بررسی نقش تغییر روش های درون یابی برای تولید عامل R در برآورد فرسایش خاک حوضه های آبریز به روش RUSLE (مطالعه موردی: حوضه آبریز بالارود)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 ، استاد گروه ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز.

2 اقلیم و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، مدیر گروه سنجش از دور و GIS.

3 گروه سنجش از دور و GIS، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، ایران.

چکیده

به‌کارگیری فن‌های نو برای شناخت عوامل مؤثر در فرسایش به‌ویژه فرسایش آبی و اندازه گیری مقدار آن در حوضه‌های آبریز جهت بهره گیری از آن در توسعه پایدار امری ضروری است. در این پژوهش از مدل تجربی RUSLE برای برآورد فرسایش استفاده‌شده است. هدف از این پژوهش بررسی نقش روش های درون‌یابی های جبری (رگرسیون خطی) و زمین آمار (کریجینگ معمولی) برای تولید عامل R و نتایج آن در برآورد فرسایش و رسوب حوضه آبریز رودخانه بالارود واقع در استان خوزستان به روش RUSLE است. یکی از عوامل تأثیرگذار در این مدل، عامل فرسایندگی باران (R) است که از داده های 12 ایستگاه هواشناسی تهیه‌شده است. با استفاده از روش های درون یابی مختلفی می توان این عامل را برای منطقه موردمطالعه محاسبه نمود. روش شناسی این پژوهش بر مبنای استفاده از روش درون یابی رگرسیون خطی (جبری) و کریجینگ معمولی برای تعیین عامل R است. نتایج این پژوهش نشان داد که عامل R درون یابی شده از هر دو روش درون یابی جبری و کریجینگ معمولی دارای ضریب تعیین خودهمبستگی به ترتیب R2=0.985 و R2=0.964 هستند و گرچه اختلاف کمی در ضریب تعیین خودهمبستگی مکانی دارند اما استفاده از عامل R درون یابی شده توسط روش جبری منجر به بیش برآورد فرسایش (19315/135 t.ha-1.yr-1) می شود. همچنین نتایج نشان داد که هر دو نقشه فرسایش برآورد شده کم ترین و بیش ترین رابطه همبستگی را به ترتیب با عامل های R و LS خود دارند.

کلیدواژه‌ها


عنوان مقاله [English]

The Role of Interpolation Methods for the Production of R factor to Estimate Soil Erosion of Basins Using RUSLE Model (Case Study: Balarood Basin)

نویسندگان [English]

  • davoud Mokhtari 1
  • Khalil Valizadeh Kamran 2
  • Ehsan Moradi Motlagh 3
1 Davoud Mokhtari, PhD in Geomorphology, Professor, Department of Geomorphology, Faculty of Planning and Environmental Sciences, Tabriz University
2 PhD in climatology, Professor, Department of Remote Sensing and GIS, Faculty of Planning and Environmental Sciences, Tabriz University.
3 Department of Remote Sensing and GIS, Faculty of Planning and Environmental Sciences, Tabriz University, Iran.
چکیده [English]

1. Introduction
There are many equations to prepare the R factor using synoptic stations data in the basin areas (Kamaludin et al. 2013 and Nikolova, 2016). The amount of this factor is estimated using different interpolation methods for the study areas. In addition, there are various methods to estimate the R factor at unknown points such as algebraic methods (linear regression and IDW ) and geostatistics methods (ordinary kriging, simple kriging and ....). Some researchers used ordinarily kriging (Men and Zhenrong, 2009, Moradi Motlagh, 2017 and Shabani, 2011), regression-kriging (De Mello et al. 2015), Co-kriging (Khorsandi et al. 2012), local polynomial (Hoyos et al. 2005), distinctive kriging (Zhang et al. 2009) and Linear Regression interpolation methods (Moradi Motlagh, 2017 and Sazab Pardazan cons. Eng. Co, 1998) to estimate the R factor. Instead of using synoptic data, some researchers used TRMM satellite images to produce R factor (Kumar Das and Guchait, 2016 and Zhu et al. 2011). Some rough topographic lands in the small basins such as the Balarood basin have valleys and elevations; the R factor estimate lower in valleys than in elevations by using the linear regression interpolation method (algebra); while the rainfall is seen uniformly over the elevations and valleys. This problem fix in different kriging interpolation methods and its predictions are close to the reality; therefore, the purpose of this study is to investigate the role of linear regression and geostatistics interpolation methods to produce the R factor and their effect on estimating the erosion of basins by the RUSLE model.

