مدیریت بیابان

مدیریت بیابان

شبیه‌سازی مکانی تخریب سرزمین با بهره‌گیری از مدل نسبت فراوانی در دشت قزوین

نوع مقاله : مقاله پژوهشی

نویسندگان
اعظم ابوالحسنی 1
غلامرضا زهتابیان 2
حسن خسروی 3
امید رحمتی 4
اسماعیل حیدری علمدارلو 5
پائولو دی‌اودوریکو 6
1 دانشجوی دکتری مدیریت و کنترل بیابان، گروه احیاء مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران، ایران.
2 استاد گروه احیاء مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران، ایران.
3 دانشیار گروه احیاء مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران، ایران.
4 استادیار مرکز تحقیقات کشاورزی و منابع طبیعی کردستان، کردستان، ایران.
5 پژوهشگر پسادکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران، ایران.
6 استاد منابع آب و اکوهیدرولوژی، دانشگاه برکلی، کالیفرنیا، ایالات متحده امریکا.
10.22034/jdmal.2022.550268.1379
چکیده
با وجود اینکه تخریب سرزمین به‌عنوان چالش محیط زیستی در سطح جهان مطرح است، بررسی­‌های اندکی در به‌­کارگیری روش‌های جدید عددی (داده‌کاوی و آماری) برای تعیین مناطق حساس به تخریب انجام شده­‌است. هدف از بررسی حاضر، شبیه‌سازی مکانی تخریب سرزمین در دشت قزوین بهره‌گیری از مدل نسبت فراوانی و تعیین نواحی مستعد تخریب در این دشت است. بدین منظور با بهره­‌گیری ­از روند تغییرات تولید خالص اولیه طی سال‌های 1399-1380، نقاط وقوع تخریب سرزمین در دشت قزوین تعیین شد و به‌ترتیب 70% و 30% نقاط برای تهیه نقشه قابلیت تخریب سرزمین و اعتبار سنجی مدل مورد استفاده قرارگرفت. متغیر های تأثیرگذار (مستقیم و غیرمستقیم) بر تخریب سرزمین شامل دما، بارش، شیب، جهت، ارتفاع، هدایت الکتریکی و نسبت جذب سدیم آب زیرزمینی، افت سالانه آب زیرزمینی، تراز آب زیرزمینی، کاربری اراضی، شاخص تفاوت نرمال‌شده پوشش گیاهی، شاخص تفاوت نرمال‌شده شوری، شاخص شوری خاک-پوشش گیاهی، شاخص تفاوت نرمال‌شده رطوبت و شاخص خشکسالی مرئی و مادون قرمز کوتاه ، به‌عنوان عامل پیش‌بینی‌کننده (مستقل) به مدل معرفی شد. در پایان، با بهره گیری از شاخص سطح زیر منحنی (AUC) کارآیی مدل در شبیه‌سازی مکانی تخریب سرزمین ارزیابی شد. نقشۀ قابلیت تخریب سرزمین نشان­ داد که مناطق حساس به تخریب در قسمت‌های شمال شرق، شمال، شمال غرب، غرب، جنوب غرب و جنوب دشت قزوین واقع شده و بیشتر کاربری مراتع خوب، متوسط و فقیر را شامل می‌شود. برای کاربری اراضی، بیشترین مقدار نسبت فراوانی نیز به مجموع کاربری‌های مرتع خوب، متوسط و فقیر (5.66) اختصاص داشت. مقدار0.7 = AUC نیز حاکی از کارآیی مناسب مدل نسبت فراوانی در شبیه‌سازی مکانی تخریب سرزمین بود.
کلیدواژه‌ها
تخریب سرزمین
داده‌کاوی
سنجش از دور
منحنی ROC
نسبت فراوانی

