6] представил словенский подход, изменив COP [ 105 ] для добавления коэффициента K (карст) в индекс COP. C, O и P относятся к концентрации потока, вышележащим слоям и режиму осадков соответственно, где K – зона насыщения карста. COP — это хорошо зарекомендовавший себя метод на основе индексов, используемый для отображения внутренней уязвимости ресурса. Словенский подход предлагает наложить карту уязвимости ресурса на коэффициент K для измерения уязвимости источника. Этот метод позволяет оценить динамику потока подземных вод, карстификацию и изменчивость динамики потока в различных гидрологических условиях [ 6 ]. Этот метод был также реализован [ 106 ] в большом и густонаселенном карстовом регионе северо-востока Италии и юго-востока Словении. Ссылка. [107 ] предложил модернизированную версию COP+K, названную нестационарной моделью (TDM). TDM имеет три основных компонента: время прохождения по поверхностным водам, время вертикального перемещения через ненасыщенную зону и время горизонтального перемещения. В другом исследовании Ref. [ 108 ] объединили COP + K и TDM для картирования уязвимости источников подземных вод и разработки карт санитарно-защитного зонирования.

3.2.2. Статистический метод

Ссылка. [ 109 ] разработали инструмент ГИС, интегрированный с моделью распределения времени пребывания (RTD) для измерения сосредоточенных параметров на основе параметров картирования уязвимостей. Этот метод связывает временное качество подземных вод с концепцией уязвимости, основанной на эквивалентных сосредоточенных параметрах. Этот полуобъективный метод основан на вероятностном распределении времени пребывания и может представлять собой лучшую оценку уязвимости подземных вод для принятия решений. Ссылка. [ 110 ] применили PCA для анализа пространственно-временных закономерностей содержания нескольких пестицидных соединений в меловом водоносном горизонте. Ссылка. [ 111] оценил физические и химические свойства подземных вод для оценки гидрологических и геохимических процессов, используя FA для выявления пространственно-временных изменений загрязняющих веществ и потенциальных источников. Также был использован иерархический кластерный анализ (HCA) для минимизации и кластеризации параметров, попадающих в схожие группы на основе FA. Ссылки. [ 112 , 113 ] использовали метод интерполяции IDW на основе ГИС для оценки концентраций фталатов и пестицидов соответственно в грунтовых водах.

3.2.3. Процессный метод

Ссылка. [ 21 ] обратили внимание гидрогеологов на изменчивость пространственно-временного питания подземных вод. Они предположили, что рассмотрение отслеживания движения потока подземных вод и их сброса в различных источниках должно стать необходимым. Поэтому крайне важно понимать эти процессы, чтобы отслеживать хранение и время пребывания воды в нескольких системах. Они предложили метод численного моделирования для более широкого понимания уязвимости динамического карстового водоносного горизонта и ее связи с изменением климата, чтобы добиться более качественного количественного определения. Они использовали модель пополнения, водотока и диффузного потока (RCD) «дождевые-расходы», «RCD-сезонную» [ 8] .], для моделирования расхода и концентрации вещества исследуемого источника. Это модель с сосредоточенными параметрами, основанная на концептуальной модели карстовой системы водоносных горизонтов, в которой вода течет через три основных отсека: пополнение (почва и эпикарстовая система), системы каналов/быстрого потока и системы диффузного/медленного потока (Рисунок 7 ) . В другом исследовании [ 9 ] был представлен улучшенный метод оценки пространственно-временной карстовой уязвимости путем сочетания картографирования с методами моделирования. Во-первых, они использовали подход ABG [ 114 ] для определения зон питания исследованных источников. Затем метод EPIK был использован для картирования внутренней уязвимости. Наконец, для оценки уязвимости источника было использовано RCD. Ссылка. [ 115] также использовал метод RCD, интегрированный с трехмерной геологической моделью, для объяснения внутренней динамической уязвимости карстовых водоносных горизонтов.
Рисунок 7. Схематическое изображение настройки модели, измененной после [ 21 ].
Ссылка. [ 116 ] использовали технику моделирования SWAT для оценки пространственно-временной скорости пополнения запасов и нагрузки азота в подземных водах. Для этой модели используются цифровая модель рельефа (ЦМР), землепользование, характеристики почвы, климатические данные (осадки и суммарное испарение), гидрогеологические параметры (поверхностный сток, инфильтрация, возвратный поток, просачивание и транспортные потери) и процессы, связанные с культурами ( урожайность сельскохозяйственных культур, круговорот питательных веществ и перемещение пестицидов) рассматривались в качестве входных параметров модели. Ссылка. [ 117 ] представил комбинированный метод (PaPRIKa для картирования уязвимости подземных вод и FEFLOW [ 118 ] для моделирования потока подземных вод) для оценки уязвимости карстового водоносного горизонта. Ссылка. [ 119] также использовал FEFLOW для исследования влияния геометрии и условий сопряжения вокруг карстового канала на пространственно-временное распределение водообмена между каналом и окружающим водоносным горизонтом. Ссылка. [ 120 ] использовали сосредоточенную модель под названием BICHE, чтобы отобразить перенос нитратов и его временную тенденцию. BICHE относится к Bilan CHimique des Eaux или водно-химическому балансу, разработанному BRGM [ 121 ], который имитирует перенос нитратов в сочетании с гидрогеологическими функциями в масштабе водосбора. Концептуальная структура этой модели ( рис. 8).) представлял собой каскад линейных резервуаров, взаимодействующих посредством математических функций для объяснения потоков (воды или нитратов) между резервуарами. Результаты показали, что эта модель способна точно моделировать (долгосрочные) временные тенденции эволюции воды и нитратов в трех гидрогеологических и сельскохозяйственных контекстах. Краткое изложение моделей оценки уязвимости подземных вод для карстовых водоносных горизонтов, рассмотренных в этой статье, представлено в Таблице 4 .
Рисунок 8. Блок-схема модели BICHE, модифицированная после [ 120 ].
Таблица 4. Краткое описание методов оценки карстовой уязвимости.

