
تعداد نشریات | 30 |
تعداد شمارهها | 415 |
تعداد مقالات | 3,656 |
تعداد مشاهده مقاله | 5,774,930 |
تعداد دریافت فایل اصل مقاله | 3,953,811 |
پهنهبندی پتانسیل خطر وقوع سیلاب و ارتباط آن با شاخصهای هیدروژئومورفولوژی با استفاده از مدل MFFPI در حوزه آبخیز سامیان | ||
مدل سازی و مدیریت آب و خاک | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 مهر 1404 | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2025.16491.1537 | ||
نویسندگان | ||
موسی عابدینی* 1؛ امیرحسام پاسبان2 | ||
1. استاد، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
2دانشجوی دکتری، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
چکیده | ||
هدف از این پژوهش ارزیابی و پهنهبندی پتانسیل خطر وقوع سیلاب و ارتباط آن با شاخصهای هیدروژئومورفولوژی با استفاده از مدل توسعه یافته سیلاب ناگهانی (MFFPI) در حوضه آبخیز سامیان در استان اردبیل است. در این راستا ابتدا پس از استخراج لایههای شیب، تجمع جریان، کاربری اراضی، نفوذپذیری سنگ، انحنا دامنه و بافت خاک در محیط GIS اقدام به وزندهی این لایهها شد و در گام بعد با همپوشانی این لایهها نقشه پتانسیل سیلاب ناگهانی برای حوضه مورد مطالعه استخراج و بر اساس احتمال وقوع سیلاب به پنج دسته خطر خیلی کم (314 کیلومتر مربع)، کم (57/925 کیلومتر مربع)، متوسط (13/752 کیلومتر مربع)، زیاد (1251 کیلومتر مربع) و خیلی زیاد (86/989 کیلومتر مربع) تقسیمبندی شد. نتایج نشان میدهد مناطقی با شیب تند، پوشش گیاهی کم، خاکهای سفت و کاربریهای نامناسب مانند شهرها و مزارع، بیشترین خطر وقوع سیلاب را دارند. این مناطق بهدلیل نفوذ کم آب در خاک، رواناب زیاد و ظرفیت کم نگهداری آب در زمان بارندگیهای شدید، مستعد آبگرفتگی هستند. برعکس، مناطقی با شیب ملایم، پوشش گیاهی انبوه، خاکهای نرم و کاربریهای مناسب مانند جنگل و مرتع، کمترین خطر وقوع سیلاب را دارند. پوشش گیاهی با جذب باران و کاهش سرعت جریان آب، و خاکهای نرم با نفوذ بهتر آب به داخل زمین، از وقوع سیلاب جلوگیری میکنند. در مرحله بعد با استفاده از آزمون آماری اسپیرمن میزان همبستگی لایههای مدل MFFPI با سیلاب ناگهانی مشخص شد. نتایج نشان داد که لایههای شیب و بافت خاک بهترتیب با مقدار 78/0 و 70/0 درصد دارای بیشترین همبستگی مثبت معنیداری با سیلاب ناگهانی است. همچنین در یک بررسی دیگر شاخصهای هیدروژئومورفولوژی شامل توان آبراهه، رطوبت توپوگرافی، پوشش گیاهی و توپوگرافی با استفاده از نقشههای پایه در محیط Arc Map تهیه و استخراج شدند. در گام بعد بهمنظور بررسی ارتباط و میزان اثرگذاری هر یک از این شاخصها در سیلاب حوضه مورد مطالعه از آزمون همبستگی پیرسون استفاده شد. نتایج نشاندهنده این بود که شاخص توان آبراهه با ضریب همبستگی مثبت و معنادار (r = 0.64) نقش اصلی را در افزایش شدت سیلابهای ناگهانی ایفا میکند. | ||
کلیدواژهها | ||
سیلاب ناگهانی؛ توان آبراهه؛ پوشش گیاهی؛ همبستگی پیرسون؛ سامیان | ||
مراجع | ||
منابع اکاتی، نرجس، عینالهی، فاطمه، و غفاری، مصطفی (1391). بررسی تغییرات فصلی میزان کلروفیل-a در آب مخازن چاه نیمههای سیستان. علوم و تکنولوژی محیط زیست، 21 (1)، 45-55. doi: 10.22034/JEST.2018.13749 ایمانی، سمیه، عبدلآبادی، حمید، و زارعرشکوئیه، مریم (1401). ارزیابی راهکارهای مدیریتی کنترل بار مواد مغذی در مقیاس حوضهای؛ حوضة آبریز سد استقلال میناب. محیط شناسی، 48 (1)، 55-78. doi: 10.22059/jes.2022.335803.1008263 مشیدی، ضحی، و جهانگیر، محمدحسین (1400). ارزیابی کیفی منابع آب سطحی با استفاده از تصاویر ماهوارهای در مخزن سیمره. اکوهیدرولوژی، 8 (4)، 925-939. doi: 10.22059/ije.2021.328294.1530
