پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,119,283 |
| تعداد دریافت فایل اصل مقاله | 97,225,651 |
پهنه‌بندی و ارزیابی فراوانی چشمهها در مناطق کارستی با استفاده از رگرسیون لجستیک (مطالعۀ موردی: حوزۀ آبخیز بجنورد) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 19، دوره 70، شماره 3، آذر 1396، صفحه 791-803 اصل مقاله (1.33 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2017.44336.665 | ||
| نویسندگان | ||
| علی اکبر نظری سامانی* 1؛ علیرضا اولیایی2؛ سادات فیض نیا3 | ||
| 1دانشیار دانشکدۀ منابع‌طبیعی، دانشگاه تهران | ||
| 2دانشجوی کارشناسی ارشد آبخیزداری، دانشکدۀ منابع‌طبیعی، دانشگاه تهران | ||
| 3استاد دانشکدۀ منابع‌طبیعی، دانشگاه تهران | ||
| چکیده | ||
| ارزیابی فراوانی چشمهها به موضوعی مهم برای برنامهریزی استفاده از زمین، به خصوص شناسایی منابع آب زیرزمینی و حفاظت از محیط‌زیست تبدیل شده است. بدین منظور جهت تولید نقشۀ فراوانی چشمههای حوزۀ آبخیز بجنورد، از روش رگرسیون لجستیک باینری (به منظور وجود و عدم وجود چشمه)، تکنیکهای سیستم اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) استفاده گردید. در این منطقه تعداد 359 چشمه شناسایی شد و 14 عامل مؤثر در وجود چشمه شامل تراکم خطواره، فاصله از خطواره، فاصله از آبراهه، تراکم زهکشی، شاخص پوشش گیاهی (NDVI)، انحنای پروفیل، انحنای مماسی، نسبت سطح، برآیند بردار، بارندگی، ارتفاع، زمینشناسی، جهتهای جغرافیایی و شیب مورد تجزیه و تحلیل قرار گرفت. ضرایب عوامل مؤثر توسط رگرسیون لجستیک از 300 چشمه که به صورت تصادفی انتخاب‌شده بودند، به دست آمد. از 59 چشمۀ دیگر برای مرحلۀ اعتبارسنجی استفاده شد. در نهایت نقشۀ فراوانی چشمهها به چهار طبقۀ احتمالاتی خیلی کم، کم، متوسط و زیاد تقسیم گردید. نتایج نشان داد که وجود بیش از 80 درصد از چشمهها به درستی پیشبینی گردید. همچنین دقت مدل با استفاده از منحنی ROC، 6/86 درصد تخمین زده شد که نشاندهندۀ دقت بالای مدل در تحلیل فراوانی چشمهها در منطقۀ مورد مطالعه است. در پایان عوامل تراکم زهکشی، شاخص پوشش گیاهی، برآیند بردار، بیش‌ترین ضریب و عوامل شیب، ارتفاع و نسبت سطح کمترین معنیداری را در بروز چشمهها داشتهاند. با توجه به نتایج این تحقیق، میتوان از این روش برای شناسایی منابع آب زیرزمینی در مناطق کارستی استفاده کرد و در بهبود مدیریت جامع حوزههای آبخیز کارستی، نقش مهمی ایفا نماید. | ||
| کلیدواژه‌ها | ||
| بجنورد؛ چشمه؛ کارست؛ رگرسیون لجستیک | ||
| عنوان مقاله [English] | ||
| Application of a logistic regression to assessing and mapping frequency of Springs in karst regions (Case study: Bojnourd Basin) | ||
| نویسندگان [English] | ||
| Ali Akbar Nazari Samani1؛ alireza oliaye2؛ sadat feiznia3 | ||
| 1UNIVERSITY OF TEHRAN | ||
| 2university of tehran | ||
| 3UNIVERSITY OF TEHRAN | ||
| چکیده [English] | ||
| Assessment frequency of springs has become an important issue for land use planning, especially water resource identification and environmental protection.The purpose of this study is to produce a spring occurrence potential map in Bojnourd Basin, based on a logistic regression method using Geographic Information System (GIS) and remote sensing (RS). The locations of the springs (359 springs) were determined in the study area. In this study, 14 effective factors including spring were used in the analysis: lineament density, distance to lineament, distance to drainage, drainage density, normalized difference vegetation index (NDVI), profile curvature, tangential curvature, surface rate, vector dispersion, precipitation, elevation, geology, aspect and slope. Binary logistic regression coefficients of the variables by selecting 300 spring randomly. 59 another spring were used for validation that 80.6% of the springs were correctly predicted. The accuracy of the model was measured using ROC curves which showed that accuracy is 86.6 percent which indicates that the model shows high accuracy in the analysis of spring occurrence potential in the study area. The results showed that the distance of lineaments, distance of drainage, drainage density, vegetation index, profile curvature, tangential curvature, vector dispersion, precipitation and slope have the greatest impact on the occurrence of springs. Finally, spring occurrence potential map was divided into four probably classes of very low, low, medium and high. According to the survey results, this method can be used to identify sources of groundwater in karstic zones and has important role in better management of the karstic Basins. | ||
| کلیدواژه‌ها [English] | ||
| frequency of spring, karstic terrain, Logistic regression, Bojnourd Basin | ||
| مراجع | ||
|
