پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,097,809 |
| تعداد دریافت فایل اصل مقاله | 97,205,452 |
تعیین مناطق مستعد سیل با مدل های FR، SI و Shannon به منظور کاهش مخاطرات سیل (مطالعۀ موردی: حوضۀآبخیز کشکان) | ||
| اکوهیدرولوژی | ||
| مقاله 21، دوره 8، شماره 1، فروردین 1400، صفحه 307-319 اصل مقاله (2.09 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2021.316342.1443 | ||
| نویسندگان | ||
| حسین یوسفی1؛ حجت اله یونسی* 2؛ آزاده ارشیا3؛ یزدان یاراحمدی4؛ احمد گودرزی5 | ||
| 1دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| 2استادیار گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان | ||
| 3دانشجوی دکتری سازه های آبی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان | ||
| 4دانشجوی دکتری علوم و مهندسی آبخیز، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان | ||
| 5کارشناس آب منطقه ای لرستان و دانشجوی دکتری سازه های آبی، دانشکدۀ کشاورزی، دانشگاه لرستان | ||
| چکیده | ||
| تعیین نقشۀ مناطق مستعد سیل با هدف ذخیرۀ روانابها به منظور تأمین آب مورد نیاز برای اهداف مختلف و نیز کنترل خسارتهای ناشی از سیل، اهمیت و ضرورت زیاد این موضوع را برای حفاظت از منابع طبیعی و انسانی نشان میدهد. استان لرستان و بهویژه حوضۀ کشکان شامل سلسله، دلفان، دوره، خرمآباد، پلدختر و کوهدشت، بسیار سیلخیز است و بارها دچار خسارتهای ناشی از سیل شده و در فروردین 1398 بزرگترین سیل 200 سال اخیر را تجربه کرده است. در پژوهش حاضر، تلاش شده است تا نقشۀ پهنهبندی سیلاب بهمنظور کاهش مخاطرات سیل حوضۀ آبخیز کشکان با استفاده از مدلهای نسبت فراوانی، شاخص آماری و آنتروپی شانون و نیز با بهرهگیری از روشهای مبتنی بر ArcGIS برای بهبود تصمیمگیری و مدیریت سیل در این منطقه ارائه شود. به این منظور، موقعیت جغرافیایی 123 نقطۀ سیلگیر در منطقه به دو گروه واسنجی و اعتبارسنجی تقسیم شدند. در اجرای هر سه مدل از پارامترهای مؤثر بر سیل شامل شیب، جهت شیب، انحنای زمین، زمینشناسی، کاربری اراضی، خاکشناسی، شاخص رطوبت توپوگرافی، بارش، تراکم آبراهه، فاصله از آبراهه و مدل ارتفاعی رقومی منطقه استفاده شد. همچنین، برای اعتبارسنجی نتایج مدلها از منحنی مشخصۀ عملکرد در نرمافزار SPSS استفاده شد. حساسیتسنجی پارامترها برای هر سه مدل نیز انجام شد که فاصله از رودخانه، مؤثرترین پارامتر مشترک در هر سه مدل بود. بیشترین صحت برای این منطقه به مدل آنتروپی شانون (82/0، خیلی خوب) اختصاص داشت و بعد از آن، مدل نسبت فراوانی و شاخص آماری (78/0، خوب)، مناسب این منطقه معرفی شدند. نتایج نشان داد مدل آنتروپی شانون، مساحت بیشتری از حوضه را تحت شرایط پتانسیل زیاد خطر سیلگیری نشان میدهد (حدود 40 درصد از مساحت منطقه در طبقۀ خطر سیل زیاد و خیلی زیاد) که اغلب مناطق غربی و همچنین، مناطق مرکزی حوضه را شامل میشوند که در کوهدشت، خرمآباد و پلدختر قرار دارند و باید در اولویت اول برنامهریزی و مدیریت ریسک سیل در این حوضه قرار گیرند. | ||
| کلیدواژه‌ها | ||
| حوضۀ کشکان؛ مدل Shannon؛ مدل FR؛ مدل SI؛ نقشۀ سیل | ||
| مراجع | ||
|
[1]. Alizadeh A. Principles of Applied Hydrology, Imam Reza University Press. Principles of Applied Hydrology, Imam Reza University Press, 2009; 26th edition (In Persian). [2]. Barkhordari J, Tireh Shabankareh K, Mehrjerdi MZ, Khalkhali M. Study of water spreading effects on quantitative and qualitative changes of pastural cover: A case study in station of Sarchahan water spreading (Hormozgan province). Watershed Researches in Pajouhesh & Sazandegi. 2009; 82: 65-72 (In Persian). [3]. Azadi F, Sadough H, Qahrdavi M, Shahabi H. Zoning of flood risk sensitivity in Kashkan river basin using two models EBE and WOE. Journal of Geography and Environmental Hazards, 2020, 33: 45-60. [Persian]. [4]. Ismaili Alavicheh A, Karimi S, Alavipour F. Vulnerable assessment of urban areas against floods with fuzzy logic, Quarterly Journal of Environmental Science and Technology, 2017. 5: 12-1. [Persian]. [5]. Arianpour, M. and Jamali, A. A. Flood Hazard Zonation using Spatial Multi-Criteria Evaluation (SMCE) in GIS (Case Study: Omidieh-Khuzestan). European Online Journal of Natural and Social Sciences. 2015, 4(1): 39 – 49. [6]. Khosravi, K., Pourghasemi, H. R., Chapi, K., & Bahri, M. Flash flood susceptibility analysis and its mapping using different bivariate models in Iran: a comparison between Shannon’s entropy, statistical index, and weighting factor models. Environmental monitoring and assessment. 