| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,829 |
| تعداد مقالات | 32,098 |
| تعداد مشاهده مقاله | 40,864,080 |
| تعداد دریافت فایل اصل مقاله | 18,113,698 |
اولویت‌بندی عامل‌های مؤثر و پهنه‌بندی رخ‌داد سیل به‌وسیله‌ی مدل‌های احتمالاتی و GIS در آبخیز گرگان‌رود استان گلستان | ||
| پژوهش های آبخیزداری | ||
| مقاله 9، دوره 36، شماره 1 - شماره پیاپی 138، فروردین 1402، صفحه 111-131 اصل مقاله (3.99 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2022.358648.1473 | ||
| نویسندگان | ||
| کورش شیرانی* 1؛ محمدعلی صدری2 | ||
| 1دانشیار، پژوهشکده‌ی حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 2کارشناس‌ارشد، دانشگاه آزاد اسلامی لنجان اصفهان، ایران | ||
| چکیده | ||
| مقدمه و هدف سیل و زلزله، شایع‌ترین و غیرقابل پیش‌بینی‌ترین رویدادهای طبیعی هستند که با تأثیر بر جان و مال به جوامع آسیب وارد‌کرده و شکل زمین را تحت تأثیر قرار می‌دهند. برای انجام اقدام‌های پیش‌گیرانه قبل از رخ‌داد حادثه‌های ناهنجار و راه‌کارهای کاهش آثار این حادثه‌ها، هدف اصلی آگاه‌سازی عمومی با تأکید بر امر اطلاع‌رسانی مردم تغییرکرده‌است. هدف از این پژوهش بررسی عامل‌های شکل‌سنجی، آب‌شناسی و اقلیمی مؤثر بر رخ‌داد سیل، مدل‌سازی و ارزیابی ظرفیت حساسیت زمین‌ها در آبخیز گرگان‌رود نسبت به رخ‌داد سیل است. همچنین، مهم‌ترین نوآوری پژوهش حاضر در مقایسه با پژوهش‌های انجام‌شده مرتبط با پهنه‌بندی خطرها در داخل کشور، مقایسه‌ی دو روش احتمالاتی آنتروپی شانون و وزنِ شاهد بیزین به‌منظور تعیین کارآمدترین مدل و افزایش دقت نقشههای پیش‌بینی رخ‌داد سیل است. مواد و روش‌ها ابتدا منطقه‌ی پژوهش انتخاب و سپس جمع‌آوری و آماده‌سازی نقشههای عامل‌های مؤثر انجام شد. در این پژوهش 15 عامل به‌عنوان متغیرهای مستقل انتخاب شدند. با استفاده از اطلاعات دریافتی از سازمان وزارت نیرو و بازدیدهای میدانی به‌عنوان متغیر وابسته، نقشه‌ی پراکنش رخ‌داد سیل تهیه شد و به دو دسته‌ی نقاط آزمایشی (30%) و آموزشی (70%) تقسیم شد. کمی‌کردن عامل‌های مؤثر با کاربرد شاخص نسبت فراوانی انجام شد و آزمون چندخطی برای استقلال عامل‌های مؤثر اجرا شد. اجرای مدل‌های آنتروپی و وزنِ شاهد، تهیه‌ی نقشههای پهنه‌بندی حساسیت به رخ‌داد سیل و طبقه‌بندی آن‌ها به پنج رده‌ی خیلی‌کم، کم، متوسط، زیاد و خیلی‌زیاد انجام شد. ارزیابی دقت طبقه‌بندی و اعتبارسنجی نقشههای پهنه‌بندی و پیش‌بینی حساسیت نسبت به رخ‌داد سیل انجام شد. اهمیت عامل‌های مؤثر تعیین و مناسب‌ترین مدل انتخاب شد. نتایج و بحث براساس وزن‌های محاسبه‌شده از هر دو مدل شاخص آنتروپی و وزنِ شاهد بیزین به‌ترتیب عامل‌های کاربری زمین، بلندی، شاخص پوشش گیاهی، خاک، شاخص رطوبت پستی‌بلندی، تراکم شبکه‌ی زهکشی، شاخص توان آبراهه، شیب، شاخص موقعیت پستی‌بلندی، سنگ‌شناسی، میانگین بارش سالانه، ضریب نفوذ، شکل انحنا، فراوانی آبراهه و بیشینه‌ی بارش روزانه در رخ‌داد سیل مؤثر بودند. در این پژوهش عامل کاربری زمین و پوشش گیاهی به‌خاطر تغییرات کاربری زمین‌ها در رخ‌داد سیل از اولویت بالایی برخوردار بودند. شدت بارش در رتبه‌ی آخر قرار داشت ولی اهمیت و تأثیرگذاری آن در کنار دیگر عامل‌ها را نباید نادیده گرفت. نقشههای تهیه‌شده از پهنه‌بندی خطر رخ‌داد سیل با کاربرد هر دو مدل، نشان‌دهنده‌ی دقت بالای طبقه‌بندی پهنه‌ها و توزیع مناسب نقاط سیلابی در رده‌های زیاد و خیلی‌زیاد بود. همچنین براساس منحنی ویژگی عمل‌گر گیرنده و سطوح طبقه‌بندی دقت، کارآمدی هر دو مدل در طبقه‌ی خیلی‌خوب (0/9-0/8) قرار داشت. نتایج اندازه‌ی مساحت زیر منحنی (AUC) مدل آنتروپی شانون نشان‌دهنده‌ی دقت امتیاز بالاتر در هر دو وضعیت آزمایشی و آموزشی (0/94 و 08/98) نسبت به روش وزنِ شاهد بیزین (0/830 و 0/88) بود که این موضوع بیان‌گر همبستگی بالا بین نقشههای حساسیت و پراکنش رخ‌داد سیل است. نتیجه‌گیری در این پژوهش برای تهیه‌ی نقشه‌ی پهنه‌بندی رخ‌داد سیل، از 368 پهنه‌ی سیلابی با 782 تکرار رخ‌داد سیل و 15 عامل مؤثر بر آن استفاده شد. با برازش هر دو مدل، عامل‌های موثر بر رخ‌داد سیل اولویت‌بندی شدند. در منطقه‌ی پژوهش عامل‌های کاربری زمین، بلندی و پوشش گیاهی به‌ترتیب دارای بیشترین اهمیت و اولویت در رخ‌داد سیل بودند و عامل‌های شکل انحنا، فراوانی آبراهه و شدت بارش در رده‌های آخر قرار گرفتند. نتایج نشان داد مدل آنتروپی شانون ضمن دارابودن آستانه‌ی طبقه‌های مناسب در طبقه‌بندی و به‌کارگیری 30% پهنه‌های رخ‌داد سیل از اولویت بیش‌تری برای پهنه‌بندی و پیش‌بینی رخ‌داد سیل برخوردار است. اما درمجموع هر دو مدل در پهنه‌بندی و پیش‌بینی رخ‌داد سیل کارآمد و مناسب بودند. | ||