4. Обзор методов динамической оценки уязвимости подземных вод

В этом обзоре литературы мы обнаружили, что за последнее десятилетие был проведен огромный объем работы. Было замечено, что количественные подходы (т.е. статистические и процессные) наиболее известны для качественной оценки уязвимости подземных вод, за ними следуют методы, основанные на индексах. Нитраты были основным индикатором, рассматриваемым при оценке уязвимости подземных вод, и очень немногие исследования были сосредоточены на других загрязнителях, таких как ванадий, аммиак, селен, азот, фторид, хлорат, мышьяк, некоторые пестициды и т. д. Страны, изучаемые в исследовательских статьях или тематических исследованиях рассматриваемые в этой статье, были в основном из Китая и Индии, за которыми следовали некоторые европейские страны и остальной мир.
Этот систематический обзор показал, что среди качественных методов или методов наложения и индексов DRASTIC, GOD и COP, которые были внедрены в конце 1980-х годов, до сих пор пользуются популярностью среди исследователей. Эти методы были модифицированы или использованы вместе с другими для расчета пространственно-временного риска загрязнения подземных вод. Со временем землепользование стало неотъемлемой частью этих методов, поскольку оно демонстрирует причастность человека к загрязнению подземных вод. Благодаря расширенным возможностям технология ГИС имеет решающее значение для оценки уязвимости подземных вод. DRASTIC предлагает возможность добавления некоторых дополнительных параметров или игнорирования существующих параметров в зависимости от цели исследования. В обзоре представлено множество исследований, которые модифицировали DRASTIC, включив в него временные изменения в землепользовании и загрязнение сельскохозяйственных нитратами [36 , 37 , 103 ]. GOD также является популярным методом оценки уязвимости, но он не позволяет объяснить пространственно-временную неоднородность, связанную с подземными процессами. Чтобы преодолеть эту небрежность, Ref. [ 35 ] оценили потенциал подземных вод и включили землепользование в свое исследование.
За последнее десятилетие было предложено множество новых, модифицированных или интегрированных методов моделирования загрязнения подземных вод (IEA-UEF [ 32 ], WQI [ 33 ], m-HPI [ 34 ], GWV [ 38 , 39 ] и NPI). [ 40]). Отличие природных факторов от антропогенных имеет решающее значение, и сам по себе химический состав подземных вод не может описать этот сценарий. Доступны многие традиционные инструменты и методы, но они также не могут обеспечить правильное направление. Чтобы составить карту динамической уязвимости подземных вод, исследования должны быть более сконцентрированы на комбинированных или интегрированных приложениях, таких как многомерные статистические методы, иерархический кластерный анализ, моделирование временных рядов и методы ГИС, чтобы подчеркнуть эффективное управление качеством подземных вод (например, [ 58 ] ) . Интеграция климатических моделей также может быть полезна для описания пространственно-временной уязвимости, возникающей из-за неоднородностей, связанных с изменением климата [ 38 , 39] .]. Однако эти исследования сложны и требуют больше информации для обоснования будущих вероятностей. Измерения уровня грунтовых вод на месте; постоянный мониторинг расхода подземных вод; а моделирование загрязнения в масштабе водосбора с использованием гидрологических характеристик водоносных горизонтов, данных о местности и параметров земного покрова будет способствовать нашей способности контролировать уязвимость подземных вод в течение гидрологического года. Кроме того, также необходим систематический анализ, чтобы отразить, становятся ли подземные воды систематически уязвимыми или зависимыми от определенных дней или месяцев, включая выбросы. Чтобы ответить на этот вопрос, необходимо использовать сетевую систему непрерывного мониторинга для отслеживания концентрации загрязняющих веществ и объяснения различия между постоянными и временными зонами качества подземных вод [33 ]. Ключевые особенности индексных методов, рассмотренных в этом исследовании, представлены в Таблице 5 .
Таблица 5. Ключевые особенности и ограничения индексных моделей.
Этот систематический обзор показал, что геостатистические приложения интенсивно используются для оценки пространственно-временной уязвимости к загрязнению подземных вод. Методы пространственного интерполяционного моделирования, в основном методы кригинга, продемонстрировали, как сезонные изменения качества подземных вод в основном контролируются сельскохозяйственными методами [ 41 , 42 , 45 , 46 , 47 , 49 ].]. Методы кригинга являются хорошей альтернативой использованию параметров DRASTIC и эффективны для прогнозирования пространственного распределения концентраций. Но им не хватает определения временной динамики уязвимости. Сельскохозяйственные ландшафты также подвержены неоднородности из-за режимов внесения удобрений и климатических/сезонных изменений. Некоторые исследования интегрировали вариографический анализ, чтобы ответить на сезонные изменения [ 42 , 52 , 53] .]. Многие комбинированные многомерные статистические данные также применялись для понимания пространственно-временных концентраций загрязняющих веществ при различных сценариях землепользования, включая орошаемые. Осадки являются основным фактором, контролирующим интенсивность взаимодействия источника загрязнения, пути пути и рецептора в процессе пополнения запасов. Многие исследования, за исключением нескольких [ 55 , 57 , 59 , 60 ] , не смогли объяснить систематическое участие осадков в процессе распространения и переноса загрязняющих веществ .
Основное преимущество статистических методов заключается в том, что они требуют меньше предварительных знаний и полагаются на доступность и качество данных. Это приносит существенный недостаток этим методам. Если наборы данных не являются адекватными или подходящими, они серьезно ограничивают производительность модели. А это может привести к переоценке результатов модели при оценке динамики уязвимости водоносного горизонта. Интенсивные и хорошо структурированные сети пространственно-временного мониторинга с помощью геостатистических методов могут восполнить этот пробел (например, [ 43]). Оценка динамического загрязнения подземных вод также требует точного распознавания гидравлических параметров и долгосрочного наблюдения за выбросами источников загрязнения на основе скудных и дискретных данных наблюдений. К сожалению, модели, имитирующие транспорт растворенных веществ, требуют очень много времени и нелинейны. Модели глубокого обучения или мягких вычислений (такие как ИНС) показали многообещающие результаты с точки зрения минимизации дорогостоящих эксплуатационных расходов и замены моделей с высоким уровнем нелинейности. Подробный обзор был представлен в [ 4 ], и читатели отсылаются к этой статье, чтобы понять статистические, геостатистические и мягкие методы вычислений. Основные статистические методы, рассмотренные в этом исследовании, представлены в Таблице 6 .
Таблица 6. Ключевые особенности и ограничения статистических моделей.
Как обсуждалось ранее, из-за многих ограничений качественные методы (индексные и статистические) не способны точно предсказать судьбу и транспорт загрязнителей. Понимание судьбы и переноса загрязняющих веществ играет решающую роль в оценке динамической уязвимости подземных вод. Ссылка. [ 23 ] предложили методы, основанные на физических процессах, с их способностью оценивать гидрогеологические процессы в насыщенных и ненасыщенных зонах, которые могут систематически отслеживать судьбу и перенос загрязняющих веществ. MODFLOW и MODPATH — численные методы, которые были разработаны в 2000-х годах и до сих пор являются надежными инструментами для моделирования потока и переноса соответственно [ 81 , 82 , 83] .]. Вместо MODPATH в некоторых исследованиях использовалась MT3DMS, которая также может моделировать перенос загрязняющих веществ. Многие модели адвективно-дисперсионного переноса растворенных веществ (такие как HYDRUS-1D с MT3DMS) также использовались для объяснения динамики загрязняющих веществ при различных типах землепользования [94 ] . Многие технологические методы были интегрированы с ГИС для оценки пространственного распределения загрязнителей, например NLEAP. Однако, поскольку они не могут предсказать временное распределение, другие модели потоков и переноса (например, MODFLOW, MT3DMS) также были объединены для оценки пространственно-временной динамики уязвимости подземных вод. Многие дополнительные модели потоков и переноса, такие как PHREEQC и FEMWATER 1990-х годов, также использовались для расчета динамики уязвимости подземных вод.89 ]. Но эти модели в основном предназначены для определения пространственного распределения концентраций загрязняющих веществ. Эти исследования не дали адекватной оценки временного аспекта динамической уязвимости. Такие модели, как SWAT, также представили многообещающие результаты при отслеживании пространственно-временного выщелачивания нитратов при использовании сельскохозяйственных земель на уровне единицы гидрологического реагирования [ 88]. Хотя модели, основанные на процессах, представляют собой самые современные математические уравнения, используемые для расчета потока, переноса и времени пребывания, они требуют адекватных предварительных знаний о природе источников загрязняющих веществ и локальных (крупномасштабных) процессах взаимодействия на поверхности и под поверхностью, поскольку а также достаточно данных долгосрочного мониторинга для надежного моделирования потока и переноса. Из-за ограниченного доступа или пренебрежения этими знаниями или этими наборами данных результаты приведут к тому, что неопределенности, возникающие из-за вышеупомянутых пробелов, будут упущены из виду. Еще одним важным моментом, связанным с моделями, основанными на процессах, являются граничные условия и неопределенность с точки зрения параметров модели. С недавним развитием эволюционных алгоритмов стало популярным использовать модели моделирования и оптимизации. Но проблема этих популяционных методов заключается в том, что они являются дорогостоящими с точки зрения затрат времени из-за повторяющихся вычислений функций приспособленности. Ключевые особенности процессных методов, рассмотренных в данном исследовании, представлены вТаблица 7 .
Таблица 7. Ключевые особенности и ограничения процессно-ориентированных моделей.
Уязвимость карста – это бинарная концепция, которая состоит из кратковременного загрязнения через водоводный поток и постоянного загрязнения через уязвимость диффузного потока [ 21 ]. Оценка уязвимости этих систем к загрязнению должна включать зоны пополнения подземных вод, карты уязвимости, карты потоков и переноса, а также анализ уязвимости временных рядов. Индексные и статистические модели для оценки карста в основном состоят из картирования зонирования на основе данных наблюдений. Такие модели, как DRASTIC, SI и GWR, которые были рассмотрены в этом исследовании, объединяют карты землепользования временных рядов и ГИС для определения пространственного распределения загрязняющих веществ. Тем не менее, поток и перенос редко учитываются. Ссылка. [ 6 ] представил словенский подход. Это интегрированный КС [ 105] модель с коэффициентом K (Карст).
Словенский подход представил многообещающие результаты с точки зрения оценки динамики потока подземных вод, карстификации и изменчивости динамики потока в различных гидрологических условиях. Другая модель, называемая TDM [ 107 ], также основана на расчете времени прохождения поверхностных вод, а также вертикального и горизонтального потока в ненасыщенной зоне. Преимущество TDM заключается в том, что он может рассчитать время пути поверхностных вод к источникам и представить уязвимость как фактор времени пути. Статистические модели, такие как IDW, PCA, FA и HCA, представляют собой качественную оценку наблюдаемых данных. Ссылка. [ 109] включил временной аспект с помощью метода RTD, модели с сосредоточенными параметрами, используемой для учета времени пребывания и временного распространения загрязнения. Но ограничением этих моделей с сосредоточенными параметрами является то, что они не могут учитывать пространственную изменчивость. В этом обзоре отмечено, что только процессуальные методы позволяют систематически моделировать карстовую уязвимость. Однако лишь в немногих исследованиях (7 из 18) использовались процессуальные методы оценки уязвимости карста. PaPRIKa представила полезный инструмент, объединив модель FEFLOW и ГИС для объяснения сезонных изменений в пополнении и переходных характеристиках границ зон захвата добывающих скважин и их связи с различными сценариями землепользования. Поскольку этот метод основан на степени карстификации, нам нужны адекватные и точные исходные данные о карстификации.117 ]. Среди методов, основанных на процессах, модель с сосредоточенными параметрами, RCD (перезарядка, поток в трубопроводе, диффузный поток), представила подходящее математическое объяснение выбросов и концентрации веществ. Ссылки. [ 9 , 21] подробно остановился на том факте, что уязвимость карста является не только фактором питания и разгрузки, но также затрагивает отдельные источники в зонах разгрузки. В качестве глобальной модели RCD не может отражать местные факторы, связанные с пополнением подземных вод и загрязнением из точечных источников. Этого ограничения можно избежать, интегрировав карту уязвимостей зоны обслуживания (например, EPIK). В этом обзоре литературы, помимо оценки карстовой уязвимости, метод RCD представил эффективное объяснение динамического распределения уязвимости и временной зависимости уязвимости карстовых подземных вод.