2016, 188(12), 656. [7]. Chapi, K., Singh, V. P., Shirzadi, A., Shahabi, H., Bui, D. T., Pham, B. T., & Khosravi, K. A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental Modelling & Software, 2017, 95, 229-245. [8]. Abedini M, Fathi M. Flood Risk Mapping and Evaluation by using the Analytic Network Process Case Study: Khiav Chai Catchment. Hydrogeomorphology. 2015; Volume 1, Issue 3, Page 81-97. [Persian]. [9]. Hosseini M, Jafar Biglou M, Ground F. Determination of flood catchment areas of Kashkan river using hydraulic model to reduce flood risks. Journal of Risk Knowledge, 2015. 2 (3): 355-369. [Persian]. [10]. Siahkamari S, Zinivand H. Potential finding of flood prone areas using statistical index model and weight of evidence (Maderso watershed, Golestan). Journal of Remote Sensing and GIS in Natural Resources. 2016, 7 (4): 116-133. [Persian]. [11]. Abedini M, Beheshti Javid E. Flood Hazard Mapping of Lighvan Chai Watershed Using Network Analysis Process Model (ANP) and GIS. Geographic Space, Islamic Azad University of Ahar Branch. 2016; 55: 293-312. [Persian]. [12]. Kanani-Sadat Y, Arabsheibani R, Karimipour F, Nasseri M. A New Approach to Flood Susceptibility Assessment in Data-Scarce and Ungauged Regions Based on GIS-based Hybrid Multi CriteriaDecision-Making Method, Journal of Hydrology 2019; Volume 572, pp 17-31. [13]. Bui, D. T., Panahi, M., Shahabi, H., Singh, V. P., Shirzadi, A., Chapi, K., Ahmad, B. B. (2018). Novel hybrid evolutionary algorithms for spatial prediction of floods. Scientific reports, 8(1), 15364. [14]. Azad Talab M, Shahabi H, Chapi K, Shirzadi A. Prediction of flood risk in Sanandaj city using hybrid models. Master Thesis in Environmental Risk, 2019, University of Kurdistan. [Persian]. [15]. Tehrany MS, Jones S, Shabani F. Identifying the essential flood conditioning factors for flood prone area mapping using machine learning techniques. Catena. 2019; 1(175):174-92. [16]. Faramarzi H, Hosseini M, Pourghasemi H, Farnaghi M. Flood risk assessment and zoning in Golestan National Park. Journal of Echo Hydrology, 2019. 6 (4): 1055-1068. [Persian]. [17]. Mokhtari D, Rezaei Moghadam, Rahimpour T, Moezz S. Preparation of flood risk map in Gomnab Chay catchment using model ANP and techniques GIS. Journal of Echo Hydrology. 2020, 7 (2): 502-497. [Persian]. [18]. Hosseinzadeh M, Panahi R, Tarband T. Flood sensitivity zoning in Songhor catchment in Kermanshah province. Journal of Echo Hydrology. 2020, 7 (4): 873-889. [Persian]. [19]. Moore ID, Grayson RB, Ladson AR. Digital terrain modelling. A review of hydrological, geomorphological, and biological applications. 1991, Hydrol Process 5, 3–30. [20]. Bui D, Lofman O, Revhaug I, Dick O. Landslide susceptibility analysis in the Hoa Binh province of Vietnam using statistical index and logistic regression. Natural Hazards. 2011, 59(3), 1413–44. [21]. Bednarik M, Magulova B, Matys M, Marschalko M. Landslide Susceptibility Assessment of the Kral ovany–Liptovsky Mikulas Railway Case Study. J. Physics and Chemistry of the Earth. 2010, 35(3-5): 162-171. [22]. Entezari M, Jalilian T, Darvish Khatouni J. Zoning of flood susceptibility map using performance evaluation of frequency ratio and weight of evidence methods (Kermanshah province). Journal of Spatial Analysis of Environmental Hazards. 2019, 6 (4): 143-160. [23]. Tahmasebipour N, Rahmati O, Ghorbaninejad S. Predicting the sensitivity of geyser erosion in Seymareh region based on the Hamel model of certainty and determining the importance of factors affecting it, Echo Hydrology. 2016, 3 (1): 83-93. [Persian]. [24]. Tehrany M. S, Pradhan B, Jebur M. N. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of hydrology. 2014, 512, 332-343. [25]. Tehrany MS, Pradhan B, Jebur MN. Flood susceptibility analysis and its verification using a novel ensemble support vector machine and frequency ratio method. Stochastic Environmental Research and Risk Assessment. 2015, 29(4): 1149-1165. | ||
|
آمار تعداد مشاهده مقاله: 667 تعداد دریافت فایل اصل مقاله: 466 |
||