| کلیدواژه‌ها | ||
| پهنه‌بندی؛ سیل؛ شاخص آنتروپی شانون؛ گرگان‌رود؛ وزنِ شاهد بیزین | ||
| عنوان مقاله [English] | ||
| Prioritization of Effective Factors and Flood Susceptibility Zonation Using Probabilistic Models and GIS in Gorganrood Watershed Golestan Province | ||
| نویسندگان [English] | ||
| Kourosh Shirani1؛ Mohammad Ali Sadri2 | ||
| 1Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO) Tehran, Iran | ||
| 2M.Sc., Islamic Azad University, Lenjan, Isfahan, Iran | ||
| چکیده [English] | ||
| Introduction and Objective Floods and earthquakes are the most common and unpredictable natural events that harm communities by affecting life and property and affect the landforms of the basin. Therefore, in ways to reduce the effects of natural events, The main goal has changed to public awareness and emphasis on informing the people in line with preventive measures before the occurrence of abnormal events. Considering these explanations and the need to compare and evaluate the effectiveness of probabilistic statistical methods, The main goal of this research is to investigate the morphological, hydrological and climatic factors affecting the occurrence of floods, Modeling and evaluation of land sensitivity potential in Gorganrood watershed to flood occurrence. Also, the most important innovation of the current research compared with to the previous researches related to risk zonation in the country, the comparison of two probabilistic methods of Shannon entropy and weight of evidence in order to determine the most efficient model and increase the accuracy of flood prediction maps. Materials and Methods 1- Selection of the study area, Collecting and preparing maps of effective factors as independent variables, 15 factors were considered in this research. 2- The flood event distribution map was prepared using the information received from the Ministry of Energy and field observations as a dependent variable, and it was divided into two groups of test points (30%) and training points (70%). 3- Quantifying the effective factors with the help of the frequency ratio index and also performing the multilinear test (independence of the effective factors). 4- Implementation of entropy and weight of evidence models, Preparation of flood sensitivity zoning maps and classifying them into five categories: very low, low, medium, high and very high. 5- Assessing the accuracy of classification and validation of zoning maps and predicting sensitivity to flood events. 