ORIGINAL_ARTICLE
بررسی نوزمینساخت پهنه گسل کاروانسرا بر پایه الگوهای ریختزمینساختی و فرکتالی حاکم بر شمال نوبران، شمالباختر ایران
پهنه گسلی کاروانسرا در شمال نوبران و پهنه زمینشناسی و ساختاری ایران مرکزی قرار گرفته است. این پهنه در جنوب دریای خزر و در کمربند آلپ-هیمالیا قرار دارد. مطالعه نشانههای ریختزمینساختی، روش مناسبی در ارزیابی فعالیتهای زمینساخت نسبی و بررسی تأثیرات پهنه گسلی موردمطالعه است. در این پژوهش 5 شاخص ریختسنجی، شاخص عدم تقارن حوضهزهکشی، تقارن توپوگرافی عرضی، گرادیان – طول رودخانه، نسبت عرض کف دره به ارتفاع آن و منحنی فرازسنجی محاسبه شده است. ارزیابی این شاخصها و همپوشانی نتایج آنها با یکدیگر بهعنوان شاخص زمینساخت فعال نسبی در چهار رده شامل مناطق با فعالیت زمینساخت نسبی، خیلی فعال تا مناطق با فعالیت کم مشخص گردید. توزیع این شاخص نواحی مربوط به فعالیت گسلهای مختلف و نرخهای نسبی زمینساخت پویا را مشخص میسازد. همچنین بعد فرکتالی در 11 مربع در منطقه موردمطالعه برای الگوی گسلها و شبکه زهکشی منطقه به روش مربعشمار، نمودارهای Log – Log و استفاده از تحلیلهای فرکتالی مربوطه محاسبه شده است. بررسی نوزمینساخت پهنه گسلی کاروانسرا و قرارگیری حوضهها، با میزان فعالیت زمینساختی متوسط تا بالا، در پهنه گسلهای اصلی و فعال در منطقه بهخصوص در مناطقی که تراکم شکستگیها بیش از دیگر مناطق است و ابعاد فرکتالی محاسبه شده برای پهنه گسلی و شبکه زهکشی، نشاندهنده عملکرد فعال سامانه گسلی در جبهه جنوبی محدوده موردمطالعه است. نقش مؤثر ساختارهای زمینساختی در ایجاد نرخهای بالایی از میزان فعالیت نسبی زمینساختی و ریختشناسی شبکه زهکشی بهعنوان عوامل مخاطرات طبیعی جدی در محدوده موردمطالعه محسوب میشوند.
https://geoeh.um.ac.ir/article_40280_764bc452e2711de8f840458f62388548.pdf
2022-01-21
1
23
10.22067/geoeh.2021.69902.1044
نوزمینساخت
شاخصهای ریختسنجی
گسل کاروانسرا
نوبران
امیر حسین
صدر
a.sadr@basu.ac.ir
1
استادیار گروه تکتونیک، دانشکده علومپایه، دانشگاه بوعلی سینا، همدان، ایران
LEAD_AUTHOR
رضا
علی پور
rezaalipoor116@gmail.com
2
استادیار گروه تکتونیک، دانشکده علومپایه، دانشگاه بوعلی سینا، همدان، ایران
AUTHOR
مریم
محمودی
maryammahmoodi149@gmail.com
3
کارشناسی ارشد تکتونیک، دانشکده علومپایه، دانشگاه بوعلی سینا، همدان، ایران
AUTHOR
زهرا
رسولی عنبر
zahra.rasouli.319@gmail.com
4
کارشناسی ارشد تکتونیک، دانشکده علومپایه، دانشگاه بوعلی سینا، همدان، ایران
AUTHOR
اورنگ، کیوان؛ محجل، محمد؛ تاجبخش، غلامرضا؛ 1393. شواهد وارونگی بردار لغزش در گسل کوشکنصرت، شمال ساوه، فصلنامه علمی - پژوهشی علوم زمین، سازمان زمینشناسی کشور. شماره 94، 328-315.
1
بهرامی، شهرام؛ معتمدیراد، محمد؛ اکبری، الهه؛ 1392. بررسی تأثیر تکتونیک در ویژگیهای کمی شبکه زهکشی (مطالعه موردی: چهار حوضه زهکشی در شمالشرق کشور). مطالعات جغرافیایی مناطق خشک، سال سوم، شماره 12، 102-85.
2
پورکرمانی، محسن؛ معتمدی، حسین؛ 1381. روشهای زمینشناسی ساختمانی. انتشارات دانشگاه شهید بهشتی تهران.
3
سلیمانی، شهریار؛ 1378. رهنمودهایی در شناسایی حرکات تکتونیکی فعال و جوان با نگرشی بر مقدمات دیرینهلرزهشناسی، پژوهشگاه بینالمللی زلزلهشناسی و مهندس زلزله.
4
سیف، عبدالله؛ خسروی، قاسم؛ 1389. بررسی تکتونیک فعال در قلمرو تراست زاگرس منطقه فارسان، پژوهشهای جغرافیای طبیعی (پژوهشهای جغرافیایی سابق). شماره 74، 125-146.
5
علایی مهابادی، سلیمان؛ خلعتبری جعفری، مرتضی؛ 1383. نقشه زمینشناسی 1:100000 نوبران، سازمان زمینشناسی و اکتشافات معدنی کشور.
6
علایی مهابادی، سلیمان؛ فودازی، محمد؛ 1386. نقشه زمینشناسی 1:100000 رزن، سازمان زمینشناسی و اکتشافات معدنی کشور.
7
قنواتی، عزتالله؛ صفاکیش، فریده؛ مقصودی، یاسر؛ 1396. ارزیابی تکتونیک فعال در زیر حوضههای جراحی - زهره بر پایه تحلیل مورفوتکتونیکی و اثرهای آن بر میدانهای نفتی حوضه موردمطالعه، پژوهشهای جغرافیای طبیعی. دوره 49، شماره 2، 240 -221.
8
گورابی، ابوالقاسم؛ 1395. تکتونیک فعال، زمینلرزهها، بالاآمدگی و چشمانداز. انتشارات دانشگاه تهران.
9
گورابی، ابوالقاسم؛ نوحهگر، احمد؛ 1386. شواهد ژئومورفولوژیکی تکتونیک فعال حوضه آبخیز درکه، پژوهشهای جغرافیایی. شماره 60، 196-177.
10
محمودی، مریم؛ 1397. تحلیل ساختاری و نوزمینساخت پهنه گسلی خلخاب، شمال باختر ایران. پایاننامه کارشناسی ارشد، استاد راهنما: دکتر امیرحسین صدر، دانشگاه بوعلی سینا همدان، دانشکده علوم پایه.
11
مقصودی، مهران؛ عمالدین، سمیه؛ 1383. ارزیابی ویژگیهای لندفرمهای نواحی بیابانی با تأکید بر دشت لوت. مطالعات جهانگردی دانشگاه علامه طباطبایی. شماره 6، 95-109.
12
Alipoor, R, Poorkermani, M, Zare, M, El Hamdouni, R., 2011. Active tectonic assessment around Rudbar Lorestan dam site, High Zagros Belt (SW of Iran). Geomorphology, 128: 1–14.
13
Alizadeh, A, Lopez Martınez, M, Sarkarinejad, Kh., 2010. Petrology, geochemistry 40Ar-39Ar Geochronology in a gneiss dome within the Zagros Orogenic Belt Geochronologie 40Ar-39Ar dans un dome gneissique de la ceinture orogenique du Zagros. C. R. Geoscience, 342: 837–846.
14
Bolourchi, MH., 1978. Geological Quadrangle Map of Avaj, Scale 1:100,000, Sheet D 5861. Geological Survey of Iran.
15
Bull, WB, McFadden, LD., 1977. Tectonic geomorphology north and south of the Garlock fault, California, In: Doehring, D.O. (Ed.), Geomorphology in Arid Regions, Proceedings of the Eighth Annual Geomorphology Symposium, State University of New York, and Binghamton, 115-138.
16
Bull, WB., 2007. Tectonic geomorphology of mountains: a new approach to paleoseismology, Blackwell Publishing, Malden, MA. 316.
17
Burbank, D, Anderson, R., 2001. Tectonic Geomorphology. Blackwell science. 274p.
18
Ciccacci, S, Fredi, P, Lupia Palmieri, E, Pugliese, F., 1986. Indirect evaluation of erosion entity in drainage basins through geomorphic, climatic and hydrological parameters. International Geomorphology, 2: 33–48.
19
El Hamdouni, R, Irigaray, C, Fernandez, T, Chacan, J, Keller, EA., 2008. Assessment of relative active tectonics, southwest border of Sierra Nevada (southern Spain). Geomorphology, 96, pp.150-173.
20
Guarnieri, P, Pirrotta, C., 2008. The Response of Drainage Basins to the Late Quaternary Tectonics in the Sicilian Side of the Messina Strait (NE Sicily). Geomorphology, 95: 260-273.
21
Hack, JT., 1973. Stream-profile analysis and stream-gradient index, U.S. Geological Survey Journal of Research, 1: 421 - 429.
22
Hare, PW. Gardner, TW., 1985. Geomorphic indicators of vertical neotectonism along converging plate margins, Nicoya Peninsula, Costa Rica. In: Morisawa, M., Hack, J.T. (Eds.), Tectonic Geomorphology. Proceedings of the 15th Annual Binghamton Geomorphology Symposium. Allen and Unwin, Boston, MA, 123–134.
23
Keller, EA, Bonkowski, MS, Korsch, RJ. Shlemon, RJ., 1982. Tectonic geomorphology of the San Andreas Fault zone in the southern Indio Hills, Coachella Valley, California. Geological Society of America Bulletin 93: 46–56.
24
Keller, EA, Pinter, N., 1996. Active tectonics: earthquakes, uplift, and landscape.by Prentice-Hall, Inc.Simon and Schuster/A Viacom Company Upper Saddle River, New Jersey, 7458: 121 - 145.
25
Keller, EA, Pinter, N., 2002a. Active Tectonics: Earthquakes, Uplift and Landscape, second ed. Prentice Hall, NJ. 362.
26
Li, Y, Yang, J, Tan, L, Duan, F., 1999. Impact of tectonics on alluvial landforms in Hexi corridor, Northwest China. Geomorphology, 28: 299-308.
27
Molin, P, Pazzaglia, FJ, Dramis, F., 2004. Geomorphic expression of active tectonics in a rapidly-deforming forearc, sila massif, Calabria, southern Italy. American Journal of Science. 304: 559–589.
28
Obruchev, VA., 1948. Osnovnyje certy Kinetiki i plastiki neotectoniki, Izv. Akad. Nauk SSSR Ser. Geol. 5 (First introduced the term neotectonics into the geological literature).
29
Ramirez, M. Herrera, MT., 1998. Geomorphic assessment of active tectonics in the Acambay Graben, Mexican volcanic belt. Earth Surface Processes and Landforms, 23: 317-332.
30
Turcotte, DL., 1997. Fractals and Chaos in Geology and Geophysics", Cambridge Univ. Press.
31
ORIGINAL_ARTICLE
تعیین عوامل مؤثر بر سیلخیزی رودخانه گرگانرود و ریز پهنهبندی خطر سیلاب شهرستان آققلا با استفاده از تحلیل سلسله مراتبی AHP
هدف از تحقیق حاضر بررسی معیارهای مؤثر در سیلخیزی رودخانه گرگانرود در محدوده شهرستان آققلا است. پنج معیار کلی و 18 زیرمعیار فرعی مؤثر در ایجاد سیلاب رودخانه گرگانرود و شهرستان آققلا، شناسایی و با روش سلسلهمراتبی AHP معیارها و زیرمعیارها وزندهی شده و لایههای آنها در نرمافزار ArcMap همپوشانی و نقشۀ خطر سیل شهرستان آققلا تهیه شد. معیارهای توپوگرافی و مورفولوژی به ترتیب با اوزان 353/0 و 333/0 بیشترین تأثیر در به وجود آمدن سیلاب را داشتند. 19/14 درصد از مساحت شهرستان آققلا در پهنه خطر خیلیکم (مناطق غربی و جنوبی شهرستان با توجه به توپوگرافی مناسب و دور بودن از حریم رودخانه)، 1/18 درصد در پهنۀ خطرکم (شمالغرب شهرستان با توجه به وجود مناطق باتلاقی و شورهزار)، 95/11 درصد در پهنه خطرمتوسط (شمال شهرستان با توجه به باتلاقی و تپهماهوری بودن منطقه و جنوب شهرستان)، 66/29 درصد در پهنه خطرزیاد (جنوبشرق شهرستان به دلیل نزدیکی به رودخانۀ گرگانرود و زیرشاخههای رودخانه قرهسو و غرب شهرستان به دلیل شرایط نامناسب مورفولوژی و شیب بسیارکم بستر رودخانه) و 1/26 درصد از شهرستان آققلا در پهنه خطر خیلیزیاد (مرکز شهرستان و اطراف رودخانه گرگانرود با توجه به وضعیت توپوگرافی و مورفولوژی رودخانه) قرار دارند. دیوارهسازی و تثبیت قوس خارجی پیچانرودها در محدوده روستاهای سلاقیلقی تا قانقرمه، لایروبی رودخانه در نزدیکی پلها، تغییر کاربری اراضی متجاوز به حریم رودخانه، لایروبی و بسترسازی مناسب در محدوده شهری رودخانه گرگانرود و زهکشی و کانالکشی مناسب با شرایط توپوگرافی مناطق مرکزی شهرستان از اقداماتی است که به کاهش خطر سیل در شهرستان آققلا کمک مینماید.
https://geoeh.um.ac.ir/article_40373_d921ac533d8a9c0cba2170ac57eb5b7e.pdf
2022-01-21
25
46
10.22067/geoeh.2021.68419.1011
آققلا
نقشه خطر سیلاب
رودخانه گرگانرود
AHP
GIS
کامران
گنجی
kamranganji@shahroodut.ac.ir
1
کارشناس ارشد آب و سازههای هیدرولیکی، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، سمنان، ایران
AUTHOR
سعید
قره چلو
sgharachelo@shahroodut.ac.ir
2
استادیار گروه نقشهبرداری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، سمنان، ایران
LEAD_AUTHOR
احمد
احمدی
a.ahmadi@shahroodut.ac.ir
3
دانشیار گروه مهندسی آب و محیطزیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، سمنان، ایران
AUTHOR
اصغرپور، محمدجواد؛ 1397. تصمیمگیریهای چندمعیاره. انتشارات دانشگاه تهران. فصل دوم. صص 95-101.
1
آذرنگ، فرهنگ؛ تلوری، عبدالرسول؛ صدقی، حسین؛ شفاعی بجستان، محمود؛ 1395. اثرات احداث سدهای بزرگ بر شرایط جریان و پارامترهای هیدرولیکی رودخانه (مطالعه موردی: رودخانه کرخه پاییندست سد مخزنی). مجله علمی پژوهشی آبوخاک. صص 11-27.
2
آقایی، شیما؛ مازیار، محمدرضا؛ 1386. تصمیمگیری منطقی با بهرهگیری از نرمافزار Expert Choice2000. انتشارات اردکان دانش. اصفهان. ص 6.
3
بدیعیزاده، سامان؛ بهرهمند، عبدالرضا؛ آرامی، عبدالحسن؛ سبحانی، آمنه؛ 1391. بررسی تحلیلی معیارهای هیدرولیکی و آسیبپذیری در پهنهبندی خطر سیلاب شهری با استفاده از تکنیکهای تصمیمگیری چندمعیاره. سومین همایش ملی مقابله با بیابانزایی و توسعه پایدار تالابهای کویری ایران. اراک: دانشگاه آزاد اسلامی واحد اراک. صص 3-5.
4
بزرگحداد، امید؛ خسروشاهی اصل، سارا؛ زارعزاده، محبوبه؛ جوان، پوریا؛ 1392. توسعه مدل شبیهسازی-بهینهسازی در حفاظت مناطق سیلگیر. نشریه آبوخاک (علوم و صنایع کشاورزی). جلد 27. شماره 3. صص 462-471.
