تعیین الگوی پراکنش و همبستگی مکانی وقوع سیلاب استان اردبیل با استفاده از شاخص موران در سامانه اطلاعات جغرافیایی
الموضوعات : Applications in natural hazard and disaster
امیرحسین قربانی
1
,
رئوف مصطفی زاده
2
,
محسن ذبیحی
3
1 - دانشجوی کارشناسی‌ارشد مهندسی نقشه‌برداری- سیستم‌های اطلاعات مکانی، موسسه آموزش عالی لامعی گرگانی، گرگان، ایران
2 - دانشیار گروه آموزشی منابع طبیعی و عضو پژوهشکده مدیریت آب، دانشگاه محقق اردبیلی، اردبیل، ایران
3 - دانش‌آموخته دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، تهران، ایران
الکلمات المفتاحية: آماره موران, سامانه اطلاعات مکانی, خوشه‌بندی, شدت سیل‌خیزی, الگوی توزیع مکانی,
ملخص المقالة :
نقشه‌بندی الگوهای توزیع مکانی و تعیین روند تغییرات مکانی داده‌های هیدرواقلیمی دارای اهمیت بالایی است. در همین راستا پژوهش حاضر با هدف تعیین همبستگی مکانی و الگوی وقوع داده‌های دبی حداکثر لحظه‌ای سیلاب استان اردبیل در دوره بازگشت‌های مختلف با استفاده از شاخص موران برنامه‌ریزی شده است. با استفاده از نرم‌افزار CumFreq مقادیر دبی سیلاب در ایستگاه‌های هیدرومتری مختلف با دوره‌بازگشت‌های 5، 10، 25 و 50 ساله محاسبه شدند. همبستگی مکانی از طریق شاخص موران محلی محاسبه شد و در ادامه الگوی وقوع خوشه‌ای سیلاب با استفاده از شاخص شاخص موران محلی انسلین تعیین شدند. بر اساس نتایج، مقادیر شاخص موران عمومی، در دوره‌های بازگشت 5، 10، 25 و 50 ساله به‌ترتیب برابر 168/0، 201/0، 268/0، 115/0 محاسبه شده است. کم‌تریم همبستگی مکانی در دوره بازگشت 50 ساله و بیش‌ترین همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. در دو ایستگاه گیلانده و پل الماس، دارای الگوی خوشه‌ای زیاد-زیاد (HH) مشاهده شد. از طرفی، برخی از ایستگاه‌های هیدرومتری دامنه کوهستان سبلان و نیز محدوده شمال شرقی استان اردبیل دارای مقادیر آماره z غیرمعنی‌دار است که به معنی عدم وجود الگوی خوشه‌ای در داده‌های ایستگاه‌های مذکور با ایستگاه‌های مجاور است. در مجموع می‌توان گفت که تفاوت در الگوی خوشه‌ای بودن دبی حداکثر لحظه‌ای می‌تواند با شرایط متفاوت اقلیمی، توپوگرافی و تفاوت در عوامل ایجاد سیل در حوزه‌ها مرتبط باشد.
1. Alijani B, Doostkamyan M, Ashrafi S, Shakeri F. 2015. Investigate of spatial autocorrelation patterns of variation within decades of rainfall during the last half century. Geog & Urban-Reg Plann, 14:88-71. https://doi.org/10.22111/gaij.2015.1914 (In Persian).
2. Anselin L, Syabri I, Smirnov O. 2002. Visualizing multivariate spatial correlation with dynamically linked windows. New Tools for Spatial Data Analysis: Proceedings of the Specialist Meeting, Santa Barbara.
3. Arvin A, Vahabzadeh G, Mousavi SR, Bakhtyari Kia M. 2019. Geospatial modeling of land subsidence in the south of the Minab watershed using remote sensing and GIS. J GIS RS for Nat Res, 10(3), 19-34 (In Persian)
4. Asakereh H, Hosseinjani L. 2019. Spatial autocorrelation of annual frequency of heavy rainfalls in Caspian region. Phys Geog Res, 51(1):135-148. doi: 10.22059/jphgr.2019.265389.1007274 (In Persian).
5. Azizi E, Mostafazadeh R, Hazbavi Z, Esmali-Ouri A, Mirzaie S, Huang G, Qian X. 2022. Spatial distribution of flood vulnerability index in Ardabil province, Iran. Stochastic Environmental Research and Risk Assessment, 36(12), 4355-4375 http://dx.doi.org/10.1007/s00477-022-02264-5
6. Berghuijs WR, Aalbers EE, Larsen JR, Trancoso R, Woods RA. 2017. Recent changes in extreme floods across multiple continents. Environ Res Lett 12(11), 114035 https://doi.org/10.1088/1748-9326/aa8847
7. Blöschl, G., Gaál, L., Hall, J., Kiss, A., Komma, J., Nester, T, Parajka J, Perdigão RAP, Plavcová L, Rogger M, Salinas JL, Viglione A. 2015. Increasing river floods: fiction or reality?. Wiley Interdisciplinary Reviews: Water, 2(4), 329-344
8. Coca O, Ricaurte-Villota C. 2022. Regional patterns of coastal erosion and sedimentation derived from spatial autocorrelation analysis: Pacific and Colombian Caribbean. coasts. 2(3):125-151. https://doi.org/10.3390/coasts2030008
9. Dai X, Guo Z, Zhang L, Li D. 2010. Spatio-temporal exploratory analysis of urban surface temperature field in Shanghai, Environ Risk Assess, 24, 247–257. http://dx.doi.org/10.1007/s00477-009-0314-2
10. Fu W, Zhao K, Zhang Ch, Tunney H. 2011. Using Moran's I and geostatistics to identify spatial patterns of soil nutrients in two different long-term phosphorus-application plots. J Plant Nut Soil Sci, 174(5): 785-798. https://doi.org/10.1002/jpln.201000422
11. Gail M, Krickeberg K, Samet J, Tsiatis A, Wong W. 2007. Statistics for Biology and Health, USA Springer, 402.
12. Ghanbari A, Rousta H, Fotohinejad M. 2020. Spatial Analysis of Fars Province Climatic Drought from the Period 1990 to 2014. Nivar, 2020; 44(110): 53-64. https://doi.org/10.30467/nivar.2020.146655.1105
13. Haining R. (2004). Spatial Data Analysis: Theory and Practice. UK: Cambridge University Press.
14. Hall J, Blöschl G. 2018. Spatial patterns and characteristics of flood seasonality in Europe. Hyd Earth Syst Sci, 22(7), 3883-3901.
15. Hall J, Arheimer B, Borga M, Brázdil R, Claps P, Kiss A, Kjeldsen TR, Kriaučiūnienė J, Kundzewicz ZW, Lang M, Llasat MC, Macdonald N, McIntyre N, Mediero L, Merz B, Merz R, Molnar P, Montanari A, Neuhold C, Parajka J, Perdigão RAP, Plavcová L, Rogger M, Salinas JL, Sauquet E, Schär C, Szolgay J, Viglione A, Blöschl G. 2014. Understanding flood regime changes in Europe: a state-of-the-art assessment. Hydrol Earth Sys Sci, 18(7), 2735-2772.
16. Jalali M, Kamarian V. 2018. The analysis of spatial patterns of thunderstorms in the North West of Iran. Geographic Space, 18(61) 63-81. (In Persian).
17. Janbozorgi M, Hanifepour M, Khosravi H. 2021. Temporal changes in meteorological-hydrological drought (Case study: Guilan Province). Water & Soil Mgmt & Model, 1(2), 1-13. https://doi.org/10.22098/mmws.2021.1215
18. Karami M, Kadkhoda E. 2020. Modeling of precipitation-elevation spatial relationships in the Northeast of Iran by using the GWR Model. J Env Sci & Tech, 22(6): 1-15. doi: 10.22034/jest.2020.17257
19. Kazemi M, Nafarzadegan AR, Mohammadi F. 2019. Studying changes in heat islands and land uses of the Minab city using the random forest classification approach and spatial autocorrelation analysis. J RS GIS for Nat Res, 10(4), 38-56. (in Persian)
20. Majumder R, Bhunia GS, Patra P, Mandal ACh, Ghosh D, Shit PK. 2019. Assessment of flood hotspot at a village level using GIS-based spatial statistical techniques. Arab J Geosci, 12:409, https://doi.org/10.1007/s12517-019-4558-y
21. Mostafazadeh R, Mehri S. 2018. Trends in variability of flood coefficient in river gauge stations of Ardabil province, Iran. J Watershed Mgmt Res, 9(17):82-95. (In Persian).
22. Mostafazadeh R, Moradzadeh V, Alaei N, Hazbavi Z. 2021. Determining long-term memory using Hurst index for precipitation and discharge time series of selected stations in Ardabil province. Journal of Water and Soil Resources Conservation, 11(2): 113-131. https://doi.org/10.30495/wsrcj.2021.19217
23. Nejadrekabi M, Eslamian S, Zareian MJ. 2021. Using spatial statistics to identify drought-prone regions (A case study of Khuzestan Province, Iran). Adv in Environ Tech, 7(4): 231-262. https://doi.org/10.22104/aet.2022.5143.1397
24. Overmars KP, de Koning GHJ, Veldkamp A. 2003. Spatial autocorrelation in multiscale land use models. Ecol Model, 164:257-270. https://doi.org/10.1016/S0304-3800(03)00070-X
25. Petrow T, Merz B. 2009. Trends in flood magnitude, frequency and seasonality in Germany in the period 1951–2002. J Hydrol, 371 (1–4), 129–141. https://doi.org/10.1016/j.jhydrol.2009.03.024
26. Quinn N, Bates P, Neal J, Smith A, Wing O, Sampson Ch, Smith, H, Heffernan J. 2019. The spatial dependence of flood hazard and risk in the United States. Water Res Res, 55(3), 1890-1911.
