ارزیابی نقشۀ حساسیت نسبت به فرسایش بر اساس روش تصمیم‌گیری درختی (مطالعۀ موردی: حوضۀ آبریز سمنان)

نوع مقاله: مقاله علمی

نویسنده

استادیار، گروه آموزشی زمین شناسی، دانشگاه خوارزمی، تهران، ایران

چکیده

امروزه، فرسایش خاک به یکی از بزرگ‌ترین معضل‌های کشور به‌ویژه در نواحی خشک و نیمه‌خشک از‌جمله سمنان تبدیل شده است. روش‌های مطالعه و ارزیابی متنوعی برای محاسبۀ فرسایش خاک و مقابله با آن وجود دارند و بکارگیری روشی سریع و مقرون‌به‌صرفه برای ارزیابی مناطق مستعد به فرسایش به‌منظور توصیف و پایش فرایند کنترل فرسایش ضروری و حیاتی است. در مطالعۀ حاضر، یکی از روش‌های سنجش از دور برای توصیف شیوۀ توزیع تعدادی از عوامل مؤثر در کنترل فرسایش در حوضۀ آبریز سمنان استفاده شده است. این حوضۀ آبریز در شمال دشت کویر و دامنه‌های جنوبی رشته‌کوههای البرز قرار دارد و به علت شرایط آب‌و‌هوایی، فرایند فرسایش جزو مسائل مهم محیط طبیعی آن است. توپوگرافی، کاربری اراضی، تراکم پوشش گیاهی، ویژگی‌های خاک و داده‌های مؤثر آب‌و‌هوایی برای مشخص‌کردن حساسیت نسبت به فرسایش و تهیۀ نقشۀ پایۀ اقدام‌های حفاظت آب و خاک استفاده شدند. روش تصمیم‌گیری درختی برای جمع‌کردن و ترکیب وزن شاخص‌های کنترل فرسایش استفاده شد. وزن های اختصاص‌یافته به هر یک از واحدهای فضایی، میزان حساسیت به فرسایش را بیان می‌کند. سه نقشه از سه ترکیب متفاوت عوامل کنترلی فرسایش در منطقۀ مطالعه‌شده استخراج شدند و برای بهینه‌کردن ارزیابی کیفی حساسیت نسبت به، هر یک از ترکیبات ایجاد‌شده بسته به توزیع شاخص‌های دربرگیرندۀ فرایند فرسایشی بحث ‌و ‌ارزیابی شدند. در این منطقه، حساسیت نسبت به فرسایش خاک به‌طور عمده با پوشش گیاهی مرتبط است و پیش‌بینی می‌شود بخش‌هی جنوبی و جنوب‌شرقی منطقه به علت فقر پوشش گیاهی با افزایش میزان فرسایش همراه شوند. مساحت کلاس حساسیت زیاد فرسایش در هر سه نقشۀ الگوسازی‌شده بیش از 75 درصد و برای داده‌های مشاهده‌ای نیز این مساحت در هر سه نقشه بیش از 71 درصد است. نتایج ارزیابی نشان می‌دهند در هر سه نقشه، همبستگی بیش از 99 درصد بین داده‌های حاصل از الگوسازی و داده‌های آزمون وجود دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of erosion risk map based on hierarchical decision tree method, a case study: Semnan drainage basin

نویسنده [English]

  • Khalil Rezaei
Kharazmi University, Tehran, Iran
چکیده [English]

 
Introduction: Today, Soil erosion has become one of the biggest problems in the country, especially in arid and semi-arid including Semnan. Effective and long term water and soil conservation programs require the concentration of resources on limited areas. For that purpose, regional-scale assessments of erosion risk are required. There are various methods to studying, evaluating, calculate and prevention with soil erosion. In addition, a number of parameters such as lithology, slope, aspect, land cover, elevation, and distance to stream, drainage density, vegetable cover, land use, river banks, and human activities are recommended to analyze the mechanism of soil erosion. So a rapid and cost effective methodological erosion assessment for these regions is required to describe and monitor the processes that control erosion. This study uses one of the remote sensing analyses to describe the contribution of several factors that control erosion in Semnan drainage basin where erosion is the major environmental problem. Remote sensing monitoring has been carried out by using aero photos, or multispectral images, DTM (Digital Terrain Model) or ALS (Airborne LASER Scanning) data. Semnan basin, study area, is located in north of Kavir plain and south of Alborz mountain range.
Methodology: This study was conducted to evaluate the potential of analyzing regional erosion risk Topography, land use; vegetation density, soil properties and climatic proxies are used to determine erosion risk and to provide basic maps of water and soil conservation practices. A hierarchical decision tree is used to sum and combine the weight of parameters controlling the erosion. The assigned weights of each spatial unit express the susceptibility to erosion. The most important attributes in the definition of erosion landforms like gullies were selected using decision tree induction algorithms, being these attributes spectral, altimetry and texture. Classifications hierarchical and by decision trees were carried out. Using decision tree the classification is performed only by a factor of scale, not allowing the identification of all the constituent features of the erosion landforms system. One of the advantages of this method is that it can be used if there are insufficient experimental data. The lack of experimental data can be compensated for through the use of expert evaluations.
Results and discussion: Three different combinations of the three dominant controlling factors are yielded in this study. In order to optimize the qualitative erosion risk assessment, each combination is discussed and evaluated depending on the contribution of parameters involved in the erosion process. As different erosion landforms erosion is similar when presents the same evolution stage and soil type, it is not possible to select attributes to classify all erosion landform systems, being necessary to investigate attributes for each erosion landform erosion, based on available data and existing land use classes in the area. The erosion landforms are the biggest erosive processes and, consequently, responsible for ambient, social and financial damages. Corrective and preventive measures need mapping and monitoring, which can be made by local measurements or by remote sensing. In relation to the remote sensing, the erosion landform erosion presents spectral heterogeneity (soil, vegetation, shade and water mix), spatial heterogeneity (existence of features as head, canals and digits with irregular forms and variable dimensions) and altimetry variation (with high declivity on the edges). Due to spectral heterogeneity, it is not enough use only spectral data, being necessary auxiliary data, as altimetry and texture data. This clearly shows that the study area is generally exposed to a high hazard of soil erosion. Nevertheless, there is a probability that the rate of erosion will increase in the future, as hazard is the probability of occurrence of a potential damaging phenomenon, within a period of time and a given area. As known, there is always an interest to depend on latest developments when making subjective judgments. In spite of the results obtained in this study, the development of a susceptibility map is usually determined by the needs and available resources, and AHP method can be equally important for all sorts of susceptibility zoning practices.
Conclusion: The purpose of this study was to assess the soil erosion hazard in the Semnan province for planning appropriate conservation measures. The integrated GIS-AHP model was used to define spatial distribution of soil erosion hazard. In this area, erosion risk mainly was related with vegetation and also, it anticipated that the southern and south-eastern region due to the poverty of vegetation associated with increased levels of erosion. In each of the three mapped models, the area of the class with high erosion sensitivity was more than 75% and for observational data, the area in all three maps is above 71%. Also, the results of the assessment show that in all three maps there are over 99% correlation between the data obtained from the modeling and the test data. The erosion landforms present spectral and spatial heterogeneity and altimetry variation. This research demonstrates that the model developed was an effective tool for fast assessment of soil erosion hazard by the integration of remote sensed data, AHP, and GIS techniques. Nevertheless, the results obtained in this study are valid only for generalized planning and assessment purposes. They may be less useful at the site-specific scale, where local geological and geographic heterogeneities may prevail. Finally, any proposed decision-making tool in erosion control studies should also include local experimentation data to better simulate the erosion hazard, resulting thereby in the most appropriate and efficient choice of soil conservation works.

کلیدواژه‌ها [English]

  • Sediment
  • Erosion
  • Remote Sensing
  • Modeling
  • GIS
  • Semnan

مقدمه

فرسایش خاک فرایندی فیزیکی و یکی از خطرناک‌ترین سازوکارهای گسیختگی سطح زمین است که باعث کاهش حاصلخیزی خاک و آسیب به زمین‌های کشاورزی می‌شود (Oldeman 1994; Morgan 1995; El-Swaify 1997; Enters (1998; Boardman & Vandaele 2010; Dupac 2010 و از بین رفتن خاک‌های باارزش برای کشت، پرشدن سدها و رودخانه‌ها ازجمله نتایج اصلی آن هستند (Kothyari 1996; (Biswas et al. 1999; Jain and Dolezal 2000. تأثیر اقتصادی فرسایش خاک در جایگزینی مواد مغذی هدررفته به‌ویژه در کشورهای در حال توسعۀ مواجه با کمبود منابع درخور توجه است (Reusing et al. 2000).