5
حسینزاده، محمدمهدی؛ اسماعیلپور، نادر؛ زنگیآبادی، سیدمحمدعلی؛ 1394. ارزیابی رابطه SCS-CN در تعیین میزان رواناب با استفاده از نرمافزار Arc-GIS مطالعه موردی: حوضه آبریز سلطانی. اولین کنفرانس بینالمللی علوم جغرافیایی. شیراز: موسسه عالی علوم و فناوری خوارزمی. ص 3.
6
حیدری، علی؛ امامی، کامران؛ برخوردار، مهرداد؛ مرادی، شادی؛ 1385. پیشبینی و هشدار سیلاب. کمیته ملی آبیاری و زهکشی ایران. شابک: 964-6668-58-5. صص 149-150.
7
درخشان، شهرام؛ ضیائیان فیروزآبادی، پرویز؛ بخشیپور، امیدرضا؛ 1385. بررسی کارآیی مدلهای مختلف در مکانیابی پخش سیلاب با استفاده از GIS مطالعه موردی حوضه دویرج ایلام. هفتمین سمینار بینالمللی مهندسی رودخانه. اهواز: سازمان آب و برق خوزستان. دانشگاه شهید چمران اهواز. ص 6.
8
صالحی، اسماعیل؛ رفیعی، یوسف؛ فرزاد بهتاش، محمدرضا؛ آقابابایی، محمدتقی؛ 1392. پهنهبندی سیلاب شهری با استفاده از GIS و فرایند تحلیل سلسلهمراتبی فازی، مطالعهموردی: شهر تهران. محیطشناسی. سال سی و نهم. شماره 3. صص 188-179.
9
عبدینژاد، پرویز؛ حیدری، اصغر؛ حسینی، احمد؛ 1394. تشکیل بانک اطلاعاتی و پایگاه دادههای مشخصات عمومی رودخانهها و مسیلهای استان زنجان در محیط GIS. اولین کنفرانس ملی مهندسی فناوری اطلاعات مکانی. تهران: دانشکده مهندسی نقشهبرداری دانشگاه صنعتی خواجهنصیرالدین طوسی. ص 9.
10
عسگری، شمسالله؛ احمدی، مهدی؛ همتی، موسی؛ 1394. فرسایش کناری رودخانه چرداول با استفاده از مدل HEC-RAS و GIS. مجله تحقیقات جغرافیایی. شماره 30. صص 71-80.
11
عطایی، محمد؛ 1388. تصمیمگیری چندمعیاره. انتشارات دانشگاه صنعتی شاهرود. صص 19-45.
12
قلینژاد، جواد؛ ظهیری، عبدالرضا؛ دهقانی، میراحمد؛ 1391. شبیهسازی یکبعدی و دوبعدی جریانهای سیلابی در رودخانهها (مطالعه موردی: رودخانه گرگانرود ایستگاه هیدرومتری آققلا). مجله پژوهشهای حفاظت آبوخاک. دوره نوزدهم. شماره چهارم. صص 103-119.
13
گنجی، کامران؛ قرهچلو، سعید؛ احمدی، احمد؛ 1399. بررسی اثر شاخصهای مورفولوژیکی رودخانه گرگانرود بر پهنههای سیلاب با استفاده از دادههای سنجشازدور و تحلیلهای مکانی (منطقه مطالعاتی: شهر آققلا). نشریه علمی جغرافیا و مخاطرات محیطی. دانشگاه فردوسی مشهد. دوره 9. شماره 3 - شماره پیاپی 35. صص 225-205. DOI: 10.22067/GEOEH.2020.67016.0
14
نظریها، مهرداد؛ علی، نقیخانی؛ قیاسی، بهزاد؛ یوسفی، علی؛ 1392. بررسی عوامل مؤثر بر ریختشناسی (مورفولوژی) آبراههها و رودخانهها. اولین همایش ملی مهندسی و مدیریت کشاورزی، محیطزیست و منابع طبیعی پایدار. همدان، انجمن ارزیابان محیطزیست هگمتانه. صص 648-655.
15
Ali, S.A., Khatun, R., Ahmad, A., Ahmad, S.N., 2019. Application of GIS-based analytic hierarchy process and frequency ratio model to flood vulnerable mapping and risk area estimation at Sundarban region, India. Modeling Earth Systems and Environment. Springer International Publishing 5(3):1083–1102. DOI: 10.1007/s40808-019-00593-z.
16
Chakraborty, S., Mukhopadhyay, S., 2019. Assessing flood risk using analytical hierarchy process (AHP) and geographical information system (GIS): application in Coochbehar district of West Bengal, India. Natural Hazards. Springer Netherlands 99(1):247–274. DOI: 10.1007/s11069-019-03737-7.
17
Di Baldassarre, G., Uhlenbrook, S., 2012. Is the current flood of data enough? A treatise on research needs for the improvement of flood modelling. Hydrological Processes 26(1):153–158. DOI: 10.1117/12.2194449
18
Ganji, K., Gharachelou, S., Ahmadi, A., 2019. Urban’s river flood analysing using sentinel-1 data case study: (gorganrood, aq’qala). International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives 42(4/W18):415–419. DOI: 10.5194/isprs-archives-XLII-4-W18-415-2019
19
Pradhan, B., 2009. Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing. Journal of Spatial Hydrology. Journal of Spatial Hydrology 9(2):1–18.
20
Sadek, M., Li, X., 2019. Low-Cost Solution for Assessment of Urban Flash Flood Impacts Using Sentinel-2 Satellite Images and Fuzzy Analytic Hierarchy Process: A Case Study of Ras Ghareb City, Egypt. Advances in Civil Engineering 2019. DOI: 10.1155/ 2019/2561215
21
Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing 27(14):3025–3033. DOI: 10.1080/01431160600589179
22
ORIGINAL_ARTICLE
اثر شاخصهای مورفومتری در بهبود کارایی مدلهای دادهکاوی بهمنظور پهنهبندی حساسیت زمینلغزش حوضه آبخیز چریکآباد ارومیه
هدف این مطالعه ارزیابی کارایی دو مدل دادهکاوی شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان بردار در سه حالت استفاده از شاخصهای مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمالشده پوشش گیاهی (NDVI)، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و ترکیبی از دو حالت فوق، در پهنهبندی حساسیت زمینلغزشهای حوضه آبخیز چریکآباد ارومیه است. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، تعداد 92 نقطه لغزشی در حوضه شناسایی شدند. نقشه شاخصهای مورفومتریک و عوامل محیطی و انسانی در SAGA_GIS6.4 و ArcGIS10.5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC نشان داد که در حالت استفاده از شاخصهای مورفومتریک دو مدل SVM و ANN به ترتیب با سطح زیر منحنی 742/0 و 763/0 دارای عملکرد خوب در پهنهبندی حساسیت زمینلغزشها بودهاند. در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 876/0 و 929/0 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی به همراه شاخصهای مورفومتریک، دو مدل با سطح زیر منحنی 940/0 و 936/0 دارای عملکرد تقریباً یکسان با رتبه عالی در پهنهبندی مناطق حساس بودهاند. بالاترین مقدار مجموع کیفیت (Qs) و نسبت تراکمی (Dr) بیشترین همبستگی بین ردههای خطر برای مدل SVM در حالت سوم بوده است. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، LS و ارتفاع حوضه بیشترین تأثیر را بر وقوع زمینلغزشها داشتهاند؛ بنابراین تأثیر عوامل طبیعی نسبت به عوامل انسانی و در حالت کلی شاخصهای مورفومتری در مقایسه با عوامل محیطی و انسانی در وقوع لغزشها بیشتر بوده و حوضه ذاتاً حساس به وقوع لغزش است.
https://geoeh.um.ac.ir/article_40412_5e3cac5222aeaefee72960f573632cb3.pdf
2022-01-21
47
68
10.22067/geoeh.2021.69707.1041
شاخصهای مورفومتریک
SVM
ANN
منحنی ROC
حوضه آبخیز چریکآباد
عبدالعزیز
حنیفی نیا
aziz.hanifi1372@gmail.com
1
دانشجوی دکتری مدیریت حوزههای آبخیز، گروه مرتع و آبخیزداری دانشگاه ارومیه، ارومیه، ایران
LEAD_AUTHOR
حبیب
نظرنژاد
hnazarnejad2000@gmail.com
2
- دانشیار گروه مرتع و آبخیزداری دانشگاه ارومیه، ارومیه، ایران
AUTHOR
احمدآبادی، علی؛ رحمتی، مریم؛ 1394. کاربرد شاخصهای کمّی ژئومورفومتریک در شناسایی پهنههای مستعد زمینلغزش با استفاده از مدلSVM، مطالعه موردی: آزادراه خرمآباد_پلزال. پژوهشهای ژئومورفولوژی کمّی. سال 3. شماره 4. صفحات 197-213.
1
حنیفینیا، عبدالعزیز؛ نظرنژاد، حبیب؛ نجفی، سعید؛ کرنژادی، آیدینگ؛ 1399. اولویتبندی عاملهای مؤثر بر وقوع زمینلغزش و پهنهبندی حساسیت آن در آبخیز چریکآباد ارومیه با استفاده از مدل آنتروپی شانون. پژوهشهای آبخیزداری. دوره 33. شماره 4. 32-48.
2
حنیفینیا، عبدالعزیز؛ نظرنژاد، حبیب؛ نجفی، سعید؛ کرنژادی، آیدینگ؛ 1398. پهنهبندی حساسیت زمینلغزش با استفاده از مدل فرایند سلسله مراتبی در حوزه آبخیز چریکآباد ارومیه. چهاردهمین همایش ملی علوم و مهندسی آبخیزداری ایران. 25 و 26 تیر ماه 1398.
3
شیرانی، کورش؛ سیف، عبدالله؛ 1390. پهنهبندی خطر زمینلغزش با استفاده از روشهای آماری (منطقه پیشکوه، شهرستان فریدونشهر). علوم زمین. دوره 22. شماره 85. 149-158.
4
صمدی، میثم؛ جلالی، سعیده؛ قشلاقچایی، محمود؛ کرنژادی، آیدینگ؛ 1395. بررسی شاخصهای مورفومتری در حوزه آبخیز چهلچای استان گلستان با استفاده از .GIS مهندسی نقشهبرداری و اطلاعات مکانی. دوره 7. شماره 4. 37-48.
5
عبادی، فؤاد؛ ایلدرمی، نوری؛ بابائی، خالد؛ 1398. پهنهبندی خطر زمینلغزش در آبخیز سد چراغ ویس کردستان با مدلهایIRAT وLNRF. پژوهشهای آبخیزداری. پیاپی 32. شماره 3. 37-52.
6
عربعامری، علیرضا؛ رضایی، خلیل؛ سهرابی، مسعود؛ شیرانی، کورش؛ 1397. ارزیابی کارایی پارامترهای کمی ژئومورفومتریک در افزایش صحت نقشههای پهنه بندی حساسیت زمینلغزش (مطالعه موردی: حوضه فریدون شهر، استان اصفهان). پژوهشنامه مدیریت حوزه آبخیز. شماره 18. جلد 9. 220-232.
7
کرمی، فریبا؛ بیاتی خطیبی، مریم؛ خیریزاده، منصور؛ مختاری اصل، ابوالفضل؛1398. ارزیابی کارایی الگوریتم ماشین بردار پشتیبان در پهنهبندی حساسیت زمینلغزش حوضه آبریز اهرچای. جغرافیا و مخاطرات محیطی. دوره 8. شماره 32. 1-17.
8
میرزانیا، صالح؛ شهابی، هیمن؛ 1398. ارزیابی و پیشبینی مکانی مخاطرۀ زمینلغزش در جادۀ کوهستانی سنندج-کامیاران با استفاده از الگوریتمهای پیشرفتۀ دادهکاوی. مدیریت مخاطرات محیطی. دوره 6. شماره 4. 317-340.
9
نوجوان، محمدرضا؛ شاهزیدی، سمیهسادات؛ داودی، محمود؛ امین رعایا، هاجر؛ 1398. پهنه بندی خطر زمینلغزش با استفاده از تلفیق دو مدل فرآیند تحلیل سلسله مراتبی و فازی (مطالعه موردی: حوضه آبخیز کمه، استان اصفهان). پژوهشهای ژئومورفولوژی کمّی. دوره 7. شماره 4. صفحات 142-159.
10
Aditian A, Kubota T, Shinohara Y. 2018. Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia, Geomorphology 318: 101-111.
11
Arnone E, Francipane A, Noto LV, Scarbaci A, La Loggia G. 2014. Strategies investigation in using artificial neural network for landslide susceptibility mapping: application to a Sicilian catchment, Journal of Hydroinformatics 16(2): 502-515.
12
Ben-Hur Asa, Horn David, Siegelmann Hava, Vapnik Vladimir N. 2001. Support vector clustering, Journal of Machine Learning Research 2: 125–137.
13
Boser BE, Guyon IM, Vapnik VN. 1992. A training algorithm for optimal margin classifiers. Proceedings of the fifth annual workshop on Computational learning theory– COLT '92. p. 144. CiteSeerX 10.1.1.21.3818.
14
Bragagnolo L, da Silva RV, Grzybowski JMV. 2020. Landslide susceptibility mapping with r. landslide: A free open-source GIS-integrated tool based on Artificial Neural Networks, Environmental Modelling & Software 123, 104565.
15
Cama M, Conoscenti C, Lombardo L, Rotigliano, E. 2016. Exploring relationships between grid cell size and accuracy for debris-flow susceptibility models: a test in the Giampilieri catchment (Sicily, Italy), Environ. Earth Sci 75 (3): 1–21.
16
Carrara A, Crosta G, Frattini P. 2008. Comparing models of debris-flow susceptibility in the alpine environment. Geomorphology 94(3-4): 353-378.
17
Chen W, Pourghasemi HR, Kornejady A, Zhang N. 2017. Landslide spatial modeling: Introducing new ensembles of ANN, MaxEnt, and SVM machine learning techniques, Geoderma 305: 314-327.
18
Fang Z, Wang Y, Peng L, Hong H. 2020. Integration of convolutional neural network and conventional machine learning classifiers for landslide susceptibility mapping. Computers & Geosciences139, 104470.
19
Fell R, Corominas J, Bonnard C, Cascini L, Leroi E, Savage WZ. 2008. Guidelines for landslide susceptibility, hazard and risk zoning for land use planning, Engineering Geology 102(3): 85-98.
20
Gee, M. D. (1991). Classification of landslide hazard zonation methods and a test of predictive capability, Landslides, Bell, G., (ed.), Balkema, Rotterdam 947- 952.
21
Guha-Sapir D, Below R, Hoyois P. 2020. EM-DAT: international disaster database. Brussels, Belgium: Université Catholique de Louvain. Available from: http://www.emdat.be.
22
Guzzetti F, CesareMondini A, Cardinali M, Fiorucci F, Santangelo M, Chang KT. 2012. Landslide inventory maps: new tools for an old problem, EarthScience Review 112: 42-66.
23
Haghighat M, Abdel-Mottaleb M, Alhalabi W. 2016. Discriminant correlation analysis: Real-time feature level fusion for multimodal biometric recognition. IEEE Transactions on Information Forensics and Security, 11(9): 1984-1996.
24
Hong H, Pourghasemi HR, Pourtaghi, ZS. 2016. Landslide susceptibility assessment in Lianhua County (China): a comparison between a random forest data mining technique and bivariate and multivariate statistical models, Geomorphology 259: 105-118.
25
Hsieh CJ, Chang KW, Lin CJ, Keerthi SS, Sundararajan S. 2008. A dual coordinate descent method for large-scale linear SVM, In Proceedings of the 25th international conference on Machine learning (408-415).
26
Huang F, Cao Z, Guo J, Jiang SH, Li S, Guo Z. 2020. Comparisons of heuristic, general statistical and machine learning models for landslide susceptibility prediction and mapping, Catena 191, 104580.
27
Kavzoglu T, Kutlug Sahin E, Colkesen I. 2015. An assessment of multivariate and bivariate approaches in landslide susceptibility mapping: a case study of Duzkoy district, ORIGINAL PAPER 76:471–496.
28
Kirkos S, Manolopoulos Y. 2004. September. Data mining in finance and accounting: a review of current research trends, In Proceedings of the 1st international conference on enterprise systems and accounting (ICESAcc) 63-78 pp.
29
Lee S, Min K. 2001. Statistical analysis of landslide susceptibility at Yongin, Korea, Environmental Geology 40: 1095-1113.
