تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,103,088 |
تعداد دریافت فایل اصل مقاله | 97,209,412 |
ارزیابی آسیبپذیری تخریب سرزمین با استفاده از فرآیند تحلیل شبکه و سامانه اطلاعات جغرافیایی (مطالعه موردی: حوضه آبخیز مهارلو-بختگان) | ||
تحقیقات آب و خاک ایران | ||
مقاله 1، دوره 51، شماره 5، مرداد 1399، صفحه 1069-1080 اصل مقاله (1.11 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2020.293299.668410 | ||
نویسندگان | ||
احسان مرادی1؛ حسن خسروی* 2؛ غلامرضا زهتابیان3؛ شهرام خلیقی سیگارودی4؛ آرتمی سردا5 | ||
1دانشجوی دکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران | ||
2دانشیار، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایرانانشگاه تهران | ||
3استاد، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران | ||
4دانشیار، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران | ||
5استاد، گروه جغرافیا دانشگاه والنسیا، اسپانیا | ||
چکیده | ||
شناسایی مناطق آسیبپذیر به تخریب سرزمین لازمه مدیریت پایدار منابع طبیعی است که یکی از گامهای موجود در چارچوب حفاظتی محسوب میشود. در پدیده تخریب سرزمین موضوعی که بسیار اهمیت دارد، شناسایی مناطق حساس به تخریب و همچنین ارزیابی میزان آسیبپذیری به این پدیده است. هدف از این مطالعه ارزیابی آسیبپذیری تخریب سرزمین در حوضه آبخیز مهارلو-بختگان با استفاده از روش تصمیمگیری چند معیاره است. بدین منظور از نه پارامتر کاربری اراضی، پوشش گیاهی، شوری خاک، کمیت و کیفیت آب زیرزمینی، تراکم دام، سطح سواد و تمرکز جمعیتی برای تهیه نقشه آسیبپذیری استفاده شد. در مرحله اول با استفاده از چارچوب eDPSIR، روابط بین پارامترها مشخص شد. سپس با استفاده از روش فرآیند تحلیل شبکهای (ANP)، وزن هر یک از پارامترها تعیین شد. سپس بعد از فازیسازی لایهها، با ترکیب آنها در محیط سامانه اطلاعاتجغرافیایی (GIS)، نقشه آسیبپذیری تخریب سرزمین تولید شد. نتایج نشان داد که کلاس آسیبپذیری شدید در تمام طبقات ارتفاعی به جز 200 متر اولیه، بیشترین مساحت را شامل میشود. در کل منطقه، بیشترین طبقه آسیبپذیری در کلاس شدید بوده که حدود 31/64 درصد از مساحت منطقه را در بر میگیرد. در بررسی آسیبپذیری کاربریهای مختلف مشخص شد که کلاس آسیبپذیری شدید بیشتر شامل کاربری مرتع و کلاس آسیبپذیری متوسط بیشتر شامل کاربری کشاورزی آبی است که نشاندهنده مقدار آسیبپذیری زیاد این کاربریها و اثر فعالیتهای انسانی بر تخریب را نشان میدهد. این درصد از آسیبپذیری اراضی مرتعی و کشاورزی به دلیل اهمیت پارامترهای کاربری اراضی و پوشش گیاهی است که بیشترین وزن را در بین سایر پارامترها در آسیبپذیری به تخریب سرزمین دریافت کردهاند. | ||
کلیدواژهها | ||
آسیبپذیری محیطی؛ چهارچوب eDPSIR؛ شناسایی مناطق آسیبپذیر؛ مدل تصمیمگیری چندمعیاره | ||
مراجع | ||
Abou Zaki, N., Torabi Haghighi, A., M Rossi, P., J Tourian, M., & Kløve, B. (2019). Monitoring Groundwater Storage Depletion Using Gravity Recovery and Climate Experiment (GRACE) Data in Bakhtegan Catchment, Iran. Water. 11(7), 1456. Aceves, E. Á., Guevara, H. J. P., Enriquez, A. C., Gaxiola, J. D. J. C., Cervantes, M. D. J. P., Barrientos, J. H., Samuel, C. L. (2019). Determining Salinity and Ion Soil Using Satellite Image Processing. Polish Journal of Environmental Studies, 28(3), 1549-1560. Campus, G. (2019). Sustainable management of rural-ecological commons: Recommendations on eDPSIR causal networks. Journal of Environmental Protection and Ecology. 