امروزه با‌توجه‌به شدت خشکسالی‌های پیاپی و تأثیر انسان در طبیعت و تخریب منابع زیست‌محیطی به‌ویژه جنگل‌ها و مراتع، پدیدۀ بیابان‌زایی باعث هجوم ماسه‌ها، تخریب مزارع و زیرساخت‌ها و در پی آن، مهاجرت روستاییان شده است. پیشروی بیابان‌ها در مرحلۀ نخست فعالیت‌های انسانی و بهره‌برداری بیش از حد منابع طبیعی، روش‌های نامناسب و نادرست آبیاری، تغییرات آب‌و‌هوا و هدررفتن آب و گرم‌شدن کرۀ زمین را در پی داشته است. خاک طی فرایند فرسایش و تخریب از مواد معدنی و آلی تهی می‌شود و کم‌کم استعداد رویش در آن کاهش می‌یابد. فرسایش بر اثر موقعیت‌های مختلف و رویارویی با عوامل زمینی، خاک، منابع آب و پوشش گیاهی اتفاق می‌افتد و عوامل طبیعی مانند نوع سازندهای زمین‌شناسی، بافت خاک، اقلیم، تغییر کاربری اراضی در کنار عوامل انسانی، اجتماعی، اقتصادی و افزایش جمعیت، نابودی جنگل‌ها و مراتع، زراعت نادرست و چرای کنترل‌نشدۀ دام به شتاب‌گرفتن فرسایش خاک به‌ویژه در کشورهای در حال توسعه کمک می‌کنند (Stocking .and Murnaghan 2001)

در مقولۀ فرایندهای فرسایشی، بیشتر پژوهشگران در پی روشی کمی برای تهیۀ نقشۀ مقادیر فرسایش و پراکندگی مکانی دقیق آن هستند (Singh et al. 1992; Martinez- Casasnovas 2003; Qygarden 2003; Essa 2004; Chen et al. 2017; Fernandes et al. 2017; Grum et al. 2017). اگرچه مطالعه‌های اندکی دربارۀ روش‌های نقشه‌برداری کیفی حساسیت نسبت به فرسایش وجود دارند (Li et al. 2017; Li et al. 2017; Martinez et al. (2017، بدیهی است ارزیابی کیفی مبتنی بر شناخت عوامل فرسایش به‌منظور انجام اقدام‌های حفاظت خاک، برای اولویت‌بندی عوامل مؤثر در هر منطقه بسیار مفید است و تخریب زمین را کاهش می‌دهد. مطالعه‌های متعددی دربارۀ فرایندهای فرسایشی انجام شده‌اند (Oldeman et al. 1990; (Hurni 1993; Devi et al. 2008 و چندین الگو و روش فرسایش خاک ازجمله الگوی MPSIAC، معادلۀ جهانی خاک (USLE)، الگوی جایگزین آن یعنی تجدیدنظر در معادلۀ جهانی خاک (RUSLE)، الگوی ارزیابی فرسایش خاک (برای نمونه، الگوی ICONA)، الگوی SIMWE، الگوی LISEM، الگوی QUERIM و ... برای ارزیابی یا پیش‌بینی فرسایش کیفی یا کمی خاک توسعه یافته‌اند.

جمع‌آوری داده‌های ورودی، مشکل بزرگی است که با مطالعه‌های سنجش از راه دور تا حدی از شدت آن کاسته می‌شود. سنجش از دور، منبع مهم اطلاعاتی برای تهیۀ الگوی فرسایش خاک در مقیاس منطقه‌ای است و پس از انجام تغییرات لازم در آن با استفاده از سیستم اطلاعات جغرافیایی (GIS) تجزیه‌و‌تحلیل می‌شود. هدف مطالعۀ حاضر، استفاده از داده‌های سنجش از دور شامل تصاویر سنجندۀ OLI ماهوارۀ لندست 8، ترکیب با GIS و ارائۀ سه نقشۀ کیفی خطر فرسایش بر اساس عوامل مؤثر بر فرسایش خاک و بهینه‌سازی نظارت بر حساسیت کیفی فرسایش است. به کمک مطالعۀ حاضر، مناطقی شناسایی شدند که به سنجش حفاظت آب و خاک نیاز داشتند. سپس داده‌های لازم برای اجرای این الگو از تصاویر ماهواره‌ای و دانش کارشناسان متخصص به دست آمد. درنهایت تجزیه‌و‌تحلیل داده‌های ترکیبی با استفاده از قواعد کیفی تصمیم‌گیری، نظامی سلسله‌مراتبی از شدت فرسایش خاک ارائه داد.

مناطق مختلف حوضۀ آبریز سمنان به علت شرایط ویژۀ اقلیمی، بادهای شدید و گاه ویرانگر، سازندهای زمین‌شناسی حساس به فرسایش و خاک سست و فقدان پوشش گیاهی مناسب در بسیاری مناطق از خطر فرسایش خاک در امان نیستند و به‌تدریج بر وسعت مناطق بیابانی این استان افزوده و از میزان خاک‌های مستعد و حاصلخیز آنها کاسته می‌شود. شرایط اقلیمی حاکم بر استان سمنان و بهره‌برداری بیش از حد منابع طبیعی باعث شده‌اند 5 میلیون و ۲۰۰ هزار هکتار عرصۀ بیابانی و 1 میلیون و ۲۶۰ هزار هکتار اراضی استان تحت‌تأثیر فرسایش بادی قرار گیرد (ارزانی و همکاران 1386) و به مهاجرت روستاییان منجر شود. تاکنون بررسی‌های نقشه‌برداری از خطر فرسایش در مقیاس منطقه‌ای در سمنان انجام نشده‌اند و مقالۀ حاضر می‌کوشد بر اساس شاخص‌های مؤثر در فرایند حساسیت نسبت به فرسایش، مقادیر فرسایش هر یک از بخش‌های حوضۀ مطالعه‌شده و تأثیرپذیری از هر کدام از عوامل را بررسی کند.

 

منطقۀ مطالعه‌شده

حوضۀ آبریز سمنان یکی از نواحی خشک و دارای میزان بارندگی بسیار کم و بارش‌های نامنظم است که در دامنۀ جنوبی رشته‌کوه‌های البرز و فاصلۀ 53 درجه و 4 دقیقه و 42/36 ثانیه تا 53 درجه و 48 دقیقه و 39/54 ثانیۀ شرقی و 35 درجه و 7 دقیقه و 80/38 ثانیه تا 35 درجه و 51 دقیقه و 33/25 ثانیۀ شمالی قرار گرفته است (شکل 1). مساحت حوضۀ یادشده حدود 219676 هکتار و با میانگین بارش
90 میلی‌متر در سال جزو نواحی خشک است. میانگین ارتفاع حوضه از سطح دریا نیز حدود 2033 متر است.

 

 

شکل 1- موقعیت منطقۀ مطالعه‌شده در سطح کشور با تصویر RGB لندست 8


روش پژوهش

روش‌های متعددی ازجمله روش‌های MPSIAC، USLE، SIMWE، LISEM، RUSLE و ICONA برای بررسی مسئلۀ فرسایش توسعه یافته‌اند (Moor et al. 1993; Radwan and Bishr 1995; Gessler et al. 1995; Hill et al. 1995; Mitasova et al. 1996; Thornes et al. 1996; Bouaziz et al. 2009). برای ارزیابی حساسیت نسبت به فرسایش در حوضۀ آبریز سمنان، مطالعه‌ای موردی روش‌شناختی با روش‌های سنجش از دور و سیستم‌های اطلاعات مکانی به شکل کیفی در منطقۀ یادشده انجام شد؛ بر اساس هدف پژوهش، ارزیابی کیفی فرسایش بر اساس عمده عوامل مؤثر در فرسایش شامل بارندگی سالانه، کاربری اراضی، توپوگرافی و ویژگی‌های خاک و پوشش گیاهی انجام شد (Bouaziz et al. 2011). گفتنی است در پژوهش حاضر، قوانین تصمیم‌گیری و سازماندهی سلسه‌مراتبی شاخص‌های مؤثر بر اساس قضاوت مهندسی و دانش کارشناسی انجام شده‌اند. روش‌های مشابه و موفق پیشین، فرسایش خاک را در مقیاس‌های مختلف الگوسازی کرده‌اند (Boardman and Harris 1990; Cerdan et al. 2002)؛ مقایسۀ الگوها نیز در بسیاری از نقاط جهان برای تهیۀ نقشۀ حساسیت نسبت به فرسایش بر اثر تخریب سرزمین به‌واسطۀ فرسایش انجام شده است (Quinton 1997; Sukhanovskii 2010).