30
Lucchese, L.V., de Oliveira GG, Pedrollo OC. 2021. Investigation of the influence of nonoccurrence sampling on landslide susceptibility assessment using Artificial Neural Networks, Catena 198, 105067.
31
Marjanović M, Kovačević M, Bajat B, Voženílek V. 2011. Landslide susceptibility assessment using SVM machine learning algorithm, Engineering Geology 123(3): 225-234.
32
Meyer D, Leisch F, Hornik K. 2003. The support vector machine under test, Neurocomputing 55(1-2): 169-186.
33
Möller M, Volk M, Friedrich K, Lymburner L. (2008). Placing soil-genesis and transport processes into a landscape context: A multiscale terrain-analysis approach, Journal of Plant Nutrition and Soil Science 171 (3): 419-430.
34
Moore ID, Grayson RB, Ladson AR. 1991. Digital terrain modeling: a review of hydrological, geomorphological, and biological applications, Hydro Process 5: 3-30.
35
Ocakoglu F, Gokceoglu C, Ercanoglu M. 2002. Dynamics of a complex mass movement triggered by heavy rainfall: a case study from NW Turkey, Geomorphology 42(3-4): 329-341.
36
Pontius JRG, Schneider LC. 2001. Land-cover change model validation by a ROC method for the Ipswich watershed, Massachusetts, USA, Agriculture, Ecosystems & Environment 85(1-3): 239-248.
37
Prasad R, Pandey A, Singh KP, Singh VP, Mishra RK, Singh D. 2012. Retrieval of spinach crop parameters by microwave remote sensing with back propagation artificial neural networks: A comparison of different transfer functions, Advances in space research 50(3): 363-370.
38
Press William H, Teukolsky SA, Vetterling WT, Flannery BP. 2007. Section 16.5. Support Vector Machines. Numerical Recipes: The Art of Scientific Computing (3rd ed.). New York: Cambridge University Press.
39
Rabby YW, Hossain MB, Abedin J. 2020. Landslide Susceptibility Mapping in Three Upazilas of Rangamati Hill District Bangladesh: Application and Comparison of GIS-based Machine Learning Methods, Geocarto International 1-24.
40
Roodposhti MS, Safarrad T, Shahabi H. 2017. Drought sensitivity mapping using two one-class support vector machine algorithms, Atmospheric Research 193: 73-82.
41
Sarkar S, Kanungo DP, Mehrotra, GS. 1995. Landslide hazard zonation: a case study in Garhwal Himalaya, India, Mountain Research and Development 15(4): 301-309.
42
Schmidhuber J. 2015. "Deep Learning". Scholarpedia, 10 (11): 85–117.
43
Shahabi H, Khezri S, Ahmad BB, Hashim M. 2014. Landslide susceptibility mapping at central Zab basin, Iran: A comparison between analytical hierarchy process, frequency ratio and logistic regression models, Catena 115: 55-70.
44
Shalev-Shwartz S, Singer Y, Srebro N, Cotter A. 2011. Pegasos: Primal estimated sub-gradient solver for SVM, Mathematical programming 127(1): 3-30.
45
Tien Bui D, Pradhan B, Revhaug I, Trung TC. 2014. A comparative assessment between the application of fuzzy unordered rules induction algorithm and J48 decision tree models in spatial prediction of shallow landslides at Lang Son City, Vietnam, In Remote sensing applications in environmental research 87-111.
46
Vakhshoori V, Pourghasemi HR, Zare, M., & Blaschke, T. (2019. Landslide susceptibility mapping using GIS-based data mining algorithms, Water 11(11): 2292.
47
Xie W, Li X, Jian W, Yang Y, Liu H, Robledo LF, Nie W. 2021. A Novel Hybrid Method for Landslide Susceptibility Mapping-Based GeoDetector and Machine Learning Cluster: A Case of Xiaojin County, China, ISPRS International Journal of Geo-Information 10(2): 1-19.
48
Yalcin A. 2011. A geotechnical study on the landslides in the Trabzon Province, NE, Turkey, Applied clay science 52: 11-29.
49
Yu C, Chen J. 2020. Landslide Susceptibility Mapping Using the Slope Unit for Southeastern Helong City, Jilin Province, China: A Comparison of ANN and SVM, Symmetry 12(6): 10-47.
50
ORIGINAL_ARTICLE
پیشبینی خطر تخریب جنگل با استفاده از سیستم اطلاعات جغرافیایی و مدل رگرسیون لجستیک (مطالعه موردی: شهرستان سردشت)
مدلسازی الگوی مکانی– زمانی در تغییرات پوشش جنگل اطلاعات ارزشمندی را جهت درک بهتر فرآیند تغییر، تعیین عوامل مؤثر مناطق در معرض تغییر فراهم میآورد. در این پژوهش سعی و تلاش ما بر آن بوده تا با استفاده از قابلیتها و تواناییهای فناوریهای روز ازجمله سنجشازدور، سیستم اطلاعات جغرافیایی عوامل موٌثر بر کاهش و تخریب جنگلهای غرب ایران را شناسایی کرده و سپس در قالب الگوی محاسباتی مناسب بهصورت یک مدل ریاضی بر گرفته از رفتار طبیعت پیادهسازی کنیم. در این پژوهش بهمنظور بررسی کاهش پوشش جنگلی شهرستان سردشت در استان آذربایجان غربی، از طریق تصاویر سنجندهMSS ، ETM+ و OLIمربوط به سالهای 1356، 1379 و 1397 استفاده گردید. تصاویر ذکر شده مورد پیشپردازش و پردازش قرار گرفتند و به دو طبقه جنگل و غیرجنگل طبقهبندی شدند. برای بررسی ارتباط مکانی کاهش پوشش جنگل با عوامل فیزیوگرافی و انسانی از روش آماری رگرسیون لجستیک استفاده شد. برای به دست آوردن نقشه شایستگی تبدیل اراضی، رابطه رگرسیون لجستیک بین نقشه کاهش پوشش جنگلی سالهای 1356 تا 1379 و 1379 تا 1397 و همچنین عوامل مؤثر بر آن، برقرار شد. درنهایت، یک مدل مکانی ساده که توانایی پیشبینی پراکنش مکانی تخریب جنگل را با استفاده از رگرسیون لجستیک دارد، ارائه شد. نتایج نشان داد که در طول 41 سال حدود 33721 هکتار از سطح جنگلهای شهرستان سردشت کاسته شده است. با توجه به نتایج مشخص شد که از متغیّرهای توپوگرافی، پارامترهای فاصله از جاده و فاصله از روستا بر میزان تخریب جنگل بیشترین تأثیر را داشتهاند.
https://geoeh.um.ac.ir/article_40430_7bbe218bd7af6ec15cbce2b48a6eadb5.pdf
2022-01-21
69
92
10.22067/geoeh.2021.70743.1070
سنجشازدور
مدلسازی
تخریب جنگل
آذربایجان غربی
صالح
آرخی
s.arekhi@gu.ac.ir
1
استادیار جغرافیا، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران
LEAD_AUTHOR
عبدالرحمان
محمودیان
rahman.mahmoudyan@gmail.com
2
دانشجوی کارشناسی ارشد مخاطرات محیطی، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران
AUTHOR
سمیه
عمادالدین
s.emadodin@gu.ac.ir
3
استادیار جغرافیا، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران.
AUTHOR
باقری، رضا؛ شتایی، شعبان؛ 1389. مدلسازی کاهش گستره جنگل با استفاده از رگرسیون لجستیک (مطالعه موردی: حوزه آبخیز چهل چای استان گلستان). مجله جنگل ایران. 2(3): ۲۴۳-۲۵۲.
1
پیرباوقار، مهتاب؛ 1383. بررسی تغییرات گستره جنگل در ارتباط با عوامل توپوگرافی و مناطق انسانساخت (مطالعه موردی: جنگلهای شرق استان گیلان). پایاننامه کارشناسی ارشد جنگلداری. دانشگاه تهران. 136ص.
2
ثاقبطالبی، خسرو؛ ساجدی، تکتم؛ یزدیان، فرشاد؛ 1383. نگاهی به جنگلهای ایران. انتشارات موسسه تحقیقات جنگلها و مراتع. 56 ص.
3
جزیرهای، محمدحسین؛ ابراهیمیرستاقی، مرتضی؛ 1382. جنگلشناسی زاگرس. انتشارات دانشگاه تهران. 560 صفحه
4
رفیعیان، امید؛ درویشصفت، علیاصغر؛ نمیرانیان، منوچهر؛ 1385. تعیین تغییرات گستره جنگلهای شمال کشور بین سالهای 73 تا 80 با استفاده از تصاویر سنجنده ETM+. مجله علوم و فنون کشاورزی و منابع طبیعی. 10(3): 277- 286.
5
شادمانی، سعدالله؛ قدسخواه دریایی، مهرداد؛ قجر، اسماعیل؛ حیدریصفری کوچی، ابوذر؛ 1399. مدلسازی درجات تخریب جنگلهای حوضه 12 ماسال استان گیلان با استفاده از رگرسیون لجستیک. مجله محیطزیست طبیعی. منابع طبیعی ایران. دوره 73. شماره 1. 1-49.
6
مسگری، سعید؛ 1381. بررسی تغییرات سطوح جنگلها با استفاده از GIS و سنجشازدور. تهران. طرح پژوهشی دانشکده فنی. دانشگاه خواجهنصیرالدین طوسی.
7
مهدوی، علی؛ رنگین، سمیه؛ مهدیزاده، حسین؛ میرزاییزاده، وحید؛ 1397. مدلسازی تخریب جنگلهای زاگرس با استفاده از رگرسیون لجستیک (مطالعه موردی: جنگلهای چرداول استان ایلام). مجله جغرافیا و پایداری محیط. 8(27). 1-13.
8
Adhikari S, Fik T, Dwivedi P., 2017. Proximate causes of land use and land cover change in Bannerghatta national park: a spatial statistical model, pp 1-23
9
Chavez PSJ., 1996. Image-Based Atmospheric Corrections -Revisited and Improved. Photogrammetric Engineering and Remote Sensing (PE&RS). 62: 1025–1036.
10
Cheng J, Masser I., 2003. Urban growth pattern modeling: a case study of Wuhan city, PR China. Landscape and urban planning, 62, 199-217.
11
Clark WAV, Peter LH., 1986. Statistical Methods for Geographers. 1st Edition. Chichester: Wiley.
12
Dendoncker N, Patrick B, Mark R., 2006. A Statistical Method to Downscale Aggregated Land Use Data and Scenarios. Journal of Land Use Science 1(2–4): 63–82.
13
Eastman JR., 2012. Idrisi Production, Clark Labs-Clark University IDRISI Selva Tutorial.
14
Ghajar I, Najafi A, Torabi SA, Boston K., 2012. Rock share estimation in forest road excavation using the Ordinal Logistic Regression (OLR) and the Analytical Hierarchy Process (AHP). Iranian Journal of Forest and Poplar Research 20(2): 313-323. (In Persian).
15
Gruenberg WD, Curtin P, Shaw W., 2000. Deforestation Risk for the Maya Biosphere Reserve, Guatemala. School of Renewable Natural Resources, The University of Arizona, Tucson, Arizona, USA, 266 pp.
16
Lee S, Sampath T., 2006. Landslide Susceptibility Mapping in the Damrei Romel Area, Cambodia Using Frequency Ratio and Logistic Regression Models. Environmental Geology, volume 50, pages 847–855.
17
Lin YP, Hong, NM, Wu PJ, Verburg PH., 2007. Impacts of land use change scenarios on hydrology and land use patterns in the Wu-Tu watershed in northern Taiwan. Landscape and Urban Planning, 80, 111-126.
18
Matthew L, Robert J, Smith RJ, Nigel LW., 2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, 13: 1809–1818.
19
Millington J, Perry DA, George L, Romero-Calcerrada R., 2007. Regression techniques for examining land use/cover change: A case study of a Mediterranean landscape. Ecosystems, 10, 562-578.
20
Miriam SW, Taylor VS., 2010. Modeling social and land-use/land-cover change data to assess drivers of smallholder deforestation in Belize. Applied Geography 30: 329–342.
21
Phompila C, Lewis M, Ostendorf B, Clarke K., 2017. Forest cover changes in Lao tropical forests: physical and socio-economic factors are the most important drivers. Land, 6(23), 1-14.
22
Pirbavaghar M., 2015. Deforestation modelling using logistic regression and GIS. Journal of Forest Science, 61(5), 193-199. (In Persian).
23
Salman Mahiny A, Turner BJ., 2003. Modeling past vegetation change through remote sensing and GIS: a comparison of neural networks and logistic regression methods. School of Resources, Environment and Society, the Australian National University, Canberra 0200, Australia.
24
Schneider LC, Pontius JRG., 2001. Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture Ecosystems & Environment, 85, 83-94.
25
Sumon N, Mizoue N, Zawhtum N, Kajisa T, Yoshida S., 2012. Factors affecting deforestation and forest degradation in selectively logged production forest: A case study in Myanmar. Article in Forest Ecology and Management, 267, 190-198.
26
Vu QM, Le QB, Frossard E, Vlek PLG., 2014. Socio-economic and biophysical determinants of land degradation in Vietnam: An integrated causal analysis at the national level. Land Use Policy, 36, 605-617.
27
ORIGINAL_ARTICLE
بررسی پتانسیل مناطق مستعد فرسایش با مدلهای ICONA، ماشین بردار پشتیبان، چاید و جنگل تصادفی (مطالعه موردی: حوضه گناباد)
مدلهای تجربی برآورد فرسایش برای یک منطقه خاص تهیه شدهاند و واسنجی آنها برای استفاده در شرایطی غیر از محل تهیه آنها ضروری است. بررسی دقت مدلهای تجربی برای تخمین فرسایش میتواند منجر به برآوردهای بهتر از بار رسوبی و درنتیجه طراحی بهتر عملیات حفاظت خاک و آب گردد. لذا شناسایی مناطق پر خطر فرسایش جهت کنترل و کاهش فرسایش و تولید رسوب ضروری است. هدف از این پژوهش بررسی دقت و قابلیت مدلهای[1] ICONA ماشین بردار پشتیبان، چاید و جنگل تصادفی در تخمین فرسایش است. ابتدا لایههای رقومی متغیرهای مؤثر در فرسایش شامل شیب، سازند زمینشناسی، کاربری اراضی، خاک، ارتفاع، جهت شیب، انحنا سطح، تراکم شبکه آبراهه، فاصله از آبراهه، تراکم گسل، فاصله از گسل و شاخص رطوبت توپوگرافی (Twi) تهیه گردید. در این پژوهش بهمنظور مقایسه مدلهای مختلف از شاخصهای آماری ضریب همبستگی (R) و قدر مطلق خطا )MAE) استفاده شده است. بررسی نتایج نشان دادند که از میان مدلهای نام برده مدل ماشین بردار پشتیبان، ICONA و جنگل تصادفی با الگوی M7، M9 و M12 بیشترین دقت را با ضریب همبستگی)899/0)، (845/0) و (921/0) و کمترین میانگین قدر مطلق خطا (711/0= MAE)، (721/0= MAE) و (628/0= MAE) دارد. با توجه به مطالعه عوامل مؤثر در مدل فرسایش خاک این نتیجه به دست میآید که پارامترهای شیب، سازند زمینشناسی، کاربری اراضی، خاک، فاصله از آبراهه و شاخص رطوبت توپوگرافی (Twi) حساسیت بیشتری نسبت به فرسایش داشته و عوامل مؤثر بر فرسایش در این مناطق فعالیت بیشتری دارند. بخش اعظم منطقه موردمطالعه، جزو طبقه فرسایشی خیلی زیاد تا زیاد قرار دارد که بهطور عمده این کلاسها در مرکز منطقه قرار گرفتهاند. بیشترین مناطق تحت خطر فرسایش بالا تا شدید، در واحد توپوگرافی با شیب زیاد واقع شدهاند.
https://geoeh.um.ac.ir/article_40446_462fd38f699441449648a3a0aedb8d2a.pdf
2022-01-21
93
112
10.22067/geoeh.2021.71162.1080
فرسایش خاک
حوضه گناباد
مدلهای تجربی
شاخص های آماری
ضریب همبستگی
محمدعلی
زنگنه اسدی
ma.zanganehasadi@hsu.ac.ir
1
دانشیار ژئومورفولوژی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران
AUTHOR
مهناز
ناعمی تبار
mahnaznaemi70@gmail.com
2
دانشجوی دکتری ژئومورفولوژی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران
LEAD_AUTHOR
رحمان
زندی
r.zandi@hsu.ac.ir
3
استادیار گروه سنجشازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران
AUTHOR
خالقی، سمیه؛ نصرتی، کاظم؛ عباسپور، رحیم؛ 1399. برآورد فرسایش خاک و انتقال رسوب در حوضه آبخیز بادآور لرستان با استفاده از مدلSWAT. پژوهشهای ژئومورفولوژی کمّی. شماره 3. 186-202.
