| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,034 |
| تعداد مقالات | 33,942 |
| تعداد مشاهده مقاله | 45,356,939 |
| تعداد دریافت فایل اصل مقاله | 65,920,512 |
ارزیابی فرسایش آبکندی با استفاده از مدل های وزن شاهد (WofE) و دمپستر–شیفر (DSH) در آبخیز ایلام | ||
| پژوهش های آبخیزداری | ||
| مقاله 6، دوره 37، شماره 4 - شماره پیاپی 145، دی 1403، صفحه 71-98 اصل مقاله (3.86 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2024.364768.1571 | ||
| نویسندگان | ||
| شمس اله عسگری* 1؛ کورش شیرانی2؛ فریدون سلیمانی1 | ||
| 1استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع‌طبیعی استان ایلام، سازمان تحقیقات، آموزش و ترویج کشاورزی، ایلام، ایران | ||
| 2دانشیار پژوهشکدة حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی تهران، ایران | ||
| چکیده | ||
| مقدمه و هدف فرآیند مدل سازی برای هر پدیده یا متغیر وابسته با استفاده از عامل‌های مؤثر محیطی (متغیرهای مستقل) می تواند افزون بر تعیین وضعیت شرایط حال، قابل تعمیم به آینده نیز باشد. ازاین‌رو، فرض اولیه در تمام مدل سازی های محیطی، مبتنی بر اصل یکنواختی است که برای هدف این پژوهش نیز قابل تعمیم است و سنجه‌های پستی‌بلندی از عامل‌های اصلی در ایجاد و گسترش فرسایش آبکندی هستند. این پژوهش با هدف تعیین اندازة صحت نقشه‌های حساسیت به فرسایش آبکندی بر اساس مدل‌های وزن شاهد و دمپستر-شیفر با استفاده از منحنی ویژگی عملگر نسبی یا گیرنده (AUC و ROC) انجام شد. همچنین، آستانه‌های عامل‌های مؤثر (شامل شاخص‌های پستی‌بلندی و عامل‌های محیطی مدنظر) بر رخداد فرسایش آبکندی در آبخیز ایلام تعیین شد. مواد و روش‌ها آبخیز ایلام در استان ایلام و در جنوب غربی ایران است. در این پژوهش برای تعیین آستانه‌ها و پهنه بندی حساسیت پذیری فرسایش آبکندی از مدل‌های بیشینة وزن شاهد و دمپستر-شیفر استفاده شد. این پژوهش، در هفت گام اصلی انجام شد. در گام اول منطقة پژوهشی انتخاب شد و نقشة پراکنش رخداد آبکند‌ها (متغیر وابسته) تهیه شد و داده‌ها به‌شکل تصادفی به دو دسته آموزشی یا واسنجی (70%) و دستة آزمایشی یا پیش‌بینی (30%) تقسیم شدند. در گام دوم نقشه‌های 22 عامل مؤثر (متغیرهای مستقل) تهیه و آماده‌سازی شد. در گام سوم عامل‌های مؤثر با استفاده از آزمون هم‌راستایی میان عامل‌های مؤثر و رخداد آبکند‌ها انتخاب شدند. در گام چهارم مدل‌های وزن شاهد و دمپستر-شیفر اجرا شد و نقشه‌های پهنه‌بندی تهیه شد. در گام پنجم اعتبارسنجی، ارزیابی، مقایسه نقشه‌های پهنه‌بندی و پیش‌بینی حساسیت به‌دست آمده از مدل‌های نامبرده در دو مرحله واسنجی و پیش‌بینی انجام شد. در گام ششم آستاه ها و اهمیت عامل‌های مؤثر بر اساس بهترین مدل تعیین شد. در گام هفتم نقشة پهنه‌بندی و پیش‌بینی حساسیت به رخداد فرسایش آبکند تهیه شد. نتایج و بحث در این پژوهش، پس از بازدیدهای میدانی، تفسیر تصویرهای هوایی و پردازش تصویر ماهواره‌ای، 331 آبکند شناسایی و بررسی شد. نقشة پراکنش فرسایش آبکند برای 331 آبکند تهیه و رقومی شد که از این تعداد آبکند 70% (232 آبکند) برای آموزش و از30% باقی‌مانده (99 آبکند) برای اعتبارسنجی مدل وزن شاهد و دمپستر-شیفر استفاده شد. برای اعتبارسنجی مدل‌ها از منحنی مشخصه عملکرد ساختار ROC و مساحت سطح زیر منحنی AUC استفاده شد. ابتدا داده‌های به‌دست‌آمده از نقشه‌های پهنه‌بندی فرسایش آبکندی با استفاده از هر دو مدل وزن شاهد و دمپستر-شیفر به‌شکل جداگانه با نقاط 99 آبکند و 232 آبکند برازش‌داده شد. سپس، داده‌ها به فایل اکسل انتقال داده شدند و با استفاده از نرم‌افزار SPSS تحلیل و بررسی شدند. بر اساس نتایج نقاط واسنجی (30%)، در هر دو مدل درصد سطح زیر منحنی قابل قبول بود که این موضوع نشان‌دهندة عملکرد زیاد هر دو مدل در منطقة پژوهشی بود. نتیجه‌گیری و پیشنهادها شناسایی میدانی دقیق نقاط فرسایش آبکندی با استفاده از دستگاه جی‌پی اس، یکی از نتایج به‌دست آمده از این پژوهش بود. در نتیجه، نقشة پراکنش فرسایش آبکندی 331 آبکند تهیه شد و برای اولین بار در آبخیز پژوهش‌شده بررسی و ثبت شد. یکی از مزیت‌ها و نوآوری‌های این پژوهش استفاده از تصویرهای ماهواره‌ای آلوس و نرم‌افزارهای جی‌آی‌اس و ساگا جی‌آی‌اس بود. نتایج بیانگر بیشترین استخراج متغیرهای مستقل مؤثر بر متغیر وابسته فرسایش آبکندی در سامانة آبخیز بود و 22 لایه رستری تهیه شد. سرانجام، نتایج تحلیل آماری جدول رتبه‌بندی مهم‌ترین شاخص‌های ایجاد فرسایش آبکندی در منطقه نشان داد که شاخص کاربری زمین (37/1%)، تراکم آبراهه (17/7%)، سنگ‌شناسی (13/2%)، اقلیم (9/4%)، بارش (5/5%) و NDVI (/%3/5) و دیگر شاخص‌ها به‌ترتیب بر فرسایش تأثیر‌گذار بودند. نتایج این پژوهش قابل ترویج و آموزش است و دستگاه‌های اجرایی برای مهار فرسایش آبکندی می‌توانند با استفاده از نتایج این پژوهش اقدام‌های لازم را انجام دهند. | ||