References Adjovu, G. E., Stephen, H., James, D., & Ahmad, S. (2023). Overview of the application of remote sensing in effective monitoring of waterquality parameters. Remote Sensing, 15(7), 1-35. doi: 10.3390/rs15071938. Ha, N. T. T., Thao, N.T.P., Koike, K., & Nhuan, M. T. (2017). Selecting the best band ratio to estimate chlorophyll-a concentration in a tropical freshwater lake using sentinel 2A images from a case study of Lake Ba Be (Northern Vietnam). ISPRS International Journal of Geo-Information, 6(9), 290. doi: 10.3390/ijgi6090290. Haberman, J., & Sayer, C.D. (2008). Seasonal Variation in Chlorophyll-a Concentrations in Lakes: A Review of Potential Mechanisms." Hydrobiologia, 603(1), 63-77. doi: 10.10854/21546.2008.203145 Hegyi, A., & Agapiou, A. (2023). Rapid Assessment of 2022 Floods around the UNESCO Site of Mohenjo-Daro in Pakistan by Using Sentinel and Planet Labs Missions.doi:10.3390/su15032084 Hernández-Cruz, B., Vasquez-Ortiz, M., Canet, C., & Prado-Molina, J. (2019). Algorithm to calculate suspended sediment concentration using Landsat 8 imagery. Applied Ecology & Environmental Research, 17(3), 18-29. doi: 10.2166/hydro.2023.137 Imani, S., Abdolabadi, H., & Zareh Rashquoieh, M. (2022). Assessment of Basin-Scaled Nutrient Load Management Strategies; Minab Dam Watershed. Journal of Environmental Studies, 48(1), 55-78. doi: 10.22059/jes.2022.335803.1008263 [In Persian] Jang, W., Kim, J., Kim, J.H., Shin, J.K., Chon, K., Kang, E.T., Park, Y., & Kim, S. (2024). Evaluation of Sentinel-2 Based Chlorophyll-a Estimation in a Small-Scale Reservoir: Assessing Accuracy and Availability. Remote Sensing, 16(2), 315. doi: 10.3390/rs16020315 Johansen, R.A., Reif, M.K., Saltus, C.L., & Pokrzywinski, K.L. (2024). A Broadscale Assessment of Sentinel-2 Imagery and the Google Earth Engine for the Nationwide Mapping of Chlorophyll a. Sustainability, 16(5), 2090. doi: 10.3390/su16052090 Karimi, B., Hashemi, S.H., & Aghighi, H. (2024). Application of Landsat-8 and Sentinel-2 for retrieval of chlorophyll-a in a shallow freshwater lake. Advances in Space Research, 74(1), 117-129. doi: 10.1016/j.asr.2024.03.056 Kong, X., Li, Y., Wang, L., & Liu, H. (2024). Lake Surface Temperature Retrieval Study Based on Landsat 8 Satellite Imagery—A Case Study of Poyang Lake. Atmosphere, 15(4), 428. doi:10.3390/atmos15040428 Korver, M.C., Lehner, B., Cardille, J.A., & Carrea, L. (2024). Surface water temperature observations and ice phenology estimations for 1.4 million lakes globally. Remote Sensing of Environment, 308, 114-124. doi: 10.1016/j.rse.2024.114164 Kowe, P., Ncube, E., Magidi, J., Ndambuki, J.M., Rwasoka, D.T., Gumindoga, W., Maviza, A., De jesus Paulo Mavaringana, M., & Kakanda, E.T. (2023). Spatial-temporal variability analysis of water quality using remote sensing data: A case study of Lake Manyame. Scientific African, 21, e01877. doi: 10.1016/j.sciaf.2023.e01877 Li, H., Li, X., Song, D., Nie, J., & Liang, S. (2024a). Prediction on daily spatial distribution of chlorophyll-a in coastal seas using a synthetic method of remote sensing, machine learning and numerical modeling. Science of The Total Environment, 910, 168642. doi: 10.1016/j.scitotenv.2023.168642 Li, H., Somogyi, B., & Tóth, V. (2024b). Exploring spatiotemporal features of surface water temperature for Lake Balaton in the 21st century based on Google Earth Engine. Journal of Hydrology, 640, 131-146. doi: 10.1016/j.jhydrol.2024.131672 Li, Y., Chen, J., Ma, Q., Zhang, H. K., & Liu, J. (2018). Evaluation of Sentinel-2A surface reflectance derived using Sen2Cor in North America. