Evaluation of soil loss rate in land uses of Nirchai watershed using RUSLE model and Landsat satellite images (OLI)

Subject Areas :

mousa Abedini ¹ , AmirHesam Pasban ² , Behrouz Nezafat takle ³

1 - Professor, Department of Geography, Mohaghegh Ardabili University, Ardabil, Iran.
2 - Phd Student, Department of Geography, Mohaghegh Ardabili University, Ardabil, Iran.
3 - Phd Student, Department of Geography, Mohaghegh Ardabili University, Ardabil, Iran.

Received: 2022-07-24 Accepted : 2022-09-14 Published : 2024-04-30

Keywords: Support vector machine, land use, Erosion, Nirchai,

Abstract :

The purpose of this research is to evaluate the amount of soil loss in the land uses of the Nirchai watershed using the RUSLE model in Ardabil province. In order to carry out this research, first, the satellite image of the studied area related to the year 1400 and the month of June was received from the American Geological Research Center, and after atmospheric and radiometric corrections, a land use map was prepared using the supervised classification method using the support vector machine method. Then the RUSLE model was used to estimate the erosion rate. SPSS 21, Excel, ArcGIS 5.4, Archydro and ENVI 5.3 software were used to analyze and produce maps in this research. RUSLE model parameter layer includes rain erosion layer, soil layer, topography layer, vegetation layer and soil protection factor as well as various statistics related to rain gauge stations, hydrometry, topographic maps 1:50000, geology 1:100000 as well as DEM (20 meters area) and GIS geographic information system and remote sensing have been used. The results of this study showed that the average amount of annual soil erosion for the whole basin ranges from 0.5 to 14.25 tons per hectare per year. Also, the investigation of the regression relationships between the factors of RUSLE model and the amount of annual soil erosion showed that the topography factor (LS) with the highest value of the coefficient of determination R^2=0.93 is the most important in estimating the annual soil erosion using the RUSLE model.

References:

احمدی، حسن (۱۳88). ژئومورفولوژی کاربردی (فرسایش آبی). چاپ ششم. تهران: انتشارات دانشگاه تهران.
آذرخشی، مریم و ديگران (1396). اثر تغییرات بارش و کاربری اراضی بر تولید رسوب؛ مطالعه موردی: حوضه آبخیز صنوبر تربت حیدریه. علوم و مهندسی آبخیزداری. 11 (37)، 25-33.
ایوبی، شمس‌اله؛ خرمالی، فرهاد؛ شتابی‌جویباری، شعبان (1386). استفاده از تکنیک زمین‌آمار در تعیین مناسب‌ترین ابعاد سلول مدل رقومی زمین برای برآورد مشخصه توپوگرافی (LS) مدل برآورد فرسایش (RUSLE) در منطقه تاش علیا (استان گلستان). پژوهش و سازندگی. 20 (4)، 129-122.
زلفی‌باروق، مینا (1390). بررسي و پياده‌سازي روش SVM براي تصاوير ماهواره‌اي. پايان نامه کارشناسي ارشد رشته مهندسی عمران - سنجش از دور. دانشکده فنی و مهندسی دانشگاه اصفهان. اصفهان. ايران.
عابدینی، موسی؛ طولابي، سوسن (1392). مقایسه کارایی مدلهای WEPP و EPM در برآورد فرسایش خاک و میزان رسوبدهی حوضه آبخیز سولاچای. پژوهش‌هاي ژئورموفولوژي كمّي. 2 (1)، 79-96.
عابدینی، موسی؛ شبرنگ، شنو؛ اسمعلی، اباذر (1392). بررسی میزان فرسایش خاک و رسوبدهی در حوضه آبخیز مشکین چای به روش EPM . جغرافیا و توسعه. 11 (30)، 100 -87.
عابدینی، موسی (1400). بررسي كمي فرسايش خندقي و رسوبدهي با استفاده از شاخص‌هاي فرسايندگي باران، مورفومتري و رگرسيون خطي در حوضه آبخيز هرزند چاي. نشریه تخريب و احياء اراضي طبيعي. 3 (3)، 100-111.
عابدینی، موسی؛ یعقوب نژاد، نازيلا (1396). ارزیابی و پهنه‌بندی خطر فرسایش خاک در حوضه آبخیز رودخانه بالیخلو (سد یامچی) با استفاده از مدل فازی. پژوهشهای ژئومورفولوژی کمّی. 6 (1)، 137-155.
عبیات، محمد؛ عبیات، مصطفی؛ عبیات، مرتضی (1400). بررسی تغییرات کاربری اراضی و اثر آن بر روند فرسایش خاک در خوضه باغملک با استفاده از شبکه عصبی مصنوعی و مدل RUSLE. محیط شناسی. 47 (1)، 73-91.
فیضی‌زاده، بختیار (1396). مدل‌سازی تغییرات کاربری اراضی و اثرات آن بر سیستم فرسایش در حوضه سد علویان با استفاده از تکنیک‌های سنجش از دور و GIS. هیدروژئومورفولوژی. 3 (11)، 21-38.
کیانی‌هرچگانی، محبوبه؛ صادقی، سیدحمیدرضا؛ فلاحت‌کار، سامره (1398). تحلیل مقایسه‌ای عامل فرسایش‌پذیری خاک در حوضه آبخیز شازند. اکوهیدرولوژی. 1 (6)، 153-163.
محمدی، شاهین و ديگران (1397). برآورد مکانی و زمانی فرسایش خاک با استفاده از مدل RUSLE و سری‌های زمانی ماهواره لندست، مندرجان، اصفهان، مرتع و آبخیزداری. مجله منابع طبیعی ایران. 71 (3)، 759-774.
مددی، عقیل و ديگران (1399). بررسی ارتباط بین ویژگی‌های ژئومورفیک و میزان تولید رسوب در حوضه آبخیز نیرچای. فصلنامه تحقیقات جغرافیایی. 36 (1)، 23-34.
مرادیان، مهدی و ديگران (1389، ارديبهشت). کاربرد روش آناليز ناحیه‌ای در برآورد رسوب معلق سالانه، مطالعه موردی حوضه سد کمال صالح استان مرکزی. ششمين همايش ملّي علوم و مهندسي آبخيزداري دانشکده منابع طبيعي و علوم دريايي. دانشگاه تربيت مدرّس. نور. ايران.
معتمدی، راضیه؛ آذری، محمود (1397). ارتباط بین ویژگی‌های ژئومورفیک با رسوب آبخیز (مطالعه موردی: زیرحوضه‌های منتخب خراسان رضوی). پژوهش‌های فرسایش محیطی. 28 (4)، 101-82.
نژادافضلی، کرامت؛ شاهرخی، محمدرضا؛ بیاتانی، فاطمه (1398). برآورد فرسایش خاک با استفاده از مدل RUSLE و شناسایی موثرترین عامل آن در حوضه آبخیز دهکان (جنوب کرمان). مخاطرات محیط طبیعی. 8 (20)، 21-38.
واعظی، علی‌رضا؛ عباسی، محمد؛ حاجی‌ملکی، خالد (1396). ارزیابی مدل RUSLE همراه شده با سنجش از دور و سامانه اطلاعات جغرافیایی در عرصه‌های زهکش کوچک در منطقه نیمه خشک، شمال‌غربی ایران. علوم و مهندسی آبخیزداری ایران. 11 (38)، 1-10.
Assis, K. G. O. et al (2021). Soil loss and sediment yield in a perennial catchment in Southwest Piauí, Brazil. Environmental Monitoring and Assessment. 193 (1), 1-11.
Chi, W. et al (2019). Impacts of anthropogenic land-use/cover changes on soil wind erosion in China. Science of the Total Environment. 668 (5), 204-215.
Kantakumar, L.N. & Neelamsetti, P. (2015). Multi-temporal land use classification using hybrid approach. The Egyptian Journal of Remote Sensing and Space Science. 18 (2), 289-295.
Mantero, P. et al (2005). Partially supervised classification of remote sensing images through SVM-based probability density estimation, IEEE Trans. on Geoscience and Remote Sensing. 43 (3), 559-570.
Nguyen, T.T.H & Pham, T.T.T. (2016). Incorporating ancillary data into Landsat 8 image classification process: a case study in Hoa Binh. Vietnam. Environmental Earth Sciences. 75 (5), 430.
Ouyang, W. et al (2018). Combined impacts of land-use and soil property changes on soil erosion in a mollisol area under long-term agricultural development. Science of the Total Environment. 613, 798-809.
Paul, S. S.et al (2019). Assessing land-use/land-cover change and soil erosion potential using a combined approach through remote sensing, RUSLE and random forest algorithm. Geocarto International. 36, 1-15.
Pradhan, B. et al (2012). Soil erosion assessment and its correlation with landslide events using remote sensing data and GIS: A case study at Penang Island, Malaysia. Environmental Monitoring and Assessment. 184 (2), 715-727.
Rawat, K.S. & Singh, S. K. (2018). Appraisal of soil conservation capacity using NDVI model-based C factor of RUSLE model for a Semi Arid ungauged watershed: A case study. Water Conservation Science and Engineering. 3 (1), 47-58.
Ren, Y. et al (2019). Spatially explicit simulation of land-use/landcover changes: Current coverage and future prospects. Earth Science Reviews. 190, 398-415.
Renard, K.G. & Freidmund, J.R. (1994). Using monthly precipitation data to estimate the R-factor in the RUSLE, National Agricultural Library. Journal of Hydrology. 157, 287-306.
Santos, J.C.N. et al (2017). Land use impact on soil erosion at different scales in the Brazilian semi-arid. Revista Ciencia Agronomica. 48 (2), 251-260.
Singh, S.; Bhardwaj, A. & Verma, V. (2020). Remote sensing and GIS based analysis of temporal land use/land cover and water quality changes in Harike wetland ecosystem, Punjab, India. Journal of Environmental Management. 262, 11035.
Thakkar, A.K., et al (2017). Post-classification corrections in improving the classification of land use/land cover of arid region using RS and GIS: The case of Arjuni watershed, Gujarat, India. The Egyptian Journal of Remote Sensing and Space Science. 20 (1), 79-89.
Van der Knijff, J.M.; Jones, R.J.A. & Montanarella, L. (2000). Soil Erosion Risk Assessment in Europe. European Soil Bureau. 1-34.
Vanacker, V. et al (2019). Land-use impacts on soil erosion and rejuvenation in Southern Brazil. Catena. 178, 256-266.
Wischmeier, W.H., & Smith, D.D. (1978). Predicting rainfall erosion, losses: a guide to conservation planning. United States Department of Agriculture Handbook, Washington DC. 537, 13-27.

