| Titre : | Modeling the impact of irrigation water quality on soil salinization in an arid region : case of Biskra |
| Auteurs : | Samir Boudibi, Auteur ; Bachir Sakaa, Directeur de thèse |
| Support: | Thése doctorat |
| Editeur : | Biskra [Algerie] : Université Mohamed Khider, 2021 |
| Langues: | Anglais |
| Mots-clés: | Plaine d’El Outaya, qualité des eaux souterraines, salinisation des sols, réseau neuronal artificiel, géostatistique, télédétection. El Outaya plain, Groundwater quality, soil salinization, artificial neural network, geostatistic, remote sensing. |
| Résumé : |
Dans la plaine d'El Outaya (sud-est de l'Algérie), le climat est aride, les précipitations sont rares et l'évapotranspiration est forte. Par conséquent, l'utilisation des eaux souterraines pour maintenir l'irrigation et l'approvisionnement en eau potable est obligatoire. Au cours des dernières années, l'expansion de l'irrigation utilisant les ressources en eau souterraine a eu un impact positif important sur la production agricole, mais elle a également introduit le défi de la durabilité des eaux souterraines dans la plaine. La détérioration de la qualité des eaux souterraines utilisées pour l'irrigation diminue les rendements agricoles et provoque la salinisation des sols. Afin d'évaluer la qualité des eaux souterraines et son impact sur la salinisation des sols, il a été nécessaire de recueillir des données sur le terrain et des images satellites (télédétection) sur deux saisons (saison sèche et saison humide). Les données de terrain consistent en 136 échantillons d'eaux souterraines et 272 échantillons de sol (0-20 cm et 40-60 cm) recueillis auprès de 68 exploitations agricoles réparties sur la zone cultivée de la plaine. Les données de télédétection consistent en deux images satellites utilisées pour calculer certaines covariables environnementales, qui aident à prédire la salinité du sol. L'évaluation hydrogéochimique des eaux souterraines et de leur aptitude à l'irrigation et à la consommation a été réalisée en utilisant différentes méthodes classiques et l'approche de l'indice de qualité de l'eau. Des réseaux neuronaux artificiels, l'apprentissage de la machine et des techniques stochastiques ont permis de prédire et de modéliser la salinité des sols en utilisant comme intrants les propriétés géochimiques des eaux souterraines, les propriétés physiques des sols et les covariables de télédétection. L'indice de qualité de l'eau (IQE) montre que la majorité des échantillons d'eaux souterraines appartiennent aux catégories "très mauvaise" et "mauvaise" à la consommation. La CE et le taux d'adsorption du sodium (SAR) classés à l'aide du diagramme de Reverside indiquent un risque élevé à très élevé de salinité des eaux souterraines et un risque moyen a élevé d'alcalinité pour la salinisation des sols. La qualité des eaux souterraines a été évaluée avec précision à l'aide du système d'information géographique (SIG) et de la méthode du krigeage ordinaire (OK), qui peut être utile aux gestionnaires des eaux souterraines et aux décideurs dans les zones arides. ii Les différentes techniques utilisées pour la modélisation et la prévision de la salinisation des sols montrent la supériorité du réseau neuronal perceptron multicouche (MLP-NN) dans la précision de l'estimation de la salinité des sols. En outre, la combinaison de la salinité des eaux souterraines (ECw) et du pourcentage de sable des covariables de terrain et de l'indice d'humidité topographique (TWI), de la température de la surface des terres (LST) et de l'altitude en tant que entrées du MLP-NN et des variables auxiliaires du cokrigeage (SCOK) peut estimer et améliorer la prévision de la salinité des sols dans la zone d'étude.
In El Outaya plain (southeastern Algeria), the climate is arid, the rainfall is scarce, and the evapotranspiration is high. Consequently, the use of groundwater is mandatory to maintain the irrigation and drinking water supply. During the last few years, the expansion of irrigation using groundwater resources has had an important positive impact on agricultural production but it has also introduced the challenge of groundwater sustainability in the plain. The deterioration of groundwater quality used for irrigation decreases the agricultural yields and causes soil salinization. In order to evaluate the groundwater quality and its impact on soil salinization it was necessary to gather data from the field and the satellite images (Remote Sensing) over two seasons (dry and wet seasons). The field data consist in 136 groundwater and 272 soil samples (top soil and sub soil) collected from 68 farms spread over the plain's cultivated area. The remote sensing data consist of two satellite images used to calculate some environmental covariables, which help to predict soil salinity. Hydrogeochemical evaluation of groundwater and its suitability for irrigation and drinking purposes was carried out using different classical methods and water quality index approach. Artificial neural networks, machine learning and stochastic techniques performed the prediction and modeling of soil salinity using groundwater’s geochemical properties, physical soil properties and remote sensing covariates as inputs. Water quality index (WQI) depicts that the majority of groundwater samples fall within the “very poor” and “unsuitable” classes for drinking categories. Electrical conductivity (EC) and sodium adsorption ratio (SAR) are classified using Reverside diagram, which points out a high to very high risk of groundwater salinity and medium to high risk of alkalinity for soil salinization. The groundwater quality was accurately assessed using geographic information system (GIS) and ordinary kriging (OK) method, which can be helpful for groundwater managers and decision makers in arid areas. The different techniques used for modeling and predicting soil salinization show the superiority of multilayer perceptron neural network (MLP-NN) in the accuracy of estimating soil salinity. In addition, the combination of groundwater salinity (ECw) and sand percentage from the field covariates and topographic wetness index (TWI), land surface temperature (LST) and elevation as inputs to MLP-NN and auxiliary variables to cokriging (SCOK) can estimate and improve the prediction of soil salinity in the study area. |
Exemplaires (2)
| Cote | Support | Localisation | Disponibilité | Emplacement |
|---|---|---|---|---|
| TH/2559 | Thèse doctorat | Bibliothèque centrale El Allia | Exclu du prêt | Salle de consultation |
| TH/2559 | Thèse doctorat | Bibliothèque centrale El Allia | Exclu du prêt | Salle de consultation |
Consulter en ligne (1)
 Consulter en ligne URL |
