تعداد نشریات | 27 |
تعداد شمارهها | 368 |
تعداد مقالات | 3,269 |
تعداد مشاهده مقاله | 4,834,943 |
تعداد دریافت فایل اصل مقاله | 3,310,138 |
ارزیابی کارآمدی سه مدل دادهکاوی در پهنهبندی مناطق حساس به رخداد آبکند (مطالعة موردی: حوزة آبخیز بالادست سد بوستان، استان گلستان) | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 13، دوره 4، شماره 4، 1403، صفحه 219-238 اصل مقاله (3.11 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.13511.1343 | ||
نویسندگان | ||
ثریا یعقوبی1؛ محسن حسینعلی زاده* 2؛ چوقی بایرام کمکی3؛ علی نجفی نژاد4؛ حمیدرضا پورقاسمی5 | ||
1دانشآموخته دکتری، گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
2دانشیار، گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
3استادیار، گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
4استاد، گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
5استاد، گروه مهندسی خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران | ||
چکیده | ||
فرسایش آبکندی یکی از مخربترین اشکال فرسایش آبی است که باعث هدررفت حجم زیادی از خاک در مناطق خشک و نیمهخشک میشود. هدف از این پژوهش بررسی حساسیت حوزة آبخیز بالادست سد بوستان در شمالشرق استان گلستان به فرسایش آبکندی با استفاده از فناوری شیءگرا و الگوریتمهای دادهکاوی است. برای پایش و شناسایی آبکندهای موجود در منطقه با سنجش از دور، از تصاویر QuickBird سال 2021 و نرمافزار Orfeo برای قطعهبندی تصویر مورد نظر استفاده شد. سپس با بازدیدهای میدانی، 81 آبکند در منطقه انتخاب شد. در نهایت، در محیط پایتون (کولب) با استفاده از تحلیل همخطی بر 23 شاخص مؤثر در وقوع فرسایش آبکندی با سه مدل جنگل تصادفی، حداکثر آنتروپی و ماشین بردار پشتیبان اقدام به مدلسازی شد. بعد از انجام تحلیل همخطی، هفت عامل شامل فاصله از گسل، ارتفاع، NDBI، NDWI، Band3، Band5 و Band7 بهدلیل مقدار تورم واریانس بالاتر از پنج، از مرحلة مدلسازی حذف شدند. نتایج حاصل از بررسی متغیرهای تأثیرگذار نشان داد که در مدل جنگل تصادفی بارندگی، شاخص فاصله از رودخانه، شاخص HAND، فاصله از جاده و دره پراهمیتترین شاخصها میباشند. همچنین، نتایج پهنهبندی با استفاده از این شاخصها حاکی از آن بود که در مدل جنگل تصادفی، 65/8 درصد از مساحت منطقه در خطر فرسایش زیاد و خیلی زیاد قرار دارد که در مقایسه با دو مدل حداکثر آنتروپی و ماشین بردار پشتیبان با عملکرد بهتری نواحی مستعد فرسایش را پیشبینی کرده است. در نهایت، برای اعتبارسنجی مدل از منحنی ROC استفاده شد. مقادیر AUC در مدل جنگل تصادفی در دو مرحلة آموزش و اعتبارسنجی 95/0 و 94/0 درصد بهدست آمد که بیانگر صحت بالای این مدل در پیشبینی مناطق با حساسیت بالا به فرسایش آبکندی است. نتایج این پژوهش و کارایی فناوری شیءگرا در تفکیک آبکندها، میتواند به پژوهشگران کمک کند که با لحاظ کردن اقدامات حفاظتی و آبخیزداری در اراضی لسی از تمرکز روانابهای ناشی از بارش سیلابی، در مناطق با حساسیت زیاد به وقوع آبکند جلوگیری کنند. | ||
کلیدواژهها | ||
جنگل تصادفی؛ حداکثر آنتروپی؛ سد بوستان؛ شاخص HAND؛ ماشین بردار پشتیبان | ||
مراجع | ||
Amatya, P., Kirschbaum, D., Stanley, T., & Tanyas, H. (2021). Landslide mapping using object-based image analysis and open source tools. Engineering Geology, 282, 106000. doi:10.1016/j.enggeo.2021.106000 Arabameri, A., Pradhan, B., & Rezaei, K. (2019). Gully erosion zonation mapping using integrated geographically weighted regression with certainty factor and random forest models in GIS. Environmental Management, 232, 928- 942. doi:10.1016/j.jenvman.2018.11.110. Arabameri, A., Pradhan, B., Pourghasemi, H., Rezaei, K., & Kerle, N. (2018a). Spatial modeling of gully erosion using GIS and R programing: a comparison among three data mining algorithms. Applied Sciences. 