ارزیابی نتایج تغییرات کاربری اراضی بر دبی رودخانه دره رود در بازه زمانی سی ساله با استفاده از مدل HEC_HMS

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

2 استاد ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

3 دانشیار ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

10.22034/gmpj.2021.274972.1259

چکیده

در این تحقیق از روش مبتنی بر شی گرا در تهیه ی نقشه کاربری اراضی حوضه آبریز دره رود با استفاده از تصاویر لندست 5 با سنجنده TM و لندست 8 با سنجده OLI در یک بازه زمانی 30 ساله، از سال 1990 تا 2019 و تاثیرات آن بر تغییرات دبی رودخانه دره رود مورد بررسی قرار گرفت. تصاویر ماهواره ای در چهارده کلاس طبقه بندی شد که کلاس های کشت آبی، زراعت دیم، مناطق سنگی، مناطق مسکونی، باغات و دریاچه دارای افزایش مساحت و زمین های بایر، مراتع، اراضی جنگلی و بستر رودخانه دارای کاهش مساحت بوده اند برای پی بردن به تغییرات روند جریانی رودخانه ، از روش SCS در مدل HEC_HMS استفاده شد و به صورت چهار زیر حوضه مشیران، هوراند، سمبور و بوران تقسیم شده و با توجه به کاربری اراضی شماره منحنی CN و زمان تاخیر رواناب زیرحوضه ها به همراه ضریب K و X به مدل معرفی شد و اجرا گردید. نتایج نشان داد که اوج رواناب در زیرحوضه مشیران با کاهش 7 مترمکعب و کاهش 5/8 میلیمتر حجم رواناب و در زیرحوضه هوراند با کاهش 6/8 متر مکعب اوج رواناب و کاهش 12 میلیمتر حجم رواناب و زیر حوضه سمبور با کاهش 2/2 متر مکعب اوج رواناب و کاهش 12 میلیمتر حجم رواناب همراه بوده است در حالی که در زیر حوضه بوران بر خلاف سه زیر حوضه قبلی افزایش اوج رواناب به میزان 10 متر مکعب در ثانیه و افزایش حجم رواناب به میزان 6/9 میلیمتر برآورد شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluated of land use changes on the discharge of Darre Rood river in the period (1990-2019) using HEC_HMS model

نویسندگان [English]

  • Rasool Hasan Zadeh 1
  • fariba esfandiyari darabad 2
  • sayyad asghari 3
1 PhD student of Mohaghegh Ardabili University
2 Faculty of Mohaghegh Ardabili University
3 Faculty of Mohaghegh Ardabili University
چکیده [English]

Classification is one of the most important methods of extracting information from digital satellite images, and today image classification using object-oriented processing using various techniques is widely used. In this research, the object-oriented method in preparing the land use map of Darrehrood catchment area using Landsat 5 images with TM sensor and Landsat 8 with OLI sensor in a period of 30 years, from 1990 to 2019 and its effects on Changes in the discharge of the Darrehrood River were examined. Landsat satellite images are atmospherically corrected with Envi5.3 software and in ecognition software by object-oriented method and nearest neighbor technique using four spectral indices (NDVI, GVMI, EVI, CIG) and average bandwidth characteristics and luminosity characteristics. The image and shape of the objects The images were classified into fourteen classes and the land use of the basin was extracted in the two periods of 1990 and 2019. Object-oriented classification with a kappa coefficient of 93% and based on the overall classification accuracy of 0.9235, The result of the classification by object-oriented method is more accurate and the classification accuracy is at an acceptable level, which among the parameters that were considered to achieve this accuracy can be parameters such as, class neighborhood, band values and Use of spectral indices used to separate units and the number of repetitions of classification operations. According to the changes in the area of the classrooms in the 30-year dimension, it was found that most of the uses are primarily related to the rangeland class, which occupies an area of approximately 1391.42 square kilometers. Then, the use of rainfed and fallow agriculture with an area of 850.55 square kilometers and barren lands with an area of 665.40 square kilometers are the most common areas. These land uses have the most areas in 2019, with the difference that the land use of the rangeland has an area of 1137.06 square kilometers and dryland agriculture has an area of 1013.08 square kilometers, and barren lands have been reduced to an area of/2015 / 35 square kilometers, and instead the area Irrigation has increased from 45.69 to 387.82 square kilometers. Gardens and forests in 1990 occupied an area of 59.79 and 8.78 square kilometers, respectively. In 2019, garden lands will increase to 65.50 square kilometers and forest lands will decrease to 5.49 square kilometers. Increasing the residential land area compared to 1990 has been associated with a decrease in rangelands, which indicates the destruction of rangelands and the creation of residential areas. Eastern was prepared. Rainfall histogram method was used to enter the data into the model. In order to evaluate the land use change in the runoff of Darrehrood catchment in HEC-HMS model, SCS method was used which was implemented in HEC_HMS model and Darrehroud catchment was divided into four sub-basins of Mashiran, Horand, Sambor and Buran and then in the environment. ArcGis software was drawn digitally and the physical properties of the basin and sub-basins were used as parameters required in the present study. Using the SCS method, a soil hydrology group map is required to estimate the CN curve number. Therefore, the map of soil hydrology groups was prepared by the Natural Resources Organization of East Azerbaijan Province to be used to calculate the CN curve number. According to land use in 1990 and 2019, the CN curve number and runoff delay time of sub-basins along with K and X coefficients were introduced to the model and implemented. In Buran sub-basin, there will be a decrease in water permeability and consequently a decrease in initial rainfall losses and an increase in runoff, while in Mashiran, Horand and Sambor sub-basins, a decrease in water permeability and an increase in initial rainfall losses and a decrease in rainfall will decrease. Runoff will be observed. The result of these changes on the runoff of the basin was obtained using the HEC_HMS model. In Darrehrood catchment simulation in HEC_HMS model, calibration of the basin in four sub-basins was calibrated based on runoff peak and runoff height and runoff volume per year. The calculated results with the observed results on average in the runoff height element of 93.15 Percentage and in the runoff peak element 94.35% and in the runoff volume element 94.95% show the correspondence of the correct implementation of the model on the basin, which includes the acceptability of the results (the results showed that the runoff peak in the sub-basin of Mashiran with Reduction of 7 cubic meters and reduction of 8.5 mm of runoff volume in Horand sub-basin with reduction of 8.6 cubic meters of runoff peak and reduction of 12 mm of runoff volume and sub-basin of Sambor with reduction of 2.2 cubic meters of runoff peak and reduction of 12 mm of runoff volume While in the Buran basin, unlike the previous three sub-basins, the increase of runoff peak by 10 cubic meters per second and the increase of runoff volume by 9.6 mm has been estimated.

