Evaluation of of DEMs to the modeling of the potential of gully erosion using Maxent model (Case study: Semirom catchment in the south of Isfahan Province, Iran)
Subject Areas : Applications in natural hazard and disaster
1 - Assistant Professor, Department of Physical Geograpghy, Faculty of Geographical and Planning, University of Isfahan, Isfahan, Iran
Keywords: DEM, Gully Erosion, Geographic Information System (GIS), Maximum Entropy,
Abstract :
Background and ObjectiveGully erosion is a type of water erosion that occurs in many climate areas, from arid to humid areas. This type of soil loss causes the displacement and destruction of soil surface horizons by the accumulation of runoff. In many parts of Iran, in the north, south and central faced with this type of soil loss. In fact, gully erosion occurs in this area due to the complex topography, erodible soils, mismanagement of soil and land use/land cover. Therefore, in order to protect the soil in these areas, it is necessary that a susceptible map should be available to the managers and policymakers. Many parameters affect the occurrence of gullu erosion, including soil, geology, tectonics, hydrology, land use, vegetation and topography, that have been mentioned in various studies around the world. The topographic indices are the most important parameters in the event of gully erosion, which operates differently in each region according to the physical characteristics of the areas. This parameter also indirectly affects the other indicators or criteria (for example, its impact on the vegetation, climate and soil of the area). Even there are many researches on the gully erosion, but there are only a few studies on the modelling with applying the stochastic approaches. This study is the first attempt to the modelling of gully erosion in the central of Iran with applying the maximum Entropy model and topographic indices that have been applied with using the free of charge of digital elevation model. This study uses a new approach to preparing the susceptibility map of gully erosion in the Semirom catchment in the South of Isfahan province. This area is affected by different types of water erosion, same as; gully, rill and landslide. Also, the purpose of this research is to compare the accuracy of two digital elevation model, ASTER and SRTM with 30 m resolution, (DEM) from USGS website, for the modelling of gully erosion in the study area. The emphasis of this research was on the topography indices because it has most important on the event of gully erosion. Materials and MethodsIn this research for the prediction of the susceptible areas in the result of the main type of gully erosion, the following steps have been applied; In the first step the locations of some sampled gullies, have been digitized randomly with using the Google Earth (GE) images, aerial photos and fieldwork in polygon shapes for each gully. Subsequently, we converted the polygons and into equally spaced points. In the second step, we determine the most important criteria as the environment layers for the modeling. These topography indices including, wetness Index (TWI), curvature, profile curvature, slope, aspect, catchment area, flow length, elevation, slope, LS factor, Stream Power Index (SPI). The topographic indices have been extracted in SAGA GIS from the SRTM DEM with 30m spatial resolution and were then converted to the ASCII format to run in the model. Before applying the indices, the DEM was preprocessed with low pass filtering to extract artefacts and errors, like local noise and with using ArcGIS. Subsequently, the DEM was hydrologically corrected eliminating sinks using the algorithm proposed by Planchon & Darboux. The Maximum Entropy Model is a general-purpose method for making predictions or inferences from incomplete information. MEM explores applications in diverse areas such as astronomy, portfolio optimization, image reconstruction, statistical physics and signal processing. The idea of Maxent is to estimate a target probability. In fact, this model needs only the gullies feature (present data). The advantages of this model include the following; It requires only presence data together with environmental information for the whole study area. It can utilize both continuous and categorical data and can incorporate interactions between different variables. Results and Discussion With applying the Maxent model in the Semirom catchment, it was trained using 70% of the mapped points of gully features as the target or dependent variable and 30% of the mapped gully as testing samples. The raster type of environmental layers (topographic indices) as the independent variable. The validity of the model used in this study was assessed using the level below ROC or Area Under Curve (AUC). The ROC curve was automatically generated by running this model for both training and testing data. The AUC for training data for SRTM and ASTER is 0.64 and 0.72 respectively and also for testing is 0.68 and 0.72 respectively. These results indicate that the SRTM elevation model has higher accuracy than the ASTER DEM. One of the reasons for the low accuracy of the ASTER DEM can be due to the impact of vegetation, which has caused terrace-like errors, while in the SRTM DEM, due to the radar nature of the waves, this error is reduced and a more accurate map of this the model has been prepared. Our results show that SPI index with 40.3% contribution, elevation with 22.7% and convergence with 18% are the most important factors for the zoning of the susceptible areas. Regarding the predicted map of the potential of gully erosion, the area in the central and south of the study area are in the high probability. Conclusion This study applied the Maxent model to map the susceptibility of gully erosion in the Semirom catchment in the Isfahan Province, using various topographic effective factors and the Maxent model. Stochastic approaches like statistical mechanics provide a powerful tool to study the relations between locations of gully erosion features and corresponding environmental characteristics. The result of this study can be used for land-use planning and management of the areas with gully erosion for sustainable development in the prone areas. Although the results of this study show the prominent role of the topographic indicators for the prediction of the potential gully map, to increase the accuracy of the modeling results, in the furture researches the other criteria such as land use, vegetation and used soil, etc according to the availability of information to can be applied.
Anderson RP, Elith J, H. Graham C, Dudík M, Ferrier S, Guisan A, Hijmans RJ, Huettmann F, Leathwick JR, Lehmann A. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography, 29(2): 129-151. doi:https://doi.org/10.1111/j.2006.0906-7590.04596.x.
Angileri SE, Conoscenti C, Hochschild V, Märker M, Rotigliano E, Agnesi V. 2016. Water erosion susceptibility mapping by applying Stochastic Gradient Treeboost to the Imera Meridionale River Basin (Sicily, Italy). Geomorphology, 262: 61-76. doi:https://doi.org/10.1016/j.geomorph.2016.03.018.
Arabameri A, Cerda A, Tiefenbacher JP. 2019. Spatial pattern analysis and prediction of gully erosion using novel hybrid model of entropy-weight of evidence. Water, 11(6): 1129. doi:https://doi.org/10.3390/w11061129.
Buitrago JY, Martínez LJ. 2016. Digital elevation models (DEM) used to assess soil erosion risks: a case study in Boyaca, Colombia. Agronomía Colombiana, 34(2): 239-249. doi:https://doi.org/10.15446/agron.colomb.v34n2.56145.
Burrough PA, McDonnell R, McDonnell RA, Lloyd CD. 2015. Principles of geographical information systems. Oxford university press, 330 p.
Conoscenti C, Agnesi V, Cama M, Caraballo‐Arias NA, Rotigliano E. 2018. Assessment of gully erosion susceptibility using multivariate adaptive regression splines and accounting for terrain connectivity. Land degradation & development, 29(3): 724-736. doi:https://doi.org/10.1002/ldr.2772.
Entezari M, Maleki A, Moradi K, Olfati S. 2015. The study of Gully Erosion in Dyereh Catchment Using the Method of Weightal Modulation and Stream Power Index. Geographical Researches, 30(3): 297-312. (In Persian)
Ghorbani N, Zeinivand H, Haghizadeh A, Tahmasebi N. 2018. Performance evaluation of Dempster-Shafer model for erosion potential mapping in Kakareza watershed, Lorestan province. Journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS Techniques in Natural Resource Science), 9(3): 100-114. (In Persian)
Kedari Tushar B, Balasubramani K, Gomathi M. 2017. Comparative Analysis of CARTOSAT, ASTER and SRTM Digital Elevation Models of Different Terrains for Extraction of Watershed Parameters. The Konkan Geographer, 17: 143-152.
Kheir RB, Wilson J, Deng Y. 2007. Use of terrain variables for mapping gully erosion susceptibility in Lebanon. Earth Surface Processes and Landforms: The Journal of the British Geomorphological Research Group, 32(12): 1770-1782. doi:https://doi.org/10.1002/esp.1501.
Köthe R, Lehmeier F. 1993. SAGA - Ein Programmsystem zur Automatischen Relief-Analyse. Zeitschrift für Angewandte Geographie, 4/1993: 11-21.
Le Houérou HN. 1996. Climate change, drought and desertification. Journal of Arid Environments, 34(2): 133-185. doi:https://doi.org/10.1006/jare.1996.0099.
Maerker M, Quénéhervé G, Bachofer F, Mori S. 2015. A simple DEM assessment procedure for gully system analysis in the Lake Manyara area, northern Tanzania. Natural Hazards, 79(1): 235-253. doi:https://doi.org/10.1007/s11069-015-1855-y.
Martı́nez-Casasnovas JA. 2003. A spatial information technology approach for the mapping and quantification of gully erosion. CATENA, 50(2): 293-308. doi:https://doi.org/10.1016/S0341-8162(02)00134-0.
Masoudi M, Zakerinejad R. 2011. A new model for assessment of erosion using desertification model of IMDPA in Mazayjan plain, Fars province, Iran. Ecology, Environment and Conservation, 17(3): 489-594.
Nazari Samani A, Ahmadi H, Jafari M, Boggs G, Ghoddousi J, Malekian A. 2009. Geomorphic threshold conditions for gully erosion in Southwestern Iran (Boushehr-Samal watershed). Journal of Asian Earth Sciences, 35(2): 180-189. doi:https://doi.org/10.1016/j.jseaes.2009.02.004.
Olaya V, Conrad O. 2009. Chapter 12 Geomorphometry in SAGA. In: Hengl T, Reuter HI (eds) Developments in Soil Science, vol 33. Elsevier, pp 293-308. https://doi.org/210.1016/S0166-2481(1008)00012-00013.
Parkner T, Page M, Marden M, Marutani T. 2007. Gully systems under undisturbed indigenous forest, East Coast Region, New Zealand. Geomorphology, 84(3): 241-253. doi:https://doi.org/10.1016/j.geomorph.2006.01.042.
Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3): 231-259. doi:https://doi.org/10.1016/j.ecolmodel.2005.03.026.
Planchon O, Darboux F. 2002. A fast, simple and versatile algorithm to fill the depressions of digital elevation models. Catena, 46(2): 159-176. doi:https://doi.org/10.1016/S0341-8162(01)00164-3.
Poesen J, Nachtergaele J, Verstraeten G, Valentin C. 2003. Gully erosion and environmental change: importance and research needs. CATENA, 50(2): 91-133. doi:https://doi.org/10.1016/S0341-8162(02)00143-1.
Rahmati O, Haghizadeh A, Pourghasemi HR, Noormohamadi F. 2016. Gully erosion susceptibility mapping: the role of GIS-based bivariate statistical models and their comparison. Natural Hazards, 82(2): 1231-1258. doi:10.1007/s11069-016-2239-7.
Reddy Y, Sebastin A. 2006. Parameters for estimation of entropy to study price manipulation in stock market. In: 10th Capital Markets Conference, Indian Institute of Capital Markets Paper, Research publication university of Dehli. http://dx.doi.org/10.2139/ssrn.962329.
