مکانیابی مناطق مستعد چشمه‌های کارستی حوضه کبگیان با استفاده از الگوریتم آنتروپی بیشینه شانون

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه یاسوج

2 دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

10.22034/gmpj.2021.131010

چکیده

هدف از این پژوهش، ارزیابی و بررسی توانایی مدل آماری آنتروپی شانون در تعیین مناطق مستعد حضور چشمه در حوزه آبخیز کارستی کبگیان یاسوج بوده است. برای انجام این پژوهش، 384 نقشه حضور چشمه انتخاب شدند که به دو دسته 70 درصد (269 مکان چشمه) برای مدلسازی و 30 درصد (115 مکان چشمه) برای ارزیابی تقسیم شدند. همچنین 17 لایه تاثیرگذار بر منابع آب زیرزمینی شامل عوامل فیزیوگرافی، هیدرولوژیک، هواشناسی، توپوگرافی و زمین‌شناسی، تهیه و مورد استفاده قرار گرفتند. تمامی اصلاحات، آماده‌سازی لایه‌ها، طبقه‌بندی و تجزیه ‌و تحلیل‌ها و استخراج نقشه‌های موردنظر با استفاده از نرم‌افزارهای ArcGIS® 10.5، PCI Geomatica® 2018، SAGA GIS، MaxEnt® 3.3.3، Google Earth Pro 9 و Excel 2016 انجام گردید. نتایج ارزیابی مدل آنتروپی شانون نشان دهنده دقت خیلی خوب این مدل با سطح زیر منحنی ROC برابر با 7/82 درصد است. همچنین نتایج نشان داد که فاکتورهای ارتفاع، فاصله عمودی تا شبکه کانال، بارش، موقعیت توپوگرافی و پوشش گیاهی به ترتیب بیشترین تاثیر و فاکتورهای برآیند بردار، جهت دامنه، انحناء دامنه، تراکم گسل و تراکم خطواره کمترین تاثیر را در تعیین مناطق دارای پتانسیل حضور چشمه در این منطقه دارند. شاخص سنگ‌شناسی حوضه تاثیر میانه در پیش‌بینی مدل، داشته است. طبق نقشه پتاسیل حضور چشمه، نواحی با پتانسیل زیاد، متوسط و کم، به ترتیب، 1894، 21795 و 63637 هکتار از سطح حوضه را دربرگرفته است که به ترتیب، 2/2، 25 و 8/72 درصد از حوضه را شامل می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Locating susceptible areas of karst springs in Kabgian watershed using Shannon maximum entropy algorithm

نویسندگان [English]

  • Mohsen Farzin 1
  • Mohammad Taghi Avand 2
2 Ph.D student of Watershed Management Engineering, Natural Resources and Marine Sciences Faculty, Tarbiat Modares Unviversity, Noor..
چکیده [English]

Introduction
Over the past decade, Maxent (maximum entropy) algorithm has been used extensively in natural resource studies, especially on topics related to animal habitat suitability, plant species distribution, and so in prediction of species presence potential areas. Since the presence of springs as a point feature at the watershed indicates the ability of the occurrence of a spring at that point, the Maxent model can be used to assess water resources potential of the watershed. Therefore, this study tries to evaluate the capability of Maxent algorithm to determine the potential areas for predicting and mapping presence of springs on the Kabgian karstic watershed.
Methodology
The data used in this study are divided to two categories of variables including dependent variable as points of presence of the spring, and independent variable as environmental information layers, including: Geographical Aspect, Lineament Density, Vertical Distance to the Channel Network (VDCN), Topographic Wetness ( TWI), Topographic Roughness (TRI), Topographic Position (TPI), Stream Density, Stream Power, Slope, Real Surface Area(RSA), Digital Elevation Model (DEM), Slope Curvature, Fault Density, Vegetation (NDVI), Vector Ruggedness Measure (VRM), precipitation and lithology. All modifications, layer preparation, classification, analysis, and map extraction was done using ArcGIS® 10.5, PCI Geomatica® 2018, SAGA GIS, MaxEnt® 3.3.3, Google Earth Pro 9, and Excel 2016 software.

