کاربرد مدل تصمیم‌گیری چندمعیاره در ارزیابی تناسب اراضی

آب و خاک

مقاله 4، دوره 37، شماره 1 - شماره پیاپی 87، فروردین و اردیبهشت 1402، صفحه 45-62   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2023.78892.1205

نویسندگان

سحر اخوان¹؛ احمد جلالیان^{* 2}؛ نورایر تومانیان³؛ ناصر هنرجو²

¹دانشجوی علوم خاک،گروه خاکشناسی، دانشکده کشاورزی و منابع طبیعی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران.

²گروه علوم خاک، دانشکده کشاورزی و منابع طبیعی اصفهان، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران;

³مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان

چکیده

تحلیل تناسب اراضی با استفاده از مجموعه متنوعی از عوامل موثر بر تولید کمی و کیفی محصولات و بررسی پیچدگی­های روابط آن­ها باهم، و همچنین نقشه­برداری کاربری اراضی، از مفیدترین کاربردهای سامانه اطلاعات جغرافیایی وکاربرد مدل­های تصمیم­گیری چندمعیاره در مدیریت منابع زمین است. در پژوهش حاضر، ارزیابی کیفی تناسب اراضی با استفاده از مدل‌های فرآیند تحلیل سلسله مراتبی فازی و پارامتریک برای محصول گندم آبی و یونجه مورد بررسی قرار گرفت. مشخصات خاک، شرایط اقلیمی، توپوگرافی و دسترسی به آب، جاده و مراکز جمعیتی، بر اساس چارچوب سازمان خواربار جهانی و کشاورزی و نظرات کارشناسان انتخاب شد. تابع درونیابی برای ویژگی­های کیفی و کمی موردنظر، استفاده شد وارزیابی بر اساس مدل­های پارامتریک و فرآیند تحلیل سلسله مراتبی فازی انجام شد. بر اساس مدل پارامتریک، مقادیر شاخص‌های زمین برای گندم و یونجه از 50 درصد در برخی نقاط تا 78 درصد در منطقه مورد مطالعه متغیر است،که دشت را به طبقات مناسب  (S2)و خیلی مناسب (S1) طبقه‌بندی می‌کند. مقادیر ترجیحی فرآیند تحلیل سلسله مراتبی فازی برای کشت گندم و یونجه به ترتیب در منطقه مورد مطالعه از 25 تا 73 درصد و 24 تا 50 درصد می­باشد که به عنوان متوسط تا خیلی زیاد طبقه‌بندی می­شود. ضریب کاپا کوهن بین شاخص­های پارامتری زمین و مقادیر ترجیحی فرآیند تحلیل سلسله مراتبی فازی با عملکرد گندم و یونجه مشاهده شده، به ترتیب بین 03/0 تا 237/0 و 001/0 تا 04/0 متغیر است که اعتبار هر دو مدل در برآورد تناسب اراضی برای تولید محصول در منطقه مورد مطالعه را تایید می­کند. نتایج مطالعه حاضر نشان می­دهد که فرآیند تحلیل سلسله مراتبی فازی یک استراتژی موثر برای افزایش دقت وزنی معیارهای موثر بر تحلیل تناسب زمین نسبت به روش سنتی برای شناسایی محدودیت­های کشت محصولات می‌باشد.