2. Study area
The geo-location of the study area (Fig. 1) is between 3601770.582860 mN and 3654377.5862609 mN and 328342.235576 mE and of 534721.260746 mE.

3. Materials and Methods
In this study, satellite image and their processing methods, GIS techniques and the RUSLE erosion model are used. Fig. 3 illustrates the materials and methods in the research, which describe as the following.

3.1. RUSLE soil erosion model
Universal Soil Loss Equation presented for the first time by Whishmeier and Smith (1977). This model estimates the soil erosion by Eq. (1):
(1)
A=R×K×L×S×C×P
Where A is the estimated soil loss per area and time unit and in this study, is in tons per hectare unit (metric system). R, K, L, S, C and P are the rainfall-runoff erosivity factor (MJ.mm.ha-1.hr-1.yr-1), soil erodibility factor (ton.ha.h. (MJ.mm.ha)-1), the slope length factor, the slope steepness, the cover-management factor and the support practice factor alternatively.

3.1.1. Calculating the R factor for each synoptic station
The R factor indicates the power of rainfall erosivity and Renar and Freimund (1994) equation have been used to calculate it (Eq. (3, 4 and 5)).

3.1.2. Topographic Factor (LS)
LS is the topographic factor, where L is the slope length factor and calculated by the ratio of lost soil from the sloped area to the lost soil from the experimental plots when the soil type and the degree of the slope are similar. This factor is calculated using Eq. (6).
Interpolation methods use the R factor calculated at each station to prepare the R-layer in the basin area. In this study in order to provide the R layer, algebraic (linear regression) and ordinary kriging interpolation methods are used.

3.2. Semivariogram and its application in choosing the best R-factor interpolated.
A large number of studies have proved the efficiency of the semivariogram in spatial analysis and environmental studies. Semivariogram equations (Eq. (11)) with different models (Spherical, Gaussian, Linear, Exponential, and Circular) use to estimate spatial auto-correlation.

3.3. Pearson Correlation Coefficient (r)
Generally, the most common equation to express the correlation between two variables over time and place is the Pearson correlation coefficient. This coefficient shows the direction and degree of correlation and can be calculated using standard deviation and standard methods (Eq. (12 and 13) respectively).

3.4. The coefficient of determination (R2)
Correlation coefficient shows the correlation between two variables but does not give us more information about the nature of this correlation. It determines the high, low, or relative correlation (Balyani and Hakimdost, 2014). The accuracy of the model is higher and we can determine the optimal model for fitting if the coefficients of determination of data go towards 1.
3.5. Data resources
In this study, to produce LS, P, C, K, and the R factors, 1:25000 topographic maps, ASTER satellite image, area soil map and precipitation data of 12 synoptic stations (Table 5) have been used respectively (Table 4).