Result and Discussion
The results showed that the accuracy of the model was very good with AUC 82.7 % on the ROC curve. According to Jackknife test, among 17 environmental variables, DEM, VDCN, rainfall, TPI and NDVI indices had the most impact on modeling, respectively. The least impact on modeling is VRM, geographical aspect, curvature, fault density, and lineament, respectively. The impact of the lithology index for predicting has been moderate; this can be attributed to the fact that more than 73% of the watershed is covered with limestone and gypsum which has a relatively uniform effect in modeling; This condition can also be seen in the lithology response curve which has given a significant response for Asmari and Gachsaran Formations. In general, the response curves of the most influential variables in the modeling were interpreted as follows: DEM response, first, increases in the range of 2200-2000 meters, then decreases to 2700 meters and again increases to 3700 meters. By moving away from the valley, the effect of the VDCN index is reversed; In other words, most springs have appeared near the valley. Areas with 1000 mm (and more) rainfall have been the most prone part of the basin. TPI index shows that with increasing basin surface bulge and slope, the areas prone to the presence of the spring decreases. The response of the NDVI index is positive and relatively uniform. The stream density response diagram has two significant breaks; it first decreases sharply at a density of 0.5 (km / km2) and increases sharply at a density of 1 to 1.3 (km / km2), then decreases again. The impact of watershed lithology in the area of Asmari and Gachsaran formations has been positive due to karstification and significant outcrop, and has had a negative response for other formations, especially Gurpi and Pabdeh formation due to being fine-grained. In general, the breaks in response curves are likely to be due to the interaction of other variables. The turning points of these curves and the range between these points, however, are the most effective part of the index that indicates whether the area is prone or not. According to the water resources suitability map, the areas with high, medium and low potential of the spring presence are 1894, 21795 and 63637 hectares, respectively. Areas with high potential are mainly located on the heights of Asmari and Gachsaran formations.
Conclusion
Between the 17 environmental indices used, none had acceptable predictive ability alone; this can be attributed to the complexity of karst systems and the difficulty of modeling it. The accuracy of the model was 82.7%, indicating the very good ability of the model in achieving the research goal. The final map of the areas prone to the presence of the spring is divided into three classes: high, medium and low, which include 2.2, 25 and 72.8 percent of the basin, respectively. Maxnet software, based on Shannon's entropy maximum, only needs the presence information of dependent variable and the information layers of the independent environmental variables to predict the most suitable regions for the presence of a dependent variable. Hence, the main advantage of this model is the accurate classification of potentials using layers of the presence of dependent variables; therefore, the possible error resulting from the absence or absence of points does not occur using this model. In overall, Shannon maximum entropy algorithm has a significant ability to determine the potential of groundwater resources in different areas and can be used for predicting and mapping karst water resources potential in watersheds.

کلیدواژه‌ها [English]