5. Ограничения и будущие направления

За последнее десятилетие произошли значительные изменения в оценке уязвимости к загрязнению подземных вод. Множество интегрированных методов; системы принятия решений на основе ГИС; а для описания уязвимости подземных вод использовались передовые методы с сочетанием индексных, статистических и/или процессуальных подходов. Несмотря на эти изменения, некоторые ограничения все еще существуют. В основе динамической уязвимости подземных вод лежат процессы пополнения запасов в ненасыщенных зонах, которые являются основными путями переноса загрязняющих веществ, попадающих на поверхность земли, в водоносные горизонты. В последние несколько десятилетий, Основными сложностями, возникающими при оценке уязвимости к загрязнению подземных вод, являются неопределенности, вызванные изменением климата в целом, а также антропогенные воздействия, такие как неконтролируемый рост населения в городских землепользованиях и нагрузка пестицидами на сельскохозяйственных полях в сельских землепользованиях. Чтобы оценить эту сложность или выявить тенденцию, почти все предыдущие исследования основывались на детерминистских методах и не учитывали стохастичность в природных системах и землепользовании. Поэтому будущие исследования должны разработать статистические методы, основанные на стохастических подходах и численных методах, основанных на процессах, для отслеживания физических процессов. Наконец, для зонального картирования уязвимости подземных вод можно создать основанный на знаниях метод наложения и индексов. Однако эти процессы, управляемые данными, имеют множество ограничений. такие как потребность в больших наборах данных по контролю переменных и концентрации загрязнения, затраты времени, сложность геопространственной оценки, отслеживание временных аспектов выброса загрязняющих веществ на поверхность и транспортировка подземными потоками. Таким образом, выявление и настройка параметров, зависящих от времени, отслеживание индикаторов и изучение косвенных показателей и их связи с концентрацией загрязняющих веществ в подземных водах должны стать полезными инструментами для оценки пространственно-временной уязвимости подземных вод к загрязнению. Для будущих исследований следующие параметры и шаги будут полезны для разработки сложной модели оценки уязвимости подземных вод. отслеживание временных аспектов выброса загрязняющих веществ на поверхность и транспортировки подземными потоками. Таким образом, выявление и настройка параметров, зависящих от времени, отслеживание индикаторов и изучение косвенных показателей и их связи с концентрацией загрязняющих веществ в подземных водах должны стать полезными инструментами для оценки пространственно-временной уязвимости подземных вод к загрязнению. Для будущих исследований следующие параметры и шаги будут полезны для разработки сложной модели оценки уязвимости подземных вод. отслеживание временных аспектов выброса загрязняющих веществ на поверхность и транспортировки подземными потоками. Таким образом, выявление и настройка параметров, зависящих от времени, отслеживание индикаторов и изучение косвенных показателей и их связи с концентрацией загрязняющих веществ в подземных водах должны стать полезными инструментами для оценки пространственно-временной уязвимости подземных вод к загрязнению. Для будущих исследований следующие параметры и шаги будут полезны для разработки сложной модели оценки уязвимости подземных вод. а рассмотрение косвенных показателей и их связи с концентрацией загрязняющих веществ в подземных водах должно стать полезным инструментом для оценки пространственно-временной уязвимости подземных вод к загрязнению. Для будущих исследований следующие параметры и шаги будут полезны для разработки сложной модели оценки уязвимости подземных вод. а рассмотрение косвенных показателей и их связи с концентрацией загрязняющих веществ в подземных водах должно стать полезным инструментом для оценки пространственно-временной уязвимости подземных вод к загрязнению. Для будущих исследований следующие параметры и шаги будут полезны для разработки сложной модели оценки уязвимости подземных вод.
Отслеживание концентрации загрязняющих веществ за определенный период отражает временную зависимость (т. е. обнаружение изменений в течение месяца/сезона/года/более длительного периода). Эти зависящие от времени изменения основаны главным образом на антропогенной деятельности на поверхности Земли. Поэтому более продвинутая оценка землепользования и его изменений во времени имеет решающее значение для оценки его чувствительности. Оценка роста и плотности населения с течением времени будет служить показателем для понимания нагрузки загрязнения. Будет полезно более широкое использование временных рядов высокого разрешения и/или радиолокационных спутниковых изображений. Отслеживание влажности почвы может быть показателем для понимания предпочтительного стока. Это основной транспортер агрохимикатов при сельскохозяйственном использовании. Изображения, полученные с помощью радиолокатора с синтезированной апертурой (SAR), станут хорошим вариантом для отслеживания влажности почвы во времени и пространстве. Уклон также является одним из основных факторов качественной оценки уязвимости подземных вод, но им широко пренебрегают. Наклон напрямую контролирует скорость просачивания почвы; поверхностный сток; и, косвенно, влажность почвы и пополнение грунтовых вод. Объектно-ориентированный анализ изображений (OBIA) может использоваться для классификации землепользования вместо традиционных методов на основе пикселей (т. е. контролируемой и неконтролируемой классификации). OBIA основана на сегментации изображений, создавая векторные объекты путем кластеризации небольшой группы пикселей. Этот метод очень полезен для классификации сельскохозяйственных полей и населенных пунктов. Объектно-ориентированный анализ изображений (OBIA) может использоваться для классификации землепользования вместо традиционных методов на основе пикселей (т. е. контролируемой и неконтролируемой классификации). OBIA основана на сегментации изображений, создавая векторные объекты путем кластеризации небольшой группы пикселей. Этот метод очень полезен для классификации сельскохозяйственных полей и населенных пунктов. Объектно-ориентированный анализ изображений (OBIA) может использоваться для классификации землепользования вместо традиционных методов на основе пикселей (т. е. контролируемой и неконтролируемой классификации). OBIA основана на сегментации изображений, создавая векторные объекты путем кластеризации небольшой группы пикселей. Этот метод очень полезен для классификации сельскохозяйственных полей и населенных пунктов.