Full-Text:



Evaluation of soil loss rate in land uses of Nirchai watershed using RUSLE model and Landsat satellite images (OLI)

 

 

 

Abstract

Soil erosion is a global problem that threatens water and soil resources, and land use changes are one of the important factors in soil erosion. The purpose of this research is to evaluate the amount of soil loss in the land uses of the Nirchai watershed using the RUSLE model in Ardabil province. In order to carry out this research, first, the satellite image of the studied area related to the year 1400 and the month of June was received from the American Geological Research Center, and after atmospheric and radiometric corrections, a land use map was prepared using the supervised classification method using the support vector machine method. Then the RUSLE model was used to estimate the erosion rate. SPSS 21, Excel, ArcGIS 5.4, Archydro and ENVI 5.3 software were used to analyze and produce maps in this research. RUSLE model parameter layer includes rain erosion layer, soil layer, topography layer, vegetation layer and soil protection factor as well as various statistics related to rain gauge stations, hydrometry, topographic maps 1:50000, geology 1:100000 as well as DEM (20 meters area) and GIS geographic information system and remote sensing have been used. The results of this study showed that the average amount of annual soil erosion for the whole basin ranges from 0.5 to 14.25 tons per hectare per year. Also, the investigation of the regression relationships between the factors of RUSLE model and the amount of annual soil erosion showed that the topography factor (LS) with the highest value of the coefficient of determination R^2=0.93 is the most important in estimating the annual soil erosion using the RUSLE model.

Keywords: Land use, erosion, support vector machine, Nirchai.

 

ارزیابی میزان هدررفت خاک در کاربری‌های اراضی حوزه آبخیز نیرچای با استفاده از مدل RUSLE و تصاویر ماهواره‌ای لندست (سنجنده OLI)

چکیده

فرسایش خاک یک مشکل جهانی است که منابع آب و خاک را تهدید می‌کند و تغییرات کاربری اراضی یکی از عوامل مهم در فرسایش خاک است. هدف از این پژوهش ارزیابی میزان هدررفت خاک در کاربری‌های اراضی حوزه آبخیز نیرچای با استفاده از مدل RUSLE در استان اردبیل است. به‌منظور اجرای این تحقیق ابتدا تصویر ماهواره‌ای منطقه مورد مطالعه مربوط به سال‌ 1400  و ماه خرداد از مرکز تحقیقات زمین‌شناسی آمریکا دریافت و پس از تصحیحات اتمسفری و رادیومتریک با استفاده از روش طبقه‌بندی نظارت‌شده به شیوه ماشین بردار پشتیبان اقدام به تهیه نقشه کاربری اراضی شد. سپس به‌منظور برآورد میزان فرسایش از مدل RUSLE استفاده شد. جهت تجزیه و تحلیل و تولید نقشه‌ها در اجرای این تحقیق نیز از نرم‌افزارهای SPSS 21، Excel، ArcGIS 5.4، Archydro و ENVI 5.3 استفاده شد. لایه‌ پارامترهای مدل RUSLE شامل لایه فرسایندگی باران، لایه خاک، لایه توپوگرافی، لایه پوشش گیاهی و عامل حفاظتی خاک هم‌چنین آمارهای مختلف مربوط به ایستگاه‌های باران‌سنجی، هیدرومتری، نقشه‌های توپوگرافی 1:50000، زمین‌شناسی 1:100000 هم‌چنینDEM  (20 متر منطقه) و نیز بهره‌گیری از سیستم اطلاعات جغرافیایی GIS و سنجش ‌از دور استفاده ‌شده است. نتایج این مطالعه نشان داد که مقدار متوسط فرسایش سالانه خاک برای کل حوضه در دامنه بین 5/0 تا 25/14 تن در هکتار در سال متغیر است. هم‌چنین بررسی روابط رگرسیونی بین فاکتورهای مدل RUSLE و مقدار فرسایش سالانه خاک نشان داد که فاکتور توپوگرافی (LS) با بالاترین مقدار ضریب تعیین  بیش‌ترین اهمیت را در برآورد فرسایش سالانه خاک به‌وسیله مدل RUSLE دارد.

واژه‌های کلیدی: کاربری اراضی، فرسایش، ماشین بردار پشتیبان، نیرچای.

