Yeraltısuyu ve Yüzey Sularının Nitrat Kirliliği Tahmini: Kütahya Örneği

Bu çalışma, Kütahya ili sınırlarında bulunan yeraltı ve yüzeysel sularındaki nitrat düzeylerini yapay sinir ağları yaklaşımı ile belirlemek amacıyla yapılmıştır. Çalışmada incelenen yeraltı ve yüzeysel su numunelerindeki nitrat düzeyleri ve ortalama değerleri sırasıyla; 0.01190.63 mg l-1, 0.01-10.20 mg l-1, 16.09 mg l-1, 2.51 mg l-1 olarak belirlenmiştir. Bu çalışma, Avrupa Birliği tarafından uygulanan Nitrat Direktifi kapsamında, Kütahya İl Tarım Müdürlüğü’nün 2012 ve 2013 yıllarına ait yeraltı 23 istasyon ve yüzey 10 istasyon suları ölçümleri kullanılarak yapılmıştır. Kütahya iline ait yeraltı ve yüzeysel sularındaki nitrat seviyelerinin İnsani Tüketim Amaçlı Sular Hakkında Yönetmeliğine uygun olduğu tespit edilmiştir. Ancak nitrat verilerindeki bazı değerlerin ulusal ve uluslararası limit değerlerinden yüksek olduğu gözlenmiştir. Bu çalışma, gelecek yıllardaki nitrat düzeylerinin daha uzun süreli olarak takibinin geleneksel yöntemin yanında yapay sinir ağları yaklaşımı ile de değerlendirilmek suretiyle tahmin edilmesi ve bu konuda gerekli tedbirlerin alınması açısından önemlidir

Forecasting the Nitrate Pollution of Groundwater and Surface Waters: Kütahya Example

Bu çalışma, Kütahya ili sınırlarında bulunan yeraltı ve yüzeysel sularındaki nitrat düzeylerini yapay sinir ağları yaklaşımı ile belirlemek amacıyla yapılmıştır. Çalışmada incelenen yeraltı ve yüzeysel su numunelerindeki nitrat düzeyleri ve ortalama değerleri sırasıyla; 0.01-190.63 mg l-1, 0.01-10.20 mg l-1, 16.09 mg l-1, 2.51 mg l-1 olarak belirlenmiştir. Bu çalışma, Avrupa Birliği tarafından uygulanan Nitrat Direktifi kapsamında, Kütahya İl Tarım Müdürlüğü’nün 2012 ve 2013 yıllarına ait yeraltı 23 istasyon ve yüzey 10 istasyon suları ölçümleri kullanılarak yapılmıştır. Kütahya iline ait yeraltı ve yüzeysel sularındaki nitrat seviyelerinin İnsani Tüketim Amaçlı Sular Hakkında Yönetmeliğine uygun olduğu tespit edilmiştir. Ancak nitrat verilerindeki bazı değerlerin ulusal ve uluslararası limit değerlerinden yüksek olduğu gözlenmiştir. Bu çalışma, gelecek yıllardaki nitrat düzeylerinin daha uzun süreli olarak takibinin geleneksel yöntemin yanında yapay sinir ağları yaklaşımı ile de değerlendirilmek suretiyle tahmin edilmesi ve bu konuda gerekli tedbirlerin alınması açısından önemlidir.