6. Выводы

В данной статье представлен систематический обзор последних достижений в оценке динамической уязвимости ГВ к ​​загрязнению. В этом обзорном документе особое внимание уделяется анализу временных рядов в области оценки уязвимости к загрязнению ГВ, проведенному в последнее десятилетие. Было отмечено, что количественные подходы (т.е. статистические и процессные) являются наиболее популярными для оценки качественной уязвимости ГВ, за ними следуют подходы, основанные на индексах. Подходы к оценке загрязнения ГВ, рассмотренные в данной статье, можно разделить на две группы: для защиты ресурсов и для идентификации источника. Нитраты были основным индикатором, принимаемым во внимание при оценке уязвимости к ГВ, и очень немногие исследования были сосредоточены на других загрязнителях, таких как ванадий, аммиак, селен, азот, фторид, хлорат, мышьяк, некоторые пестициды и т. д. Странами, изучаемыми в исследовательских статьях или тематических исследованиях, рассмотренных в этой статье, были в первую очередь Китай и Индия, за которыми следовали некоторые европейские страны и остальной мир. Этот систематический обзор показал, что среди качественных методов или методов, основанных на наложении и индексах, таких как DRASTIC и GOD, которые были внедрены в конце 1980-х годов, по-прежнему популярны среди исследователей. Эти методы были модифицированы или использовались наряду с другими для расчета пространственно-временного риска загрязнения ГВ. Со временем землепользование становится неотъемлемой частью этих методов, демонстрирующих участие человека в загрязнении ГВ. Благодаря расширенным возможностям технология ГИС стала важной частью оценок уязвимости GW. ГИС – это уникальный инструмент, который можно использовать для записи, хранения, манипулирования, анализировать наборы данных и объединять различные уровни данных, чтобы продемонстрировать уязвимость и разграничить зоны в соответствии с качеством GW. Иногда эти методы сравниваются и проверяются с помощью статистических инструментов, таких как кригинг, PCA и AHP. В течение последнего десятилетия численные модели 1D, 2D и 3D, основанные на уравнениях адвекции-дисперсии, использовались для идентификации переноса через ненасыщенные, а также насыщенные зоны. Транспортные модели, такие как HYDRUS-1D, MODFLOW, MODPATH и MT3DMS, оказались наиболее распространенными и широко используемыми методами. а трехмерные численные модели, основанные на уравнениях адвекции-дисперсии, использовались для идентификации переноса как через ненасыщенные, так и через насыщенные зоны. Транспортные модели, такие как HYDRUS-1D, MODFLOW, MODPATH и MT3DMS, оказались наиболее распространенными и широко используемыми методами. а трехмерные численные модели, основанные на уравнениях адвекции-дисперсии, использовались для идентификации переноса как через ненасыщенные, так и через насыщенные зоны. Транспортные модели, такие как HYDRUS-1D, MODFLOW, MODPATH и MT3DMS, оказались наиболее распространенными и широко используемыми методами.
Все методы, рассмотренные в этой статье, имеют свои преимущества и ограничения, как представлено в Таблице 5 , Таблице 6 и Таблице 7.. За последнее десятилетие было разработано множество необычных методов оценки загрязнения подземных вод, которые могут продемонстрировать динамическую уязвимость подземных вод. Можно сделать вывод, что многие методы моделирования не учитывают основы динамической уязвимости ГВ, основанной на процессах подпитки в ненасыщенных зонах. Существуют огромные возможности для улучшения параметризации моделей, чтобы они могли более широко моделировать судьбу и транспорт загрязнителей в насыщенных зонах. При рассмотрении пополнения запасов следует также учитывать взаимодействие поверхностных и подземных вод и их временные изменения. Также важно проверить линейность или нелинейность зависимых и предикторных переменных в ходе процедуры выполнения модели. При оценке внутренней уязвимости ГВ неопределенность является основным препятствием, и ее невозможно устранить. Но эту ситуацию неопределенности можно уменьшить, а подходы к оценке можно улучшить за счет включения расширенных обновленных наборов данных, улучшенного мониторинга и современных методов. Необходимо разработать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенности. Учитывая эти фундаментальные ситуации, методы оценки должны представлять собой четкие рекомендации для стратегий устойчивого управления подземными водами. Необходимо разработать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенности. Учитывая эти фундаментальные ситуации, методы оценки должны представлять собой четкие рекомендации для стратегий устойчивого управления подземными водами. Необходимо разработать целостные подходы для оценки загрязнения подземных вод в условиях меняющихся климатических сценариев и неопределенности. Учитывая эти фундаментальные ситуации, методы оценки должны представлять собой четкие рекомендации для стратегий устойчивого управления подземными водами.

Дополнительные материалы

Следующую вспомогательную информацию можно загрузить по адресу: https://www.mdpi.com/article/10.3390/гидрология10090182/s1 , рисунок S1.: Статистические/программные вычисления/методы машинного обучения для загрязнения грунтовых вод; Рисунок S2: Широко используемые методы моделирования на основе процессов для оценки загрязнения ГВ; Таблица S1: Широко используемые методы моделирования на основе наложения и индекса; Таблица S2: Критерии поиска и логические операторы, применяемые к базам данных Web of Science и ScienceDirect. (пористые водоносные горизонты); Таблица S3: Критерии поиска и логические операторы, применяемые к базам данных Web of Science и ScienceDirect. (Карстовые водоносные горизонты); Таблица S4: Критерии исключения, которым следовала PRISMA при необходимости проведения этого обзора.

Вклад автора

AB: концептуализация, методология, подготовка оригинального проекта; LC: контроль, рецензирование и редактирование; Нью-Джерси: надзор и проверка; LG: контроль, рецензирование и редактирование; СГ: надзор, концептуализация, методология, рецензирование и редактирование. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Это исследование не получило внешнего финансирования.

Благодарности

Авторы хотели бы выразить признательность Атлантическому технологическому университету Слайго, Ирландия, за поддержку и финансирование по программе стипендий CUA.

Конфликт интересов

Авторы объявили, что нет никаких конфликтов интересов.

