| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,568,638 |
| تعداد دریافت فایل اصل مقاله | 92,848,410 |
ارزیابی حساسیتپذیری رخساره فرسایشی هزاردره در حوزه آبخیز فیروزکوه | ||
| مهندسی و مدیریت آبخیز | ||
| دوره 16، شماره 4، دی 1403، صفحه 571-585 اصل مقاله (1.76 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2024.365392.2057 | ||
| نویسندگان | ||
| مجید محمدی* ؛ مجتبی امیری | ||
| دانشیار گروه محیطزیست، دانشکده منابع طبیعی، دانشگاه سمنان، سمنان، ایران | ||
| چکیده | ||
| مقدمه فعالیتهای انسانی از مهمترین دلایل تغییرات محیطی بوده و انسانها نقش اساسی در گرمایش زمین، تخریب زمین، آلودگی آب و خاک، بالا رفتن سطح آب دریاها، تخریب لایه ازن، جنگلزدایی شدید و اسیدی کردن اقیانوسها دارند. در مقیاس جهانی، تخریب و فرسایش یکی از مهمترین پدیدههای طبیعی است که مناظر را تغییر میدهد. فرسایش خاک اثرات درونمنطقهای و برونمنطقهای فراوانی را بههمراه دارد. فرسایش و هدررفت خاک معمولاً در مناطق شیبدار اتفاق میافتد اما شدت وقوع آن به عاملهای محیطزیستی از قبیل میزان شیب، ویژگیهای زمینشناسی، وضعیت پوشش گیاهی و عوامل اقلیمی بستگی دارد که باعث افزایش آسیبپذیری یک منطقه به فرسایش میشود. یکی از مهمترین رخسارههای فرسایشی رخساره هزاردره یا بدلند است. رخساره فرسایشی هزاردره معمولاً به مناطق با رسوبات سست و غیرمتراکم، پوشش گیاهی بسیار ضعیف یا فاقد پوشش گیاهی که بهدلیل تراکم بالای شیارها و بریدگیها برای کشاورزی غیرقابل استفاده است، اشاره میکند. فرسایش هزاردره بیشتر در مناطق خشک و نیمهخشک مشاهده میشود و در واقع برهمکنش بارش با مواد زمینشناسی سست بسیار مساعد ایجاد و گسترش رخساره هزاردره در مناطق خشک و نیمهخشک است. با توجه به اینکه فرسایش خاک یک فرایند بسیار پیچیده و تحت تأثیر ویژگیهای سطح زمین، نوع خاک و دیگر عاملهای محیطزیستی است، بررسی کمی و تهیه نقشههای حساسیتپذیری فرسایش امری بحث برانگیز است. هدف اصلی از پژوهش حاضر، تهیه نقشه حساسیت فرسایش هزاردره در حوزه آبخیز فیروزکوه با استاده از مدل نسبت فراوانی است. مواد و روشها حوزه آبخیز فیروزکوه به این دلیل بهعنوان منطقه موردمطالعه انتخاب شد که رخساره فرسایش هزاردره مهمترین نقش را در فرسایش خاک این حوزه بهدلیل وضعیت اقلیمی، هیدرولوژیکی، توپوگرافی و کاهش پوشش گیاهی و همچنین وجود سازندهای مستعد فرسایش دارد. اولین گام در این پژوهش تهیه نقشه پراکنش رخسارههای هزاردره و تعیین محل آنها روی نقشه است. این کار با استفاده از تصاویر گوگل ارث و پیمایش زمینی انجام شد. نقشههای مربوط به عوامل مؤثر از منابع مختلف تهیه و وارد محیط نرمافزار Arc/GIS شد. با استفاده از نقاط و خطوط ارتفاعی موجود در نقشههای توپوگرافی تهیه شده از سازمان نقشهبرداری کشور، نقشه مدل رقومی ارتفاع (DEM) با اندازه پیکسل 30 متر تهیه شد. نقشههای جهت شیب، درجه شیب، انحناء سطح، شاخص رطوبت توپوگرافی (TWI) و طبقات ارتفاع با استفاده از نقشه DEM و در محیط نرمافزارهای ArcGIS10.3 و SAGA-GIS بهدست آمد. نقشه زمینشناسی منطقه نیز از نقشه زمینشناسی ایران با مقیاس 1:100000 استخراج شد. نقشههای آبراهه و جاده از نقشه توپوگرافی 1:25000 استخراج شده و فاصله از این عوارض در محیط Arc/GIS10.3 محاسبه شد. نقشه کاربری اراضی حوزه آبخیز فیروزکوه با استفاده از تصاویر لندست 8 برای سال 2020 و با روش تلفیقی بهدست آمد. برای تهیه نقشه مشخصات مربوط به خاک 30 نمونه خاک از عمق صفر تا 30 سانتیمتری برداشت و در آزمایشگاه بررسی شد. نقشه بارش متوسط سالانه با استفاده از دادههای بارش ایستگاههای هواشناسی تهیه شد. بعد از طبقهبندی نقشههای مربوط به عوامل مؤثر، وزن هر نقشه با استفاده از مدل نسبت فراوانی محاسبه شد. در مرحله بعد با جمع کردن وزنها، نقشه نهایی حساسیت فرسایش هزاردره تهیه شد. منحنی ROC و سطح زیر این منحنی برای ارزیابی دقت مدل نسبت فراوانی استفاده شدند. نتایج و بحث ارتباط بین فرسایش هزاردره و