8(8), 1369. doi:10.3390/app8081369 Arabameri, A., Rezaei, KH., & Yamani, M. )2018b(. Analysis of geo-environmental parameters and gully erosion susceptibility mapping in Toroud Watershed using data-driven EBF method. Range and Watershed Management, 71(1), 97-114. doi:10.22071/gsj.2018.114756.1374. [In Persian] Arabameri, A., Rezaei, Kh., Yamani, M., & Shirani, K. (2018c). Optimization of the sensitivity map to gully erosion using data-driven statistical integrated methods (Case study: Toroud-Najjarabad Basin). Earth Science Research, 10(37), 18-38. doi:10.52547/esrj.10.1.18. [In Persian] Avand, M., Janizadeh, S., Naghibi, S.A., Pourghasemi, H.R., Khosrobeigi Bozchaloei, S., & Blaschke, T. (2019). A comparative assessment of random forest and k-nearest neighbor classifiers for gully erosion susceptibility mapping. Water, 11(10), 2076. doi:10.3390/w11102076 Azareh, A., Rahmati, O., Rafiei-Sardooi, E., Sankey, J.B., Lee, S., Shahabi, H., & Ahmad, B. (2019). Modeling gully-erosion susceptibility in a semi-arid region, Iran: Investigation of applicability of certainty factor and maximum entropy models. Science of The Total Environment, 655,684–696. doi:10.1016/j.scitotenv.2018.11.235 Bennett, S.J., & Wells, R.R. (2019). Gully erosion processes, disciplinary fragmentation, and technological innovation. Earth surface Processes and Landforms, 44(1), 46-53. doi:10.1002/esp.4522. Blaschke T., Feizizadeh B., Holbling D. (2014). Object- Based image analysis and digital terrain analysis for locating landslides in the Urmia Lake Basin, Iran. Selected Topics In Applied Earth Observations and Remote Sensing, 7(12), 4806-4817. doi:10.1109/JSTARS.2014.2350036 Blaschke, T. (2003). Object-based contextual image classification built on image segmentation. In Advances in Techniques for Analysis of Remotely Sensed Data, 2003 IEEE Workshop. 113-119. doi:10.1109/WARSD.2003.1295182. Breiman, L. (2000). Some infinity theory for predictor ensembles. Technical Report 579, Statistics Depatment UCB. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. Chen, G., Weng, Q., Hay, G.J., & He, Y. (2018a). Geographic object-based image analysis (GEOBIA): emerging trends and future opportunities. GIScience & Remote Sensing, 55(2), 159-182. doi:10.1080/15481603.2018.1426092 Chen, Y., Ming, D., Zhao, L., Lv, B., Zhou, K., & Qing, Y. (2018b). Review on high spatial resolution remote sensing image segmentation evaluation. Photogrammetric Engineering & Remote Sensing, 84(10), 629-646. doi:10.14358/PERS.84.10.629 Conforti, M., Aucelli, P.P., Robustelli, G., & Scarciglia, F. (2011). Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy). Natural Hazards, 56(3), 881-898. doi:10.1007/s11069-010-9598-2 Conoscenti, C., Angileri, S., Cappadonia, C., Rotigliano, E., Agnesi, V., & Märker, M. (2014). Gully erosion susceptibility assessment by means of GIS-based logistic regression: A case of Sicily (Italy). Geomorphology, 204(1), 399–411. doi:10.1016/j.geomorph.2013.08.021 FAO & ITPS. (2015). Status of the World’s Soil Resources (Main Report). FAO, Pp. 608. Feurer, M., & Hutter, F. (2019). Hyperparameter optimization. Automated machine learning: Methods, Systems, Challenges, 3-33. doi:10.1007/978-3-030-05318-5_1 Goodwin, N.R., Armston, J.D., Muir, J.,& Stiller, I. (2017). Monitoring gully change: A comparison of airborne and terrestrial laser scanning using a case study from Aratula, Queensland. Geomorphology, 282, 195–208. doi:10.1016/j.geomorph.2017.01.001 Gutierrez, A., Conoscenti, C., Angileri, S.E., Rotigliano, E., & Schnabel, S. (2015) Using