| کلیدواژه‌ها | ||
| آبخیز ایلام؛ آستانة فرسایش آبکندی؛ مدل دمپستر-شیفر؛ مدل وزن شاهد | ||
| عنوان مقاله [English] | ||
| Evaluation of gully erosion using weight of evidence (WofE) and Dempster-Schiffer (DSH) models in Ilam watershed | ||
| نویسندگان [English] | ||
| Shamsollah Asgari1؛ Kourosh Shirani2؛ Freidoon Soleimani1 | ||
| 1Assistant Professor, Soil Conservation and Watershed Management Research Department, Ilam Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Ilam, Iran | ||
| 2Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| چکیده [English] | ||
| Introduction and Goal In general, the modeling process for any phenomenon or dependent variable using effective environmental factors as independent variables can be generalized to the future in addition to determining the status of current conditions. Therefore, the basic assumption in all environmental modeling is based on the principle of uniformity or uniformitarianism, which can be generalized for the subject of this research, and topographic metrics are one of the main factors in the creation and expansion of gully erosion. This research was conducted with the aim of determining the accuracy of water erosion susceptibility maps based on Wight of Evidence and Dempster-Schiffer weight models using relative operator or receiver characteristic curve (AUC and ROC). Also, the thresholds of effective factors (including low-elevation indices and considered environmental factors) on the occurrence of gully erosion in Ilam watershed were determined. Materials and Methods The Ilam watershed is in Ilam province in the southwest of Iran. In this research, Dempster-Shiffer and maximum weight models were used to determine the thresholds and zoning of gully erosion sensitivity. This research was done in seven main steps. In the first step, the research area was selected and the flood event distribution map (dependent variable) was prepared, and the data were randomly divided into two training or calibration groups (70%) and experimental or prediction groups (30%). In the second step, maps of 22 effective factors (independent variables) were prepared. In the third step, the effective factors were selected using the alignment test between the effective factors and the occurrence of floods. In the fourth step, Wight of Evidence and Dempster-Schiffer weight models were implemented and zoning maps were prepared. In the fifth step of validation, evaluation, comparison of zoning maps and prediction of sensitivity obtained from the mentioned models were done in two stages of recalibration and prediction. In the sixth step, thresholds and importance of effective factors were determined based on the best model. In the seventh step, the zoning map and prediction of sensitivity to the erosion event of gully was prepared. Results and Discussion In this research, after field surveys, interpretation of aerial photographs and processing of satellite images, 331 gullyes were identified and investigated. The distribution map of gully erosion has been prepared and digitized for 331 gullyes, of which 70% of the gullyes were used to train Wight of Evidence and Dempstershafer models, which includes 232 gullyes. The remaining 30%, which includes 99 gullyes, was used to validate the models from the characteristic curve of the ROC system and the surface area under the AUC diagram. First, the data obtained from the gully erosion zoning maps were fitted separately to the points of 99 