1
خسروی اقدم، کمال؛ ممتاز، حمیدرضا؛ اسدزاده، فرخ؛ 1398. برآورد عامل فرسایشپذیری خاک مدل USLE و ارتباط آن با برخی از ویژگیهای زمین منظر در بخشی از حوزه آبخیز نازلو چای ارومیه. مجله تحقیقات کاربردی خاک. شماره 7. 43-31.
2
رضازاده، محمد سهیل؛ بختیاری، بهرام؛ عباس پور، کریم؛ احمدی، محمد؛ 1397. شبیهسازی رواناب، رسوب و تبخیر تعرق با استفاده از سناریوهای مدیریتی برای کاهش بار رسوب با استفاده از مدل SWAT. نشریه علوم و مهندسی آبخیزداری ایران. شماره 41. 51-40.
3
سیاسر، هادی؛ هنر، تورج؛ 1398. کاربرد مدلهای ماشین بردار پشتیبان، چاید و جنگل تصادفی در برآورد تبخیر تعرق مرجع روزانه در شمال استان سیستان و بلوچستان. نشریه آبیاری و زهکشی ایران. شماره 2. 388-378.
4
قربانی نژاد، سمیرا؛ زینی وند، حسین؛ حقی زاده، علی؛ طهماسبی، ناصر؛ 1398. بررسی کارایی مدل دمپستر- شافر در پتانسیلیابی مناطق مستعد فرسایش خاک حوزه آبخیز کاکا رضا در استان لرستان. سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 9. 114-100.
5
کرمی، فریبا؛ بیاتی خطیبی، مریم؛ 1398. مدلسازی فرسایش خاک و اولویتبندی تولید رسوب در حوضه سد ستارخان اهر با استفاده از مدلهای MUSLE و SWAT. هیدروژئومورفولوژی. شماره 18. 115-137.
6
مزبانی، مهدی؛ رضایی مقدم، محمدحسین؛ حجازی، اسدالله؛ 1400. ارزیابی خطر فرسایش خاک در کاربریهای اراضی با استفاده از معادله اصلاحشده جهانی فرسایش خاک (مطالعه موردی: حوضه آبریز سیکان). جغرافیا و مخاطرات محیطی. شماره 37. 41-63.
7
یمانی، مجتبی؛ عرب عامری، علیرضا؛ 1397. کارایی آنالیز کمی پارامترهای ژئومورفومتریک در تهیه نقشه حساسیت فرسایش خاک (مطالعه موردی: حوضه منج). جغرافیا و مخاطرات محیطی. شماره 26. 21-1.
8
Ashraf A., 2020. Risk modeling of soil erosion under different land use and rainfall conditions in Soan river basin. Sub -Himalayan region and mitigation options. Modeling Earth Systems and Environment, 6: 417–428.
9
Ayele G.T, Teshale E.Z, Yu B, Rutherfurd I.D, Jeong J., 2017. Streamflow and Sediment Yield Prediction for Watershed Prioritization in the Upper Blue Nile River Basin. Ethiopia. Water 9: 1-29.
10
Borrelli P, Alewell Ch, Alvarez P, Jamil Alexandre A.A, Jantiene B, Cristiano B, Nejc B, Marcella B, Artemi C, Devraj Ch, Songchao Ch, Walter Ch, Anna M, Gizaw Desta G, Detlef D, Nazzareno D, Nikolaos E, Gunay E, Peter F, Michele F, Francesco G, Andreas G, Nigussie H, Bifeng H, Amelie J, Konstantinos K, Kiani-Harchegani M, Ivan Lizaga V, Changjia L, Luigi L, Manuel L, Manuel Esteban L, Michael M, Francis M, Chiyuan M, Matjaž M, Sirio M, Markus M, Victoria N, Laura P, Raquel P, Laura Q, Rahdari M, Renima M, Giovanni F, Jesús R, Sergio S, Samani A, Calogero S, Vasileios S, Hyuck Soo K, Diogo Noses S, Paulo Tarso O, Hongfen T, Resham T, Konstantinos V, Diana V, Jae E, ShuiqingY, Demetrio Antonio Z, Guangju Z, Panos P., 2021. Soil erosion modelling: A global review and statistical analysis. Science of the Total Environment 780 : 3-16.
11
Briak H, Moussadek R, Aboumaria KH, Mrabet R., 2016. Assessing sediment yield in Kalaya gauge dwatershed (Northern Morocco) using GIS and SWAT model. International Soil and Water Conservation Research 4: 177- 185.
12
Christos G, Panagos P, Ioannis Z, Gitas., 2014. A classification of water erosion models according to their geospatial characteristics. International Journal of Digital Earth 7: 229-250.
13
Duru U, Arabi M, Whol E., 2018. Modeling stream flow and sediment yield using the SWAT model: a case study of Ankara River basin, Turkey. Journal Physical Geography 39: 264-289.
14
Gull S, MA A, Dar A.M., 2017. Prediction of Stream Flow and Sediment Yield of Lolab Watershed Using SWAT Model. HydrologyCurrent Research 8: 1-9.
15
ICONA. 1991. Plan National de Restauracion hidrologico-forest alpara el Control de la Erosion. Ministries deAgriculture, Pescay Alimentacion, Madrid.
16
Kisi O, Kilic Y. 2015. An investigation on generalization ability of artificial neural networks and M5 model tree in modeling reference evapotranspiration. TheorAppl Climatol, 1-13.
17
Kumar T, jahria DC, Pandey H.K., 2019. Comparative study of different models for soil erosion and sediment yield in Pairi watershed, Chhattisgarh, India. Journal Geocarto internathinal 9: 112-124.
18
Muche H, Temesgen M, Yimer F., 2013. Soil loss prediction using USLE and MUSLE under conservation tillage integrated with ‘fanya juus’ in Choke Mountain, Ethiopia. International Journal of Agricultural Sciences 3: 046-052.
19
Pahlavan Rad M.R, Toomanian N, Khormali F, Brungard C, Komaki C.B, Bogaert P., 2014. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loessderived soils of northern Iran. Journal of Geoderma 32: 97–106.
20
Thi Phuong Y, Chau V, Trung T, Nguyen B N, Huynh CH., 2014. Modeling Soil Erosion within Small Moutainous Watershed in Central Vietnam Using GIS and SWAT. Resources and Environment 4: 139-147.
21
ORIGINAL_ARTICLE
هدفمندی تعیین اماکن احداث سازههای توری-سنگی با استفاده از فرآیند تحلیل شبکهای (موردمطالعه: شهرستان خرمآباد)
امروزه با توجه به اعتبارات زیادی که بندهای اصلاحی در احداث پروژههای آبخیزداری به خود اختصاص میدهند، بررسی اولویتها در مکانیابی نقاط بحرانی پیش از اجرای سازهها میبایست بهصورت جامع و دقیق صورت گیرد. شناخت درست و دقیق نقاط فرسایش پذیر و عوامل مؤثر در آن اقدامی ضروری است، که میتوان با اقدامات بهموقع آبخیزداری خواه از سازهای و غیره سازهای یا ترکیبی از آنها، شدت آسیبهای ناشی از فرسایش و رسوب زیر حوضهها را به حداقل رساند؛ ازاینرو دقت در انتخاب اولویتها و سیاستگذاریهای در فعالیتهای سازهای حوضههای آبخیز از تأثیر بسزایی برخوردار است. در این پژوهش که باهدف مدیریت و طرحریزی بنیادین، سازههای توری-سنگی در سطح شهرستان خرمآباد بهمنظور کنترل فرسایش و رسوب صورت گرفت از چهار معیار هیدرولوژیک، توپوگرافی، اقتصادی و اجتماعی و سایر شاخصهای مرتبط با فرسایش و گسل که در ۱۴ زیر شاخص قرار میگیرند، با بهرهگیری از فرآیند تحلیل شبکهای بهمنظور وزن دهی این پارامترها و ورود آن به سیستم اطلاعات جغرافیایی استفاده شد. با نگرش در نتایج، شاخصهای تأثیرگذار بهمنظور مکانیابی سازههای توری-سنگی بیشترین وزن را زیر معیارهای فرسایش، پوشش گیاهی و گسل با وزنهای ۱۴۵/۰، ۱۴۱/۰ و ۱۲۶/۰ به خود اختصاص دادند، که میتوان از این نتایج برای پیشگیری از مخاطرههای برآمده از فرسایش و رسوب که در ۵/۴ درصد از منطقه مطالعاتی قابلمشاهده است، استفاده نمود.هدف کلی تحقیق ارائه راهکارهایی مبتنی بر اصول علمی، ساده، کاربردی است. اولویتبندی از این طریق میتواند نقش مؤثری در قسمت هدفمندی اعتبارات آبخیزداری داشته باشد و با احداث سازههای مناسب خسارات را کاهش دهد. با توجه به اهداف پژوهش حاضر و اهمیت احداث سازههای آبخیزداری در کنترل فرسایش و رسوبگذاری، بهمنظور بهبود عملکرد اینگونه پروژهها، کاهش تخریب حوزه آبخیز و استفاده صحیح از آبهای سطحی پیشنهاد میشود.
https://geoeh.um.ac.ir/article_40411_e1e555b050c869e51b8a98ca22de90fc.pdf
2022-01-21
113
127
10.22067/geoeh.2021.70440.1062
سازههای اصلاحی
مکانیابی
خرمآباد
فرآیند تحلیل شبکهای
وحید
بیرانوندی
vbeiranvandi225@gmail.com
1
دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
AUTHOR
بهار
بیشمی
beishami@yahoo.com
2
- استادیار پژوهشی گروه گردشگری، پژوهشگاه میراث فرهنگی و گردشگری، تهران، ایران
LEAD_AUTHOR
احمدی، حسن؛ نظری سامانی، علیاکبر؛ قدوسی، جمال؛ اختصاصی، محمدرضا؛ ۱۳۸۲. ارائه مدلی برای ارزیابی طرحهای آبخیزداری. نشریه منابع طبیعی ایران. ۴ (۵۶):۳۵۰-۳۳۷.
1
اسکندری، منیژه؛ دستورانی، محمدتقی؛ فتاحی، احمد؛ نصری، مسعود؛ ۱۳۹۱. ارزیابی اثرات اقدامات آبخیزداری انجامشده روی رژیم جریان حوزه آبخیز زایندهرود؛ مطالعه موردی زیر حوزه مندرجان. سومین همایش ملی مدیریت جامع منابع آب.
2
پیرمرادی، رضا؛ نجفی، محمد؛ اسدیان، فریده؛ ۱۳۸۹. تعیین مناطق مناسب جهت احداث سد زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی و تحلیل سلسله مراتبی، مطالعه موردی: دشت ملایر در استان همدان. فصلنامه جغرافیای طبیعی. ۳ (۸): ۶۶-۵۱.
3
جمالی، علیاکبر؛ رحیمآبادی، ابوالفضل؛ زرنگ، نسیم؛ رحمتیان، آرش؛ ۱۳۹۵. اولویتبندی حوزه آبخیز برای احداث بند توری-سنگی به روش تحلیل چند معیاره مکانی (SMCE)، در حسن رباط اصفهان. فصلنامه جغرافیایی سرزمین. ۱۳ (۵۲): ۲۰-۱۱.
4
جوان، محسن؛ سیدیان، سید مرتضی؛ کاهه، مهدی؛ حشمت پور، علی؛ ۱۳۹۵. ارزیابی تأثیر ارتفاع سدهای اصلاحی بر حجم و دبی اوج سیلاب (مطالعه موردی: حوضه آبخیز گرگاندوز). نشریه علوم و مهندسی آبیاری. ۴ (۳۹): ۷۰-۵۹.
5
چزگی، جواد؛ مرادی، حمیدرضا؛ خیرخواه، میر مسعود؛ ۱۳۸۹. مکانیابی محلهای مناسب جهت احداث سد زیرزمینی با استفاده از روش تصمیمگیری چند معیاره با تأکید بر منابع آب (مطالعه موردی غرب استان تهران) (گزارش فنی). مجله علوم و مهندسی آبخیزداری ایران. ۴ (۱۳): ۶۸-۶۵.
6
خیرخواه زرکش میر، مسعود؛ ناصری، حمیدرضا؛ داوودی، محمدهادی؛ سلامی، همت؛ ۱۳۸۷. استفاده از روش تحلیل سلسله مراتبی در اولویتبندی مکانهای مناسب احداث سد زیرزمینی مطالعه موردی: دامنه شمالی کوههای کرکس – نطنز. نشریه پژوهش و سازندگی. ۲۱ (۲): ۱۰۱-۹۳.
7
دهقانی، مرتضی؛ قاسمی، حسین؛ ملکیان، آرش؛ ۱۳۹۲. اولویتبندی مکانی عملیات کاهش سیل و کنترل فرسایش با استفاده از روش منطق فازی (مطالعه موردی: حوزه آبخیز فورگ). نشریه مرتع و آبخیزداری (مجله منابع طبیعی ایران). ۶۶ (۱): ۸۸-۷۳.
8
رحیمی، ایرج؛ سیدیان، سید مرتضی؛ روحانی، حامد؛ احمدی، رضا؛ ۱۳۹۸. مکانیابی بندهای اصلاحی بهمنظور کنترل فرسایش با کمک فرآیند تحلیل سلسله مراتبی. مجله پژوهشهای فرسایش محیطی. ۹ (۳۳): ۲۶-۱.
9
سوری، مهشید؛ جعفری، محمد؛ آذرنیوند، حسین؛ فرخ زاده، بهنوش؛ ۱۳۹۱. تعیین مناطق مناسب اجرای پروژه پخش سیلاب با استفاده از فرآیند تحلیل سلسله مراتبی و سیستم اطلاعات جغرافیایی (مطالعه موردی: حوضه آبخیز میخوران کرمانشاه). نشریه پژوهشهای آبخیزداری. ۲۵ (۴): ۱۰۳-۹۲.
10
قاضی محله مهروز، نورعلی؛ نجفی نژاد، علی؛ نادر، نورا؛ ۱۳۸۷. بررسی عملکرد سازه چندمنظوره نوکنده استان گلستان در کنترل سیلاب با استفاده از مدل. نشریه علوم کشاورزی و منابع طبیعی. ۱۵ (۱): ۱۳۰-۱۱۹.
11
نوری، زهرا؛ سلاجقه، علی؛ عبادی، تقی؛ مقدم نیا، علیرضا؛ ۱۳۹۸. تأثیر اندازه ذرات رسوبات رودخانهای بر ویژگیهای جذب فسفر. نشریه محیطشناسی. ۴۵ (۳): ۴۸۳-۴۷۱.
12
نیکجوی، مرضیه؛ روحانی، حامد؛ ۱۳۹۴. پهنهبندی پتانسیل سیلخیزی حوزه آبخیز قورچای رامیان. مجله ترویج و توسعه آبخیزداری. ۳ (۱۰): ۳۶-۲۹.
13
Aly A, A. Saltani, S. Bashari, H. honarbakhsh, A; 2013. The location of rocky and Ghabion check dams in watershed of Dorahean in Chaharmahal and Bakhtiari province, Paper presented at The First National Conference of Water Use Optimization, Iran.
14
Bouaziz, M. Leidig, M. 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.
15
Emamgholi, M. Khosravi, Kh. Sedaii, N; 2015. Suitable site selections for gabion check dams construction using analytical hierarchy process and decision making methods. Journal ofSoil Environment, 1 (1): 35 - 44.
16
Mishra, A. Froebrich, J. Gassman, P. W; 2007. Evaluation of the SWAT model for assessing sediment control structures in a small watershed in India, Transactions of the ASABE, 50 (2): 469 - 477.