27. Roshani H, Mostafazadeh R, Esmali-Ouri A, Zabihi M. 2021. Spatiotemporal variation of precipitation using PCI and SI indices in Golestan province. J Spat Analysis of Env Haz, 7(4):187-204. (In Persian)
تعیین الگوی پراکنش و همبستگی مکانی وقوع سیلاب استان اردبیل با استفاده از شاخص موران در سامانه اطلاعات جغرافیایی
چکیده
نقشه‌بندی الگوهای توزیع مکانی و تعیین روند تغییرات مکانی داده‌های هیدرواقلیمی دارای اهمیت بالایی است. در همین راستا پژوهش حاضر با هدف تعیین همبستگی مکانی و الگوی وقوع داده‌های دبی حداکثر لحظه‌ای سیلاب استان اردبیل در دوره بازگشت‌های مختلف با استفاده از شاخص موران برنامه‌ریزی شده است. با استفاده از نرم‌افزار CumFreq مقادیر دبی سیلاب در ایستگاه‌های هیدرومتری مختلف با دوره‌بازگشت‌های 5، 10، 25 و 50 ساله محاسبه شدند. همبستگی مکانی از طریق شاخص موران محلی محاسبه شد و در ادامه الگوی وقوع خوشه‌ای سیلاب با استفاده از شاخص شاخص موران محلی انسلین تعیین شدند. بر اساس نتایج، مقادیر شاخص موران عمومی، در دوره‌های بازگشت 5، 10، 25 و 50 ساله به‌ترتیب برابر 168/0، 201/0، 268/0، 115/0 محاسبه شده است. کم‌تریم همبستگی مکانی در دوره بازگشت 50 ساله و بیش‌ترین همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. در دو ایستگاه گیلانده و پل الماس، دارای الگوی خوشه‌ای زیاد-زیاد (HH) مشاهده شد. از طرفی، برخی از ایستگاه‌های هیدرومتری دامنه کوهستان سبلان و نیز محدوده شمال شرقی استان اردبیل دارای مقادیر آماره z غیرمعنی‌دار است که به معنی عدم وجود الگوی خوشه‌ای در داده‌های ایستگاه‌های مذکور با ایستگاه‌های مجاور است. در مجموع می‌توان گفت که تفاوت در الگوی خوشه‌ای بودن دبی حداکثر لحظه‌ای می‌تواند با شرایط متفاوت اقلیمی، توپوگرافی و تفاوت در عوامل ایجاد سیل در حوزه‌ها مرتبط باشد.
واژه‌های کلیدی: آماره موران، الگوی توزیع مکانی، خوشه‌بندی، سامانه اطلاعات مکانی، شدت سیل‌خیزی
مقدمه
درک ویژگی‌های مکانی و زمانی سیلاب به‌منظور آگاهی و فهم مکانیسم‌های وقوع سیل و در نتیجه برآورد و پیش‌بینی دقیق‌تر آن در مقیاس‌های مختلف مکانی و زمانی دارای اهمیت بسیار است. وقوع سیلاب می‌تواند ناشی از فرآیندهای مختلف موجود در اکوسیستم آبخیز باشد. شایع‌ترین دلیل طبیعی وقوع سیلاب ناشی از بارندگی شدید، ذوب برف و یا بارش در شرایط خاک مرطوب است. لذا، بر اساس زمان یا فصل وقوع سیلاب، می‌توان خصوصیات هیدرولوژیکی را که در ایجاد و وقوع سیلاب دخیل هستند، تعیین نمود (14). در همین ارتباط، آگاهی از وقوع فصلی سیلاب و در نتیجه فرآیندهای محتمل تولید سیل می‌تواند زمینه شناسایی مناطق همگن در فصل وقوع سیل را فراهم نماید. تعیین توزیع مکانی وقوع سیلاب و همبستگی مکانی آن‌ها می‌تواند در تحلیل فراوانی منطقه‌ای سیل، تجزیه و تحلیل توزیع‌های فراوانی سیل و شناسایی تغییرات در دبی‌های سیلاب مورد استفاده قرار گیرد. تعیین مناطق همگن از نظر تولید و وقوع سیلاب می‌تواند مبنایی برای تعیین مناطق همگن در تحلیل‌های هیدرولوژیک و همچنین برآورد خسارت و اولویت‌بندی از نظر امداد و کنترل سیلاب باشد. شاخص موران شباهت بین مکان‌ها را به‌عنوان تابعی از فاصله توصیف و کمی می‌کند و این امکان را فراهم می‌کند که همبستگی مکانی بین متغیرها از طریق تأخیر با فواصل مختلف مورد ارزیابی قرار گیرد (24). مطالعات متعددی در خصوص بررسی تغییرات مکانی وقوع سیلاب و مخاطرات محیطی با استفاده از خودهمبستگی مکانی و شاخص موران در مناطق مختلف صورت پذیرفته است. در همین رابطه، فو و همکاران (10) الگوهای مکانی عناصر غذایی خاک در دو قطعه مرتع چراشده در یک دوره طولانی‌مدت را به‌منظور درک بهتر تغییرات مکانی با استفاده از شاخص جهانی موران مورد مطالعه قرار دادند. ایشان دریافتند که بر اساس مقادیر شاخص جهانی موران، همبستگی مکانی مثبت و معنی‌دار میان فسفر کل، منیزیم، اسیدیته و نیاز به آهک خاک شناسایی شد و الگوهای خوشه‌ای پراکنش عناصر خاک مشخص شدند. مجومدر و همکاران (20) با هدف ارزیابی توزیع جغرافیایی و تنوع روستاهای سیل‌زده در بخش غربی بنگال کشور هند در سال‌های 1996 تا 2016 الگوی مناطق متاثر از سیل را درون‌یابی و پیش‌بینی نمودند. ایشان از آماره شاخص موران برای ارزیابی خودهمبستگی مکانی استفاده نمودند و از آرماره جتیس-اورد برای شناسایی نقاط تمرکز سیل استفاده نمودند. ایشان بر اساس پیش‌بینی مبتنی بر GIS گستره و فراوانی مناطقی با بیش‌ترین روستاهای آسیب‌دیده را تعیین و مناطقی با خطر بالقوه سیلاب را تعریف نمودند. نژادرکابی و همکاران (23) با پهنه‌بندی خشکسالی بر اساس شاخص بارش استاندارد (SPI) و بارش و تبخیرو تعرق استاندارد (SPEI) و آمار مکانی مناطق مستعد خشکسالی را در استان خوزستان مکان‌یابی نمودند و ضمن تعیین نقاط تمرکز خشکسالی به تعیین خوشه‌های خشکسالی پرداختند. نقشه‌های تهیه شده با شاخص Anselin Local Moran محل خوشه‌های پر بارش را مشخص نمود و شاخص جتیس-اورد برای تعیین لکه‌های تمرکز مقادیر شاخص بارش استاندارد و بارش و تبخیرو تعرق استاندارد استفاده شد. کوکا و ریکارته-ویلوتا (8) الگوهای مکانی-زمانی تغییرات خط ساحلی از نظر فرسایش و رسوب‌گذاری سواحل کارائیب را مورد تحلیل و تفسیر قرار دادند. ایشان از شاخص موران جهانی، شاخص موران محلی و شاخص جتیس-اورد برای تعیین نقاط مهم وقوع فرسایش استفاده نمودند. براساس یافته‌های ایشان هر چه پیچیدگی ژئومورفولوژیکی بیش‌تر باشد، میزان خوشه‌بندی کم‌تر است و فرآیندهای فرسایش و رسوب‌گذاری ساحلی در امتداد سواحل کم‌عمق غالب است.