gullyes and 232 gullyes using both Wight of Evidence and Dempster Shaffer models, and after transferring the data to the data excel file were analyzed in SPSS software. According to obtained from calibration points (30%), both models had an acceptable percentage of the area under the curve, which indicates the high performance of both models in the region. Conclusion and Suggestions Accurate field identification of gully erosion points using GPS device was one of the results obtained from this research. As a result, the erosion distribution map of 331 gulles was prepared and it was checked and recorded for the first time in the researched watershed. One of the advantages and innovations of this research was the use of Alus satellite images and GIS and Saga GIS software. The results showed that the most effective independent variables were extracted on the dependent variable of watershed erosion in the watershed system and 22 grid layers were prepared. Finally, the results of the statistical analysis provide a ranking table of the most important indicators in creating gully erosion in the region, which is the land use index of 37.1%, waterway density with 17.7%, lithology with 13.2%, climate with 9.4%, precipitation 3 5.5% and NDVI with 3.5% and other indicators respectively affect the erosion, respectively of the gully. The results of this research can be promoted and taught, and executive bodies can use the results of this research to take necessary measures to control the gully erosion. | ||
| کلیدواژه‌ها [English] | ||
| Ilam watershed, Gully erosion threshold, Dempster Shaffer model, Wight of Evidence model | ||
| مراجع | ||
|
Angileri SE, Conoscenti C, Hochschild V, Märker M, Rotigliano E, Agnesi V. 2016. Water erosion susceptibility mapping by applying Stochastic Gradient Treeboost to the Imera Meridionale River Basin (Sicily, Italy). Geomorphology, 262(73): 61-76. https://doi.org/10.1016/j.geomorph.2016.03018. Azedou A, Lahssini S, Khattabi A, Meliho M, Rifai N. 2021. A methodological comparison of three models for gully erosion susceptibility mapping in the rural municipality of El Faid (Morocco). Sustainability, 13(2):658-682. https://doi.org/10.3390/su13020682. Ciccolini Ugo, Margherita Bufalini, Marco Materazzi, Francesco Dramis. 2024. Gully erosion development in drainage basins: A new morphometric approach land, 13, no. 6(32): 792. https://doi.org/10.3390/land13060792 Conoscenti C, Rotigliano E. 2020. Predicting gully occurrence at watershed scale: Comparing topographic indices and multivariate statistical models. Geomorphology, pp. 335- 359. https://doi.org/10.1016/j.geomorph.2020.107123 Conoscenti C, Angileri S, Cappadonia C, Rotigliano E, Agnesi V, Märker M. 2014. Gully erosion susceptibility assessment by means of GIS-based logistic regression: A case of Sicily (Italy). Geomorphology, 204(1): 399–411. https://doi.org/10.1016/j.geomorph.2013.08.021. Dube F, Nhapi I, Murwira A, Gumindoga W, Goldin J, Mashauri DA. 2014. Potential of weight of evidence modeling for gully erosion hazard assessment im Mbire Distract- Zimbabwe. Physics and Chemistry of the Earth, 67(69):145-152. https://doi.org/10.1016/j.pce.2014.02002. Entezari M, Maleki A, Moradi Kh, Elfati S. 2014. Investigation of gully erosion in Deira catchment using weighted ntegration method and waterway capacity index. Geographical Research Quarterly, 3 (118): 297-312. (In Persian). http:// doi.org/10.1016/ G RQ.2014.02.532. Gayen A, Pourghasemi HR, Saha S, Keesstra S, Bai S. 2019. Gully erosion susceptibility assessment and management of hazardprone areas in India using different machine learning algorithms, Science of the Total Environment, 668(45):124-138. https://doi.org/10.1016/j.scitotenv.2019.02.436. Gideon D, Mustafa FB, Victor I. 2021. The application of an expert