Shit PK, Paira R, Bhunia G, Maiti R. 2015. Modeling of potential gully erosion hazard using geo-spatial technology at Garbheta block, West Bengal in India. Modeling Earth Systems and Environment, 1(1-2): 2. doi:https://doi.org/10.1007/s40808-015-0001-x.
Soufi M. 2004. Morpho-climatic classification of gullies in Fars province, southwest of IR Iran. In: ISCO 2004 - 13th International Soil Conservation Organisation Conference – Brisbane, July 2004, Conserving Soil and Water for Society: Sharing Solutions, 4 p.
Vadon H. 2003. 3D Navigation over merged Panchromatic-Multispectral high resolution SPOT5 images. The international archives of the photogrammetry, Remote Sensing and Spatial Information Sciences, 36(5): W10.
Valentin C, Poesen J, Li Y. 2005. Gully erosion: Impacts, factors and control. CATENA, 63(2): 132-153. doi:https://doi.org/10.1016/j.catena.2005.06.001.
Zakerinejad R, Maerker M. 2015. An integrated assessment of soil erosion dynamics with special emphasis on gully erosion in the Mazayjan basin, southwestern Iran. Natural Hazards, 79(1): 25-50. doi:10.1007/s11069-015-1700-3.
Zakerinejad R, Märker M. 2014. Prediction of Gully erosion susceptibilities using detailed terrain analysis and maximum entropy modeling: a case study in the Mazayejan Plain, Southwest Iran. Geografia Fisica e Dinamica Quaternaria, 37(1): 67-76. doi:https://doi.org/10.4461/GFDQ.2014.37.7.
Zakerinejad R, Omran A, Hochschild V, Maerker M. 2018. Assessment of gully erosion in relation to lithology in the Southwestern Zagros Mountains, Iran using ASTER data, GIS and stochastic modeling. Geografia Fisica Edinamica Quaternaria, 41(2): 95-104. doi:https://doi.org/10.4461/ GFDQ.2018.41.15.
Zevenbergen LW, Thorne CR. 1987. Quantitative analysis of land surface topography. Earth Surface Processes and Landforms, 12(1): 47-56. doi:https://doi.org/10.1002/esp.3290120107.
_||_Anderson RP, Elith J, H. Graham C, Dudík M, Ferrier S, Guisan A, Hijmans RJ, Huettmann F, Leathwick JR, Lehmann A. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography, 29(2): 129-151. doi:https://doi.org/10.1111/j.2006.0906-7590.04596.x.
Angileri SE, Conoscenti C, Hochschild V, Märker M, Rotigliano E, Agnesi V. 2016. Water erosion susceptibility mapping by applying Stochastic Gradient Treeboost to the Imera Meridionale River Basin (Sicily, Italy). Geomorphology, 262: 61-76. doi:https://doi.org/10.1016/j.geomorph.2016.03.018.
Arabameri A, Cerda A, Tiefenbacher JP. 2019. Spatial pattern analysis and prediction of gully erosion using novel hybrid model of entropy-weight of evidence. Water, 11(6): 1129. doi:https://doi.org/10.3390/w11061129.
Buitrago JY, Martínez LJ. 2016. Digital elevation models (DEM) used to assess soil erosion risks: a case study in Boyaca, Colombia. Agronomía Colombiana, 34(2): 239-249. doi:https://doi.org/10.15446/agron.colomb.v34n2.56145.
Burrough PA, McDonnell R, McDonnell RA, Lloyd CD. 2015. Principles of geographical information systems. Oxford university press, 330 p.
Conoscenti C, Agnesi V, Cama M, Caraballo‐Arias NA, Rotigliano E. 2018. Assessment of gully erosion susceptibility using multivariate adaptive regression splines and accounting for terrain connectivity. Land degradation & development, 29(3): 724-736. doi:https://doi.org/10.1002/ldr.2772.
Entezari M, Maleki A, Moradi K, Olfati S. 2015. The study of Gully Erosion in Dyereh Catchment Using the Method of Weightal Modulation and Stream Power Index. Geographical Researches, 30(3): 297-312. (In Persian)
Ghorbani N, Zeinivand H, Haghizadeh A, Tahmasebi N. 2018. Performance evaluation of Dempster-Shafer model for erosion potential mapping in Kakareza watershed, Lorestan province. Journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS Techniques in Natural Resource Science), 9(3): 100-114. (In Persian)
Kedari Tushar B, Balasubramani K, Gomathi M. 2017. Comparative Analysis of CARTOSAT, ASTER and SRTM Digital Elevation Models of Different Terrains for Extraction of Watershed Parameters. The Konkan Geographer, 17: 143-152.
Kheir RB, Wilson J, Deng Y. 2007. Use of terrain variables for mapping gully erosion susceptibility in Lebanon. Earth Surface Processes and Landforms: The Journal of the British Geomorphological Research Group, 32(12): 1770-1782. doi:https://doi.org/10.1002/esp.1501.
Köthe R, Lehmeier F. 1993. SAGA - Ein Programmsystem zur Automatischen Relief-Analyse. Zeitschrift für Angewandte Geographie, 4/1993: 11-21.
Le Houérou HN. 1996. Climate change, drought and desertification. Journal of Arid Environments, 34(2): 133-185. doi:https://doi.org/10.1006/jare.1996.0099.
Maerker M, Quénéhervé G, Bachofer F, Mori S. 2015. A simple DEM assessment procedure for gully system analysis in the Lake Manyara area, northern Tanzania. Natural Hazards, 79(1): 235-253. doi:https://doi.org/10.1007/s11069-015-1855-y.
Martı́nez-Casasnovas JA. 2003. A spatial information technology approach for the mapping and quantification of gully erosion. CATENA, 50(2): 293-308. doi:https://doi.org/10.1016/S0341-8162(02)00134-0.
Masoudi M, Zakerinejad R. 2011. A new model for assessment of erosion using desertification model of IMDPA in Mazayjan plain, Fars province, Iran. Ecology, Environment and Conservation, 17(3): 489-594.
Nazari Samani A, Ahmadi H, Jafari M, Boggs G, Ghoddousi J, Malekian A. 2009. Geomorphic threshold conditions for gully erosion in Southwestern Iran (Boushehr-Samal watershed). Journal of Asian Earth Sciences, 35(2): 180-189. doi:https://doi.org/10.1016/j.jseaes.2009.02.004.
Olaya V, Conrad O. 2009. Chapter 12 Geomorphometry in SAGA. In: Hengl T, Reuter HI (eds) Developments in Soil Science, vol 33. Elsevier, pp 293-308. https://doi.org/210.1016/S0166-2481(1008)00012-00013.
Parkner T, Page M, Marden M, Marutani T. 2007. Gully systems under undisturbed indigenous forest, East Coast Region, New Zealand. Geomorphology, 84(3): 241-253. doi:https://doi.org/10.1016/j.geomorph.2006.01.042.
Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190(3): 231-259. doi:https://doi.org/10.1016/j.ecolmodel.2005.03.026.
Planchon O, Darboux F. 2002. A fast, simple and versatile algorithm to fill the depressions of digital elevation models. Catena, 46(2): 159-176. doi:https://doi.org/10.1016/S0341-8162(01)00164-3.
Poesen J, Nachtergaele J, Verstraeten G, Valentin C. 2003. Gully erosion and environmental change: importance and research needs. CATENA, 50(2): 91-133. doi:https://doi.org/10.1016/S0341-8162(02)00143-1.
Rahmati O, Haghizadeh A, Pourghasemi HR, Noormohamadi F. 2016. Gully erosion susceptibility mapping: the role of GIS-based bivariate statistical models and their comparison. Natural Hazards, 82(2): 1231-1258. doi:10.1007/s11069-016-2239-7.
Reddy Y, Sebastin A. 2006. Parameters for estimation of entropy to study price manipulation in stock market. In: 10th Capital Markets Conference, Indian Institute of Capital Markets Paper, Research publication university of Dehli. http://dx.doi.org/10.2139/ssrn.962329.
Shit PK, Paira R, Bhunia G, Maiti R. 2015. Modeling of potential gully erosion hazard using geo-spatial technology at Garbheta block, West Bengal in India. Modeling Earth Systems and Environment, 1(1-2): 2. doi:https://doi.org/10.1007/s40808-015-0001-x.
Soufi M. 2004. Morpho-climatic classification of gullies in Fars province, southwest of IR Iran. In: ISCO 2004 - 13th International Soil Conservation Organisation Conference – Brisbane, July 2004, Conserving Soil and Water for Society: Sharing Solutions, 4 p.
Vadon H. 2003. 3D Navigation over merged Panchromatic-Multispectral high resolution SPOT5 images. The international archives of the photogrammetry, Remote Sensing and Spatial Information Sciences, 36(5): W10.
Valentin C, Poesen J, Li Y. 2005. Gully erosion: Impacts, factors and control. CATENA, 63(2): 132-153. doi:https://doi.org/10.1016/j.catena.2005.06.001.
Zakerinejad R, Maerker M. 2015. An integrated assessment of soil erosion dynamics with special emphasis on gully erosion in the Mazayjan basin, southwestern Iran. Natural Hazards, 79(1): 25-50. doi:10.1007/s11069-015-1700-3.
Zakerinejad R, Märker M. 2014. Prediction of Gully erosion susceptibilities using detailed terrain analysis and maximum entropy modeling: a case study in the Mazayejan Plain, Southwest Iran. Geografia Fisica e Dinamica Quaternaria, 37(1): 67-76. doi:https://doi.org/10.4461/GFDQ.2014.37.7.
Zakerinejad R, Omran A, Hochschild V, Maerker M. 2018. Assessment of gully erosion in relation to lithology in the Southwestern Zagros Mountains, Iran using ASTER data, GIS and stochastic modeling. Geografia Fisica Edinamica Quaternaria, 41(2): 95-104. doi:https://doi.org/10.4461/ GFDQ.2018.41.15.
Zevenbergen LW, Thorne CR. 1987. Quantitative analysis of land surface topography. Earth Surface Processes and Landforms, 12(1): 47-56. doi:https://doi.org/10.1002/esp.3290120107.