نقشۀ رقومی ارتفاع (DEM) با استفاده از داده‌های ASTER با دقت مکانی 30 متر تهیه و برای استخراج و تهیۀ نقشۀ شاخص‌های ژئومورفولوژیکی منطقه شامل شیب، شبکۀ آبراهه‌ها و جهت شیب استفاده شد. در مطالعۀ حاضر، عوامل اقلیمی در قالب بارندگی بررسی شدند. ابتدا، داده‌ها به شکل نقطه‌ای از ایستگاه‌های هواشناسی موجود در سطح حوضه و اطراف آن تهیه و سپس طی فرایند درون‌یابی به کل سطح حوضه تعمیم داده شدند. داده‌های مربوط به ویژگی‌های خاک از نقشۀ خاک‌شناسی کشور و اطلاعات کاربری اراضی از طبقه‌بندی تصاویر سنجندۀ OLI مربوط به لندست 8 با استفاده از روش شبکه‌های عصبی مصنوعی (ANN) تهیه شدند.

 

 

شکل 2- الگوی مفهومی روش پژوهش

 

داده‌های حاصل برای تولید سه نقشۀ حساسیت نسبت به فرسایش مشتق‌شده از نقشه‌های مکانی استفاده شدند
(شکل 2). میزان حساسیت نسبت به فرسایش به‌طور کیفی بین کم و شدید وزن‌دهی شد و در آن به تأثیر بر فرسایش خاک و همپوشانی پنج عامل یادشده توجه شد. این فرایند در روند تصمیم‌گیری نمایش داده شده است (جدول‌های 1 و 2).

 

 

جدول 1- قوانین تصمیم‌گیری برای فرسایش‌پذیری خاک (Bouaziz et al. 2011)

نوع خاک

 

Salt flats/

Bad lands

Aridisols/

Entisol

Rock outcrops/

Inceptisols

زیاد

متوسط

کم

متوسط

کم

کم

کم

0-2

کلاس‌های شیب (درصد)

متوسط

کم

کم

متوسط

2-5

زیاد

متوسط

متوسط

زیاد

5-15

خیلی زیاد

زیاد

متوسط

خیلی زیاد

15-35

خیلی زیاد

زیاد

زیاد

شدید

 35<

 

 

 

 

 

 

 

 

جدول 2- قوانین تصمیم‌گیری برای حفاظت خاک(Bouaziz et al. 2011)

پوشش های سطحی

 

زمین‌های بایر

اراضی نمکی

مراتع

اراضی کشاورزی

سطوح آبی

خیلی زیاد

زیاد

متوسط

متوسط

کم

متوسط

متوسط

کم

کم

کم

کم

50  <

کلاس‌های پوشش گیاهی (درصد)

زیاد

متوسط

متوسط

متوسط

کم

متوسط

35-50

خیلی زیاد

زیاد

زیاد

متوسط

متوسط

زیاد

20-35

خیلی زیاد

خیلی زیاد

خیلی زیاد

زیاد

زیاد

خیلی زیاد

0-25

 

 

بریان و همکاران (Bryan et al. 1977) روش کیفی مشابهی را برای ارزیابی حساسیت نسبت به فرسایش استفاده کردند که شامل فاز پیش‌بینی، توصیف و ادغام و شروع با فاز پیش‌پردازش بود و با تهیۀ پایگاه داده از داده‌های رستری با اندازه پیکسل 30 متر از داده‌های سنجش از دور همراه بود. سپس، به شرح پیش‌بینی حساسیت هر یک از عوامل کنترل فرسایش پرداختند و درنهایت، با ایجاد ترکیبات CA، CB و  CC (Bouaziz et al. 2011) به فاز ادغام رسیدند (جدول 3). روش کلی کار در شکل (2) آمده است.

 

جدول 3- شاخص‌های ورودی برای سه ترکیب مختلف ارزیابی حساسیت نسبت بهفرسایش

ترکیبات

 

CC

CB

CA

X

X

X

توپوگرافی

فاکتورهای کنترلی

 فرسایش خاک

X

X

X

ویژگی‌های خاک

X

X

---

بارندگی

X

---

X

پوشش گیاهی

X

X

X

کاربری اراضی

 

بر اساس اطلاعات نقشۀ خاک که سازمان FAO (پایگاه هم‌خوان جهانی خاک، 2009) تهیه کرده است، شش نوع مختلف و ترکیبی خاک در سطح منطقه تشخیص داده شدند که به سه کلاس مختلف ازنظر فرسایش‌پذیری تقسیم‌ شدند. در مرحلۀ بعد، تصاویر OLI لندست 8 دریافت و با استفاده از روش طبقه‌بندی شبکۀ عصبی مصنوعی به بخش‌های مختلف کاربری اراضی در حوضۀ آبریز سمنان تقسیم شدند. برای تفسیر بهتر تصاویر، عملگرهای پیش‌پردازش به‌منظور تصحیح هندسی و رفع ابهام اتمسفری انجام شدند. پیش‌پردازش تصاویر با نرم‌افزار PCA Geomatica نسخۀ 1/9 انجام و از نرم‌افزار ENVI 4.8 برای پردازش و تحلیل استفاده شد. اختلالات مختلف اتمسفری با الگوی FLAASH و در محیط نرم‌افزار PCA Geomatica 9.1 تصحیح شدند. افزایش خطی کنتراست، روشی برای بهبود مکانی است که به‌منظور اصلاح شاخص‌های ژئومتریکی و شکلی مؤثر بر منطقه و بهینه‌کردن تفسیر بصری انجام شد. لایۀ بارندگی سالانۀ منطقه مربوط به سال 2014 نیز از طریق درون‌یابی داده‌های ایستگاه‌های هواشناسی موجود در سطح و اطراف حوضه تهیه شد. لایۀ شیب پس از استخراج از لایۀ ارتفاع و خاک پس از رستری‌شدن برای تولید لایۀ فرسایش‌پذیری بر اساس تابع خطی با هم ترکیب شدند (جدول 1). درنهایت، نقشۀ کاربری اراضی، نقشۀ خاک، بارندگی، پوشش گیاهی و داده‌های توپوگرافی با سه ترکیب مختلف موجود در جدول ترکیبات عوامل برای تولید سه نقشۀ متفاوت حساسیت نسبت به فرسایش استفاده شدند. روش‌های سنجش از دور و استفاده از GIS در فلوچارت مطالعه نشان داده‌ شده‌اند (شکل 2)؛ همچنین شکل (2)، ادغام دانش کارشناسی برای ارزیابی و تعریف حساسیت‌پذیری حوضه به فرسایش را نشان می‌دهد. روی‌هم‌اندازی و ترکیب لایه‌های مختلف در درخت تصمیم‌گیری بر اساس الگوی مقایسۀ زوجی به‌عنوان میانگین ارتباط خطی بین عوامل مؤثر در فرسایش انجام شده است.

 

مبانی فرایند حساسیت نسبت به فرسایش

نمودار روش پژوهش، پنج لایۀ ورودی متفاوت لازم را نشان می‌دهد (شکل 2). در این کار، بجز داده‌های بارندگی، جمع‌آوری شاخص‌های کنترلی فرسایش از راه روش‌های سنجش از دور و GIS انجام شد. در ادامه، شاخص‌های یادشده و همچنین تعیین و ارزیابی آسیب‌پذیری نسبی فرسایش خاک شرح داده می‌شود.

شاخص‌های اصلی کنترل فرسایش

توپوگرافی- نقشۀ شیب

فرایند فرسایش خاک به‌شدت از توپوگرافی تأثیر می‌پذیرد. ویژگی‌های کنترهای توپوگرافیکی بر ویژگی‌های خاک (Moore et al. 1993)، میکرواقلیم، توزیع پوشش گیاهی (Frank et al. 1986)، رواناب و رطوبت در دسترس (Moore et al. (1993; Chevings and Pickup 1996 اثر می‌گذارد (جدول 4). در مطالعۀ حاضر، مقادیر شیب (به درجه) برای هر یک از پیکسل‌های ارتفاعی DEM حاصل از داده‌های سنجندۀ ASTER تولید و به پنج کلاس تقسیم‌ شدند (شکل 3).

 

 

 

 

شکل 3- نقشۀ شیب منطقۀ مطالعه‌شده

 

 

مقادیر آستانه برای هر یک از کلاس‌ها به‌ترتیب عبارتند از: درجه شیب‌های صفر تا 2 درصد، 2 تا 5 درصد، 5 تا 15 درصد، 15 تا 35 درصد و 35 تا 45 درصد. مقادیر نسبی کلاس‌های شیب و سطح پوشش داده شده در جدول (4) نشان داده شده‌اند.