در ایران نیز مصطفی‌زاده و مهری (21) روند تغییرات ضریب سیلابی در ایستگاه‌های هیدرومتری استان اردبیل را مطالعه نمودند. براساس نتایج تحلیل روند، از مجموع 22 ایستگاه مورد مطالعه در استان اردبیل، شش ایستگاه روند افزایشی و یک ایستگاه روند کاهشی را در داده‌های ضریب سیلابی نشان دادند و در بقیه ایستگاه‌ها روند افزایشی معنی‌دار نبوده است. روند افزایشی در مقادیر ضریب سیلابی می‌تواند در اثر افزایش بارش و یا ناشی از تغییر کاربری اراضی و افزایش شدت بهره‌برداری از مراتع باشد که باعث افزایش توان تولید رواناب به‌صورت جریان سیلابی شده است. جلالی و کمریان (16) جهت مطالعه الگوی مکانی توفانهای تندری شمال غرب کشور از روش تحلیل الگوی خودهمبستگی مکانی و شاخص انسلین موران محلی استفاده نمودند. نتایج ایشان نشان داد که از نظر مکانی بیشینه وقوع توفانهای تندری در نواحی مرتفع و کوهستانی منطقه اتفاق می‌افتد. در حالی که، از نظر زمانی بیشینه توفانهای تندری در ماه‌های اردیبهشت و خرداد رخ داده است. عساکره و حسینجانی (4) برای ارزیابی مکانی مجموع فراوانی سالانة بارش شدید (آستانههای صدک 90-95، 95-99) و خیلی شدید (صدک 99 و بیش‌تر)، از داده‌های میانیابیشدة بارش روزانه در بازة زمانی سال‌های 1966 تا 2016 استفاده نمودند و برای شناسایی الگوی پراکنش مکانی، شاخص موران و Gi*را بهکار گرفتند. مقادیر نمایة موران کلی به میزان 9/0 نشان داد که الگوی مکانی بارش‌ها از نوع خوشه‌ای است. مقادیر شاخصGi* ، فراوانی خوشههایی با مقادیر بالا و پایین را تأیید نمودند. آروین و همکاران (3) با استفاده از سنجش از دور و سامانه اطلاعات جغرافیایی به مدل‌سازی مکانی فرونشست زمین به‌عنوان یک خطر طبیعی در جنوب حوزه آبخیز میناب در استان هرمزگان پرداختند. ایشان تحلیل‌های مکانی را به‌منظور تعین ارتباط فرونشست با میزان تغییرات و افت سطح آب زیرزمینی، ارتفاع سطح زمین و شیب مدنظر قرار داده و میزان همبستگی هر یک از فاکتورهای مذکور با تراکم رخداد فرونشست را محاسبه نمودند. تحلیل خودهمبستگی مکانی و شاخص موران، خوشه‌ای بودن رخداد فرونشست تحت تأثیر تغییرات سطح آب در منطقه موردمطالعه را نشان داد. همچنین بالا بودن امتیاز توزیع نرمال استاندارد (z) و پایین بودن مقدار سطح معنی‌داری (p_value) نشان‌دهنده رابطه خودهمبستگی قوی 89/1 و 06/0 بین عناصر مورد مطالعه است. مصطفی‌زاده و همکاران (22) پس از تعیین مقادیر شاخص هرست مربوط به حافظه طولانی‌مدت سری‌های زمانی بارش و دبی استان اردبیل، همبستگی مکانی شاخص هرست را با استفاده از شاخص موران تجزیه و تحلیل نمودند. ایشان تفاوت الگوی مقادیر بارش و دبی از نظر پایداری را با خوشه‌بندی ایستگاه‌های هیدرومتری مشخص نمودند. عزیزی و همکاران (5) با ارزیابی تغییرات مکانی شاخص آسیب‌پذیری سیلاب در استان اردبیل، مقادیر شش مؤلفه شامل هواشناسی، هیدرولوژیکی، فیزیکی-محیطی، اجتماعی، اقتصادی و اقدامات زیرساختی را کمی نمودند. بر اساس شاخص شاخص آسیب‌پذیری سیلاب تلفیقی مناطق دارای شدت بالای سیلاب مشخص شدند. بر اساس نتایج ایشان، تمام مناطق مورد مطالعه به جز بخش‌های کوچکی در مرکز، شرق و شمال تحت تاثیر سیل قرار دارند.
باید اشاره شود که این امکان وجود دارد که در یک منطقه، فراوانی و بزرگی وقوع سیلاب‌ها یکسان نباشد (25). هر چند رگبارهای شدید و منفرد می‌تواند باعث سیلاب‌های شدید شود، اما وقوع بارش‌های شدید معمولاً ناشی از سیستم‌های آب و هوایی سازمان‌یافته‌تر و در مقیاس بزرگتر رخ می‌دهد که می‌تواند باعث ایجاد سیل در مناطق وسیع و حوضه‌های مختلف شوند (26). تلاش‌های زیادی برای تشخیص تغییرات وقایع اوج سیلاب انجام شده است که می‌تواند در شناسایی تفاوت‌های منطقه‌ای در مکانیسم‌های ایجاد سیل (مانند سامانه‌های سینوپتیک، بارش‌های جابجائی یا ذوب برف) یا شناسایی و نسبت دادن علل تغییرات مشاهده شده در دبی سیل استفاده شود (15). از آنجایی که الگوهای وقوع بارندگی و فرآیندهای هیدرولوژیکی دارای الگوهای مکانی مشخصی هستند، جریان‌های شدید رودخانه‌ای که از این فرآیندها ناشی می‌شوند، نیز ساختار مکانی خواهند داشت. به‌ویژه اینکه الگوی مکانی دوره‌های بازگشت حداکثر سیل ناشی از یک واقعه آب و هوایی منفرد در یک منطقه، معمولاً دارای وابستگی مکانی هستند (26). به‌عبارت دیگر، زمانی که یک سیلاب در یک منطقه خاص اتفاق می‌افتد، به احتمال زیاد در مناطق همجوار نیز در نتیجه یک رگبار بارش یکسان، جریان‌های اوج سیلاب نیز اتفاق خواهد افتاد که نشان دهنده همبستگی مکانی است. در همین مورد باید اذعان داشت که با افزایش فاصله میان مناطق، از وابستگی مکانی کاسته خواهد شد (26). درک تفاوت‌های منطقه‌ای در مکانیسم های تولید سیل برای تجزیه و تحلیل سیل‌های تاریخی و کاهش عدم اطمینان در برآورد سیل آینده ضروری است (6). پویایی جریان و ویژگی‌های حوزه آبخیز نیز به‌عنوان محرک رفتار سیل شناخته می‌شوند (7). براساس جمع‌بندی سوابق پژوهش تغییرات مکانی شدت سیل‌خیزی در دوره بازگشت‌های مختلف براساس روش‌های مختلف همبستگی مکانی تاکنون مورد ارزیابی قرار نگرفته است. از طرفی، خوشه‌بندی مناطقی با مقادیر بالا از نکات برجسته‌ای است که در پژوهش فعلی به آن پرداخته شده است. در همین راستا، وقوع و شدت رویدادهای شدید اقلیمی و هیدرولوژیکی به‌عنوان شاخص تغییرات اقلیمی در بیش‌تر مناطق خشک و نیمه‌خشک از جمله استان اردبیل در ایران رو به افزایش است. باید اشاره می‌شود که هر ساله در بخش‌های مختلف استان اردبیل سیلاب‌های مهمی اتفاق می‌افتد که با توجه به وجود تنوع توپوگرافی و اقلیمی، انتظار می‌رود که وقوع سیلاب دارای الگوهای متفاوتی باشد و نیاز است تا این امر مورد بررسی و مطالعه بیش‌تر قرار گیرد. با توجه به توضیحات ارائه شده، هدف پروهش حاضر، ارزیابی همبستگی مکانی وقوع سیلاب با استفاده از شاخص موران جهانی و شاخص انسلین (خوشه یا ناخوشه بودن) در دوره بازگشت‌های مختلف در استان اردبیل است.
روش تحقیق
منطقه مورد مطالعه
منطقه مورد مطالعه استان اردبیل با مساحتی حدود 17953 کیلومتر مربع است که در شمال غرب ایران قرار گرفته است. ارتفاع منطقه مورد پژوهش بین 40 تا 4811 متر از سطح دریا متغیر است. استان اردبیل دارای تنوع اقلیمی و جغرافیایی است و در فصل‌های سرد سال تحت تاثیر توده‌های هوای مختلف قرار می‌گیرد. منطقه مورد بررسی جزء نواحی سردسیر کوهستانی محسوب می‌شود و میزان نزولات جوی در استان اردبیل به‌طور متوسط بین 250 تا 600 میلی‌متر در تغییر است. موقعیت استان اردبیل و ایستگاه‌های هیدرومتری مورد پژوهش در شکل 1 نشان داده شده است.
شکل 1. موقعیت ایستگاه‌های هیدرومتری مورد پژوهش در استان اردبیل
Fig 1. The location of the studied hydrometery stations in Ardabil province
روش انجام تحقیق
پژوهش حاضر به‌منظور بررسی الگوهای تغییرات مکانی وقوع سیلاب در دوره‌های بازگشت مختلف در ایستگاه‌های هیدرومتری استان اردبیل صورت پذیرفت. در راستای نیل به اهداف پژوهش، داده‌های دبی حداکثر لحظه‌ای در کلیه ایستگاه‌های هیدرومتری استان اردبیل از شرکت آب منطقه‌ای استان اردبیل اخذ شد. پس از بررسی داده‌ها و اطمینان از صحت و درستی داده‌های هیدرولوژیک اخذ شده، تعداد 32 ایستگاه به‌منظور تحلیل‌های بیش‌تر انتخاب شد. در گام بعدی، دوره‌های بازگشت 5، 10، 25 و 50 ساله دبی حداکثر لحظه‌ای در ایستگاه‌های هیدورمتری منتخب با استفاده از نرم‌افزار CumFreq محاسبه شد. در نرم‌افزار Cumfreq پس از برازش توزيع‌هاي آماري، بر اساس شاخص نکوئي برازش، توزیع مناسب برای داده‌های هر ایستگاه انتخاب و مقادیر دبی با دوره‌های بازگشت مختلف بر اساس آن مورد محاسبه قرار گرفت. سپس، الگوی تغییرات مکانی دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف (5، 10، 25 و 50 ساله) در استان اردبیل نیز با استفاده از سامانه اطلاعات جغرافیایی و روش معکوس وزنی فاصله نقشه‌بندی شد. خودهمبستگی مکانی مقادیر دبی حداکثر لحظه‌ای ایستگاه‌های هیدرومتری نیز با استفاده از شاخص موران عمومی و تشخیص خوشه یا ناخوشه‌بودن آن‌ها نیز با کمک شاخص موران محلی انسلین مورد بررسی قرار گرفت.