4. Conclusions
The results indicated the R factor interpolated by linear regression method has more auto-correlation (R2=0.985) than once interpolated by ordinary kriging method (R2=0.964). Though the coefficients of determination are close, this difference could justify the use of linear regression interpolation method in the preparation of the R factor. The R factor interpolated by linear regression is higher than the R factor interpolated by ordinary kriging method on average.The maps of soil erosion risk indicated that by using the linear regression and ordinary kriging interpolation methods to prepare the R factor, the risk of soil erosion at the basin (ton per hectare) estimate 0 to 77824.5 and 0 to 55277.2 respectively. The mean annual erosions from linear regression and ordinary kriging interpolations have been estimated 19315/135 t.ha-1.yr-1 and 14223/726 t.ha-1.yr-1 alternatively. It demonstrated using linear regression interpolation method in preparing the R factor layer leads to the higher estimation of this factor and ultimately to the higher estimation of the erosion by the RUSLE experimental model. The average of the erosion estimated using the R factor interpolated by linear regression method has less difference (1651/865 t.ha-1.yr-1) then another one in the previous study (Sazab Pardazan Cons. Eng. Co, 1998). Comparison of estimated erosions with each of their factors indicated both of the estimated erosions have the lowest and highest correlation with their R and LS factors, respectively. This study also demonstrates that remote sensing and GIS are valuable tools in assessing soil erosion and its factors.

کلیدواژه‌ها [English]