  • Spring
  • Shannon Entropy
  • Karstic formations
  • Kabgian watershed
  • افراسیابیان، ا.، 1377. اهمیت مطالعات و تحقیقات منابع آب کارست ایران. مجموعه مقالات دومین همایش جهانی آب در سازندهای کارستی.
  • اکبری، ا. و ارشادی مقدم، علیرضا.، 1394. بررسی ارتباط پراکنش چشمه­ها با گسل­ها از طریق GIS در ارتفاعات شمالی و جنوبی دشت سبزوار، اولین همایش ملی آب، انسان، زمین، اصفهان.
  • آوند، م.ت.، جانی­زاده، س. و فرزین، م.، 1398. تعیین پتانسیل آب زیرزمینی با استفاده از روشهای داده کاوی و آماری در منطقه یاسوج-سی­سخت، مرتع و آبخیزداری، دوره 72، شماره 3، صص 623-609.
  • بهرامی، ش.، زنگنه اسدی، م.ع. و جهانفر، ع.، 1395. ارزیابی توسعه کارست با استفاده از ویژگی­های هیدرودینامیکی و هیدروژئوشیمیایی چشمه­های کارستی در زاگرس، جغرافیا و توسعه، 44، صص 144-107.
  • بیابانی، ل.، ملکیان، آ. و اکبرپور بناب، ب.، 1399. ارزیابی پتانسیل منابع آب زیرزمینی حوضه آبریز صوفی چای با استفاده از مدل­های نسبت فراوانی و سیستم اطلاعات جغرافیایی، هیدروژئومورفولوژی، شماره 22، سال ششم، صص 65-43.
  • تیموری، م. و اسدی نلیوان، ا.، 1398. پهنه­بندی حساسیت و اولویت­بندی عوامل موثر بر وقوع زمین­لغزش با استفاده از مدل حداکثر آنتروپی (مطالعه­ی موردی: استان لرستان)، هیدروزئومورفولوژی، شماره 21، سال ششم، صص 179-155.
  • تیموری، م. و اسدی نلیوان، ا.، 1399. مهمترین عامل­های مؤثر بر توان آب زیرزمینی در آبخیز پیرانشهر (آذربایجان غربی) با مدل MaxEnt و سامانه­ی اطلاعات جغرافیایی، پژوهش­های آبخیزداری، دوره 33، شماره 1، صص 71-56.
  • رحمتی، ا.، طهماسبی­پور، ن.، حقی­زاده، ع.، پورقاسمی، ح.ر. و فیضی­زاده، ب.، 1397. ارزیابی کارایی مدل یشینه آنتروپی در پیشبینی استعداد وقوع فرسایش آبکندی حوزه آبخیز کشکان-پلدختر، مهندسی و مدیریت آبخیز، جلد 10، شماره 4، صص 738-727.
  • رضوی ترمه، س.و.، سعدی مسگری، م. و کاظمی، ک.، 1396. ارزیابی و مقایسه روش­های نسبت فراوانی، شاخص آماری و آنتروپی برای تهیه نقشه پتانسیل آب زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی، اکوهیدرولوژی، دوره 4، شماره 3، صص 736-725.
  • زندی, س.، سلیمانی, ک. و زندی, ج.، 1394. تهیه نقشه نواحی با پتانسیل وقوع چشمه­های آب زیرزمینی با استفاده از روش آماری رگرسیون لجستیک در محیط GIS (مطالعه موردی: حوزه آبخیز کوهستانی میرده، کردستان). پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی), 6(12), صص 75-87.‎
  • عباسی، ث. و حیدری، م.، 1395. ارزیابی پتانسیل آب زیرزمینی با استفاده از تکنیک­های AHP و منطق فازی (مطالعه­ی موردی: حوضه­ی شمالی استان ایلام)، هیدروژئومورفولوژی، شماره 6، صص 93-75.
  • عباسی، م.، باقری سید شاکری، س. و جعفری اقدم، م.، 1393. پهنه بندی تحول کارست با استفاده از مدل آنتروپی نمونه موردی: تاقدیس نوا، زاگرس شمال باختری، نشریه علوم زمین، 24(94)، صص 168-161.
  • فرزین، م.، نظری سامانی، ا.، منبری، س.، فیض­نیا، س. و کاظمی، غ.ع.، 1399. بررسی وضعیت خطوارگی سازندهای کارستی حوزه‌های آبخیز مشرف به خلیج فارس، مرتع و آبخیزداری، دوره 73، شماره 1، صص 181-167.
  • قربانی، م.ص.، 1394. چشم­انداز کارست به مثابه شاخص استقرار در منطقه کامیاران. پژوهش­های جغرافیای طبیعی، 47 (4)، صص 531-517.
  • کریمی وردنجانی، ح.، 1394. هیدروژئولوژی و ژئومورفولوژی کارست، انتشارات ارم شیراز، 536 صفحه.
  • محمدنژاد، و.، اصغری، ص. و گل­محمدزاده، ب.، 1392. تهیه نقشه مناطق مستعد آب­های زیرزمینی با استفاده از GIS و MIF، مطالعه موردی: شهرستان ارومیه، پژوهش­های ژئومورفولوژی کمی، 2(3): صص 58-45.
  • ملکی، ا. و اویسی، م.، 1391. شناسایی ساختار گسلی و تحول چشمه­های کارستی با استفاده از رادار نفوذی (مطالعه موردی: استان کرمانشاه)، مجله جغرافیا و پایداری محیط، شماره 3، صص 10-1.
  • نظری سامانی، ع.ا.، اولیایی، ع. و فیض­نیا، س.، 1396. پهنه­بندی و ‌ارزیابی ‌فراوانی ‌چشمه­ها در‌مناطق‌کارستی‌ با ‌استفاده ‌از ‌رگرسیون ‌لجستیک (مطالعه موردی:‌ حوزه آبخیز ‌بجنورد)، مرتع و آبخیزداری، دوره 70، شماره 3، صص 803-791.
  • نظری سامانی، ع.ا.، صمدی، م. و ملکیان، آ.، 1398. تعیین مهمترین عوامل مؤثر بر آبدهی چشمه­های کارستیک در منطقة البرز میانی، مرتع و آبخیزداری، دوره 72، شماره 3، صص 863-853.
  • یمانی، م. و علی­زاده، ش.، 1393. پتانسیل­یابی منابع آب زیرزمینی با استفاده از روش تحلیل سلسله مراتبی AHP (مطالعه­ موردی: حوضه آباده-اقلید فارس)، هیدروژئومورفولوژی، شماره 1، صص 144-131.
  • Amiri, V., Kamrani, S., Ahmad, A., Bhattacharya, P., & Mansoori, J., 2020. Groundwater quality evaluation using Shannon information theory and human health risk assessment in Yazd province, central plateau of Iran. Environmental Science and Pollution Research, pp. 1-23.
