Evaluation of Gully Erosion Sensitivity using Maximum Entropy Model in Shoor River Watershed (Mohr Township)

جغرافیا و مخاطرات محیطی

Article 7, Volume 11, Issue 3 - Serial Number 43, November 2022, Pages 123-145   

Document Type: Research Article

DOI: 10.22067/geoeh.2022.76707.1228

Authors

Aghil Madadi^{* 1}; Sayyad Asghari Saraskanroud²; Saeed Negahban³; Mehri Marhamat⁴

¹Professor, Department of Geomorphology, Faculty of Literature and Humanities, University of Mohaghegh Ardabili, Ardabil, Iran

²Associate Professor, Department of Geomorphology, Faculty of Literature and Humanities, University of Mohaghegh Ardabili, Adabil, Iran

³Associate Professor, Department of Geomorphology, Faculty of Economics, Management and Social Sciences, Shiraz University, Shiraz, Iran

⁴PhD Candidate in Geomorphology, University of Mohaghegh Ardabili, Ardebil, Iran

Abstract

Gully erosion is one of the most important land degradation processes that leads to reduced land use. The southern and southeastern parts of the Shoor-Mohr basin have been affected by gully erosion. The consequences of this type of erosion include disturbing the ecological balance of the region, endangering the biological resources, which have necessitated the study of gully erosion in the region. The purpose of this study is to prepare a zoning map for gully erosion sensitivity using the maximum entropy model and GIS. To achieve this goal, 15 variables were selected: height, slope, slope direction, distance from waterway, drainage density, distance from road, soil texture, geology, land use, rainfall, distance from fault, vegetation, cross section curvature, flow strength index (SPI), and Topographic Moisture Index (TWI). Linearity test was performed using Variance Inflation Factor and Tolernace indices. Out of 100 selected gullys, 70% were randomly selected for educational data and 30% for classification validation. Bootstrap sampling method was used to run the model. Jackknife test was used to determine the most important variables and ROC curve was used to determine the predictive power of the model. Test results showed alignment between vegetation, fault distance, cross-sectional curvature, SPI, and TWI, they were thus omitted. According to Jackknife test, the variables of height, average annual rainfall, soil texture, drainage density, geology, distance from the road, distance from the river had the greatest effect on gully erosion, respectively. The ROC curve represents 95% accuracy in the validation stage of the model. According to this model, more than 15% of the basin (8445.83 hectares) is very sensitive to gully erosion.

Keywords

Gully Erosion; Zoning; Sensitivity; Maximum Entropy; ROC

References

امیری، مهدیس؛ پورقاسمی، حمیدرضا؛ قنبریان، غلام عباس؛ افضلی، سیدفخرالدین؛ 1396. مدل­سازی مکانی فرسایش خندقی حوزه آبخیز مهارلو با استفاده از سناریوهای مختلف و الگوریتم وزن واقعه، مهندسی و آبخیزداری. جلد 11. شماره 4. صص 1032-1016.  https://doi.org/10.22092/ijwmse.2018.120399.1435

بهیاری، مهدی؛ علیزاده، ا؛ محمودیان، شهاب؛ 1396. ارزیابی تأثیر ساختارهای فعال بر خطر فرونشست زمین با استفاده از مدل­های تصمیم­گیری چندمتغیره. زمین­شناسی کاربردی پیشرفته. شماره 24. صص: 56-49.   https://doi.org/10.22055/aag.2017.13229

جعفرزاده، مریم؛ طهماسبی پور، ناصر؛ حقی زاده، علی؛ پورقاسمی، حمیدرضا؛ روحانی، حمید؛ 1399. بررسی کارآیی روش­های نمونه‌برداری داده­های مشاهداتی بر پهنه­های قابلیت نفوذ آب در خاک با روش ماکزیمم آنتروپی. مدیریت حوزه آبخیز. سال یازدهم. شماره 22. صص:110-96. 20.1001.1.22516174.1399.11.22.5.1

خطیبی، مریم؛ 1400. تعیین آستانه­های اقلیمی و توپوگرافی برای شروع فرسایش خندقی در شیب­های نواحی نیمه‌خشک (مطالعه موردی: حوضه اوجان چای، دامنه شرقی کوهستان سهند). پژوهش­های جغرافیای طبیعی. دوره53. شماره4. صص: 445-431.   10.22059/JPHGR.2022.106008.1006609

ذاکری نژاد، رضا؛ 1399. ارزیابی مدل­های رقومی ارتفاع جهت تعیین پتانسیل فرسایش خندقی با استفاده از مدل مکسنت و سامانه اطلاعات جغرافیایی (مطالعه موردی: حوضه آبخیز سمیرم، جنوب استان اصفهان). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. سال 11. شماره3. صص: 122-106.  http://girs.iaubushehr.ac.ir