 

جدول 4- کلاس‌های شیب در منطقۀ مطالعه‌شده

کلاس‌های شیب

 

35%   <

15-35 %

5-15 %

2-5 %

0-2 %

31444

50518

108991

23088

5635

مساحت (هکتار)

14

23

49

10

3

مساحت (درصد)

رسوبات تولید شده حاصل از فرسایش خاک می توانند ذخایر و کانال‌های انتقال آب را پر کنند و با قابلیت آلوده‌کنندگی خود و حمل مواد شیمیایی جذب‌شده به رودخانه‌ها و دریاچه‌ها باعث آسیب به کیفیت آب آنها شوند؛ علاوه‌براین، برخی خاک‌ها دارای قابلیت ذاتی بیشتری در فرسایش‌پذیری نسبت به دیگر خاک‌ها هستند(Toy (et al., 2002. مطالعه‌های Agassi (1996)، Bryan (1997)، Turk and Foth (1972) و Majaliwa et al. (2003) نشان دادند خاک‌های بسیار فرسایش‌پذیر نسبت به خاک‌های مقاوم در برابر فرسایش تا 10 برابر نسبت به فرایند فرسایش حساس‌تر هستند؛ بنابراین، توصیف ویژگی‌های خاک منطقۀ مطالعه‌شده نیازمند آگاهی از حساسیت خاک‌ها نسبت به فرسایش است. سازمان خوار‌و‌بار جهانی (FAO) ویژگی‌های فیزیکی خاک شامل محتوای شن و ماسه و توزیع اندازۀ دانه‌های خاک‌های مختلف را به شکل نقشه تهیه کرده است (Harmonized World Soil Data Base, Version 1.1, March (2009. نقشۀ خاک FAO شامل برخی شاخص‌ها نظیر کانی‌شناسی رسی، عمق خاک، حساسیت‌پذیری خاک و زمین برای پوشش‌های گیاهی ویژه، رطوبت خاک، ظرفیت ذخیره‌سازی و کلاس‌های زهکشی خاک است. شش نوع خاک مشاهده‌شده در منطقۀ مطالعه به سه کلاس تقسیم‌بندی شدند: 1. خاک‌های توسعه‌نیافته در نواحی کوهستانی و صخره‌ای؛ 2. خاک‌های مناطق خشک و خاک‌های اولیه؛ 3. دشت‌های نمکی و بدلندها (شکل 4). حساسیت به فرسایش بر اساس شاخص‌های یادشده و پایگاه داده‌های مرجع FAO تعیین شد. مساحت ناحیه‌ای که هر یک از کلاس‌های خاک پوشش ‌داده‌اند، در جدول (5) مشاهده می‌شود.

جدول 5- مساحت کلاس‌های خاک اشغال‌شده از سطح حوضۀ مطالعه‌شده

نوع خاک

 

Salt flats/

Bad lands

Aridisols /

Entisols

Rock outcrops/

Inceptisols

91/128261

34/63608

8/27962

مساحت (هکتار)

58

29

13

مساحت (درصد)



 

شکل 4- نقشۀ خاک منطقۀ مطالعه‌شده

 


کاربری اراضی

فرایند فرسایش خاک با نواحی دارای شرایط محیطی متفاوت ازنظر پوشش گیاهی و ناپایداری شیب بسیار منطبق است. تصویر OLI لندست 8 (2014) با شرایط پژوهش حاضر برای مطالعۀ منطقۀ مدنظر متناسب بود. پیش‌پردازش تصاویر پیش از طبقه‌بندی انجام و سپس طبقه‌بندی شبکه‌های عصبی مصنوعی (ANN) روی تصاویر اعمال شد. شبکه‌های عصبی مصنوعی، روش مطلوبی برای طبقه‌بندی کاربری و پوشش اراضی محسوب می‌شود، زیرا برای انواع داده‌ها در مقیاس‌های آماری گوناگون استفاده‌شدنی است (Gahegan et (al. 1999. به‌طورکلی سه مرحله در طبقه‌بندی شبکۀ عصبی وجود دارد: مرحلۀ اول، فرایند آموزش شبکه با استفاده از داده‌های ورودی است؛ مرحلۀ دوم، فاز اعتبار‌سنجی و آزمون خطای شبکه است که موفقیت فاز آموزشی و درستی شبکه را تعیین می‌کند؛ مرحلۀ سوم، شبیه‌سازی و طبقه‌بندی است که نقشۀ طبقه‌بندی‌شدۀ پوشش یا کاربری اراضی را ایجاد می‌کند (Wijaya 2005). اطلاعات ورودی شامل 6 نورون و بیان‌کنندۀ تعداد باندهای تصویر لندست استفاده‌شده بود. تعداد نورون‌های لایۀ میانی برای شبکه با انتخاب 5 لایه آغاز و خروجی هر شبکه با افزایش تعداد لایه‌ها به مقادیر واقعی نزدیک‌تر و بهترین خروجی با انتخاب 9 لایه دریافت شد و دقت خروجی شبکه با 10 لایۀ درونی کاهش یافت. خروجی هر شبکه با میانگین مجذور مربع خطا و برازش رگرسیون کنترل شد و درنهایت، لایۀ خروجی شامل 1 نورون بود. شبکه با 9 نورون در لایۀ میانی و در تکرار پنجم با مقدار RMSE[1] برابر 08185/0 بهترین عملکرد را داشت. در پژوهش حاضر از روش  [2]MLP بر پایۀ الگوریتم یادگیری پس انتشار خطا و الگوریتم لونبرگ- مارکوارت[3] استفاده شد. نتایج طبقه‌بندی کلاس‌های کاربری زمین در شکل (5) و جدول (6) نمایش داده شده‌‌اند. نقشۀ طبقه‌بندی حاصل دارای درصد درستی[4] عملیات برابر 5/91 درصد و متوسط درصد اطمینان[5] برابر 2/89 درصد و ضریب کاپای کلی برابر 87/0 است. هر یک از کلاس‌های موجود در نقشۀ پوشش سطحی ازنظر فرسایش خاک با رفتار ویژه‌ای مرتبط است. اراضی بایر و نواحی شور، پوشش غالب منطقۀ مطالعه‌شده را تشکیل داده‌اند و بیشتر حساسیت خاک نیز به این دو بخش از پوشش سطحی مربوط است.

 

 

 

جدول 6- مساحت کلاس‌های کاربری اراضی در سطح حوضۀ مطالعه‌شده

پوشش‌های سطحی

 

زمین‌های بایر

اراضی نمکی

سطوح آبی

مراتع

اراضی کشاورزی

61/198191

96/7328

89/95

55/8317

96/5897

مساحت (هکتار)

90

3

5/0

4

5/2

مساحت (درصد)

 

 

شکل 5- نقشۀ پوشش کاربری اراضی در سطح منطقۀ مطالعه‌شده

 

اقلیم

اقلیم، یکی از مهم‌ترین عوامل در کنش متقابل با دیگر عوامل است که به‌طور مستقیم و غیرمستقیم بر فرسایش خاک تأثیر می‌گذارد (Toy et al. 2002). بارندگی، مهم‌ترین متغیر اقلیمی مؤثر در فرسایش خاک است که به تنهایی در نظر گرفته می‌شود و با پرداختن به فرسایش از راه برخورد درخور توجه قطره‌های باران به سطح خاک و جریان آب روی سطح خاک برجسته می‌شود؛ بنابراین، همواره از بین رفتن خاک با مقدار بارندگی مرتبط است که شاخصی اقلیمی در ارزیابی حساسیت نسبت به فرسایش است. مشاهده‌ها و اطلاعات در دسترس از منطقۀ مطالعه‌شده و بررسی آنها نشان می‌دهند اگرچه جریان آب روی سطح خاک اتفاق می‌افتد، ایجاد رواناب ناگهانی نیست و اساساً در فصل بارندگی رخ می‌دهد. بارندگی طی فصل خشک نیز اتفاق می‌افتد، اما مقدار آن بسیار ناچیز و معمولاً بدون رواناب است؛ ازاین‌رو، عمده بارندگی در منطقۀ مطالعه‌شده در فصل آبی انجام و از آن برای ارزیابی حساسیت نسبت به فرسایش استفاده می‌شود. داده‌های بارندگی ماهانۀ سال 2014 از ایستگاه‌های هواشناسی موجود در سطح حوضه و اطراف آن از سازمان آب‌و‌هواشناسی استان سمنان دریافت شدند (جدول 7). سپس، مجموع سالانۀ داده‌ها به‌شکل نقطه‌ای در نرم‌افزار ArcGIS 10.3 و با استفاده از روش معکوس فاصلۀ وزن‌دار[6] (IDW) درون‌یابی و به کل سطح حوضه تعمیم داده شد؛ به این ترتیب، نقشۀ بارندگی سالانۀ حوضۀ مطالعه‌شده حاصل شد که توزیع فضایی بارش باران در سطح حوضه را نشان می‌دهد (شکل 6). در پژوهش حاضر، این نقشه در ترکیب‌های CB و CC برای فراهم‌کردن دو نقشۀ متفاوت حساسیت نسبت به فرسایش استفاده شد.