20(1), 348-357. Dai, J., Wu, H., Zhang, C., Zeng, G., Liang, J., Guo, S., Li, X., Huang, L., Lu, L., Yuan, Y. (2016). Responses of soil microbial biomass and bacterial community structure to closed-off management (an ecological natural restoration measures): a case study of Dongting Lake wetland, middle China. J. Biosci. Bioeng. 122 (3), 345–350. Faryadi, S., Sepehr, H., Ramezani, M. (2014). Identifying Ecological Vulnerability of Protected Complex of Touran via the Methods of Reciprocal Effects Matrix, AHP, and EA. Journal of Environmental Studies. 39(4), 45-54. García-Melón, M., Ferrís-Oñate, J., Aznar-Bellver, J., Aragonés-Beltrán, P., & Poveda-Bautista, R. (2008). Farmland appraisal based on the analytic network process. Journal of Global Optimization. 42(2), 143-155. Görener, A. (2012). Comparing AHP and ANP: an application of strategic decisions making in a manufacturing company. International Journal of Business and Social Science, 3(11), 194-208. Haberl, H., K. H. Erb, F. Krausmann, V. Gaube, A. Bondeau, C. Plutzar, S. Gingrich, W. Lucht, and M. Fischer-Kowalski. (2007). Quantifying and mapping the human appropriation of net primary production in earth’s terrestrial ecosystems. Proceedings of the National Academy of Sciences USA. 104: 12942–12947 Hou, R,P., Zhang, K,B., Qiao, F., Li, R., Yang, J,J. (2004). Biodiversity and desertification in the ecotone of agriculture-animal husbandry-Taking Yanchi county of Ningxia Hui Autonomous Region as an example. Ecology and Environment. 13: 350–353. Jahani, F., Malekmohammade, B., Zebardast, L., Adele, F. (2015). Investigate the Potential and Application of Ecosystem Services as Ecological Indicators in the DPSIR Model (Case Study: Choghakhor Wetland). Environmental Researches, 5(10): 109-120. Krausmann, F., K.-H. Erb, S. Gingrich, H. Haberl, A. Bondeau, V. Gaube, C. Lauk, C. Plutzar, and T. D. Searchinger. (2013). Global human appropriation of net primary production doubled in the 20th century. Proceedings of the National Academy of Sciences USA. 110: 10324–10329. Li, H., Liu, G., Fu, B. (2011). Response of vegetation to climate change and human Liou, Y. A., Nguyen, A. K., & Li, M. H. (2017). Assessing spatiotemporal eco-environmental vulnerability by Landsat data. Ecological indicators. 80: 52-65. Liu, D., Cao, C., Dubovyk, O., Tian, R., Chen, W., Zhuang, Q. & Menz, G. (2017). Using fuzzy analytic hierarchy process for spatio-temporal analysis of eco-environmental vulnerability change during 1990–2010 in Sanjiangyuan region, China. Ecological indicators. 73: 612-625. Mainali, J., & Pricope, N. G. (2017). High-resolution spatial assessment of population vulnerability to climate change in Nepal. Applied Geography. 82: 66-82. Nachtergaele, F. O. (2002). Land degradation assessment in drylands: the LADA project. Land degradation, 74. Nguyen, A.K., Liou, Y.A., Li, M.H., Tran, T.A. (2016). Zoning eco-environmental vulnerability for environmental management and protection. Ecol. Indic. 69: 100–117. Noojipady, P., Prince, S. D., & Rishmawi, K. (2015). Reductions in productivity due to land degradation in the drylands of the southwestern United States. Ecosystem Health and Sustainability. 