عوامل مؤثر با استفاده از مدل نسبت فراوانی بررسی شد. نتایج نشان داد که بیشترین وزن نسبت فراوانی مربوط به طبقه ارتفاعی 1710 تا 2286 متر، بارش 400 تا 550، شیب بیشتر از 35، جهت شمال غرب، فاصله کمتر از 1150 متر از آبراهه، سازندهای مارنی، آهکی و شیل، کاربری مرتع، شیبهای محدب و مقعر، طبقه رس 25 تا 33 درصد، طبقه سیلت 27 تا 35 درصد، گروه هیدرولوژیک C، عمق خاک 57 تا 120 سانتیمتر، اسیدیته 7.6 تا 8.1، طبقه 6 تا 11 شاخص TWI بوده است. بررسی دقت مدل نسبت فراوانی با استفاده از منحنی ROC و سطح زیر این منحنی انجام شد. سطح زیر منحنی ROC 0.71 به دست آمد که نشان میدهد مدل نسبت فراوانی برای تهیه نقشه حساسیت فرسایش هزاردره در حوزه آبخیز فیروزکوه قابل قبول است. مدل نسبت فراوانی با وجود سادگی، بهدلیل ایجاد ارتباط منطقی بین هزاردرهها و عوامل مؤثر بر آن نتایج قابل قبولی ارائه میکند. مطالعات دیگری ازجمله بررسی پتانسیل آبهای زیرزمینی، تهیه نقشه حساسیت زمینلغزش و آسیبپذیری یک منطقه به سیلاب نیز با این مدل انجام شده و دقت آن مورد تأیید قرار گرفته است. نتیجهگیری بهدلیل شرایط توپوگرافی، اقلیمی و زمینشناسی رخساره فرسایشی هزاردره یک پدیده غالب در حوزه آبخیز فیروزکوه است. در این پژوهش نقشه حساسیت فرسایش هزاردره با استفاده از مدل نسبت فراوانی تهیه شد. ارزیابی دقت نشان داد، مدل نسبت فراوانی یک مدل مناسب برای تهیه نقشه حساسیتپذیری فرسایش هزاردره در این حوزه آبخیز است. نتایج نشان داد که حدود 50 درصد منطقه حساسیت زیاد و خیلی زیاد به وقوع فرسایش هزاردره دارد، بنابراین توجه به این پدیده و تهیه نقشه حساسیتپذیری آن امری ضروری است. | ||
| کلیدواژهها | ||
| توپوگرافی؛ سازند؛ منحنی ROC؛ نقشه حساسیتپذیری؛ نسبت فراوانی | ||
| عنوان مقاله [English] | ||
| Badland erosion susceptibility assessment in the Firozkuh watershed | ||
| نویسندگان [English] | ||
| Majid Mohammady؛ Mojtaba Amiri | ||
| Associate professor, Department of Environment, Faculty of Natural Resources, Semnan Universiy, Semnan, Iran | ||
| چکیده [English] | ||
| Introduction Human activities are at the core of global environmental change and Humans play a key role in global warming, land degradation, air and water pollution, rising sea levels, eroding the ozone layer, extensive deforestation, and acidification of the oceans. Soil erosion and degradation is a natural phenomenon altering the relief of the landscape. Erosion is often capable of causing several on-site and off-site impacts. Erosion and soil loss are common in hilly areas, but their severity will vary depending on the geoenvironmental factors including, Steep sloping, geological characteristics, vegetation and climatic factors making it more vulnerable to erosion. One of he most important kind of erosion is badland erosion. The term of badlands currently refers to areas of unconsolidated sediment with little or no vegetation, which are useless for agriculture because of their intensely dissected landscape. Badland erosion is observed mostly in arid and semi-arid regions, and the interaction of precipitation with geological materials is responsible for the development of badlands in arid and semi-arid regions. Because soil erosion is a complicated process that is influenced by the properties of the land surface and the soil as well as by environmental factors, quantitatively accurate forecasts of soil erosion and susceptibility mapping are challenging. The main goal of this research is to map badland erosion suscepibility in Firozkuh watershed using frequency ratio model. Materials and methods Firozkuh watershed was selected as study area because