| تعداد نشریات | 14 |
| تعداد شمارهها | 680 |
| تعداد مقالات | 7,068 |
| تعداد مشاهده مقاله | 10,684,880 |
| تعداد دریافت فایل اصل مقاله | 9,779,483 |
کاربرد نمایههای کمی شبکه زهکشی در جانمایی سازههای آبخیزداری بر پایه یادگیری ماشینی | ||
| مجله پژوهشهای حفاظت آب و خاک | ||
| دوره 32، شماره 3، مهر 1404، صفحه 63-88 اصل مقاله (4.76 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2026.23772.3813 | ||
| نویسندگان | ||
| مرضیه رمضانی1؛ علی اکبر نظری سامانی* 2؛ امید اسدی نلیوان3؛ علی شهبازی4 | ||
| 1دانشجوی کارشناسیارشد احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2نویسنده مسئول، دانشیار گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه مراغه، مراغه، ایران | ||
| 4دانشآموخته دکتری آبخیزداری، گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| سابقه و هدف: خسارت جانی و مالی ناشی از پدیده سیل و پر شدن سدهای ذخیره آب از رسوب، بهویژه در سالیان اخیر به علت استفاده غیراصولی از منابع طبیعی نگرانکننده است. بهمنظور حل این مشکلات، اقدامات حفاظت خاک و آب در قالب برنامههای مختلف آبخیزداری شامل اقدامات سازهای (بیومکانیکی و مکانیکی)، مدیریتی و بیولوژیکی در سطح کشور در حال انجام میباشد. اجرای طرحهای آبخیزداری، بهعنوان اولویتی زیرساختی، نقش مهمی در کاهش تخریبهای ناشی از جاری شدن روان آبها و سیلابها ایفا میکند. از مهمترین اهداف اجرای سازههای کنترلی آبخیزداری در مسیر رودخانهها و بهویژه در بالادست مناطق مسکونی و حوزههای آبخیز منتهی به حریم شهر و روستاها، کنترل سیل و رسوب به شمار میرود. مهمترین مرحله اجرای طرحهای مکانیکی بهعنوان اقدامات سازهای آبخیزداری، شناسایی درست مکانهای موردنیاز جهت اجرای این طرحها میباشد. مکانیابی صحیح سازههای آبخیزداری، تأثیر فراوانی در کاهش هزینه فعالیتهای آبخیزداری و افزایش اثربخشی دارد. در این پژوهش تعدادی از مدلهای رویکرد مبتنی بر یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN) و مدل حداکثر آنتروپی (ME) با هدف تعیین بهترین مدل رویکرد یادگیری ماشین بهمنظور مکانیابی سازههای آبخیزداری در آبخیز کوئین استفاده میشود. مواد و روشها: آبخیز کوئین در استان البرز و شمال طالقان و بین مختصات جغرافیایی (50 درجه و 46 دقیقه تا 50 درجه و 56 دقیقه طول شرقی و 36 درجه و 10 دقیقه تا 36 درجه و 18 دقیقه عرض شمالی) واقع شده است. در تحقیق حاضر جهت تعیین مناطق مناسب احداث سازههای آبخیزداری از 11 شاخص موثر در جانمایی سازهها شامل عوامل توپوگرافی، هیدرولوژی، زمینشناسی، کاربری اراضی و اقتصادی استفاده شده است. نقاط سازههای موجود، با استفاده از روش تصادفی به دو دسته دادههای مدلسازی (آموزش) و دادههای اعتبارسنجی (آزمون) تقسیم شدند. لایه مدل رقومی ارتفاعی با استفاده از نقاط ارتفاعی و خطوط تراز در ابعاد 10*10 متر تهیه شد. لایه شیب با استفاده از مدل رقومی ارتفاعی و با استفاده از تابع Slope تهیه شده است. لایه فاصله از آبراهه و تراکم آبراهه بر اساس نقشه آبراههها (استخراج از نرمافزار SAGA GIS) و به ترتیب با استفاده از تابع Euclidean distance و Line Density در نرمافزار ArcGIS تهیه شدند. لایه سنگشناسی به عنوان یک عامل مهم در تغییرات مکانی و زمانی زهکشی، میزان نفوذپذیری، هیدرولوژی و تولید رسوب آبخیز در نظر گرفته میشود و از نقشه زمینشناسی استخراج گردید. لایه کاربری اراضی از اداره کل منابع طبیعی و آبخیزداری استان البرز دریافت شده است. نقشه بارندگی با استفاده از اطلاعات 15 ایستگاه بارانسنجی و هواشناسی در طی یک دوره آماری (18 ساله) به صورت گرادیان بارندگی تهیه شده است. عوامل SPI، رتبه آبراههها و تجمع جریان با استفاده از نقشه مدل رقومی ارتفاعی و در نرمافزار SAGA GIS تهیه شده است. لایه تراکم جاده بر اساس نقشه جادهها و با استفاده از تابع Line Density در نرم-افزار ArcGIS تهیه شد. در این پژوهش از