بررسی پتانسیل مناطق مستعد فرسایش با مدل‌های ICONA، ماشین بردار پشتیبان، چاید و جنگل تصادفی (مطالعه موردی: حوضه گناباد)

جغرافیا و مخاطرات محیطی

مقاله 5، دوره 10، شماره 4 - شماره پیاپی 40، بهمن 1400، صفحه 93-112   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.71162.1080

نویسندگان

محمدعلی زنگنه اسدی¹؛ مهناز ناعمی تبار^{* 2}؛ رحمان زندی³

¹دانشیار ژئومورفولوژی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

²دانشجوی دکتری ژئومورفولوژی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

³استادیار گروه سنجش‌ازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

چکیده

مدل­های تجربی برآورد فرسایش برای یک منطقه خاص تهیه شده­­اند و واسنجی آن‌ها برای استفاده در شرایطی غیر از محل تهیه آن‌ها ضروری است. بررسی دقت مدل­های تجربی برای تخمین فرسایش می­تواند منجر به برآوردهای بهتر از بار رسوبی و درنتیجه طراحی بهتر عملیات حفاظت خاک و آب گردد. لذا شناسایی مناطق پر خطر فرسایش جهت کنترل و کاهش فرسایش و تولید رسوب ضروری است. هدف از این پژوهش بررسی دقت و قابلیت مدل‌های[1] ICONA ماشین بردار پشتیبان، چاید و جنگل تصادفی در تخمین فرسایش است. ابتدا لایه­های رقومی متغیرهای مؤثر در فرسایش شامل شیب، سازند زمین‌شناسی، کاربری اراضی، خاک، ارتفاع، جهت شیب، انحنا سطح، تراکم شبکه آبراهه، فاصله از آبراهه، تراکم گسل، فاصله از گسل و شاخص رطوبت توپوگرافی (Twi) تهیه گردید. در این پژوهش به‌منظور مقایسه مدل‌های مختلف از شاخص‌های آماری ضریب همبستگی (R) و قدر مطلق خطا )­MAE) استفاده شده است. بررسی نتایج نشان دادند که از میان مدل‌های نام برده مدل ماشین بردار پشتیبان، ICONA و جنگل تصادفی با الگوی M7، M9 و M12 بیشترین دقت را با ضریب همبستگی)899/0)، (845/0) و (921/0) و کمترین میانگین قدر مطلق خطا (711/0= MAE)، (721/0= MAE) و (628/0= MAE) دارد. با توجه به مطالعه عوامل مؤثر در مدل فرسایش خاک این نتیجه به دست می­آید که پارامترهای شیب، سازند زمین‌شناسی، کاربری اراضی، خاک، فاصله از آبراهه و شاخص رطوبت توپوگرافی (Twi) حساسیت بیشتری نسبت به فرسایش داشته و عوامل مؤثر بر فرسایش در این مناطق فعالیت بیشتری دارند. بخش اعظم منطقه موردمطالعه، جزو طبقه فرسایشی خیلی زیاد تا زیاد قرار دارد که به‌طور عمده این کلاس­ها در مرکز منطقه قرار گرفته­اند. بیشترین مناطق تحت خطر فرسایش بالا تا شدید، در واحد توپوگرافی با شیب زیاد واقع شده­اند.
 
 

کلیدواژه‌ها

فرسایش خاک؛ حوضه گناباد؛ مدل‌های تجربی؛ شاخص های آماری؛ ضریب همبستگی

مراجع

خالقی، سمیه؛ نصرتی، کاظم؛ عباسپور، رحیم؛ 1399. برآورد فرسایش خاک و انتقال رسوب در حوضه آبخیز بادآور لرستان با استفاده از مدلSWAT. پژوهش‌های ژئومورفولوژی کمّی. شماره 3. 186-202.

خسروی اقدم، کمال؛ ممتاز، حمیدرضا­؛ اسدزاده، فرخ؛ 1398. برآورد عامل فرسایش‌پذیری خاک مدل USLE و ارتباط آن با برخی از ویژگی­های زمین منظر در بخشی از حوزه آبخیز نازلو چای ارومیه. مجله تحقیقات کاربردی خاک. شماره 7. 43-31.

رضازاده، محمد سهیل؛ بختیاری، بهرام؛ عباس پور، کریم؛ احمدی، محمد؛ 1397. شبیه‌سازی رواناب، رسوب و تبخیر تعرق با استفاده از سناریوهای مدیریتی برای کاهش  بار رسوب با استفاده از مدل SWAT. نشریه علوم و مهندسی آبخیزداری ایران. شماره 41. 51-40.

سیاسر، هادی؛ هنر، تورج؛ 1398. کاربرد مدل‌های ماشین بردار پشتیبان، چاید و جنگل تصادفی در برآورد تبخیر تعرق مرجع روزانه در شمال استان سیستان و بلوچستان. نشریه آبیاری و زهکشی ایران. شماره 2. 388-378.