[1] Ahmadi, H. (2007). Applied Geomorphology, 5ed Edition, University of Tehran Press. [2] Ayalew, L. and Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda–Yahiko Mountains, Central Japan. Geomorphology, 65 (1–2), 15-31. [3] Bai, S.B., Wang, J., Lu, G.N., Zhou, P.G., Hou, S.S. and Xu, S.N. (2010). GIS-based logistic regression for landslide susceptibility mapping of the Zhongxian segment in the three Gorges area China. Geomorphology, 115 (1–2), 23-31. [4] Egan, J.P. (1975). Signal Detection Theory and ROC Analysis. New York Academic Press. [5] Ganapuram, S., VijayaKumar, G.T., Murali Krishna, I.V., Kahya, E. and Demirel, M.C. (2009). Mapping of groundwater potential zones in the Musi basin using remote sensing data and GIS. Journal of Advance Engineer Software, 40, 506-518. [6] Gholami, V., Azodi, M. and Salimi, E. T. (2008). Modeling of karst and alluvial springs discharge in the central Alborz highlands and on the Caspian southern coasts. Caspian Journal of Environment Science, 6(1), 41-45. [7] Greenbaum, D. (1992). Structural influences on the occurrence of groundwater in SE Zimbabwe. Journal of Geological Society. 66, 77-85. [8] Harrell, F.E., (2001). Regression modeling strategies: with applications to linear models logistic regression and survival analysis. Springer. [9] Hosmer, D.W., and Lemeshow, S. (2000). Applied Logistic Regression, 2nd Edition. John Wiley and Sons. [10] Jain, P.K. (1998). Remote sensing techniques to locate ground water potential zones in upper Urmil River basin, district Chatarpur-central India. journal of Indian society remote sensing. 26 (3), 135-147. [11] Karami, gh.h. (2010). Stratigraphic role in the development of karst in the CHeshmeh Ali Damghan Basin. Journal of stratigraphy and sedimentology, 36, 52-39. [12] Kresic, N. and Stevanivic, Z. (2010). Groundwater hydrology of springs, Elsevier Press. [13] Lee, S., Oh, H.J. and Kim, K.D. (2010). Statistical spatial modeling of ground subsidence hazard near an abandoned underground coal mine. Journal of Disaster Advance. 3, 11-23. [14] Lee, S. (2005). Application of logistic regression model and its validation for landslide susceptibility mapping using GIS and remote sensing data. journal of Indian society remote sensing. 26 (7), 1477-1491. [15] Mathew, J., Jha, V.K. and Rawat, G.S. (2007). Weights of evidence modeling for landslide hazard zonation mapping in part of Bhagirathi valley, Uttarakhand. Current Science. 92(5), 628-638. [16] Mathew, J., Jha, V.K. and Rawat, G.S. (2007). Application of binary logistic regression analysis and its validation for landslide susceptibility mapping in part of Garhwal Himalaya. Journal of Indian society remote sensing. 28 (10), 2257-2275. [17] Mukherjee, S. (1996). Targetting saline aquifer by remote sensing and geophysical methods in a part of Hamirpur–Kanpur, India. Journal of hydrology. 19, 1867-1884. [18] Nandi, A. and Shakoor, A. (2009). A GIS-based landslide susceptibility evaluation using bivariate and multivariate statistical analyses. Engineering Geology Journal. 110, 11-20. [19] Oh, H.J., Kim, Y.S., Choi, J.K. and Lee, S. (2011). GIS mapping of regional probabilistic groundwater potential in the area of Pohang City. Korea Journal of hydrology. 399, 158-172. [20] Ohlmacher, C.G., Davis, C.J. (2003). Using multiple regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology Journal, 69 (3), 331-343. [21] Ozdemir, A. (2011). Using a binary logistic regression method and GIS for evaluating and mapping the groundwater spring potential in the Sultan Mountains (Aksehir, Turkey). Journal of Hydrology, 405(1), 123-136. [22] Saberi, A., Rangzan, K. and Keshavarz, M.R. (2013). Detecting of potential groundwater resources by combining remote sensing and GIS analytic hierarchy method (AHP) in Khuzestan anticline Kmstan. Journal of Advanced Applied Geology, 6, 11-20. [23] Sappington, J.M., Longshore, K.M. and Thompson, D.B. (2007). Quantifying landscape ruggedness for animal habitat analysis: a case study using bighorn sheep in the Mojave Desert. Journal of Wildlife Management, 71, 1419-1426. [24] Schmidt, J., Evans, I.S. and Brinkmann, J. (2003). Comparison of polynomial models for land surface curvature calculation. International Journal of Geographical Information Science, 17, 797-814. [25] Shuin, Y., Hotta, N., Suzuki, M. and Ogawa, K. (2012). Estimating the effects of heavy rainfall conditions on shallow landslides using a distributed landslide conceptual model. Physics and Chemistry of Earth, 49, 44-51. [26] White, W.B., Culver, D.C., Herman, J.S., Kane, T.C. and Mylroie, J.E. (1995). Karst lands: American Scientist, 83(5), 450-459. [27] Wilson, J.P. and Gallant, J.C. (2000). Terrain Analysis Principles and Applications, Chichester Wiley press. [28] Zhu, L., Huang, J. (2006). GIS-based logistic regression method for landslide susceptibility mapping in regional scale. Journal of Zhejiang University Science. 7 (12), 2007-2017. | ||
|
آمار تعداد مشاهده مقاله: 372 تعداد دریافت فایل اصل مقاله: 416 |
||