ارزیابی مدل های رقومی ارتفاع جهت تهیه نقشه پتانسیل فرسایش خندقی با استفاده از مدل مکسنت و سامانه اطلاعات جغرافیایی(GIS)
(مطالعه موردی: حوضه آبخیز سمیرم)
چکیده
فرسایش خندقی به عنوانی یکی از انواع فرسایش آبی از عوامل مهم تخریب سرزمین و بیابان زایی در برخی از مناطق ایران است. شناسایی مناطق حساس و مستعد فرسایشی با استفاده از مدل های آماری و همچنین حداکثر استفاده از داده ها و اطلاعات موجود با صرف هزینه و زمان کمتر از ضروریات این پژوهش محسوب می گردد. منطقه مورد مطالعه در این پژوهش، حوضه آبخیز سمیرم در شهرستان سمیرم واقع در جنوب استان اصفهان، واقع شده که دارای میزان شدید فرسایش آبی بویژه فرسایش خندقی می باشد. هدف اصلی این پژوهش، تهیه ارزیابی دقت نقشه خطر فرسایشی با استفاده از شاخص های توپوگرافی تهیه شده از دو مدل رقومی ارتفاعی، اس ار تی ام و استر و با استفاده از مدل مکسنت (حداکثر آنتروپی) می باشد. بدین منظور پس از پیش پردازهای لازم، شاخصهای توپوگرافی از نقشههای ارتفاعی رقومیاس ار تی ام و Aاستر با دقت 30 متر و با استفاده از نرم افزار SAGA GIS تهیه گردید. از پراکنش مناطق فرسایش خندقی با استفاده از تصاویر ماهوارهای گوگل ارث، عکس های هوایی، بازدیدهای میدانی (اردیبهشت1397) به عنوان نمونه های ورودی به مدل مکسنت استفاده شد. نتایج این پژوهش نشان داد که شاخص های قدرت فرسایندگی جریان آب با30/40 درصد، ارتفاع با 7/22 درصد و شاخص همگرایی با 18 درصد دارای بیشترین تأثیر بر میزان فرسایش خندقی منطقه مطالعاتی می باشند. مقدار شاخص ارزیابی صحت سطح زیر (AUC) حاصل از دو مدل ارتفاعی استر واس ار تی ام برای تهیه نقشه پتانسیل فرسایش خندقی بر اساس داده های تعلیمی به ترتیب 64/0 و 72/0 درصد تخمین زده شد. این نتایج بیانگر قابلیت بالاتر مدل ارتفاعی اس ار تی ام در مدلسازی مناطق حساس فرسایشی است.
واژههای کلیدی: فرسایش خندقی، مدل رقومی ارتفاع، مدل مکسنت
مقدمه
فرسایش خاک به عنوان یکی از عوامل اصلی بیابان زایی در گستره وسیعی از سطح کره زمین بویژه مناطق خشک و نیمه خشک محسوب می گردد. فرسایش آبی به عنوان نوع غالب فرسایش و تخریب اراضی، بسیاری از مناطق کشور ایران را تهدید می کند (29،14 و31). فرسایش خندقی (آبکندی) به عنوان یکی از انواع فرسایش آبی، اگر چه مساحت کمتری را نسبت به دیگر اشکال فرسایش آبی در برمی گیرد، ولی یکی از عوامل اصلی فرساینده ی خاک در بسیاری از حوضه های آبریز محسوب می گردد (15، 19 و27). لذا لزوم مطالعات جامع و کامل در مناطقی که دارای پتانسیل فرسایش پذیری می باشند، امری اجتناب ناپذیر تلقی می شود.
داده هاي حاصل از سنجش از دور مي تواند با فراهم آوردن داده هاي مكاني در ابعاد وسيع در ارزيابی فرسایش نقش اساسي داشته باشد. زیرا اکثر حوضه های کشور فاقد ایستگاه اندازه گیری بوده و به این ترتیب دست یابی به مدل هایی مبتنی بر شرایط ویژه در حوضههای آبخیز ضروری می باشد. تاکنون مطالعات زیادی درباره فرسایش صورت گرفته است اما بیشتر مطالعات در زمینه فرسایش سطحی یا شیاری و آبراهه ای بود و فرسایش خندقی کمتر مورد توجه قرار گرفته است (18و 30). بیشتر این مطالعات، فرسایش خندقی را از نظر کیفی مورد بررسی قرار داده و عوامل متفاوتی را موثر بر فرسایش خندقی دانسته اند. پارامترهای زیادی در ایجاد فرسایش خندقی تاثیر دارند از جمله خاک، زمین شناسی منطقه، تکتونیک، هیدرولوژی، کاربری اراضی، پوشش گیاهی و توپوگرافی، که در مطالعات مختلف در سراسر جهان به آن اشاره شده است (9، 18 و 19).
معیار توپوگرافی منطقه از پارامترهای مهم در ایجاد فرسایش آبی از جمله فرسایش آبکندی محسوب می گردد، که در هر منطقه با توجه به ویژگی های فیزیکی منطقه منحصر به فرد عمل می کند. این پارامتر در واقع به صورت غیر مستقیم بر دیگر شاخص ها و یا معیارها تاثیر گذار می باشد (16، 30 و 31). در رابطه با بررسی فرسایش خندقی توسط مدل رقومی ارتفاع مطالعات محدودی صورت گرفته است که در بیشتر آن ها به اندازه گیری میزان گسترش فرسایش خندقی پرداخته شده است (13 و 18). تحقيق كارايي مدل دمپستر-شافر در پتانسيل يابي مناطق مستعد فرسايش سطحی حوضه آبخيز كاكارضا در استان لرستان موردبررسي قرار گرفت، که نتایج این پژوهش نشان داد كه نقشه داراي ميزان اعتبار 21 درصد بوده كه بيانگر قابليت ضعيف اين مدل در پتانسيل يابي مناطق حساس به فرسايش خاك هست (8).
در تحقیقی دیگر که به بررسی شاخص قدرت آبراهه (SPI) و مدل رقومی جهت بررسی مناطق مستعد فرسایش خندقی در حوضه رودخانه دیره پرداخته شد، نتایج نشان داد که پنج عامل شیب، انحنای افقی شیب،کاربری اراضی، فاصله از جاده و سنگ شناسی از عوامل موثر در ایجاد خندق می باشند (7).
بررسی های پارکنر و همکاران (23)، در نیوزیلند بر روی تاثیر تغییر کاربری اراضی بر آستانه توپوگرافی خندقها با استفاده از تصاویر ماهواره ای نشان داد که در جنگل، آستانه توپوگرافی تشکیل خندق بسیار بالاست و با تغییر کاربری به مرتع این آستانه کاهش یافته است و در مقابل، با جنگل کاری مجدد این آستانه دوباره افزایش یافته است. آنجلری و همکاران (3) در سیسیلی ایتالیا اقدام به تهیه نقشه حساسیت فرسایش آبی برای اشکال خندقی، شیاری و بین شیاری کردند که نتایج آن ها نشان داد که شاخص های ارتفاع، قدرت فرسایندگی آبراهه و شاخص انحنا و همچنین شاخص رطوبت خاک از مهمترین شاخص ها به عنوان متغیر مستقل برای پهنه بندی نقشه فرسایش خندقی می باشند.
ذاکری نژاد و همکاران (30)، با استفاده از ارایه مدل ارتفاعی با دقت 5 متر و استفاده از شاخص قدرت فرسایندگی آبراهه (SPI) و تلفیق این شاخص در مدل یو اس پی دی ام (USPED) به ارایه نقشه شدت فرسایش آبی در حوضه مزایجان در جنوب غربی استان فارس پرداختند که نتایج آن ها نشان داد، فرسایش خندقی به شدت تحت تاثیر شاخص های توپوگرافی می باشد و خطر آن در مناطق با شیب کمتر از 10 درصد بیشتر می باشد.
مارتینز و باتراگو (5)، با استفاده از نقشه رقومی ارتفاع از داده های الوس پالسار (ALOS PALSAR) اس ار تی ام و استر و همچنین از نقشه توپوگرافی با مقیاس 1:25000 به بررسی ریسک فرسایش خاک در منطقه بویاکا کشور کلمبیا پرداختند. نتایج آن ها با استفاده از شاخص های تهیه شده نشان داد که نقشه های رقومی ارتفاع ابزاری مفید، آسان و بدون هزینه جهت تهیه نقشه های کمی خطر فرسایش خاک محسوب می گردند.
کادری و همکاران (11)، نشان دادند که کاربرد مدل اس ار تی ام در استخراج پارامترهای حوضه آبخیز در منطقه ای از هند دقت بیشتری دارد، نتایج این تحقیق همچنین نشان داد که دقت نقشه رقومی ارتفاعی اس ار تی ام دقت بالاتری نسبت به نقشه رقومی استر جهت تهیه نقشه پتانسیل فرسایش آبی دارد.
ذاکری نژاد و همکاران (31)، با استفاده از شاخص های لیتولوژی و همچنین مدل های رگرسیونی و با استفاده از تصاویر استر به ارزیابی شدت فرسایش خندقی در منطقه جنوب زاگرس در استان فارس و با استفاده از شاخص های نسب گیری طیفی پرداختند، که نتایج این تحقیق نشان داد، که شدت فرسایش خندقی در رسوبات کوارترنری و سازندهای میشان بیشتر از سایر سازندهای زمین می باشد.
عرب امیری و همکاران (2)، با استفاده از سیستم اطلاعات جغرافیایی و شاخص های تاثیرگذار در فرسایش خندقی به مقایسه دو مدل IoE (Index-Of-Entropy) و WoE (Model with the Weight-Of-evidence) در حوضه بستام استان سمنان پرداختند، که نتایج این تحقیق نشان داد ترکیب این دو مدل دقت بالاتری جهت شناسایی مناطق حساس به فرسایش خندقی دارد.
ضرورت انجام این پژوهش پهنه بندی مناطق حساس به فرسایش خندقی می باشد، زیرا الویت بندی مناطق حساس به فرسایش خندقی برای برنامه ریزان حفاظت خاک و آبخیزداری دارای اهمیت ویژه ای می باشد. در بسیاری از مطالعات انجام شده قبلی در ایران کمتر به استفاده از مدل های آماری احتمالی و داده های فیزیوکرافی حوضه پرداخته شده است (25، 29 و 30) و در این مطالعه بیشتر هدف استفاده از داده های مدل رقومی رایگان و در دسترس و کاربرد مدل آماری مکسنت جهت تهیه نقشه فرسایش خندقی می باشد.