تحلیل مکانی داده‌های محیطی با مدل‌های مختلفی قابل انجام است که مدل‌های تحلیل اکتشافی داده‌های محیطی نظیر آماره‌های خودهمبستگی فضایی موران عمومی (Moran Statitics) و موران محلی انسلین (Anselin Local Moran I) از مهم‌ترین آن‌هاست (19).
- شاخص موران عمومی
در محاسبه شاخص موران عمومی، مقادیر امتیاز استاندارد (z-score) و معنی‌داری (p-value) برای ارزیابی اهمیت داده‌های مورد تحلیل استفاده می‌شود. در این شاخص، امتیاز استاندارد z-score درجه پراکنده يا متمرکز بودن عوارض يا داده‌های مکانی را نشان می‌دهد (18). در آماره عمومی موران I، فرضیه صفر بیان می‌کند که ویژگی مورد تحلیل به‌طور تصادفی در منطقه مورد مطالعه توزیع شده است. لازم به ذکر است که الگوی پراکنش داده‌ها بر اساس تصادفی یا خوشه‌ای بودن ارزیابی می‌شود (11 و 13). شاخص موران یکی از شاخص‌های برآورد خوشه‌ای بودن داده‌ها است که با استفاده از رابطة زیر محاسبه می‌شود (9).
(1) |
|
که در آن، n تعداد پدیده‌ها، xi مقادیر مشاهداتی در مکان پدیده iام، 
میانگین xiهاست.، yij اندازه وزن متعلق به i و j است که براساس میزان همسایگی برآورد می‌شود و نشان‌دهنده میزان همبستگی مکانی است. مجموع وزن‌ها در ماتریس وزن‌های{wij} بیان‌گر اندازه مجموعه روابط مکانی مفروض بین نواحی است که به روش‌های مختلفی قابل محاسبه است. یکی از از این روش‌ها، به‌کارگیری وزن‌هایی با مقادیر صفر و یک (دو دوئی) است. در این حالت، اگر نواحی i و j هم مرز باشند، wij = 0 خواهد بود. شاخص موران عمومی مانند ضریب خودهمبستگی بین 1+ و 1- متغیر است و تفسیر مشابهی دارد. به‌طورکلی هر چه مقدار شاخص موران به عدد 1+ نزديک‌تر باشد، داده‌ها دارای خودهمبستگی مکانی و الگوی توزیع خوشه‌ای هستند و هرچه مقدار شاخص موران نزديک به عدد 1- باشد، داده‌ها از هم گسسته و پراکنده هستند (18). سپس نمره z، در سطح اطمینان موردنظر ارزیابی می‌شود و اگر قدر مطلق نمره z مشاهده شده (zI) بزرگتر از نمره z آستانه (96/1±) باشد؛ فرض صفر در سطح اطمینان مذکور رد می‌شود و رابطه معنی‌دار خواهد بود.
- شاخص موران محلی انسلین
يكي از ابزارهاي مفيد در نمايش توزيع مکانی پديده‌ها، تحليل خوشه‌ای و غیرخوشه‌ای بودن است که از طریق شاخص موران محلي انسلین محاسبه می‌شود (2 و 12). شناسایی نقاط پرت (مناطقی بسیار متفاوت از مناطق مجاور) از دیگر کاربردهای این شاخص است. در همین خصوص، مناطق با مقدار شاخص منفی قابل توجه نشان‌دهنده نقاط پرت هستند و مکان هایی با مقدار شاخص مثبت قابل توجه خودهمبستگی هسته یک خوشه را تشکیل می‌دهند. به‌عبارت دیگر، مکان‌های با تمرکز بیش‌تر مقادیر (یک نقطه داغ) یا تمرکز کم‌تر مقادیر (یک نقطه سرد) نسبت به مناطق همسایه با استفاده از این شاخص قابل تشخیص است. شاخص موران محلی انسلین (I) با استفاده روابط 2 و 3 محاسبه می‌شود.
(2) |
| ||||||||
(3) |
|
(4) |
|
که در آن، (So) Z مقدار تخمین در نقطه So، λi مقدار وزن اختصاص داده شده به هر نقطه مشاهداتی، N تعداد نقاط مشاهداتی در اطراف نقطه مورد نظر وZ (Si) مقدار مشاهداتی در نقطه Si هستند. مقدار وزن هر نقطه نیز از روابط (5) و (6) محاسبه می‌شود.
(5) | |
(6) |
|
که در آن، dio فاصله بین نقطه مورد نظر So و هر یک از نقاط مشاهداتی Si است. با افزایش فاصله، مقدار وزن بهوسیله توان p کاهش می‌یابد.
نتایج
نتایج حاصل از محاسبه دبی حداکثر لحظه‌ای با دوره‌های بازگشت مختلف در ایستگاه‌های هیدرومتری مورد مطالعه در استان اردبیل در جدول 1 ارائه شده است.
جدول 1. مقادیر دبی حداکثر لحظه‌ای با دوره‌های بازگشت مختلف (سال) در ایستگاه‌های هیدرومتری استان اردبیل
Table 1. Instantaneous maximum discharge values in different return periods (year) of hydrometery stations, Ardabil province
ایستگاه هیدرومتری | 5 | 10 | 25 | 50 | ایستگاه هیدرومتری | 5 | 10 | 25 | 50 |
پل الماس | 40/44 | 59/73 | 109/05 | 265/5 | لاي | 2/03 | 3/53 | 5/7 | 8/04 |
ساميان | 26/05 | 41/25 | 66/02 | 88/17 | ويلادرق | 1/09 | 2/32 | 5/7 | 10/56 |
آتشگاه | 4/09 | 7/24 | 13/64 | 21 | باروق | 7/13 | 9/87 | 13/39 | 15/99 |
يامچي | 23/33 | 33/02 | 46/89 | 58/02 | ايريل | 4/42 | 5/36 | 6/39 | 7/07 |
نير | 7/88 | 11/88 | 19/74 | 28/66 | ننه‌کران | 3/35 | 4/47 | 5/66 | 6/48 |
آلاديزگه | 7/86 | 10/29 | 13/44 | 15/8 | سولا | 5/89 | 7/4 | 9/19 | 10/46 |
نوران | 8/64 | 10/2 | 11/8 | 12/8 | نئور | 1/35 | 1/78 | 2/42 | 2/97 |
نمين | 3/43 | 4/61 | 5/89 | 6/74 | عموقين | 10/49 | 14/2 | 19/9 | 24/83 |
دوست‌بيگلو | 101/54 | 148/46 | 243/94 | 353/74 | شمس‌آباد | 8/57 | 19/16 | 50/69 | 99/84 |
اربابکندی | 39/64 | 56/77 | 83/27 | 106/63 | عنبران | 5/72 | 16/34 | 52/89 | 114/05 |
بران | 185/16 | 240/52 | 316/71 | 376/28 | پل سلطاني | 27/07 | 63/11 | 285/26 | 325 |
مشيران | 173/22 | 230/5 | 308/05 | 369/84 | اهل ايمان | 17/42 | 32/35 | 70/25 | 124/53 |
فيروزآباد | 51/71 | 72/69 | 105/4 | 133/58 | حاج احمدكندي | 50/31 | 66/67 | 83/51 | 94/28 |
كوزه تپراقي | 27/38 | 39/11 | 57/96 | 83/12 | اکبرداوود | 25/67 | 45/66 | 97/37 | 172/59 |
گيلانده | 40/399 | 56/25 | 68/69 | 73/45 | درو | 8/85 | 11/69 | 15/62 | 18/47 |
هير | 10/47 | 21/47 | 50/35 | 92/4 | آبگرم | 24/19 | 43/43 | 161/68 | 195 |
بررسی مقادیر ارائه شده در جدول 1 نشان می‌دهد که ایستگاه بران با مقادیر 16/185، 52/240، 71/316 و 28/376 مترمکعب بر ثانیه به‌ترتیب برای دوره‌های بازگشت 5، 10، 25 و 50 ساله بیش‌ترین مقدار دبی حداکثر لحظه‌ای را به خود اختصاص داده است. کم‌ترین مقادیر مربوط به دبی حداکثر لحظه‌ای برای دوره بازگشت 5 ساله با مقدار 09/1 مترمکعب بر ثانیه به ایستگاه ویلادرق تعلق دارد. در دوره‌های بازگشت 10، 25 و 50 ساله نیز کم‌ترین مقدار دبی حداکثر لحظه‌ای برای ایستگاه نئور با مقادیر به‌ترتیب برابر با 78/1، 42/2 و 97/2 مترمکعب بر ثانیه بهدست آمد. نتیجه تعیین توزیع آماری مناسب برازش داده شده بر داده‌های دبی حداکثر لحظه‌ای در ایستگاه هیدرومتری کوزه تپراقی به‌عنوان نمونه در شکل 2 نشان داده شده است. در ایستگاه مذکور، توزيع تعميم‌يافته Dagum براي محاسبه مقادير دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف مورد استفاده قرار گرفت. در این راستا، مقدار مطلق تفاوت میان مقادیر فراوانی تجمعی مشاهداتی و محاسباتی در توزيع تعميم‌يافته Dagum برابر با 33/2 درصد بوده است. دامنه توزیع مقادیر دبی حداکثر لحظه‌ای مشاهداتی و برآوردی با توزیع مناسب آماری در ایستگاه هیدرومتری کوزه‌تپراقی نیز در شکل 3 نمایش داده شده است.