Рекомендации

  1. Лалл, У.; Жоссет, Л.; Руссо, Т. Краткий обзор мировых проблем подземных вод. Анну. Преподобный Окружающий. Ресурс. 2020 , 45 , 171–194. [ Академия Google ] [ CrossRef ]
  2. ИГРАЦ. Обзор подземных вод: невидимое становится видимым. 2018. Доступно онлайн: https://www.un-igrac.org/sites/default/files/resources/files/Groundwater%20overview%20-%20Making%20the%20invisible%20visible_Print.pdf (по состоянию на 29 июля 2023 г.) .
  3. Денадхаялан, Н.; Лин, КК; Салех, Т.А. Последние достижения в области функционализированных углеродных точек в направлении разработки эффективных материалов для приложений зондирования и катализа. Малый 2020 , 16 , e1905767. [ Академия Google ] [ CrossRef ] [ PubMed ]
  4. Мачивал, Д.; Джа, МК; Сингх, вице-президент; Мохан, К. Оценка и картирование уязвимости подземных вод к загрязнению: Текущее состояние и проблемы. Науки о Земле. Ред. 2018 г. , 185 , 901–927. [ Академия Google ] [ CrossRef ]
  5. Мачивал, Д.; Клотье, В.; Гюлер, К.; Казакис, Н. Обзор интегрированных с ГИС статистических методов оценки и защиты качества подземных вод. Окружающая среда. Науки о Земле. 2018 , 77 , 681. [ Google Scholar ] [ CrossRef ]
  6. Равбар, Н.; Гольдшайдер, Н. Предлагаемая методология картирования уязвимости и риска загрязнения для защиты карстовых водоносных горизонтов в Словении (Предлог методологии картирания ранливости в veganja za onesnaženje voda za varovanje kraških vodonosnikov v Sloveniji). Acta Carsologica 2007 , 36 , 397–411. [ Академика Google ]
  7. Стивенацци, С.; Масетти, М.; Нгием, СВ; Соричетта, А. Карты уязвимости земных опорных устройств в зависимости от метода, зависящего от времени использования спутниковых скаттерометров. Гидрогеол. Дж. 2015 , 23 , 631–647. [ Академия Google ] [ CrossRef ]
  8. Бутчер, К.; Хуггенбергер, П. Внутренняя оценка уязвимости карстовых территорий: подход к численному моделированию. Водный ресурс. Рез. 2008 , 44 . [ Академия Google ] [ CrossRef ]
  9. Бутчер, К.; Хуггенбергер, П. Расширенная оценка уязвимости карстовых территорий путем сочетания подходов картирования и моделирования. наук. Тотальная среда. 2009 , 407 , 1153–1163. [ Академия Google ] [ CrossRef ] [ PubMed ]
  10. Маргат, Дж.; ван дер Гун, Дж. Подземные воды во всем мире: географический обзор ; CRC Press: Бока-Ратон, Флорида, США, 2013. [ Google Scholar ]
  11. Феттер, CW «Прикладная гидрогеология» , 4-е изд.; Прентис Холл: Хобокен, Нью-Джерси, США, 2001 г. [ Google Scholar ]
  12. Гош, Северная Каролина Геогенное загрязнение и технологии безопасного снабжения питьевой водой BT — Вода и санитария в новом тысячелетии ; Нат, К.Дж., Шарма, вице-президент, ред.; Спрингер: Нью-Дели, Индия, 2017 г.; стр. 81–95. [ Академия Google ] [ CrossRef ]
  13. Блумфилд, Япония; Уильямс, Р.Дж.; Гудди, округ Колумбия; Кейп, JN; Гуха, П. Влияние изменения климата на судьбу и поведение пестицидов в поверхностных и грунтовых водах – взгляд Великобритании. наук. Тотальная среда. 2006 , 369 , 163–177. [ Академия Google ] [ CrossRef ]
  14. Ковалевский В.С. Влияние изменений климата на подземные воды. Водный ресурс. 2007 , 34 , 140–152. [ Академия Google ] [ CrossRef ]
  15. Аурели, А.; Танигучи, М. Оценка ресурсов подземных вод под воздействием человечества и изменений климата. Париж. 2006. Доступно онлайн: https://iwlearn.net/resolveuid/01d776e51f524e6fa99c85b17686aece (по состоянию на 29 июля 2023 г.).
  16. Грин, Т.Р. Связь изменения климата и подземных вод. В «Интегрированном управлении подземными водами: концепции, подходы и проблемы» ; Джейкман А.Дж., Баррето О., Хант Р.Дж., Ринаудо Дж.Д., Росс А., ред.; Springer: Берлин/Гейдельберг, Германия, 2016 г.; стр. 97–141. [ Академия Google ] [ CrossRef ]
  17. Стигтер, Тайвань; Рибейро, Л.; Дилл, AMMC Оценка внутреннего и специфического метода оценки уязвимости в сравнении с уровнями засоления грунтовых вод и уровнями загрязнения нитратами в двух сельскохозяйственных регионах на юге Португалии. Гидрогеол. Дж. 2006 , 14 , 79–99. [ Академия Google ] [ CrossRef ]
  18. Маргат, Дж. Vulnerabilite des Nappes d'eau Souterraine a la Pollution (Уязвимость подземных вод к загрязнению) ; Bureau de Recherches Géologiques et Minères (BRGM): Орлеан, Франция, 1968. [ Google Scholar ]
  19. Врба, Дж.; Запорозец А. Руководство по картированию уязвимости подземных вод ; Х. Хайзе: Ганновер, Германия, 1994. [ Google Scholar ]
  20. Национальный исследовательский совет. Оценка уязвимости подземных вод: прогнозирование относительного потенциала загрязнения в условиях неопределенности ; The National Academies Press: Вашингтон, округ Колумбия, США, 1993. [ Google Scholar ] [ CrossRef ]
  21. Бутчер, К.; Хуггенбергер, П. Моделирование временной изменчивости уязвимости карстовых подземных вод с последствиями для изменения климата. Окружающая среда. наук. Технол. 2009 , 43 , 1665–1669. [ Академия Google ] [ CrossRef ]
  22. Дерфлигер, Н.; Жаннен, П.-Ю.; Звален, Ф. Оценка уязвимости воды в карстовых средах: новый метод определения защитных зон с использованием многоатрибутного подхода и инструментов ГИС (метод EPIK) ; Springer: Берлин/Гейдельберг, Германия, 1999. [ Google Scholar ]
  23. Гогу, РЦ; Дассарг, А. Текущие тенденции и будущие проблемы в оценке уязвимости подземных вод с использованием методов наложения и индексов ; Springer: Berlin/Heidelberg, Germany, 2000. [ Google Scholar ]
  24. Андерсон, член парламента; Весснер, В.В. (ред.) Глава 1 – Введение. В прикладном моделировании подземных вод ; Академическое издательство: Сан-Диего, Калифорния, США, 2002 г.; стр. 1–11. [ Академия Google ] [ CrossRef ]
  25. Буфекан, А.; Сайги О. Применение методов наложения и индексирования уязвимости подземных вод на равнине Джиджель (Алжир). Подземные воды 2018 , 56 , 143–156. [ Академия Google ] [ CrossRef ]
  26. Масетти, М.; Стерлаккини, С.; Баллабио, К.; Сорикетта, А.; Поли, С. Влияние порогового значения при использовании статистических методов для оценки уязвимости подземных вод. наук. Тотальная среда. 2009 , 407 , 3836–3846. [ Академия Google ] [ CrossRef ] [ PubMed ]
  27. Хаан, Статистические методы КТ в гидрологии ; Издательство Университета штата Айова: Эймс, Айова, США, 1977. [ Google Scholar ]
  28. Соторникова Р.; Врба, Дж. Концепция карт уязвимостей. В материалах Международной конференции по уязвимости почвы и подземных вод к загрязнителям, Гаага, Нидерланды, 30 марта – 3 апреля 1987 г.; стр. 471–476. [ Академика Google ]
  29. Барбулеску, А. Оценка уязвимости подземных вод: КРАСТИЧНЫЕ и КРАСТИЧНЫЕ методы: обзор. Вода 2020 , 12 , 1356. [ Академика Google ] [ CrossRef ]
  30. Хагбин, М.; Шарафати, А.; Диксон, Б.; Кумар, В. Применение мягких вычислительных моделей для моделирования загрязнения нитратами подземных вод: комплексный обзор, оценка и будущие возможности. Арх. Вычислить. Методы англ. 2020 , 28 , 3569–3591. [ Академия Google ] [ CrossRef ]
  31. Либерати, А.; Альтман, Д.Г.; Тецлафф, Дж.; Малроу, К.; Гётше, ПК; Иоаннидис, JPA; Кларк, М.; Деверо, Пи Джей; Клейнен, Дж.; Мохер, Д. Заявление PRISMA о систематических обзорах и метаанализах исследований, оценивающих медицинские вмешательства: объяснение и разработка. Анна. Стажер. Мед. 2009 , 62 , Е1–Е34. [ Академия Google ] [ CrossRef ]
  32. Нан, З.; Бо, Л.; Чанглай, X. Пространственно-временные изменения загрязнения подземных вод с использованием IEA-UEF в городских районах города Цзилинь, северо-восточный Китай. Наука о воде. Технол. Водоснабжение 2016 , 16 , 1277–1286. [ Академия Google ] [ CrossRef ]
  33. Махмуд, К.; Уль-Хак, З.; Батул, ЮАР; Рана, AD; Тарик, С. Применение временной ГИС для отслеживания областей, вызывающих серьезную обеспокоенность в отношении загрязнения подземных вод. Окружающая среда. Earth Sci 2016 , 75 , 33. [ Google Scholar ] [ CrossRef ]
  34. Чатурведи, А.; Бхаттачарджи, С.; Сингх, АК; Кумар, В. Новый подход к индексированию загрязнения подземных вод тяжелыми металлами. Экол. Индик. 2018 , 87 , 323–331. [ Академия Google ] [ CrossRef ]
