Evaluation of the impacts of land-use change on watershed runoff simulation using the MLP model, Case study: Yalfan catchment

فصلنامه آب و توسعه پایدار

Article 10, Volume 1, Issue 2, September 2014, Pages 65-74   

Document Type: review paper

DOI: 10.22067/jwsd.v1i2.34499

Authors

marzei rasooli^* ; ali hage; hossein zenevand; alireza ildrome

Abstract

Land-use change affects a number natural processes such as soil erosion, sedimentation, flooding and destruction of soil physical and chemical properties. This change of ecosystem causes the degradation of soil quality which eventually leads to a severe decrease in soil fertility. Therefore, various aspects of land-use change should be taken into account in national major decision makings. This study makes use of Artificial Neural Network, Multilayer Perception (ANN-MLP) and land-use planning model (Dr. Makhdoom’s method) to assess the impacts of land-use change on runoff. The study site was Yalfan catchment, Hamedan province, Iran. According to the results over the statistical period of 1375 to 1389, the Artificial Neural Network model’s (ANN) simulation resulted in the Nash-Sutcliffe model efficiency of 0.74 and root-mean-square error index of 0.01 which was indicative of an acceptable accuracy for the simulation of the daily runoff of Yalfan catchment. Furthermore, the hydrograph peak flow was decreased by 45% after the optimum land-use was implemented. This means a decrease of possible flood damages. It is concluded that the ANN model can be introduced as an appropriate model for runoff simulation in Yalfan and assessing the impacts of land-use change scenarios on runoff.

Keywords

Land-use change; Yalfan catchment; ANN-MLP model; runoff; land-use planning

References

اداره‌ی منابع طبیعی استان همدان، بخش مطالعات آبخیزداری. 1389. مطالعات تلفیقی حوضه‌ی سد اکباتان.

اداره‌ی منابع طبیعی استان همدان، بخش اطلاعات سنجش از دور. 1384. استخراج نقشه کاربری اراضی حوضه‌ی سد اکباتان.

اونق، م. و میرکریمی، س. ح.1382. مدل ارزیابی انطباق زیست محیطی کاربری‌های فعلی و آتی استان گلستان. مجله‌ی دانشگاه علوم کشاورزی و منابع طبیعی گرگان،10(3): 5-15.

بیات، ب.، متکان، ع.، رحمانی، ب. و عربی،ب. 1390. برنامه‌ریزی جامع کاربری اراضی و آمایش سرزمین در حوضه‌های آبریز شهری با استفاده از GIS، مطالعه موردی: حوضه آبریز ماهیدشت. فصل‌نامه‌ی جغرافیایی آمایش محیط، شماره‌ی 13: 1-10.

بی‌همتا، م. و زارع چاهوکی، م. 1389. اصول آمار در علوم منابع طبیعی.انتشارات دانشگاه تهران. چاپ دوم. 300ص.

پرورش،ح.، دهقانی، م. و نوحه‌گر،ا. 1389. مقایسه‌ی روش آمایش فیزیکی (ژئومرفولوژی) و روش آمایش سرزمین جهت ارزیابی توان اکولوژیکی حوضه آبخیز نسا در استان هرمزگان. مجله‌ی آمایش سرزمین سال دوم، 2: 27-50.

رحیمی، ف. 1389. مقایسه‌ی توانایی روش‌های شبکه‌ی عصبی مصنوعی و منطق فازی در برآورد میزان رواناب (مطالعه موردی:حوضه‌ی آبریز کن البرز مرکزی)، پایان‌نامه کارشناسی ارشد سنجش از دور و GIS. دانشکده علوم زمین. دانشگاه شهید بهشتی.135ص.

سرهنگ‌زاده،ج. و مخدوم، م. 1381. آمایش سرزمین منطقه حفاظت شده‌ی ارسباران. مجله محیط شناسی،(30):31-42.

فرهادی، ع.،ولی سامانی، ج. و حبیبی، م.1375. ارزیابی تأثیر عملیات آبخیزداری بر رسوب‌گذاری و عمر مفید سد اکباتان.پایان نامه کارشناسی ارشد تأسیسات آبیاری. دانشکده ی کشاورزی، دانشگاه تربیت مدرس.200ص.

قنبرآبادی،ح.،مرادی‌پور،ش. وقارزی،ر.1389.برنامه جامع استفاده از سرزمین حوضه آبخیز با استفاده از سیستم اطلاعات جغرافیایی. مجموعه مقالات همایش منطقه-ای ایده‌های نو در کشاورزی پایدار. دانشگاه آزاد اسلامی. واحد بروجرد.

مخدوم، م.1390. شالوده آمایش سرزمین. انتشارات دانشگاه تهران.

نصری،م.، مدرس،ر. و دستورانی، م.1389. اعتبارسنجی مدل شبکه عصبی رابطه بارندگی رواناب در حوضه آبریز سد زاینده رود. مجله‌ی علمی پژوهشی پژوهش‌های آبخیزداری (پژوهش وسازندگی). شماره88: 1-10.

Dawson W. and Wilby R. 1998. An artificial neural network approach to rainfall-runoff modeling. Hydrological Sciences - Journal - des Sciences Hydrologiques, 43(1). 1- 10.

Harpham C., Dawson CW. 2005. The effect of different basis functions on a radial basis function network for time series prediction: A comparative study. Neurocomputing, 69: 2161 -2170.

Khan S.M., Coulibaly P. and DibikeY. 2006. Uncertainty analysis of statistical downscaling methods. J. hydrol. 319: 357- 382.

Motovilov Y.G., Gottschalk L., Engeland K. and Rohde A. 1999. Validation of a distributedhydrological model against spatial observations. Agriculture and Forest Meteorology, 98- 99: 257- 277.

O’connor M.K. 1997. Applied hydrology deterministic. Unpublished lecture note Depatrtment of engineering hydrology. National university of Ireland, Galway.Sikka A.K., Sarma J.S., Sharda V.N., Samraj P. and Lakshmanam V. 2003. Low Flow and High Flow Responses to Converting Natural Grassland into Bluegum (Eucalyptus globulus) in Nilgiris Watersheds of South India. Journal of Hydrology, 270: 12- 26.

Sudheer K.P., Gosain A.K. and Ramasastri K.S.2002. A data-driven algorithm for constructing artificial neural network rainfall-runoff models. Hydrol. Process, 16: 1325–1330.