مقدمه

فرسایش خاک، یک فرآیند طبیعی است . امروزه افزایش شدت فرسایش در حوضه‌های آبخیز و ترسیب رسوبات ناشی از آن در رودخانه‌ها، کانال‌های آب‌رسانی، اراضی زراعی و مخازن سدهای ذخیره آب به یکی از دغدغه‌های کشاورزان و مدیران ذی‌ربط در ایران و جهان تبدیل شده است (عابدینی و همکاران، 1392و 1400). از این جهت امروزه فرسایش خاک ناشی از تغییر کاربری زمین به مهم‌ترین مسئله تخریب زمین در سراسر جهان تبدیل شده که دگرگونی فرم اراضی و اختلال کارکردهای اصلی اکوسیستم از پیامدهای این واکنش‌های ژئومورفیکی آن است (پائول و همکاران¹، 2019). این واکنش‌های ژئومورفولوژیکی تشدید فرسایش خاک و افزایش تعداد مناطق آسیب‌پذیر را به‌‌همراه دارد (آسیس و همکاران، 2021). در مطالعات اخیر بیان شده که خصوصیات چشم‌انداز حوضه‌های آبخیز می‌تواند حدود 56 تا 47 درصد تغییرات کاربری را در فرسایش خاک و بازده رسوب پاسخ دهد (اویانگ و همکاران²، 2018). زیرا کاربری اراضی بازتاب کنش‌های میان انسان و محیط زیست و نیز توصیف‌کننده نحوه بهره‌برداری متنوع انسان از فضا است (رن و همکاران³، 2019). تاکنون مطالعات متعددی در رابطه با موضوع تغییرکاربری‌ها و تأثیر آن بر فرسایش خاک در مناطق مختلف به انجام رسیده است. آذرخشی و همکاران (1396) در مطالعه‌ای در حوضه آبخیز صنوبر واقع در استان خراسان رضوی، به این نتیجه دست یافتند که بخش اعظم تغییرات کاربری اراضی رخ داده در منطقه، در زمین تبدیل باغات به مرتع و زراعت به مرتع است که منجر به کاهش میزان فرسایش شده است. واعظی و همکاران (1396)، به ارزیابی مدل RUSLE همراه شده با سنجش از دور و سامانه اطلاعات جغرافیایی در عرصه‌های زهکش کوچک در منطقه نیمه خشک شمال غربی ایران پرداختند و نتایج نشان داد میانگین هدر رفت خاک برآوردی 68/43 تن در هکتار در سال در عرصه های زهکش بود. بر اساس نتایج به‌نظر رسید که از یک سو عامل‌های فرسایش‌پذیری خاک، شیب و عملیات حفاظت خاک نقش موثری در بیش برآورد مدل دارند و از سوی دیگر متغیرهایی مانند شکل شیب و خصوصیات آبراهه وجود داشته باشند در تعیین هدر رفت خاک در منطقه موثر می باشند. عابدینی و یعقوب نژاداصل (1396)، پهنه‌بندی خطر فرسایش خاک در حوضه آبریز رودخانه بالیخلو (سد یامچی) را با استفاده از ترکیب فازی شاخص‌های تراکم شبکه زهکشی، بیش‌ترین میزان بارندگی روزانه، خاک، کاربری زمین، زمین شناسی، شیب، ارتفاع، انحناء پروفیل و انحنای پلانیمتریک استفاده کردند. نتایج آن‌ها نشان داد که در حدود 16/42 درصد پهنه‌های با خطر فرسایش بسیار زیاد تا زیاد قرار گرفته است. این پهنه‌ها در واحدهای توپوگرافی دشت‌ها، کوه‌پایه‌ها، کوهستان‌های نسبتا مرتفع و مرتفع واقع شده‌اند. هم‌چنین حدود 93/26 درصد در پهنه با خطر فرسایش متوسط قرار دارد و 88/30 درصد نیز در پهنه‌های با خطر فرسایش کم و بسیار کم قرار گرفته است. فیضی‌زاده (1396)، تغییرات کاربری اراضی و نقش آن در فرسایش حوضه سد علویان در شهرستان مراغه استان آذربایجان شرقی را مورد بررسی قرار داد و نتیجه گرفت که تبدیل اراضی مرتعی پر تراکم به مرتع کم تراکم و زراعت دیم مهم‌ترین عامل در فرسایش منطقه است. معتمدی و آذری (1397)، در پژوهشی ارتباط بین ویژگی‌های ژئومورفیک با رسوب آبخیز حوضه‌های منتخب خراسان رضوی پرداختند. نتایج آن‌ها نشان داد که مقدار رسوب تولیدی با ضریب فرم حوضه و متوسط بارندگی سالانه، همبستگی مثبت داشته و در سطح 5 درصد معنی‌دار بوده است. هم‌چنین پارامترهای مربوط به شکل حوضه شامل ضریب فرم حوضه، کشیدگی و شاخص شکل به‌ترتیب با ضریب همبستگی 8/76، 5/76، و 72 درصد در کنار بارندگی سالانه با ضریب 9/73 درصد، بیش‌ترین همبستگی را با مقدار رسوب حوضه‌ها داشته‌اند. سراخانرود و همکاران (1399)، به بررسی تغییر کاربری اراضی با استفاده از روش‌های پیکسل پایه و شی‌گرا و تحلیل اثرات تغییر کاربری‌ها بر فرسایش خاک در شهرستان مراغه استان آذربایجان شرقی پرداختند. با توجه به نتایج پهنه‌بندی خطر فرسایش سال 2000 به‌ترتیب 08/9 و 88/15 درصد و با توجه به پهنه‌بندی فرسایش سال 2017 به‌ترتیب 66/13 و 76/29 درصد از مساحت شهرستان در دو طبقه بسیار پر خطر و پرخطر قرار دارند. هم‌چنین نتایج نشان داد که در دوره یاد شده افزایش کاربری باغات متراکم، باغات کم تراکم، مسکونی و صنعتی، تخریب و تبدیل شدن اراضی مرتعی و اراضی دیم در سطح قابل توجهی صورت گرفته است که نقش مهمی در افزایش آسیب‌پذیری منطقه مورد مطالعه در مقابل فرسایش خاک دارد. نتایج این تحقیق نشان داد که پایش تغییرات کاربری اراضی با استفاده از روش شی‌گرا در صورت رعایت کردن تمامی پارامترها نتایج مناسب‌تری ارائه می‌دهد. مددی و همکاران (1399)، به بررسی ارتباط بین ویژگی‌های ژئومورفیک و میزان تولید رسوب در حوضه آبخیز نیرچای پرداختند. نتایج آن‌ها نشان داد که از بین 25 متغیر موثر بر تولید رسوب، چهار عامل مساحت، ضریب فرم حوضه، محیط و دبی به‌ترتیب 78/37، 47/25، 50/18 و 22/11% از واریانس تمامی متغیرهای پژوهش را تبیین کند. در نهایت نتایج آن‌ها حاکی از آن بود که مجموع همه عوامل موثر چهار عامل استخراج شده نهایی توانسته‌اند 9/92% از واریانس تمامی متغیرهای پژوهشی را تبیین کند. امانپور و همکاران (1400) به بررسی اثر تغییر کاربری اراضی بر فرسایش خاک و تولید رسوب در حوزه رامهرمز با استفاده از طبقه‌بندی شی‌گرا و مدل RUSLE پرداختند و نتایج این تحقیق نشان داد که مناطق مسکونی، اراضی بایر و زراعت دیم در منطقه افزایش داشته و در مقابل پهنه‌های آبی، مراتع و زراعت آبی در منطقه کاهش یافته‌اند. نتیجه تغییر این مساحت‌ها کاهش پوشش طبیعی خاک و افزایش فرسایش در منطقه مورد مطالعه بود. دژبانی و همکاران (1400)، جهت تحلیل ارتباط بین تغییرات مکانی و زمانی کاربری اراضی و سنجه‌های سیمای سرزمین در حوزه آبخیز کوزه‌تپراقی، استان اردبیل پرداختند. نتایج آن‌ها نشان داد که در سطح کلاس زراعت دیم حداکثر مقدار را در سنجه تراکم حاشیه و زراعت آبی حداکثر مقادیر را در سنجه‌های میانگین فاصله نزدیک‌ترین همسایه اقلیدسی، تعداد لکه و حاشیه کل در هر سه سال (1379، 1389، 1400) داشته‌اند. هم‌چنین در سطح سیما نیز شاخص تکه‌شدگی در سال 1389 نسبت به سال 1379 کاهش جزئی داشته و سپس در سال 1400 افزایش پیدا کرده است. سانتوس و همکاران (2017)، به بررسی تغییرات کاربری اراضی و نقش آن در فرسایش خاک در کشور برزیل پرداختند و نتایج نشان داد که سطح زمین‌های کشاورزی و مراتع کاهش یافته و میزان فرسایش در این مناطق 10 برابر افزایش یافته است. چی و همکاران (2019)، به منظور بررسی اثرات تغییر کاربری زمین بر فرسایش بادی خاک در کشور چین پرداختند و به این نتیجه رسیدند که میانگین فرسایش خاک از سال 1990 تا 2015 به نصف کاهش یافته است. در این کشور بین فرسایش خاک و انواع کاربری و پوشش زمین اختلاف زیادی مشاهده شد. سینگ و همکاران (2020)، به بررسی تغییرات کاربری اراضی بر روی تالاب هارایک در ایالت پنجاب کشور هندوستان پرداخت و نتایج نشان داد که در طی بازه زمانی 2002 تا 2018 تاثیرات منفی عوامل انسانی هم‌چون کشت بی رویه و عدم اختصاص حق‌آبه مورد نیاز تالاب سبب کاهش وسعت پهنه آبی و نیز فرسایش خاک شده است. راوات⁴ و همکاران (2018)، به‌منظور ارزیابی و اندازه‌گیری میزان آسیب‌پذیری فرسایش خاک در حوضه آبریز ناحیه ‌الله‌آباد از ایالت اوتار پرادش هند را با استفاده از RUSLE و GIS انجام دادند. نتایج بررسی آن‌ها نشان ‌داد که پوشش گیاهی فرسایش خاک را متوقف می‌کند. لذا با توجه به موارد ذکر شده و هم‌چنین اهمیت مطالعه تغییر کاربری‌ها و نقش آن در فرسایش خاک ارزیابی میزان هدررفت خاک در کاربری‌های اراضی حوزه آبخیز نیرچای با استفاده از مدل RUSLE مورد مطالعه قرار گرفت.