  35. Миси, А.; Гуминдога, В.; Хоко, З. Оценка потенциала и уязвимости подземных вод в водосборном бассейне Верхнего Маньяме в Зимбабве. Физ. хим. Земля 2018 , 105 , 72–83. [ Академия Google ] [ CrossRef ]
  36. Дуттагупта, С.; Мукерджи, А.; Дас, К.; Дутта, А.; Бхаттачарья, А.; Бхаттачарья, Дж. Оценка уязвимости подземных вод к загрязнению пестицидами в аллювиальном водоносном горизонте бассейна Западной Бенгалии, Индия, с использованием метода наложения и индекса. Геохимия 2020 , 80 , 125601. [ Google Scholar ] [ CrosRef ]
  37. Ву, Т.Д.; Ни, КФ; Ли, туалет; Труонг, М.Х. Модифицированный метод наложения индексов для оценки пространственно-временных изменений уязвимости подземных вод и риска загрязнения подземных вод в районах с различной сельскохозяйственной деятельностью. Вода 2019 , 11 , 2492. [ Академия Google ] [ CrossRef ]
  38. Нистор М.М. Уязвимость ресурсов подземных вод при изменении климата Паннонского бассейна. Гео-Спат. Инф. наук. 2019 , 22 , 345–358. [ Академия Google ] [ CrossRef ]
  39. Хайду, И.; Нистор, М.М. Оценка уязвимости подземных вод в регионе Гранд-Эст, Франция. Кват. Межд. 2020 , 547 , 86–100. [ Академия Google ] [ CrossRef ]
  40. Бахрами, М.; Зарей, Арканзас; Ростами, Ф. Временная и пространственная оценка загрязнения подземных вод нитратами с помощью индекса загрязнения нитратами (NPI) и ГИС (пример: равнина Фасаруд, южный Иран). Конв. Geochem Health 2020 , 42 , 3119–3130. [ Академия Google ] [ CrossRef ] [ PubMed ]
  41. Мендес, член парламента; Рибейру, Л. Картирование вероятности нитратов в аллювиальной системе северного водоносного горизонта реки Тежу (Португалия) с использованием дизъюнктивного кригинга. наук. Тотальная среда. 2010 , 408 , 1021–1034. [ Академия Google ] [ CrossRef ]
  42. Курунц, А.; Эршахин, С.; Сонмез, Северная Каролина; Каман, Х.; Уз, И.; Уз, BY; Аслан, Г.Е. Сезонные изменения пространственных изменений некоторых переменных качества подземных вод в большом орошаемом прибрежном средиземноморском регионе Турции. наук. Тотальная среда. 2016 , 554–555 , 53–63. [ Академия Google ] [ CrossRef ] [ PubMed ]
  43. Ди Гуардо, А.; Финицио, А. Подход мони-моделирования для управления риском выщелачивания пестицидов подземными водами в региональном масштабе. наук. Тотальная среда. 2016 , 545–546 , 200–209. [ Академия Google ] [ CrossRef ]
  44. Ди Гуардо, А.; Финицио, А. Клиент-серверное программное обеспечение для выявления уязвимости подземных вод к пестицидам на региональном уровне. наук. Тотальная среда. 2015 , 530–531 , 247–256. [ Академия Google ] [ CrossRef ]
  45. Чицазан, М.; Табари, MMR; Эйлбейги, М. Анализ временных и пространственных изменений содержания нитратов в грунтовых водах и развитие шлейфа их загрязнения: тематическое исследование в водоносном горизонте Карадж. Окружающая среда. Науки о Земле. 2017 , 76 , 391. [ Google Scholar ] [ CrossRef ]
  46. Нааз, А.; Кумар, Б.; Нараян, К.; Шукла, К.; Аншумали. Оценка загрязнения фторидами подземных вод аридных и полуаридных районов тоналит-тронджемитового ряда Центральной Индии. Экспо Здоровье 2015 , 7 , 545–556. [ Академия Google ] [ CrossRef ]
  47. Он, Х.; Цянь, Дж.; Лю, З.; Лу, Ю.; Ма, Л.; Чжао, В.; Канг, Б. Временно-пространственная эволюция загрязнения подземных вод азотом за семь лет в высокоурбанизированном городе на юге Китая. Бык. Окружающая среда. Контам. Токсикол. 2017 , 99 , 753–759. [ Академия Google ] [ CrossRef ] [ PubMed ]
  48. Ричардс, Г.; Гилмор, штат Техас; Миттельштет, Арканзас; Мессер, ТЛ; Сноу, Д.Д. Динамика нитратов в базовом стоке внутри водоразделов сельскохозяйственного ручья в Небраске, США. Сельское хозяйство. Экосист. Окружающая среда. 2021 , 308 , 107223. [ Академия Google ] [ CrossRef ]
  49. Арслан, Х.; Туран, Н.А.; Демир, Ю.; Гюнгор, А.; Цемек, Б. Оценка пространственных и сезонных изменений загрязнения подземных вод нитратами сельскохозяйственных земель с помощью обычных и индикаторных методов кригинга. Арх. Агрон. Почвоведение. 2017 , 63 , 907–917. [ Академия Google ] [ CrossRef ]
  50. Гош, М.; Пал, ДК; Сантра, С.К. Пространственное картирование и моделирование загрязнения подземных вод мышьяком и оценка риска с помощью метода геопространственной интерполяции. Окружающая среда. Дев. Поддерживать. 2020 , 22 , 2861–2880. [ Академия Google ] [ CrossRef ]
  51. Менхен, А.; Лас Эрас, JD; Алдай, Дж. Дж. Загрязнение пестицидами подземных вод в пилотном бассейне Европейского Союза на реке Хукар (ЮВ-Испания). Окружающая среда. Monit Assess 2017 , 189 , 146. [ Google Scholar ] [ CrossRef ]
  52. Чен, С.; Ву, В.; Ху, К.; Ли, В. Влияние изменений в землепользовании и ресурсах ирригационной воды на загрязнение нитратами неглубоких грунтовых вод в масштабе округа. Экол. Сложный. 2010 , 7 , 131–138. [ Академия Google ] [ CrossRef ]
  53. Бой-Рура, М.; Менсио, А.; Мас-Пла, Дж. Временной анализ данных родниковой воды для оценки поступления нитратов в грунтовые воды в сельскохозяйственных районах (Осона, северо-восток Испании). наук. Тотальная среда. 2013 , 452–453 , 433–445. [ Академия Google ] [ CrossRef ]
  54. Ли, К.; Чжан, Х.; Го, С.; Фу, К.; Ляо, Л.; Сюй, Ю.; Ченг, С. Распределение источников загрязнения подземных вод с использованием анализа главных компонентов на территории с разнообразным землепользованием на юго-западе Китая. Окружающая среда. наук. Загрязнение. Рез. 2020 , 27 , 9000–9011. [ Академия Google ] [ CrossRef ]
  55. Аззеллино, А.; Коломбо, Л.; Ломби, С.; Маркези, В.; Пиана, А.; Андреа, М.; Альберти, Л. Диффузное загрязнение подземных вод в функциональных городских районах: необходимость определения фоновых уровней антропогенного диффузного загрязнения. наук. Тотальная среда. 2019 , 656 , 1207–1222. [ Академия Google ] [ CrossRef ]
  56. Мастрочикко, М.; Ди Джузеппе, Д.; Винченци, Ф.; Коломбани, Н.; Кастальделли, Г. Происхождение и судьба хлората в неглубоких грунтовых водах под сельскохозяйственными ландшафтами. Окружающая среда. Загрязнение. 2017 , 231 , 1453–1462. [ Академия Google ] [ CrossRef ]
  57. Юнг, Х.В.; Юн, СТ; Ким, К.Х.; О, СС; Канг, К.Г. Роль непроницаемого слоя в контроле химического состава подземных вод в базальтовом водоносном горизонте под сельскохозяйственным полем, остров Чеджу, Южная Корея. Прил. Геохим. 2014 , 45 , 82–93. [ Академия Google ] [ CrossRef ]
  58. Мачивал, Д.; Джа, М.К. Выявление источников загрязнения подземных вод в системе водоносных горизонтов твердых пород с использованием многомерного статистического анализа и методов геостатистического моделирования на основе ГИС. Дж. Гидрол. Рег. Стад. 2015 , 4 , 80–110. [ Академия Google ] [ CrossRef ]
  59. Чаттерджи, А.; Сара, С.; Сридеви, П.Д.; Селлес, А.; Ахмед, С. Демаркация зон уязвимости фторида в гранитном водоносном горизонте, полузасушливый регион, Теленгана, Индия. Араб. Дж. Геоски. 2017 , 10 , 558. [ Google Scholar ] [ CrossRef ]
  60. Джампани, М.; Хюльсманн, С.; Лидл, Р.; Сонкамбл, С.; Ахмед, С.; Амерасингхе, П. Пространственно-временное распределение и химическая характеристика качества подземных вод орошаемой системы сточных вод: тематическое исследование. наук. Тотальная среда. 2018 , 636 , 1089–1098. [ Академия Google ] [ CrossRef ]
  61. Бро, Р. Учебное пособие по хемометрике и интеллектуальным лабораторным системам PARAFAC. Учебное пособие и приложения ; Elsevier BV: Амстердам, Нидерланды, 1997. [ Google Scholar ]
  62. Меллор, ФП; Сей, Э.Э. Использование обобщенных аддитивных смешанных моделей для оценки пространственного, временного и гидрологического контроля над бактериями и нитратами в уязвимом сельскохозяйственном водоносном горизонте. Дж. Контам. Гидрол. 2015 , 182 , 104–116. [ Академия Google ] [ CrossRef ] [ PubMed ]
  63. Вуд, С.Н. Обобщенные аддитивные модели: введение в R ; CRC Press: Бока-Ратон, Флорида, США, 2017. [ Google Scholar ]
