مورفولوژی و فرآیندهای مؤثر در تغییرات مسیر جریان رودخانه سفیدرود برای پیش‌بینی افق 2030

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زمین شناسی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران

2 پژوهشکده حفاظت خاک و آبخیزداری کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

3 مرکز تحقیقات کشاورزی و منابع طبیعی گیلان، سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت، ایران

چکیده

سفیدرود به‌عنوان بزرگ‌ترین و مهم‌ترین رودخانه سواحل جنوب دریای خزر نقش مهمی در زندگی، فعالیت­ها و سرمایه­های انسانی منطقه دارد. عوامل مورفولوژیک رودخانه و محیط­های پیرامون آن و پیش‌بینی شرایط آینده می­تواند در برنامه‌ریزی و آمایش دشت­های ساحلی مؤثر و ضروری واقع شود. در این پژوهش از تصاویر ماهواره‌ای لندست 5، 7 و 8 سال‌های، 2002،1987 و 2018، همراه با داده‌های تغییرات تراز دریای خزر و دبی سفیدرود، بررسی­های میدانی و نرم‌افزارهای Envi 5.3، ArcGIS 10.4.1 و Idrisi TerrSet به‌عنوان ابزار تحقیق بهره گرفته شد. ابتدا مقادیر احتمال تبدیل کاربری اراضی در سال 2018 بر مبنای مدل تلفیقی زنجیره مارکوف و سلول­های خودکار به دست آمد. نتایج نشان داد که مدل تلفیقی، دارای دقت و صحت بالایی جهت پیش‌بینی الگوی آینده است. سپس با توجه به دقت و صحت خروجی مدل، نقشه پیش‌بینی کاربری اراضی و مورفولوژی رودخانه برای سال 2030 تهیه شد. با برازش دو نقشه سال 2018 و پیش‌بینی 2030 تغییرات محتمل در محیط رودخانه به دست آمد و در چهار محدوده مورد تحلیل قرار گرفت. درنهایت با استفاده از داده‌های تغییرات تراز دریای خزر و دبی سالانه رودخانه سفیدرود، روند تغییرات و پیش‌بینی مدل، موردبررسی قرار گرفت. نتایج نشان داد که بیشترین احتمال تغییرات در منطقه مطالعه مربوط به واحدهای رودخانه، اراضی ساحلی، تأسیسات ساخت انسان و دشت است. همچنین تا سال 2030، روند افزایش عرض کانال رودخانه رخ خواهد داد. این امر نشان دهنده افزایش میانگین دبی سالانه رودخانه تا حدود 100 مترمکعب بر ثانیه و افزایش تراز دریای خزر به سطح بالاتر از 27- متر تا سال 2030 است.

کلیدواژه‌ها


اقتصادی، شهمیر؛ زاهدی، رفیعه؛1390. مطالعه عوامل تأثیرگذار بر نوسانات تراز آب خزر جنوبی. مجله علوم و فنون دریایی. شماره 10(3)، صص 4-13.
جداری عیوضی، جمشید؛ یمانی، مجتبی؛ خوش رفتار، رضا؛ 1384. تکامل ژئومرفولوژی دلتای رود سپیدرود در کواترنر. پژوهش­های جغرافیایی. دوره  37. شماره 53. صص 99-120.
سازمان نقشه برداری کشور؛ 1398. آمار پایش تراز آب دریای خزر، ایستگاه انزلی.
شرکت مدیریت منابع آب ایران؛ 1398. دفتر مطالعات پایه منابع آب. آمار دبی رودخانه سفیدرود، ایستگاه هیدرومتری آستانه.
عبدالهی باغسیاهی، علی؛ حشمتیان، رضا؛ سویزی، مهدی؛ 1397. پهنه بندی سیلاب اصلی ساحل مکران با تلفیق مدل HEC-RAS&GIS (رودخانه باهوکلات). یازدهمین سمینار بین المللی مهندسی رودخانه. اهواز. ایران.
عبدالهی کاکرودی، عطا؛ 1392. نوسانات دریای خزر و تأثیر آن بر سواحل جنوب شرقی دریای خزر. پژوهش­های ژئومورفولوژی کمی، شماره 2(3)، صص 33-44.
عطایی، سهیل؛ عجمی، مهدی؛ لشته نشایی، میراحمد؛ یعصوبی، سیدحسین؛ 1395. تأثیر نوسانات تراز آب دریا بر تغییرات خطوط ساحلی دریای خزر. نشریه مهندسی دریا. شماره 12(4)، صص 103-113.
معصومی، حمیدرضا؛ غریب رضا، محمدرضا؛ معتمد، احمد؛ 1390. بررسی مورفولوژی و الگوی پیچانرودی رودخانه زهره در جلگه ساحلی هندیجان. مجله مهندسی و مدیریت آبخیز. دوره 3. شماره 2. صص 102-112.
هلالات ناصریان، حسین؛ صادقی، محمد عامل؛ واعظی پور، حسینعلی؛ سیف، سامان؛ 1392. مدلسازی جامع سیلاب منطقه دشتیاری شهرستان چابهار توسط مدل MIKE FLOOD و ارائه طرح علاج بخشی سیل در منطقه. دوازدهمین کنفرانس هیدرولیک ایران. تهران. ایران.
 