  • "Interpolation methods"
  • "Balarood basin"
  • "Erosion"
  • "RUSLE"
  • "R Factor"
  • احمدی، حسن، 1388، ژئومورفولوژی کاربردی، جلد 1، انتشارات دانشگاه تهران، تهران.
  • اخوان، رضا؛ کلاین، کریستوف، 1387، کارایی کریجینگ در برآورد و نقشه‌سازی موجودی جنگل‌کاری‌ها (مطالعه موردی: جنگل‌کاری بنشکی رامسر)، تحقیقات جنگل و صنوبر ایران، دوره 17، شماره 2، ص­ص 161-318.
  • اسدزاده، فرخ؛ میرزایی، سلمان؛ طیبی، محبوبه، 1393، تعیین مناسب‌ترین ابعاد سلولی مدل رقومی ارتفاع برای محاسبه عامل توپوگرافی در مدل RUSLE، نشریه تحقیقات آب‌وخاک ایران، دوره 45، شماره 3، 1393، ص­ص 325 -332.
  • آرخی، صالح؛ نیازی، یعقوب، 1389، بررسی کاربرد RS و GIS برای تخمین فرسایش خاک و بار رسوب با استفاده از مدل RUSLE (مطالعه موردی: حوضه بالادست سد ایلام)، پژوهش‌های حفاظت آب‌وخاک، دانشکده علوم کشاورزی و منابع طبیعی گرگان، جلد 17، شماره 2، ص­ص 1-27.
  • امیدی­پور، رضا؛ مرادی، حمیدرضا؛ آرخی، صالح، 1392، مقایسه روش­های طبقه­بندی پیکسل­پایه و شیء­گرا در تهیه نقشه کاربری اراضی با استفاده از داده­های ماهواره­ای، سنجش از دور و GIS ایران، دوره 5، شماره 3، ص­ص 99-110.
  • باقری، علیرضا؛ راشدمحصل، محمدحسن؛ رضوانی­مقدم، پرویز، 1393، اثر تناوب بر پویایی مکانی علف­های هرز شاه­تره ایرانی و علف هفت بند، پژوهش‌های زراعی ایران، دوره 12، شماره 2، ص­ص 178-188.
  • بلیانی، یدالله؛ حکیم­دوست، سیدناصر، 1393، پردازش داده­های مکانی (فضایی) با استفاده از روش­های تحلیل فضایی، انتشارات آزادپیما، تهران.
  • پیری­صحراگرد، حسین؛ پیری، جمشید، 1395، تحلیل ساختار مکانی برخی از خصوصیات خاک با استفاده از روش زمین‌آمار (مطالعه موردی: مراتع غرب تفتان، شهرستان خاش)، مرتع، دوره 10، شماره، ص­ص 224 -236.
  • خسروی، یونس؛ عباسی، اسماعیل، 1395، تحلیل فضایی داده‌های محیطی با زمین‌آمار، انتشارات آذرکلک، زنجان.
  • رخبین، معصومه؛ نوحه­گر، احمد؛ کمالی، علیرضا؛ حبیب‌اللهیان، محمود، 1393، برآورد میزان فرسایش و تولید رسوب در حوضه آبخیز لاور فین (استان هرمزگان) با استفاده از سنجش‌ازدور (RS)، سیستم اطلاعات جغرافیایی (GIS) و مدل تجربی RUSLE، فصلنامه تحقیقات جغرافیایی، دوره 29، شماره 3، پاییز 1393، ص­ص 89-104.
  • رفاهی، حسینقلی، 1393، فرسایش آبی و کنترل آن، انتشارات دانشگاه تهران، تهران.
  • شرکت مهندسی مشاور سازآب‌پردازان، 1370، گزارش فیزیوگرافی مطالعات مرحله توجیهی طرح آبریزداری حوضه آبریز بالارود، سازمان جهاد سازندگی استان خوزستان، مدیریت آبخیزداری و امور زیربنایی، اهواز.
  • شعبانی، محمد،1390، ارزیابی روش‌های زمین آمار در تهیه نقشه فرسایندگی باران استان فارس، مهندسی و مدیریت آبخیز، سال سوم، شماره 3، ص­ص. 168-176.
  • فیضی­زاده، بختیار؛ هلالی، حسین، 1389، طبقه­بندی پوشش اراضی/کاربری اراضی بر اساس تکنیک شئ­گرا و تصاویر ماهواره­ای، مطالعه موردی: استان آذربایجان غربی، پژوهشهای جغرافیای طبیعی، دوره 42، شماره 71، ص­ص 73-84.
  • کردوانی، پرویز، 1385، جغرافیای خاک‌ها، انتشارات دانشگاه تهران، تهران.
  • کردوانی، پرویز، 1393، حفاظت خاک، انتشارات دانشگاه تهران، تهران.
  • کمانگر، محمد؛ فرج زاده؛ منوچهر، بداغی، مرضیه؛ کرمی، پیمان، 1394، واسنجی معادله جهانی فرسایش خاک اصلاح‌شده (RUSLE) با استفاده از سامانه اطلاعات جغرافیایی و سنجش‌ازدور (مطالعه موردی: حوضه آبریز سیخوران هرمزگان)، فضای جغرافیایی، دوره 15، شماره 51، ص­ص 191 -207.
  • مرادی­مطلق، احسان، 1396، نقش تغییر منابع سنجش‌ازدور و فن‌های GIS در نتایج برآورد فرسایش و رسوب حوضه آبریز رودخانه بالارود به روش RUSLE، پایان نامه کارشناسی ارشد، مختاری، داود؛ ولیزاده­کامران، خلیل، سنجش از دور و GIS، دانشگاه تبریز، تبریز.
  • مرادی­مطلق، احسان؛ ولیزاده­کامران، خلیل، 1395، ارزیابی روش های پیکسل پایه و شی گرا در طبقه­بندی پوشش/کاربری اراضی شهر اندیمشک با استفاده از تصویر سنجنده OLI ماهواره لندست 8، چهارمین کنگره بین­المللی عمران، معماری و توسعه شهری، دانشگاه شهید بهشتی، تهران.