topographical attributes to evaluate gully erosion proneness (susceptibility) in two mediterranean basins: advantages and limitations. Natural Hazards, 79(1), 291–314. doi:10.1007/s11069-015-1703-0 Gutierrez, A.G., Schnabel, S., & Felicísimo, A.M., (2010). Modeling the occurrence of gullies in rangelands of southwest Spain. Earth Surface. Process. Landforms, 34(14), 1894–1902. doi:10.1002/esp.1881 Han, J., Guzman, J.A., & Chu, M.L. (2022). Gully erosion susceptibility considering spatiotemporal environmental variables: Midwest US region. Hydrology: Regional Studies, 43, 101196. doi:10.1016/j.ejrh.2022.101196 Hossain, M.D., & Chen, D. (2019). Segmentation for Object-based image analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. Photogrammetry and Remote Sensing, 150, 115-134. doi:10.1016/j.isprsjprs.2019.02.009 Hosseinalizadeh, M., Kariminejad, N., Chen, W., Pourghasemi, H.R., Alinejad, M., Mohammadian Behbahani, A., & Tiefenbacher, J.P. (2019(. Spatial modeling of gully headcuts using UAV data and four best-first decision classifier ensembles (BFTree, Bag-BFTree, RS-BFTree, and RF-BFTree). Geomorphology, 329, 184–193. doi:10.1016/j.geomorph.2019.01.006 Jurchescu, M., & Grecu, F. (2015). Modeling the occurrence of gullies at two spatial scales in the Olteţ Drainage Basin (Romania). Natural Hazards, 79(1), 255-289. doi:10.1007/s11069-015-1981-6 Kirkby, M.J., & Bracken, L.J. (2009). Gully processes and gully dynamics. Earth Surface Process and Landforms. 34, 1841–1851. doi:10.1002/esp.1866 Knight, J., Spencer, J.R., Brooks, A.P., Phinn, S. (2007). Large-area, high-resolution remote sensing based mapping of alluvial gully erosion in Australia's tropical rivers. In:5th Australian Stream Management Conference, Pp.199-204. Charles Sturt University. http://hdl.handle.net/10072/18032 Kornejadi, A., Ownegh, M., Rahmati, O., & Bahremand, A. (2018). Landslide susceptibility assessment using three bivariate models considering the new topo-hydrological factor: HAND. Geocarto International, 33(11), 1155-1185. doi:10.1080/10106049.2017.1334832 Kuhnert, P.M., Henderson, A.K., Bartley, R., & Herr, A., (2010). Incorporating uncertainty in gully erosion calculations using the random forests modeling approach. Environmetrics, 21(5), 493–509. doi:10.1002/env.999 Lana, J.C. (2023). Gully erosion prediction method from geoenvironmental data and supervised machine learning techniques. MethodsX, 10, 102059. doi:10.1016/j.mex.2023.102059 Luca, F., Conforti, M., & Robustelli, G. (2011). Comparison of GIS-based gullying susceptibility mapping using bivariate and multivariate statistics: Northern Calabria, South Italy. Geomorphology, 134(3–4), 297-308. doi:10.1016/j.geomorph.2011.07.006 Madadi, A., Saraskanroud, S.A., Negaban, S., & Marhamat, M. (2022). Evaluation of gully erosion sensitivity using maximum Entropy model in Shoor River Watershed (Mohr Township). Journal of Geography and Environmental Hazards, 11(3), 123-145. doi:10.22067/geoeh.2022.76707. [In Persian] Manstretta, G.M.M., Perillo, G.M., & Piccolo, M.C. (2023). Gully development on the foredune of Pehuén Co (SW Buenos Aires Province, Argentina) and its relationship with rainfall and human activities. Ocean & Coastal Management, 242, 106678. doi:10.1016/j.ocecoaman.2023.106678 Mohammadi, P., Ahmadi, A., Feizizadeh, B., Jafarzadeh, A.A., & Rahmati, M. (2019). Semi-automatic object-based model to produce the inventory map of gully erosion (Case study: Lighvan watershed). Journal of Water and Soil Conservation, 26(3), 29-49. doi:10.22069/jwsc.2019.15753.3093. [In Persian] Mokarami, M., Darvishiblorani, A., & Negahban, S.