شکل 2. محدوده اطمینان مقادیر دبی حداکثر لحظه‌ای مشاهداتی و برآوردی با توزیع مناسب آماری در ایستگاه هیدرومتری کوزه‌تپراقی
Fig 2. The confidence limit of observed and estimated instantaneous maximum discharge values using appropriate statistical distribution in Kozetopraghi hydrometery station
شکل 3. دامنه توزیع مقادیر دبی حداکثر لحظه‌ای مشاهداتی و برآوردی با توزیع مناسب آماری در ایستگاه هیدرومتری کوزه‌تپراقی
Fig 3. The distribution classes of observed and estimated instantaneous maximum discharge values using appropriate statistical distribution in Kozetopraghi hydrometery station
نتایج حاصل از محاسبه همبستگی مکانی مقادیر دبی حداکثر لحظه‌ای شامل شاخص موران، امتیاز استاندارد، معنی‌داری و واریانس در دوره‌های بازگشت مختلف 5، 10، 25 و 50 ساله در ایستگاه‌های هیدرومتری استان اردبیل در شکل 4 و جدول 2 آورده شده است.
الف) دوره بازگشت 5 ساله |
ب) دوره بازگشت 10 ساله |
ج) دوره بازگشت 25 ساله |
د) دوره بازگشت 50 ساله |
شکل 4. مقادیر همبستگی مکانی مقادیر دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف در ایستگاه‌های هیدرومتری استان اردبیل
Fig 4. Spatial correlation values of instantaneous maximum discharge in different return periods in hydrometery stations of Ardabil province
جدول 2. نتایج ارزیابی همبستگی مکانی وقوع سیلاب با دوره بازگشت‌های مختلف در استان اردبیل
Table 2. The results of spatial correlation assessment of flood occurrence in different return periods, Ardabil province
دوره بازگشت | 5 | 10 | 25 | 50 |
شاخص موران | 0/1682 | 0/2010 | 0/2688 | 0/1155 |
واریانس | 0/0047 | 0/0049 | 0/0053 | 0/0032 |
آماره z | 2/9186 | 3/3483 | 4/1191 | 2/6314 |
معنی‌داری | 0/0035 | 0/0008 | 0/0000 | 0/0085 |
بر اساس مقادیر شاخص موران عمومی ارائه شده در جدول 2 و شکل 4، مقدار شاخص مذکور در دوره‌های بازگشت 5، 10، 25 و 50 ساله به‌ترتیب برابر 168/0، 201/0، 268/0، 115/0 محاسبه شده است. این نتایج نشان می‌دهد که بیش‌ترین همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. نتایج حاصل از تهیه نقشه تغییرات مکانی دبی حداکثر لحظه‌ای با دوره‌های بازگشت 5، 10، 25 و 50 ساله و همچنین وضعیت خوشه‌های (خوشه‌ای یا غیرخوشه‌ای بودن) ایستگاه‌های هیدرومتری مورد مطالعه در استان اردبیل در شکل 5 ارائه شده است.
|
|
|
|
شکل 5. نقشه همبستگی مکانی و الگوی وضعیت خوشه‌ای دبی حداکثر لحظه‌ای با دوره‌های بازگشت مختلف در استان اردبیل
Fig 5. Spatial correlation map and clustering pattern of instantaneous maximum discharge with different return periods in Ardabil province
بحث و نتیجه‌گیری
پژوهش حاضر با هدف ارزیابی خودهمبستگی مکانی مقادیر دبی حداکثر لحظه‌ای با دوره‌های بازگشت مختلف در ایستگاه‌های هیدرومتری استان اردبیل انجام شد. در همین ارتباط، از شاخص موران عمومی، شاخص موران محلی انسلین و روش معکوس وزنی فاصله استفاده و تحلیل‌های لازم صورت پذیرفت. نتايج حاصل از پژوهش، نشان‌دهنده وجود تفاوت در الگوهای مشخص شده در داده‌های دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف (5، 10، 25 و 50 ساله) است. لازم به توضیح است که ایستگاه‌های هیدرومتری دوست‌بیگلو، مشیران و سامیان در اکثر دوره بازگشت‌ها با وقوع سیلاب شدیدتری مواجه بوده‌اند (شکل 4). قابل ذکر است که در پژوهش عزیزی و همکاران (2022) هم بیش‌ترین مقدار سیلاب در دوره بازگشت 50 ساله مربوط به حوزه آبخیز مشیران شناسایی شده است که با مساحت بالای منطقه ارتباط مستقیم دارد. علاوه بر این، عزیزی و همکاران (2022) بیان کرده‌اند که حوضه‌های مشیران و سامیان بیش‌ترین آسیب‌پذیری را بر اساس مؤلفه هیدرولوژیکی به خود اختصاص داده‌اند. علاوه بر این، مطابق با شکل 4، بعد از ایستگاه‌های فوق‌الذکر مقادیر بالای دبی در دوره‌های بازگشت مختلف مربوط به ایستگاه‌های هیدرومتری آبگرم، اهل ایمان، کوزه‌تپراقی و فیروزآباد است. دلیل سیل‌خیزی بالای حوزه‌های مذکور توپوگرافی شدید محدوده بالادست است که پتانسیل تولید رواناب بالایی دارد. بر اساس مقادیر شاخص موران عمومی در دوره‌های بازگشت مختلف، بیش‌ترین مقدار همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. قابل ذکر است که وقوع سیلاب در در دوره بازگشت مذکور ناشی از بارش‌های شدید است که می‌تواند در بسیاری از مناطق به صورت هم‌زمان اتفاق بیفتند. در دوره‌های بازگشت پایین (5 ساله) مقادیر دبی سیلابی ممکن است تحت تاثیر بارش‌ها در مقیاس محلی باشد و از طرفی، در دوره بازگشت بالا (50 ساله) وقوع دبی‌های سیلابی در ایستگاه‌ها متفاوت خواهد بود و به همین دلیل مقادیر شاخص موران عمومی کاهش پیدا کرده است. باید اشاره شود که در دو ایستگاه گیلانده و پل الماس، دارای الگوی خوشه‌ای مقادیر زیاد (HH) است. در این خصوص می‌توان گفت که در دو ایستگاه مذکور وقوع سیلاب در اثر جریان بالای رودخانه بالیخلوچای اتفاق می‌افتد. علاوه بر این باید اشاره شود که مدیریت بهره‌برداری از مخزن سد یامچی در مواقع سیلابی می‌تواند منجر به ایجاد جریان‌های شدید شود. از طرفی، برخی از ایستگاه‌های هیدرومتری دامنه کوهستان سبلان و نیز محدوده شمال شرقی استان اردبیل دارای مقادیر آماره z غیرمعنی‌دار است که به معنی عدم وجود الگوی خوشه‌ای در داده‌های ایستگاه‌های مذکور با ایستگاه‌های مجاور است. در مجموع می‌توان گفت که تفاوت در الگوی خوشه‌ای بودن دبی حداکثر لحظه‌ای با شرایط متفاوت اقلیمی، توپوگرافی و تفاوت در عوامل ایجاد سیل در حوزه‌ها مرتبط باشد. لازم به یادآوری است که عوامل متعدد دیگری نیز در الگوی وقوع سیل موثرند که می‌توان به وقوع بارش‌های شدید اشاره نمود که باید در ارزیابی جامع وقوع سیلاب مدنظر قرار گیرد. بر اساس نتایج بهدست آمده در پژوهش حاضر، می‌توان مناطق واقع در مرکز خوشه‌ها را به‌عنوان مناطق مستعد خسارات ناشی از سیلاب در اولویت اقدامات مدیریتی قرار داد. لذا می‌توان در مناطق بالادست مولد سیلاب اقدامات حفاظت از پوشش گیاهی و اجرای عملیات‌های آبخیزداری را در اولویت قرار داد و با كاهش سرعت جریان، افزايش زمان تمركز رواناب و امکان نفوذ آب از طریق احیای پوشش گیاهی پتانسیل تولید رواناب را کاهش داد. علاوه بر این، مطالعات تکمیلی در راستای ارزیابی خسارت‌های ناشی از سیل می‌تواند در تهیه برنامه مدیریتی و کاهش خسارت ناشی از سیلاب مؤثر باشد. وقوع سیل برآیند عوامل مختلفی است که در اثر دخالت‌های متعدد انسانی تشدید می‌شود. نقشه ارائه شده می‌تواند مبنای تعیین مناطق سیل‌خیز براساس همبستگی مکانی در دوره بازگشت‌های مختلف باشد. در این راستا، مطالعه تغییر الگوی مکانی و روند ویژگی‌های بارش مولد سیلاب (شدت، مدت، فراوانی)، ارزیابی تغییر کاربری اراضی و تجاوز به حریم رودخانه‌ها از پیشنهادهای پژوهشی منتج از پژوهش حاضر است. باید اشاره شود که وقوع برخی سیلاب‌ها در اثر تغییر در ویژگی‌های بارش است که در اثر تشدید وقایع حدی و نیز تغییر اقلیم اتفاق افتاده است. لذا ارزیابی الگوی وقوع بارش‌ها و نیز شرایط موثر بر تشدید سیلاب نیازمند ارزیابی جامع‌تری است. علاوه براین، تدوین برنامه مدیریت و کنترل سیلاب با در نظر گرفتن توزیع مکانی و همبستگی وقوع سیلاب‌های شدید می‌تواند در کاهش خسارت‌های ناشی از این پدیده موثر باشد. چارچوب مورد استفاده در پژوهش حاضر می‌تواند در ارزیابی همبستگی مکانی سایر بلایای طبیعی مورد استفاده قرار گیرد.