قربانی نژاد­، سمیرا؛ زینی وند، حسین؛ حقی زاده،­ علی­؛ طهماسبی، ناصر؛ 1398. بررسی کارایی مدل دمپستر- شافر در پتانسیل‌یابی مناطق مستعد فرسایش خاک حوزه آبخیز کاکا رضا در استان لرستان. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 9. 114-100.

کرمی، فریبا؛ بیاتی خطیبی، مریم؛ 1398. مدل‌سازی فرسایش خاک و اولویت‌بندی تولید رسوب در حوضه سد ستارخان اهر با استفاده از مدل‌های MUSLE و SWAT. هیدروژئومورفولوژی. شماره 18. 115-137.

مزبانی، مهدی؛ رضایی مقدم، محمدحسین؛ حجازی، اسدالله؛ 1400.  ارزیابی خطر فرسایش خاک در کاربری‌های اراضی با استفاده از معادله اصلاح‌شده جهانی فرسایش خاک (مطالعه موردی: حوضه آبریز سیکان). جغرافیا و مخاطرات محیطی. شماره 37. 41-63.

یمانی، مجتبی؛ عرب عامری، علیرضا؛ 1397. کارایی آنالیز کمی پارامترهای ژئومورفومتریک در تهیه نقشه حساسیت فرسایش خاک (مطالعه موردی: حوضه منج). جغرافیا و مخاطرات محیطی. شماره 26. 21-1.

Ashraf  A., 2020. Risk modeling of soil erosion under different land use and rainfall conditions in Soan river basin. Sub -Himalayan region and mitigation options. Modeling Earth Systems and Environment, 6:  417–428.

Ayele G.T, Teshale E.Z, Yu B, Rutherfurd I.D, Jeong J., 2017. Streamflow and Sediment Yield Prediction for Watershed Prioritization in the Upper Blue Nile River Basin. Ethiopia. Water 9: 1-29.

Borrelli P,  Alewell Ch, Alvarez P, Jamil Alexandre A.A, Jantiene B, Cristiano B, Nejc B,  Marcella B,  Artemi C, Devraj Ch, Songchao Ch, Walter Ch, Anna M, Gizaw Desta G, Detlef D, Nazzareno D, Nikolaos E, Gunay E, Peter F, Michele F, Francesco G, Andreas G, Nigussie H, Bifeng H, Amelie J, Konstantinos K, Kiani-Harchegani M, Ivan Lizaga V, Changjia L, Luigi L, Manuel L, Manuel Esteban L, Michael M, Francis M, Chiyuan M, Matjaž M, Sirio M, Markus M, Victoria N, Laura P, Raquel P, Laura Q, Rahdari M, Renima M, Giovanni F, Jesús R, Sergio S, Samani A, Calogero S, Vasileios S, Hyuck Soo K, Diogo Noses S, Paulo Tarso O, Hongfen T, Resham T, Konstantinos V, Diana V, Jae E, ShuiqingY, Demetrio Antonio Z, Guangju Z, Panos P., 2021. Soil erosion modelling: A global review and statistical analysis. Science of the Total Environment 780 : 3-16.

Briak H, Moussadek R, Aboumaria  KH, Mrabet R., 2016. Assessing sediment yield in Kalaya gauge dwatershed (Northern Morocco) using GIS and SWAT model. International Soil and Water Conservation Research 4: 177- 185.

Christos G, Panagos P, Ioannis Z, Gitas., 2014. A classification of water erosion models according to their geospatial characteristics. International Journal of Digital Earth 7: 229-250.

Duru U, Arabi M, Whol E., 2018. Modeling stream flow and sediment yield using the SWAT model: a case study of Ankara River basin, Turkey. Journal Physical Geography 39: 264-289.

Gull S, MA A, Dar A.M., 2017. Prediction of Stream Flow and Sediment Yield of Lolab Watershed Using SWAT Model. HydrologyCurrent Research 8: 1-9.

ICONA. 1991. Plan National de Restauracion hidrologico-forest alpara el Control de la Erosion. Ministries deAgriculture, Pescay Alimentacion, Madrid.

Kisi O, Kilic Y. 2015. An investigation on generalization ability of artificial neural networks and M5 model tree in modeling reference evapotranspiration. TheorAppl Climatol, 1-13.

Kumar T,  jahria DC, Pandey H.K., 2019. Comparative study of different models for soil erosion and sediment yield in Pairi watershed, Chhattisgarh, India. Journal Geocarto internathinal 9: 112-124.         

Muche H, Temesgen M, Yimer F., 2013. Soil loss prediction using USLE and MUSLE under conservation tillage integrated with ‘fanya juus’ in Choke Mountain, Ethiopia. International Journal of Agricultural Sciences 3: 046-052.

Pahlavan Rad M.R, Toomanian N,  Khormali F, Brungard C, Komaki C.B,  Bogaert P., 2014. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loessderived soils of northern Iran. Journal of Geoderma 32:  97–106.

Thi Phuong Y, Chau V, Trung T, Nguyen B N, Huynh CH., 2014. Modeling Soil Erosion within Small Moutainous Watershed in Central Vietnam Using GIS and SWAT. Resources and Environment 4: 139-147.