کلیدواژه‌ها [English]

  • Land cover changing
  • Object Oriented Classification
  • HEC HMS Model
  • SCS method
  • علیزاده، ا.، 1387، اصول هیدرولوژی کاربردی، چاپ بیست و پنجم، انتشارات دانشگاه امام رضا، مشهد.
  •  اصغری سراسکنرود، ص.، محمدنژاد، و.، امامی، ه.، 1398، بررسی تغییرات کاربری اراضی با استفاده از روش­های پیکسل پایه و شی­گرا و تجزیه و تحلیل اثرات تغییر کاربری اراضی در فرسایش خاک مطالعه موردی: شهر مراغه، تحقیقات کمی ژئومورفولوژی، دوره هشتم، شماره1، صص 178-160.
  • بلواسی، ا.، اصغری سراسکانرود، ص.، اسفندیاری، ف.، زینالی، ب.، 1399، نقش تغییر کاربری اراضی بر ویژگی­های رواناب و جاری شدن سیل در حوضه آبریز دوآب، اکو هیدرولوژی،  دوره7، شماره2 ، صص 344-331.
  • فیضی­زاده، ب.، پیرنظر، م.، زندکریمی، آ.، عابدی قشلاقی، ح.، 1393، ارزیابی کاربرد الگوریتم­های فازی در افزایش دقت نقشه­های کاربری اراضی استخراج شده با روش­های پردازش شی­گرا، فصلنامه اطلاعات جغرافیایی، دوره بیست­و­چهارم، شماره 94، صص 117-107.  
  • فیضی­زاده، ب.، هلالی، ح.، 1389، مقایسه روش­های پیکسل پایه و شی­گرا و پارامترهای موثر در طبقه­بندی کاربری اراضی استان آذربایجان­غربی، تحقیقات جغرافیای طبیعی(تحقیقات جغرافیایی)، دوره 42 ،شماره71، صص 84-73.  
  • فروغی، ز.، شایان، س.، کردوانی، پ.، 1397، تأثیر تغییر کاربری اراضی بر وضعیت ژئومورفولوژیکی رودخانه کر، تحقیقات کمی ژئومورفولوژی، دوره هفتم، شماره1، صص 210-193.
  • حامدی، ن.، اسماعیلی، ع.، فرامرزی، ح.، 1398، تجزیه و تحلیل سناریوهای بالقوه خطر آتش­سوزی شهر لردگان با استفاده از GIS و RS ، دوفصلنامه علمی پژوهشی مدیریت بحران، بهار و تابستان99، شماره17، صص 27-17.
  • حجازی، ا.، مزبانی، م.، 1394، برآورد ارتفاع و حداکثر مقدار رواناب با استفاده از روش عدد منحنی CN مطالعه موردی: حوضه آبریز سراب دره­شهر، هیدروژئومورفولوژی، دوره دوم، شماره5، صص 81-63.  
  • مهدوی، م.، 1390، هیدرولوژی کاربردی، چاپ نهم، انتشارات دانشگاه تهران، تهران.  
  • رضایی­مقدم، م­ح.، رضایی­بنفشه، م.، فیضی­زاده، ب.، نظم­فر، ح.،1387، طبقه­بندی پوشش اراضی براساس روش شی­گرا و تصاویر ماهواره­ای، مطالعه موردی: استان آذربایجان­غربی، مجله تحقیقات آبخیزداری، تابستان 89، شماره 87 ، صص 35-21.
  • سلمانی، س.، ابراهیمی، ح.، محمدزاده، ک.، ولی­زاده، خ.، 1396، ارزیابی روش­های مختلف طبقه­بندی شی­گرا در استخراج کاربری زمین از تصاویر ماهواره­ای Iconus، فصلنامه اطلاعات جغرافیایی، دوره بیست و هشتم، شماره111، صص 215-205.
  • صمدزاده، ر.، خیام، م.، فاضلی، ع­.، 1392، مدل­سازی براورد منطقه ای رسوب معلق در حوضه آبریز دره رود اردبیل،جغرافیا و برنامه ریزی محیطی، سال24، پیاپی51، شماره3، صص 178-153.
  • Aman, A., & Randriamanantena, H.P., & Podaire, A., & Froutin, R. (1992). Upscale integration of normalized difference vegetation index: The problem of spatial heterogeneity. IEEE Transactions on Geoscience and Remote Sensing, 30, 326−338.
  • Banihabib, M.E., & Juric, L. (2020). A Hybrid Intelligence Model for the Prediction of the Peak Flow of Debris Floods, Water Article, 12/2246, 2-17.