in this watershed, badlands are the most important contributors to soil erosion because of the condition of climatic, hydrologic, topographic, and reduced vegetation conditions, and as well as presence of susceptible soil and geology formations in this region. The first step in this research is to prepare distribution map of the badlands and determine their location on the map. This was done using Google Earth imagery and field surveys. The maps of condiioning factors were prepared from different sources and entered into the GIS environment. Digital Elevation Model (DEM) map with the cellsize of 30 meter was prepared using the elevation points and lines in the topographic maps prepared by the National Cartography Center of Iran. Slope aspect, slope degree, plan curvature, TWI and elevation classes maps was creaed using DEM map in ArcGIS10.3 and SAGA-GIS environment. The geology map of the watershed was extracted from the geologic map of Iran with the scale of 1:100000. River and road maps were extracted from 1:25000 topographic map and the distance from these features was calculated in ArcGIS10.3 environment. The land use of Firozkuh watershed was created from LANDSAT 8 images of year 2020 using a synthetic method. To map soil characteristics, 30 samples were taken from depth of 0-30 centimeter and analyzed in the laboratory. Aaverage annual rainfall map was developed using rainfall data from meteorological stations. After classifying conditioning factors maps, the weight of each map was calculated using the frequency ration model. In the next step, by combining the weights, the final badland erosion susceptibility map was prepared. The ROC curve and the area under the curve were used to assess the accuracy of the frequency ratio models. Results and discussion The relationship between badland erosion and conditioning factors was investigated using the frequency ratio model. The results showed that the highest weight of the frequency ratio is related to the elevation class of 1710 to 2286 meters, rainfall 400 to 550, slope more than 35, northwest aspect, distance less than 1150 meters from drainage network, marl, limestone and shale formations, ranglands, Convex and concave slopes, clay 25 to 33%, silt 27 to 35%, hydrological group C, soil depth 57 to 120 cm, pH 7.6 to 1.8, TWI class 6 to 11. Accuracy assessmen of the freency ratio model was done using ROC and area under this curve. The area under the ROC curve was 0.71 that showed frequency ratio model is acceptable for badland erosion susceptibility mapping in the Firozkuh watershed. Despite its simplicity, the freqency ratio model provides acceptable results due to the creation of a logical connection between the badlands and conditioning factors. Other studies, including investigating the potential of underground water, landslide susceptibility maping, and the vulnerability to floods, have also been conducted with this model, and its accuracy has been confirmed. Conclusions Because of topographical, climatic and geological conditions, the badland erosion is a dominant phenomenon in the Firozkuh watershed. In this research, badland erosion susceptibility map was prepared using the frequency ratio model. Accuracy assessment showed that frequency ratio is a suitable model for badland erosion susceptibility maping in this watershed. The results showed that about 50% of this region has high and very high susceptibility to the badland erosion, so it is necessary to pay attention to this phenomenon and prepare a susceptibility map. | ||