Bravard, JP. Petit, F., 2009. Geomorphology of streams and rivers. In Tochner K, Likens GE, editors. Encyclopedia of inland waters. Elsevier, 387-95. DOI: 10.1016/B978-012370626-3. 00043 -0.
Chen, J. L., Pekker, T., Wilson, C. R., Tapley, B. D., Kostianoy A. G., Cretaux, J. F., Safarov, E. S., 2017. Long-term Caspian Sea level change. Geophysical Research Letters, 6993- 7001. DOL: 10.1002/2017GL073958.
Janes, V. J. J., Nicholas, A. P., Collins, A. L., Quine, T. A., 2017. Analysis of fundamental physical factors influencing channel bank erosion: results for contrasting catchments in England and Wales. Environmental Earth Science, 76-307. DOI: 10.1007/s12665-017-6593-x.
Khoshravan, H., Naqinezhad, A., Alinejad-Tabrizi, T., Yanina, T., 2020. Effects of the Caspian Sea water level change on Boujagh National Park, southwest the Caspian Sea. Caspian Journal of Environmental Science, 19(2), 99-110. 
Kondolf, G. M., Piégay, H., David, R. M., Schmitt, L., David, R. M., 2016. Geomorphic classification of rivers and streams, Chapter 7. Tools in fluvial geomorphology. 169-202. DOI: 10.1002/9781118648551.ch7.
Medel, I. D., Stubblefield, A. P., Sheam C., 2020. Sedimentation and erosion patterns within anabranching channels in a lowland river restoration project. International Journal of River Basin Management, DOI: 10.1080/15715124.2020.1809435.
Mirzaeizadeh, V., Niknwzhad, M., Ouladi, J., 2015. Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images. Journal of RS and GIS for natural resources, Vol. 6, No. 3, 29-44.
Mondal, S., Sharma, N., Kappas, M., Garg, P. K., 2020. Cellular automata (CA) contiguity filters impacts on CA Markov modelling of land use land cover change predictions results. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLIII, B3, 1585–1591.
Muller, M. R., Middleton, J., 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, and Canada. Landscape Ecology, 9, 151-157.
Pal, M., Mather, P. M., 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26 (5), 1007-1011.
Sang, L., Zhang, C., Yang, J., Zhu, D., Yun, W., 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 10, 883-848. DOI: 2002022/j.mcm.10200220028.
Subedi, P., Subedi, K., Thapa, B., 2013. Application of a Hybrid Cellular Automation Markov (CA-Markov) Model in Land-Use Change Prediction: A Case Study of Saddle Creek Drainage Basin, Florida. Applied Ecology and Environmental Sciences, 16, 126-132.
Zhang, F., Tiyip, T., Feng, ZD. Kung, H-T., Johnson, V. C., Ding, JL., Tashpolat, N., Sawut, M. Gui, DW., 2015. Spatio-temporal patterns of land use/cover changes over the past 20 years in the middle reaches of the Tarim River, Xinjiang, China. Land Degradation and Development, 26,284- 29.
CAPTCHA Image