با توجه به مطالعات محدودی که در پهنه بندی مناطق فرسایش خندقی در ایران انجام شده در این تحقیق برای اولین بار با استفاده از تلفیق مدل آماری حداکثر آنتروپی (مدل مکسنت) و سیستم اطلاعات جغرافیایی به شناسایی اراضی مساعد فرسایش خندقی در جنوب استان اصفهان پرداخته شده است. همه مسائلی که با تشخیص مدل احتمال سر و کار دارند، با روش ماکزیمم آنتروپی قابل حل می باشند. به همین دلیل در این پژوهش، اقدام به اجرای مدل حداکثر آنتروپی گردید. در واقع هدف اصلی این مقاله شناسایی مناطق دارای پتانسیل فرسایش آبی از نوع فرسایش خندقی با استفاده از داده های نقشه های رقومی ارتفاعی اس ار تی ام واستر با مدل حداکثر آنتروپی به دلیل هزینه کمتر و در دسترس بودن این داده ها برای بسیاری از مناطق از جمله حوضه مورد مطالعه است که از مناطق شدید فرسایشی محسوب می شود. آنتروپی اندازه ای از عدم قطعیت در مجموعه اطلاعات است. در واقع استفاده از این مدل و استفاده از داده های نقشه های رقومی ارتفاعی رایگان و موجود جهت پهنه بندی مناطق حساس فرسایش خندقی از اهداف عمده این تحقیق محسوب می گردد.
به طور کلی، در راستای اهداف این پژوهش اقدام به شناسایی و رقومی کردن مناطق خندقی با استفاده از تصاویر ماهوره ای و عکس های هوایی و همچنین تهیه نقشه هاي رقومی ارتفاعی با دقت 30 متر از داده های جهانی مدل ارتفاعی استر (ASTER GDEM) و اس ار تی ام گردید. تهیه شاخص های مختلف توپوگرافی از نقشه های رقومی ارتفاع و انتخاب بهترین شاخص و بهترین مدل جهت پهنه بندی فرسایش خندقی در منطقه مطالعاتی از دیگر اهداف این تحقیق می باشد.
مواد و روش ها
منطقه مورد مطالعه
حوضه آبخیز سمیرم در محدوده ی سیاسی شهرستان سمیرم در جنوب استان اصغهان واقع شده است. منطقه مورد پژوهش در 774/51 درجه طول شرقي و 148/31 درجه عرض شمالي واقع شده است و مساحتي معادل 108585 هکتار در جنوب شهرستان سمیرم واقع شده است (شکل 1). ارتفاع آن از سطح دريا بين1791 تا 3176 متر و متوسط ارتفاع حوضه مورد مطالعه 2185 متر میباشد و در مجموعه ی ناهمواري هاي سيستم چين خورده زاگرس محسوب ميشود. توپوگرافی این اراضی به شکل اراضی مسطح و کوهستانی می باشد. حالت ناهمواری این منطقه متاثر از چینه شناسی این سازند است که تناوبی از مارن و ماسه سنگ است. کوههای اطراف منطقه مورد مطالعه به عنوان نقاط برفگیر اصلی بوده که بعنوان سرمایه اصلی آب در تغذیه آبرفتهای منطقه عمدتاً در فصول زراعی و فصول خشک بسیار موثرند.
تپه ها با شیب ۲۵-۱۲ در صد همانند کوهها در حاشیه حوضه مورد مطالعه قرار گرفته و عمدتاً در حد فاصل بین دشت و کوه قرار دارند. جنس آنها در حاشیه شمالی و شرقی آهک شیلی با تناوبی از مارن و آهک می باشد. وضعیت پتانسیل آبی تپه ها نسبت به ارتفاعات محدودتراست. دشت ها نیز بیشتر در قسمت بخش مرکزی حوضه آبخیز سمیرم را دشتها تشکیل داده اند که شیب آنها بین صفر تا ۱۲ در صد متغیراست. دشتها از نظر ژئومورفولوژی به واحدهای مختلف فلات ، دشت دامنه ای، آبرفتی، دشت واریزه ای، دشت مخروط افکنه، دشت نواحی پست و دشت سیلابی تقسیم شده که هر یک ویژگیهای خاصی دارند که به نحوی بعنوان پتانسیل و محدودکننده آب زیرزمینی و آب سطحی محسوب می شوند. بخش مرکزی حوضه آبریز سمیرم را اراضی پست تشکیل داده که دارای بافت خاک ریزتری بوده و همچنین بیشترین گسترش و پراکنش خندق های فرسایشی در این قسمت از منطقه مورد مطالعه دیده می شود. گسل های اصلی منطقه تاثیر راندگی زاگرس میبا شد. مهمترین گسل موجود در حوضه سمیرم که در محدوده ی جنوب آن قرار دارد گسل سمیرم میباشد. این حوضه دارای فرسایشی آبی شدید از جمله نوع فرسایش های لغزشی، شیاری و خندقی می باشد. ابعاد خندق در منطقه مورد مطالعه تقریبا بین 10 تا 15 متر طول و عمقی بین 1 تا 3 متر نیز مشاهده شد (شکل 2).
شکل1. موقعیت حوضه آبخیز مورد مطالعه در جنوب استان اصفهان
Fig 1. The study area in the south of Isfahan province
روش تحقیق
فلوچارت مربوط به روش تحقیق در شکل (2) نشان داده شده و در ادامه مراحل انجام تحقیق آورده شده است.
شکل 2. فلوچارت روش تحقیق در حوضه مورد مطالعه
Fig 2. The flowchart of the methodology
به طور کلی، مراحل انجام تحقیق حاضر عبارت است از:
تهیه مدل های رقومی ارتفاع
یک مدل رقومی ارتفاعی (DEM) که با استفاده از تصاویر ماهوره ای مختلف و یا به شیوه ی فتوگرامتری از عکس های هوایی تهیه می گردد، نمایش رقومی قسمتی از سطح زمین بصورت لایه رستری می باشد که می تواند در مدیریت و ارزیابی مدل های کمی در زمینه های مختلف از جمله فرسایش خاک مورد استفاده قرار گیرد (4، 11 و 28). در این پژوهش ابتدا اقدام به تهیه داده های ورودی به مدل گردید. داده های ورودی شامل نقاط نمونه برداری از مناطق فرسایش خندقی (متغییر وابسته مدل) و تهیه نقشه های شاخص توپوگرافی (متغیر های مستقل مدل) با استفاده از نقشه های رقومی ارتفاعی می باشند. شاخص های توپوگرافی مورد استفاده در این پژوهش (جدول1) با استفاده از مدل ارتفاعی اس ار تی ام ا قدرت تفکیک مکانی 30 متر و همچنین مدل ارتفاعی استر با قدرت تفکیک 30 متر از سایت USGS (United States Geological Survey) (بصورت رایگان) تهیه شده است.
پس از تهیه نقشه رقومی ارتفاعی استر و اس ار تی ام، جهت رفع خطاهای حفره از مدل پلانچون و داربکس (21، 29 و 32) استفاده گردید. در واقع یکی از اهداف اصلی این تحقیق اجرای مدل با تمامی شاخص های یکسان از هر دو مدل ارتفاعی مذکور است بوده که در نهایت با استفاده از شاخص ارزیابی صحت، نقشه ارتفاعی رقومی که دقت بالاتری در مدلسازی دارد، جهت تهیه نقشه پتانسیل فرسایش خندقی انتخاب شود.
جدول1. شاخص های توپوگرافی استخراج شده از مدل رقومی ارتفاعی در درحوضه آبخیز مورد مطالعه
Table 1. The applied topography indices in our study area
روش مورد استفاده | شاخص های توپوگرافی |
(20) الیا و کنارد | شاخص رطوبت توپوگرافی |
(20) الیا و کنارد | شاخص قدرت فرسایندگی جریان |
(32)زور برگن و تورن | شاخص شیب |
(20) الیا و کنارد | LSشاخص |
(20) الیا و کنارد | شاخص انحنا پروفایل |
(32)بوربرگن و تورن | شاخص طول جریان |
(20) الیا و کنارد | شاخص حوضه یا تمرکز جریان |
(32)زوربرگن و تورن | شاخص انحنا |
(10) کوته و لحمیر | شاخص همگرایی |
(32) زوربرگن و تورن | شاخص جهت |
ArcGIS10.5 تهیه شده در نرم افزار | شاخص ارتفاع |
تهیه نقشه پراکنش مناطق خندقی
در این پژوهش نیاز به نقاط معرفی شده خندقی به عنوان شاخص متغیر به مدل است. بدین منظور از تصاویر ماهوره ای لندست 2018، عکس های هوایی و نمونه برداری های میدانی از موقعیت مکانی 32 خندق استفاده شده است. در این مرحله با استفاده از تصاویر ماهواره ای نرم فزار گوگل ارث (Google Earth) اقدام به رقومی کردن مناطق فرسایش خندقی گردید. شکل(3) نمونه های رقومی شده در منطقه مورد مطالعه را نشان می دهد. خندق ها بیشتر در مناطق مرکزی حوضه ابخیز سمیرم و در شیب های کمتر از 10 درصد واقع شده اند.
شکل3. نقشه نمونه های فرسایش خندقی رقومی شده منطقه مورد مطالعه
Fig 3. The digitized of gullies sample in the study area
اجرای مدل حداکثر آنتروپی یا مکسنت
تعریف شانون از آنتروپی از یک متغیر تصادفی X با p(x) به عنوان احتمال وقوع عبارت است از :
که
، آنتروپی X است برای زمانیکه لگاریتم بر اساس پایه داده شده a، مشخص شده است (22 و 24).
در اجرای این مدل، تمامی شاخصهای توپوگرافی عنوان شده در قمست های قبلی مقاله، به عنوان ورودی به مدل با سیستم مختصات یکسان جغرافیایی و اندازه پیکسل 30 متر به فرمت ascii جهت ورودی به مدل تهیه گردید. شایان ذکر است که این مدل در نرم افزارR اجرا شده است. برای اجرای این مدل، 70 درصد داده ها برای مدلسازی و پهنه بندی و 30 درصد آنها جهت ارزیابی و اعتبار سنجی مدل مورد استفاده قرار گرفت. پس از اجرا کردن مدل، نقشه پهنه بندی بصورت فایل رستری تهیه گردید. نقشه های تولید شده دارای ارزش بین 0 تا 1 می باشند. در این نقشه ها، پیکسل هایی که ارزش نزدیک به صفر دارند دارای احتمال ضعیف فرسایش خندقی بوده در حالی که نقاط دارای ارزش نزدیک به 1 بیانگر فرسایش شدید خندقی در منطقه می باشند. در این تحقیق مدل مکسنت دو بار بصورت جداگانه برای شاخص های توپوگرافی تهیه شده از نقشه های رقومی ارتفاعی استر و اس ار تی ام اجرا شد.
منحنی مشخصه عملکرد سیستم (Receiver operating characteristic)
یکی از مشهورترین روشهای ارزیابی مدل، استفاده از منحنی راک (ROC) است که برای مقایسه ی دو روش دسته بندی به کار می رود. این منحنی دربرگیرنده داده هاي آموزشی و آزمون می باشد که با اجرا کردن مدل مکسنت در اختیار کاربر قرار می گیرد (1). که در این تحقیق سطح مثبت صحیح (True Positive)، به عنوان نمونه ختدقی، به درستی خندق تشخیص داده شود. مثبت غلط(False Positive)، به عنوان نمونه خندقی، به اشتباه فاقد خندق تشخیص داده شود.