زارع چاهوکی، محمدعلی؛ ناصری حصار، نرگس؛ جعفری، محمد؛ 1396. مدل­سازی پراکنش تیب­های گیاهی با استفاده از روش آنتروپی حداکثر (مطالعه موردی: مراتع غرب شهرک صنعتی اشتهارد). فصلنامه تحقیقات مراتع و بیابان ایران. 25 (2): صص: 309-298. 10.22092/IJRDR.2018.116842

شهبازی، خسرو؛ وکیلی تجره، فرزانه؛ 1400. اولویت‌بندی عوامل مؤثر بر فرسایش خندقی و تعیین پهنه­های حساس در استان کرمانشاه با استفاده از مدل Maxent. انجمن آبخیزداری ایران. سال پانزدهم. شماره 54. صص: 58-48.  20.1001.1.20089554.1400.15.54.6.2

شهبازی، خسرو؛ وکیلی تجره، فرزانه؛ الوندی، احسان؛ بیات، اصغر؛ اسدی نلیوان، امید؛ 1400. ارزیابی مدل­های شبکه عصبی مصنوعی و حداکثر آنتروپی در پهنه‌بندی حساسیت فرسایش آبکندی حوزه آبخیز سد گلستان. علوم و مهندسی آبخیزداری ایران. سال 15. شماره52. صص: 23-12. 20.1001.1.20089554.1400.15.52.4.6

عرب عامری، علی رضا؛ رضایی، خلیل؛ یمانی، مجتبی؛ 1396. ارزیابی حساسیت زمین نسبت به فرسایش خندقی با تکنیک داده کاوی گروهی مطالعه موردی: حوضه شاهرود. علوم زمین. سال 28. شماره 111. صص: 150-139. https://doi.org/10.22071/gsj.2018.114756.1374

عرب عامری، علی رضا؛ رضایی، خلیل؛ یمانی، مجتبی؛ 1397. تحلیل متغیرهای محیطی به‌منظور تهیه نقشه حساسیت فرسایش خندقی در حوضه طرود با روش شواهد وزن قطعی. مرتع و آبخیزداری. مجله منابع طبیعی ایران. دوره 71 شماره 1. صص: 114-97. 10.22059/jrwm.2018.244297.1178

گرنامی، رضا؛ شادفر، صمد؛ 1396. کاربرد GIS در تعیین مناطق مستعد فرسایش خندقی با روش فرآیند تحلیل شبکه. پژوهش‌های آبخیزداری. دوره 21. شماره 4. صص: 68-58. 10.22092/WMEJ.2018.121633.1112

 

Arabameri, A., Pradhan,B., Rezaei,Kh., & Conoscent, Ch., 2019. Gully erosion mapping using GIS- based multi –criteria decision analysis techniques, Catena180:282-297. DOI:10.1016/ j. catena. 2019.04.032

Auerswald, K., Fiener, P.,Martin,W., & Elhaus, D., 2014. Use andmisuse of the K factor equation in soil erosion modeling: an alternative equation for determining USLE nomograph soil erodibility values. Catena 118, 220–225. DOI:10.1016/j.catena.2014.01.008

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 , 684–696. DOI: 10.1016/j.scitotenv.2018.11.235

Bernini, A., Bosino, A., Botha, G., & Mearker, M., 2021. Elevation of gully erosion suscepceptibility using a maximum entropy model in the upper Mkhomazi River Basin in South Africa. Geo Information,1-20. https://doi.org/10.3390/ijgi10110729

Conoscenti, C., Agnesi, V., Cama,M., Caraballo-Arias, N.A.,& Rotigliano, E., 2018. Assessment of gully erosion susceptibility using multivariate adaptive regression splines and accounting for terrain connectivity. Land Degrad. Dev. 29 (3), 724–736. DOI:10.1002/ldr.2772

Dube, F., Nhapi, I., Murwira, A., Gumindoga, W., Goldin, J., & Mashauri, D.A., 2014. Potential of weight of evidence modelling for gully erosion hazard assessment in Mbire District–Zimbabwe. Phys. Chem. Earth 67, 145–152. https://doi.org/10.1016/j.pce.2014.02.002

Ghorbanzadeh, O., Shahabi, H., Mirchooli, F., Valizadeh Kamran, KH., Lim,S., Aryal, J., Jarihani, B., & Blaschke, TH., 2020. gully erosion susceptibility maping(GESM) using machine learning methods optimized by the multi-collinearity analysis and K-fold cross validation. Geomatics, Natural Hazards and Risk VOL. 11, NO. 1, 1653–1678. https://doi.org/10.1080/19475705.2020.1810138