دو مدل حداکثر آنتروپی و شبکه عصبی مصنوعی استفاده شد. پیشپردازش عوامل ورودی بهمنظور بررسی عدم وجود همخطی چندگانه با استفاده از عامل تورم واریانس (VIF) و شاخص ضریب تحمل (Tolerance) انجام شد. میزان اهمیت هر یک از عوامل بکار رفته در تبیین مدل با استفاده از مدل حداکثر آنتروپی و با استفاده از نمودار جکنایف (Jackknife) تعیین شد و انجام این فرآیند در نرمافزار MaxEnt انجام میشود. در این پژوهش، کارایی مدلها در مراحل آموزش و اعتبارسنجی با استفاده از منحنی تشخیص عملکرد گیرنده (ROC) و سطح زیر منحنی آن (AUC) ارزیابی شد. یافتهها: نتایج نشان داد که بین عوامل هم خطی وجود ندارد و لذا کلیه عوامل در روند مدلسازی مورد استفاده قرار گرفتند. نتایج نشان داد که به ترتیب عوامل فاصله از آبراهه، رتبه آبراهه، تجمع جریان، ارتفاع و میانگین بارندگی مهمترین عوامل تاثیرگذار بر جانمایی سازههای آبخیزداری هستند و در پیشبینی مناطق دارای پتانسیل احداث سازه تاثیرگذار بودهاند. میزان دقت پیشبینی مدل حداکثر آنتروپی در هر دو بخش آموزش (994/0) و اعتبارسنجی (993/0) عالی بوده است. میزان دقت پیشبینی مدل شبکه عصبی مصنوعی نیز در هر دو بخش آموزش (1) و اعتبارسنجی (1) عالی بوده است. با توجه به واقعیت میدانی موجود در آبخیز کوئین به نظر میرسد که مدل شبکه عصبی مصنوعی دچار بیشبرازش شده است و نقشه نهایی پتانسیل سازههای آبخیزداری با خطا مواجه است و نتایج مدل حداکثر آنتروپی نتایج منطقیتری ارائه داده است. نتایج بازدیدهای میدانی جهت صحتسنجی نتایج مدل نشان داد که در تمامی آبراهه-های مورد بررسی، مدل حداکثر آنتروپی به درستی و با دقت بسیار زیاد آبراهههای بحرانی را به لحاظ آورد سیل و رسوب تشخیص داده است. در مجموع 47 کیلومتر آبراهه بحرانی به لحاظ آورد سیل و رسوبات تشخیص داده شد. لذا در ادامه و در طی بازدیدهای مختلف تعداد 22 سازه آبخیزداری در آبراهههای مورد بازدید جانمایی شد. نتیجهگیری: نتایج بازدیدهای میدانی نشان داد که در تمامی آبراهههای مورد بررسی، مدل حداکثر آنتروپی به درستی و با دقت بسیار زیاد آبراهههای بحرانی را به لحاظ آورد سیل و رسوب تشخیص داده است. این امر بیانگر توانایی بالای روشهای مبتنی بر یادگیری ماشین در تلفیق و تحلیل دادههای مکانی پیچیده و افزایش دقت در مکانیابی اقدامات آبخیزداری است. نتایج این پژوهش تأکید دارد که استفاده از روشهای مبتنی بر یادگیری ماشین میتواند بهبود قابل توجهی در دقت مکانیابی سازههای آبخیزداری ایجاد کند. از اینرو، پیشنهاد میشود که در مطالعات آینده، ترکیب مدلهای یادگیری ماشین با روشهای بهینهسازی و تحلیل عدمقطعیت برای افزایش دقت مکانیابی مورد بررسی قرار گیرد. این پژوهش گامی مهم در جهت استفاده از مدلهای دادهمحور برای بهینهسازی اقدامات آبخیزداری بوده و میتواند بهعنوان الگویی برای مطالعات مشابه در سایر حوزههای آبخیز مورد استفاده قرار گیرد. این روش نهتنها باعث افزایش دقت در تصمیمگیری میشود، بلکه هزینههای اجرایی را نیز کاهش داده و بهرهوری پروژههای آبخیزداری را بهبود میبخشد. | ||
| کلیدواژهها | ||
| اقدامات آبخیزداری؛ حداکثر آنتروپی؛ جانمایی؛ یادگیری ماشینی | ||
| مراجع | ||
|
1.Dehghan, M., Azari, M., & Sepehr, A. (2018). A GIS-based Decision Support System to Identify Potential Sites for Soil and Water Conservation Measures (Case Study: Kakhk Watershed). Journal of Geography and Environmental Hazards, 8(1), 65-82. https://doi.org/10.22067/ geo.v7i2.66301. [In Persian] 2.Souri, M., Jafari, M., Azarnivand, H., Ghodousi, J., & Farahpour, M. (2013). Determining suitable locations for small dams using analytical hierarchy process and geographical information systems (Case study: Kermanshah Province). Watershed Management Research (Pajouhesh & Sazandegi), 97, 83-91. 