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(6), 1997-2021. doi: 10.1109/JSTARS.2018.2835823 Li, Y., Zhou, Z., Kong, J., Wen, C., Li, S., Zhang, Y., Xie, J., & Wang, C. (2022). Monitoring Chlorophyll-a concentration in karst plateau lakes using Sentinel 2 imagery from a case study of pingzhai reservoir in Guizhou, China. European Journal of Remote Sensing, 55(1), 1-19. doi: 10.1080/22797254.2022.2079565 Lioumbas, J., Christodoulou, A., Katsiapi, M., Xanthopoulou, N., Stournara, P., Spahos, T., Seretoudi, G., Mentes, A., & Theodoridou, N. (2023). Satellite remote sensing to improve source water quality monitoring: A water utility's perspective. Remote Sensing Applications: Society and Environment, 32, 101042. doi: 10.1016/j.rsase.2023.101042 Liu, J., Qiu, Z., Feng, J., Wong, K.P., Tsou, J.Y., Wang, Y., & Zhang, Y. (2023). Monitoring Total Suspended Solids and Chlorophyll-a Concentrations in Turbid Waters: A Case Study of the Pearl River Estuary and Coast Using Machine Learning. Remote Sensing, 15(23), 5559. doi: 10.3390/rs15235559 Meimandi, J.B., Bazrafshan, O., Esmaeilpour, Y., Zamani, H., & Shekari, M. (2024). Risk assessment of meteo-groundwater drought using copula approach in the arid region. Stochastic Environmental Research and Risk Assessment, 38(4), 1523-1540. doi: 10.1007/s00477-023-02641-8 Moshayedi, Z., & Jahangir, M.H. (2021). Qualitative evaluation of surface water resources using satellite images in Seymareh dam reservoir. Journal of Ecohydrology, 8(4), 925-939. doi: 10.22059/ije.2021.328294.1530 [In Persian] Nazeer, M., Ilori, C.O., Bilal, M., Nichol, J.E., Wu, W., Qiu, Z., & Gayene, B.K. (2021). Evaluation of atmospheric correction methods for low to high resolutions satellite remote sensing data. Atmospheric Research, 249, 105308. doi: 10.1016/j.atmosres.2020.105308 Nezlin, N.P. (2008). Seasonal and interannual variability of remotely sensed chlorophyll. Environmental Chemistry, 5, 333–349. doi: 10.1007/698_5_063 Obata, K., & Yoshioka, H. (2024). Unmixing-based radiometric and spectral harmonization for consistency of multi-sensor reflectance time-series data. ISPRS Journal of Photogrammetry and Remote Sensing, 212, 396-411. doi: 10.1016/j.isprsjprs.2024.05.016 Okati, N., Eynollahi, F., & Ghafari, M. (2019). Study of Seasonal Changes in Chlorophyll a Concentration in the Water of Chahnimeh Reservoirs in Sistan. Journal of environmental Science and Technology, 21(1), 45-55. doi: 10.1014/jest.2019.1874 [In Persian] Ondrusek, M., Stengel, E., Kinkade, C. S., Vogel, R. L., Keegstra, P., Hunter, C., & Kim, C. (2012). The development of a new optical total suspended matter algorithm for the Chesapeake Bay. Remote Sensing of Environment, 119, 243-254.doi:10.1016/j.rse.2011.12.018 Parra, L., Ahmad, A., Sendra, S., Lloret, J., & Lorenz, P. (2024). Combination of Machine Learning and RGB Sensors to Quantify and Classify Water Turbidity. Chemosensors, 12(3), 34. doi:3390/chemosensors12030034 Petus, C., Chust, G., Gohin, F., Doxaran, D., Froidefond, J.M., & Sagarminaga, Y. (2010). Estimating turbidity and total suspended matter in the Adour River plume (South Bay of Biscay) using MODIS 250-m imagery. Continental Shelf Research, 30, 379–392. doi:10.1016/j.csr.2009.12.007 