17
Morghan, R. P. C; 2005. Soil Erosion and Conservation. USA: Blackwell publication.
18
Nichols, M. H. McReynolds, K. Reed, C; 2012. Short-term soil moisture response to low-tech erosion control structures in a semiarid rangeland. Catena, 98 (1): 104 - 109.
19
Singh, K.P. Malik, A. Mohan, D. Sinha, S; 2004. Multivariate Statistical Techniques for the Evaluation of Spatial and Temporal Variations in Water Quality of Gomti River (India)—A Case Study. Water Research, 38: 3980-3992.
20
Singh, L.K. Jha, M.K. Chowdarx, V.M; 2017. Multi-criteria analysis and GIS modeling for identifying prospective water harvesting and artificial recharge sites for sustainable water supply. Journal of Cleaner Production, 142: 1436 - 1456.
21
Vaezi, A. R. Abbasi, M. Keesstra, S. Cerdà, A; 2017. Assessment of soil particle erodibility and sediment trapping using check dams in small semi-arid catchments. Catena, 157(1): 227 - 240.
22
Vulević, T. Dragović, N. Kostadinov, S. Simić, S. B. Milovanović, I; 2015. Prioritization of Soil Erosion Vulnerable Areas Using Multi-Criteria Analysis Methods. Polish Journal of Environmental Studies, 24 (1): 317 - 323.
23
Zhao, G. Kondolf, G. M. Mu, X. Han, M. He, Z. Rubin, Z. Sun, W; 2017. Sediment yield reduction associated with land use changes and check dams in a catchment of the Loess Plateau, China, Catena, 148: 126 - 137.
24
ORIGINAL_ARTICLE
بررسی و پردازش دیداری تابآوری شهری با تکنیک PROMETHEE- GAIA (موردمطالعه: شهر ایلام)
شهرنشینی بهعنوان برترین شکل سکونتگاه انسانی، ارتقای پایداری و تابآوری آن، یک اولویت است؛ لذا مطالعات تابآوری شهری و نحوه سنجش آن در شهرها اهمیت مییابد. این در حالی است که با وجود پیشرفتهای مهم در سالهای اخیر در این زمینه، روشهای موجود برای اندازهگیری تابآوری شهری، تنها به تحلیل آن برای اختلالات خاص، یا از منظر تابآوری مهندسی بوده است. بر اساس ضرورت موضوع این پژوهش با استفاده از مدلسازی PROMETHEE ابتدا اقدام به شناخت مبانی مدیریت بحران ناشی از زلزله نموده و در مرحله بعد به تحلیل آماری شهر ایلام پرداخته است. لازم به ذکر است پژوهش حاضر دارای رویکرد توسعهای – کاربردی و روش تحقیق ترکیبی از روشهای (توصیفی، تحلیلی، کتابخانهای و میدانی) است. همچنین جهت تحلیل و ترسیم از نرمافزارهای GRAFER، EQS، EXCEL و ArcGIS، VPLS و AMOS-SPSS دیگر برنامههای موردنیاز استفاده گردیده است. نتایج تحقیق نشان داده است بر اساس طرحریزی GAIA تنها نواحی 12، 3، 8، 5 و 6 بیشترین تابآوری شهری را نسبت به دیگر نواحی دارا هستند و از نظر شاخصسازی سه معیار تأسیسات و تجهیزات، فضای سبز و حملونقل در شهر ایلام باعث به وجود آمدن چنین فضایی گردیده است. همچنین بر اساس الگوی شبکهای تابآوری میزان فی مثبت ناحیه 12 شهر ایلام برابر 81/0درصد و میزان فی منفی آن برابر 19/0 است. درنهایت بر اساس رتبهبندی کمی مدل PROMETHEE ناحیه 12 شهر ایلام با میزان 6231/0 درصد تابآورترین و ناحیه 9 شهر ایلام با میزان 4306/0- درصد آسیبپذیرترین ناحیه شهری است.
https://geoeh.um.ac.ir/article_39918_65f9fa23bd7da127d8ee6edf9e077dc5.pdf
2022-01-21
129
149
10.22067/geoeh.2021.68186.1009
مدلسازی
PROMETHEE
gaia
تابآوری شهری
ایلام
الیاس
مودت
mavedate@jsu.ac.ir
1
استادیار گروه شهرسازی، دانشگاه صنعتی جندیشاپور دزفول، ایران
LEAD_AUTHOR
احدنژاد، محسن؛1390. ارزیابی آسیبپذیری اجتماعی در برابر زلزله نمونه موردی شهر زنجان. مجله مطالعات و پژوهشهای شهری و منطقهای. سال دوم. شماره 7.
1
آستانه، علیرضا؛ بازگیر، سعید؛ شیخزاده، محسن؛ 1396. تحلیل فضایی آسیبپذیری اجتماعی در برابر زلزله مطالعه موردی منطقه6 شهر تهران. مجله پژوهشهای جغرافیایی انسانی. دوره 49.
2
اصغریزاده، عزت اله، بیطرف، احمد و اجلی، مهدی؛ 1390. ارائه یک مدل ترکیبی با استفاده از PROMETHEE فازی و برنامهریزی خطی چندهدفه برای برونسپاری خدمات گارانتی. مجله چشمانداز مدیریت صنعتی. شماره 2.
3
اصغریزاده، عزت اله؛ 1392. رتبهبندی شرکتها بر اساس معیارهای مدل سرآمدی – روش PROMETHEE. مجله پژوهشهای مدیریت در ایران. سال یازدهم. شماره 3. صفحه 84-59.
4
پاشاپور، حجت اله؛ پوراکرمی، محمد؛ 1396. سنجش ابعاد کالبدی تابآوری شهری در برابر مخاطرات طبیعی زلزله مطالعه موردی منطقه 12 شهر تهران. مجله مطالعات برنامهریزی سکونتگاههای انسانی. شماره 12.
5
دلاکه، حسن؛ ثمره محسن بیگی، حسین؛ شاهیوندی، احمد؛ 1396. سنجش میزان تابآوری اجتماعی در مناطق شهری اصفهان. مجله جامعهشناسی نهادهای اجتماعی. شماره 4.
6
شاهی، سولماز؛ کورکی، فرهاد؛ پورابراهیم، شراره؛ 1394. بررسی روش فراتبهای پرومته و الکتره در تصمیمگیری صنعت نفت و پتروشیمی. فصلنامه انسان و محیطزیست. شماره 33.
7
قدیری، محمود؛ رکنالدین افتخاری، عبدالرضا؛ شایان، سیاوش و پرهیزکار، اکبر؛ 1390. تبیین تمرکز اجتماعی – فضایی آسیبپذیری شهر تهران در برابر زلزله. مجله برنامهریزی و آمایش فضا. شماره 3.
8
قرایی، فریبا، مثنوی، محمدرضا؛ حاجی بنده، مونا؛ 1396. بسط شاخصهای کلیدی سنجش تابآوری مکانی-فضایی شهری؛ مرور فشرده ادبیات نظری. مجله باغ منظر. شماره 57.
9
مرکز آمار ایران واحد اطلاعرسانی آماری؛ 1396. گزارش سرشماری عمومی نفوس و مسکن استان ایلام.
10
مرکز آمار ایران؛ 1335-1395. سالنامه آماری استان ایلام، سازمان مدیریت و برنامهریزی استان ایلام. معاونت آمار و اطلاعات.
11
مودت، الیاس؛ ملکی، سعید؛ 1393. طیفبندی و سنجش فضایی آسیب فیزیکی اجتماعی شهرها در برابر زلزله با بهکارگیری تکنیک VIKOR و GIS. مجله جغرافیا و آمایش شهری – منطقهای. شماره 11.
12
مودت؛ الیاس؛ 1396. مدلسازی ساختار شهری با رویکرد تابآوری از منظر بحران زلزله مطالعه موردی شهر ایلام. رساله دکتری. استاد راهنما سعید ملکی. گروه جغرافیا و برنامهریزی شهری. دانشگاه شهید چمران اهواز.
13
Brans, J.P. and Mareschal, B., 2005. PROMETHEE methods, in Figueira, J., Greco, S. and Ehrgott, M. (Eds), Multiple Criteria Decision Analysis: State of the Art Surveys, Springer, New York, NY, pp. 163-198, Ch. 5.
14
Brans, J.P.; Vincke, P.h. and Mareschal, B., 1986. How to select and how to rank projects: The PROMETHEE method, Journal of Operational Research, 24, 228–238.
15
ECHO., 1999. The Geography of Disasters, Geography in Humanitarian Assistance, European Community Humanitarian Office.
16
Hagenlocher, M.; Holbling, D.; Kienberger, S.; Vanhuysse, S. and Zeil, P., 2015. Spatial assessment of social vulnerability in the context of landmines and explosive remnants of war in Battambang province, Cambodia, International Journal of Disaster Risk Reduction, Vol. 15 No. 1.
17
Katherine, L.; Modupe, A. and Dolly, C., 2015. hat Happens Before? A Field Experiment Exploring How Pay and Representation Differentially Shape Bias on the Pathway Into Organizations, Journal of Applied Psychology, Vol 100, No 6.
18
Kowalik, M. and Guaralda, M., 2011. Mapping resilience: A framework for changing cities. In Proceedings of 4th International Urban design Conference (pp. 102-113). AST Management Pty Ltd.
19
Olshansky, R. B.; Johnson, L. A.; Horne, J.and Nee, B., 2008. Longer view: Planning for the rebuilding of New Orleans. Journal of the American Planning Association, 74(3), 273-287.
20
Ozel, B., and Mecca, S., 2014. Rethinking the Role of Public Spaces for Urban Resilience: Case-Study of Eco-Village in Cenaia. In Past Present and Future of Public Space-International Conference on Art, Architecture and Urban Design Bologna (Italy).
21
Platts-Fowler, D. and Robinson, D., 2013. Neighbourhood resilience in sheffield: getting by in hard times. Report for Sheffield City Council, Centre for Regional Economic and Social Research.
22
Prasad, N.; Ranghieri, F.; Shah, F.; Trohanis, Z.; Kessler, E.; and Sinha, R., 2009. Climate resilient cities: A primer on reducing vulnerabilities to disasters. Washington, DC: World Bank.
23
Smith, K., 2006. Environmental hazards, Assessing risk and reducing disaster, 3rd Ed.
24
Suarez, M.; Gomez-Baggethun, M.; Benayas, J. and Tilbury, D., 2016. Towards an Urban Resilience Index: A Case Study in 50 Spanish Cities. Sustainability , 8(8): 774, 1-19.
25
The World Bank., 2012. Building urban resilience: principles, tools and practice.
26
Weichselgartner, J., 2001. Disaster mitigation: the concept of vulnerability revisited, Disaster Prevention and Management, Vol 10, No 2.
27
ORIGINAL_ARTICLE
بررسی و سنجش تابآوری شبکه ارتباطی شهر کرج (مطالعه موردی: خیابانهای شهید بهشتی و آزادی)
بیان مسأله: در سالهای اخیر، مطالعه درباره مفاهیم تابآوری در مقیاسهای شهری و منطقهای توجه ویژهای را به خود جلب کرده است، هرچند سطح و تعداد این مطالعات در مقیاس شهری بیش از مطالعات انجام شده دیگر در مقیاسهای بالاتر است. ازاینرو، خلأ این دسته از مطالعات در حوزه مطالعات منطقهای نمایان است. هدف: هدف اصلی از این تحقیق بررسی و سنجش تابآوری شبکه ارتباط شهر کرج است. در این پژوهش با مطالعات کتابخانهای معیارها و زیرمعیارهای مهم در افزایش میزان تابآوری راهها مشخص و سپس در محورهای انتخابی موردبررسی و ارزیابی قرار گرفته است. شش معیار تدوین شده در این پژوهش، تابآوری حرکت سواره، تابآوری عابران پیاده و دوچرخهسواران، تابآوری در برابر سوانح طبیعی، مدیریت کارآمد حملونقل، تابآوری در برابر شرایط نامساعد آب و هوایی و تابآوری در برابر جرم است. روش: این پژوهش از نوع کاربردی است. از سوی دیگر، روش تحقیق، توصیفی تحلیلی با رویکرد ترکیبی (کمی- کیفی) است. یافتهها: محورهای انتخابی این پژوهش، خیابان شهید بهشتی و خیابان آزادی شهر کرج میباشند. بر اساس ارزیابیهای انجام شده در این پژوهش به روش تحلیل سلسله مراتبی، سطح تابآوری این محورها متوسط و کم است. نتیجهگیری: از راهکارهای پیشنهادی برای ارتقای تابآوری میتوان پیاده راه نمودن بخشهای پرتردد پیاده خیابانهای موردبررسی، اجرای طرحهای ترافیکی مانند زوج و فرد نمودن تردد در معابر عبور وسایل نقلیه، کنترل سرعت وسایل نقلیه و تأمین حرکت ایمن برای عابران پیاده از طریق روشهای آرامسازی، استفاده از ابزار کنترل سرعت، احداث روگذر یا زیرگذر عابر پیاده در نقاط پرخطر و ... اشاره نمود.
https://geoeh.um.ac.ir/article_40431_9962d8bcddcd6591a266d3776672a027.pdf
2022-01-21
151
173
10.22067/geoeh.2021.69981.1046
ارزیابی
کارایی
تابآوری
شبکه ارتباطی درونشهری
کرج
حسن
حکمت نیا
ehsanhekmatnia@gmail.com
1
دانشیار، گروه جغرافیا و برنامهریزی شهری، دانشگاه پیام نور، تهران، ایران
AUTHOR
اسماعیل
نصیری هنده خاله
esmael.nasiri@yahoo.com
2
دانشیار، گروه جغرافیا و برنامهریزی شهری، دانشگاه پیام نور، تهران، ایران
LEAD_AUTHOR
فضل اله
اسمعیلی
esmaeili@pnu.ac.ir
3
استادیار، گروه جغرافیا و برنامهریزی روستایی، دانشگاه پیام نور، تهران، ایران
AUTHOR
بهروز
نظافت تکله
nezart.alborz@pnu.ac.ir
4
دانشآموخته کارشناسی ارشد، ژئومورفولوژی نظری، دانشگاه محقق اردبیلی، اردبیل، ایران
AUTHOR
داوود
فتاحی
fatah.davod66@yahoo.com
5
دانشآموخته کارشناسی ارشد، جغرافیا و برنامهریزی شهری، دانشگاه پیام نور، تهران، ایران
AUTHOR
داوود
مقدم
davodmoghadam@alumni.ut.ac.ir
6
دانشجوی کارشناسی ارشد، برنامهریزی آمایش سرزمین، دانشگاه تهران، تهران، ایران
AUTHOR
امانپور، سعید؛ ملکی، سعید؛ صفایی پور، مسعود؛ امیری فهلیانی، محمدرضا؛ 1397. تحلیل وضعیت و تعیین استراتژیهای مبتنی بر سناریو در تابآوری شهری مطالعه موردی، کلانشهر اهواز. فصلنامه پژوهش و برنامهریزی شهری. 9. 35. 31-46.
1
پیران، پرویز؛ اسدی، سعیده؛ دادگر؛ نیکو؛ 1396. بررسی نقش تابآوری اجتماعی در موفقیت فرآیند بازسازی مطالعه موردی، جوامع روستایی درب آستانه و باباپشمان پس از زلزله سال 1385 دشت سیلاخور، استان لرستان. فصلنامه مسکن و محیط روستا. شماره 157.
2
جعفریان، نغمه؛ حاتمی نژاد، حسین؛ مبهوت، محمدرضا؛ 1396. ارزیابی تابآوری اجتماعی و اقتصادی در برابر زلزله (مطالعه موردی، بجنورد). فصلنامه علمی پژوهشی امداد و نجات. سال 9. شماره 1.
3
حسین زاده دلیر، کریم؛ محمدیان، مهرداد؛ سرداری، رؤیا؛ 1398. مروری بر مفهوم تابآوری شهری. فصلنامه علمی تخصصی مطالعات طراحی شهری و پژوهشهای شهری. سال 2. شماره 3.
4
روستا، مجتبی؛ ابراهیمزاده، عیسی؛ ایستگلدی، مصطفی؛ 1397. ارزیابی میزان تابآوری اجتماعی شهری، مطالعه موردی، شهر زاهدان. نشریه پژوهش و برنامهریزی شهری. سال 9. شماره پیاپی 32.