3.Ettazarini, S. (2021). GIS-based land suitability assessment for check dam site location, using topography and drainage information: a case study from Morocco. Environmental Earth Sciences, 80(17), 1-17. https://doi.org/10.1007/ s12665-021-09881-3. 4.Zada, N., Javed, M., Ahmad, S., & Waleed, M. (2023). Dam site selection using remote sensing techniques and geographical information system (GIS): A case study of Kurram Tangi North Waziristan. Research Square. doi.org/10. 21203/rs.3.rs-2447939/v1. 5.Zare Bidaki, R., Moradi, B., & Bahrami, H. (2021). Locating susceptible areas for short earth fill dams (Case study: Beheshtabad Watershed). Management of Natural Ecosystems, 1(1), 37-48. https:// doi.org/10.22034/emj.2021.248949. 6.Badhe, Y., Medhe, R., & Shelar, T. (2019). Site suitability analysis for water conservation using AHP and GIS techniques: a case study of Upper Sina River catchment, Ahmednagar (India). Hydrospatial Analysis, 3(2), 49-59. https:// doi.org/10.21523/GCJ3.19030201. 7.Pourghasemi, H. R., Yousefi, S., Sadhasivam, N., & Eskandari, S. (2020). Assessing, mapping, and optimizing the locations of sediment control check dam’s construction. Science of the Total Environment, 739, 139954. https://doi. org/10.1016/j.gsf.2020.03.005. 8.Chen, Y., Bai, L., Jiao, J., Wang, N., Li, J., Xu, Q., Yan, X., & Tang, B. (2023). Recognition of suitable small watersheds for check dam construction on the Loess Plateau. Land degradation and development, 34(14), 4441-4455. https://doi.org/10.1002/ldr.4788. 9.Al-Ruzouq, R., Shanableh, A., Yilmaz, A. G., Idris, A., Mukherjee, S., Khalil, M. A., & Gibril, M. B. A. (2019). Dam site suitability mapping and analysis using an integrated GIS and machine learning approach. Water, 11(9), 1880. https://doi.org/10.3390/w11091880. 10.Wang, H., Pang, G., Yang Q., Long, Y., Wang, L., Chunmei Wang, C., Hu, S., Wang, Z., & Yang, A. (2024). Effects of slope shape on soil erosion and deposition patterns based on SfM-UAV photogrammetry. Geoderma, 451. doi.org/ 10.1016/j.geoderma.2024.117076. 11.Chen, T., Shu, J., Han, L., Tian, G., Yang, G., & Jinxing Lv, J. (2022). Modeling the effects of topography and slope gradient of an artificially formed slope on runoff, sediment yield, water and soil loss of sandy soil. Catena, https:// doi.org/10.1016/j.catena.2022. 106060. 12.Deng, L., Sun, T., Fei, K., Zhang, L., Fan, X., Wu, Y., & Ni, L. (2020). Effects of erosion degree, rainfall intensity and slope gradient on runoff and sediment yield for the bare soils from the weathered granite slopes of SE China. Geomorphology, doi:10.1016/j. geomorph.2019.106997. 13.Dragičević, N., Barbara Karleuša, B., & Ožanić, N. (2019). Different Approaches to Estimation of Drainage Density and Their Effect on the Erosion Potential Method. Water, 11(3), 593. https://doi. org/10.3390/w11030593. 14.Shi, Z. H., Ai, L., Li, X., Huang, X. D., Wu, G. L., & Liao, W. (2013). Partial least-squares regression for linking land-cover patterns to soil erosion and sediment yield in watersheds. Journal of Hydrology, 498, 165-17. doi.org/10. 1016/j.jhydrol.2013.06.031. 15.Strahler, A. N. (1964). Chow’s Handbook of Applied Hydrology; McGraw-Hill: New York, NY, USA, 439-476. 16.Ghosal, K., & Bhattachary, S. D. (2024). Impact of soil erosion and resultant sediment yield on different stream orders. Modern Cartography Series. Chapter 20(12), 513-536. https://doi.org/ 10.1016/B978-0-443-23890-1.00020-7. 