| مراجع | ||
|
Alewell, C., Borrelli, P., Meusburger, K., Panagos, P., 2019. Using the USLE: chances, challenges and limitations of soil erosion modelling. Int. Soil Water Conserv. Res. 7,203-225 Amponsah, P.O., Forson, E.D., Sungzie, P.S., Akosuah Loh, Y.S., 2023. Groundwater prospectivity modeling over the Akatsi Districts in the Volta Region of Ghana using the frequency ratio technique. Model. Earth Sys. Environ. 9,937-955. Arabameri, A., Cerda, A., Rodrigo-Comino, J., Pradhan, B., Sohrabi, M., Blaschke, T., Tien, B.D., 2019. Proposing a novel predictive technique for gully erosion susceptibility mapping in arid and semiarid regions (Iran). Remote Sens. 11, 2577. Arshad, A., Zhang, Z., Zhang, W., Dilawar, A., 2020. Mapping favorable groundwater potential recharge zones using a gis-based analytical hierarchical process and probability frequency ratio model: a case study from an agro-urban region of pakistan. Geosci. Front. 11(5),1805-1819 Asmare, D., 2023. Application and validation of AHP and FR methods for landslide susceptibility mapping around choke mountain, northwestern Ethiopia. Sci. African 19, e01470. Azareh, A., Rahmati, O., Rafiei-Sardooi, E., Sankey, J.B., Lee, S., Shahabi, H., Ahmad, B., 2019. Modelling gully-erosion susceptibility in a semi-arid region, Iran: investigation of applicability of certainty factor and maximum entropy models. Sci. Total Environ. 655,684-696 Bisht, S., Rawat, K.S., Singh, S.K., 2024. Earth observation data and GIS based landslide susceptibility analysis through frequency ratio model in lesser Himalayan region, India. Quarter. Sci. Advanc. 13, 100141. Botero-Acosta, A., Chu, M.L., Guzman, J.A., Starks, P.J., Moriasi, D.N., 2017. Riparian erosion vulnerability model based on environmental features. J. Environ. Manag. 203,592-602 Cama, M., Schillaci, C., Kropacek, J., Hochschild, V., Bosino, A., Marker, M., 2020. A probabilistic assessment of soil erosion susceptibility in a head catchment of the jemma basin. Ethiop. Highl. Geosci. 10(7), 248. Cantarino, I., Carrion, M.A., Martínez-Ib´a˜nez, V., Gielen, E., 2023. Improving landslide susceptibility assessment through frequency ratio and classification methods-case study of Valencia region (Spain). Appl. Sci. 13 (8), 5146. Chakrabortty, R., Chandra Pal, S., 2023. Modeling soil erosion susceptibility using GIS‑based different machine learning algorithms in monsoon dominated diversified landscape in India. Model. Earth Sys. Environ. 9,2927-2942 Chen, Y., Chen, W., Janizadeh, S., Bhunia, G.S., Bera, A., Pham, Q.B., Linh, N.T.T,, Balogun, A., Wang, X., 2022. Deep learning and boosting framework for piping erosion susceptibility modeling: spatial evaluation of agricultural areas in the semi-arid region. Geocarto. Int. 37(16),1-28. Clarke, M.L., Rendell, H.M., 2006. Process-form relationships in Southern Italian badlands: Erosion rates and implications for landform evolution. Earth Sur. Process. Landform. 31, 15-29. Das, P., Saha, T.K., Mandal, I., Debanshi, S., Pal, S., 2023. Evolution of rills and gullies in lateritic badland region of Indian Rarh tract. J. Earth Sys. Sci. 132, 7 Fadul, H.M., Salih, A.A., Imad-eldin, A.A., Inanaga, S., 1999. Use of remote sensing to map gully erosion along the Atbara River, Sudan. Int. J. Applied Earth Observ. Geoinform. 