 

شاخص پوشش گیاهی

پوشش گیاهی یکی از عوامل کنترلی فرسایش و بیشتر متأثر از دخالت‌های انسانی است؛ این عامل یکی از عوامل مهم در هر نوع الگوی پیش‌بینی‌کننده‌ است (Trimble 1990) و چندین نوع شاخص پوشش گیاهی با استفاده از اعمال روش نسبت باندهای طیفی برای نشان‌دادن پوشش گیاهی استفاده می‌شوند. شاخص نرمال‌شدۀ نسبت تفاضل باندی[7] (NDVI) که Rouse و همکاران (1974) آن را توسعه دادند، یکی از پرکاربردترین شاخص‌های گیاهی در بین پژوهش‌های کاربردی مختلف سنجش از دور است. همچنین شاخص‌های گیاهی پیشرفته‌تری نظیر شاخص گیاهی تعدیل‌شدۀ خاک[8] (SAVI) که بازتاب از سطح خاک را در نظر می‌گیرد، برای بهبود ارزیابی پوشش گیاهی توسعه یافته‌اند. شاخص گیاهی تعدیل‌شدۀ تبدیل خاک[9] (TSAVI)، شاخص گیاهی تعدیل‌شدۀ تغییر خاک[10] (MSAVI)، شاخص گیاهی تعدیل بهینۀ خاک[11] (OSAVI) و چندین شاخص گیاهی دیگر نیز برای به حداقل‌رساندن آثار خاک و اتمسفر ارائه شده‌اند. در پژوهش حاضر، از شاخص NDVI استخراج‌شده از تصویر OLI لندست 8 (2014) برای تعریف کیفی پوشش گیاهی استفاده شد؛ این شاخص یکی از پرکاربردترین شاخص‌های گیاهی و برای هدف مدنظر در منطقۀ مطالعه‌شده بسیار مناسب است. در لندست 8، برای استخراج این شاخص از نسبت تفاضلی باندی قرمز به مادون قرمز ((NIR-RED)/(NIR+RED)) استفاده شد. پوشش گیاهی متغیری فصلی است که فرسایش را کنترل می‌کند. لایۀ NDVI تولیدشده (شکل 7) برای تولید لایۀ پوشش گیاهی در چهار گروه طبقه‌بندی شد و در ترکیب CA، لایه پوشش گیاهی با نقشۀ آن برای انجام تحلیل حفاظت خاک تولید شد (جدول 2).

 

جدول 7-مجموع بارندگی‌های اندازه‌گیری‌شده در سال 1394 در محل ایستگاه‌های سینوپتیک سطح منطقه

سالانه

دسامبر

نوامبر

اکتبر

سبتامبر

آگوست

ژولیه

ژوئن

می

آپریل

مارس

فوریه

ژانویه

نام ایستگاه

1/66

4/8

4/16

3/5

7/0

0

0

4/3

3/5

9/11

4/14

3/0

0

بیارجمند

2/107

1/1

7/9

9/5

2/40

2/0

6/0

3/7

9/3

1/12

24

0

4/2

دامغان

918

3/15

2/6

7

0

0

1

13

66

6/17

2/19

0

9/5

سمنان

118

4

1/22

8

0

0

0

66

9/15

4/36

3/23

4/0

3/1

شاهرود

616

3/6

96

5/1

0

0

0

23

13

7/5

306

8/0

5/3

گرمسار

 

 

شکل 6- نقشۀ بارندگی منطقۀ مطالعه‌شده


 

 

شکل 7- نقشۀ طبقه‌بندی‌شدۀ شاخص NDVI منطقۀ مطالعه‌شده


نقشه‌های حساسیت نسبت به فرسایش

نقشه‌های حساسیت نسبت به فرسایش خاک با‌توجه‌به ارتباط عوامل کنترلی فرسایش (توپوگرافی، کاربری اراضی، نقشۀ خاک، پوشش گیاهی و بارندگی) در چند ترکیب تولید شدند (شکل 8). نقشه‌ها با رده‌بندی از کم به بسیار زیاد در چهار طبقه کلاس‌بندی شدند. سه نقشۀ حساسیت نسبت به فرسایش برای نشان‌دادن رتبۀ حساسیت نسبت به فرسایش در حوضۀ آبریز سمنان تولید و چهار رنگ برای سه نقشۀ خروجی مربوط به هر یک از کلاس‌های فرسایشی استفاده شد. بر اساس شکل 5، توزیع کلاس‌های حساسیت نسبت به فرسایش به الگوی اجراشده بستگی دارد. بیشترین مساحت در حوضۀ مطالعه‌شده مربوط به نواحی دارای حساسیت زیاد با مقادیر 9/81 و 5/85 درصد به‌ترتیب در ترکیب CB و CC قرار گرفته‌اند (شکل‌های 9 و 10 و جدول 8).

 

 

 

شکل 8- نقشۀ حساسیت نسبت به فرسایش برای سه ترکیب استفاده‌شده در پژوهش. الف.CA، ب.CB، ج.CC

 

جدول 8- توزیع درصد مساحت متأثر از هر یک از کلاس‌های حساسیت نسبت به فرسایش

ترکیبات ریسک فرسایش

 

CA

CB

CC

5/3

1/0

5/0

ریسک کم

6

16

5/12

ریسک متوسط

76

9/81

5/85

ریسک زیاد

5/14

2

5/1

ریسک خیلی زیاد

 

شکل 9- نمودار توزیع کلاس‌های حساسیت نسبت به فرسایش برای هر یک از ترکیبات


اعتبارسنجی

در مطالعۀ حاضر، اعتبارسنجی نقشۀ حساسیت نسبت به فرسایش حاصل از ترکیب عوامل کنترل فرسایش، امری حیاتی برای بررسی دقت الگوسازی در سطح منطقه است. باوجود‌این، اندازه‌گیری کمی میزان فرسایش خاک در سطح منطقه به‌ندرت انجام شده است. با ترکیب اطلاعات حاصل از مشاهده‌های میدانی و تصاویر ماهواره‌ای دارای توان تفکیک مناسب حاصل از تصاویر سنجندۀ [12]OLI لندست 8، جزئیاتی از توزیع فضایی فرسایش خندقی و شیاری در سطح منطقه ارزیابی شدند. کار میدانی انجام‌شده نشان داد تراکم زیادی از فرسایش خندقی و شیاری در بخش‌های جنوبی تا میانی منطقه رخ داده است و این مشاهده‌ها با نتایج نقشه‌های حاصل از ترکیب CA و CC تطابق دارد (شکل 8). توان تفکیک مکانی مناسب باند پانکروماتیک سنجندۀ OLI (15 متر) و توان تفکیک طیفی در باندهای طیفی این سنجنده (30 متر) در محدودۀ مرئی طیف الکترومغناطیسی در تمایز نواحی تأثیر‌پذیرفته از گالی‌ها و نواحی بدون تأثیر بسیار مناسب است (شکل 10).

 

 

 

شکل 10- نمونه‌های فرسایش شیاری و خندقی برداشت‌شده از سطح منطقه به همراه ترکیب رنگی تصویر لندست 8

 

تفسیرهای بصری اطلاعات پس از بارزسازی و پیش‌پردازش تصاویر نشان می‌دهند برخی بخش‌های شمالی نیز از فرسایش خندقی متأثر هستند. همۀ نقشه‌های حاصل از ترکیب عوامل کنترل فرسایش با نتایج تصاویر لندست مقایسه شدند (جدول 9)؛ همان‌طور که مشخص است مساحتی که داده‌های برداشت‌شده از مشاهده‌های میدانی و تصاویر ماهواره‌ای (داده‌های آزمون) برای هر کلاس‌ پوشش می‌دهند، تشابه فراوانی با نقشه‌های حاصل از الگوسازی (داده‌های الگوسازی) دارد (ضریب همبستگی در هر سه نقشه بیش از 99 درصد است).