Qiao, S., Yang, Y., Xu, B., Yang, Y., Zhu, M., Li, F., & Yu, H. (2024). How the Water-Sediment Regulation Scheme in the Yellow River affected the estuary ecosystem in the last 10 years?. Science of the Total Environment, 927, 172-185. doi:10.1016/j.scitotenv.2024.172002 Reynolds, C.S. (2006). The Ecology of Phytoplankton. Cambridge University Press. doi: 10.1017/CBO9780511542145 Salls, W.B., Schaeffer, B.A., Pahlevan, N., Coffer, M.M., Seegers, B.N., Werdell, P.J., Ferriby, H., Stumpf, R.P., Binding, C.E., & Keith, D.J. (2024). Expanding the Application of Sentinel-2 Chlorophyll Monitoring across United States Lakes. Remote Sensing, 16(11), 1977. doi:10.3390/rs16111977 Seenipandi, K., Ramachandran, K.K., Ghadei, P., & Shekhar, S. (2021). Seasonal variability of sea surface temperature in Southern Indian coastal water using Landsat 8 OLI/TIRS images. In Remote Sensing of Ocean and Coastal Environments (pp. 277-295). Elsevier. doi:10.1016/B978-0-12-819604-5.00016-0 Sherjah, P., Saji Kumar, N., & Nowshaja, P. (2023). Quality monitoring of inland water bodies using Google Earth Enging. Journal of Hydroinformatics, 25(2), 432-450.doi:10.2166/hydro.2023.137 Shi, X., Gu, L., Li, X., Jiang, T., & Gao, T., (2024). Automated spectral transfer learning strategy for semi-supervised regression on Chlorophyll-a retrievals with Sentinel-2 imagery. International Journal of Digital Earth, 17(1), 23-38. doi:10.1080/17538947.2024.2313856 Singh, R., Saritha, V., & Pande, C.B. (2024). Monitoring of wetland turbidity using multi-temporal Landsat-8 and Landsat-9 satellite imagery in the Bisalpur wetland, Rajasthan, India. Environmental Research, 241, 117638. doi:10.1016/j.envres.2023.117638 Sola, I., García-Martín, A., Sandonís-Pozo, L., Álvarez-Mozos, J., Pérez-Cabello, F., González-Audícana, M., & Llovería, R.M. (2018). Assessment of atmospheric correction methods for Sentinel-2 images in Mediterranean landscapes. International journal of applied earth observation and geoinformation, 73, 63-76. Sommer, U., & Lengfellner, K. (2008). Climate Change and the Timing of Phytoplankton Blooming in Lakes: Effects of Temperature and Light. Aquatic Sciences, 70(2), 195-206 doi:10.1111/j.1365-2486.2008.01571.x Wang, J., & Chen, X. (2024). A new approach to quantify chlorophyll-a over inland water targets based on multi-source remote sensing data. Science of The Total Environment, 906, 167631. doi:10.1016/j.scitotenv.2023.167631 Wang, L., Xu, M., Liu, Y., Liu, H., Beck, R., Reif, M., Emery, M., Young, J., & Wu, Q. (2020). Mapping freshwater chlorophyll-a concentrations at a regional scale integrating multi-sensor satellite observations with Google earth engine. Remote Sensing, 12(20), 32- 48. doi:10.3390/rs12203278 Wang, N., Luo, C., Wu, X., Chen, L., Ge, X., Huang, C., & Zhu, S. (2024). Effects of water temperature on growth of invasive Myriophyllum aquaticum species. Aquatic Invasions, 19(2), 153-167. doi:10.3391/ai.2024.19.2.124920 Wetzel, R.G., & Likens, G.E. (2000). Limnological Analysis. Springer. doi:10.1007/978-1-4757-3250-4 Zhao, D., Huang, J., Li, Z., Yu, G., & Shen, H. (2024). Dynamic monitoring and analysis of chlorophyll-a concentrations in global lakes using Sentinel-2 images in Google Earth Engine. Science of The Total Environment, 912, 169152. doi:10.1016/j.scitotenv.2023.169152.
| ||
آمار تعداد مشاهده مقاله: 145 |