5
سلمانی، محمد؛ کاظمی ثانی، عطاالله؛ بدری، نسرین؛ شریف، سیدعلی؛ 1395. شناسایی و تحلیل تأثیر متغیرها و شاخصهای تابآوری شواهدی از شمال و شمال شرقی تهران. نشریه تحلیل فضایی مخاطرات. سال 3. شماره 2.
6
شکری فیروزجاه، پری؛ 1396. تحلیل میزان تابآوری مناطق شهر بابل در برابر مخاطرات محیطی. نشریه برنامهریزی توسعه کالبدی. 2. 27-44.
7
فرجی، امین؛ آروین، محمود؛ آتش فروز، نسرین؛ 1397. بررسی تابآوری منطقهای با استفاده از تحلیل فضایی و مدل ترکیبی waspas، مطالعه موردی، شهرستانهای خوزستان. آمایش سرزمین. 1-29.
8
قدسی پور، سیدحسن؛ 1381. فرآیند تحلیل سلسله مراتبی (AHP). تهران: انتشارات دانشگاه امیرکبیر.
9
محمدی، اکبر؛ آشوری، کسری؛ بشیر رباطی، محمد؛ 1396. تبیین و ارزیابی مؤلفههای تابآوری نهادی و اجتماعی در سکونتگاههای خودانگیخته شهری مطالعه موردی، ناحیه منفصل شهری نایسر شهر سنندج. فصلنامه مطالعات شهری. شماره 22.
10
نوریان، فرشاد؛ اسفندی، سعید؛ 1394. تحلیل اولویت مکانی پایگاههای پشتیبان مدیریت بحران زلزله بر مبنای استاندارد طبقهبندی زمین مرجع کاربریها با استفاده از روش تاپسیس، مطالعه موردی، ناحیه 1 منطقه 6 شهرداری تهران. فصلنامه مدیریت بحران. شماره 2.
11
Ajibade, I. (2017). Can a future city enhance urban resilience and sustainability? A political ecology analysis of Eko Atlantic city, Nigeria. International Journal of Disaster Risk Reduction, 26, 85-92.
12
Bruneau, M. 2003. A framework to quantitatively assess and enhance the seismic resilience of communities. Earthquake spectra, 19.4.
13
Davis, I. & Y. Izadkhah (2006), Building Resilient Urban Communities, Article from OHI, 31, 1.
14
Donovan, B. & Work D. B. (2017). Empirically quantifying city-scale transportation system resilience to extreme events. Transportation Research, 79, 333–346.
15
Folke, C. (2006). Resilience: The emergence of a perspective for social–ecologicalsystems analyses. Global Environmental Change, 16(3), 253–267. http:// dx.doi .org/ 10.1016/ j. gloenvcha.
16
Gimenez, R., Hernantes, J. H. & Labaka, L. (2016). A maturity model for the involvement of stakeholders in the city resilience building process. Technological Forecasting & Social Change.
17
Holling, C. S. (1973). Resilience and stability of ecological systems. Annual Review of Ecology and Systematics,4,1–23. http://dx.doi.org/10.1191/030913200701540465.
18
León, J. & March, A. (2014). Urban morphology as a tool for supporting tsunami rapid resilience: A case study of Talcahuano, Chile. Habitat International, 43, 250-262.
19
Marana, P., Labaka, L., & Mari S. J. (2017). A framework for public-private-people partnerships in the city resilience-building process. Safety Science.
20
Mayunga, S.B. (2006). The concept of resilience revisited. Disasters, 30 (4), 433–450.
21
Marom, W. A. (2014). Mapping and Measuring Social Vulnerabilities of Coastal areas of Bangkok and Periphery. Proceedings of the Resilient Cities 2014 congress. Bonn. Germany. Pp. 29-31. http:// resilient-cities.iclei.org/.
22
Moghadas, M., Asadzadeh, A., Vafeidis, A., Feket, A. & Kötter, T. (2018). A multi-criteria approach for assessing urban flood resilience in Tehran, Iran. International Journal of Disaster Risk Reduction, (35), 101069, 1-29.
23
Parvin, G. A., Surjan, A., Rahman, A., & Shaw, R. (2016). Urban Risk, City Government, and Resilience. Urban Disasters and Resilience in Asia.
24
Smith, N. (2013). EVOLVING CITIES: Exploring the relations between urban form and the fovernance of urban form: An International centre supported by deutsche bank, LSE Cities. Published by the London School of Economics and Political Science.
25
Wilkinson, C & Beilin, R. (2015). Introduction: governing for urban resilience. Urban Studies Journal Limited. 9.2.
26
Wilson, G. A. (2012): Community resilience, globalization, and transitional pathways of decision-making, Geoforum, Vol. 43, Issue 6.
27
ORIGINAL_ARTICLE
بررسی سری زمانی خشکسالی کشاورزی شهرستان داراب با استفاده از سنجشازدور و سامانه گوگل ارث انجین
مخاطره خشکسالی ازجمله ویژگیهای طبیعی کره زمین محسوب میشود که امکان رخداد آن در تمام مناطق آب و هوایی وجود دارد؛ بهطوریکه در پارهای موارد خسارات جبرانناپذیری را ایجاد میکند. با توجه به اهمیت خشکسالی، این پژوهش با هدف تحلیل سری زمانی خشکسالی کشاورزی شهرستان داراب طی یک دوره 20 ساله (1399 – 1379) با استفاده از سنجشازدور و تصاویر ماهوارهای در محیط سامانه گوگل ارث انجین انجام شد. تصاویر ماهوارهای شامل 460 تصویر از محصولات دمای سطح زمین (LST) و پوشش گیاهی (NDVI) سنجنده مودیس ماهواره تررا میباشند که از آنها جهت محاسبه شاخص وضعیت دمایی (TCI) و شاخص وضعیت پوشش گیاهی (VCI) استفاده شد. همچنین با استفاده از دادههای بارش ثبت شده ایستگاه سینوپتیک داراب، شاخص SPI بهوسیله نرمافزار MATLAB در بازههای زمانی مختلف محاسبه شد. نتایج به دست آمده حاکی از این است که مطابق با طبقه خشکی بسیار شدید و بر اساس شاخص TCI سال 1379 با مساحت 46/225 کیلومترمربع وسعت و همچنین نیز بر اساس شاخص VCI سال 1392 با مساحت 80/280 کیلومترمربع وسعت، بیشترین مساحت خشکی را در شهرستان داراب داشتهاند. درنتیجه مقایسه بین مقدار عددی شاخص SPI برای هر یک از سالهای دوره موردبررسی با میزان مساحتهای فاقد خشکسالی حاصل از دو شاخص TCI و VCI به دست آمده از تصاویر ماهوارهای، بیشترین مقدار ضریب همبستگی به میزان 76/0 بین SPI دوازدهماهه و شاخص VCI مشاهده شد که این مطلب نمایانگر شاخص ماهوارهای VCI بهعنوان شاخص بهینه نشاندهنده وضعیت خشکسالی در شهرستان داراب است.
https://geoeh.um.ac.ir/article_40217_84182212d7eff4e23d3669436f237b84.pdf
2022-01-21
175
192
10.22067/geoeh.2021.69186.1029
سری زمانی خشکسالی
شاخص SPI
شهرستان داراب
گوگل ارث انجین
شاخص TCI
حسین
اسمعیلی
hossein.esmaeili@alumni.znu.ac.ir
1
کارشناس ارشد آب و هواشناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران
LEAD_AUTHOR
سید حسین
میرموسوی
hossein.mirmousavi@znu.ac.ir
2
دانشیار آب و هواشناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران
AUTHOR
اسماعیل
سهیلی
soheili@shirazu.ac.ir
3
استادیار آبخیزداری، بخش مرتع، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، شیراز، ایران
AUTHOR
اسدی میآبادی، احمد؛ اخضری، داود؛ نوری، حمید؛ بشیرگنبد، محمد؛ 1394. مطالعه اثر خشکسالی بر تغییرات پوشش گیاهی در اراضی مرتعی و کشاورزی بر مبنای دادههای میدانی و ماهوارهای (مطالعه موردی: جنوب استان همدان). نشریه مرتعداری. سال دوم. شماره 1.
1
رستمی، امین؛ بزانه، محمد؛ رائینی، محمود؛ 1396. پایش مکانی و زمانی خشکسالی کشاورزی با استفاده از تصاویر سنجنده مودیس و فن آوری سنجشازدور (مطالعه موردی: استان آذربایجان شرقی). نشریه دانش آب و خاک. جلد 27. شماره 1. صص 226 – 213.
2
رضاییبنفشه، مجید؛ رضایی، علی؛ فریدپور، مجتبی؛ 1394. تحلیل خشکسالی کشاورزی استان آذربایجان شرقی با تاکید بر سنجشازدور و شاخص وضعیت پوشش گیاهی. نشریه دانش آب و خاک. جلد 25. شماره 1. صص 123 – 113.
3
زرگران، پریما؛ بذرافشان، جواد؛ آقاشریعتمداری، زهرا؛ حجابی، سمیه؛ کمالی، سعیده؛ 1398. پایش روزانه خشکسالی بر پوشش گیاهی با استفاده از دادههای بارش شبکه INTERIM و تصاویر سنجنده مودیس MODIS (مطالعه موردی: استان کرمانشاه). نشریه هواشناسی کشاورزی. جلد 7. پاییز و زمستان. صص 14 – 3.
4
سلطانیفر، میلاد؛ سلطانی، هادی؛ کلههوئی، مهین؛ سلیمانی، کریم؛ 1398. پایش خشکسالی منطقهای با استفاده از تصاویر لندست، منطقه مورد مطالعه: شهرستان کرمانشاه. فصلنامه علمی – پژوهشی اطلاعات جغرافیایی (سپهر). دوره 28. شماره 109. صص 146 – 137.
5
سلیمانی، کریم؛ درویشی، شادمان؛ شکریان، فاطمه؛ 1398. تحلیل خشکسالی کشاورزی با استفاده از شاخصهای سنجشازدور (مطالعه موردی: شهرستان مریوان). نشریه سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. دوره 10. شماره 35. صص 33 – 15.
6
سلیمانیساردو، مجتبی؛ زراعی، مهدی؛ 1398. پایش خشکسالی با استفاده از دادههای سنجنده MODIS و مقایسه با شاخص هواشناسی SPI در دورههای کوتاه مدت (مطالعه موردی: حوضه آبخیز جازموریان). پژوهشنامه مدیریت حوضه آبخیز. سال دهم. شماره 20. پاییز و زمستان. صص 261 – 250.
7
سلیمانیشیری، محمدرضا؛ 1391. مکانیابی اراضی مستعد جهت اجرای سیستمهای آبیاری تحت فشار و سطحی با استفاده از GIS (مطالعه موردی: دشت داراب). پایاننامه کارشناسی ارشد. اساتید راهنما: ناصری، عبدالعلی؛ ایزدپناه، زهرا. رشته مهندسی آب. دانشگاه شهید چمران اهواز.
8
علائی طالقانی، محمود؛ 1382. ژئومورفولوژی ایران. انتشارات قومس.
9
علیقلینیا، توحید؛ رسولیمجد، نگار؛ هزارجریبی، ابوطالب؛ 1398. ارزیابی و مقایسه شاخصهای خشکسالی استان آذربایجان غربی با استفاده از شاخص PNI، CZI، SPI و سیستم اطلاعات جغرافیایی (GIS). مجله علوم و مهندسی آبیاری. جلد 42. شماره 1. صص 188 – 175.
10
فرامرزی، محمد؛ نوری، حمید؛ 1394. بررسی و امکانسنجی کارایی شاخصهای گیاهی و حرارتی ماهواره لندست در تحلیل خشکسالی کشاورزی (مطالعه موردی: شهرستان ملایر). فصلنامه تحقیقات جغرافیایی. سال 30. شماره 3. صص 152 – 139.
11
نعمتی، احمد؛ قریشی نجف آبادی، سیدحسین؛ جودکی، غلامرضا؛ موسوی ندوشنی، سیدسعید؛ 1398. ارزیابی شاخصههای خشکسالی کشاورزی حوضه آبریز فلات مرکزی ایران با استفاده از ماهواره گرانشسنجی. تحقیقات آب و خاک ایران. دوره 50. شماره 2. خرداد و تیر.
12
AghaKouchak, A. et al., 2015. Remote sensing of drought: Progress, challenges and opportunities. Reviews of Geophysics, 53(2): 452-480.
13
Baig, M.H.A. et al., 2020. Assessing Meteorological and Agricultural Drought in Chitral Kabul River Basin Using Multiple Drought Indices. Remote Sensing, 12(9): 1417.
14
Faisol, A., Indarto, I., Novita, E. and Budiyono, B., 2020. An Application of MODIS Surface Reflectance Product for Drought Assessment on Agriculture Area in Manukwari–West Papua–Indonesia, E3S Web of Conferences. EDP Sciences, pp. 01001.
15
Farahmand, A., 2016. Frameworks for Improving Multi-Index Drought Monitoring Using Remote Sensing Observations, UC Irvine.
16
Feng, P., Wang, B., Li Liu, D. and Yu, Q., 2019. Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in South-Eastern Australia. Agricultural Systems, 173: 303-316.
17
Hazaymeh, K. and Hassan, Q.K., 2016. Remote sensing of agricultural drought monitoring: A state of art review. Aims Environmental Science, 3(4): 604.
18
Ji, T., Li, G., Yang, H., Liu, R. and He, T., 2018. Comprehensive drought index as an indicator for use in drought monitoring integrating multi-source remote sensing data: a case study covering the Sichuan-Chongqing region. International Journal of Remote Sensing, 39(3): 786-809.
19
Kogan, F.N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in space research, 15(11): 91-100.
20
Kulkarni, S.S. et al., 2020. Developing a Remote Sensing-Based Combined Drought Indicator Approach for Agricultural Drought Monitoring over Marathwada, India. Remote Sensing, 12(13): 2091.
21
McKee, T.B., Doesken, N.J. and Kleist, J., 1993. The relationship of drought frequency and duration to time scales, Proceedings of the 8th Conference on Applied Climatology. Boston, pp. 179-183.
22
Nemani, R. et al., 2009. Monitoring and forecasting ecosystem dynamics using the Terrestrial Observation and Prediction System (TOPS). Remote Sensing of Environment, 113(7): 1497-1509.
23
Qu, C., Hao, X. and Qu, J.J., 2019. Monitoring extreme agricultural drought over the Horn of Africa (HOA) using remote sensing measurements. Remote Sensing, 11(8): 902.
24
Salazar, L., Kogan, F. and Roytman, L., 2008. Using vegetation health indices and partial least squares method for estimation of corn yield. International Journal of Remote Sensing, 29(1): 175-189.
25
Shen, R., Huang, A., Li, B. and Guo, J., 2019. Construction of a drought monitoring model using deep learning based on multi-source remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 79: 48-57.
26
Silleos, N.G., Alexandridis, T.K., Gitas, I.Z. and Perakis, K., 2006. Vegetation indices: advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21(4): 21-28.
27
Teweldebirhan Tsige, D., Uddameri, V., Forghanparast, F., Hernandez, E.A. and Ekwaro-Osire, S., 2019. Comparison of Meteorological-and Agriculture-Related Drought Indicators across Ethiopia. Water, 11(11): 2218.
28
Thenkabail, P.S. and Gamage, M., 2004. The use of remote sensing data for drought assessment and monitoring in Southwest Asia, 85. Iwmi.
29
Tucker, C.J. and Choudhury, B.J., 1987. Satellite remote sensing of drought conditions. Remote sensing of Environment, 23(2): 243-251.
30
Vyas, S.S. et al., 2015. A combined deficit index for regional agricultural drought assessment over semi-arid tract of India using geostationary meteorological satellite data. International journal of applied earth observation and geoinformation, 39: 28-39.
31
Wang, X. et al., 2018. A predictive model of equivalent temperature index for dairy cattle (ETIC). Journal of thermal biology, 76: 165-170.
32
West, H., Quinn, N. and Horswell, M., 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment, 232: 111291.
33
Zhou, X. et al., 2020. Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery. Computers and Electronics in Agriculture, 168: 105144.