17.Miller. J. R., Ritter, D. F., & Kochel, R. C. (1990). Morphometric assessment of lithologic controls on drainage basin evolution in the Crawford Upland, south-central Indiana. American Journal Science, 290, 569-599. https://doi.org/ 10.2475/ajs.290.5.569. 18.Li, Z., Xu, X., Zhu, J., Xu, C., & Wang, K. (2019). Effects of lithology and geomorphology on sediment yield in karst mountainous catchments. Geomorphology, 343, 119-128. https://doi. org/10.1016/j.geomorph.2019.07.001. 19.Zhao, G., Kondolf, G. M., Mu, X., Han, M. W., He, Z., Rubin, Z., & Sun, W. Y. (2017). Sediment yield reduction associated with land use changes and check dams in a catchment of the Loess Plateau, China. Catena, 148, 126-137. https://doi.org/10.1016/j.catena.2016. 05.010. 20.Nachappa, T. G., Tavakkoli, S., Gholamnia, Kh., Ghorbanzadeh, O., Rahmati, O., & Blaschke, T. (2020). Flood susceptibility mapping with machine learning, multi-criteria decision analysis and ensemble using Dempster Shafer Theory. Journal of Hydrology, 590, 125275. https://doi.org/10.1016/ j.jhydrol.2020.125275. 21.Ghunow, K., MacVicar, B. J., & Ashmore, P. (2021). Stream power index for networks (SPIN) toolbox for decision support in urbanizing watersheds. Environmental Modelling & Software, 144, 105185. https://doi.org/ 10.1016/j.envsoft.2021.105185. 22.Rahmati, O., Kalantari, Z., Samadi, M., Uuemaai, E., Moghaddam, D., Asadi Nalivan, O., Destouni, G., & Tien Bui, D. (2019). GIS-Based Site Selection for Check Dams in Watersheds: Considering Geomorphometric and Topo-Hydrological Factors. Sustainability, 11, 5639; doi: 10.3390/su11205639. 23.Wang, L., Li, Y., Wu, J., An, Z., Suo, L., Ding, J., Li, S., Wei, D., & Jin, L. (2023). Effects of the Rainfall Intensity and Slope Gradient on Soil Erosion and Nitrogen Loss on the Sloping Fields of Miyun Reservoir. Plants, 12(3), 423. doi.org/10.3390/plants12030423. 24.Tokarčík, O., & Hofierka, J. (2024). Designing flash flood control measures for urban areas using the Monte Carlo water flow simulation. Geomatics, Natural Hazards and Risk, 15(1). doi.org/10. 1080/19475705.2024.2361806. 25.Mohammed, A., Pradhan, B., & Mahmood, Q. (2019). Dam site suitability assessment at the Greater Zab River in northern Iraq using remote sensing data and GIS. Journal of Hydrology, 574, 964-979, doi:10.1016/ j.jhydrol.2019.05.001. 26.Yi, Z., Dai, Q., Yan, Y., Yao, Y., Lu, Y., Zhang, Y., Zhu, L., Xu, X., Wang, Y., Zhang, Y., Du, Y., & Xu, Y. (2022). Effects of concentrated flow changes on runoff conversion and sediment yield in gently sloping farmland in a karst area of SW China. CATENA, 215. https:// doi.org/10.1016/j.catena.2022.106331. 27.Tien Bui, D., Hoang, N. D., Martínez-Álvarez, F., Ngo, P. T. T., Hoa, P. V., Pham, T. D., Samui, P., & Costache, R. (2020). A novel deep learning neural network approach for predicting flash flood susceptibility: A case study at a high frequency tropical storm area. Science of the Total Environment. 701, https://doi.org/10.1016/j.scitotenv.2019.134413. 28.Yousefi, S., Moradi, H., Boll, J., & Schönbrodt-Stitt, S. (2016). Effects of road construction on soil degradation and nutrient transport in Caspian Hyrcanian mixed forests. Geoderma, 284, 103-112. https://doi.org/10.1016/ j.geoderma.2016.09.002. 