  64. Ван, С.; Тан, К.; Песня, X.; Юань, Р.; Хан, З.; Пан, Ю. Факторы, способствующие загрязнению нитратами в зоне пополнения подземных вод Северо-Китайской равнины. Гидрол. Процесс. 2016 , 30 , 2271–2285. [ Академия Google ] [ CrossRef ]
  65. Цао, Ю.; Тан, К.; Песня, X.; Лю, К.; Чжан Ю. Время пребывания как ключ к комплексной оценке взаимосвязи между изменением землепользования и нитратами в региональных системах подземных вод. Окружающая среда. наук. Процесс. Воздействие 2013 , 15 , 876–885. [ Академия Google ] [ CrossRef ]
  66. Ван, С.; Тан, К.; Песня, X.; Ван, К.; Чжан, Ю.; Юань, Р. Влияние линейного резервуара сточных вод на пополнение подземных вод и геохимическую эволюцию в полузасушливой зоне водораздела озера Байяндянь, Северо-Китайская равнина. наук. Тотальная среда. 2014 , 482–483 , 325–335. [ Академия Google ] [ CrossRef ]
  67. Чжан, В.; Ченг, Дж. Х.; Сиань, QS; Кюи, Дж. Ф.; Тан, XY; Ван, Г.С. Динамика и источники коллоидов в неглубоких грунтовых водах в низинных колодцах и гидроразрывном потоке на наклонных сельскохозяйственных угодьях. Вода Рес. 2019 , 156 , 252–263. [ Академия Google ] [ CrossRef ]
  68. Маклин, Мичиган; Эверс, Л.; Боуман, AW; Бонте, М.; Джонс, У.Р. Статистическое моделирование данных мониторинга загрязнения подземных вод: сравнение пространственных и пространственно-временных методов. наук. Тотальная среда. 2019 , 652 , 1339–1346. [ Академия Google ] [ CrossRef ] [ PubMed ]
  69. Шривастава, Д.; Сингх, Р.М. Характеристика кривых прорыва и идентификация неизвестного источника загрязнения в системе подземных вод с использованием искусственной нейронной сети (ИНС). Окружающая среда. Судмедэкспертиза 2014 , 15 , 175–189. [ Академия Google ] [ CrossRef ]
  70. Пан, З.; Лу, В.; Чанг, З.; Ван, Х. Одновременная идентификация пространственно-временных характеристик источника загрязнения подземных вод и гидравлических параметров на основе гибридного эвристического алгоритма нейронной сети с глубокой регуляризацией. Дж. Гидрол. 2021 , 600 , 126586. [ Академика Google ] [ CrossRef ]
  71. Хуан, Х.; Ли, Х.; Чжоу, Дж.; Лю, В.; Ли, Дж.; Лю, Б.; Си, Б.; Цзян, Ю. Раннее предупреждение о загрязнении подземных вод на основе модели QTR для регионального управления рисками: тематическое исследование в городе Лоян, Китай. Окружающая среда. Загрязнение. 2020 , 259 , 113900. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  72. Чаудхури, С.; Але, С. Оценка долгосрочного (1960–2010 гг.) загрязнения подземных вод фторидами в Техасе. Дж. Энвайрон. Квал. 2014 , 43 , 1404–1416. [ Академия Google ] [ CrossRef ]
  73. Моран, П.П. Заметки о непрерывных стохастических явлениях. Биометрика 1950 , 37 , 17–23. [ Академия Google ] [ CrossRef ]
  74. Чаудхури, С.; Але, С.; ДеЛон, П.; Раджан, Н. Пространственно-временная изменчивость концентрации нитратов в грунтовых водах в Техасе: с 1960 по 2010 годы. J. Environ. Qual 2012 , 41 , 1806–1817 гг. [ Академия Google ] [ CrossRef ] [ PubMed ]
  75. Баши-Азгади, С.Н.; Керакян, Р.; Базарган-Лари, MR; Никоо, М.Р. Идентификация источников загрязнения в системах подземных вод: применение теории сожаления и байесовских сетей. Иран. Дж. Наук. Технол. — Пер. Гражданский. англ. 2016 , 40 , 241–249. [ Академия Google ] [ CrossRef ]
  76. Стамп, К.; Журек, AJ; Вахнев, П.; Гарджини, А.; Гемици, А.; Филиппини, М.; Витчак, С. Инструмент дерева решений, поддерживающий оценку уязвимости подземных вод. Окружающая среда. Науки о Земле. 2016 , 75 , 1057. [ Google Scholar ] [ CrossRef ]
  77. Феррейра, Д.; Алмейда, Дж.; Саймс, М.; ПресМартин, М. Сельскохозяйственная практика и геостатистическая оценка загрязнения нитратами подземных вод в районе бассейна реки Хукар, Испания. Эмир. Дж. Продовольственное сельское хозяйство. 2016 , 28 , 415. [ Google Scholar ] [ CrossRef ]
  78. Перес-Мартин, М.А. Распределенная имитационная модель гидрологического цикла и качества воды, интегрированная в географические информационные системы для крупных бассейнов. Вклад в анализ давления и последствий Рамочной директивы по воде ; Модель Distribuido de Simulac; Политехнический университет Валенсии: Валенсия, Испания, 2005 г. [ Google Scholar ]
  79. Ким, Х.; Сандерсен, ПБ; Якобсен, Р.; Каллесё, AJ; Клаас, Н.; Блихер-Матисен, Г.; Фогед, Н.; Ааманд, Дж.; Хансен, Б. Трехмерная гидрогеохимическая модель переноса и судьбы нитратов в водосборе ледниковых отложений: первый шаг к цифровой модели. наук. Тотальная среда. 2021 , 776 , 146041. [ Академика Google ] [ CrossRef ]
  80. Мишель эль Макдональд, Дж.; Харбо, А.В. Методы исследования водных ресурсов Объединенной геологической службы, Modu Finite-Diffe ; Публикации Геологической службы США: Денвер, Колорадо, США, 1988 г.
  81. Веллман, Т.П.; Кауфман, Л.; Кларк, Б. Зональная оценка внутренней восприимчивости избранных основных водоносных горизонтов Соединенных Штатов. Дж. Гидрол. 2012 , 440–441 , 36–51. [ Академия Google ] [ CrossRef ]
  82. Чжан, Х.; Ян, Р.; Ван, Ю.; Йе, Р. Оценка и прогноз загрязнения нитратами грунтовых вод на равнине Чэнду, юго-запад Китая, связанного с сельским хозяйством. Гидрогеол. Дж. 2019 , 27 , 785–799. [ Академия Google ] [ CrossRef ]
  83. Ян, Л.; Чжэн, К.; Эндрюс, CB; Ван, К. Применение структуры регионального транспортного моделирования для управления нитратным загрязнением подземных вод. Подземные воды 2021 , 59 , 292–307. [ Академия Google ] [ CrossRef ]
  84. Шаффер, MJ; Халворсон, А.Д. Пакет выщелачивания нитратов и экономического анализа (NLEAP): Глава 13, описание и применение модели ; Американское общество почвоведения: Мэдисон, Висконсин, США, 1991. [ Google Scholar ]
  85. Ли, З.; Вэнь, X.; Ху, К.; Ли, Х.; Ли, С.; Чжан, X.; Ху, Б. Региональное моделирование потенциала выщелачивания нитратов из пахотных земель севооборота озимой пшеницы и яровой кукурузы на Северо-Китайской равнине с использованием модели NLEAP-GIS. Сельское хозяйство. Экосист. Окружающая среда. 2020 , 294 , 106861. [ Академика Google ] [ CrossRef ]
  86. Куракос, Г.; Кляйн, Ф.; Кортис, А.; Хартер, Т. Система моделирования загрязнения из неточечных источников подземных вод для оценки долгосрочной динамики вероятностей превышения содержания загрязняющих веществ в колодцах и других местах сброса. Водный ресурс. Рез. 2012 , 48 . [ Академия Google ] [ CrossRef ]
  87. Банчери, М.; Коппола, А.; Базиль А. Новая модель передаточной функции для оценки времени перемещения растворенных веществ без точечных источников. Дж. Гидрол. 2021 , 598 , 126157. [ Академика Google ] [ CrossRef ]
  88. Ахаван, С.; Абеди-Купай, Дж.; Мусави, Сан-Франциско; Афьюни, М.; Эсламян, СС; Аббаспур, К.К. Применение модели SWAT для исследования выщелачивания нитратов в водоразделе Хамадан-Бахар, Иран. Сельское хозяйство. Экосист. Окружающая среда. 2010 , 139 , 675–688. [ Академия Google ] [ CrossRef ]
  89. Као, Ю.Х.; Лю, CW; Джанг, CS; Зан, Юго-Запад; Лин, К.Х. Оценка загрязнения азотом грунтовых вод на рисовых и горных полях. Пэдди-Уотер-Эквайронвайр. 2011 , 9 , 301–307. [ Академия Google ] [ CrossRef ]
  90. Паркхерст, Л.; Аппело, Руководство пользователя CAJ по Phreeqc (Версия 2) — компьютерной программе для видообразования, пакетного реагирования, одномерного переноса и обратных геохимических расчетов. Водный ресурс. Расследование. Rep. 1999 , 99 , 312. [ Google Scholar ]
  91. Лин, Дж. Х.; Ричардс, доктор медицинских наук; Ага, РГ-Т.; Ченг, младший; Ченг, Х.-П.; Джонс, Н.Л. FEMWATER: Трехмерная компьютерная модель конечных элементов для моделирования зависящего от плотности потока и транспорта в средах с переменной насыщенностью ; Экспериментальная станция инженера водных путей армии США: Виксбург, Массачусетс, США, 1997 г.
  92. Ллопис-Альберт, К.; Паласиос-Маркес, Д.; Мериго, Дж. М. Связанная стохастическая система обратного управления для борьбы с неточечным сельскохозяйственным загрязнением в условиях неопределенности параметров подземных вод. Дж. Гидрол. 2014 , 511 , 10–16. [ Академия Google ] [ CrossRef ]