منابع مورد استفاده
1. Alijani B, Doostkamyan M, Ashrafi S, Shakeri F. 2015. Investigate of spatial autocorrelation patterns of variation within decades of rainfall during the last half century. Geog & Urban-Reg Plann, 14:88-71. https://doi.org/10.22111/gaij.2015.1914 (In Persian).
2. Anselin L, Syabri I, Smirnov O. 2002. Visualizing multivariate spatial correlation with dynamically linked windows. New Tools for Spatial Data Analysis: Proceedings of the Specialist Meeting, Santa Barbara.
3. Arvin A, Vahabzadeh G, Mousavi SR, Bakhtyari Kia M. 2019. Geospatial modeling of land subsidence in the south of the Minab watershed using remote sensing and GIS. J GIS RS for Nat Res, 10(3), 19-34 (In Persian)
4. Asakereh H, Hosseinjani L. 2019. Spatial autocorrelation of annual frequency of heavy rainfalls in Caspian region. Phys Geog Res, 51(1):135-148. doi: 10.22059/jphgr.2019.265389.1007274 (In Persian).
5. Azizi E, Mostafazadeh R, Hazbavi Z, Esmali-Ouri A, Mirzaie S, Huang G, Qian X. 2022. Spatial distribution of flood vulnerability index in Ardabil province, Iran. Stochastic Environmental Research and Risk Assessment, 36(12), 4355-4375 http://dx.doi.org/10.1007/s00477-022-02264-5
6. Berghuijs WR, Aalbers EE, Larsen JR, Trancoso R, Woods RA. 2017. Recent changes in extreme floods across multiple continents. Environ Res Lett 12(11), 114035 https://doi.org/10.1088/1748-9326/aa8847
7. Blöschl, G., Gaál, L., Hall, J., Kiss, A., Komma, J., Nester, T, Parajka J, Perdigão RAP, Plavcová L, Rogger M, Salinas JL, Viglione A. 2015. Increasing river floods: fiction or reality?. Wiley Interdisciplinary Reviews: Water, 2(4), 329-344
8. Coca O, Ricaurte-Villota C. 2022. Regional patterns of coastal erosion and sedimentation derived from spatial autocorrelation analysis: Pacific and Colombian Caribbean. coasts. 2(3):125-151. https://doi.org/10.3390/coasts2030008
9. Dai X, Guo Z, Zhang L, Li D. 2010. Spatio-temporal exploratory analysis of urban surface temperature field in Shanghai, Environ Risk Assess, 24, 247–257. http://dx.doi.org/10.1007/s00477-009-0314-2
10. Fu W, Zhao K, Zhang Ch, Tunney H. 2011. Using Moran's I and geostatistics to identify spatial patterns of soil nutrients in two different long-term phosphorus-application plots. J Plant Nut Soil Sci, 174(5): 785-798. https://doi.org/10.1002/jpln.201000422
11. Gail M, Krickeberg K, Samet J, Tsiatis A, Wong W. 2007. Statistics for Biology and Health, USA Springer, 402.
12. Ghanbari A, Rousta H, Fotohinejad M. 2020. Spatial Analysis of Fars Province Climatic Drought from the Period 1990 to 2014. Nivar, 2020; 44(110): 53-64. https://doi.org/10.30467/nivar.2020.146655.1105
13. Haining R. (2004). Spatial Data Analysis: Theory and Practice. UK: Cambridge University Press.
14. Hall J, Blöschl G. 2018. Spatial patterns and characteristics of flood seasonality in Europe. Hyd Earth Syst Sci, 22(7), 3883-3901.
15. Hall J, Arheimer B, Borga M, Brázdil R, Claps P, Kiss A, Kjeldsen TR, Kriaučiūnienė J, Kundzewicz ZW, Lang M, Llasat MC, Macdonald N, McIntyre N, Mediero L, Merz B, Merz R, Molnar P, Montanari A, Neuhold C, Parajka J, Perdigão RAP, Plavcová L, Rogger M, Salinas JL, Sauquet E, Schär C, Szolgay J, Viglione A, Blöschl G. 2014. Understanding flood regime changes in Europe: a state-of-the-art assessment. Hydrol Earth Sys Sci, 18(7), 2735-2772.
16. Jalali M, Kamarian V. 2018. The analysis of spatial patterns of thunderstorms in the North West of Iran. Geographic Space, 18(61) 63-81. (In Persian).
17. Janbozorgi M, Hanifepour M, Khosravi H. 2021. Temporal changes in meteorological-hydrological drought (Case study: Guilan Province). Water & Soil Mgmt & Model, 1(2), 1-13. https://doi.org/10.22098/mmws.2021.1215
18. Karami M, Kadkhoda E. 2020. Modeling of precipitation-elevation spatial relationships in the Northeast of Iran by using the GWR Model. J Env Sci & Tech, 22(6): 1-15. doi: 10.22034/jest.2020.17257
19. Kazemi M, Nafarzadegan AR, Mohammadi F. 2019. Studying changes in heat islands and land uses of the Minab city using the random forest classification approach and spatial autocorrelation analysis. J RS GIS for Nat Res, 10(4), 38-56. (in Persian)
20. Majumder R, Bhunia GS, Patra P, Mandal ACh, Ghosh D, Shit PK. 2019. Assessment of flood hotspot at a village level using GIS-based spatial statistical techniques. Arab J Geosci, 12:409, https://doi.org/10.1007/s12517-019-4558-y
21. Mostafazadeh R, Mehri S. 2018. Trends in variability of flood coefficient in river gauge stations of Ardabil province, Iran. J Watershed Mgmt Res, 9(17):82-95. (In Persian).
22. Mostafazadeh R, Moradzadeh V, Alaei N, Hazbavi Z. 2021. Determining long-term memory using Hurst index for precipitation and discharge time series of selected stations in Ardabil province. Journal of Water and Soil Resources Conservation, 11(2): 113-131. https://doi.org/10.30495/wsrcj.2021.19217
23. Nejadrekabi M, Eslamian S, Zareian MJ. 2021. Using spatial statistics to identify drought-prone regions (A case study of Khuzestan Province, Iran). Adv in Environ Tech, 7(4): 231-262. https://doi.org/10.22104/aet.2022.5143.1397
24. Overmars KP, de Koning GHJ, Veldkamp A. 2003. Spatial autocorrelation in multiscale land use models. Ecol Model, 164:257-270. https://doi.org/10.1016/S0304-3800(03)00070-X
25. Petrow T, Merz B. 2009. Trends in flood magnitude, frequency and seasonality in Germany in the period 1951–2002. J Hydrol, 371 (1–4), 129–141. https://doi.org/10.1016/j.jhydrol.2009.03.024
26. Quinn N, Bates P, Neal J, Smith A, Wing O, Sampson Ch, Smith, H, Heffernan J. 2019. The spatial dependence of flood hazard and risk in the United States. Water Res Res, 55(3), 1890-1911.
27. Roshani H, Mostafazadeh R, Esmali-Ouri A, Zabihi M. 2021. Spatiotemporal variation of precipitation using PCI and SI indices in Golestan province. J Spat Analysis of Env Haz, 7(4):187-204. (In Persian)
Determining the Distribution Pattern of Spatial Correlation of Flood Occurrence in Ardabil Province Using Moran's Index in GIS
Abstract
Mapping the patterns of spatial distribution and determining the trend of spatial changes in environmental data is very important. In this regard, the current research is planned with the aim of determining the spatial correlation and occurrence pattern of the instantaneous maximum discharge data in Ardabil province in different return periods using Moran's index. The flood discharge values were calculated using CumFreq software at different river gauge stations in 5, 10, 25 and 50 years return periods. Spatial correlation was calculated through the Global Moran's I index, and then the cluster occurrence pattern of floods was determined using Anselin Local Moran I index. Based on the results, the values of Global Moran's I index have been calculated as 0.168, 0.201, 0.268, 0.115 in 5, 10, 25, and 50 years return periods, respectively. The least spatial correlation was observed in the 50-year return period and the highest spatial correlation was observed in the 25-year return period. A high-high (HH) cluster pattern was observed in Gilandeh and Pol-Almas stations. On the other hand, some river gauge stations of the Sablan mountain range and the northeastern area of Ardabil province had not significant z-statistic values, which means there is no cluster pattern in the data of the mentioned stations with the neighboring stations. As a concluding remark, it can be said that the difference in the clustering pattern of instantaneous maximum discharge is related to different climatic conditions, topography and the difference in the causes of flooding in the watersheds.