جهت بیان نرخ مثبت صحیح (TPR) در برابر نرخ مثبت غلط (FNR) به کار میرود. محور عمودی این منحنی حساسیت (sensitivity) و محور افقی آن همان (ویژگی–۱) است.
TPR = TP/P
FPR = FP/N=1-specificity(ویژگی)
در بسیاری از مقالات مقدار عددی زیر منحنی (AUC) را به عنوان یک شاخص جهت بررسی صحت مدل های بکار گرفته استفاده می شود که در واقع این مقدار عددی یک جنبه از کارایی را مورد سنجش قرار میدهد (22،1 و 29). که در این تحقیق نیز با اجرای مدل این نمودار نیز توسط نرم افزار تهیه می گردد. میزان مقدار عددی زیر منحنی برابر با 5/0 بیانگر پیش بینی تصادفی می باشد. مقادیر بین 0 تا 5/0، بیانگر کارایی پائین، 5/0 تا 7/0 بیانگر مدل خوب و بیش تر از 7/0 نشان دهنده عالی ترین کارایی نرم افزار در پیش بینی مدل است (1 و 24). میزان دقت نقشه های تولیدی پتانسیل خندقی با استفاده از دو مدل رقومی ارتفاعی حاصل از استر و اس ار تی ام با یکدیگر مقایسه و بهترین مدل جهت پهنه بندی خطرفرسایش خندقی در منطقه مطالعاتی انتخاب گردید.
نتایج و بحث
ارزیابی مدل مسکنت با استفاده از نقشه های مدل ارتفاعی استر و اس ار تی ام
اعتبار مدل مورد استفاده در این تحقیق با استفاده از سطح زیر نمودار راک مورد ارزیابی قرار گرفت. شکل (4) نمودار مربوط به اعتبار سنجی برای هر دو نوع داده را نشان می دهد.
با توجه به شکل (4)، میزان راک جهت پهنه بندی فرسایش خندقی برای داده های تعلیمی نقشه های رقومی ارتفاع استر و اس ار تی ام به ترتیب 64/0 و 72/0 و برای نمونه های آزمایشی 65/0 و 73/0می باشد. این نتایج بیانگر آن است که مدل ارتفاعی اس ار تی ام دارای دقت بالاتری نسبت به استر می باشد. یکی از دلایل پایین بودن دقت مدل اس ار تی ام که در بسیاری از پژوهش های پیشین به آن نیز اشاره شده به دلیل تاثیر پوشش گیاهی باشد گه باعث ایجاد خطاهای تراس مانند شده است، در حالی که در نقشه رقومی ارتفاعی استر به دلیل ماهیت راداری امواج این خطا کاهش یافته و نقشه دقیق تری از این مدل، تهیه شده است (12، 29، و 31). که در این تحقیق در ادامه نتایج نهایی نقشه پتانسیل فرسایش خندقی با اجرا کردن شاخص های مستخرج از مدل ارتفاعی اس ار تی ام آورده شده است،
شکل 4. نمودار AUC برای نمونه های تعلیمی و آزمایشی دو مدل ارتفاعی ASTER (سمت راست) و SRTM (سمت چپ)،
Fig 4. The AUC graphs for both traing and testing of ASTER GDEM (in right) and SRTM (in left)
آنالیز شاخص های توپوگرافی زمین
در ادامه این پژوهش با استفاده از مدل مکسنت و نقشه های تهیه شده از مدل رقومی ارتفاعی اس ار تی ام اهمیت هر یک از شاخص ها به عنوان متغیرهای مستقل در ایجاد فرسایش خندقی مورد ارزیابی قرار گرفته اند. شکل (5) و جدول (2) مهمترین شاخص های تاثیر گذار تهیه شده از مدل رقومی ارتفاع اس ار تی ام را که به دلیل دقت بالاتر انتخاب شده است را نشان می دهد.
با توجه به جدول (2)، بیشترین سهم مشارکت در مدل مکسنت مربوط به ترتیب مربوط به شاخص قدرت فرسایندگی (3/40%)، شاخص ارتفاع (7/22%) و شاخص همگرایی (18%) میباشد. که این نتایج با سایر مطالعات انجام شده که شاخص قدرت فرسایندگی و شاخص همگرایی را به عنوان مهم ترین عامل مؤثر بر فرسایش خندقی معرفی کرده اند، همخوانی دارد (7، 3، 12 و 29).
شاخص قدرت جریان با توجه شرایط فیزیکی شبکه آبراهه و گسترش تراکم بالایی انشعابات باعث شده است نسب به دیگر شاخص ها در ایجاد فرسایش خندقی اهمیت بیشتری در این منطقه داشته باشد. با توجه به نقشه شاخص قدرت جریان حوضه مورد مطالعه، آبراهه اصلی حوضه دارای بیشترین مقدار قدرت جریان می باشد و آبراهه مناطق شیب دار در دسته دوم قرار دارند و انشعابات و آبراهه فرعی در پایین ترین سطح شاخص قدرت جریان قرار دارند (29 و 30).
شکل 5. شاخص های دارای ببشترین تاثیر در تهیه نقشه پتانسیل فرسایش خندقی با استفاده از مدل ارتفاعی SRTM
Fig 5. The most important indices in gully erosion susceptibility with using the SRTM DEM
جدول2: تاثیر هر یک از شاخصها ی مهم در ایجاد فرسایش خندقی در منطقه مورد مطالعه
Table 2. The effect of the most important indices on gully erosion in the study aea
درصد مشارکت | شاخص ها |
3/40 | شاخص فرسایندگی آبراهه |
7/22 | ارتفاع |
18 | شاخص همگرایی |
8/6 | شاخص طول دامنه |
9/4 | شاخص طول جریان |
7/3 | شاخص شیب |
مناطقی که دارای مقادیر بالای قدرت جریان هستند دارای توان و پتانسیل فرسایندگی بیشتری می باشند، لذا با توجه به ارزش بالای این شاخص، بیشتر خندق ها در مناطقی که امکان و شرایط لازم برای نفوذ آب را داشته اند تشکیل شده اند.
در حوضه مورد مطالعه الگوی تراکم آبراهه از مناطق مرتفع به سمت خروجی کاهش می یابد و در نهایت با کاهش تراکم قدرت جریان افزایش که در نهایت باعث افزایش جریان میشود. در این رابطه، پژوهشی که اخیرا توسط محقیقین ارایه شد به دلیل تاثیر بسیار بالای این شاخص در شناسایی قدرت فرسایندگی رودخانه، از آن به عنوان نقشه پایه مناطق خندقی استفاده گردید که به همراه مدل یو اس اپی دی ام (USPED) در پهنه بندی فرسایش آبی استفاده شد (19،21 و 29).
نتایج این تحقیق نشان نشان داد که میان ارتفاع و مناطق مستعد فرسایش آبکندی (از نظر کمی) رابطه معکوس برقرار می باشد به طوری بیشتر مناطق با پتانسیل فرسایش آبکندی در ارتفاعی کنتر از 1950 متر می باشند. شاید علت این امر را می توان کاهش عمق خاک در بالادست دانست به طوری که با افزایش طول خندق ها در مناطق مرتفع، عمق خندق ها کاهش می یابد و از طرفی در مناطق مرتفع، حوضه بالادست وجود ندارد که تحت تاثیر جریان رواناب آنها قرار گیرد که با نتایج سایر پژوهشگران (17، 29 و 31) همخوانی دارد.
شاخص همگرایی یکی دیگر از شاخص های توپوگرافی می باشد که ساختار منطقه را به صورت پهنه های همگرایی (کانال ها) و پهنه های واگرایی (خط الراس ها) نشان می دهد. با توجه به نقشه شاخص همگرایی، مناطق با مقدار مثبت به صورت محدب و مناطق با مقدار عددی منفی حالت مقعر خواهند داشت. با توجه به نقشه این شاخص بیشتر خندق های به وجود آمده دارای ارزش منفی در مناطق مقعر تشکیل شده اند. وجود مناطق پست به عنوان چاله ها که حالت مقعر دارند باعث نفوذ رواناب شده و شرایط لازم را برای انحلال فراهم می شود که با نتایج دیگر محققین همخوانی دارد (3، 15، 25 و 29).
شاخص طول جریان (LS) با شیب رابطه مستقیم دارد، به طوری که بیشتر تاثیر این شاخص برای مناطق با شیب زیاد می باشد.
جهت شیب نیز بسیار اهمیت دارد و در صورتی که فرسایش خندقی با شیب رابطه معکوس و جهت شیب نیز از اهمیت بالای بر خودار نیست (29 و 30).
به طور کلی در مناطق کم شیب درحوضه آبخیز مورد مطالعه و در شیبهای کمتر از 15 بیش از 90 درصد مناطق خندقی مشاهده می گردد که درصد قرار دارند. در واقع تغییر شیب ناگهانی در مناطق مرتفع زمانی که به واحد دشت سر می رسد عامل اصلی به وجود آمدن خندق های بزرگ در منطقه می باشد. فرم کلی شیب درحوضه آبخیز به گونه ای است که بیشترین شیب مربوط به مناطق بالادست حوضه می باشد و هرچه به سمت خروجی حرکت کنیم شیب کاهش می یابد.
این تغییرات شیب، خود یک عامل برای افزایش سرعت رواناب در بالادست و پایین آمدن زمان تمرکز می باشد و باعث انتقال بیشترین مقدار رواناب به سمت خروجی حوضه می شود. تراکم آبراهه ها با کاهش شیب کاهش می یابد و باعث متمرکز شدن رواناب و تجمع جریان در اراضی پست و کم شیب می شود. لازم به ذکر است که سایر شاخص ها به دلیل اهمیت کمتر و درصد پایینتر از 1 درصد آورده نشده اند.