knowledge‐driven approach for assessing gully erosion susceptibility in the subtropical Nigerian savannah. Singapore Journal of Tropical Geography, 42(1): 107-131. https://doi.org/10.1111/sjtg.12348. Hitouri S, Varasano A, Mohajane M, Ijlil S, Essahlaoui N, Ali SA, Essahlaoui A, Pham QB, Waleed M, Palateerdham SK, Teodoro AC. 2022. Hybrid machine learning approach for gully erosion mapping susceptibility at a watershed scale. ISPRS International Journal of Geo-Information, 11(7): 384-40. https://doi.org/10.3390/ijgi11070401 Igwe O, John UI, Solomon O, Obinna O. 2020. GIS-based gully erosion susceptibility modeling, adapting bivariate statistical method and AHP approach in Gombe town and environs Northeast Nigeria. Geoenvironmental Disasters, 7(12): 1-16. https://doi.org/10.1186/s40677-020-00166-8 Jafari Gorzin B, Kavian A, Solaimani K. (2023). Investigation of Land use Changes and Its Role in the Hydrology of the Upstream Areas of Siahroud Watershed. J Watershed Manage Res. 14(27): 26-37. https://doi.org/:10.61186/jwmr.14.27.26 Jancewicz K, Migoń P, Kasprzak M. 2019. Connectivity patterns in contrasting types of tableland sandstone relief revealed by Topographic Wetness Index. Science of the Total Environment, 656(243): 1046-1062. https://doi.org/10.1111/sjtg.12348 Lana JC, Castro PDTA, Lana CE. 2022. Assessing gully erosion susceptibility and its conditioning factors in southeastern Brazil using machine learning algorithms and bivariate statistical methods: A regional approach. Geomorphology, 324(48):378-402. https://doi.org/10.1016/j.geomorph.2022.108159 Lei X, Chen W, Avand M, Janizadeh S, Kariminejad N, Shahabi H, Costache R, Shahabi H, Shirzadi A, Mosavi A. 2020. GIS-based machine learning algorithms for gully erosion susceptibility mapping in a semi-arid region of Iran. Remote Sensing, 12(15):147-172. https://doi.org/10.3390/rs.12152478 Liuzzo L, Sammartano V, Freni G. 2019. Comparison between different distributed methods for flood susceptibility mapping. Water Resources Management, 33)4):3155-3173. https://doi.org/10.5194/nhess.2020-332 Maerker M, Que´ne´herve G, Bachofer F, Mori S. 2015. A simple dem assessment procedure for gully system analysis in the lake Manyara Area, northern Tanzania.79(24):235–253. https://doi.org/10.3390/su151512056 Mohtashami Borzadaran, G R. 2021. Bayesian perspective over time. Statistical Thinking, 25 (2):1-11. https://doi.org/10.2048/StT.2020-332 Rahmati O, Tahmasebipour N, Haghizadeh A, Pourghasemi HR, Feizizadeh B. 2017. Evaluating the influence of geo-environmental factors on gully erosion in a semi-arid region of Iran: An integrated framework. Science of the Total Environment, 579(78): 913-927. (In Persian). https://doi.org/10.1016/j.scitotenv.2016.10.176 Rangzan K, zaheri Abdehvand Z, Mokarram M. 2022. Determining areas prone to gully erosion using fuzzy membership function (Case study: Mohr City in the south of Fars Province), Quantitative Geomorphological Research, 10(4): 56-74. https://doi.org/20.1001.1.22519424.1401.10.4.4.9 Roy J, Saha S. 2019. GIS-based gully erosion susceptibility evaluation using frequency ratio, cosine amplitude and logistic regression ensembled with Fuzzy logic in Hinglo River Basin, India, Remote Sensing Applications: Society and Environment, https://doi.org/10.1016/j.rsase.2019.100247 Saber chenari K, Bahremand A, Sheikh VB, Komaki CB. 2016. Gully erosion hazard zoning using of Dempster-Shafer Model in the Gharnaveh Watershed, Golestan Province, Iranian Journal of Ecohydrology, 3(2): 219-231. https://doi.org/ 10.22059/ije.2016.59663 Saeediyan H, shirani K, salajegheh A, ahmadi R. 2023. Investigating the performance of the entropy maximum model in determining the importance of effective environmental factors in creating gully erosion in semi-arid areas. Journal of New Approaches