1(3),175-180. Gabriele, M., Brumana, R., Previtali, M., Cazzani, A., 2023. A combined GIS and remote sensing approach for monitoring climate change‑related land degradation to support landscape preservation and planning tools: the Basilicata case study. Applied Geomatics. 15, 497-532 Gallart, F., Sole, A., Puigdefa`bregas, J., La´zaro, R., 2002. Badland systems in the Mediterranean. In: Bull LJ, Kirkby MJ (eds) Dryland rivers: hydrology and geomorphology of semi-arid channels. Wiley, London. pp 299-326 Ghosh, S., Bhattacharya, K., 2012. Multivariate erosion risk assessment of lateritic badlands of Birbhum (West Bengal, India): a case study. J. Earth Syst. Sci. 121 (6),1441-1454 Guo, Z., Guo, F., Zhang, U., He, J., Li, G., Yang, Y., Zhang, X., 2023. A python system for regional landslide susceptibility assessment by integrating machine learning models and its application. Heliyon. 9, e21542. Hembram, K., Paul, G.C., Saha, S., 2018. Spatial prediction of susceptibility to gully erosion in Jainti River basin, Eastern India: a comparison of information value and logistic regression models. Model Earth Syst. Environ. 5, 689-708 Hoekstra, A.Y., Wiedmann, T.O., 2014. Humanity’s unsustainable environmental footprint. Sci. 344(6188), 1114-1117 Imumorin, P., Azam, S., 2011. Effect of precipitation on the geological development of badlands in arid regions. Bull. Eng. Geol. Environ. 70, 223-229 Kannan, M., Saranathan, E., Anabalagan, R., 2013. Landslide vulnerability mapping using frequency ratio model: a geospatial approach in Bodi-Bodimettu Ghat section, Theni district, Tamil Nadu, India. Arabian J. Geosci. 6(8), 2901-2913. Lei, X., Chen, W., Avand, M., Janizadeh, S., Kariminejad, N., Shahabi, H., Costache, R., Shahbi, H., Shirzadi, A., Mosavi, A., 2020. GIS-based machine learning algorithms for gully erosion susceptibility mapping in a semi-arid region of Iran. Remote Sens. 12(15), 2478. Liao, X., Carin, L., 2009. Migratory logistic regression for learning concept drift between two data sets with application to UXO sensing. IEEE Trans. Geosci. Remote Sens. 47, 1454-1466 Mekonnen, M., Keesstra, S.D., Baartman, J.E.M., Stroosnijder, L., Maroulis, J., 2016. Reducing sediment connectivity through manmade and natural sediment sinks in the Minizr catchment. Northwest Ethiopia. Land Degrada. Develop. 28, 708-717. Mohammady, M., 2024. Land subsidence susceptibility asessment in semnan plain. Iran-Watershed Manage. And Sci. Engin. 14(63), 84-91 (in Persian). Mohammady, M., Davudirad, A., 2024. Gully Erosion susceptibility assessment using different machine learning algorithms: a case study of Shazand Watershed in Iran. Environ. Model. Assess. 29, 249-261. Mohammady, M., Pourghasemi, H.R., Pradhan, B., 2012. Landslide susceptibility mapping at Golestan Province, Iran: a comparison between frequency ratio, Dempster-Shafer and weights-of-evidence models. J. Asian Earth Sci. 61, 221-236. Mohammady, M., Pourghasemi, H.R., Amiri. M., 2019. Assessment of land subsidence susceptibility in Semnan plain (Iran): a comparison of support vector machine and weights of evidence data mining algorithms. Nat. Hazards. 