الگوی استفاده‌شده برای تهیۀ نقشۀ حساسیت نسبت به فرسایش، رویکردی کیفی و به‌طور نسبی موضوعی ارایه می‌دهد. نقشه‌ها، حاصل الگوسازی محیطی اطلاعات و دانش کارشناسان هستند. مطالعۀ حاضر حاصل جمع‌آوری اطلاعات ناهمگون با مقیاس‌ها، دقت مکانی و شاخص‌های ویژۀ گوناگون در مقیاس محلی است که به‌طور ویژه نیازمند رویکرد کمی است. همچنین مشابه یافته‌های Yves و همکاران (2002)، دقت نتایج بیش از آنکه به خود الگو وابسته باشد، به توان تفکیک مکانی و کیفیت داده‌های ورودی بستگی دارد؛ زیرا الگوهای حساسیت نسبت به فرسایش بر اساس فرضیه‌های ساده و منطقه‌ای هستند و درنهایت، این الگو بر اساس حساسیت داده است و مطابق یافته‌های van Rompaey و Govers  (2002) انتشار خطای ناشی از کیفیت کم داده به‌طور چشمگیری دقت نتایج خروجی را کمتر می‌کند.

 

 

جدول 9- مساحت (بر حسب متر) و درصد مساحت هر یک از کلاس‌های حساسیت نسبت به فرسایش در هر یک از ترکیبات مطالعه‌شده برای داده‌های آزمون و داده‌های الگوسازی‌شده

داده‌های مدل‌سازی

داده‌های تست

CA

درصد مساحت

مساحت

درصد مساحت

مساحت

طبقات

582703/3

08/78703391

790425/4

00984/31738

ریسک کم

880273/5

129175489

168959/5

91376/34245

ریسک متوسط

942088/75

1668265418

309931/71

7942/472449

ریسک زیاد

662022/14

7/322089448

730685/18

4361/124096

ریسک خیلی زیاد

 

داده‌های مدل‌سازی

داده‌های تست

CB

درصد مساحت

مساحت

درصد مساحت

مساحت

طبقات

100931/0

063/2217229

0

0

ریسک کم

721218/15

1/345357422

230301/14

03185/94280

ریسک متوسط

46019/82

181145265

499819/85

0797/566462

ریسک زیاد

78437/1

67/39206236

269881/0

042342/1788

ریسک خیلی زیاد

 

داده‌های مدل‌سازی

داده‌های تست

CC

درصد مساحت

مساحت

درصد مساحت

مساحت

طبقات

432411/0

014/9499044

868729/0

588386/5755

ریسک کم

538515/12

3/275441089

717406/14

25312/97507

ریسک متوسط

818553/85

1885227634

399509/84

1995/559172

ریسک زیاد

277918/1

58/28072790

014356/0

112897/95

ریسک خیلی زیاد

 

 

   
 

شکل 11- مقایسۀ مساحت و درصد مساحت هر یک از کلاس‌های حساسیت نسبت به فرسایش در هر یک از ترکیبات مطالعه‌شده برای داده‌های آزمون و داده‌های الگوسازی‌شده

 

 

در پژوهش حاضر، چندین عامل کنترلی فرسایش برای ارزیابی اثر حساسیت نسبت به فرسایش بررسی شدند. تغییر در عوامل محیطی ورودی بین سه ترکیب CA، CB و CC کمک می‌کند تأثیر هر یک از عوامل در توانایی برای اثرگذاری در فرسایش مشخص شود. خروجی‌های مربوط به هر یک از عوامل محیطی، ورودی متفاوت در ترکیب CA، CB و CC ارزیابی شدند و چهار سطح از نقشۀ حساسیت نسبت به فرسایش شرح و بسط داده شد. به علت شباهت توزیع فضایی کلاس حساسیت نسبت به فرسایش کم در همۀ نقشه‌های حساسیت نسبت به فرسایش، کلاس خطرپذیری کم و متوسط با هم ارزیابی و کلاس‌های خطرپذیری زیاد و بسیار زیاد نیز هر کدام جداگانه ارزیابی شدند. کلاس‌های خطرپذیری زیاد و بسیار زیاد برای ارزیابی هر نوع تخریب زمین ‌ناشی از رخداد عمدۀ تخریب بسیار اهمیت دارند؛ توجه به این نکته در منطقۀ مطالعه‌شده‌ بسیار مهم و ضروری است که بخش بزرگی از مساحت کل منطقه تحت‌تأثیر حساسیت زیاد قرار دارد. نمودارهای شکل (12)، درصد مساحت نواحی دارای خطرپذیری‌های مختلف فرسایش در هر یک از ترکیبات تعیین‌شده را نشان می‌دهند؛ بیشترین مساحت منطقۀ مدنظر متأثر از خطرپذیری زیاد و میزان آن در همۀ ترکیبات بیش از 75 درصد است. همچنین درصد مساحت شامل نواحی دارای خطرپذیری کم در همۀ ترکیبات بسیار ناچیز و کمتر از 4 درصد کل مساحت منطقه است. تطابق نتایج در این بخش با نتایج داده‌های میدانی و تصاویر ماهواره‌ای استنادپذیر است (شکل 11).

 

 

شکل 12- توزیع درصد مساحت کلاس‌های حساسیت نسبت به فرسایش برای هر یک از ترکیبات. الف. خطرپذیری کم، ب. خطرپذیری متوسط، ج. خطرپذیری زیاد، د. خطرپذیری بسیار زیاد

 


ارزیابی حساسیت نسبت به فرسایش کم و متوسط

نواحی دارای حساسیت نسبت به فرسایش کم و متوسط بیشتر در کنار رودخانۀ اصلی حوضه و نزدیکی نواحی آبی دارای شیب ملایم مشاهده شدند. نواحی شناخته‌شده با حساسیت نسبت به فرسایش کم دارای مقدار تقریباً برابری (مقدار متغیری بین 5/0 تا 5/3 درصد سطح حوضه) در هر سه نقشۀ حساسیت نسبت به فرسایش بودند (جدول 8). حساسیت نسبت به فرسایش کم به‌طور ویژه در نواحی دارای کاربری کشاورزی و شیب ملایم وجود دارد؛ مکان‌هایی که پوشش گیاهی بسیار زیاد و نوع خاک Aridisolos (کلاس 2) است. خطرپذیری متوسط برخلاف خطرپذیری ملایم، تغییرات درخور توجهی را بین سه ترکیب A، B و C نشان می‌دهد (شکل 5). ترکیب‌های B و C مقادیر نزدیکی از توزیع فضایی کلاس خطرپذیری متوسط را نشان می‌دهند و ترکیب A مقدار کمتری از این کلاس را نشان می‌دهد. این ترکیب با الگوی ICONA (CA) مرتبط است که شامل کاربری اراضی، توپوگرافی، شاخص پوشش گیاهی و ویژگی‌های خاک است. عامل بارندگی در ترکیب CB اضافه می‌شود‌، اما تأثیر آن بسیار جزئی است. تأثیر بارندگی در ترکیب CC افزایش می‌یابد و عامل پوشش گیاهی حذف‌شده در ترکیب قبلی به‌طور وسیعی در حساسیت نسبت به فرسایش متوسط تأثیر می‌گذارد. بنابراین پوشش گیاهی در موقعیت الگوی CC برای حساسیت نسبت به فرسایش (وقتی با بارندگی در مناطق نیمه‌خشک مانند منطقۀ مطالعه‌شده مقایسه شود) عامل بسیار مهمی است.

 

ارزیابی حساسیت نسبت به فرسایش زیاد

نواحی دارای حساسیت نسبت به فرسایش زیاد اهمیت ویژه‌ای دارند؛ این بخش‌ها به‌طور ذاتی مستعد فرسایش هستند و تأثیر بسیار شدیدی بر خاک می‌گذارند. حساسیت نسبت به فرسایش زیاد در همۀ ترکیب‌ها به‌ویژه ترکیب‌های CB و CC سطح بسیار زیادی را به خود اختصاص داده است. ترکیب CA ازنظر مقدار مساحت مربوط به این کلاس خطرپذیری در رتبۀ سوم قرار دارد. در اینجا اختلاف زیادی بین خروجی سه ترکیب وجود ندارد و نتایج نشان می‌دهند اختلاف موجود در ارتباط مستقیم با پوشش گیاهی است. پوشش گیاهی حاصل از شاخص NDVI تنها عامل کنترلی در کاهش اثر بارندگی در پراکنده‌کردن اجزای خاک است و در ترکیب CC در نظر گرفته نشده است (شکل 2).