Keywords: Clustering, Flood intensity, Moran's statistic, Spatial distribution pattern, Spatial information system
تعیین الگوی پراکنش و همبستگی مکانی وقوع سیلاب استان اردبیل با استفاده از شاخص موران در سامانه اطلاعات جغرافیایی
چکیده مبسوط
مقدمه و هدف: نقشه‌بندی الگوهای توزیع مکانی و تعیین روند تغییرات مکانی داده‌های محیطی دارای اهمیت بالایی است. درک ویژگی‌های مکانی و زمانی سیلاب به‌منظور آگاهی و فهم مکانیسم‌های وقوع سیل و در نتیجه برآورد و پیش‌بینی دقیق‌تر آن در مقیاس‌های مختلف مکانی و زمانی ضروری است. وقوع سیلاب می‌تواند ناشی از فرآیندهای مختلف موجود در اکوسیستم آبخیز باشد. شایع‌ترین دلیل طبیعی وقوع سیلاب ناشی از بارندگی شدید، ذوب برف و یا بارش در شرایط خاک مرطوب است. لذا، بر اساس زمان یا فصل وقوع سیلاب، می‌توان خصوصیات هیدرولوژیکی را که در ایجاد و وقوع سیلاب دخیل هستند، تعیین نمود. از آنجایی که الگوهای وقوع بارندگی و فرآیندهای هیدرولوژیکی دارای الگوهای مکانی مشخصی هستند، جریان‌های شدید رودخانه‌ای که از این فرآیندها ناشی می‌شوند، نیز دارای ساختار مکانی خواهند بود. به‌ویژه اینکه الگوی مکانی دوره‌های بازگشت حداکثر سیل ناشی از یک واقعه آب و هوایی منفرد در یک منطقه، معمولاً دارای وابستگی مکانی هستند. به‌عبارت دیگر، زمانی که یک سیلاب در یک منطقه خاص اتفاق می‌افتد، به احتمال زیاد در مناطق همجوار نیز در نتیجه یک رگبار بارش یکسان، جریان‌های اوج سیلاب نیز اتفاق خواهد افتاد که نشان دهنده همبستگی مکانی است. شاخص موران شباهت بین مکان‌ها را به‌عنوان تابعی از فاصله توصیف و کمی می‌کند و این امکان را فراهم می‌کند که همبستگی مکانی بین متغیرها از طریق تأخیر با فواصل مختلف مورد ارزیابی قرار گیرد. پویایی جریان و ویژگی های حوزه آبخیز نیز به عنوان محرک رفتار سیل شناخته می‌شوند. وقوع و شدت رویدادهای شدید اقلیمی و هیدرولوژیکی به‌عنوان شاخص تغییرات اقلیمی در بیش‌تر مناطق خشک و نیمه‌خشک از جمله استان اردبیل در ایران رو به افزایش است. باید اشاره می‌شود که هر ساله در بخش‌های مختلف استان اردبیل سیلاب‌های مهمی اتفاق می‌افتد که با توجه به وجود تنوع توپوگرافی و اقلیمی، انتظار می‌رود که وقوع سیلاب دارای الگوهای متفاوتی باشد و نیاز است تا این امر مورد بررسی و مطالعه بیش‌تر قرار گیرد. در همین راستا پژوهش حاضر با هدف تعیین همبستگی مکانی و الگوی وقوع داده‌های دبی حداکثر لحظه‌ای سیلاب استان اردبیل در دوره بازگشت‌های مختلف با استفاده از شاخص موران برنامه‌ریزی شده است.
مواد و روش‌ها: پژوهش حاضر به‌منظور بررسی الگوهای تغییرات مکانی وقوع سیلاب در دوره‌های بازگشت مختلف در ایستگاه‌های هیدرومتری استان اردبیل صورت پذیرفت. در راستای نیل به اهداف پژوهش، داده‌های دبی حداکثر لحظه‌ای در کلیه ایستگاه‌های هیدرومتری استان اردبیل از شرکت آب منطقه‌ای استان اردبیل اخذ شد. پس از بررسی داده‌ها و اطمینان از صحت و درستی داده‌های هیدرولوژیک اخذ شده، تعداد 32 ایستگاه به‌منظور تحلیل‌های بیش‌تر انتخاب شد. در گام بعدی، دوره‌های بازگشت 5، 10، 25 و 50 ساله دبی حداکثر لحظه‌ای در ایستگاه‌های هیدورمتری منتخب با استفاده از نرم‌افزار CumFreq محاسبه شد. در نرم‌افزار Cumfreq پس از برازش توزيع‌هاي آماري، بر اساس شاخص نکوئي برازش، توزیع مناسب برای داده‌های هر ایستگاه انتخاب و مقادیر دبی با دوره‌های بازگشت مختلف بر اساس آن مورد محاسبه قرار گرفت. سپس، الگوی تغییرات مکانی دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف (5، 10، 25 و 50 ساله) در استان اردبیل نیز با استفاده از سامانه اطلاعات جغرافیایی و روش معکوس وزنی فاصله (IDW) نقشه‌بندی شد. خودهمبستگی مکانی مقادیر دبی حداکثر لحظه‌ای ایستگاه‌های هیدرومتری نیز با استفاده از شاخص موران عمومی (Global Moran I) و تشخیص خوشه یا ناخوشه‌بودن آن‌ها نیز با کمک شاخص موران محلی انسلین (Anselin Local Moran I) مورد بررسی قرار گرفت.
نتایج و بحث: نتایج نشان داد که ایستگاه بران در دوره‌های بازگشت مختلف بیش‌ترین مقدار دبی حداکثر لحظه‌ای را به خود اختصاص داده است. کم‌ترین مقادیر مربوط به دبی حداکثر لحظه‌ای برای دوره بازگشت 5 ساله با مقدار 09/1 مترمکعب بر ثانیه به ایستگاه ویلادرق تعلق دارد. در دوره‌های بازگشت 10، 25 و 50 ساله نیز کم‌ترین مقدار دبی حداکثر لحظه‌ای برای ایستگاه نئور با مقادیر به‌ترتیب برابر با 78/1، 42/2 و 97/2 مترمکعب بر ثانیه بهدست آمد. توزیع آماری مناسب در همه ایستگاه‌ها تعیین شد. به‌عنوان نمونه در ایستگاه هیدرومتری کوزه تپراقی به‌عنوان نمونه توزيع تعميم‌يافته Dagum براي محاسبه مقادير دبی حداکثر لحظه‌ای در دوره‌های بازگشت مختلف مورد استفاده قرار گرفت. بر اساس نتایج، مقادیر شاخص موران عمومی، در دوره‌های بازگشت 5، 10، 25 و 50 ساله به‌ترتیب برابر 168/0، 201/0، 268/0، 115/0 محاسبه شده است. کم‌تریم همبستگی مکانی در دوره بازگشت 50 ساله و بیش‌ترین همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. در دو ایستگاه گیلانده و پل الماس، دارای الگوی خوشه‌ای زیاد-زیاد (HH) مشاهده شد. از طرفی، برخی از ایستگاه‌های هیدرومتری دامنه کوهستان سبلان و نیز محدوده شمال شرقی استان اردبیل دارای مقادیر آماره z غیرمعنی‌دار است که به معنی عدم وجود الگوی خوشه‌ای در داده‌های ایستگاه‌های مذکور با ایستگاه‌های مجاور است.
