مهم ترین عامل‌های مؤثر بر توان آب زیرزمینی در آبخیز پیرانشهر (آذربایجان غربی) با مدل MaxEnt و سامانه‌ی اطلاعات جغرافیایی

نوع مقاله : پژوهشی

نویسندگان

1 استادیار گروه مرتع و آبخیزداری، مجتمع آموزش عالی شیروان

2 دکترای علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

آب­ زیرزمینی یکی از مهم­ترین و حیاتی­ترین منابع طبیعی در منطقه‌های خشک و نیمه­خشک است. هدف از این پژوهش شناختن منطقه‌هایی که توان آب زیرزمینی دارد، و اولویت­بندی‌کردن عامل‌های مؤثر بر آن است. در این پژوهش 14 شاخص تأثیرگزار بر توان آب زیرزمینی شامل شیب، ارتفاع، جهت شیب، انحنای پستی‌وبلندی، فاصله از آب‌راه، تراکم زه‌کشی، فاصله از گسل، تراکم گسل، شاخص رطوبت پستی‌وبلندی، موقعیت پستی‌وبلندی، سختی پستی‌وبلندی، سنگ­شناسی، کاربری زمین‌، و موقعیت شیب نسبی به‌کاربرده شد. به‌روش تصادفی 30% از مجموع 145 چشمه در گروه داده­های اعتبارسنجی و 70% آن در گروه داده­های آموزش گذاشته شد. برای اولویت‌بندی‌کردن عامل‌های مؤثر و پهنه­بندی‌کردن توان آب زیرزمینی در آبخیز پیرانشهر روش بیشینه‌ی آنتروپی و مدل MaxEnt با بهره­گیری از ArcGIS، و برای ارزیابی‌کردن مدل منحنی تشخیص عمل‌کرد نسبی (ROC) به‌کاربرده شد. نتیجه‌‌ها نشان داد که توان آب زیرزمینی در 33/6% حوزه­ی آبخیز، بیش‌تر در مرکز آبخیز، است. بر اساس نمودار جکنایف لایه­های شاخص رطوبت پستی‌وبلندی، ارتفاع، سنگ­شناسی (ماسه­سنگ و پلمه‌سنگ)، سختی پستی‌وبلندی، موقعیت پستی‌وبلندی، و شیب به‌ترتیب مهم­ترین عامل‌های تأثیرگزار بر توان آب زیرزمینی بود. سطح زیر منحنی (AUC) نشان­دهنده‌ی دقت 93% (عالی) روش بیشینه‌ی آنتروپی در مرحله‌ی آموزش، و 81% (خیلی خوب) در مرحله‌ی اعتبارسنجی برای شناختن منطقه‌های دارنده‌ی توان آب زیرزمینی بود. نتیجه‌ی این پژوهش ممکن است در مدیریت‌کردن آب زیرزمینی آبخیز پیرانشهر در رویارویی با افزایش جمعیت به‌کار برده شود.

کلیدواژه‌ها

عنوان مقاله [English]

The Most Important Factors that Affect the Potential of Groundwater Resources Piranshahr Watershed (West Azarbaijan) Using the MaxEnt Model and the GIS

نویسندگان [English]

  • Mehdi Teimouri 1
  • Omid Asadi Nalivan 2
1 Assistant professor, Higher Education Complex of Shirvan, Iran
2 Ph.D. in Watershed Management Sciences and Engineering, the Gorgan University of Agricultural Sciences and Natural Resources, Iran
چکیده [English]

Groundwater is the most important and vital natural resource in arid and semi-arid regions. The purpose of the study is to determine the potential of groundwater in different areas of the watershed and prioritize the factors affecting it. Fourteen indices were used which affect groundwater potential namely slope, elevation, slope aspect, topographic curvature, distance from any stream, drainage density, distance from a fault, fault density, topography humidity index, lithology, land use, relative slope position, topographic position, and topographic hardness. Moreover, from the 145 springs, 30% were randomly classified as the validation data and 70% were categorized as the test data. The maximum entropy method and the MaxEnt model was used to prioritize the effective factors and zonation of groundwater potential using the ArcGIS in the Piranshahr Watershed. Further, the ROC model was used to evaluate the developed model. The results indicated that 33.6% of the watershed had groundwater potential, which is located mostly in its center. Based on the jackknife chart, humidity, topography, DEM, lithology (sandstone and shale), topographic hardness, topographic position and slope were the most important factors influencing the groundwater potential. The area under the curve shows an accuracy of 93% (excellent) at the training stage and 81% (very good) at the validation stage for the determination of the watershed groundwater potential. The results of this research may be used to manage the groundwater resources of the Piranshahr Watershed, especially with regards to imminent population growth.