34
ORIGINAL_ARTICLE
واکاوی ارتباط امواج گرمایی با جزایر حرارتی شهر (مطالعه موردی: شهرستان آبادان)
عوامل انسانی و طبیعی متعددی در ایجاد جزایر حرارتی نقش دارند. بر این اساس هدف مقاله حاضر تحلیل وقوع موج گرمایی در شهرستان آبادان و تأثیر آن در جزایر حرارتی است. امواج گرمایی با استفاده از شاخص صدک 95 و اعمال آن بر داده دمای بیشینه روزانه طی بازه زمانی 2017-1985 شناسایی شد. از میان امواج گرمایی حادث شده دو موج با تداوم بیشتر طی فصل گرم و سرد سال انتخاب، تصاویر ماهوارهای آنها از فراورده MYD11A2 سنجنده مودیس طی شبانه روز دریافت سپس با اجرای تکنیکهای پردازش تصاویر، نقشه دمای سطح زمین استخراج و بهمنظور تعیین محدوده جزایر حرارتی در شهرستان آبادان استفاده گردید. نقشه کاربری اراضی با 4 کلاس کاربری از فراورده MCD12Q1 سنجنده مودیس به روش طبقهبندی نظارت شده استخراج شد. نتایج نشان داد که متوسط وقوع موج گرم در هر یک از ماههای سال بین 3 تا 8 موج است. ماندگارترین امواج گرمایی در بازه زمانی 11/6/2010 تا 16/6/2010 و 19/3/2008 تا 27/3/2008 به ترتیب با تداوم 6 و 8 روزه رخ دادهاند. جزایر حرارتی در آبادان دارای نوسانات مکانی و زمانی مشخص و مقدار دمای سطحی در فصل گرم بیشتر است. دمای بالا در زمینهای بایر به علت اﻧﻌﻜﺎس زﻳﺎد ﺗﺸﻌﺸﻌﺎت ﺣﺮارﺗﻲ ﺳﺎﻃﻊ ﺷﺪه از ﺧﻮرﺷﻴﺪ ﺑﻪ ﻟﺤﺎظ وﺟﻮد ﻗﺸﺮی از ﻧﻤﻚ در ﺳﻄﺢ زﻣﻴﻦ و در محدوده صنعتی به علت سوزاندن سوختهای فسیلی و تولید گازهای آلاینده است که باعث اثر گلخانهای، تشدید گرما و درنهایت تراکم بالا جزایر حرارتی و تشدید اثرات امواج گرمایی میشود.
https://geoeh.um.ac.ir/article_40276_6a7fab4043da1fb37bcd4eb3abc3e29a.pdf
2022-01-21
193
207
10.22067/geoeh.2021.70560.1063
امواج گرمایی
جزایر حرارتی
محصولات مودیس
آبادان
کبری
شجاعی زاده
shojaeizadeh.1996@yahoo.com
1
دانشجوی دکتری آب و هواشناسی، گروه جغرافیا، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
LEAD_AUTHOR
شهریار
خالدی
s-khaledi@sbu.ac.ir
2
استاد گروه جغرافیا، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
AUTHOR
طیبه
اکبری ایرانی
takbariirani@gmail.com
3
استادیار گروه جغرافیا، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
AUTHOR
احمدی، محمود؛ عاشورلو، داوود؛ نارنگی فرد، مهدی؛ 1391. تغییرات زمانی و مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از دادههای سنجندهETM+ & TM. سنجشازدور و GIS ایران. سال چهارم. شماره 4.68-55.
1
احمدی، محمود؛ فرهمند، قاسم؛ 1394. واکاوی تغییرات مکانی هستههای جزایر حرارتی شهر ارومیه از سال (1392-1395. فصلنامه مطالعات عمران شهری. دور اول. شماره 2. 60-37.
2
بابائیان، ایمان؛ نجفی نیک، زهرا؛ زابلی عباسی، فاطمه؛ حبیبی نوخندان، مجید؛ ادب، حامد؛ ملبوسی، شراره؛ 1388. ارزیابی تغییر اقلیم کشور در دوره 2039 -2010 میلادی با استفاده از ریزمقیاس نمایی دادههای مدل گردش عمومی جو G-ECHO. جغرافیا و توسعه. شماره16. 152-135
3
جواد زرین، ایمان؛ علوی پناه، سید کاظم؛ 1395. بررسی تغییرات الگوی حرارتی در بازه زمانی 30 ساله با استفاده از باندهای حرارتی تصاویر ماهواره لندست (مطالعه موردی: اراضی جنوبی جزیره آبادان). اولین همایش بینالمللی مخاطرات طبیعی و بحرانهای زیستمحیطی ایران، راهکارها و چالشها. تهران.
4
رضایی راد، هادی؛ رفیعیان، مجتبی؛ 1395. برآورد تغییرات فضایی- زمانی شدت جزیره حرارتی کلانشهر تهران با استفاده از تصاویر ماهوارهای LANDSAT8 و ASTER. فصلنامه برنامهریزی منطقهای. سال 7. شماره27.60-47.
5
شمسیپور، علیاکبر؛ مهدیان، مهرافروز؛ حسین پور، زینب؛ 1391. واکاوی تغییرات مکانی هستۀ جزیرۀ گرمایی شهر تهران. پژوهشهای جغرافیایی طبیعی. سال44. شماره 3. 65-54.
6
شکیبا، علیرضا؛ ضیائیان فیروزآبادی، پرویز؛ عاشورلو، داوود؛ نامداری، سودابه؛ 1388. تحلیل رابطه کاربری و پوشش اراضی و جزایر حرارتی شهر تهران با استفاده از دادههای + ETM. سنجشازدور و GIS ایران. سال اول. شماره 1. 39-56.
7
کاشکی، عبدالرضا؛ کرمی، مختار؛ باعقیده، محمد؛ علیمرادی، محمدرضا؛ 1398. واکاوی آماری امواج گرمایی زابل. دگرگونیها و مخاطرات آب و هوایی. سال اول. شماره یک. 55-41.
8
مولودی، گلاله؛ خورانی، اسدالله؛ مرادی، عباس؛ 1395. اثر تغییر اقلیم بر امواج گرمایی سواحل شمالی خلیج فارس. نشریه تحلیل فضایی مخاطرات محیطی. سال سوم. شماره1. 14-1.
9
محمدرضائی، الهه؛ گلی، فریناز؛ سلطانی نیا، شاهرخ؛ موزون، مجید؛ 1395. راهکارهای سهم بنا در کاهش پدیده جزایر گرمایی شهرها در اقلیم گرم و خشک. ششمین کنفرانس بینالمللی توسعه پایدار و عمران شهری. تهران.
10
ولیزاده کامران؛ خلیل، غلام نیا؛ خلیل، عینالی، گلزار؛ موسوی، محمد؛ 1396. ﺑﺮآورد دﻣﺎی ﺳﻄﺢ زﻣﻴﻦ و اﺳﺘﺨﺮاج ﺟﺰاﻳﺮ ﺣﺮارﺗﻲ ﺑـﺎ اﺳـﺘﻔﺎده از اﻟﮕـﻮرﻳﺘﻢ ﭘﻨﺠﺮه ﻣﺠﺰا و ﺗﺤﻠﻴﻞ رﮔﺮﺳﻴﻮن ﭼﻨﺪ ﻣﺘﻐﻴﺮه (ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﺷﻬﺮ زﻧﺠﺎن). ﭘﮋوﻫﺶ و برنامهریزی ﺷﻬﺮی. ﺳﺎل ﻫﺸﺘﻢ. شماره 30. 50-35.
11
Alexandre, R.S., Felicio, S.O., Aderbal, G.S., Jose Marinaldo, G., Wantuelfer, G., Giselle Lemos, M., 2017. Spatial and temporal distribution of urban heat islands. Sci. Total Environment. 605–606, 946–956.
12
André, C., Ottlé, C., Royer, A., & Maignan, F., 2015. Land surface temperature retrieval over circumpolar Arctic using SSM/I–SSMIS and MODIS data. Remote Sensing of Environment, 162: 1-10.
13
Basara, J. B., Basara, H. G., Illston, B. G., & Crawford, K. C., 2010. The impact of the urban heat island during an intense heat wave in Oklahoma City. Advances in Meteorology, 2010.
14
Camilloni, I., & Barros, V. 1997. On the urban heat island effect dependence on temperature trends. Climatic Change, 37(4), 665-681.
15
de Faria Peres, L., de Lucena, A. J., Rotunno Filho, O. C., & de Almeida França, J. R., 2018. The urban heat island in Rio de Janeiro, Brazil, in the last 30 years using remote sensing data. International journal of applied earth observation and geoinformation, 64, 104-116.
16
Founda, D., & Santamouris, M., 2017. Synergies between Urban Heat Island and Heat Waves in Athens (Greece), during an extremely hot summer., 2012. Scientific reports, 7(1), 1-11.
17
Gartland, L. M., 2012. Heat islands: understanding and mitigating heat in urban areas. Routledge.
18
Karl, T. R., Diaz, H. F., & Kukla, G., 1988. Urbanization: Its detection and effect in the United States climate record. Journal of climate, 1(11), 1099-1123.
19
Keikhosravi, Q., 2019. The effect of heat waves on the intensification of the heat island of Iran's metropolises (Tehran, Mashhad, Tabriz, Ahvaz). Urban Climate, 28, 100453.
20
Kim, Y. H., & Baik, J. J., 2004. Daily maximum urban heat island intensity in large cities of Korea. Theoretical and Applied Climatology, 79(3), 151-164.
21
Kim, Y. H., & Baik, J. J., 2005. Spatial and temporal structure of the urban heat island in Seoul. Journal of Applied Meteorology and Climatology, 44(5), 591-605.
22
Meehl, G. A., & Tebaldi, C., 2004. More intense, more frequent, and longer lasting heat waves in the 21st century. Science, 305(5686), 994-997.
23
Oleson, K. W., Bonan, G. B., Feddema, J., & Jackson, T., 2011. An examination of urban heat island characteristics in a global climate model. International Journal of Climatology, 31(12), 1848-1865.
24
Park, H. S., 1986. Features of the heat island in Seoul and its surrounding cities. Atmospheric Environment (1967), 20(10), 1859-1866.
25
Quattrochl, D. A., Luvall, J. C., Rickman, D. L., Estes Jr, M. G., Laymon, C. A., & Howell, B. F., 2000. A decision support information system for urban landscape management using thermal infrared data. PE&RS, Photogrammetric Engineering & Remote Sensing, 66(10), 1195-1207.
26
Ramamurthy, P., & Bou‐Zeid, E., 2017. Heatwaves and urban heat islands: a comparative analysis of multiple cities. Journal of Geophysical Research: Atmospheres, 122(1), 168-178.
27
Ramamurthy, P., Li, D., & Bou-Zeid, E., 2017. High-resolution simulation of heatwave events in New York City. Theoretical and applied climatology, 128(1-2), 89-102.
28
Rchid, A., 2012. The effects of green spaces (Palme trees) on the microclimate in arides zones, case study: Ghardaia, Algeria. Energy Procedia, 18: 10-20.
29
Sobrino, J. A., Oltra-Carrió, R., Sòria, G., Jiménez-Muñoz, J. C., Franch, B., Hidalgo, V., ... & Paganini, M., 2013. Evaluation of the surface urban heat island effect in the city of Madrid by thermal remote sensing. International journal of remote sensing, 34(9-10), 3177-3192.
30
Tan, J., Zheng, Y., Tang, X., Guo, C., Li, L., Song, G., ... & Chen, H., 2010. The urban heat island and its impact on heat waves and human health in Shanghai. International journal of biometeorology, 54(1), 75-84.
31
U.S.EPA., 2007. Basic Information about Heat Island. Available online from following website: http://www.epa.gov/heatisland/about/index.html.
32
Voogt, J. A., & Oke, T. R., 2003. Thermal remote sensing of urban climates. Remote sensing of environment, 86(3), 370-384.
33
Weng, Q., Lu, D., & Schubring, J., 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote sensing of Environment, 89(4), 467-483.
34
Xian, G., & Crane, M., 2006. An analysis of urban thermal characteristics and associated land cover in Tampa Bay and Las Vegas using Landsat satellite data. Remote Sensing of environment, 104(2), 147-156.
35
ORIGINAL_ARTICLE
بررسی دوره بازگشت و احتمال رخداد بارش در ایران بر اساس پایگاه داده بارش همادی-وزنی چند منبعی (MSWEP)
دوره بازگشت و احتمال رخداد بارش دو نمایه مهم در مطالعات مربوط به سیل و بارشهای فرین محسوب میشوند و درک صحیح از این دو نمایه میتواند نقش مهمی در مطالعات ریسک اقلیمی داشته باشد. این پژوهش با هدف بررسی کارایی پایگاه داده بارش همادی-وزنی چند منبعی (MSWEP[1]) و کاربست آن در تعیین دورههای بازگشت و بررسی احتمال رخداد بارش سالانه در ایران انجام شده است. برای این منظور از روش توزیع فرین تعمیم یافته (GEV[2]) استفاده شد. برای درستی سنجی دادههای پایگاه MSWEP از چهار سنجه آماری RMSE، MBE، PBIAS و R2 در پهنههای اقلیمی کوپن-گایگر در ایران استفاده گردید. نتایج نشان داد که این پایگاه داده در مناطق خشک و نیمهخشک کشور با درصد اریبی 40/0 و 32/0 بهترین کارایی را دارد. در مقابل، این پایگاه داده در دو پهنه پرباران (Cfa) و کوهستانی (Dsb) کمترین کارایی را خود نشان داد؛ بهطوریکه بیشینه درصد اریبی در بین پهنههای اقلیمی کشور به ترتیب با 45/2- و 09/4- درصد در پهنههای مذکور دیده شد. نتایج نشان داد که بیشینه مقدار بارش محتمل در دورههای 1 تا 15 ساله در سواحل شمالی و بیشینه شدت آن در سواحل جنوبی ایران اتفاق میافتد. احتمال رخداد بارش در ایران بین 03/2 تا 02/32 درصد در نوسان است. کاهش عرض جغرافیایی از شمال به جنوب و کاهش ارتفاعات از غرب به شرق با کاهش احتمال رخداد بارش روزانه در ایران در ارتباط هستند. بیشینه عدم قطعیت در احتمال رخداد بارش روزانه در مناطق کوهستانی ایران مشاهده شد. [1] Multi-Source Weighted-Ensemble Precipitation (MSWEP)[2] Generalized Extreme Value (GEV)
https://geoeh.um.ac.ir/article_40435_9bfc4863334ae56fa1cd1b8966fd74e4.pdf
2022-01-21
209
227
10.22067/geoeh.2021.71102.1079
یران
پایگاه داده بارش MSWEP
توزیع فرین تعمیم یافته (GEV)
دوره بازگشت بارش
آذر
زرین
zarrin@um.ac.ir
1
استادیار اقلیمشناسی، گروه جغرافیا، دانشگاه فردوسی مشهد
LEAD_AUTHOR
عباسعلی
داداشی رودباری
dadashiabbasali@gmail.com
2
پژوهشگر پسادکتری اقلیمشناسی، گروه جغرافیا، دانشگاه فردوسی مشهد
AUTHOR
ذوالفقاری، حسن؛ هاشمی، رضا؛ فشی، مهدی؛ 1388. بررسی نسبت حداکثر بارشهای روزانه به بارشهای سالانه در ایران. تحقیقات جغرافیایی. شماره 24. صص 165-188.
1
رحیمزاده، فاطمه؛ نسجایزواره، مجتبی؛ 1393. روند و تغییرپذیری دما در ایران در دوره 2010-1960 پس از تعدیل ناهمگنیهای غیرطبیعی موجود در دادهها. تحقیقات جغرافیایی. شماره 29. صص 181-196.
2
رضیئی، طیب؛ 1396. منطقهبندی اقلیمی ایران به روش کوپن-گایگر و بررسی جابهجایی مناطق اقلیمی کشور در سدۀ بیستم. فیزیک زمین و فضا. شماره 43. صص 419-439.
3
رضیئی، طیب؛ ستوده، فاطمه؛ 1396. بررسی دقت مرکز اروپایی پیشبینیهای میانمدت جوی (ECMWF) در پیشبینی بارش مناطق گوناگون اقلیمی ایران. فیزیک زمین و فضا. شماره 43. صص 133-147.