1(8): 1-15. Nouri, H., Chavoshi Borujeni, S., Alaghmand, S., Anderson, S., Sutton, P., Parvazian, S., & Beecham, S. (2018). Soil Salinity Mapping of Urban Greenery Using Remote Sensing and Proximal Sensing Techniques; The Case of Veale Gardens within the Adelaide Parklands. Sustainability.10(8), 2826. Nowak, A., & Schneider, C. (2017). Environmental characteristics, agricultural land use, and vulnerability to degradation in Malopolska Province (Poland). Science of The Total Environment. 590: 620-632. Rahimi, V., Pourkhabbaz, H R., Aghdar, H., Mohammadyari, F. (2015). Comparison of Fuzzy AHP Buckley and ANP Models in Forestry Capability Evaluation (Case Study: Behbahan City Fringe).Iranian Journal of Applied Ecology, 4 (13), 15-31. Saaty T. l. and Vargas l. g. (1984) Comparison of eigenvalue, logarithmic least squares and least squares methods in estimation ratios, Mathematical modeling, 5, 309-324. Saaty, T. L. and Özdemir, M. S. (2005), The Encyclion: A Dictionary of Decisions with Dependence and Feedback based on the Analytic Network Process, RWS Publications, USA. Sahoo, S., Dhar, A., & Kar, A. (2016). Environmental vulnerability assessment using Grey Analytic Hierarchy Process based model. Environmental Impact Assessment Review. 56: 145-154. Sharif zadegan, M., Fathi, H. (2001). Environmental Vulnerability Assessment for Regional Planning in Three Alborz Environmental Areas by Hierarchical Method. Environmental Sciences. 3(10), 1-20. Sharma, M. J., Moon, I. and Bae, H. (2008), Analytic hierarchy process to assess and optimize distribution network, Applied Mathematics and Computation, 202, 256-265. Sica, Y. V., Quintana, R. D., Radeloff, V. C., & Gavier-Pizarro, G. I. (2016). Wetland loss due to land use change in the Lower Paraná River Delta, Argentina. Science of the Total Environment. 568, 967-978. Statictical center of Iran; https://www.amar.org.ir/english/Census-of-Agriculture. 2018. UNEP. (1992). World Atlas of Desertification. Edward Arnold. London. Wang, G., Cheng, G., & Yang, Z. (1999). The utilization of water resource and its influence on eco-environment in the northwest arid area of China. J Nat Resour, 14(2), 109-116. Wang, T. (2001). China’s desertification prevention and control are stepping to the world. Journal of Desert Research. 21: 1–3. Wu, H., Zeng, G., Liang, J., Guo, S., Dai, J., Lu, L., Wei, Z., Xu, P., Li, F., Yuan, Y., He, X. (2015). Effect of early dry season induced by the Three Gorges Dam on the soilmicrobial biomass and bacterial community structure in the Dongting Lakewetland. Ecological Indicators. 53: 129–136. Wu, H., Zeng, G., Liang, J., Zhang, J., Cai, Q., Huang, L., Li, X., Zhu, H., Shen, S. (2013).Changes of soil microbial biomass and bacterial community structure inDongting Lake: impacts of 50,000 dams of Yangtze River. Ecological engineering. 57: 72–78. Yoo, G., Kim, A. R., & Hadi, S. (2014). A methodology to assess environmental vulnerability in a coastal city: application to Jakarta, Indonesia. Ocean & coastal management. 102: 169-177. Zhao, G., Mu, X., Wen, Z., Wang, F., Gao, P. (2013). Soil erosion, conservation, and eco-environment changes in the Loess Plateau of China. Land Degradation & Development. 24: 499–510. Zou, T., & Yoshino, K. (2017). Environmental vulnerability evaluation using a spatial principal components approach in the Daxing’anling region, China. Ecological Indicators. 78: 405-415. | ||
آمار تعداد مشاهده مقاله: 594 تعداد دریافت فایل اصل مقاله: 595 |