تهیه نقشه پتانسیل منابع آب زیرزمینی (چشمه) حوزه آبخیز سیرا با استفاده از مدل آماری دومتغیره و نسبت فراوانی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 31

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWMS-16-59_004

تاریخ نمایه سازی: 4 دی 1402

چکیده مقاله:

در این تحقیق با استفاده از مدل نسبت فراوانی (FR) تلاش شد مناطق با پتانسیل بالای آب زیرزمینی حوزه آبخیز سیرا  مشخص شود. ۱۴ فاکتور موثر بر پتانسیل آب­ زیرزمینی شامل درجه شیب، درصد شیب، طول شیب(LS)، ارتفاع، شاخص جریان رودخانه(SPI)، شاخص رطوبت توپوگرافی(TWI)، انحنای سطح، فاصله از رودخانه ها، فاصله از جاده ­ها، فاصله از گسل،     سنگ­ شناسی، کاربری اراضی، گروه ­های هیدرولوژیک خاک و تراکم زهکشی در نظر گرفته شد. در محیط GIS نقشه­ های فاکتورها تهیه و هم ­پوشانی شدند. در منطقه ۸۳ چشمه وجود دارد که ۵۸ مورد برای مدل سازی و ۲۵ مورد برای صحت ­سنجی در مدل FR  مورد استفاده قرار گرفت. در نهایت با استفاده از خروجی مدل، نقشه پتانسیل منابع آب زیرزمینی ایجاد گردید. جهت         صحت ­سنجی و ارزیابی نقشه های پتانسیل آب زیرزمینی از منحنی ROC استفاده شد. نتایج صحت ­سنجی نشان داد که سطح زیر منحنی (AUC) در مدل نسبت فراوانی ۲۱/ ۸۱ درصد است که این مدل کارایی خوبی در پتانسیل منابع آب زیرزمینی منطقه دارد. بر اساس نتایج پتانسیل چشمه­ های به ترتیب، ۰۷ /۵، ۵۹ /۱۳، ۸۵ /۴۲ و ۴۸ /۳۸ درصد منطقه در کلاس های کم، متوسط، زیاد و خیلی زیاد قرار گرفت.

کلیدواژه ها:

نویسندگان

لیلا بیابانی

PhD Student in Desert Management and Control, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Iran.

مهین حنیفه پور

PhD in Natural Resources Engineering - Desertification, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Iran.

حسن خسروی

Associate Professor, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Iran

بهروز اکبرپور بناب

Hydroclimate Expert, Abkhan Consulting Engineers, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aniya, M. ۱۹۸۵. Landslide-susceptibility mapping in the Amahata river basin. ...
  • Arkoprovo, B. Adarsa, J. and Shashi Prakash, S. ۲۰۱۲, Delineation ...
  • Chenini, I. BenMammou, A. and May, ME. ۲۰۱۰. Groundwater recharge ...
  • Hengl, T.Gruber, S. and Shrestha, D.P. ۲۰۰۳. Digital terrain analysis ...
  • Kaliraj, S. Chandrasekar, N. and Magesh, NS. ۲۰۱۳. Identification of ...
  • Khosh Tinat, S. Aminnejad, B. Hassanzadeh, Y. and Ahmadi, H. ...
  • Lee, S. and Pradhan, B. ۲۰۰۶. Probabilistic landslide hazards and ...
  • Madan, K. JhaKamii, Y. and Chikamori, K. ۲۰۰۸. Cost-Effective Approaches ...
  • Manap, MA. Nampak, H. Pradhan, B. Lee, S. Sulaiman, WNA. ...
  • Manap, MA. Sulaiman, WNA. Ramli, MF. Pradhan, B. and Surip, ...
  • Moore, ID. and Burch, GJ. ۱۹۸۶. Sediment transport capacity of ...
  • Negnevitsky, M. ۲۰۰۲. Artificial intelligence: a guide to intelligent systems. ...
  • Neshat, A. Pradhan, B. Pirasteh, S. and Shafri, HZM. ۲۰۱۴. ...
  • Oh, HJ. Kim, YS. Choi, JK. and Lee, S. ۲۰۱۱. ...
  • Ozdemir, A. and Altural, T. ۲۰۱۳. a comparative study of ...
  • Pourghasemi, HR. Mohammady, M. and Pradhan, B. ۲۰۱۲b, Landslide susceptibility ...
  • Pourghasemi, HR. Moradi, HR. and Fatemi Aghda, SM. ۲۰۱۳d. Landslide ...
  • Pourghasemi, HR. Moradi, HR. Fatemi Aghda, SM. Gokceoglu, C. and ...
  • Pradhan, B. ۲۰۱۳. a comparative study on the predictive ability ...
  • Regmi, AD. Yoshida, K. Pradhan, B. Pourghasemi, HR. Khumamoto, T. ...
  • Saha, D. Dhar, YR. and Vittala, SS. ۲۰۱۰. Delineation of ...
  • Yesilnacar, EK. ۲۰۰۵. the application of computational intelligence to landslide ...
  • Zandi, S. Soleimani, K. Zandi, J. ۲۰۱۵. Mapping Areas with ...
  • نمایش کامل مراجع