Hongchun, Z.H.U., Guoan, T., Kejian, Q., & Haiying, L., 2014. Extraction and analysis of gully head of loess plateau in China based on digital elevation model. Chin. Geogr. Sci. 24(3), 328–338. doi: 10.1007/s11769-014-0663-8   

Javidan, N., Kavian,A., Pourghasemi, H, M., Conoscenti, CH., Jafarian,Z., & Rodrige-Comino, J., 2021. Evaluation of multi‑hazard map produced using MaxEnt machine learning technique Nature portfolio, 64-94. https://doi.org/10.1038/s41598-021-85862-7

Kariminejad, N.; Hosseinalizadeh, M.; Pourghasemi, H.R.; Bernatek-Jakiel, A.; Campetella, G.; & Ownegh, M., 2019. Evaluation of factors affecting gully headcut location using summary statistics and the maximum entropy model: Golestan Province, NE Iran. Sci.Total Environ. 677, 281–298. DOI: 10.1016/j.scitotenv.2019.04.306

Le Roux, J. J., & Sumner, P. D., 2012. Factors controlling gully development: Comparing continuous and discontinuous gullies. Land Degradation & Development, 23(5), 440–449. https://doi.org/10.1002/ldr.1083

Manap, M.A., Sulaiman, W.N.A., Ramli, M.F., Pradhan, B., & Surip, N., 2013. A knowledgedriven GIS modeling technique for groundwater potential mapping at the Upper Langat Basin, Malaysia. Arab. J. Geosci. 6, 1621–1637. https://doi.org/10.1007/s12517-011-0469-2

Mararakanye, N.,& Sumner, P.D., 2017. Gully erosion: A comparison of contributing factors in two catchments in South Africa. Geomorphology 288, 99–110. https:// doi.org/ 10.1016/ j.geomorph. 2017.03.029

Panagos, P., Standardi, G.,  Borrelli, P.,  Lugato, E., Montanarella, L., & Bosello, F., 2018. Cost of agricultural productivity loss due to soil erosion in the European Union: From direct cost evaluation approaches to the use of macroeconomic models. L. Degrad. Dev.29, 471–484.   https://doi.org/10.1002/ldr.2879

Pandey, V.K., Pourghasemi, H.R., & Sharma, M.C., 2018. Landslide susceptibility mapping using maximum entropy and support vector machine models along the Highway Corridor, Garhwal Himalaya. Geocarto International 35(2):1-38. DOI:10.1080/ 10106049. 2018. 1510038

Prasad, R.K., N.C. Mondal, P. Banerjee, M.V. Nandakumar &. Singh .V.S., 2008. Deciphering potential groundwater zone in hard rock through the application of GIS. Environ. Geol, 55(3): 467-475. DOI:10.1007/s00254-007-0992-3

Rahmati, O., Haghizadeh, A., Pourghasemi, H.R., &  Noormohamadi, F., 2016. Gully erosion susceptibility mapping: the role of GIS-based bivariate statistical models and their comparison, Nat. Hazards, 82 (2), 1231–1258. http://link.springer.com/10.1007/s11069-016-2239-7

Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., & Feizizadeh, B., 2017. Evaluating the influence of geo-environmental factors on gully erosion in a semi-arid region of Iran: An integrated framework. Sci. Total Environ. 579, 913–927. DOI: 10.1016/ j.scitotenv. 2016.10.176 

Saha, A., Chandra pal, S., Arabameri, A.R., Chowdhuri, I., Rezaie, F., Chakrabortty, R., Roy, P., & Manisa, SH., 2021. Optimization modelling to establish false measures implemented with ex-situ plant species to control gully erosion in monsoon–dominated region with novel in situ measurements. Enviromental management, 287, 112284. DOI: 10.1016/ j.jenvman. 2021. 112284

Shit, P.K., Paira, R., Bhunia, G. & Maiti, R., 2015. Modeling of potential gully erosion hazard using geo-spatial technology at Garbheta block, West Bengal in India. Model, Earth Sys. Environ, 1 (1–2), 1–16. DOI:10.1007/s40808-015-0001-x

Umar, Z., Pradhan,B., Ahmad, A., Jebur, M.N., & Shafapur Tehrany, M., 2014. Earth quake induced landslide susceptibility mapping using an integrated ensemble frequencyratio and logistic regression models in West Sumatera Province,Indonesia. Catena118,124-135. https://doi.org/10.1016/j.catena.2014.02.005

Zakerinejad, R., & Maerker, M., 2014. Prediction of gully erosion susceptibilities using detailed terrain analysis and Maximum Entropy Modeling: A case study in the Mazayejan plain, Southwest Iran. Geogr. Fis. E Din. Quat. 37, 67–76. DOI:10.4461/GFDQ.2014.37.7