  • Arulbalaji, P., Padmalal, D. & Sreelash, K., 2019. GIS and AHP techniques Based Delineation of Groundwater potential Zones: a case sudy from the southern Wesern Ghats, India. Scientifc Reports, 9, 2082, pp. 1-17.
  • Avand, M. & Ekhtesasi, M. R., 2020. The effect of geological formations on the quality and quantity of groundwater (case study: Imamzadeh Jafar Gachsaran plain). Sustainable Earth Review, 1(1), pp.1-6
  • Avand, M., Janizadeh, S., Tien Bui, D., Pham, V. H., Ngo, P. T. T., & Nhu, V. H., 2020. A tree-based intelligence ensemble approach for spatial prediction of potential groundwater. International Journal of Digital Earth, pp. 1-22.
  • Byeon, D., Jung, S. & Lee, W.S., 2018. Review of CLIMEX and MaxEnt for studying species distribution in South Korea. Journal of Asia-Pacific Biodiversity, 11, pp. 325-333.
  • Corsini, A., Cervi, F., & Ronchetti, F. 2009. Weight of evidence and artificial neural networks for potential groundwater spring mapping: an application to the Mt. Modino area (Northern Apennines, Italy). Geomorphology, 111(1-2), 79-87.
  • Davis, A.D., Long, A.J. & Wireman, M., 2002. KARSTIC: a sensitivity method for carbonate aquifers in karst terrain. Environmental Geology, 42, pp. 65–72.
  • Ford, D. & Williams, P., 2007. Karst Hydrogeology and Geomorphology. John Wiley & Sons press, Chichester, West Sussex, England.
  • Franklin, J., 2010. Mapping species distributions: spatial inference and prediction. Cambridge University Press.
  • Glen, J.M.G., Egger, A.E., lppolito, C. & Athens, N., 2013. Correlation of Geothermal springs sub-surface fault terminations Revealed by High Resolution UAV- Acquired Magnetic data. Thirty- Eighth work shop on Geothermal Reservoir Engineering Stanford university, Stanford, California, February.
  • Lee, D.K. & Kim, H.G., 2010. Habitat potential evaluation using MaxEnt model-focused on riparian distance, stream order and land use. Journal of the Korea Society of Environmental Restoration Technology, 13, pp. 161-172.
  • Naghibi, S. A., Moghaddam, D. D., Kalantar, B., Pradhan, B. & Kisi, O., 2017. A comparative assessment of GIS-based data mining models and a novel ensemble model in groundwater well potential mapping. Journal of Hydrology, 548, 471-483.
  • Nguyen, P. T., Ha, D. H., Avand, M., Jaafari, A., Nguyen, H. D., Al-Ansari, N., ... & Ho, L. S., 2020. Soft Computing Ensemble Models Based on Logistic Regression for Groundwater Potential Mapping. Applied Sciences, 10(7), 2469.
  • Nhu, V. H., Rahmati, O., Falah, F., Shojaei, S., Al-Ansari, N., Shahabi, H., ... & Ahmad, B. B., 2020. Mapping of Groundwater Spring Potential in Karst Aquifer System Using Novel Ensemble Bivariate and Multivariate Models. Water, 12(4), 985.
  • Pham, B. T., Jaafari, A., Prakash, I., Singh, S. K., Quoc, N. K., & Bui, D. T., 2019. Hybrid computational intelligence models for groundwater potential mapping. Catena, 182, 104101.
  • Phillips, S.J. & Dudík, M., 2008. Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation. Ecography, 31, pp. 161-175.
  • Phillips, S.J., Anderson, R.P. & Schapire, R.E., 2006. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190, pp. 231-259.
  • Raeisi, E., 2002. Carbonate karst caves in Iran. In: Kranjc A (ed) Evolution of karst: from prekarst to cessation, Ljubljana-Postojna: pp. 339–344.
  • Shannon, C.E., 1948. A mathematical theory of communication. Bulletin System Technology Journal, 27, pp. 379-423.
  • Verbyla, D.L. & Litvaitis, J.A., 1989. Resampling methods for evaluation of classificatioaccuracy of wildlife habitat models, Environmental Management, 13, pp. 783-787.
  • Yariyan, P., Avand, M., Abbaspour, R. A., Karami, M. & Tiefenbacher, J. P., 2020. GIS-based spatial modeling of snow avalanches using four novel ensemble models. Science of The Total Environment, 745, 141008.
  • Yousefi, S., Avand, M., Yariyan, P., Pourghasemi, H. R., Keesstra, S., Tavangar, S. & Tabibian, S., 2020. A novel GIS-based ensemble technique for rangeland downward trend mapping as an ecological indicator change. Ecological Indicators, 117, 106591.