با در نظر گرفتن پوشش گیاهی در ترکیب‌های CA و CB، 87 تا 91 درصد مساحت حوضه جزو نواحی دارای حساسیت نسبت به فرسایش زیاد قرار می‌گیرند و با چشم‌پوشی از این عامل در ترکیب CC، این مقدار حدود 80 درصد باقی می‌ماند (جدول 8). اختلاف بین ترکیب‌های مختلف در میزان مساحت بخش خطرپذیری زیاد، شاهدی بر اهمیت حیاتی پوشش گیاهی برای الگوهای ارزیابی حساسیت نسبت به فرسایش است. بنابراین نباید از پوشش گیاهی در مطالعه‌های مربوط به حساسیت نسبت به فرسایش چشم‌پوشی شود.

 

ارزیابی حساسیت نسبت به فرسایش بسیار زیاد

از بین سطوح مختلف حساسیت نسبت به فرسایش، حساسیت فرسایشی بسیار زیاد به‌طور جدی بسیار بحرانی است و به علت درجۀ زیاد تخریب خاک در این کلاس نسبت به دیگر کلاس‌ها، بازسازی در این بخش بسیار مشکل است. مقادیر حساسیت نسبت به فرسایش برای این کلاس در ترکیب‌های CA و CB نزدیک به هم و بین 1 تا 2 درصد سطح منطقه است؛ این بخش در ترکیب CC به طور درخور توجهی افزایش می‌یابد و مقدار آن به 5/14 درصد سطح حوضه می‌رسد. چشم‌پوشی از مقادیر بارندگی در ترکیب CA و در نظر گرفتن دوبارۀ آن در ترکیب CB تغییرات چندانی در مساحت تحت پوشش حساسیت نسبت به فرسایش بسیار زیاد ایجاد نمی‌کند و نشان می‌دهد عامل بارندگی در حساسیت نسبت به فرسایش نقش اساسی ندارد. به عبارتی، وقتی ترکیب CA با ترکیب CB مقایسه شود، تفاوت چندانی در مقادیر و توزیع فضایی حساسیت نسبت به فرسایش بسیار زیاد دیده نمی‌شود. عامل کنترلی پوشش گیاهی تنها در ترکیب CB در نظر گرفته نشده است و بنابراین، نقش غالب این شاخص مؤثر در حساسیت نسبت به فرسایش بسیار زیاد روشن است. ارزیابی‌های انجام‌شده از حساسیت نسبت به فرسایش کم، متوسط، زیاد و بسیار زیاد بر پوشش گیاهی تأکید می‌کنند. شواهدی نیز دال بر نقش عمده و اساسی شاخص پوشش گیاهی در تأثیر بر حساسیت نسبت به فرسایش وجود دارند. این نتیجه‌گیری تقریباً مشابه نتایج Kirkby (2001) است که ارتباط بسیار قوی فرسایش خاک با پوشش گیاهی در اقلیم‌های خشک و نیمه‌خشک را نشان می‌دهند.

 

نتیجه‌

کاربری اراضی، توپوگرافی، بارندگی، پوشش گیاهی و ویژگی‌های خاک عوامل کلیدی کنترل فرسایش خاک هستند که در پژوهش حاضر با روش‌های سنجش از دور و GIS تحلیل و ارزیابی شدند. سه نقش خطرپذیری حاصل از الگوهای اعمال‌شده نشان می‌دهند حساسیت نسبت به فرسایش زیاد و بسیار زیاد، حوضۀ مطالعه‌شده و به‌ویژه نواحی دارای پوشش سطحی اراضی بایر و نواحی نمکی را به‌طور گسترده پوشش می‌دهند. در حوضۀ آبریز سمنان، پوشش گیاهی در نواحی نزدیک ذخایر آبی، اطراف سکونتگاهها و رودخانه‌های فصلی بیشتر است و این مناطق دارای شیب ملایمی بین صفر تا 5 درصد هستند که حساسیت نسبت به فرسایش کم تا متوسط را نشان می‌دهد. حساسیت نسبت به فرسایش خاک به‌طور عمده با پوشش گیاهی مشخص می‌شود؛ پیش‌بینی می‌شود بخش‌های جنوبی و جنوب‌شرقی حوضۀ آبریز سمنان به علت فقر پوشش گیاهی با افزایش سطح فرسایش مواجه شوند. بدیهی است اتخاذ تصمیم‌های فوری حفاظت از سطوح دارای حساسیت نسبت به فرسایش زیاد و بسیار زیاد برای جلوگیری از تخریب اراضی در آینده امری ضروری است. همچنین روش نقشه‌برداری و الگوسازی پژوهش حاضر، روشی سریع، ساده و عمدتاً با استفاده از داده‌های سنجش از دور است که برای انواع مناطق جهان به‌ویژه کشورهایی نظیر ایران که تجهیزات تکنیکی و آمار تاریخی و اندازه‌گیری‌های میدانی در آنها ضعیف هستند، ابزاری انعطاف‌پذیر و کاربردی فراهم می‌کند.



[1] Root-Mean-Square Error

[2] Multi Layer Perceptron

[3]Levenberg-Marquardt

[4]Accuracy

[5]Reliability

[6] Inverse Distance Weighted

[7] The Normalized Difference Vegetation Index

[8] soils adjusted vegetation indices

[9] Transformed Soil Adjusted Vegetation Index

[10] Modified Soil Adjusted Vegetation Index

[11] Optimized Soil Adjusted Vegetation Index

[12]Operational Land Imager

Agassi M. 1996. Soil Erosion, Conservation, and Rehabilitation. Marcel Dekker Inc., New York, p. 424.

Bayramin I. Dengiz O. Baskan O. and Parlak M. 2003. Soil erosion risk assessment with ICONA model; case study: Beypazar YArea. Turkish Journal of Agriculture and Forestry 27:105-116.

Bishr Y.A. and Radwan M.M. 1995. Preliminary design of a decision support system for watershed management. ITC Journal, 1:23-28.

Biswas S. Sudhakar S. and Desai V.R. 1999. Prioritization of sub-watersheds based on morphometric analysis of drainage basin: a remote sensing and GIS approach. Journal of the Indian Society of Remote Sensing 27 (3):155-166.

Boardman J. and Vandaele K. 2010. Soil erosion, muddy floods and the need for institutional memory, Area, 42(4):502–513.

Bouaziz M. Leidig M. and Gloaguen R. 2011. Optimal parameter selection for qualitative regional erosion risk monitoring: A remote sensing study of SE Ethiopia. Geoscience Frontiers 2(2):237- 245.

Bouaziz M. Wijaya A. and Gloaguen R. 2009. Gully erosion mapping using aster data and drainage network analysis in the main Ethiopian rift. In: Proceeding of the International Geoscience and Remote Sensing Symposium (IRARSS), Cape Town, South Africa. p. I13-I16.

Bryan R.B. 1977. Assessment of soil erodibility: new approaches and directions. In: Toy, T.J. (Ed.), Erosion: Research Techniques, Erodibility and Sediment Delivery, Geoabstracts, Norwich. p. 57-72.

Chen W. Xie X. Wang J. Pradhan B. Hong H.  Bui D.T. Duan Zh. And Ma J. 2017. A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. CATENA, 151:147–160.

Cerdan O. Souch_ere V. Lecomte V. Couturier A. Le and Bissonnais Y. 2002. Incorporating soil surface crusting processes in an expert-based runoff model: sealing and transfer by runoff and erosion related to agricultural management. CATENA 46 (2-3):189-205.

Crepani E. de Medeiros J.S. Hernandez F.P. Galloti F.T. Duarte V. and Faria B.C.C. 2001. Remote Sensing and Geoprocessing Applied to the Ecological and Economical Zoning and to the Territorial Ordering, INPE-8454-RPQ/722, S~ao Jos_e dos Campos, Brazil, p. 124 (in Portuguese with English abstract).

Devi R. Tesfahune E. Legesse W. Deboch B. and Beyene A. 2008. Assessment of siltation and nutrient enrichment of Gilgel Gibe dam, Southwest Ethiopia. Journal of Bioresource Technology 99(5):975-979.

Drzewiecki W. Wezyk P. Pierzchalski M. and Szafran-Ska B. 2013. Quantitative and Qualitative Assessment of Soil Erosion Risk in Małopolska (Poland), Supported by an Object-Based Analysis of High-Resolution Satellite Images, J. Pure and Applied Geophysics, DOI 10.1007/s00024-013-0669-7.

Dupac M. 2010. Soil erosion and degradation based on sand particles transport caused by wind blowing, Natural Resource Modeling, 23(2):121-122.

El-Swaify S.A. 1997. Factors affecting soil erosion hazards and conservation needs for tropical steeplands. Soil Technology 11: 3-6.

