Etude hydro-chimique et modélisation de la qualité des eaux souterraines (Cas de la Wilaya d’ILLIZI)

Abstract

For the aim of evaluating the physical and chemical groundwater quality of six layers (the Lower Devonian, Mio Pliocene, Infero Flux, Cambro Ordovician, Albian, and Zaraitine in Illizi, and to identify the sources of its chemical composition and detect the suitability for drinking and irrigation purposes, 44 samples were collected during two years 2018-2019 to measure pH, T°, Electrical Conductivity (EC) and Total Dissolved Salts (TDS), major elements concentrations were analyzed in the laboratory. The suitability of groundwater for irrigation and other uses was assessed by determining the sodium adsorption ratio (SAR), SolubleSodium Percentage (SSP), Permeability Index (PI), Kelly Index (KI), and Total Hardness (TH) of water samples. The spatial distribution of key parameters was assessed using a GIS-based spatial gridding technique. This analysis indicated that the Zaraitine groundwaters used to have the worst chemical quality, while the Infero Flux, Cambro Ordovician and Albian groundwaters have suitable water for drinking. Based on Sodium Absorption Ratio (SAR), Solubility Sodium Percent (SSP), Kelly Index (KI), Permeability Index (PI), Residual Sodium Carbonate content (RSC), and Magnesium Hazard (MH). we find that the Lower Devonian, the Infero Flux, and Cambro Ordovician have suitable water for irrigation, on the other hand, all of Mio-Pliocene, Albian, and Zaraitine consider as unsuitable for agriculture practice. Groundwater quality appraisal is one of the most crucial tasks to ensure safe drinking water sources. Conventionally, WQI computation consumes time and is often found with various errors during sub-indices calculation. To this end, 8 artificial intelligence algorithms e.g., multi linear regression (MLR), random forest (RF), M5P tree (M5P), random subspace (RSS), additive regression (AR), artificial neural network (ANN), support vector regression (SVR), and locally weighted linear regression (LWLR) were employed to generate WQI prediction in Illizi region, southeast Algeria. Using the best sub-set regression, 12 different input combinations were developed, and the strategy of work was based on two scenarios. The first scenario aims to reduce the time consumption in WQI computation, where all parameters were used as inputs. The second scenario intends to show the water quality variation in the critical cases when the necessary analyses are unavailable, whereas all inputs were reduced based on sensitivity analysis. The models were appraised using several statistical metrics including correlation coefficient (R), mean absolute error (MAE), root mean square error (RMSE), relative absolute error (RAE), and root relative square error (RRSE). The results reveal that TDS and TH are the key drivers influencing WQI in the study area. The comparison of performance evaluation metric shows that the MLR model has the higher accuracy compared to other models in the first scenario in terms of 1, 1.4572×10 -08 , 2.1418×10 -08 , 1.2573×10 -10 % and 3.1708×10 -08 % for R, MAE, RMSE, RAE and RRSE, respectively. The second scenario was executed with less error rate by using the RF model with 0.9984, 1.9942, 3.2488, 4.693, and 5.9642 for R, MAE, RMSE, RAE, and RRSE, respectively.

Dans le but d'évaluer la qualité physique et chimique des eaux souterraines de six couches (Dévonien inférieur, Mio Pliocène, Infero Flux, Cambro Ordovician, Albian et Zaraitine à Illizi, et d'identifier les sources de sa composition chimique et de détecter l'aptitude à la consommation et à des fins d'irrigation, 44 échantillons ont été prélevés au cours des deux années 2018-2019 pour mesurer le pH, la T°, la conductivité électrique (CE) et les sels dissous totaux (TDS), les concentrations d'éléments majeurs ont été analysées en laboratoire. D’autres utilisations ont été évaluées en déterminant le rapport d'adsorption de sodium (SAR), le pourcentage de sodium soluble (SSP), l'indice de perméabilité (PI), l'indice de Kelly (KI) et la dureté totale (TH) des échantillons d'eau. Cette analyse a indiqué que les eaux souterraines de Zaraitine avaient la pire qualité chimique, tandis que l'Infero Flux, le Cambro Ordovicien et l'Albien ont de l'eau potable. Basé sur le taux d'absorption de sodium (SAR), le pourcentage de sodium de solubilité (SSP), l'indice de Kelly (KI), l'indice de perméabilité (PI), la teneur en carbonate de sodium résiduel (RSC) et le risque de magnésium (MH). Nous constatons que le Dévonien inférieur, l'Infero Flux et l'Ordovicien du Cambro ont de l'eau appropriée pour l'irrigation, d'autre part, tout le Mio-Pliocène, l'Albien et le Zaraitine considèrent comme impropres à la pratique agricole. L'évaluation de la qualité des eaux souterraines est l'une des tâches les plus cruciales pour garantir des sources d'eau potable salubres. Parallèlement, un indice de qualité de l'eau (IQE) nécessite certains paramètres de qualité de l'eau. Classiquement, le calcul WQI prend du temps et se trouve souvent avec diverses erreurs lors du calcul des sousindices. À cette fin, 8 algorithmes d'intelligence artificielle par exemple, régression multi linéaire (MLR), forêt aléatoire (RF), arbre M5P (M5P), sous-espace aléatoire (RSS), régression additive (AR), réseau de neurones artificiels (ANN), vecteur de support La régression (SVR) et la régression linéaire pondérée localement (LWLR) ont été utilisées pour générer la prédiction de l'IQE dans la région d'Illizi, au sud-est de l'Algérie. En utilisant la meilleure régression de sous-ensemble, 12 combinaisons d'entrées différentes ont été développées et la stratégie de travail était basée sur deux scénarios. Le premier scénario vise à réduire la consommation de temps dans le calcul de l'IQE, où tous les paramètres ont été utilisés comme entrées. Le deuxième scénario vise à montrer la variation de la qualité de l'eau dans les cas critiques lorsque les analyses nécessaires ne sont pas disponibles ; alors que tous les intrants ont été réduits sur la base d'une analyse de sensibilité. Les modèles ont été évalués à l'aide de plusieurs métriques statistiques, notamment le coefficient de corrélation (R), l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'erreur absolue relative (RAE) et l'erreur quadratique relative (RRSE). Les résultats révèlent que le TDS et le TH sont les principaux moteurs influençant l'IQE dans la zone d'étude. La comparaison de la métrique d'évaluation des performances montre que le modèle MLR a la plus grande précision par rapport aux autres modèles du premier scénario en termes de 1, 1,4572×10 -08 , 2,1418×10 -08 , 1,2573×10 -10 % et 3,1708×10 -08 % pour R, MAE, RMSE, RAE et RRSE, respectivement. Le deuxième scénario a été exécuté avec un taux d'erreur moindre en utilisant le modèle RF avec 0,9984, 1,9942, 3,2488, 4,693 et 5,9642 pour R, MAE, RMSE, RAE et RRSE, respectivement.