روش تحقیق

موقعیت منطقه مورد مطالعه

حوضه آبریز نیرچای از شمال با قله سبلان، از جنوب با حوضه ه امام چای، از شرق جوراب چای و سرعین و از غرب با حوضه بیوک و گردنه سایین هم جوار است. این حوضه با مختصات جغرافیایی 47 درجه و 46 دقیقه تا 48 درجه و 1 دقیقه طول شرقی و 38 درجه و 1 دقیقه تا 38 درجه و 15 دقیقه عرض شمالی در محدوده شهرستان‌های نیر و سرعین در استان اردبیل و سراب در استان آذربایجان شرقی واقع شده است. آبراهه اصلی این حوضه، رودخانه نیرچای به طول تقریبی 42 کیلومتر می‌باشد که از زمین‌های پوشیده از برف توده آتشفشانی سبلان سرچشمه می‌گیرد. این رودخانه پس از زهکشی قسمت‌هایی از دامنه‌های جنوبی توده آتشفشانی سبلان و دریافت چندین انشعاب فرعی پس از عبور از شهر نیر به رودخانه بالخلی‌چای منتهی می‌شود. حداکثر ارتقاع حوضه 4400 متر، حداقل ارتقاع آن 1620 است و ارتفاع

متوسط حوضه 2780 متر سطح دریا و شیب متوسط حوضه نیز 38  درصد است( عابدینی و محمد زاده شیشه گران،1401 ). در شکل 1 موقعیت جغرافیایی حوضه آبخیز نیرچای ارائه شده است.

 

شکل 1: موقعیت جغرافیایی حوضه آبخیز نیر چای در سطح کشور و استان اردبیل، منبع: نویسندگان

 

مواد وروش‌ها

در این پژوهش، جهت تجریه تحلیل داده­های بارش ازداده‌های ایستگاه‌های باران‌سنجی سئین، سردابه، سرعین، آتشگاه، توتونسیز و یامچی استفاده گردید. لازم به‌ ذکر است که کیفیت داد‌ه‌ای مورد استفاده، قبل از وارد شدن در مراحل تجزیه و تحلیل آماری، مورد بررسی قرار گرفت و پس از رفع نقایص آماری احتمالی و هم‌چنین بررسی پرت بودن داده‌ها، وارد مرحله تجزیه و تحلیل آماری شد. جهت بررسی نرمال بودن توزیع داده­ها از آزمون کولموگروف اسمیرنوف⁵ استفاده گردید.

در پردازش تصاویر ماهواره‌ای، انتخاب زمان مناسب تصاویر اخذ شده جهت تهیه نقشة کاربری اراضی، بسیار مهم می‌باشد، بنابراین در پژوهش حاضر تصاویر سری لندست شامل لندست 8 با سنجده‌ OLI در شرایط بدون ابرناکی (باسکولا⁶ و همکاران، 2017) در اواخر خرداد (ماه June) سال 1400 شمسی (2021 میلادی) از طریق سایت نقشه‌برداری زمین‌شناسی آمریکا (USGS⁷) دریافت شد. با توجه به فصل رویش گیاهان مرتعی و زمان‌بندی کشت و برداشت محصولات زراعی، به نظر می‌رسد که تصاویر مربوط به اواسط خرداد، برای تهیه نقشه کاربری اراضی مناسب باشد. تصویر سال 1400 مربوط به لندست 8 است. اطلاعات این ماهواره دارای ۱۱ باند می‌باشد که باندهای 1 تا 6 و 7 آن به‌عنوان باندهای طیفی به‌ترتیب داری قدرت تفکیک مکانی 30 و 60 متر می‌باشد. در این پژوهش اطلاعات تمامی باندهای طیفی تصویر مذکور جهت طبقه‌بندی کاربری اراضی مورد استفاده قرار گرفت. در جدول (1) مشخصات تصویر ماهواه‌ای مورد استفاده ارائه شده است. هم‌چنین در این پژوهش از نرم افزارهای21  SPSS، Excel،5.4  Arc GIS، Archydo و ENVI 5.3 جهت تجزیه و تحلیل داده‌ها و تهیه نقشه‌ها استفاده گردید.

جدول 1: مشخصات تصاویر ماهواره‌ای استفاده شده در پژوهش، منبع: سایت سازمان زمین‌شناسی آمریکا (USGS).

ماهواره	سنجنده	تاریخ میلادی	تاریخ شمسی	گذر	ردیف
لندست 8	OLI	21 June 2021	31 خرداد 1400	167	33

 

پیش پردازش تصاویر

تصحیحات رادیومتریک شامل آن دسته از تصحیحات می‌باشند که تنها روی درجات خاکستری اعمال‌شده و فقط با تغییر مقادیر آن‌ها به‌صورت مجزا (به‌صورت پیکسل به پیکسل)، سعی در جبران بعضی خطاهای موجود دارند. از عمده موارد خطاهای رادیومتریکی عبارت‌اند از: خطوط جا افتاده، خطای نوار نوار شدن، خطاهای اتمسفری، خطاهای دستگاهی و نویزها (کانتاکومار و نلامستی، 2015). پس از دریافت تصاویر ماهواره‌ای مذکور، کنترل کیفیت داده‌ها، وجود خطاهای اتمسفری، هندسی و رادیومتری با برنامه ENVI 5.3 مورد بررسی قرار گرفت. با توجه به این‌که تصاویر دریافتی دارای سیستم مختصات بود و از صحت هندسی بالایی برخوردار بود، بنابراین نیازی به تصحیح هندسی نبود. در تمامی تصاویر دریافتی تصحیح رادیومتریک انجام شد. به‌منظور اطمینان از بازیابی دقیق اطلاعات طیفی تصاویر، جهت تصحیح اتمسفری اعمال گردید. اتمسفر زمین از ذرات مایع، جامد و گاز تشکیل شده است که بسیاری از این ذارات سبب جذب⁸، انتشار⁹ و پراکندگی¹⁰ اپتیکی می‌شوند. سیگنال دریافتی در ماهواره، تابش نوری¹¹ از سطح زمین و اتمسفر است که به‌صورت مستقیم از طریق سنسور ثبت می‌شود. تابش اندازه‌گیری شده در سنسور به تابش TOA¹² معروف است. هدف از تصحیحات اتمسفری تبدیل تابش TOA اشیاء به بازتاب از سطح زمین است (کانتاکومار و نلامستی¹³، 2015). زمانی‌که از تصاویر چندزمانه جهت طبقه‌بندی کاربری اراضی استفاده می‌گردد، توصیه شده است که تصحیح اتمسفری تصاویر انجام گردد (کانتاکومار و نلامستی، 2015) و از طرف دیگر برای محاسبه شاخص NDVI، تصحیح رادیومتریکی ضرورت دارد (نگوین و فام¹⁴، 2016). بنابراین ابتدا جهت تصحیح رادیومتریکی، مقادیر DN¹⁵ تصویر به تابش¹⁶ کالیبره گردید (تاکر¹⁷ و همکاران، 2017)، سپس با استفاده از ماژولFLAASH¹⁸ تصحیح اتمسفری اعمال گردید (کانتاکومار و نلامستی، 2015). این ماژول توانایی اصلاح طول موج در ناحیه مرئی و مادون قرمز نزدیک¹⁹و مادون قرمز نزدیک موج کوتاه²⁰ تا بالای 3 میکرومتر را دارا می‌باشد (کانتاکومار و نلامستی، 2015). پارامترهای مورد نیاز برای تصحیح اتمسفری هم‌چون تاریخ و ساعت تصویربرداری از اطلاعات فایل متنی²¹ که ضمیمه تصاویر است، استخراج گردید.