(2017). Correlation of morphometric characteristics of watersheds and erodibility at different altitude levels using topographic position index (TPI). Sepehr, 26(101), 132. [In Persian] Movahedinasab, S., Fathabadi, A., Seydian, S.M., & Heshmatpour, A. (2019). Evolution the efficiency of random forest in gully erosion susceptibility mapping. Journal of Range and Watershed Managment, 72(1), 241-261. https://civilica.com/doc/624645/. [In Persian] Nikpour, N., Fotohi, S., Negaresh, H., & Sistani, M. (2017). Morphometric of gully erosion and factors affecting the development of the basin plains on southern West Ilam Cham Fazel. Journal of Spatial Analysis of Environmental Hazards, 4(1), 97-112. http://jsaeh.khu.ac.ir/article-1-2696-fa.html. [In Persian] Nyssen, J., Poesen, J., Moeyersons, J., Luyten, E., Veyret-Picot, M., Deckers, J., Haile, M., & Govers, G. (2002). Impact of road building on gully erosion risk: A case study from the Northern Ethiopian Highlands. Earth Surface Processes and Landforms, 27(12), 1267–1283. doi:10.1002/esp.404 Omidi, F., Zangiabadian, M., Shahidi Bonjar, A. H., Nasiri, M. J., & Sarmastzadeh, T. (2023). Influenza vaccination and major cardiovascular risk: a systematic review and meta-analysis of clinical trials studies. Scientific Reports, 13(1), 20235. doi:10.1038/s41598-023-47690-9 Pai, P.F., & Hong, W.C. (2007). A recurrent support vector regression model in rainfall forecasting. Hydrological Process, 21, 819-827. doi:10.1002/hyp.6323 Phillips, S.J., Anderson, R.P., & Schapire, R.E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modeling, 190(3), 231-259. doi:10.1016/j.ecolmodel.2005.03.026 Podwojewski, P., Janeau, J.L., Caquineau, S., & Hughes, J. (2020). Mechanisms of lateral and linear extension of gullies (dongas) in a subhumid grassland of South Africa. Earth Surface Processes and Landforms, 45(13), 3202-3215. doi:/10.1002/esp.4960 Pourghasemi, H.R., Yousefi, S., Kornejady, A., & Cerdà, A. (2017). Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment, 609, 764–775. doi:10.1016/j.scitotenv.2017.07.198 Rahmati, O. (2016). Assessing the accuracy of object-based algorithm in the classification of geomorphological landforms and gully susceptibility modeling using data mining techniques (RF, SVM, ME, and BRT) in the Kashkan-Poldokhtar Watershed. Ph.D. Dissertation, University of Lorestan, Lorestan, Iran. [In Persian] Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., & Feizizadeh, B. (2017). Evaluating the influence of geo-environmental factors on gully erosion in a semiarid region of Iran: an integrated framework. Science of the Total Environment, 579, 913–927. doi:10.1016/j.scitotenv.2016.10.176 Sepahvand, A., & Beiranvand, N. (2024). Landslide susceptibility mapping using various soft computing techniques (Case study: A part of Haraz Watershed). Water and Soil Management and Modeling, 4(2), 261- 278. doi:10.22098/mmws.2023.12678.1263. [In Persian] Seutloali, K.E., Beckedahl, H.R., Dube, T., & Sibanda, M. (2016). An assessment of gully erosion along major armoured roads in south-eastern region of South Africa: a remote sensing and GIS approach. Geocarto International. 