حدود آستانه شاخص های مهم در پهنه بندی فرسایش خندقی
با توجه به نتایج جدول(2)، چهار شاخص مهم جهت پهنه بندی فرسایش خندقی شامل شاخص فرسایندگی آبراهه، شاخص ارتفاع، شاخص همگرایی و شاخص طول دامنه می باشند. این شاخص ها در مجموع بیش از 85 درصد اهمیت را نشان می دهند که در شکل 6، آستانه ی فرسایش هر یک از شاخص های فوق الذکر آورده شده است. با توجه به این شکل، شاخص قدرت فرسایندگی دارای بیشترین سهم (3/40%) می باشد که با توجه به گراف مربوطه، ارزش های کمتر از 041/0 دارای کمترین تاثیر بوده و ارزشهای بزرگتر از این آستانه تاثیر بیشتری در فرسایش خندقی را نشان می دهند. شاخص ارتفاع نیز با 7/22 درصد دومین شاخص تاثیر گذار بوده که ارتفاع های محدوده ی 1800 متر تا 2200 متر به صورت افزایشی بوده و در ارتفاع های بالاتر گراف روند نزولی را دارد که نمایانگر تاثیر کمتر ارتفاع بر پهنه بندی نقشه پتانسیل فرسایش خندقی می باشد. سومین شاخص مهم تاثیر گذار، شاخص همگرایی با ضریب تاثیر 18 درصد می باشد که ارزش های کمتر از صفر (ارزش های منفی) دارای تاثیر بیشتر و ارزش های بالاتر از صفر (ارزش ای مثبت) تاثیر کمتر را نشان میدهند. ارزش های 0 تا 10 در شاخص طول دامنه دارای بیشترین تاثیر در پهنه بندی پتانسیل مناطق فرسایش خندقی می باشند .
شکل6. نواحی آستانه مهمترین شاخص های مؤثر بر فرسایش خندقی در درحوضه آبخیز مورد مطالعه شامل: شاخص های فرسایندگی آبراهه، ارتفاع، همگرایی و طول دامنه (محور افقی و عمودی نمودارها به ترتیب، دامنه عددی شاخص مذکور و میزان فراوانی آن)
Fig 6. The threshold values of the most important indices on gully erosion event: SPI, Elevation, Convergence and flow lenghth (the x and y axises are the values of the each index and the frequency respectively)
نقشه نهایی پهنه بندی حساسیت به فرسایش خندقی با استفاده از مدل حداکثر آنتروپی
لذا با توجه به شاخصهای مورد استفاده شده و استفاده از مدل آماری مکسنت در نهایت این نقشه رستری که دارای ارزش های عددی بین 0 و 1 می باشد تهیه گردید (شکل 7).
در نقشه مذکور ارزش های پایین و نزدیک به صفر نشان دهنده ی مناطق با پتانسیل و یا خطر فرسایشی کمتر نسبت به فرسایش خندقی است که بیشتر در مناطق شمالی محدوده ی مورد مطالعه قابل مشاهده می باشند، در حالی که مناطق با ارزش عددی 1 و نزدیک به 1 دارای بیشترین خطر نسبت به رخداد فرسایش آبکندی می باشند. به طور کلی و همانگونه که در شکل (7) نشان داده شده است، مناطق مرکزی حوضه مورد مطالعه دارای خطر آسیب پذیری بسیار بالایی نسبت به فرسایش آبکندی می باشند.
شکل 7. نقشه احتمال پهنه بندی فرسایش خندقی در منطقه مورد مطالعه با استفاده از شاخص های استخراج شده از نقشه رقومی اس ار تی ام (دامته 0 و 1 به ترتیب خطر کم و بالاترین خطر)
Fig 7. The probability of gully erosion in the study area with applying the SRTM DEM (0, 1 are lowest and highest probability respectiviley)
به طور کلی، عامل توپوگرافی تاثیر بسزایی بر دیگر عوامل مانند خاک، اقلیم و پوشش گیاهی دارد. به طوریکه با افزایش ارتفاع، میزان باندگی افزایش می یابد و درنتیجه نوع پوشش نیز تغییر می کند. بنابراین ارزیابی این عامل به عنوان تحلیل سرزمین می تواند در مدلسازی فرسایش خندقی مفید باشد (12، 29 و 30) همانطور كه در نقشه نهایی پهنه بندی فرسایش خندقی مشاهده گردید بیش از 60 درصد منطقه مورد مطالعه در پتانسیل بالاتر از 50 درصد (احتمال 5/0) قرار دارند، لذا فرسایش خندقی بیشتر در مناطق مرکزی و جنوبی با شیب کم قرار گرفته اند. نقش بسیار بالای شاخص های توپوگرافی شدید به ویژه شاخص قدرت جریان آب نیز از دیگر عوامل اثر گذار در شدت بالایی رواناب و قدرت فرسایندگی شدید آن در اراضی مسطح می باشد. در واقع وجود اراضی مارنی، کاهش ارتفاع ، شیب کم، بالابودن رطوبت توپوگرافی در قسمت مرکزی و خروجی درحوضه آبخیز مورد مطالعه موجب شده که از پتانسیل بالایی فرسایش پذیری بالایی برخوردار باشد.
نتیجه گیری
با کسب مهارت و تخصص کارشناسان حفاظت آب و خاک و شناسایی مهمترین معیارها و شاخص ها و همچنین میزان دسترسی به آمار و اطلاعات از منطقه مورد مطالعه می توان نقشه پهندی بندی مناسبی از منطقه مورد مطالعه را تهیه نمود که کلاس های شدت فرسایشی را در آن مشخص نمود و در جهت حفاظت از خاک اقدام به طرح های حفاظتی در مناطقی با شدت خطر بالا اقدام نمود.
نقش فرسایش خندقی به عنوان یکی از عوامل اصلی تخریب سرزمین و بیابان زایی در مناطق وسیعی از ایران لزوم توجه بیشتر به این نوع از فرسایش آبی را چندید برابر می نماید.
در مطالعه حاضر نقشه پهنه بندی پتانسیل فرسایش خندقی در حوضه آبخیز سمیرم نشان می دهد که مساحتی بیش از 50 درصد درحوضه آبخیز مورد مطالعه در کلاس خطر فرسایش خندقی قرار دارد که بیشتر در نواحی جنوبی و جنوب غربی حوضه مورد مطالعه می باشد.
در این تحقیق با انتخاب 30 درصد نقاط آزمایشی به مدل مکسنت، نمودار های راک بصورت اتوماتیک با اجرای این مدل برای دو نوع داده تعلیمی و آزمایشی تهیه می گردد. مقدار ارزش عددی سطح زیر منحنی برای هر دو نوع داده های رقومی ارتفاعی استر و اس ار تی ام بالاتر از 60/0 می باشد که نشان دهنده ی دقت نستا بالای دو مدل ارتفاعی در پهنه بندی مناطق پتانسیل فرسایش خندقی می باشد.
از نتایج مهم دیگر این تحقیق شناسایی عوامل تاثیر گذار بر پهنه بندی پتانسیل فرسایش خندقی می باشد که شامل شاخص فرسایندگی آبراهه، شاخص ارتفاع، شاخص همگرایی و شاخص طول دامنه می باشد.
از مزیت عمده مدل آماری مکسنت نسبت به دیگر مدل های آماری عدم نیاز به ورود داده های عدم رخداد فرسایش خندقی می باشد. با در اختیار داشتن نقاط و یا نواحی دارای فرسایش خندقی و در دسترس بودن نقشه های رقومی ارتفاع می توان به پهنه بندی مناطق دارای خطر فرسایش خندقی اقدام نمود. از دیگر مزیت مدل مکسنت دیگر آن ارزیابی صحت و اعتبار مدل بوده که به صورت تصادفی از نقاط نمونه برداری اقدام به صحت سنجی مدل برای نمونه های فرسایش خندقی می نماید.
قدرت تفکیک مکانی داده های نقشه رقومی ارتفاع جهت پهنه بندی نقشه فرسایش خندقی دارای اهمیت ویژه می باشد و با افزایش قدرت تفکیک مکانی می توان نتایج مناسبتری استخراج نمود، ولی مقیاس و هدف نیز از دیگر عوامل تاثیر گذار می باشد. به عبارت دیگر جهت پهنه بندی در مقیاس های متوسط دقت 30 متر نقشه های رقومی ارتفاعی مناسب می باشد در حالی که در مطالعات در مقیاس مزرعه ای نیاز به تهیه نقشه های رقومی با قدرت تفکیک بالاتری می باشد.
اگرچه نتایج این تحقیق نقش بارز شاخص های توپوگرافی را در تهیه نقشه پتانسیل خندقی نشان داده ولی جهت افرایش دقت نتایج مدلسازی می توان با توجه به قابلیت اطلاعات در دسترس در منطقه مورد از دیگر معیارهای تاثیر گذار در فرسایش خندقی از قبیل کاربری اراضی، پوشش گیاهی و خاک و غیره برای پهنه بندی مناطق به حساسیت فرسایش خندقی استفاده نمود.
منابع مورد استفاده
1. Anderson R, Dudík M, Ferrier S, Guisan A, Hijmans R, Huettmann F. et al. 2006. Novel methods improve prediction of species’ distributions from occurrence data. Ecography. 29(2): 129-151.
doi: https://doi.org/10.1111/j.2006.0906-7590.04596.x
2. Arabameri A, Cerda A, Tiefenbacher J.P. 2019. Spatial Pattern Analysis and Prediction of Gully Erosion Using Novel Hybrid Model of Entropy Weight of Evidence. Water, 11(1129). doi: 10.3390/w11061129.
3. Angileri S. E, Conoscenti C, Hochschild V, Märker M, Rotigliano E, Agnesi V. 2016. Water erosion susceptibility mapping by applying Stochastic Gradient Treeboost to the Imera Meridionale River Basin (Sicily, Italy). Geomorphology, 262: 61-76. doi: https://doi.org/10.1016/j.geomorph.2016.03.018.
4. Burrough P. A, McDonnell R. A. 1998. Principles of geographic information systems, 333 pages (New York: Oxford University Press).
5. Buitrago J, Martínez L. 2016. Digital elevation models (DEM) used to assess soil erosion risks: a case study in Boyaca, Colombia. Agron. colomb., Volumen 34, Número 2, p. 239-24. doi: 10.15446/agron.colomb.v34n2.56145
6. Conoscenti C, Agnesi V, Cama M, Alamaru Caraballo-Arias N & Rotigliano E. 2018. Assessment of Gully Erosion Susceptibility Using Multivariate Adaptive Regression Splines and Accounting for Terrain Connectivity. Land Degrad. Dev.29: 724–736. doi: https://doi.org/10.1002/ldr.2772.
7. Entezari M, Maleki A, Moradi K, Olfati S. 2015.The study of Gully Erosion in Dyereh Catchment Using the Method of Weightal Modulation and Stream Power Index. geores. 30 (3) :297-312 (In Persich).
8. Ghorbani nejad S, Zeinivand H, Haghizadeh A, Tahmasebi N. 2018. Performance evaluation of Dempster-Shafer model for erosion potential mapping in Kakareza watershed. RS & GIS for Natural Resources (Vol. 9/ Issue 3) Lorestan province (In Persich).
9. Le Houerou H. 1996. Climate change, drought and desertification, Journal of arid environment, 34: 133- 185.
doi: https://doi.org/10.1006/jare.1996.0099.