6- Determining the importance of effective factors and choosing the most suitable model. Results and Discussion In total, based on the calculated weights of both entropy index and weight of evidence models, in the order of factors land use, altitude, Normalized difference vegetation index (NDVI), soil, Topographic Wetness Index (TWI), Drainage density, Stream power index, slope (SPI), Topographic position index (TPI), lithology, average annual precipitation, Infiltration number, Profile curvature, Stream frequency and Intensity of daily rainfall are effective in flood occurrence. In this research, the land use factor and then the vegetation cover factor have a high priority in the occurrence of floods due to land use changes. The intensity of rainfall is in the last rank, but its importance and influence should not be ignored along with other factors. The maps resulting from flood risk zonation by both models indicate the high accuracy of zone classification and proper distribution of flood points in high and very high zone. Also, based on the receiver operator characteristic (ROC) curve and accuracy classification levels, the efficiency of both models is in the very good category (0.8-0.9) In terms of comparing the models to each other, the results of the area under the curve (AUC) values of the Shannon entropy model show a higher score accuracy in both testing and training situations (0.94 and 0.98) than the Bayesian weighting method (83.83). 0 and 0.88) which indicates a high correlation between the prepared flood sensitivity map and the distribution map of the number of flood events. Conclusion and Suggestions In this research, in order to prepare a map of flood event zoning, 368 flood zones with a repetition number of 782 flood events and 15 factors affecting flood events were used. Based on the fitting of both models and the prioritization of the factors affecting the occurrence of floods, it was determined altogether that land use, altitude and vegetation factors have importance and priority in the occurrence of floods in the study area and Profile curvature, Stream power index and Intensity of daily rainfall factors were placed in the last priorities. The results showed that Shannon's entropy model has the appropriate class threshold in classification, and by using 30% of flood occurrence zones, it has more priority for zonation and flood occurrence prediction. But in general, both models are effective in zoning and predicting flood occurrences. | ||
| کلیدواژه‌ها [English] | ||
| Flood, Gorganrood, Shannon entropy index, weight of evidence, zonation | ||
| مراجع | ||
|
Abedini M, Beheshtijavid E. 2016. Zoning of flood risk in Liquan Chay watershed using network analysis process model and GIS. Geographical Space, 16(55): 293–312. (In Persian). Al-Abadi AM, Shahid S. 2015. A comparison between index of entropy and catastrophe theory methods for mapping groundwater potential in an arid region. Environmental Monitoring and Assessment, 187(9): 1–21. Asadollahi Shahir M. 2018. Analytical report of floods in Golestan Province. Deputy technical and watershed management directorate of natural resources and watershed management of Golestan Province. (In Persian). Asgharpour SE, Ajdari B. 2011. A case study on seasonal floods in Iran, watershed of Ghotour Chai Basin. Procedia-Social and Behavioral Sciences, 19: 556–566. Avand M, Moradi H. 2021. Spatial modeling of flood probability using geo-environmental variables and machine learning models, case study: Tajan watershed, Iran. Advances in Space Research, 67(10): 3169–3186. Bardi sheikh V, Babaee A, Mosheikhian Y. 2009. Assessment of the changes in precipitation regimes Gorganroud Basin. Iran-Watershed Management Science and Engineering, 3(8): 29– 38. (In Persian). Bednarik M, Magulova B, Matys M, Marschalko M. 2010. Landslide Susceptibility Assessment of the Kralˇovany–Liptovsky´ Mikulaš Railway Case Study, Physics and Chemistry of the Earth, 35(3–5):162–171. Beitollahi A. 2019. Golestan Province Flood Report. Water and regional company of Golestan province. (In Persian). Candela A, Aronica GT. 2017. Probabilistic flood hazard mapping using bivariate analysis based on copulas. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, 3(1): A4016002. Constantin M, Bednarik M, Jurchescu M.C, Vlaicu M. 2011. Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania). Environmental Earth Sciencesi, 63(2): 397– 406. Eivazi M, Mosaedi A, Meftah Halaghi M, Hesam M. 2010. Investigation of precipitation trend on the north region of Golestan Province. Journal of Water and Soil Conservation ,17(2): 145–167. (In Persian). Eslaminezhad SA, Eftekhari M, Akbari M. 2021. GIS-Based Flood Risk Zoning Based on Data-Driven Models. Journal of Hydraulic Structures, 6(4): 75–98. Faramarzi H, Hosseini S, Pourghasemi H, Faranghi M. 2019. Evaluation and zoning of flood risk in Golestan National Park. Echo Hydrology, 6(4): 1055–1068. (In Persian). Ghayyur HA, Rezaei M, Shakur A. 1996. Floods and flood-prone areas. Geographical Research, 40: 101–120. (In Persian). Gouldby BF, Méndez J, Guanche Y, Rueda A, Mínguez R. 2014. A methodology for deriving extreme nearshore sea conditions for structural design and flood risk analysis. Coastal Engineering, 88: 15–26. Haghizadeh A, Siahkamari S, Haghiabi A. H, Rahmati O. 2017. Forecasting flood-prone areas using Shannon’s entropy model. Journal of Earth System Science, 126(3): 1–11. Jannati H. 2019. History of the devastating floods in Iran. Political Studies and Research Institute, 593 p. Keesstra SD. 2007. Impact of natural reforestation on floodplain sedimentation in the Dragonja Basin, SW Slovenia. Earth Surface Processes and Landforms, The Journal of the British Geomorphological Research Group, 32(1): 49–65. Khodayari A. 2019. Crisis management of water and sewage distribution networks in natural disasters (flood). National Conference on the Perspective of Caspian Sea Water Transfer to Desert Areas. Lee S, Choi J. 2004. Landslide susceptibility mapping using GIS and the weight-of-evidence model. International Journal of Geographical Information Science, m 18(8): 789–814. Lotfi AR, Asadollahi Shahir M, Abbasi M. 2014. Frequency analysis of flood occurrence and damage in spatial and temporal scale of Golestan province. 10th National Conference on Watershed Management Science and Engineering, Birjand University, pp. 1–11. (In Persian). Malekian A, Azarnivand A. 2016. Application of integrated Shannon’s entropy and VIKOR techniques in prioritization of flood risk in the Shemshak Watershed, Iran. Water Resources Management, 30(1): 409–425. Malekian A, Khozani AO, Ashoornejad GH. 2012. Zoning of flooding potential of Akhtarabad watershed using fuzzy hierarchical analysis method. Natural Geography Research, 4(44): 162–191. (In Persian). McGuire RK. 1995. Probabilistic seismic hazard analysis and design earthquakes: Closing the loop. Bulletin of the Seismological Society of America, 85(5): 1275–1284. Naghibi SA, Pourghasemi HR. 2015. A comparative assessment between three machine learning models and their performance comparison by bivariate and multivariate statistical methods in groundwater potential mapping. Water Resources Management, 29(14): 5217–5236. Negaresh H, Voisi HJ. 2013. Analysis of the effects of rainfall changes on the flooding of the Ravand River Catchment (West Islamabad Region-Kermanshah Province). Scientific-Research