نتیجه‌گیری: در ایستگاه‌های هیدرومتری دوست‌بیگلو، مشیران و سامیان در اکثر دوره بازگشت‌ها با وقوع سیلاب شدیدتری مواجه بوده‌اند. همچنین مقادیر دبی در دوره‌های بازگشت مختلف مربوط به ایستگاه‌های هیدرومتری آبگرم، اهل ایمان، کوزه‌تپراقی و فیروزآباد بالا بوده است. دلیل سیل‌خیزی بالای حوزه‌های مذکور توپوگرافی شدید محدوده بالادست است که پتانسیل تولید رواناب بالایی دارد. بر اساس مقادیر شاخص موران عمومی در دوره‌های بازگشت مختلف، بیش‌ترین مقدار همبستگی مکانی در دوره بازگشت 25 ساله مشاهده شده است. قابل ذکر است که وقوع سیلاب در در دوره بازگشت مذکور ناشی از بارش‌های شدید است که می‌تواند در بسیاری از مناطق به صورت هم‌زمان اتفاق بیفتند. در دوره‌های بازگشت پایین (5 ساله) مقادیر دبی سیلابی ممکن است تحت تاثیر بارش‌ها در مقیاس محلی باشد و از طرفی، در دوره بازگشت بالا (50 ساله) وقوع دبی‌های سیلابی در ایستگاه‌ها متفاوت خواهد بود و به همین دلیل مقادیر شاخص موران عمومی کاهش پیدا کرده است. در مجموع می‌توان گفت که تفاوت در الگوی خوشه‌ای بودن دبی حداکثر لحظه‌ای با شرایط متفاوت اقلیمی، توپوگرافی و تفاوت در عوامل ایجاد سیل در حوزه‌ها مرتبط باشد. باید ذکر شود که عوامل متعدد دیگری نیز در الگوی وقوع سیل موثرند که می‌توان به وقوع بارش‌های شدید اشاره نمود که باید در ارزیابی جامع وقوع سیلاب مدنظر قرار گیرد. بر اساس نتایج بهدست آمده در پژوهش حاضر، می‌توان مناطق واقع در مرکز خوشه‌ها را به‌عنوان مناطق مستعد خسارات ناشی از سیلاب در اولویت اقدامات مدیریتی قرار داد. لذا می‌توان در مناطق بالادست مولد سیلاب اقدامات حفاظت از پوشش گیاهی و اجرای عملیات‌های آبخیزداری را در اولویت قرار داد. همچنین، مطالعات تکمیلی در راستای ارزیابی خسارت‌های ناشی از سیل می‌تواند در تهیه برنامه مدیریتی و کاهش خسارت ناشی از سیلاب مؤثر باشد. وقوع سیل برآیند عوامل مختلفی است که در اثر دخالت‌های متعدد انسانی تشدید می‌شود. در این راستا، مطالعه تغییر الگوی مکانی و روند ویژگی‌های بارش مولد سیلاب (شدت، مدت، فراوانی)، ارزیابی تغییر کاربری اراضی و تجاوز به حریم رودخانه‌ها از پیشنهادهای پژوهشی منتج از پژوهش حاضر است. باید اشاره شود که وقوع برخی سیلاب‌ها در اثر تغییر در ویژگی‌های بارش است که در اثر تشدید وقایع حدی و نیز تغییر اقلیم اتفاق افتاده است. لذا ارزیابی الگوی وقوع بارش‌ها و نیز شرایط موثر بر تشدید سیلاب نیازمند ارزیابی جامع‌تری است. آگاهی از وقوع فصلی سیلاب و در نتیجه محتمل‌ترین فرآیندهای تولید سیل می‌تواند زمینه شناسایی مناطق همگن در فصل وقوع سیل را فراهم نماید. تعیین توزیع مکانی وقوع سیلاب و همبستگی مکانی آن‌ها می‌تواند در تحلیل فراوانی منطقه‌ای سیل، تجزیه و تحلیل توزیع‌های فراوانی سیل و شناسایی تغییرات در دبی‌های سیلاب مورد استفاده قرار گیرد. درک تفاوت‌های منطقه‌ای در مکانیسم های تولید سیل برای تجزیه و تحلیل سیل‌های تاریخی و کاهش عدم اطمینان در برآورد سیل آینده می‌تواند مورد استفاده قرار گیرد. علاوه براین، تدوین برنامه مدیریت و کنترل سیلاب با در نظر گرفتن توزیع مکانی و همبستگی وقوع سیلاب‌های شدید می‌تواند در کاهش خسارت‌های ناشی از این پدیده موثر باشد.
واژگان کلیدی: آماره موران، الگوی توزیع مکانی، خوشه‌بندی، سامانه اطلاعات مکانی، شدت سیل‌خیزی
Determining the Distribution Pattern of Spatial Correlation of Flood Occurrence in Ardabil Province Using Moran's Index in GIS
Extended Abstract
Statement of the Problem: Mapping spatial distribution patterns and determining the trend of spatial changes of environmental data is of great importance. It is necessary to understand the spatial and temporal features of flood in order to understand the mechanisms of flood occurrence and as a result to estimate and predict it more accurately in different spatial and temporal scales. The occurrence of floods can be caused by various processes in the watershed ecosystem. The most common natural cause of flooding is heavy rain, snow melting, or precipitation in wet soil conditions. Therefore, based on the time or season of flood occurrence, it is possible to determine the hydrological characteristics that are involved in the occurrence of floods. Since rainfall occurrence patterns and hydrological processes have specific spatial patterns, high river flows resulting from these processes will also have a spatial distribution. Especially, the spatial pattern of maximum flood in different return periods caused by a single storm event in a region usually have spatial dependence. In other words, when a flood occurs in a certain area, it is likely that in neighboring areas as a result of the same rainfall, peak flows will also occur, which indicates spatial correlation. Moran's index describes and quantifies the similarity between locations as a function of distance, and makes it possible to assess the spatial correlation between variables through lags with different distances. Flow dynamics and watershed characteristics are also known as drivers of flood behavior. The occurrence and intensity of severe climatic and hydrological events as an indicator of climate change are increasing in most arid and semi-arid regions, including Ardabil province in Iran.
Purpose: It should be mentioned that important floods occur every year in different parts of Ardabil province, and due to the topographical and climatic diversity, it is expected that the occurrence of floods will have different patterns and it is necessary to investigate and study more. In this regard, the present research is planned with the aim of determining the spatial correlation and occurrence pattern of the instantaneous maximum discharge data in Ardabil province in different return periods using Moran's index.
Methodology: The present study was conducted to investigate the patterns of spatial changes of flood occurrence in different return periods in the river gauge stations of Ardabil province. In order to achieve the objectives of the research, the data of the maximum instantaneous discharge in all river gauge stations of Ardabil province were obtained from the regional water company. After checking the data and ensuring the accuracy of the obtained hydrological data, 32 stations were selected for further analysis. In the next step, maximum instantaneous discharge in 5, 10, 25, and 50 years return periods were calculated using CumFreq software. After fitting the statistical distributions, based on the goodness of fit index, the appropriate distribution for the data of each selected station and the flow rates with different return periods were calculated using Cumfreq software. Then, the pattern of spatial changes of instantaneous maximum discharge in different return periods (5, 10, 25 and 50 years) in Ardabil province was also mapped using inverse distance weighting (IDW) method in GIS. Spatial autocorrelation of instantaneous maximum discharge was also investigated using the Global Moran I index and their clustering pattern was also investigated using the Anselin Local Moran I index.
Results and discussion: The results showed that the Boran station had the highest instantaneous maximum discharge in different return periods. The lowest values of maximum instantaneous discharge for 5-year return period is belong to the Viladargh station with a value of 1.09 cms. In the 10, 25 and 50 years return periods, the lowest instantaneous maximum discharge was obtained for the Neor station having 1.78, 2.42 and 2.97 cms, respectively. Suitable statistical distribution was determined in all stations. As an example, the generalized Dagum distribution was used to calculate the instantaneous maximum discharge values in different return periods in Kozetopraghi river gauge station. Based on the results, the values of Global Moran’s index have been calculated as 0.168, 0.201, 0.268, 0.115 in the 5, 10, 25 and 50 years return periods, respectively. The least spatial correlation was observed in the 50-year return period and the highest spatial correlation was observed in the 25-year return period. A high-high (HH) cluster pattern was observed in Gilandeh and Pol-Almas stations. On the other hand, some river gauge stations of the Sablan mountainous slopes and the northeastern area of Ardabil province have insignificant z-statistic values, which means there is no cluster pattern in the flood values with the neighboring stations.
Conclusion: The Dostbeiglou, Moshiran and Samian river gauge stations have faced more severe floods during most of return periods. Also, discharge values were high in different return periods related to river gauge stations of Abgarm, Ahl-Iman, Kozetoparaghi and Firozabad. The reason for high flooding in the mentioned areas is the diverse topography of the upstream area, which has the higher runoff generation potential. Based on the Global Moran index values in different return periods, the highest value of spatial correlation has been observed in 25-year return period. It should be noted that the occurrence of floods in the mentioned return period is caused by heavy rains that can occur in many areas simultaneously. In the low return periods (5 years), the flood discharge values may be affected by rainfall on a local scale, and on the other hand, in the high return period (50 years), the occurrence of flood events will be different in the study area, therefore, the Global Moran index values will decrease. In general, it can be said that the difference in the clustering pattern of floof events is related to different climatic conditions, topography, and the difference in factors causing floods in the study area. It should be mentioned that there are many other factors that are effective in the flooding pattern, such as the occurrence of heavy rainstorms, which should be taken into account in the comprehensive evaluation of flooding. According to the results, the areas located in the center of the clusters can be prioritized for management measures as areas prone to flood damage. Therefore, it is possible to prioritize vegetation protection measures and implementation of watershed management measured in the upland watersgeds. Also, additional studies in order to assess the damage caused by flood can be effective in preparing a management plan and reducing the damage caused by flood. Flooding is the result of various factors that are aggravated by numerous human interventions. In this regard, the study of the change of the spatial pattern and the trend of the characteristics of flood-producing rainstorms (intensity, duration, frequency), the evaluation of the land use change and occupation of floodplains can be recommended in future studies. It should be noted that the occurrence of floods is a result of changes in rainfall characteristics, which happened due to the intensification of extreme events and climate change. Therefore, the evaluation of the pattern of precipitation and the conditions affecting the intensification of floods requires a more comprehensive evaluation. Understanding the seasonal occurrence of floods and, as a result, the most probable flood production processes can provide the basis for identifying homogeneous areas in terms of flooding. Determining the spatial distribution of flood occurrences and their spatial correlation can be used in the analysis of regional flood frequency, analysis of flood frequency distributions, and identification of changes in flood discharges. Understanding regional differences in flood generation mechanisms can be used to analyze historical floods and reduce uncertainty in future flood estimates. In addition, developing a flood management and control plan by considering the spatial distribution and correlation of the occurrence of severe floods can be effective in reducing the damages caused by sever floods.
Keywords: Clustering, Flood intensity, Moran's I statistic, Spatial distribution pattern, Spatial information system
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1447