طبقه بندی ماشین بردار پشتیبان

با توجه به ويژگي‌هاي روش‌هاي مختلف، قابليت‌هاي SVM به‌عنوان روشي کارا براي ارزيابي داده‌هاي طيفي مورد بررسي قرار گرفته است. اين روش با استفاده از داده‌هاي آموزشي کم از خواص هندسي داده‌ها براي طبقه‌بندي استفاده مي‌کند. هم‌چنین SVM از توابع کرنلی براي انتقال داده‌هاي غيرخطي در فضاي ورودي به داده‌هاي خطي در فضاي ويژگي استفاده مي‌کند (زلفی باروق، 1390). اين الگوريتم پس از يك طبقه‌بندي اوليه، با استفاده از كلاس هر پيكسل و همسايه‌هايش به صورت سلسله مراتبي تصميم‌گيري مي‌كند. تصميم‌گيري در هر يك از سطوح اين طبقه‌بندي‌كننده به‌وسيله يك ماشين بردار پشتيبان انجام مي‌شود (مانترو²² و همکاران، 2005). الگوریتم SVM در واقع يك الگوریتم طبقه­بندي‌كننده دودويي است که دو كلاس را با استفاده از يك مرز خطي از هم جدا مي‌كند. در اين روش با استفاده از تمامي باندها و يك الگوريتم بهينه‌سازي، نمونه‌هايي كه مرزهاي كلاس‌ها را تشكيل مي‌دهند به‌دست مي‌آورند، اين نمونه‌ها را بردارهاي پشتيبان گويند. تعدادي از نقاط آموزشي كه كم‌ترين فاصله تا مرز تصميم‌گيري را دارند می‌توانند به‌عنوان زير مجموعه‌اي براي تعريف مرزهاي تصميم‌گيري و به‌عنوان بردارپشتيبان در نظر گرفته شوند (واپنیگ و چرونونکیس²³، 1991).

ارزیابی فرسایش خاک

در این پژوهش جهت برآورد میانگین سالانه فرسایش خاک از مدل RUSLE استفاده شد. مدل RUSLE تابعی از 6 فاکتور ورودی شامل فرسایندگی باران (R)، فرسایش‎پذیری خاک (K)، طول و درجه شیب (LS)، مدیریت پوشش گیاهی (C) و عملیات حفاظتی (P) است.

حساسیت خاک به فرسایش، تابعی از خصوصیات خاک است و تغییر خصوصیات خاک با کاربری اراضی و توپوگرافی در ارتباط است (پرادهان²⁴ و همکاران، 2012). فرسایش خاک بر اساس مدل RUSLE با استفاده از رابطه 1، محاسبه می شود (ویشمایر و اسمیت²⁵، 1978):

(1)

A=R.K.LS.C.P

در این رابطه A میانگین فرسایش خاک در واحد سطح (تن در هکتار در سال)، R فاکتور فرسایندگی باران ( mm h-1 y-1 h-1) ، K فاکتور فرسایش پذیری خاک (t h MJ-1 mm-1)، LS فاکتور توپوگرافی، C فاکتور پوشش گیاهی و P فاکتور عملیات حفاظتی خاک می‌باشد. LS و C و P بدون واحد می‌باشند.

عامل فرسایندگی باران (R)

مفهوم فرسایندگی باران توسط ویشمایر و اشمیت به‌منظور لحاظ تاثیر اقلیم بر فرسایش خاک ارائه شد. پتانسیل باران در ایجاد فرسایش، فرسایندگی باران نامیده می‌شود که تابعی از خصوصیات فیزیکی بارندگی است و با انرژی مستقیم باران، انرژی جنبشی بارندگی و حداکثر شدت بارندگی 30 دقیقه‌ای در ارتباط است (ویشمایر و اسمیت، 1978). در منطقه مورد مطالعه ایستگاه‌های مجهز به باران‌نگار وجود ندارد، در صورت عدم وجود چنین ایستگاه‌هایی معمولا از شاخص‌هایی مبتنی بر مقادیر بارش‌های سالانه و ماهانه مثل شاخص فورنیه در مدل‌های USLE و RUSLE استفاده می‌شود (رنارد و فرموند، 1994). بنابراین شاخص اصلاح شده فورنیه بر اساس رابطه 2 برای تمامی ایستگاه‌ها محاسبه، سپس با جاگذاری این شاخص در رابطه‌های بعدی که برای مناطق فاقد داده‌های تفصیلی شدت بارندگی پیشنهاد شده است (رنارد و فریموند، 1994)؛ مقدار فاکتور R برای ایستگاه‌های هواشناسی برآورد گردید. ابتدا انتخاب ایستگاه‌های مناسب از نظر طول دوره آماری، انتخاب پایه زمانی مشترک، کنترل کیفی، همگن‌سازی و رفع نواقص قبل از محاسبه شاخص مبتنی بر مقدار بارندگی در ایستگاه‌های باران‌سنجی انجام شد. برای انجام این تحقیق داده‌های بارش از دوره آماری 10 ساله ایستگاه باران‌سنجی موجود در داخل و اطراف حوضه کسب شد. سپس با استفاده از روابط (4 و 3، 2) مقدار R مورد محاسبه قرار گرفت.

(2)

MFI=∑ 12i=1 Pi2/P

که در این رابطه Pi متوسط بارندگی به میلی‌متر در ماه i و P متوسط بارندگی سالیانه (میلی‌متر) است.

(3)

R=0.07397×MFI1.847MFI<55mm

(4)

R=(95.77-6.081×F+0.4770×MFI2)/1 MFI≥55mm

در این رابطه R متوسط فرسایندگی بر حسب Mj.mm.ha-1.h-1.month-1 برای دوره آماری، n تعداد سال‌های آماری، mj تعداد حوادث فرساینده برای ماه j و EL30 میزان فرسایندگی باران برای رخداد K است. فرسایندگی باران برای هر رخداد بارش بر اساس رابطه 7 به‌دست می‌آید:

پس از محاسبه عامل R در سه ایستگاه باران‌سنجی مورد مطالعه، تغییرات مکانی آن با استفاده از روش درون‌یابی عکس فاصله وزنی (IDW²⁶) مورد بررسی و نقشه تغییرات مکانی عامل R تهیه گردید.

عامل فرسایش‌پذیری خاک (K)

عامل فرسایش‌پذیری خاك بیانگر حساسیت ذاتی خاك به فرسایش است و سهولت جدا شدن ذرات خاك بر اثر انرژی جنبشی قطرات باران و انتقال آن‌ها به‌وسیله نیروی رواناب را نشان می‌دهد (كیانی هرچگانی و همکاران، 1397). مورگان برای ضریب فرسایش‌پذیری خاک‌های مختلف اعدادی را پیشنهاد نموده است که در جدول (2)، نشان داده شده است (احمدی، 1388). به‌منظور تهیه نقشه عامل عامل فرسایش‌پذیری خاک (K) از نقشه بافت خاک 1:250000 ایران و اطلاعات جدول (3)، استفاده گردید.

جدول 2: ضریب فرسایش پذیری خاک (K)، منبع: احمدی، 1388.