10. Köthe R. & Lehmeier F. 1993. SAGA - Ein Programmsystem zur Automatischen Relief-Analyse. Zeitschrift für Angewandte Geographie, 4/1993, 11-21.
11. Kedari T, Balasubramani K & Gomathi M. 2017. Comparative Analysis of CARTOSAT, ASTER and SRTM Digital Elevation Models of Different Terrains for Extraction of Watershed Parameters. The Konkan Geographer. 17. 143-152.
12. Kheir R, Wilson J, Deng Y. 2007. Use of terrain variables for mapping gully erosion susceptibility in Lebanon. Earth Surface Processes and Landforms, 32: 1770-1782. doi: https://doi.org/10.1002/esp.1501.
13. Maerker M, Quénéhervé G, Bachofer F & Mori S 2015. A simple DEM assessment procedure for gully system analysis in the Lake Manyara area, northern Tanzania, Natural Hazards, 79(1): 235-253.
doi: https://doi.org/10.1007/s11069-015-1855-y
14. Masoudi M, Zakerinejad R. 2011. A new model for assessment of erosion using desertification model of
IMDPA in Mazayjan plain, Fars province, Iran. Ecol Environ Conserv 17 (3): 489–594.
15. Martınez-Casasnovas, J. A. 2003. A spatial information technology approach for the mapping and quantification of gully erosion. Catena, 50(2): 293-308. https://doi.org/10.1016/S0341-8162(02)00134-0.
16. Nazari samani A, Ahmadi H, Jafari M., & Boggs G. 2009. Geomorphic threshold conditions for gully erosion in Southwestern Iran (Boushehr-Samal watershed). Earth Sciences, 35: 180-189.
doi: https://doi.org/10.1016/j.jseaes.2009.02.004.
17. Shit P. K, Paira R, Bhunia G, & Maiti R. 2015. Modeling of potential gully erosion hazard using geo-spatial technology at Garbheta block, West Bengal in India. Modeling Earth Systems and Environment, 1(1-2): 1-16.
doi: https://doi.org/10.1007/s40808-015-0001-x.
18. Soufi M. 2004. Morpho-climatic classification of gullies in Fars province, Southwest of - Society: Sharing Solutions.
19. Poesen J, Nachtergaele J, Verstraeten G, Valentin C. 2003. Gully erosion and environmental change: importance and research needs, Catena, No. 50, pp. 91– 133. doi: https://doi.org/10.1016/S0341-8162(02)00143-1
20. Olaya V, & Conrad O. 2009. Geomorphometry in SAGA. Hengl T., Reuter H.I. (Eds.), Geomorphometry: concepts, software, Applications, pp. 141 -169. Amsterdam, Netherlands, Elsevier.
21. Planchon O, & Darboux F. 2001. A fast, simple and versatile algorithm to fill the depressions of digital elevation models, Catena, 46: 2001.159-176. doi: 10.1016/S0341-8162(01)00164-3.
22. Phillips S.J, Anderson R.P, Schapire R.E. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190: 231-259 doi: https://doi.org/10.1016/j.ecolmodel.2005.03.026.
23. Parkner T. M, Page M, Marden N, & Marutani T. 2007. Gully systems under undisturbed indigenous forest, East Coast Region. Geomorphology (New Zealand), 84: 241-253. doi: https://doi.org/10.1016/j.geomorph.2006.01.042
24. Reddy Y.V, Sebastian A. 2009. Parameters for Estimation of Entropy to Study Price Manipulation in Stock Markets, Research publication university of Dehli.
25. Rahmati O, Haghizadeh A, Pourghasemi H.R, Noormohamadi F. 2016. Gully erosion susceptibility mapping: The role of GIS based bivariate statistical models and their comparison. Nat. Hazards, 82: 1231–1258.
doi: https://doi.org/10.1007/s11069-016-2239-7.
26. Jeiner Y, Buitrago E, Luis Joel, Martínez M. 2016. Digital elevation models (DEM) used to assess soil erosion risks: a case study in Boyaca, Colombia, Agronomía Colombiana 34(2), 239-249.
doi: 10.15446/agron.colomb.v34n2.56145.
27. Valentin C, Poesen J, Yong L. 2005. Gully erosion: impacts, factors and control. Catena 63:132–153.
doi:10.1016/j.catena.2005.06.001.
28. Vadon H. 2003. Navigation over Merged Panchromatic –Multispectral High Resolution SPOT5 Images. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVI, 5/W10.
29. Zakerinejad R, Maerker M. 2014. Prediction of Gully erosion susceptibilities using detailed terrain analysis and maximum entropy modeling: a case study in the Mazayejan Plain, Southwest Iran. Geogr Fis Din Quat, 37(1): 67-76.doi: 10.4461/GFDQ.2014.37.7.
30. Zakerinejad R, Maerker M. 2015. An integrated assessment of soil erosion dynamicswith special emphasis on gully erosion in the Mazayjan basin, southwestern Iran. Nat. Hazards 79 (1): 25–50.
https://doi.org/10.1007/s11069-015-1700-3.
31. Zakerinejad R, Omran A, Maerker M, Hochschild V. 2018. Assessment of gully erosion in relation to lithology in the Southwestern Zagros Mountains, Iran using ASTER data, GIS and stochastic modeling, 41.2.
doi: 10.4461/ GFDQ.2018.41.15.
32. Zevenbergen LW, & Thorne CR .1987. Quantitative analysis of land surface topography. Earth Surf Process Land 12(1): 47–56.
Comparative analysis of DEMs to the modeling of the potential of gully erosion using Maxent model and GIS
(Case study: Semirom catchment, south of Isfahan Province, Iran)
Abstract
Gully erosion as a type of water erosion is one of the most important factor in land degradation and desertification in a large part of Iran. Identifying the prone area to soil erosion especially gully erosion with low cost and time is one of the most important objects of this research. Our case study is located in the south of Isfahan province with the dominate type of gully erosion. In this study the main aim is zoning the prone area in the study area into the gullies erosion with applying Maximum Entropy Model and with using the topography indices including; Topography wetness Index (TWI), curvature, profile curvature, relative slope position, aspect, catchment area, flow length, elevation, slope, Stream Power Index (SPI). The location of environmental layers as the training data (gullies polygons) have been digitized from Google Earth images (GE), aerial photos and filed excursion with using GPS in the study area. In order to validate the results of the model we determine the 30% of samples as testing and 70% as the training for running the model. On other object of our aim in this study was to comparing the accuracy if ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) and SRTM (Shuttle Radar Topography Mission) digital Elevation Model for the modelling of gully erosion. With Using the Area under Curvature (AUC), we showed the validity of both training and testing data for SRTM DEM is 73% that shows the high accuracy than the ASTER data with 68%.
Our results show that SPI index with 40.3 % contribution, elevation with 22.7% and convergence with 18 % are the most important factors for zoning the susceptible areas. Regarding to the predict map of potential of gully erosion, area in the central and south of the study area are in the high probability.
Key Word: Gully erosion, DEM, Maximum Entropy, GIS.
ارزیابی مدلهای رقومی ارتفاع جهت تهیه نقشه پتانسیل فرسایش خندقی با استفاده از مدل مکسنت و سیستم اطلاعات جغرافیایی(GIS)
چکیده مبسوط
طرح مسئله: فرسایش خاک به عنوان یکی از عوامل اصلی بیابان زایی در گستره وسیعی از سطح کره زمین بویژه مناطق خشک و نیمه خشک محسوب می گردد. فرسایش آبی به عنوان نوع غالب فرسایش و تخریب اراضی، بسیاری از مناطق کشور ایران را تهدید می کند. فرسایش خندقی (آبکندی) به عنوان یکی از انواع فرسایش آبی، اگر چه مساحت کمتری را نسبت به دیگر اشکال فرسایش آبی در برمی گیرد، ولی یکی از عوامل اصلی فرساینده ی خاک در بسیاری از حوضه های آبریز محسوب می گردد. لذا لزوم مطالعات جامع و کامل در مناطقی که دارای پتانسیل فرسایش پذیری می باشند، امری اجتناب ناپذیر تلقی می شود.
داده هاي حاصل از سنجش از دور مي تواند با فراهم آوردن داده هاي مكاني در ابعاد وسيع در ارزيابی فرسایش نقش اساسي داشته باشد. زیرا اکثر حوضه های کشور فاقد ایستگاه اندازه گیری بوده و به این ترتیب دست یابی به مدل هایی مبتنی بر شرایط ویژه در حوضههای آبخیز ضروری می باشد. تاکنون مطالعات زیادی درباره فرسایش صورت گرفته است اما بیشتر مطالعات در زمینه فرسایش سطحی یا شیاری و آبراهه ای بود و فرسایش خندقی کمتر مورد توجه قرار گرفته است. بیشتر این مطالعات، فرسایش خندقی را از نظر کیفی مورد بررسی قرار داده و عوامل متفاوتی را موثر بر فرسایش خندقی دانسته اند. پارامترهای زیادی در ایجاد فرسایش خندقی تاثیر دارند از جمله خاک، زمین شناسی منطقه، تکتونیک، هیدرولوژی، کاربری اراضی، پوشش گیاهی و توپوگرافی، که در مطالعات مختلف در سراسر جهان به آن اشاره شده است.
معیار توپوگرافی منطقه از پارامترهای مهم در ایجاد فرسایش آبی از جمله فرسایش آبکندی محسوب می گردد که در هر منطقه با توجه به ویژگی های فیزیکی منطقه منحصر به فرد عمل میکند. این پارامتر در واقع به صورت غیر مستقیم بر دیگر شاخص ها و یا معیارها تاثیر گذار می باشد. در رابطه با بررسی فرسایش خندقی توسط مدل رقومی ارتفاع مطالعات محدودی صورت گرفته است که در بیشتر آن ها به اندازه گیری میزان گسترش فرسایش خندقی پرداخته شده است.
هدف: شناسایی مناطق حساس و مستعد فرسایشی با استفاده از مدل های آماری و همچنین حداکثر استفاده از داده ها و اطلاعات موجود با صرف هزینه و زمان کمتر از ضروریات این پژوهش محسوب می گردد. هدف اصلی این پژوهش، تهیه ارزیابی دقت نقشه خطر فرسایشی با استفاده از شاخص های توپوگرافی تهیه شده از دو مدل رقومی ارتفاعی، اس ار تی ام و استر و با استفاده از مدل مکسنت (حداکثر آنتروپی) می باشد.