کلیدواژه‌ها

پارامتریک؛ تناسب اراضی؛ سامانه اطلاعات جغرافیایی؛ فازی

مراجع

1. Ayubi, , & Jalalian, A. (2014). Land evaluation (agricultural uses and natural resources). Publications of Isfahan University of Technology. Fifth Edition. (In Persian)
2. Brahma, B., Pathak, K., Lal, R., Kurmi, B., Das, M., Nath, P.C.,& Das, A.K. (2018). Ecosystem carbon sequestration through restoration of degraded lands in Northeast India. Land Degradation & Development 29(1): 15-25. https://doi.org/10.1002/ldr.2816.
3. Chang, D.Y. (1996). Applications of the extent analysis method on fuzzy AHP. European Journal of Operational Research 95(3): 649-655.‏ https://doi.org/10.1016/0377-2217(95)00300-2.
4. Chen, Y., Yu, J., & Khan, S. (2010). Spatial sensitivity analysis of multi-criteria weights in GIS-based land suitability evaluation. Environmental Modelling & Software 25(12): 1582-1591.‏ https://doi.org/10.1016/j.envsoft.2010.06.001.
5. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement 20(1): 37-46. ‏https://doi.org/10.1177/001316446002000104.
6. Dent, D., & Young, A. (1981). Book: Soil survey and land evaluation. George Allen & Unwin.
7. (1976a). A framework for land evaluation. Food and Agricultural Organization of the Unite Nations, Rome.
8. (1976b). A framework for land evaluation. FAO Soil Bulletin 32, Rome.
9. FAO. (1983). Guidelines: land evaluation for rainfed agriculture. FAO Soils Bulletin, No. 52, FAO, Rome.
10. (1985). Guideline: land evaluation for irrigated agriculture. FAO Soils Bulletin, No. 55. Rome.
11. (1993). Guideline for Land use planning. FAO Development Series No: 21, Rome, p 96.
12. Fekadu, Dadi, A., Miller, E.R., & Mwanri, L. (2020). Antenatal depression and its association with adverse birth outcomes in low and middle-income countries: a systematic review and meta-analysis. PloS One 15(1): e0227323. ‏https://doi.org/10.1371/journal.pone.0227323.
13. Gee, G.W., & Bauder, J.W. (1986). Particle-size analaysis In: A. Klute, Methods of soil analysis, Part 1-Physical and mineralogical methods, 2nd edition, Soil Sci. Soc.Am. Madison, Wiscon. USA. 383-409.
14. Jiang, H., & Eastman, J.R. (2000). Application of fuzzy measures in multi-criteria evaluation in GIS. International Journal of Geographical Information Science 14(2): 173-184.‏ https://www.tandfonline.com/doi/abs/10.1080/136588100240903.
15. Karlen, D.L. (2008). Sustainability indicators: a scientific assessment. Journal Environment Quality 37: 1663-1663. https://doi.org/10.2134/jeq2008.0005br.
16. Kihoro, J., Bosco, N.J., & Murage, H. (2013). Suitability analysis for rice growing sites using a multicriteria evaluation and GIS approach in great Mwea region, Kenya. SpringerPlus 2(1): 1-9. Available at https://link.springer.com/article/10.1186/2193-1801-2-265.
17. Mert, M., Bölük, G., & Çağlar, A.E. (2019). Interrelationships among foreign direct investments, renewable energy, and CO₂ emissions for different European country groups: a panel ARDL approach. Environmental Science and Pollution Research 26(21): 21495-21510.‏ https://doi.org/10.1007/s11356-019-05415-4.
18. Musavi, M., & Bozorgi-Amiri, A. (2017). A multi-objective sustainable hub location-scheduling problem for perishable food supply chain. Computers & Industrial Engineering113: 766-778.‏ https://doi.org/10.1016/j.cie.2017.07.039.
19. Pilevar, A.R., Matinfar, H.R., Sohrabi, A., & Sarmadian, F. (2020). Integrated fuzzy, AHP and GIS techniques for land suitability assessment in semi-arid regions for wheat and maize farming. Ecological Indicators110: 105887.‏ https://doi.org/10.1016/j.ecolind.2019.105887.
20. Reak, Kalra, Y., Vaughan, B., & Wolf, A.M. (1990). Soil analysis handbook of refrence methods. CRC press. 1st Edit, pp. 264.
21. Reshmidevi, T.V., Eldho, T.I., & Jana, R. (2009). A GIS-integrated fuzzy rule-based inference system for land suitability evaluation in agricultural watersheds. Agricultural Systems 101(1-2): 101-109.‏ https://doi.org/10.1016/j.agsy.2009.04.001.
22. Saaty, T. (1980). The analytic hierarchyp: planning, priority setting, resource allocation (Decision Making Series). New York, McGraw-Hill. http://citeseerx.ist.psu.edu/ doi=10.1.1.410.5705.
23. Sys, C., Van Ranst, E., & Debaveye, IJ. (1991a). Land evaluation. Part I: principles in land evaluation and crop production calculations. General Administration for Development Cooperation, Agricultural Publication-No. 7, Brussels, Belgium, p 274.
24. Sys, C., Van Ranst, E., & Debaveye, IJ. (1991b). Land evaluation. Part II: methods in land evaluation. General Administration for Development Cooperation, Agricultural Publication-No. 7, Brussels, Belgium, p 247.
25. Sys, C., Van Ranst, E., Debaveye, IJ., & Beernaert, F. (1993). Land evaluation. Part III: crop requirements. General Administration for Development Cooperation, Agricultural Publication-No. 7, Brussels, Belgium, p 199.
26. Triantafilis, J., Odeh, I.O.A., & McBratney, A.B. (2001). Five geostatistical models to predict soil salinity from electromagnetic induction data across irrigated cotton. Soil Science Society of America Journal 65(3): 869-878.‏ https://doi.org/10.2136/sssaj2001.653869x.
27. Yu, J., Chen, Y., & Wu, J.P. (2009). Cellular automata and GIS based land use suitability simulation for irrigated agriculture. In 18th World IMACS/MODSIM Congress, Cairns, Australia (pp. 13-17). Retrieved from https://mssanz.org.au/modsim09/I8/yu_j.pdf.
28. Yu, J., Chen, Y., Wu, J., & Khan, S. (2011). Cellular automata-based spatial multi-criteria land suitability simulation for irrigated agriculture. International Journal of Geographical Information Science 25(1): 131-148.‏ https://doi.org/10.1080/13658811003785571.