1
استادیار گروه جغرافیا، واحد چالوس، دانشگاه آزاد اسلامی، چالوس، ایران
2
استادیار گروه جغرافیا، واحد ماهشهر، دانشگاه آزاد اسلامی، ماهشهر، ایران
10.22059/jhsci.2024.374472.824
چکیده
سیل یکی از چالش‌های مهمی است که بشر با آن مواجه است و انتظار می‌رود که تأثیر آن به‌دلیل تغییرات آب‌وهوایی و شهرنشینی وسیع بیشتر شود. هدف این پژوهش، پهنه‌بندی وقوع سیلاب با استفاده از مدل هیدرولوژیکی WMS با تلفیق GIS در حوضۀ آبریز شهرستانک یکی از زیرحوضه‌های سد کرج در استان البرز است. در این پژوهش برای پهنه‌بندی سیلاب در حوضۀ آبریز شهرستانک نقشه‌های زمین‌شناسی 1:10000۰، توپوگرافی 1:2000 و 1:50000، خاک۱:۱۰۰۰۰۰ و داده‌های ایستگاه‌های سینوپتیک و باران‌سنجی، از اساسی‌ترین داده‌های پژوهش حاضر محسوب می‌شود. از نرم‌افزارهای ArcGIS 10.3 ،WMS نیز برای تجزیه‌وتحلیل و تهیۀ نقشه‌ها استفاده شد. یک نسخۀ اصلاح‌شده از مدل TOPAZ همراه با WMS[1] برای محاسبۀ جهت جریان از منطقۀ فعال DEM استفاده شد. نتایج نشان می‌دهد که در بالادست و پایین‌دست حوضۀ آبریز هر چه از مرکز رودخانه دورتر می‌شویم بر مساحت عمق آب افزوده می‌شود. درحالی که در برخی نقاط در بالادست رودخانه عمق آب کمتر است. به‌عبارتی هر چه عمق آب کمتر باشد، مساحت بیشتر و هرچه عمق آب بیشتر باشد مساحت آن کمتر است. بیشتر مساحت برابر با ۲/۴۴ هکتار دارای عمق ۰۳/۴ متر است. مساحت عمق ۰۶/۸ متر برابر با ۵/۱۴ هکتار، مساحت عمق 09/12 متر برابر با 6/4 هکتار، مساحت عمق 12/16 متر برابر با 4/1 هکتار و مساحت عمق 15/20 متر برابر با 1/1 هکتار است. به‌طور کلی مدل WMS و تلفیق آن با GIS برای پهنه‌بندی سیلاب و تعیین بازه‌های خطر در منطقه کاربرد دارد.
صفاری، امیر؛ احمدآبادی، علی؛ و صدیقی‌فر، زهرا (1399). تحلیل مخاطرۀ ناشی از سیلاب با تکیه بر مدل WMS در حوضه‌های آبریز شهری، مطالعۀ موردی: حوضه‌های دربند، گلابدره و سعدآباد کلانشهر تهران. تحقیقات کاربردیعلوم جغرافیایی، سال بیستم، 2(57)، 317-334.
lexander, T., Hughes, M., Baldock, T., Greenwood, B., Kroon, A., & Power, H. (2012). Sediment transport processes and morphodynamics on a reflective beach under storm and non-storm conditions. Geol. 326-328 (1), 154–165. https://doi.org/ 10.1016/j.margeo.2012.09.004
Amobichukwu , H.U., Troy, C.D., Habib, A., & Manish, R. (2024). A simple, fully automated shoreline detection algorithm for high-resolution multi-spectral imagery. Remote Sens. (Basel). 14 (3). https://doi.org/10.3390/rs14030557.
Amanambo, P.N., Inman, D.L., & Lovering, J.L. (2024). Effects of climate change and wave direction on longshore sediment transport patterns in Southern California. Change. 109, 211–228.