موضوعات

  1. Abdel-Kader, F.H. )2019(. Assessment and monitoring of land degradation in the northwest coast region, Egypt using Earth observations data. The Egyptian Journal of Remote Sensing and Space Science, 22(2), 165-173.
  2. AbdelRahman, M.A., Natarajan, A., Hegde, R. and Prakash, S.S. (2019). Assessment of land degradation using comprehensive geostatistical approach and remote sensing data in GIS-model builder. The Egyptian Journal of Remote Sensing and Space Science, 22(3), 323-334.
  3. Akbari, M., Modarres, R., and Noughani, M.A. (2020). Assessing early warning for desertification hazard based on E-SMART indicators in arid regions of northeastern Iran. Arid Environments, 174, 104086.
  4. Amani, S., Joneidi, H., & Karami, P. (2018). Investigation of the effect of livestock grazing intensity on vegetation changes in rangelands of Bijar protected area. 7th National Conference on Rangeland and Rangeland Management of Iran. April, karaj, Iran. (in Farsi)
  5. Al-Quraishi, A.M.F. and Negm, A.M. (2019). Environmental remote sensing and GIS in Iraq. Springer-Water, Springer, Cham.
  6. Arabkhedri, M. (2014). A Review on the factors affecting water erosion of soil in Iran. Land Management, 2(1), 17-26. (in Farsi)
  7. Bagheri, S., Tamrtash, R., Jafari, M., Tatian, M.R., Malekian, A., & Payravand, V. (2021). Investigation of the capability of MODIS satellite data in preparing vegetation canopy percentage map of Qazvin plain’s rangelands. Rangeland, 15(1), 24-36. (in Farsi)
  8. Baruti, J.H.M. (2004). Study of soil moisture in relation to soil erosion in the proposed Tancítaro Geopark, Central Mexico.
  9. Boali, A.H, Jafari, R., & Bashari, H. (2017). Analyzing the effect of groundwater quality on desertification using Bayesian Belief Networks in Segzi desertification hotspots. Water and Soil Science, 21(3), 205-218. (in Farsi)
  10. Brewer, C.A. & Pickle, L. )2002(. Evaluation of methods for classifying epidemiological data on choropleth maps in series. Annals of the Association of American Geographers, 92(4), 662-681.
  11. Crossland, M., Winowiecki, L.A., Pagella, T., Hadgu, K., & Sinclair, F. (2018). Implications of variation in local perception of degradation and restoration processes for implementing land degradation neutrality. Environmental development, 28, 42-54.
  12. Ewunetu, A., Simane, B., Teferi, E., & Zaitchik, B.F. (2021). Mapping and quantifying comprehensive land degradation status using spatial multicriteria evaluation technique in the headwaters area of upper Blue Nile River. Sustainability, 13(4), 2244.
  13. Feyzi Koushki, F., Akbari, M., Memarian, H., Azamirad, M. (2018). Identifying and ranking important factors of desertification in Khorasan Razavi Province using Delphi method. Geography and Environmental Hazards, 8(31), 205–225. (in Farsi)
  14. M., Soleimani, K., & Nekoei Ghachkanloo, E. (2017). Preparing map of landslide susceptibility using Weight of Evidence (WOE), Frequency Ration (FR), and Demster-Schaefer (DSH) Models (Case Study: Sari-Kiasar).Range and Watershed Management, Volume 70(3), 735-750. (in Farsi)
  15. Gichenje, H., Pinto-Correia, T. &Godinho, S. (2019). An analysis of the drivers that affect greening and browning trends in the context of pursuing land degradation-neutrality. Remote Sensing Applications: Society and Environment, 15, 100251.
  16. Goudie, A.S. (1990). Techniques for desert reclamation, Chichester: John Wiley & Sons press.
  17. Haghighi, A.T., Darabi, H., Karimidastenaei, Z., Davudirad, A.A., Rouzbeh, S., Rahmati, O., Sajedi-Hosseini, F., & Klove, B. (2021). Land degradation risk mapping using topographic, human-induced, and geo-environmental variables and machine learning algorithms, for the Pole-Doab watershed, Iran. Environmental Earth Sciences, 80(1), 1-21.
  18. Higginbottom, T.P., & Symeonakis, E. (2014). Assessing land degradation and desertification using vegetation index data: Current frameworks and future directions. Remote Sensing, 6(10), 9552-9575.