29.Hagos, Y., Andualem, T., Mengie, M., Ayele, W., & Malede, D. (2022). Suitable dam site identifcation using GIS‑based MCDA: a case study of Chemoga watershed, Ethiopia. Applied Water Science, https://doi.org/10.1007/ s13201-022-01592-9. 30.Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological modelling, 190(3-4), 231-259. https://doi.org/10. 1016/j.ecolmodel.2005.03.026. 31.Chen, W., Shirzadi, A., Shahabi, H., Ahmad, B. B., Zhang, S., Hong, H., & Zhang, N. (2017). A novel hybrid artificial intelligence approach based on the rotation forest ensemble and naïve Bayes tree classifiers for a landslide susceptibility assessment in Langao County, China. Geomatics, Natural Hazards and Risk, 8(2), 1955-1977. https://doi.org/10.1080/19475705.2017.1401560. 32.Khosravi, K., Shahabi, H., Pham, B. T., Adamowski, J., Shirzadi, A., Pradhan, B., & Prakash, I. (2019). A comparative assessment of flood susceptibility modeling using multi-criteria decision-making analysis and machine learning methods. Journal of Hydrology, 573, 311-323. https://doi.org/10.1016/ j.jhydrol.2019.03.073. 33.Pham, B. T., & Prakash, I. (2018). Machine learning methods of kernel logistic regression and classification and regression trees for landslide susceptibility assessment at part of Himalayan area, India. Indian Journal of Science and Technology, 11(12), 1-10. DOI: 10.17485/ijst/2018/v11i12/99745. 34.Yuan, S., Li, Z., Chen, L., Li P., Zhang, Z., Zhang, J., Wang, A., & kunxia Yu, K. (2022). Effects of a check dam system on the runoff generation and concentration processes of a catchment on the Loess Plateau. International Soil and Water Conservation Research, 10(1), 86-98. https://doi.org/10.1016/ j.iswcr.2021.06.007. 35.Iftikhar, S., Hassan, Z., & Shabbir, R. (2016). Site Suitability Analysis for Small Multipurpose Dams Using Geospatial Technologies. Journal of Remote Sensing & GIS, 5(2). DOI: 10. 4172/2469-4134.1000162. 36.Shao, Z., Jahangir, Z., Yasir, Q., Rahman, A., & Mahmood, S. 2020. Identification of Potential Sites for a Multi-Purpose Dam Using a Dam Suitability Stream Model. Water, 12, 3249; doi: 10.3390/w12113249. 37.Rahmati, O., Ghasemiyeh, H., Samadi, M., Kalantari, Z., Tiefenbacher, J., Asadi Nalivan, O., Cerda, A., Ghiasi, S., Darabi, H., Haghighi, A., & Tien Bui, D. (2020). TET: An automated tool for evaluating suitable check-dam sites based on sediment trapping efficiency. Journal of Cleaner Production, 266, 122051. https://doi.org/10.1016/ j.jclepro.2020.122051. 38.Zhang, Z., Chai, J., Li, Z., Xu, Z. G., & Yuan, S. L. (2021). Reconstruction and effects of a failure of a typical check dam system under an extreme rainstorm on the Loess Plateau, China. Natural Hazards, 111(2), 1401e1419. https://doi. org/10.1007/s11069-021-05101-0. 39.Bihon, Y., Meshesha, M., Melese, D., Beyene, T., Kifle, T., & Mihretu, E. (2022). Suitable Dam Site Selection with GIS-Based Sensitivity Analysis of Factors Weight Determination (In Birr River, Upper Blue Nile, Ethiopia). International Journal of Innovative Science and Research Technology, 40.Jing, Y., Zhao, Q., Lu, M., Wang, A., Yu, J., Liu, Y., & Ding, S. (2022). Effects of road and river networks on sediment connectivity in mountainous watersheds. Science of the Total Environment. 826. https://doi.org/10. 1016/j.scitotenv.2022.154189. | ||
|
آمار تعداد مشاهده مقاله: 132 تعداد دریافت فایل اصل مقاله: 98 |
||