31, 225–239. doi:10.1080/10106049.2015.1047412 Shahabi, H., Amiri, Z., & Shirzadi, A. (2022). Prediction of gully erosion susceptibility and its hazards in Kloche Bijar Watershed using spatial predictive models. Environmental Hazards Management, 9(2), 89-107. doi:10.22059/jhsci.2022.348010.742. [In Persian] Shellberg, J.G., Spencer, J., Brooks, A.P., & Pietsch, T.J. (2016). Degradation of the Mitchell River fluvial megafan by alluvial gully erosion increased by post-European land use change, Queensland, Australia. Geomorphology, 266, 105–120. doi:10.1016/j.geomorph.2016.04.021 Shiraghaei, F. (2022). Spatial variability of soil particle size distribution and aggregate stability along Upstr River of Sheikh-Lar. M.Sc. Thesis, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran. [In Persian] Tang, J., Xie, Y., Liu, C., Dong, H., & Liu, G. (2022). Effects of rainfall characteristics and contour tillage on ephemeral gully development in a field in Northeastern China. Soil and Tillage Research, 218, 105312. doi:10.1016/j.still.2021.105312 Utsumi, A.G., Pissarra, T.C.T., Rosalen, D.L., Martins Filho, M.V., & Rotta, L.H.S. (2020). Gully mapping using geographic object-based image analysis: A case study at catchment scale in the Brazilian Cerrado. Remote Sensing Applications: Society and Environment, 20, 100399. doi:10.1016/j.rsase.2020.100399 Vanmaercke, M., Poesen, J., Van Mele, B., Demuzere, M., Bruynseels, A., Golosov, V., Bezerra, JFR., Bolysov, S., Dvinskih, A., Frankl, A., Fuseina, Y., Guerra, AJT., Haregeweyn, N., IonitaI Imwangana, FM., Moeyersons, J., Moshe, I., Samani, AN., Niacsu, L., Nyssen, J., Otsuki, Y., Radoane, M., Rysin, I., Ryzhov, YV., & Yermolaev O.(2016). How fast do gully headcuts retreat? Earth-Science Reviews, 154, 336-355. doi:10.1016/j.earscirev.2016.01.009 Vrieling, A., Rodrigues, S.C., Bartholomeus, H., & Sterk, G. (2007). Automatic identification of erosion gullies with ASTER imagery in the Brazilian Cerrados. International Journal of Remote Sensing. 28(2), 2723–2738. Wang, J.X., Fan, C.H., Zhang, Y., Li, Z., (2022). Gully head activity and its influencing factors in China’s Loess Plateau. Journal of Soils and Sediments. 28(12), 1792-1803. doi:10.1007/s11368-022-03182-3 Wang, L. (2005). Support vector machines: Theory and applications. Springer- Verlag, Pp 177. Springer Science & Business Media. New York Yaghobi, S, Komaki, C, Hosseinalizadeh, M, Najafinejad, A, Pourghasemi, H, Faramarzi, M. (2023). Frequency Analysis of maximum daily rainfall and determining the best appropriate distribution functions in the Bostan Watershed, Golestan Province. Water and Soil Science, 27 (1), 59-81. doi:10.47176/jwss.27.1.48871. [In Persian] Zabihi, M., Mirchooli, F., Motevalli, A., Darvishan, A.K., Pourghasemi, H.R., Zakeri, M.A., & Sadighi, F. (2018). Spatial modeling of gully erosion in Mazandaran Province, Northern Iran. Catena.161,1–13. doi:10.1016/j.catena.2017. Zaki, A., Buchori, I., Sejati, A. W., & Liu, Y. (2022). An object-based image analysis in QGIS for image classification and assessment of coastal spatial planning. The Egyptian Journal of Remote Sensing and Space Science, 25(2), 349-359. doi:10.1016/j.ejrs.2022.03.002 Zanganeh Asadi, M.A., Naemitabar, M., & Zandi, R. (2022). Investigating the potential of erosion-prone areas with ICONA Models, support vector machine, chaid and random forest (Case Study: Gonabad Basin). Journal of Geography and Environmental Hazards, 10(4), 93-112. doi:10.22067/geoeh.2021.71162. [In Persian] | ||
آمار تعداد مشاهده مقاله: 523 تعداد دریافت فایل اصل مقاله: 65 |