Quarterly, Regional Planning, 3(11): 79–98. (In Persian). Paul GC, Saha S, Hembram TK. 2019. Application of the GIS-based probabilistic models for mapping the flood susceptibility in Bansloi sub-basin of Ganga-Bhagirathi River and their comparison. Remote Sensing in Earth Systems Sciences, 2(2): 120–146. Rahmati O, Pourghasemi HR, Zeinivand H. 2016. Flood susceptibility mapping using frequency ratio and weights-of-evidence models in the Golastan Province, Iran, Geocarto International, 31(1): 42–70. Ramakrishna D, Ghose MK, Vinu Chandra R, Jeyaram A. 2005. Probabilistic techniques, GIS and remote sensing in landslide hazard mitigation: A case study from Sikkim Himalayas, India, Geo Cartography International, 20(4): 53–58. Razavi Termeh SV, Pourghasemi HR, Dadgan Fard FA. 2018. Preparation of flood potential map using hierarchical analysis decision methods and TOPSIS and statistical model of incident weight, Case study: Jahrom City, Iran. (In Persian). Regmi NR, Giardino JR, Vitek JD. 2010. Modeling susceptibility to landslides using the weight of evidence approach. Western Colorado, USA, Geomorphology, 115(1–2): 172–187. Roering JJ, Kirchner JW, Dietrich WE. 2005. Characterizing structural and lithologi controls on deepseated landsliding. implications for topographic relief and landscape evolution in the Oregon Coast Range. Geological Society of America Bulletin, 17(5–6): 654–668. Safaripour M, Monavari M, Zare M, Abedi Z, Gharagozlou A. Stud. 2012. Flood Risk Assessment Using GIS (Case study, Golestan Province, Iran). Polish Journal of Environmental, 21(6): 1817–1824. Sajedi-Hosseini F, Malekian A, Choubin B, Rahmati O, Cipullo S, Coulon F, Pradhan B. 2018. A novel machine learning-based approach for the risk assessment of nitrate groundwater contamination. Science of the Total Environment, 10(644): 954–962. Shahabi M, Sadoddin A. 2009. Bayesian decision network approach to predict the effects of drought management measures on wheat cultivation in Golestan province. Proceedings of the Fifth National Conference on Watershed Management. (In Persian). Shannon CE. 1948. A mathematical theory of communication. The Bell System Technical Journal, 27(3): 379–423. Sharma LP, Patel N, Ghose MK, Debnath P. 2010. Influence of Shannon’s entropy on lands lide -causing parameters for vulnerability study and zonation-a case study in Sikkim, India. Arabian Journal of Geoscience, 5(3): 421–431. Shirani K, Pasandi M, Arabameri A. 2018. Landslide susceptibility assessment by dempster–shafer and index of entropy models, Sarkhoun Basin (Iran). Natural Hazards, 93(3): 1379–1418. Tehrany MS, Pradhan B, Jebur MN. 2013. Spatial prediction of flood susceptible areas using rule–based decision tree (DT) and a novel ensemble bivariate and multivariate statistical model in GIS. Journal of Hydrology, 504: 69–79. Van Western CJ. 2002. Use of weights of evidence modeling for landslide susceptibility mapping, pp. 1–21. Yamani M, Abbasi M. 2020. Evaluation of flooding below Gadar Catchments based on morphometric parameters and statistical correlation. Town and Country Planning, 12(1): 205–224. (In Persian). Yesilnacar EK. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of Melbourne, 423 p. Yufeng S, Fengxiant J. 2009. Landslide stability analysis based on generalized information entropy. International Conference on Environmental Science and Information Application Technology, pp. 83–85. | ||
|
آمار تعداد مشاهده مقاله: 439 تعداد دریافت فایل اصل مقاله: 313 |
||