  19. Jafarian, Z., Beshtar, V., & Kavian, A. (2017). Simulation Effects of Improvement and Restoration Operations of Rangeland on Soil Loss using RUSLE Model, Physical Geography Research, 49(1), 55-69. (in Farsi)
  20. Khaledian, H., & Nikkami, D. (2017). The role of land use optimization in reducing the potential of erosion and sedimentation using linear programming model (Case study: Chehel-Gazi basin in Sanandaj), Water and Soil Science, 21(1), 95-111. (in Farsi)
  21. Moradi, E., Khosravi, H., Zehtabian, Gh.R., Khalighi-Sigaroodi, Sh., & Cerda, A. (2020). Vulnerability assessment of land degradation using network analysis process and geographicinformation system (Case Study: Maharloo-Bakhtegan watershed). Water and Soil Research of Iran, volume 51(5), 1069-1080. (in Farsi)
  22. Nguyen, K.A., Liou, Y.A., Tran, H.P., Hoang, P.P. and Nguyen, T.H. )2020(. Soil salinity assessment by using near-infrared channel and Vegetation Soil Salinity Index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam. Progress in Earth and Planetary Science, 7(1), 1-16.
  23. Razavi Termeh, S.V., & Shirani, K. (2019). Land slide hazard zoning using frequency ration, entropy methods and TOPSIS decision making methods (Case study: Fahliyan basin, Fars). RS & GIS for Natural Resources, 9(4), 119-138. (in Farsi)
  24. Regmi, A.D., Devkota, K.C., Yoshida, K., Pradhan, B., Pourghasemi, H.R., Kumamoto, T., & Akgun, A. (2014). Application of frequency ratio, statistical index, and weights-of-evidence models and their comparison in landslide susceptibility mapping in Central Nepal Himalaya. Arabian Journal of Geosciences, 7(2), 725-742.
  25. Sadeghiravesh, M.H., Khosravi, H., Abolhasani, A., Ghodsi, M., & Mosavi, A. (2021). Fuzzy logic model to assess desertification intensity based on vulnerability indices. Acta Polytechnica Hungarica, 18(3), 7-24.
  26. Shao, Y., Jiang, Q.O., Wang, C., Wang, M., Xiao, L., & Qi, Y. (2020). Analysis of critical land degradation and development processes and their driving mechanism in the Heihe River Basin. Science of the Total Environment, 716, 137082.
  27. Su, C., Wang, L., Wang, X., Huang, Z., & Zhang, X. (2015). Mapping of rainfall-induced landslide susceptibility in Wencheng, China, using support vector machine. Natural Hazards, 76(3), 1759-1779.
  28. Tabib Mahmoodi, F., & Ghasemi Dastgerdi, N. (2020). Investigating the potential of soil moisture indices in desertification. Natural Environment, 73(3), 529-542. (in Farsi)
  29. Vogt, J.V., Safriel, U., Von Maltitz, G., Sokona, Y., Zougmore, R., Bastin, G. & Hill, J. (2011). Monitoring and assessment of land degradation and desertification: towards new conceptual and integrated approaches. Land Degradation & Development, 22(2), 150-165.
  30. Wijitkosum, S. (2021). Factor influencing land degradation sensitivity and desertification in a drought prone watershed in Thailand. International Soil and Water Conservation Research, 9(2), 217-228.
  31. Xu, C., Xu, X., Dai, F., Xiao, J., Tan, X., & Yuan, R. (2012). Landslide hazard mapping using GIS and weight of evidence model in Qingshui river watershed of 2008 Wenchuan earthquake struck region. Earth Science, 23(1), 97-120.
  32. Yousefi, S., Pourghasemi, H.R., Avand, M., Janizadeh, S., Tavangar, S., & Santosh, M. (2021). Assessment of land degradation using machine‐learning techniques: A case of declining rangelands. Land Degradation & Development, 32(3), 1452-1466.
  33. Yousefi, N., & Hejam, S. (2012). Investigating the effect of ENSO on climatic parameters of temperature and precipitation, case study: Qazvin plain. Geographic Space, 12(39), 195-210. (in Farsi)
مدیریت بیابان
دوره 10، شماره 2 - شماره پیاپی 22
6 مقاله
تابستان 1401
صفحه 21-38

  • تاریخ دریافت 27 اسفند 1401
  • تاریخ بازنگری 26 خرداد 1401
  • تاریخ پذیرش 28 خرداد 1401