وضعیت خاک	K	وضعیت خاک	K
خاک سطحی با پوشش سنگریزه‌ای	5/0	اراضی مقاوم به فرسایش	1/0
خاک‌های ماسه‌ای	16/0	خاک‌های ماسه‌ای نرم	42/0
خاک‌های لومی شنی	12/0	خاک‌های لومی با ماسه بسیار ریز	42/0
خاک‌های سیلتی لومی	48/0	خاک‌های لومی	37/0
خاک‌های سیلتی رسی	25/0	خاک‌های لومی رسی	37/0

 

فاکتور توپوگرافی (LS)

فاكتور درصد شیب، تابعی از درجه شیب و منعکس‌كننده اثر درجه شیب بر مقدار فرسایش است. فاكتور طول شیب نیز تابعی از طول شیب اندازه‌گیری شده برحسب متر است. حاصل ضرب دو فاكتور یاد شده، به‌عنوان فاكتور توپوگرافی شناخته می‌شود  (ایوبی و همکاران، 2008). برای تهیه نقشه فاكتور توپوگرافی، از مدل رقومی ارتفاعی منطقه استفاده شد. فاكتور توپوگرافی نیازمند نقشه‌های تجمیع جریان و شیب است که از نقشه مدل رقومی ارتفاعی استخراج می‌شوند و در نهایت با استفاده از رابطه 5، فاکتور توپوگرافی به‌دست می‌آید.

(5)

LS=[(Flow accumulation grid) × (cell size/22.13)]0.4 × [Sin (slope grid ×0.01745)/0.0896]1.3

كه در آن  Flow Accumulationتجمع جریان به سمت بالای شیب برای هر سلول، Cell Size اندازه سلول‌های شبکه و Slope شیب، به‌دست آمده از نقشه شیب می‌باشد. از عدد 01745/0 برای تبدیل واحد به رادیان در محیط  GIS استفاده می‌گردد.

فاکتور پوشش گیاهی (C)

فاكتور پوشش گیاهی بیانگر نسبت مقدار خاك از بین رفته از زمین زیركشت، به خاك فرسوده شده از همان قطعه زمین در طی آیش مداوم و عاری از پوشش یا بقایای گیاهی می‌باشد (ویشمیر و اسمیت، 1978). مقدار عامل پوشش گیاهی از رابطه 6، محاسبه می شود (ون در نیف²⁷ و همکاران، 2000).

(6)

C=exp (-α NDVI/β-NDVI)

که در آن NDVI شاخص تفاوت پوشش گیاهی نرمال شده α-2 و β-1پارامترهایی هستند كه شکل رابطه منحنی بین   NDVI و  Cرا مشخص می­كنند. در پژوهش حاضر نقشه عامل پوشش گیاهی (C) با استفاده از شاخص پوشش گیاهی سال‌ 1400 و رابطه 6 تهیه گردید.

عامل عملیات حفاظتی خاک (P)

عامل كارهای حفاظتی را به‌عنوان مقدار خاك از بین رفته در واحد سطح یك زمین حفاظت شده، به زمینی كه لخت باشد و در جهت تندترین شیب و شخم خورده باشد، تعریف كرده‌اند. هرچه مقدار این عامل كم‌تر باشد، كارهای حفاظتی مؤثرتر و هدررفت خاك كم‌تر است (محمدی²⁸ و همکاران، 2018(. و لذا از آنجا که عامل حفاظت P در صورت نبود اطلاعات کافی درباره چگونگی مدیریت اراضی می‌تواند از معادله حذف شود (ویشمایر و اسمیت، 1978). در این تحقیق نیز به دلیل نبود اطلاعات کافی عامل P محاسبه نشده است.

پس از تهیه نقشه‌های 5 عامل مدل RUSLE، با ترکیب مقادیر عامل‌های مذکور نفشه فرسایش خاک در سال 1400 تهیه گردید.

آزمون همبستگی پیرسون

گسترده‌ترین کاربرد شاخص آماری همبستگی دو متغیری، ضریب همبستگی گشتاوری پیرسون است که به‌طورمعمول همبستگی پیرسون نامیده می‌شود. ضریب پیرسون نشان می‌دهد که تا چه اندازه بین متغیرهای کمی رابطه خطی وجود دارد. کاربرد اصلی ضریب پیرسون زمانی است که متغیرها از نوع پارامتری باشند. به‌ این معنا که توزیع نرمال داشته باشند و در سطح فاصله‌ای یا نسبی باشند. البته زمانی که متغیرها از نوع شبه‌فاصله‌ای باشند (هر متغیر، ترکیبی از چند متغیر ترتیبی باشد که اصطلاحاً به آن مقیاس‌های تراکمی می‌گویند)، برخی از پژوهشگران از ضریب پیرسون استفاده می‌کنند. برخی از محققین استفاده از ضریب پیرسون برای یک متغیر دو ارزشی و یک متغیر فاصله‌ای یا نسبی را هم مجاز شمرده‌اند. تفسیر همبستگی پیرسون زمانی که یکی از متغیرها دو ارزشی (فقط شامل دو سطح) اما متغیر دیگر کمی است نیز می‌تواند منطقی باشد (مردیان و همکاران، 1389).

نتایج

نتایج طبقه‌بندی تصاویر ماهواره‌ای: پس از طبقه‌بندی تصاویر ماهواره‌ای، نقشه‌ کاربری اراضی به‌دست آمده به هفت کلاس پهنه‌های آب، برفی، مسکونی، کشاورزی آبی، کشاورزی دیم، مراتع خوب و ضعیف تفکیک شد (شکل 2). صحت نقشه‌های به‌دست آمده با استفاده از 100 نقطه کنترل زمینی و تصویر رنگی کاذب همان سال مورد بررسی قرار گرفت. در این پژوهش، ضرایب کاپا و صحت کلی نقشه‌های کاربری اراضی برای سال 2021 به ترتیب برابر 95/0 و 67/96 به‌دست آمد.

 

شکل 2: نقشه کاربری اراضی (سال 2021) حوضه آبخیزنیرچای، منبع: نویسندگان

 

شاخص فرسایندگی باران (R): مشخصات ایستگاه‌های باران سنجی و نتایج حاصل از محاسبه میزان شاخص فرسایندگی باران در ایستگاه‌های مورد مطالعه با استفاده از شاخص اصلاح شده فورنیه رابطه (6) در طی دوره آماری 10 ساله در جدول (3) ارائه شده است. همچنین نقشه فاکتور فرسایندگی باران (R) در شکل (3، الف) ارائه شده است.

 

جدول (3): محاسبه و برآورد عامل R برای ایستگاه‌های باران‌سنجی حوضه آبخیز عموقین، منبع: نویسندگان

R	ایستگاه	ردیف
25/101	آتشگاه	1
27/81	سئین	2
34/95	سردابه	3
96/66	یامچی	4
59/83	توتونسیز	5

 

عامل فرسایش‌پذیری خاک (K): اطلاعات مورد نیاز از گزارش تفصیلی حوضه آبخیز نیرچای استخراج گردید و پس از آن نقشه عامل K با توجه به جدول (1) و مطالعات سایر محققین در محیط ArcGIS تهیه شد. نقشه عامل فرسایش‌پذیری خاک در شکل 3 (ب) ارائه شده است. براساس شکل(3، ب)  مقدار شاخص فرسایش‌پذیری خاک (K) برای حوضه نیرچای بین 12/0 تا 37/0 متغیر می‌باشد.

عامل توپوگرافی (LS): نقشه عامل توپوگرافی (LS) حوضه مورد مطالعه با تهیه و ایجاد لایه‌های لازم براساس رابطه 7 به‌دست آمد که در شکل (3، ج) ارائه شده است. براساس شکل (3، ج)، مقدار عامل LS برای حوضه آبخیز نیرچای در دامنه بین 0 تا 49/11 متغیر می‌باشد که در دامنه‌های پرشیب به‌خصوص اطراف آبراهه‌ها به‌دلیل کوهستانی بودن حوضه مورد مطالعه این مقدار بیش‌تر است.

عامل پوشش گیاهی (C): نقشه عامل پوشش گیاهی C حوضه آبخیز نیرچای براساس رابطه 4 و 5 تهیه شد که در شکل  (3، د)  ارائه شده است. براساس شکل (3، د)، مقادیر عامل C از 0 الی 56/0 متغیر می‌باشد. به‌طور کلی می‌توان گفت  حوضه آبخیز نیرچای به‌دلیل وسعت بیش‌تر اراضی جنگلی مقادیر‌ کم‌تری از مقدار C را دارد و بیش‌ترین مقدار در نواحی شمالی و نواحی مرکزی به‌دلیل اراضی مرتعی دیده می‌شود.