Enters T. 1998. A framework for economic assessment of soil erosion and soil conservation. In: Penning de Vries, F.W.T., Agus, F., Kerr, J. (Eds.), Soil Erosion at Multiple Scales: Principles and Methods for Assessing Causes and Impacts. CAB Publishing, Wallingford, UK, p. 317-342.

Essa S. 2004. GIS modeling of land degradation in Northern Jordan using Landsat imagery. In: Proceeding of the 20th ISPRS Congress 12e23 July 2004, Istanbul, Turkey, 505-510.

Fernandes J. Bateirad C. Soares L. Faria A. Oliveira A. Hermenegildo C. Moura R. and Gonçalves J. 2017. SIMWE model application on susceptibility analysis to bank gully erosion in Alto Douro Wine Region agricultural terraces. CATENA, 153:39-49.

Foth L.T. and Turk L.M. 1972. Fundamentals of Soil Science, fifth ed. John Wiley & Sons, Inc., New York, p. 371.

Frank T.D. and Isard S.A. 1986. Alpine vegetation classification using high resolution aerial imagery and topoclimatic index values. Photogrammetric Engineering and Remote Sensing, 52 (3): 381-388.

Gahegan M. German G. and West G. 1999. Improving Neural Network Performance on the Classification of Complex Geographic Datasets. Journal of Geographical Systems, 1:3-2.

Gessler P.E. Moore I.D. McKenzie N.J. and Ryan P.J. 1995. Soil-landscape modeling and spatial prediction of soil attributes. International Journal of Geographical Information Systems 9 (4):421-432.

Grum B. Woldearegay K. Hessel R. Baartman J.E.M. Abdulkadir M. Yazewe E. Kessler A. Ritsem C. J. and Geissen V. 2017. Assessing the effect of water harvesting techniques on event-based hydrological responses and sediment yield at a catchment scale in northern Ethiopia using the Limburg Soil Erosion Model (LISEM), CATENA, 159: 20-34.

Harris M.T. and Boardman J. 1990. A rule-based expert system approach to predicting waterborne soil erosion. In: Boardman, J. Foster, D.L. Dearing, J.A. (Eds.) Soil Erosion on Agricultural Land. John Wiley & Sons, Chichester, p. 401-412.

Hill J. Megier J. Mehl W. 1995. Land degradation, soil erosion and desertification monitoring in Mediterranean ecosystems. Remote Sensing Reviews, 12:107-130.

Hurni H. 1993. Land degradation, famine and resource scenarios in Ethiopia. In: Pimental, D. (Ed.), World Soil Erosion and Conservation. Cambridge University Press, Cambridge, p. 27-61.

Jain S.K. Dolezal F. 2000. Modeling soil erosion using EPIC supported by GIS, Bohemia, Czech Republic. Journal of Environmental Hydrology, 8:1-11.

Kirkby M. 2001. Modeling the interaction between soil surface properties and water erosion. CATENA 46: 89-102.

Kothyari U.C. 1996. Erosion and sedimentation problems in India. In: Wailing D.E. Webb B.W. (Eds.), Erosion and Sediment Yield: Global and Regional Perspectives, 236. IAHS Publication, 531-540.

Li P. Mu X. Holden J. Wu Y. Irvine B. Wang F. Gao P. Zhao G. and Sun W. 2017. Comparison of soil erosion models used to study the Chinese Loess Plateau, Earth-Science Reviews, 170: 17-30.

Li Zh. Zhang Y. Zhu Q. Yang S. Lia H. and Ma H. 2017. A gully erosion assessment model for the Chinese Loess Plateau based on changes in gully length and area, CATENA, 148(2):195-203.

Majaliwa M.J.G. Magunda M.K. Tenywa M.M. and Isabirye M. 2003. Effect of topography on soil erodibility in Kakuuto micro-catchment, Uganda. East African Agricultural and Forestry Journal, 69(1):19-27.

Martinez G. Weltz M. Pierson F.B. Spaeth K.E. and Pachepsky Y. 2017. Scale effects on runoff and soil erosion in rangelands: Observations and estimations with predictors of different availability, CATENA, 151:161-173.

Martinez-Casasnovas, J.A. 2003. A spatial information technology approach for the mapping and quantification of gully erosion. CATENA 50 (24): 293-308.

Mitasova H. Hofierka J. Zlocha M. and Iverson L.R. 1996. Modeling topographic potential for erosion and deposition using GIS. International Journal of Geographical Information Science, 10(5):629-641.

Morgan R.P.C. 1995. Soil Erosion and Conservation, second ed., Essex, New York, p. 320.

Moore I.D. Gessler P.E. Nielson G.A. and Peterson G.A. 1993. Soil attributes prediction using terrain analysis. Soil Science Society of America Journal 2:443-452.

Nearing M. A. Yin Sh. Borrelli P. and Polyakova V.O. 2017. Rainfall erosivity: An historical review. CATENA, 157:357-362.

Oldeman L.R. Hakkeling R.T.A. and Sombroek W.G. 1990. World Map of the Status of Human-induced Soil Degradation: An Explanatory Note, Wageningen, Netherlands, p. 34.

Oldeman L.R. 1994. The global extent of soil degradation. In: Greenland, D.J., Szabolcs, I. (Eds.), Soil Resilience and Sustainable Land Use. CAB International, Oxon, U.K., p. 115.

Pickup G. and Chewings V.H. 1996. Correlations between DEM-derived topographic indices and remotely sensed vegetation cover in rangelands. Earth Surface Processes and Landforms, 21:517-529.

Quinton J.N. 1997. Reducing predictive uncertainty in model simulations: a comparison of two methods using the European Soil Erosion Model EUROSEM, 30:101-117.

Qygarden L. 2003. Rill and gully development during an extreme winter runoff event in Norway. 50 (2-4):217-242.

Reusing M. Schneider T. and Ammer U. 2000. Modeling soil loss rates in the Ethiopian Highlands by integration of high resolution MOMS- 02/D2-stereo-data in a GIS. Journal of Remote Sensing, 21:1885-1896

Rouse J.W. Haas R.H. Schell J.A. and Deering D.W. 1974. Monitoring vegetation systems in the Great Plains with ERTS. In: Freden, S.C., Mercanti E.P. Becker M.A. (Eds.), Third Earth Resource Technology Satellite-1 Symposium, vol. 1, Technical Presentations. NASA, Washington, D.C. p. 309-317.

Singh G. Babu R. Narain P. Bhushan L.S. and Abrol I.P. 1992. Soil erosion rates in India. Journal of Soil and Water Conservation, 47 (1): 97-99.

Stocking M.A. and Murnaghan N. 2001. A Handbook for the Field Assessment of Land Degradation. Earthscan Publication, London, UK, p. 169.

Sukhanovskii Y. P. 2010. Rainfall Erosion Model, Eurasian Soil Science, 43(9):1036-1046.

Thornes J.B. Shao J.X. Diaz E. Roldan A. McMahon M. and Hawkes J.C. 1996. Testing the MEDALUS hillslope model. 26:137-160.

Toy T.J. Foster G.R. and Renard K.G. 2002. Soil Erosion: Processes, Prediction, Measurement and Control. John Wiley & Sons, New York.

Trimble W.S. 1990. Geomorphic effects of vegetation cover and management: some time and space considerations in predicting of erosion and sediment yield. In: Thornes, J.B. (Ed.), Vegetation and Erosion. John Wiley & Sons Ltd., UK, p. 55-65.

Van Rompaey A.J.J. and Govers G. 2002. Data quality and model complexity for regional scale soil erosion prediction. International Journal of Geographical Information Science, 16(7): 663-680.

Vrieling A. Sterk G. and Beaulieu N. 2002. Erosion risk mapping: a methodological case study in the Colombian Eastern Plains. Journal of Soil and Water Conservation, 57(3):158-163.

Wang L. Huang J. Du Y. Hu Y. and Han P. 2013. Dynamic Assessment of Soil Erosion Risk Using Landsat TM and HJ Satellite Data in Danjiangkou Reservoir Area, China, Remote Sensing, 5:3826-3848.

Wijaya A. 2005. Application of Multi-stage Classification to Detect Illegal Logging with the Use of Multi-source Data, MSc. Thesis, ITC, Enschede, The Netherlands.

Yao H. Shi Ch. Shao W. Bai J. and Yang H. 2017. Changes and influencing factors of the sediment load in the Xiliugou basin of the upper Yellow River, China, CATENA, 142:1-10.

Yves L.B. Montier C. Jamagne M. Daroussin J. and King D. 2002. Mapping erosion risk for cultivated soil in France. CATENA, 46(23):207-220.