کلیدواژه‌ها [English]

  • Geographic Information System
  • groundwater potential
  • machine learning
  • MaxEnt model
  • maximum entropy

مراجع

Agarwal R, Garg PK. 2016. Remote Sensing and GIS-based groundwater potential & recharge zones mapping using multi-criteria decision analysis making a technique. Water Resources Management. 30: 243–260.
Al-Abadi A, Al-Temmeme A, Al-Ghanimy A. 2016. A GIS-based combining of frequency ratio and index of entropy approaches for mapping groundwater availability zones at Badra–Al Al-Gharbi–Teeb areas, Iraq, Sustain. Water Resources Management. 2(3): 265–283.
Arabameri AR, Sohrabi M, Rezaei K, Yamani M, Shirani K. 2018. Simulation of Najaf-Abad watershed groundwater using data-driven ensemble model EBF-Index of entropy. Journal of Water and Soil Conservation. 25(2): 25–48. (In Persian).
Arulbalaji P, Padmalal D, Sreelash K. 2019. GIS and AHP techniques Based Delineation of Groundwater potential Zones: a case study from the southern Western Ghats, India. Scientific Reports, 9: 2082, https://doi.org/10.1038/s41598-019-38567-x.
Asadi Nalivan O, Ghiasi SS, Feiznia S, Saghazade, N. 2018. Spatial and temporal variations of nitrate concentration in groundwater. Journal Range & Watershed Management. 71 (2): 307–319. (In Persian).
Deng F, Deng Z, Lv D, Wang D, Duan H, Xing Z. 2016. Application of Remote Sensing and GIS analysis in groundwater potential estimation in west Liaoning Province, China. Journal of Engineering Research. 4(3): 1–17.
Golkarian A, Rahmati O. 2018. Use of a maximum entropy model to identify the key factors that influence groundwater availability on the Gonabad Plain, Iran. Environmental Earth Sciences. 77: 369.
Guo-Liang D, Yong-Shuang Z, Javed I, Xin Y. 2017. Landslide susceptibility mapping using an integrated model of information value method and logistic regression in the Bailongjiang watershed, Gansu Province, China, Journal of Mountain Science. 14(2): 249–268.
Jothibasu A, Anbazhagan S. 2016. Modeling groundwater probability index in Ponnaiyar River basin of South India using the analytic hierarchy process, Model. Earth Systems and Environment. 2: 109.
Lee S, Hong SM, Jung HS. 2018. GIS-based groundwater potential mapping using artificial neural network and support vector machine models: The case of Boryeong city in Korea. Geocarto International. 33: 847–861.
Lee S, Hyun Y, Lee M. 2019. Groundwater Potential Mapping Using Data Mining Models of Big Data Analysis in Goyang-si, South Korea. Sustainability. 11: 1678.
Mousavi SM, Golkarian A, Naghibi SA, Kalantar B, Pradhan B. 2017. GIS-based groundwater spring potential mapping using data mining boosted regression tree and probabilistic frequency ratio models in Iran. Geoscience. 3(1): 91–115.
Naghibi SA, Pourghasemi HR, Abbaspour K. 2018. A comparison between ten advanced and soft computing models for groundwater qanat potential assessment in Iran using R and GIS. Theoretical and Applied Climatology. 131(3–4): 967–984.
Park NW. 2014. Using maximum entropy modeling for landslide susceptibility mapping with multiple geo-environmental data sets. Environment Earth Science. 73(3): 937–949.
Phillips SJ, Anderson RP, Schapire RE. 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling. 190: 231–259.
Rahmati O, Nazari Samani A, Mahdavi M, Pourghasemi HR, Zeinivand H. 2015. Groundwater potential mapping at Kurdistan region of Iran using the analytic hierarchy process and GIS. Arab Journal Geosciences. 8: 7059–7071.
Razandi Y, Farokhzadeh B, Yousefzadeh M, Teimurian T. 2017. Applying Maximum Entropy algorithm (MAXENT) in Groundwater potential mapping, Case study: Hamedan-Bahar Plain. Journal of Irrigation & Water Engineering. 8(29): 110-123. (In Persian).
Razavi V, Mesgari M, Kazemi K. 2017. Evaluation and comparison of frequency ratio, statistic index and entropy methods for groundwater potential mapping using GIS (Case Study: Jahrom Township). Journal of EcoHydrology. 4(3): 725–736. (In Persian).
Sahoo S, Munusamy SB, Dhar A, Kar A, Ram P. 2017. Appraising the accuracy of multi-class frequency ratio and weights of evidence method for delineation of regional groundwater potential zones in canal command system. Water Resources Management. 31: 4399–4413.
Sener E, Sener S, Davraz A. 2018. Groundwater potential mapping by combining fuzzy analytic hierarchy process and GIS in Bey¸sehir Lake Basin, Turkey. Arabian Journal Geoscience. 11: 1–21.
Tehrany MS, Pradhan B, Jebur MN. 2013. Spatial prediction of flood-susceptible areas using rule-based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS. Journal of Hydrology. 504: 69–79.
Thilagavathi N, Subramani T, Suresh M, Karunanidhi D. 2015. Mapping of groundwater potential zones in Salem Chalk Hills, Tamil Nadu, India, using Remote Sensing and GIS techniques. Environment Monitoring Assessment. 187(164): 1–17.
Yeh HF, Cheng YS, Lin HI, Lee CH. 2016. Mapping groundwater recharge potential zone using a GIS approach in Hualian River, Taiwan. Sustainable Environment Research. 26: 33–43.
Zabihi M, Pourghasemi HR, Behzadfar M. 2015. Groundwater Potential Mapping using Shannon's Entropy and Random Forest Models in the Bojnourd Township. Journal of EcoHydrology. 2(2): 221–232. (In Persian).

فایل ها

سابقه مقاله

  • تاریخ دریافت: 05 خرداد 1398
  • تاریخ بازنگری: 19 تیر 1398
  • تاریخ پذیرش: 12 شهریور 1398

هم رسانی

ارجاع به این مقاله

آمار