4
عساکره، حسین؛ 1391. تغییر توزیع فراوانی بارشهای فرین شهر زنجان. جغرافیا و برنامهریزی محیطی. شماره 23. صص 51-66.
5
گرجی زاده، علی؛ آخوندعلی، علیمحمد؛ شهبازی، علی؛ مریدی، علی؛ 1398. مقایسه و ارزیابی بارش برآورد شده توسط مدلهای ERA-Interim، PERSIANN-CDR و CHIRPS در بالادست سد مارون. تحقیقات منابع آب ایران. شماره 15. صص 267-279.
6
مظفری، غلامعلی؛ مزیدی، احمد؛ شفیعی، شهاب؛ 1396. واکاوی روابط فضایی بارشهای فرین غرب ایران. جغرافیا و توسعه. شماره 46. صص 169-183.
7
میری، مرتضی؛ رضیئی، طیب؛ رحیمی، مجتبی؛ 1395. ارزیابی و مقایسه آماری دادههای بارش TRMM و GPCC با دادههای مشاهدهای در ایران. فیزیک زمین و فضا. شماره 42. صص 657-672.
8
Acero, F. J., García, J. A., & Gallego, M. C., 2011. Peaks-over-threshold study of trends in extreme rainfall over the Iberian Peninsula. Journal of Climate, 24: 1089-1105.
9
AghaKouchak, A., Behrangi, A., Sorooshian, S., Hsu, K., & Amitai, E., 2011. Evaluation of satellite‐retrieved extreme precipitation rates across the central United States. Journal of Geophysical Research: Atmospheres, 116(D2).
10
Alexandersson, H., 1986. A homogeneity test applied to precipitation data. Journal of climatology, 6: 661-675.
11
Beck, H. E., Wood, E. F., Pan, M., Fisher, C. K., Miralles, D. G., Van Dijk, A. I., ... & Adler, R. F., 2019. MSWEP V2 global 3-hourly 0.1 precipitation: methodology and quantitative assessment. Bulletin of the American Meteorological Society, 100: 473-500.
12
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F., 2018. Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific data, 5: 1-12.
13
Bishop, C. H., & Abramowitz, G., 2013. Climate model dependence and the replicate Earth paradigm. Climate dynamics, 41: 885-900.
14
Bosilovich, M. G., Chen, J., Robertson, F. R., & Adler, R. F., 2008. Evaluation of global precipitation in reanalyses. Journal of applied meteorology and climatology, 47: 2279-2299.
15
Coles, S., Bawa, J., Trenner, L., & Dorazio, P., 2001. An introduction to statistical modeling of extreme values (Vol. 208, p. 208). London: Springer.
16
De Paola, F., Giugni, M., Pugliese, F., Annis, A., & Nardi, F., 2018. GEV parameter estimation and stationery vs. non-stationary analysis of extreme rainfall in African test cities. Hydrology, 5: 28.
17
DeGaetano, A. T., 2009. Time-dependent changes in extreme-precipitation return-period amounts in the continental United States. Journal of Applied Meteorology and Climatology, 48: 2086-2099.
18
Fang, J., Yang, W., Luan, Y., Du, J., Lin, A., & Zhao, L., 2019. Evaluation of the TRMM 3B42 and GPM IMERG products for extreme precipitation analysis over China. Atmospheric Research, 223: 24-38.
19
Gao, M., Mo, D., & Wu, X., 2016. Nonstationary modeling of extreme precipitation in China. Atmospheric Research, 182: 1-9.
20
Groisman, P. Y., Knight, R. W., Easterling, D. R., Karl, T. R., Hegerl, G. C., & Razuvaev, V. N., 2005. Trends in intense precipitation in the climate record. Journal of climate, 18: 1326-1350.
21
Hirpa, F. A., Salamon, P., Alfieri, L., Pozo, J. T. D., Zsoter, E., & Pappenberger, F., 2016. The effect of reference climatology on global flood forecasting. Journal of Hydrometeorology, 17: 1131-1145.
22
Katz, R. W., Parlange, M. B., & Naveau, P., 2002. Statistics of extremes in hydrology. Advances in water resources, 25: 1287-1304.
23
Khaliq, M. N., Ouarda, T. B., Ondo, J. C., Gachon, P., & Bobée, B., 2006. Frequency analysis of a sequence of dependent and/or non-stationary hydro-meteorological observations: A review. Journal of hydrology, 329: 534-552.
24
Kharin, V. V., Zwiers, F. W., Zhang, X., & Wehner, M., 2013. Changes in temperature and precipitation extremes in the CMIP5 ensemble. Climatic change, 119: 345-357.
25
Kim, Y. H., Min, S. K., Zhang, X., Sillmann, J., & Sandstad, M., 2020. Evaluation of the CMIP6 multi-model ensemble for climate extreme indices. Weather and Climate Extremes, 29: 100269.
26
Mika, J., 2013. Changes in weather and climate extremes: phenomenology and empirical approaches. Climatic Change, 121: 15-26.
27
Milly, P. C. D., Betancourt, J., Falkenmark, M., Hirsch, R. M., Kundzewicz, Z. W., Lettenmaier, D. P., & Stouffer, R. J., 2008. Stationarity is dead: Whither water management? Earth, 4: 20.
28
Monier, E., & Gao, X., 2015. Climate change impacts on extreme events in the United States: an uncertainty analysis. Climatic Change, 131: 67-81.
29
Myhre, G., Alterskjær, K., Stjern, C. W., Hodnebrog, Ø., Marelle, L., Samset, B. H., ... & Stohl, A., 2019. Frequency of extreme precipitation increases extensively with event rareness under global warming. Scientific reports, 9: 1-10.
30
Prein, A. F., & Gobiet, A., 2017. Impacts of uncertainties in European gridded precipitation observations on regional climate analysis. International Journal of Climatology, 37: 305-327.
31
Rulfová, Z., Buishand, A., Roth, M., & Kyselý, J., 2016. A two-component generalized extreme value distribution for precipitation frequency analysis. Journal of hydrology, 534: 659-668.
32
Salas, J. D., & Obeysekera, J., 2014. Revisiting the concepts of return period and risk for nonstationary hydrologic extreme events. Journal of Hydrologic Engineering, 19: 554-568.
33
Soukissian, T. H., & Tsalis, C., 2015. The effect of the generalized extreme value distribution parameter estimation methods in extreme wind speed prediction. Natural Hazards, 78: 1777-1809.
34
Stedinger, J. R., Vogel, R. M., Foufoula-Georgiou, E., & Maidment, D. R., 1993. Handbook of hydrology. McGraw-Hill, Inc., New York, USA.
35
Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S., & Hsu, K. L., 2018. A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics, 56: 79-107.
36
Sun, Q., Zhang, X., Zwiers, F., Westra, S., & Alexander, L. V., 2021. A global, continental, and regional analysis of changes in extreme precipitation. Journal of Climate, 34: 243-258.
37
Tabari, H., 2020. Climate change impact on flood and extreme precipitation increases with water availability. Scientific reports, 10: 1-10.
38
Vaghefi, S. A., Keykhai, M., Jahanbakhshi, F., Sheikholeslami, J., Ahmadi, A., Yang, H., & Abbaspour, K. C., 2019. The future of extreme climate in Iran. Scientific reports, 9: 1-11.
39
Vu, T. M., & Mishra, A. K., 2019. Nonstationary frequency analysis of the recent extreme precipitation events in the United States. Journal of Hydrology, 575: 999-1010.
40
Wahl, T., Jain, S., Bender, J., Meyers, S. D., & Luther, M. E., 2015. Increasing risk of compound flooding from storm surge and rainfall for major US cities. Nature Climate Change, 5: 1093-1097.
41
Wehner, M., Gleckler, P., & Lee, J., 2020. Characterization of long period return values of extreme daily temperature and precipitation in the CMIP6 models: Part 1, model evaluation. Weather and Climate Extremes, 30: 100283.
42
Xavier, A. C. F., Rudke, A. P., Fujita, T., Blain, G. C., de Morais, M. V. B., de Almeida, D. S., ... & Martins, J. A., 2020. Stationary and non‐stationary detection of extreme precipitation events and trends of average precipitation from 1980 to 2010 in the Paraná River basin, Brazil. International Journal of Climatology, 40: 1197-1212.
43
Yan, H., Sun, N., Wigmosta, M., Skaggs, R., Hou, Z., & Leung, L. R., 2019. Next-generation intensity–duration–frequency curves to reduce errors in peak flood design. Journal of Hydrologic Engineering, 24: 04019020.
44
Yozgatlıgil, C., & Türkeş, M., 2018. Extreme value analysis and forecasting of maximum precipitation amounts in the western Black Sea subregion of Turkey. International Journal of Climatology, 38: 5447-5458.
45
Zolina, O., Simmer, C., Kapala, A., & Gulev, S., 2005. On the robustness of the estimates of centennial‐scale variability in heavy precipitation from station data over Europe. Geophysical Research Letters, 32(14).
46
ORIGINAL_ARTICLE
ارزیابی مخاطرات دمایی استان خوزستان
استان خوزستان با داشتن پتانسیلهای بالای طبیعی و انسانی، چالشهای محیطی بسیاری پیش روی دارد که مخاطرات اقلیمی و پیامدهای آن چون امواج گرمایی، خشکسالی، سیل و ... از مهمترین مظاهر آن است. در پژوهش حاضر با بهرهگیری از دادههای دمای سالانه 11 ایستگاه استان طی دوره زمانی 25 ساله (2017-1993) مخاطرات دمایی خوزستان مورد تجزیهوتحلیل قرار گرفت. دمای حداکثر روزانه دوره گرم ایستگاههای استان از 15 اردیبهشتماه (5 می) تا 15 مهرماه (5 اکتبر) طی یک دوره 156 روزه برای هرسال و مجموعاً برای 24 سال معادل روز 3744=(24*156) برای هر ایستگاه استخراج شد و ماتریس دادههای خام دمای حداکثر روزانه آمادهسازی شد. در ادامه جهت تشخیص روزهای گرم، خیلی گرم و ابر گرم، میانگین و انحراف معیار بلندمدت دادههای کل ایستگاهها طی دوره 3744 روزه محاسبه و شاخص استاندارد شده دمای حداکثر روزانه برای همه ایستگاهها محاسبه گردید. روزهای با ناهنجاری مثبت شاخص بیش از 5/1 تحت عنوان روزهای ابر گرم (بیش از 3/48 درجه)، روزهای با ناهنجاری شاخص بین 1 تا 5/1 تحت عنوان روزهای خیلی گرم (6/46 تا 3/48 درجه) و روزهای با ناهنجاری شاخص کمتر از 1 تحت عنوان روزهای گرم (28/43 تا 6/46) تعیین شد. در ادامه اعمال تحلیل خوشهای به روش پایگانی انباشتی بر روی ماتریس دادههای دمایی 11* 3744 و ترسیم نقشه پهنهبندی با استفاده از (GIS)، چهار پهنه مخاطرهآمیز دمایی (کم مخاطره، مخاطره متوسط، ُپرمخاطره و بسیار ُپرمخاطره) را در استان آشکار نمود. الف) ناحیه کم مخاطره: با روند شمالغربی- جنوبشرقی استان شامل سرزمینهای کوهستانی و نسبتاٌ مرتفع که بر روی ارتفاعات زاگرس در منتهیالیه شرق و شمالشرقی؛ ب) ناحیه متوسط مخاطره: شامل کمربند کم ارتفاع مجاور رشتهکوه زاگرس در جنوبشرق؛ شرق و شمالی؛ ج) ناحیه زیاد مخاطره: در برگیرنده سرزمینهای کمارتفاع مرکزی، شرقی و غربی استان؛ د) ناحیه پرمخاطره: که بیشتر مناطق مرکزی و غربی خوزستان را در بر میگیرد.
https://geoeh.um.ac.ir/article_40433_e417f3c3aa83be56696805da5ea58150.pdf
2022-01-21
229
245
10.22067/geoeh.2021.67887.1005
مخاطرات محیطی
دما
شاخص سازی
تحلیل خوشهای
ماندانا
امانی
amani@yahoo.com
1
دانشجوی دکتری آب و هواشناسی، گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
AUTHOR
رضا
برنا
bornareza@iauahvaz.ac.ir
2
- دانشیار گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
LEAD_AUTHOR
منیژه
ظهوریان
zoohorian@yahoo.com
3
استادیار گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
AUTHOR
استانشناسی خوزستان؛ 1399. دفتر برنامهریزی و تألیف کتابهای درسی. چاپ 1399.
1
اسمعیل نژاد مرتضی؛ خسروی، محمود؛ علیجانی بهلول، مسعودیان، سیدابوالفضل؛ 1392. شناسایی امواج گرم ایران. مجله جغرافیا و توسعه. زمستان. دوره 11 شماره پیاپی 33 از صفحه 39 تا صفحه 53.
2
اعتمادیان، الهه؛ دوستان، رضا؛ 1396. تحلیل فضایی امواج گرمایی ایران. تحلیل فضایی مخاطرات محیطی. سال چهارم. شماره 1. صص 17-32.
3
باعقیده، محمد؛ احمدی، حمزه؛ صفرزایی، نعمت اله؛ 1395. ارزیابی مخاطرات دمایی منطقه جنوب شرق ایران. فصلنامه علمی- پژوهشی امداد و نجات. سال هشتم. شماره 4. صص 16-1.
4
برنا، رضا؛ حسنزاده شاه رضایی، الناز؛ 1395. ارزیابی و تحلیل رویدادهای حدی آب و هوایی استان خوزستان با استفاده از روش منکندال. فصلنامه جغرافیا (برنامهریزی منطقهای). دوره 6. شماره 3 - شماره پیاپی 23. صفحه 7-18.
5
دوستکامیان؛ مهدی؛ حقیقی، اسماعیل؛ بور بوری، رضا؛ 1396. واکاوی و شناسایی تغییرات مکانی پهنههای گرم و سرد دمایی ایران طی دورههای مختلف. مجله جغرافیا و مخاطرات طبیعی. شماره 22. صص 162-141.
6
رضایی، فرشته؛ احمدی، محمود؛ شکیبا، علیرضا؛ 11397. تعیین آستانه دمایی موج گرما طی دوره گرم سال بر اساس شاخصهای جهانی در مناطق مختلف کشور. جغرافیا و مخاطرات محیطی. شماره 26. صص 131-115.
7
سازمان هواشناسی کشور؛ مرکز خدمات ماشینی. آمار روزانه عناصر اقلیمی ایستگاههای سینوپتیک و کلیماتولوژی در سالهای 1993-2017 میلادی. تهران.
8
علیجانی، بهلول؛ 1398. آبوهوای ایران. انتشارات دانشگاه پیام نور. چاپ دهم.
9
علیجانی، بهلول؛ کاویانی، محمدرضا؛ 1386. مبانی آب و هواشناسی. انتشارات سمت. چاپ یازدهم.
10
مجرد، فیروز؛ معصوم پور، جعفر؛ رستمی، طیبه؛ 1394. تحلیل آماری- همدیدی امواج گرمایی بالای 40 درجة سلسیوس در غرب ایران. جغرافیا و مخاطرات محیطی. شماره سیزدهم. صص 57-41.
11
یاراحمدی، الهام؛ کرم پور، مصطفی؛ قائمی، هوشنگ؛ مرادی، محمد؛ نصیری، بهروز؛ 1398. تحلیل آماری بیهنجاریهای دمای حداقل و حداکثر ایران در دوره سرد سال بهمنظور درک اثر تغییر اقلیم بر مناطق مختلف ایران. جغرافیا و مخاطرات محیطی. شماره 29. صص 171-197.
12
Ceccherini, G., Russo, S., Ameztoy, I., Patricia Romero, C., Carmona-Moreno, C., 2016. Magnitude and frequency of heat and cold waves in recent decades: the case of South America. Nat. Hazards Earth Syst, 16: 821–831.
13
Radinović, D., & Ćurić, M., 2009. Criteria for heat and cold wave duration indexes. Theoretical and Applied Climatology,
14
Shi, J., Wen, K., & Cui, L. Temporal and spatial variations of high-impact weather events in China during 1959– 2014. Theoretical and Applied Climatology. 2016. 129(1-2):
15