روش تحقیق: به طور کلی، مراحل انجام تحقیق حاضر عبارت است از:
در این پژوهش ابتدا اقدام به تهیه داده های ورودی به مدل گردید. داده های ورودی شامل نقاط نمونه برداری از مناطق فرسایش خندقی (متغییر وابسته مدل) و تهیه نقشه های شاخص توپوگرافی (متغیر های مستقل مدل) با استفاده از نقشه های رقومی ارتفاعی می باشند. شاخص های توپوگرافی مورد استفاده در این پژوهش (جدول1) با استفاده از مدل ارتفاعی اس ار تی ام با قدرت تفکیک مکانی 30 متر و همچنین مدل ارتفاعی استر با قدرت تفکیک 30 متر از سایت USGS (United States Geological Survey) (بصورت رایگان) تهیه شده است.
پس از تهیه نقشه رقومی ارتفاعی استر و اس ار تی ام ، جهت رفع خطاهای حفره از مدل پلانچون و داربکس(Planchon & Darboux) استفاده گردید. در واقع یکی از اهداف اصلی این تحقیق اجرای مدل با تمامی شاخص های یکسان از هر دو مدل ارتفاعی مذکور است بوده که در نهایت با استفاده از شاخص ارزیابی صحت، نقشه ارتفاعی رقومی که دقت بالاتری در مدلسازی دارد، جهت تهیه نقشه پتانسیل فرسایش خندقی انتخاب شود.
نتایج و بحث: اعتبار مدل مورد استفاده در این تحقیق با استفاده از سطح زیر نمودار راک یا همان AUC مورد ارزیابی قرار گرفت. در این تحقیق با انتخاب 30 درصد نقاط آزمایشی به مدل مکسنت، نمودار های راک بصورت اتوماتیک با اجرای این مدل برای دو نوع داده تعلیمی و آزمایشی تهیه می گردد. مقدار ارزش عددی AUC برای هر دو نوع داده های رقومی ارتفاعی استر و اس ار تی ام بالاتر از 60/0 می باشد که نشان دهنده ی دقت نستا بالای دو مدل ارتفاعی در پهنه بندی مناطق پتانسیل فرسایش خندقی می باشد.
میزان AUC جهت پهنه بندی فرسایش خندقی برای داده های تعلیمی نقشه های رقومی ارتفاع استر و اس ار تی ام به ترتیب 64/0 و 72/0 و برای نمونه های آزمایشی 68/0 و 73/0می باشد. این نتایج بیانگر آن است که مدل ارتفاعی اس ار تی ام دارای دقت بالاتری نسبت به استر می باشد که در این تحقیق در ادامه نتایج نهایی نقشه پتانسیل فرسایش خندقی با اجرا کردن شاخص های مستخرج از مدل ارتفاعی اس ار تی ام آورده شده است به نظر می رسد یکی از دلایل پایین بودن دقت مدل استر به دلیل تاثیر پوشش گیاهی باشد گه باعث ایجاد خطاهای تراس مانند شده است در حالی که در نقشه رقومی ارتفاعی اس ار تی ام به دلیل ماهیت راداری امواج این خطا کاهش یافته و نقشه دقیق تری از این مدل، تهیه شده است. نتایج این پژوهش نشان داد که شاخص های قدرت فرسایندگی جریان آب با30/40 درصد، ارتفاع با 7/22 درصد و شاخص همگرایی با 18 درصد دارای بیشترین تأثیر بر میزان فرسایش خندقی منطقه مطالعاتی می باشند.
نتیجه گیری: در مطالعه حاضر نقشه پهنه بندی پتانسیل فرسایش خندقی در حوضه آبخیز سمیرم نشان می دهد که مساحتی بیش از 50 درصد درحوضه آبخیز مورد مطالعه در کلاس خطر فرسایش خندقی قرار دارد که بیشتر در نواحی جنوبی و جنوب غربی حوضه مورد مطالعه می باشد.
از نتایج مهم دیگر این تحقیق شناسایی عوامل تاثیر گذار بر پهنه بندی پتانسیل فرسایش خندقی می باشد که شامل شاخص فرسایندگی آبراهه، شاخص ارتفاع، شاخص همگرایی و شاخص طول دامنه می باشد.
قدرت تفکیک مکانی داده های نقشه رقومی ارتفاع جهت پهنه بندی نقشه فرسایش خندقی دارای اهمیت ویژه می باشد و با افزایش قدرت تفکیک مکانی می توان نتایج مناسبتری استخراج نمود، ولی مقیاس و هدف نیز از دیگر عوامل تاثیر گذار می باشد. به عبارت دیگر جهت پهنه بندی در مقیاس های متوسط دقت 30 متر نقشه های رقومی ارتفاعی مناسب می باشد در حالی که در مطالعات در مقیاس مزرعه ای نیاز به تهیه نقشه های رقومی با قدرت تفکیک بالاتری می باشد.
اگرچه نتایج این تحقیق نقش بارز شاخص های توپوگرافی را در تهیه نقشه پتانسیل خندقی نشان داده ولی جهت افرایش دقت نتایج مدلسازی می توان با توجه به قابلیت اطلاعات در دسترس در منطقه مورد از دیگر معیارهای تاثیر گذار در فرسایش خندقی از قبیل کاربری اراضی، پوشش گیاهی و خاک و غیره برای پهنه بندی مناطق به حساسیت فرسایش خندقی استفاده نمود.
واژگان کلیدی: فرسایش خندقی، مدل رقومی ارتفاع، مدل مکسنت
Comparative analysis of DEMs to the modeling of the potential of gully erosion using Maxent model
(Case study: Semirom catchment in Isfahan Province, Iran)
Statement of the Problem:
Gully erosion is a type of water erosion that occur in many climate areas, from arid to humid areas in the world. This type of soil loss is defined as an erosion process in which deep channels are created by accumulated runoff water removing topsoil to extensive depth. In in many parts of Iran, in the north, this type of soil loss has effected south and central. Gully erosion occurs in this area due to the complex topography, erodible soils and mismanagement of soil and land use/land cover. Therefore, to protect the soil erosion in this catchment, it is necessary to have a susceptible map that show the prone areas. Even there are any researches on the gully erosion, but there are few studies on the modelling with stochastic model. The first attempt to modelling of gully erosion in southwest of Iran with applying the maximum Entropy model and topographic indices have been applied (29).
Purpose:
This study uses a new approach to preparing the susceptibility map of gully erosion in the South of Isfahan Province in the Semirom catchment (Central of Iran) because this area is impacted by gully erosion. The other main purpose of this research is to comparing the accuracy of two digital elevation model, ASTER and SRTM, (DEM) for modelling of gully erosion in the study area. The emphasis of this research was on the topography indices, because it has most important on the event of gully erosion. The topography also can effect on the other criteria same s, soil, climate and vegetation cover.
Methodology:
Study area
The study area is located in the Semirom catchment in the Southern part of Isfahan province (Central Iran, 51.774E and 31.148 N; Fig.1). The study area is about covering ca. 108585 ha. The area is located in the Zagros Mountains (ZM). The geographical location of study area and the spatial distribution of gullies are mostly in the central of the study area with low slope. The area has great diversity of physiographic and topographic features, with an elevation ranging between 1797 and 3171 m (a.s.l.) and steep slopes.
Overview of methodological approach
In this research for prediction of the susceptible areas of the study area in result of the main type of gully erosion, the following steps have been applied:
i) In the first step the locations of some gullies, have been digitized randomly using Google Earth (GE) images, aerial photos and fieldwork in polygon shapes for gullies. Subsequently, we converted the polygons and polylines into equally spaced points, which are congruent with the raster cell centers.
ii) In the second step we determine the most important criteria as the environment layers for the modeling (with emphasis on the topography indices).
These topography indices including, wetness Index (TWI), curvature, profile curvature, relative slope position, aspect, catchment area, flow length, elevation, slope, Stream Power Index (SPI). The topographic indices have been extracted in SAGA GIS 7.3.0 from the SRTM DEM with 30 m spatial resolution and were then converted to the ASCII format to run in the model. Before applying the indices, the DEM was preprocessed with low pass filtering to extract artefacts and errors, like local noise and with using ARCGIS 10.5. Subsequently, the DEM was hydrologically corrected eliminating sinks using the algorithm proposed by Planchon & Darboux (21).
The Maximum Entropy Approach:
The best probability distribution is that which maximizes entropy model (MEM), subject to constraints. Entropy in fact is uncertainty in the selection of an event such as event of the gully features. The information theoretic notion of entropy quantifies the bias of a probability distribution.
The Maximum Entropy Model is a general-purpose method for making predictions or inferences from incomplete information. Its origins lie in statistical mechanics. MEM explores applications in diverse areas such as astronomy, portfolio optimization, image reconstruction, statistical physics and signal processing. We apply it here as a general approach for presence-only modeling of three different types of gully erosion distributions, suitable for all existing applications involving presence-only datasets. The idea of MaxEnt is to estimate a target probability.
The advantages of this model include the following: (1) It requires only presence data, together with environmental information for the whole study area. (2) It can utilize both continuous and categorical data, and can incorporate interactions between different variables.
Spatial modelling of the gully erosion:
In this investigation, the MEM is applied to predict the spatial distribution of gully susceptibilities and to reveal the most influencing triggering factors (emphasis on the topography indices). MEM was successfully applied in environmental studies dealing with presence only data. In recent studies, the method was used to predict the spatial distribution of soil erodibility, landslides and gullies using important environmental parameters as independent variables. To assess the most important variables for the spatial distribution of gully erosion features (in this study we applied the MaxEnt software version 3.3.3k (http://www.cs.princeton.edu/~schapire/maxent/). The model requires presence only data and a set of environmental variables, which are continuously distributed in spatial extent
Results and discussion:
With applying the MEM model in the Semirom catchment, the MEM model was trained using 70 % of the mapped points of gully features as target or dependent variable, and the raster type environmental layers as independent variable. The resulting model is then validated using the randomly selected 30 % of the mapped gully.
With Using the Area under Curvature (AUC), we showed the validity of both training and testing data for SRTM DEM is 72 and 73% respectivility that shows the high accuracy than the ASTER data with 64 and 68% respectivilty.
Our results show that SPI index with 40.3 % contribution, elevation with 22.7% and convergence with 18 % are the most important factors for zoning the susceptible areas. Regarding to the predict map of potential of gully erosion, area in the central and south of the study area are in the high probability.
Conclusion: This study applied Maxent model to map the susceptibility of gully erosion in the Semirom catchment in the Isfahan Province, central of Iran, using various topographic effective factors. Stochastic approaches like statistical mechanics provide a powerful tool to study the relations between locations of gully erosion features and corresponding environmental characteristics. The result of this study can be used for land use planning and risk management of gully erosion for sustainable development in the prone areas.
Keywords: Gully erosion, DEM, Maximum Entropy, GIS.