___

  • Alemdar, S., Kahraman, T., Agaoğlu, S., Alişarlı, A. 2009. Nitrate and nitrite levels of drinking water in Bitlis province, Turkey. J Anim Vet Adv. 8(10):1886-92.
  • Almasri, MN., Kaluarachchi, JJ. 2005. Modular neural networks to predict the nitrate distribution in ground water using the on-ground nitrogen loading and recharge data. Environ. Model. Software. 20:851-871.
  • Baykan, AR. 2004. Türkiye çevre atlası. TC Çevre ve Orman Bakanlığı ÇED ve Planlama Genel Müdürlüğü Çevre Envanteri Dairesi Başkanlığı, Ankara. s. 472.
  • Bulut, C., Atay, R., Uysal, K., Esengül, K. 2012. Evaluation of surface water quality in Çivril Lake. Anadolu Univ. J. Sci. Tech.- C Life App. Sci. Biotech.2(1):1-8.
  • Büyük, G., Akça, E., Kume, T., Nagano, T. 2016. Investigation of Nitrate Pollution in Groundwater Used for Irrigation in Konya Karapinar Region, Central Anatolia. KSU J. Natural Sci. 19(2):168-173.
  • Çevre ve Şehircilik Bakanlığı. 2014. Kütahya İl Çevre Durum Raporu. http://www.csb.gov.tr. (Erişim tarihi: 05 Ocak, 2017). s. 184.
  • Dash, M., Liu, H. 1997. Feature selection for classification. Intelligent Data Analysis. An Int. J. 1(3):131–156.
  • Durmaz, H., Ardıç, M., Aygün, O., Genli, N. 2007. Şanlıurfa ve yöresindeki kuyu sularında nitrat ve nitrit düzeyleri, Van Vet J. 18(1):51-54.
  • Ecetoc 1988. Nitrate and drinking water. Brussels, European Centre for Ecotoxicology and Toxicology of Chemicals (Technical Report No. 27). s. 31.
  • Ertaş, N., Gönülalan, Z., Yıldırım, Y., Serhat, AL., Karadal, F. 2013. Kayseri Bölgesi Kuyu Sularındaki Nitrat ve Nitrit Düzeyleri. J.Fac.Vet.Med.İstanbul Univ. 10(1):15-19.
  • Ertunç, HM. 2006. Prediction of the Pool Boiling Critical Heat Flux Using Artificial Neural Network, IEEE T Compon Pack T. 29(4): 770-777.
  • Farshad, AA., Imandel, K. 2002. An assessment of ground-water nitrate and nitrite levels in the industrial sites in the west of Tehran. J School Public Health Inst Public Health Res. 1: 33–44.
  • Filibeli, A. 1999. İçmesuyu koruma havzalarının kirlenmeye karşı korunması. Su Kirlenmesi Kontrolü Derg. 9(2): 5-8.
  • Gallant, SI. 1993. Neural network learning and expert systems. Cambridge, MA: MIT Press. s. 382.
  • İleri, S., Karaer, F., Katip, A., Onur, SS., Aksoy, E. 2014. Assessment of some pollution parameters with geographic information system (GIS) in sediment samples of Lake Uluabat, Turkey. J Biol. Env. Sci. 8(22):19-28.
  • Touretzky, DS., Pomerleau, DA. 1989. What’s hidden in the hidden layers. Byte, August, 227-233.
  • Tuncay, H., 1994. Su Kalitesi. E.Ü. Zir.Fak. Yayınları No: 512. Ofset Basımevi Bornova, İzmir. s. 215.
  • Türk Standartlar Enstitüsü 2005. TS 266, Water intended for human consumption. Turkish Standards Institution. s. 20.
  • Venkatachalam, AR. 1993. Software cost estimation using artificial neural networks. InNeural Networks, 1993. IJCNN’93-Nagoya. Proceedings of 1993 International Joint Conference on 1993 Oct 25, IEEE, 1: 987-990.
  • WHO Raporu 1985. Health hazards from nitrate in drinking- water. Report on a WHO meeting, Copenhagen, 5–9 March 1984. Copenhagen, WHO Regional Office for Europe (Environmental Health Series No. 1). s. 215.
  • WISE 2016. Water Note 3. Groundwater at Risk: Managing the water under us. http://ec.europa.eu/environment/ water/participation/pdf/waternotes/water_note3_ groundwateratrisk.pdf. (Erişim tarihi: 05 Ocak, 2017). s. 2.
  • Yesilnacar, MI., Sahinkaya, E., Naz, M., Ozkaya, B. 2008. Neural network prediction of nitrate in groundwater of Harran Plain, Turkey. Environ. Geol. 56(1): 19-25.
  • Zhang, G., Patuwo, BE., Hu, MY. 1998. Forecasting with Artificial Neural Networks: The State of The Art, Int J Forecast. 14(1): 35-62.
  • agricultural use in Chithar River Basin, Tamil Nadu, India, Environ. Geol. 47: 1099–1110.