با توجه به عدم انجام اقدامات حفاظتی در منطقه مورد مطالعه، مقدار فاکتور P برای کل منطقه 1 در نظر گرفته شد.

 

ب	الف
د	ج

شکل 3: الف) عامل فرسایندگی باران (R)، ب) عامل فرسایش‌پذیری خاک (K)، ج) عامل توپوگرافی (LS)، د) عامل پوشش گیاهی (C)، حوضه آبخیز نیرچای، منبع:نویسندگان

 

نقشه فرسایش خاک (RUSLE): جهت تهیه نقشه فرسایش متوسط سالانه خاک از حاصل‌ضرب فاکتورهای فرسایندگی باران (R)، فرسایش پذیري خاک (K)، مدیریت پوشش گیاهی (C)، توپوگرافی (LS)، و عمليات حفاظت (P) براساس رابطه 1 در محیط سیستم اطلاعات جغرافیایی (GIS) محاسبه شد و مقادیر هدررفت سالانه خاک (A) بر حسب تن در هکتار در سال به‌دست آمد. نقشه به‌دست آمده در شکل (3) ارائه شده است. بر اساس شکل (3) مقادیر نقشه فرسایش سالانه خاک درحوضه نیرچای بين 5/0 الی 25/14 تن در هکتار در سال در سطح پیکسل متغير می‌باشد.

 

شکل 4: نقشه فرسایش سالیانه خاک (برحسب تن در هکتار در سال) حوضه آبخیز نیرچای، منبع: نویسندگان

 

طبق گزارش فائو حدود 36 درصد از کل زمین‌ها و 60 درصد از خاک‌های کشاورزی در ایران در معرض فرسایش هستند. در این میان عمده ترین دلیل فرسایش شدید خاک در ایران، از بین رفتن پوشش گیاهی است که می‌توان گفت تقریبا در همه مراتع چرای بی‌رویه باعث فرسایش خاک شده به‌طوری که تراکم دام در آن‌ها دو تا شش برابر ظرفیت چرای موجود است. بنابراین در چنین وضعیتی عجیب نیست که فرسایش خاک در ایران چند برابر متوسط جهانی است، این اتفاق درحالی رخ داده است که خاک به‌عنوان یکی از مهم‌ترین عناصر کشاورزی برای احیای مجدد به زمان طولانی نیاز دارد (نژادافضلی و همکاران، 1398).

نتیجه‌گیری

كاربري اراضي، يكي از عوامل مهم در ایجاد فرسايش خاک است و در سال‌های اخیر، تاثیر متقابل تغییر کاربری اراضی و فرسایش خاک به یک نگرانی عمده زیست‌محیطی تبدیل شده است. با توجه به اهمیت موضوع، در پژوهش حاضر نیز ارزیابی میزان هدررفت خاک در کاربری‌های اراضی حوزه آبخیز نیرچای با استفاده از مدل RUSLE  مورد بررسی قرار گرفته است. بدین منظور ابتدا نقشه کاربری اراضی با استفاده از تصویر ماهواره‌ای لندست OLI 8 و با استفاده از الگوریتم ماشین بردار پشتیبان در هفت کلاس پهنه‌های آب، برفی، مسکونی، کشاورزی آبی، کشاورزی دیم، مراتع خوب و ضعیف طبقه‌بندی گردید. صحت کلی و ضریب کاپا برای نقشه کاربری اراضی تهیه شده به ترتیب برابر 95/0 و 67/96 درصد به‌دست آمد. سپس نقشه‌های عوامل R، K، LS، C و P مدل RUSLE در محیط GIS تهیه و پس از تلفیق این لایه‌ها از طریق Raster Calculator در محیط Arcmap نقشه متوسط فرسایش سالانه خاک برای کل حوضه آبخیز نیرچای بین 5/0 تا 25/14 تن در هکتار در سال محاسبه شد. نتایج ارزیابی نقشه هدررفت خاک بر روی کاربری‌های اراضی منطقه مورد مطالعه نشان داد که کاربری اراضی دیم با میانگین فرسایش خاک 85/0 تن در هکتار در سال دارای بیش‌ترین هدررفت خاک و مراتع خوب با میانگین فرسایش 35/0 تن در هکتار در سال دارای کم‌ترین هدررفت خاک را در بین سایر کاربری‌های موجود در منطقه را دارا می‌باشند. در این پژوهش سعی شد از قابلیت‌های GIS برای ایجاد داده‌های مورد نیاز مدل RUSLE استفاده شود. در نهایت پیشنهاد می‌گردد، با تعیین ظرفیت چراء، مدیریت پوشش‌گیاهی، روند تغییرات کاربری اراضی در حوزه آبخیز نیرچای کنترل و در جهت احیا، اصلاح و توسعه مراتع گام برداشته شود. بنابراین انتظار می‌رود، این مطالعه و نتایج حاصل از این پژوهش راه‌گشایی برای اعمال مدیریت بهتر و علمی‌تر مدیران و برنامه‌ریزان ذیصلاح در این زمینه گردد.

منابع

·       احمدی، حسن.، ۱۳88، ژئومورفولوژی کاربردی (فرسایش آبی)، چاپ 6، انتشارات دانشگاه تهران، ص ۵۰۷.

·       آذرخشی، مریم؛ مساعدی، ابوالفضل؛ بشیری، مهدی؛ اوجاقلو شهابی، رعنا. 1396. اثر تغییرات بارش و کاربری اراضی بر تولید رسوب؛ مطالعه موردی: حوضه آبخیز صنوبر تربت حیدریه، علوم و مهندسی آبخیزداری، 11(37)، 33-25.

·       ایوبی، شمس‌اله؛ خرمالی، فرهاد؛ شتابی‌جویباری، شعبان. (1386). استفاده از تکنیک زمین‌آمار در تعیین مناسب‌ترین ابعاد سلول مدل رقومی زمین برای برآورد مشخصه توپوگرافی (LS) مدل برآورد فرسایش (RUSLE) در منطقه تاش علیا (استان گلستان)، پژوهش و سازندگی، 20(4)، 129-122.

·       زلفی‌باروق، مینا. (1390). بررسي و پياده­سازي روش SVM براي تصاوير ماهواره­اي، پايان نامه کارشناسي ارشد رشته مهندسی عمران - سنجش از دور، دانشکده فنی و مهندسی دانشگاه اصفهان، 4-2. 

·       عابدینی، موسی و سوسن طولابی.(1392)، مقایسه کارایی مدلهای WEPP و EPM در برآورد فرسایش خاک و میزان رسوبدهی حوضه آبخیز سولاچای، مجله انجمن ژئومورفولوژی ایران، 1، 96-79.

·       عابدینی، موسی، شبرنگ، شنو، اسمعلی، اباذر .(1392)، بررسی میزان فرسایش خاک و رسوبدهی در حوضه آبخیز مشکین چای به روش EPM. جغرافیا و توسعه، 11(30): 100 -87.

·       عابدینی، موسی . (1400).بررسي كمي فرسايش خندقي و رسوبدهي با استفاده از شاخص هاي فرسايندگي باران، مورفومتري و رگرسيون خطي در حوضه آبخيز هرزند چاي، نشریه تخريب و احياء اراضي طبيعي، 3(3)  111-100.

·       عابدینی، موسی و نازیلا یعقوب نژاد. (1396). ارزیابی و پهنه­بندی خطر فرسایش خاک در حوضه آبخیز رودخانه بالیخلو (سد­یامچی) با استفاده از مدل­فازی، پژوهشهای ژئومورفولوژی کمّی، سال ششم، 1، 155-137.

·       عبیات، محمد؛ عبیات، مصطفی؛ عبیات، مرتضی. (1400). بررسی تغییرات کاربری اراضی و اثر آن بر روند فرسایش خاک در خوضه باغملک با استفاده از شبکه عصبی مصنوعی و مدل RUSLE، محیط شناسی، 47(1)، 91-73.