in Water Engineering and Environment, 2(1): 129-144. https://doi.org/10.22034/nawee.2023.407297.1047 Shadfar S. 2015. Determination of gully erosion potential using artificial neural network, case study: Turud watershed. Watershed Engineering and Management, 8(3): 256-263. (In Persian). https://doi.org/10.22092/ijwmse.2016.106809 Shahrivar A, Shadfar S, Khazaei M, Adeli B. 2016. Evaluation of trench erosion zoning methods (Case study: Abgandi Watershed). Ecohydrology, 4(1): 119-132. (In Persian). https://doi.org/10.22059/IJE.2017.60893 Shi Q, Wang W, Guo M, Chen Z, Feng L, Zhao M, Xiao H. 2020. The impact of flow discharge on the hydraulic characteristics of headcut erosion processes in the gully region of the Loess Plateau. Hydrological Processes, 34(3): 718-729. https://doi.org/10.1002/hyp.13620 Shit PK, Bhunia GS, Pourghasemi HR. 2020. Gully erosion susceptibility mapping based on bayesian weight of evidence. Gully Erosion Studies from India and Surrounding Regions, 94(35):133-146. https://doi.org/10.1007/978-3-030-23243-68 Shirani K. 2020. Gully erosion mapping and susceptibility assessment using statistical and probabilistic methods. Journal of Water and Soil Sciences, 25 (2):151-174. https://doi.org/10.47176/jwss.25.2.147215 Soleimani F, Kalehhouei M, Lotfollazadeh D. 2023. Study of the morphological characteristics of gullies in Khuzestan Province. Watershed Management Research Journal, 36(3): 23-41. (In Persian). https://doi.org/10.22092/wmrj.2023.360375.1497 Soleimanpour SM, Pourghasemi HR, Zare M. 2021. A comparative assessment of gully erosion spatial predictive modeling using statistical and machine learning models. Catena, 207(43): 342-361. https://doi.org/10.1016/j.catena.2021.105679 Sufi M, Issai H, Davoudi Rad AA, Zanjani Jam M, Shadfar S, Niknam M. and Nowrozi Kh. 2017. Investigation of the threshold of watershed erosion slope in Iran, phase 1: Fars, Golestan, Markazi and Zanjan Provinces, Research Project, Soil Conservation and Watershed Research Institute, Agricultural Research, Education and Extension Organizations, 83 p. (In Persian). Sun L, Liu YF, Wang X, Liu Y, Wu GL. 2022. Soil nutrient loss by gully erosion on sloping Alpine steppe in the Northern Qin- ghai- Tibetan Plateau.Catena, 218(26):184-208. https://doi.org/10.1016/j.catena.2021.105763 Tadesual A, Setargie M, Ebabu K, Nzioki B, Meshesha TM. 2023. Random Forest–based gully erosion susceptibility assessment across different agro-ecologies of the Upper Blue Nile Bbasin, Ethiopia. Geomorphology, 431(14):241-263 https://doi.org/10.1016/j.geomorph.2023.108671. Tahmasabipour N, Rahmati A, Qurbani Nejad S. 2015. Prediction of susceptibility to gully erosion in Simera region based on the certainty factor model and determination of the importance of factors affecting it, Ecohydrology, 1(3): 83-93. (In Persian). https://doi.org/10.22059/IJE.2016.59192 Yang S, Guan.Y, Zhao C, Zhang C, Bai J, Chen K. 2019. Determining the influence of catchment area on intensity of gully erosion using high-resolution aerial imagery: A 40-year case study from the Loess Plateau, northern China, Geoderma, 347(83):90-102. https://doi.org/10.1016/j.geoderma.2019.03.042 Yousefi Mobarhan E, Shirani K. 2023. Assessment of maximum entropy (ME) to identify effective factors on gully erosion and determination of sensitive Areas in Alaa Semnan Watershed. Journal of Watershed Management Research. 14(28): 37-54. https://doi.org/10.61186/jwmr.14.28.37 Zakerinejad R, Alvandi P. 2023. Spatial prediction of gully erosion using TanDEM-X data and Maximum Entropy Model (A case study: Khasoyeh Watershed, in Southeast of Fars Province). Environmental Erosion Research Journal, 3(1):96-113. https://doi.org/20.1001.1.22517812.1402.13.1.4.6 | ||
|
آمار تعداد مشاهده مقاله: 955 تعداد دریافت فایل اصل مقاله: 114 |
||