  93. Пенья-Аро, С.; Пулидо-Веласкес, М.; Саукильо, А. Основа гидроэкономического моделирования для оптимального управления загрязнением подземных вод нитратами в результате сельского хозяйства. Дж. Гидрол. 2009 , 373 , 193–203. [ Академия Google ] [ CrossRef ]
  94. Чжан, З.; Чен, X.; Ченг, К.; Ли, С.; Юэ, Ф.; Пэн, Т.; Уолдрон, С.; Оливер, DM; Соулсби, К. Совместное гидрологическое и биогеохимическое моделирование переноса азота в карстовой критической зоне. наук. Тотальная среда. 2020 , 732 , 138902. [ Академика Google ] [ CrossRef ]
  95. Бейли, RT; Гейтс, ТК; Ахмади, М. Моделирование реактивного переноса селена в сочетании с азотом в орошаемой системе подземных вод регионального масштаба. Дж. Гидрол. 2014 , 515 , 29–46. [ Академия Google ] [ CrossRef ]
  96. Датта, Б.; Чакрабарти, Д.; Дхар, А. Идентификация неизвестных источников загрязнения подземных вод с использованием классической оптимизации со связанным моделированием. Дж. Гидро-Энвайрон. Рез. 2011 , 5 , 25–36. [ Академия Google ] [ CrossRef ]
  97. Восс, CI; Флорида, TAFB Имитационная модель конечных элементов для потока насыщенных и ненасыщенных, зависящих от плотности жидкости потоков подземных вод с переносом энергии или переносом химически активных однокомпонентных растворенных веществ. Водный ресурс. Расследование. Rep. 1984 , 84 , 4369. [ Google Scholar ]
  98. Веселинов В.В.; Александров, Б.С.; О'Мэлли, Д. Идентификация источника загрязнения с использованием полуконтролируемого машинного обучения. Дж. Контам Гидрол. 2018 , 212 , 134–142. [ Академия Google ] [ CrossRef ]
  99. Белушрани, А.; Абед-Мераим, К.; Кардосо, Ж.-Ф.; Мулен, Э. Метод слепого разделения источников с использованием статистики второго порядка. IEEE Транс. Сигнальный процесс. 1997 , 45 , 434–444. [ Академия Google ] [ CrossRef ]
  100. Ли, Д.; Сын, Х.С. Изучение частей объектов путем факторизации неотрицательной матрицы. Летт. Нат. 1999 , 401 , 788–791. [ Академия Google ] [ CrossRef ]
  101. Александров С.; Веселинов В.В. Слепое разделение источников для анализа давления подземных вод на основе неотрицательной матричной факторизации. Водный ресурс. Рез. 2014 , 50 , 7332–7347. [ Академия Google ] [ CrossRef ]
  102. Боттрелл, Ш.; Форд, Д.; Уильямс, П. Карстовая геоморфология и гидрология ; John Wiley & Sons: Хобокен, Нью-Джерси, США, 1991 г.; Том 157. [ Google Scholar ] [ CrossRef ]
  103. Альбукерке, штат Мэриленд; Санс, Г.; Оливейра, Сан-Франциско; Мартинес-Алегрия, Р.; Антунес, IMHR Пространственно-временная оценка уязвимости подземных вод — совмещенный подход дистанционного зондирования и ГИС для реконструкции исторического земного покрова. Водный ресурс. Менеджер. 2013 , 27 , 4509–4526. [ Академия Google ] [ CrossRef ]
  104. Элиас, Д.; Ангелики, М.; Василики, М.; Мария, Т.; Кристина З. Геопространственные исследования загрязнения и качества воды подземных вод, подтвержденные спутниковыми данными: пример реки Эврос (Восточное Средиземноморье). Чистое приложение. Геофиз. 2012 , 171 , 977–995. [ Академия Google ] [ CrossRef ]
  105. Виас, М.; Андрео, Б.; Перлз, MJ; Карраско, Ф.; Вадилло, И.; Хименес, П. Предлагаемый метод картирования уязвимости подземных вод в карбонатных (карстовых) водоносных горизонтах: метод COP. Гидрогеол. Дж. 2006 , 14 , 912–925. [ Академия Google ] [ CrossRef ]
  106. Тюрпо, П.; Зини, Л.; Равбар, Н.; Куччи, Ф.; Петрич, М.; Урбанк, Дж. Разработка протокола зонирования карстовых источников воды: применение к классическому карстовому региону (северо-восток Италии и юго-запад Словении). Водный ресурс. Менеджер. 2018 , 32 , 1953–1968. [ Академия Google ] [ CrossRef ]
  107. Живанович, В.; Жемцов И.; Драгишич, В.; Атанакович, Н.; Магазинович, С. Защита карстовых источников подземных вод на основе модели оценки уязвимости, зависящей от времени: тематическое исследование источников Црница, Восточная Сербия. Окружающая среда. Науки о Земле. 2016 , 75 , 1224. [ Google Scholar ] [ CrossRef ]
  108. Живанович, В.; Атанакович, Н.; Стоядинович, С. Оценка уязвимости как основа для разграничения санитарных зон карстовых источников подземных вод – практический пример источника Бледерия. Вода 2021 , 13 , 2775. [ Google Scholar ] [ CrossRef ]
  109. Дедевану, М.; Бине, С.; Руэ, Ж.Л.; Коке, Ю.; Брюанд, А.; Ноэль, Х. Уязвимость подземных вод и картирование рисков на основе распределения времени пребывания: пространственный анализ для оценки сосредоточенных параметров. Водный ресурс. Менеджер. 2015 , 29 , 5489–5504. [ Академия Google ] [ CrossRef ]
  110. Хакун, В.; Орбан, П.; Дассарг, А.; Бруйер, С. Факторы, контролирующие пространственные и временные закономерности содержания множества пестицидных соединений в подземных водах (меловой водоносный горизонт Эсбай, Бельгия). Окружающая среда. Загрязнение. 2017 , 223 , 185–199. [ Академия Google ] [ CrossRef ]
  111. Ромшу, ЮАР; Дар, РА; Муртаза, КО; Рашид И.; Дар, Ф.А. Гидрохимическая характеристика и оценка загрязнения подземных вод в Джамму Сиваликсе, Индия. Окружающая среда. Монит. Оценивать. 2017 , 189 , 122. [ Google Scholar ] [ CrossRef ]
  112. Торрес, Нью-Йорк; Ю, Х.; Падилья, И.Ю.; Маккиавелли, RE; Гасемизаде, Р.; Каэли, Д.; Кордеро, Дж. Ф.; Микер, доктор медицинских наук; Альшавабке, А.Н. Влияние гидрогеологических и антропогенных переменных на загрязнение фталатами в эогенетически-карстовых системах подземных вод. Окружающая среда. Загрязнение. 2018 , 237 , 298–307. [ Академия Google ] [ CrossRef ] [ PubMed ]
  113. Ю, Х.; Гасемизаде, Р.; Падилья, И.; Иризарри, К.; Каэли, Д.; Альшавабке, А. Пространственно-временные изменения концентрации CVOC в карстовых водоносных горизонтах: анализ данных за три десятилетия из Пуэрто-Рико. наук. Тотальная среда. 2015 , 511 , 1–10. [ Академия Google ] [ CrossRef ] [ PubMed ]
  114. Бутчер, К.; Хаггенбергер, П. Влияние на гидрологию карста трехмерного геологического моделирования с использованием градиентного подхода основания водоносного горизонта. Дж. Гидрол. 2007 , 342 , 184–198. [ Академия Google ] [ CrossRef ]
  115. Эптинг, Дж.; Пейдж, РМ; Окенталер, А.; Хаггенбергер, П. Мониторинг и моделирование карстовых источников на основе процессов — связь между внутренней и конкретной уязвимостью. наук. Тотальная среда. 2018 , 625 , 403–415. [ Академия Google ] [ CrossRef ] [ PubMed ]
  116. Ли, К.; Ци, Дж.; Син, З.; Ли, С.; Цзян, Ю.; Даниэлеску, С.; Чжу, Х.; Вэй, X.; Мэн, Ф.-Р. Подход к оценке воздействия землепользования и биофизических условий ландшафта на скорость пополнения и азотную нагрузку подземных вод. Сельское хозяйство. Экосист. Окружающая среда. 2014 , 196 , 114–124. [ Академия Google ] [ CrossRef ]
  117. Кавури, П.; Карацас, врач общей практики; Плань, В. Пара моделей южной воды и методология картографии уязвимых мест для работы с карстическими ландшафтами. Гидрогеол. Дж. 2017 , 25 , 1301–1317. [ Академия Google ] [ CrossRef ]
  118. Дирш, Х.-Й.Г. Теплоперенос в пористых средах. В FEFLOW ; Springer: Берлин/Гейдельберг, Германия, 2014 г.; стр. 673–709. [ Академия Google ] [ CrossRef ]
  119. Бине, С.; Жуано, Э.; Пауэлс, Х.; Альберик, П.; Флехок, К.; Брюанд, А. Водообмен, смешивание и временное хранение между насыщенным карстовым каналом и окружающим водоносным горизонтом: моделирование потока подземных вод и вклады стабильных изотопов воды. Дж. Гидрол. 2017 , 544 , 278–289. [ Академия Google ] [ CrossRef ]
  120. Сурдык, Н.; Гутьеррес, А.; Баран, Н.; Тьери, Д. Сосредоточенная модель для моделирования изменения концентрации нитратов в подземных водах в масштабе водосбора. Дж. Гидрол. 2021 , 596 , 125696. [ Академика Google ] [ CrossRef ]
  121. Тьери, Д.; Сеген, Ж.-Ж. Глобальное моделирование переноса нитратов в гидрогеологическом бассейне для предыдущего этапа L'évolution Des Concentrations в Les Eaux Souterraines Описание Du Modele BICHE Trois Exemples D'application ; Bureau De Recherches Géologiques Et Minières Service Géologique National Département Eau: Орлеан, Франция, 1985.