  • Belayneh, A., & Sintayehu, G., & Gedam, K., & Muluken, T. (2020). Evaluation of satellite precipitation products using HEC HMS model, Modeling Earth Systems and Environment, 6, 2015-2032.
  • Pertiwi, P.C., & Hisyam, E.S., & Yofianti, D. (2020). The effect of land use change to surface runoff discharge in the POMPONG watershed at Bangka regency, IOP Conference Series: Earth and Environmental Science, 599, 1-7.
  • Salil, S., & Pyasi, S.K. (2020). A Review on the HEC_HMS( Rainfall - Runoff- Simulation) model, International Journal of Agricultural Science andResearch, 10, 183-190.
  • ShanShan, H., & Yunyun, F., & Tao, Z. (2020). Assessing the Effect of Land Use Change on Surface Runoff in a Rapidly Urbanized City: A Case Study of the Central Area of Beijing, Land Article, 17, 1-15.
  • Spruce, J., & Bolten, J., & Mohammad, I., & Srinivasan, R., & Lakshmi, V. (2020). Mapping land use- land cover change in the Lower Mekong basin from 1997-2010, Frontiers in Environmental science, 8, 1-13.
  • Kai Ma, H., &  Chuan Liang,  H.Z., &   Xingyu, Z., &  Xiaoyue, W. (2020). Effect of land use/cover changes on runoff in the Min River watershed, River Rasearch and Applications article, 5, 749- 759.
  • Karkauskaite, P., & Tagesson, T., & Fensholt, R. (2017). Evaluation of the Plant Phenology Index (PPI), NDVI and EVI for Start-of-Season Trend Analysis, of the Northern Hemisphere Boreal Zone, Remote Sensing, 9, 2-21.
  • Khalid, H., & Alkaabi, K. & Ghebreyesus, D. & Liaqat, M.U. & Sharif, H. (2020). Land use / land cover change along the Eastern Coast of the UAE and its impact on flooding risk, Geomatics, Natural Hazards and Risk, 11, 112-130.
  • Min, L., & Fang, H., & Hannv, Z., & Ping, W. (2009). Vegetation Canopy Water Content Estimation Using GVMI and EWT Model from MODIS Data, 2009 2nd International Congress on Image and Signal Processing, 10, 1-5.
  • Pietro, C., & Stéphane, F., & Jean, M.G. (2002). Designing a spectral index to estimate vegetation water content from remote sensing data: Part 2. Validation and applications, Remote Sensing of Environment, 82, 198-207.
  • Qiaoyun, X., & Wenjiang, H., & Jyoti, R.D., & Dailiang, R. (2018). Vegetation Indices Combining the Red and Red-Edge Spectral Information for Leaf Area Index Retrieval, IEEE JOURNAL, 44, 1-12.
  • Tewabe, D., & Fentahun, T. (2020). Assessing land use and land cover change detection using remote sensing in the Lake Tana Basin, Northwest Ethiopia, Cogent Environmental Science, 6, 1-11.
  • Wen Z., & Dongping M., & Lu Xu, H.B., & Min, W. (2018), Stratified Object-Oriented Image Classification Based on Remote Sensing Image Scene Division, Journal of Spectroscopy, 2018, 1-11.
  • Zangyan, J., & Alfredo, R.H. & Jin, C., & Yunhao, C., & Jing, L., & Guangjian,Y., & Xiaoyu, Z. (2006). Analysis of NDVI and scaled difference vegetation index retrievals ofvegetation fraction, Remote Sensing of Environment, 101, 366-378.