99,951-971 Mohammady, M., Pourghasemi, H.R., Yousefi, S., 2022. Badland erosion mapping and effective factors on its occurrence using random forest model. Computers Earth Environ. Sci. 42, 577-583. Moretti, S., Rodolfi, G., 2000. A typical ‘‘calanchi’’ landscape on the Eastern Apennine margin (Atri, Central Italy): geomorphological features and evolution. Catena. 40, 217-228 Mosavi, A., Golshan, M., Janizadeh, S., Chobin, B., Melesse, A.M., Dineva, A.A., 2022. Ensemble models of GLM, FDA, MARS, and RF for flood and erosion susceptibility mapping: a priority assessment of sub-basins. Geocarto Int. 37 (9), 2541-2560. Nadal-Romero, E., Martínez-Murillo, J.F., Kuhn, N.J., 2019. Badland dynamics in the context of global change. Elsevier, Amsterdam. pp 277–313. Nefeslioglu, H.A., Duman, T.Y., Durmaz, S., 2008. Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey). Geomorphol. 94, 401-418. Nhu, V., Janizadeh, S., Avand, M., Chen, W., Farzin, M., Omidvar, E., Shirzadi, A., Shabani, H., Clague, J.J., Jaffari, A., Mansoorypoor, F., Pham, B.T., Ahmad, B.B., Lee, S., 2020. GIS-based gully erosion susceptibility mapping: a comparison of computational ensemble data mining models. Appl. Sci. 10(6), 2039. Ranga, V., Poesen, J., Rompaey, A.V., Mohapatra, S.N., Pani, P., 2016. Detection and analysis of badlands dynamics in the Chambal river valley (India), during the last 40 (1971-2010) years. Environ. Earth Sci. 75, 183 Rasyid, A.R., Bhandary, N.P., Yatabe, R., 2016. Performance of frequency ratio and logistic regression model in creating GIS based landslides susceptibility map at Lompobattang Mountain. Indonesia Geoenviron. Disasters. 3, 19. Sahana, M., Hong, H., Sajjad, H., Liu. J., Zhu, A., 2018. Assessing deforestation susceptibility to forest ecosystem in Rudraprayag district, India using fragmentation approach and frequency ratio model. Sci. Total Environ. 627, 1264-1275. Saleh, A., Yuzir, A., Sabtu, N., 2022. Flash flood susceptibility mapping of sungai pinang catchment using frequency ratio. Sains. Malaysiana. 51(1), 51-65. Sarkar, D., Mondal, P., 2020. Flood vulnerability mapping using frequency ratio (fr) model: a case study on kulik river basin, indobangladesh barind region. Appli. Water Sci. 10,1-13. Singh, P., Sur, U., Kumar Rai, P., Singh, S.K., 2023. Landslide susceptibility prediction using frequency ratio model: a case study of Uttarakhand, Himalaya (India). Proceedings of the Indian National Science Academy. 89, 600-612 Tien Bui, D., Shirzadi, A., Shabani, H., Chapi, K., Omidvar, E., Pham, B.T., Talebpour Asl, D., Khaledian, H., Pradhan, B., Panahi, M., Ahmad, B.B., Rahmani, H., Crof, G., Lee, S., 2019. A novel ensemble artificial intelligence approach for gully erosion mapping in a semi-arid watershed (Iran). Sensors 19(11), 2444 van Wijk, D., Teurlincx, S., Brederveld, R.J., 2022. Smart nutrient retention networks: a novel approach for nutrient conservation through water quality management. Inland Waters 12, 138-153. Wang, D., Fan, H., Fan, X., 2017. Distributions of recent gullies on hillslopes with different slopes and aspects in the black soil region of northeast China. Environ. Monitor. Assess. 189, 508. Zhang, A., Zhao, X.W., Zhao, X.Y., Zheng, X.Z., Zeng, M., Huang, X., Wu, P., Jiang, T., Wang, S.C., He, J., Li, Y.Y., 2024. Comparative study of different machine learning models in landslide susceptibility assessment: a case study of Conghua District, Guangzhou, China. China Geology 7, 104-115. | ||
|
آمار تعداد مشاهده مقاله: 783 تعداد دریافت فایل اصل مقاله: 318 |
||