·       فیضی‌زاده، بختیار. (1396). مدل‌سازی تغییرات کاربری اراضی و اثرات آن بر سیستم فرسایش در حوضه سد علویان با استفاده از تکنیک‌های سنجش از دور و GIS، هیدروژئومورفولوژی، 3(11)، 38-21.

·       کیانی‌هرچگانی، محبوبه؛ صادقی، سیدحمیدرضا؛ فلاحت‌کار، سامره. 1398. تحلیل مقایسه‌ای عامل فرسایش‌پذیری خاک در حوضه آبخیز شازند، اکوهیدرولوژی، 1(6)، 163-153.

·       محمدی، شاهین؛ کریم زاده، حمیدرضا؛ پورمنافی، سعید.، سلطانی کوپایی، سعید. 1397. برآورد مکانی و زمانی فرسایش خاک با استفاده از مدل RUSLE و سری‌های زمانی ماهواره لندست، مندرجان، اصفهان، مرتع و آبخیزداری، مجله منابع طبیعی ایران، 71(3)، 774-759.

·       مددی، عقیل؛ قلعه، احسان؛ عبادی، الهامه؛ نظافت‌تکله، بهروز؛ پاسبان، امیرحسام. 1399. بررسی ارتباط بین ویژگی‌های ژئومورفیک و میزان تولید رسوب در حوضه آبخیز نیرچای، فصلنامه تحقیقات جغرافیایی، 36(1)، 34-23.

·       مرادیان، مهدی؛ نجفی نژاد، علی؛ مرادی، مجتبی؛ وروانی، جواد. 1389. کاربرد روش آناليز ناحیه­ای در برآورد رسوب معلق سالانه، مطالعه موردی حوضه سد کمال ­صالح استان مرکزی، ششمين همايش ملّي علوم و مهندسي آبخيزداري دانشکده منابع طبيعي و علوم دريايي دانشگاه تربيت مدرّس.

·       معتمدی، راضیه؛ آذری، محمود. 1397. ارتباط بین ویژگی‌های ژئومورفیک با رسوب آبخیز (مطالعه موردی: زیرحوضه‌های منتخب خراسان رضوی)، پژوهش‌های فرسایش محیطی، 28(4)، 101-82.

·       نژادافضلی، کرامت؛ شاهرخی، محمدرضا؛ بیاتانی، فاطمه. 1398. برآورد فرسایش خاک با استفاده از مدل RUSLE و شناسایی موثرترین عامل آن در حوضه آبخیز دهکان (جنوب کرمان). مخاطرات محیط طبیعی، 8(20)، 38-21.

·       واعظی، علی‌رضا؛ عباسی، محمد؛ حاجی‌ملکی، خالد. (1396). ارزیابی مدل RUSLE همراه شده با سنجش از دور و سامانه اطلاعات جغرافیایی در عرصه‌های زهکش کوچک در منطقه نیمه خشک، شمال‌غربی ایران. علوم و مهندسی آبخیزداری ایران. 11(38)، 10-1.

1.       Assis, K. G. O., da Silva, Y. J. A. B., Lopes, J. W. B., Medeiros, J. C., Teixeira, M. P. R., Rimá, F. B., Singh, V. P. (2021). Soil loss and sediment yield in a perennial catchment in Southwest Piauí, Brazil. Environmental Monitoring and Assessment, 193(1), 1-11.

2.       Chi, W., Zhao, Y., Kuang, W., & He, H. (2019). Impacts of anthropogenic land-use/cover changes on soil wind erosion in China. Science of the Total Environment, 668, 204-215.

3.       Kantakumar, L.N., Neelamsetti, P. (2015). Multi-temporal land use classification using hybrid approach. The Egyptian Journal of Remote Sensing and Space Science, 18(2), 289-295.

4.       Mantero, P., Moser, G., Sebastiano, B., Serpico, s. (2005). Partially supervised classification of remote sensing images through SVM-based probability density estimation, IEEE Trans. on Geoscience and Remote Sensing, 43(3), 559-570.

5.       Nguyen, T.T.H, Pham, T.T.T. (2016). Incorporating ancillary data into Landsat 8 image classification process: a case study in Hoa Binh, Vietnam. Environmental Earth Sciences, 75(5), 430.

6.       Ouyang, W., Wu, Y., Hao, Z., Zhang, Q., Bu, Q., & Gao, X. (2018). Combined impacts of land-use and soil property changes on soil erosion in a mollisol area under long-term agricultural development. Science of the total environment, 613, 798-809.

7.       Paul, S. S., Li, J., Li, Y., & Shen, L, 2019. Assessing land-use/land-cover change and soil erosion potential using a combined approach through remote sensing, RUSLE and random forest algorithm. Geocarto International, 36, 1-15.

8.       Pradhan, B., Chaudhari, A., Adinarayana, J., and Buchroithner, M.F. (2012). Soil erosion assessment and its correlation with landslide events using remote sensing data and GIS: a case study at Penang Island, Malaysia. Environmental monitoring and assessment. 184(2), 715-727.

9.       Rawat, K. S., Singh, S. K. 2018. Appraisal of Soil Conservation Capacity Using NDVI Model-Based C Factor of RUSLE Model for a Semi Arid Ungauged Watershed: a Case Study, Water Conservation Science and Engineering, 3(1): 47-58.

10.       Ren, Y., Lü, Y., Comber, A., Fu, B., Harris, P., & Wu, L. (2019). Spatially explicit simulation of land-use/landcover changes: Current coverage and future prospects. Earth Science Reviews, 190, 398-415.

11.       Renard, K.G., and Freidmund, J.R. 1994. Using monthly precipitation data to estimate the R-factor in the RUSLE, National Agricultural Library, Journal of Hydrology, 157: 287-306.

12.       Santos, J.C.N., Andrade, E.M., Medeiros, P.H.A., and Joao, M. (2017). Land use impact on soil erosion at different scales in the Brazilian semi-arid. Revista Ciencia Agronomica. 48(2), 251-260.

13.       Singh, S., Bhardwaj, A., and Verma, V. (2020). Remote sensing and GIS based analysis of temporal land use/land cover and water quality changes in Harike wetland ecosystem, Punjab, India. Journal of Environmental Management. 262, 11035.

14.       Thakkar, A.K., Venkappayya, R.D., Patel, A., Madhukar, B.P. (2017). Post-classification corrections in improving the classification of Land Use/Land Cover of arid region using RS and GIS: The case of Arjuni watershed, Gujarat, India. The Egyptian Journal of Remote Sensing and Space Science, 20(1), 79-89.

15.       Van der Knijff, J.M., Jones, R.J.A., and Montanarella, L. (2000). Soil Erosion Risk Assessment in Europe. European Soil Bureau, 1-34.

16.       Vanacker, V., Ameijeiras-Mariño, Y., Schoonejans, J., Cornélis, J. T., Minella, J. P., Lamouline, F., Vermeire, M. L., Campforts, B., Robinet, J., Van de Broek, M., Delmelle. P., & Opfergelt, S. (2019). Land-use impacts on soil erosion and rejuvenation in Southern Brazil. Catena, 178, 256-266.

17.       Wischmeier, W.H., and Smith, D.D. 1978. Predicting rainfall erosion, losses: a guide to conservation planning, United States Department of Agriculture Handbook, Washington DC. 537: 13-27.

 

 

---

[1]  Paul et al

[2]  Ouyang et al

[3]  Ren et al

[4]  Rawat

[5]  Kolmogrov-smirnov

[6]  Basukala

[7]  United States Geological Survey

[8] Absorption

[9] Dffusion

[10] Scattering

[11] Emergent Radiation

[12] Top of Atmosphere

[13]  Kantakumar and Neelamsetti

[14]  Nguyen and Pham

[15] Digital Numbers

[16] Radiance

[17]  Thakkar

[18] Fast Line of sight Atmospheric Analysis of Spectral Hyper cubes

[19] Near-Infrared

[20] Shortwave Infrared

[21]  MTL

[22]  Mantero

[23]  Vapnik and Chervonenkis

[24]  Pradhan

[25]  Wischmeier and Smith

[26]  Inverse distance weighting

[27]  Van Der Knijff

[28]  Mohammadi

---