  • معروفی، صفر؛ سقایی، صفا؛ ارشادفتح، فرناز، 1394، بررسی توزیع مکانی سرعت باد با استفاده از روش‌های زمین‌آماری و کلاسه­بندی آن بر اساس روش تحلیل خوشه­ای، علوم و مهندسی آبیاری، دوره 40، شماره 1، ص­ص 49-59.
  • وراوی­پور، مریم،1390، خاک­شناسی عمومی، انتشارات دانشگاه پیام نور، ص­ص 233.
    • De Mello, C.R, Viola, M.R, Owens, P.R, de Mello, J.M, Beskow, S., 2015. Interpolation Methods for Improving the RUSLE R-Factor Mapping in Brazil. Soil and Water Conservation, 70(3), pp. 182-197.
    • Hoyos, N. Waylena, P. R. Jaramillob, Á., 2005. Seasonal and Spatial Patterns of Erosivity in a Tropical Watershed of the Colombian Andes. Journal of Hydrology, 314, 177–191.
    • Kamaludin, H. Lihan, T. Ali Rahman, Z. Mustapha, M.A. Idris, W.M.R. Rahim, S.A., 2013. Integration of remote sensing, RUSLE and GIS to model potential soil loss and sediment yield (SY). Hydrology and Earth System Sciences, DOI: 10.5194/hessd-10-4567-2013.
    • Khorsandi, N. Mahdian, M.H. Pazira, E. Nikami, D. Chamheadar, H., 2012. Comparision of Different Interpolation Methods for Investigating Spatial Variability of Railfall Erosivity Index. Pol. J. Environ. Stud, 21(6), pp. 1659-1666.
    • Kumar Das, and G. Guchait, R., 2016. Modeling of Risk of Soil Erosion in Kharkai Watershed using RUSLE and TRMM Data: A Geospatial Approach. International Journal of Science and Research, 5(10), pp. 1-10.
    • Li, J.D. and Heap, A., 2008. A Review of Spatial Interpolation Methods for Environmental Scientists. Geoscience Australia, Australia.
    • Men, M.Yu. and Zhenrong, X.H., 2009. Study on the spatial pattern of rainfall erosivity based on geostatistics in Hebei Province, China. Frontiers of Agriculture in China, 2(3), pp. 281-289.
    • Moore, Ian D. and Wilson, John P., 1992. Length-slope factors for the Revised Universal Soil Los Equation: Simplified method of estimation. Soil and Water Conservation 47(5), pp. 423-428.
    • Morgan, R. P. C,. 2005. Soil Erosion and Conservation. Blackwell Publication, Malden, Massachusetts, USA.
    • Nikolova, E., 2016. Soil Erosion Modeling Using RUSLE and GIS in the Republic of Macedonia. Master Thesis, Environmental and Geomatic Engineering Faculty, Politecnic Di Milano, Italy.
    • Osman Khan, T., 2014. Soil Degradation, Conservation and Remediation. Springer, New York, USA.
    • Renard, K.G. and Freimund, J.R., 1994. Using Monthly Mrecipitation Mata to Estimate the R factor in the Revised USLE. J. Hydrol (157), pp. 287-306.
    • Renard. K.G, Foster. G.R, Weesies. G.A, McCool. D.K, Yoder. D.C (1997), Predicting Soil Erosion by Water: A Guide to Conservation Planning with the Revised Universal Soil Loss Equation (RUSLE), United States Department of Agriculture, Washington, USA.
      • Teng, H. Ma, Z. Chappell, A. Shi, Z. Liang, Z. Yu, W., 2017. Improving Rainfall Erosivity Estimates Using Merged TRMM and Gauge Data. Remote Sensing, 9(11), pp. 1134, DOI: 10.3390/rs9111134.
      • Whishmeier, W.H. and Smith, D.D,. 1978. Predicting rainfall erosion losses- a guide to soil conservation planning. U.S Department of Agriculture, Agriculture handbook NO.537.
      • Zhang, K. Hong, W. Wu, C.Z. Ding, X,. 2009. Study on the Spatial Pattern of Rainfall Erosivity Based on Geostatistics and GIS of Fujian Province Journal of Mountain Science. 27(5), pp. 538.
      • Zhu, Q. Chen, X.W. Fan, Q.X. Jin, H.P. Li, J. R,. 2011. A New Procedure to Estimate the Rainfall Erosivity Factor Based on Tropical Rainfall Measuring Mission (TRMM) Data. Science China Technological Sciences, 54(9), pp. 2437–2445, DOI: org/10.1007/s11431-011-4468-z.