Barbarossa, R., Barry, D.A., Li, L., Jeng, D.S., & Yeganeh-Bakhtiary, A. (2022). Modeling sediment transport in the swash zone: a review. Ocean Eng. 36, 767–783. https:// doi.org/10.1016/j.oceaneng.2009.03.003. tps://doi.org/10.1007/s10584-011-0317-0.
Barnard, P.L., Short, A.D., Harley, M.D., Splinter, K.D., Vitousek, S., Turner, I.L., Allan, J., Banno, M., Bryan, K.R., Doria, A., Hansen, J.E., Kato, S., Kuriyama, Y., Randall-Goodwin, E., Ruggiero, P., Walker, I.J., & Heathfield, D.K. (2018). Coastal vulnerability across the Pacific dominated by El Nino/southern oscillation. Geosci. 8, 801–807. https://doi.org/10.1038/ngeo2539. Battjes, J.A., 1974. Surf similarity. Coast. Eng. 466-480 https:/
Berkovich, R.J., Rodriquez-Delgado, C., & Ortega-Sanchez, M. (2017). Advances in management tools for modeling artificial nourishments in mixed beaches. J. Syst. 172, 1–13. https://doi.org/10.1016/j.jmarsys.2017.02.009.
Chen, C., Liang, J., Xie, F., Hu, Z., Sun, W., Yang, G., Yu, J., Chen, L., Wang, L.H., Wang, L.Y., Chen, H., He, X., & Zhang, Z. (2022) Temporal and spatial variation of coastline using remote sensing images for Zhoushan archipelago. China. J. Appl. Earth Obs. Geoinf. 107, #102711.
Chen, C., Liang, J., Yang, G., & Sun, W. (2023). Spatio-temporal distribution of harmful algal blooms and their correlations with marine hydrological elements in offshore areas. China. Ocean & Coastal Management. 238, #106554.
Chen, H., Chen, C., Zhang, Z., Lu, C., Wang, L., He, X., Chu, Y., & Chen, J. (2021). Changes of the spatial and temporal characteristics of land-use landscape patterns using multi-temporal Landsat satellite data: A case study of Zhoushan Island. China. Ocean Coastal Manage. 213, #105842.
Dabija, A., Kluczek, M., Zagajewski, B., Raczko, E., Kycko, M., Al-Sulttani, A.H., Anna, T., Pineda, L., & Corbera, J. (2021). Comparison of support vector machines and random forests for corine land cover mapping. Remote Sens. 13 (4), 777.
Du, Z., Yang, J., Ou, C., & Zhang, T. (2021). Agricultural Land Abandonment and Retirement سMapping in the Northern China Crop-Pasture Band Using Temporal Consistency Check and Trajectory-Based Change Detection Approach. IEEE Trans. Geosci. Remote Sens. 60, 1–12.
Echogdali, C., Hou, X., Zheng, Q., Xu, H., Li, D., Donnici, S., & Tang, C. (2022). Emerging signals of coastal system changes under rapid anthropogenic disturbance in Hangzhou Bay. Ecol. Indic. 146, 109816.
Gilani, H., Naz, H.I., Arshad, M., Nazim, K., Akram, U., Abrar, A., & Asif, M. (2021). Evaluating mangrove conservation and sustainability through spatiotemporal (1990–2020) mangrove cover change analysis in Pakistan. Estuarine Coastal Shelf Sci 249, 107128.
Gislason, P.O., Benediktsson, J.A., & Sveinsson, J.R. (2006). Random forests for land cover classification. Pattern Recognit. Lett. 27 (4), 294–300.
Goffin, B.D., Thakur, R., Carlos, S.D.C., Srsic, D., Williams, C., Ross, K., Neira-Rom´ an, F., Cort´es-Monroy, C.C., & Lakshmi, V. (2022). Leveraging remotely-sensed vegetation indices to evaluate crop coefficients and actual irrigation requirements in the waterstressed Maipo River Basin of Central Chile. Sustainable Horizons. 4, #100039.
Liu, Y., Hou, X., Li, X., Song, B., & Wang, C. (2020). Assessing and predicting changes in ecosystem service values based on land use/cover change in the Bohai Rim coastal zone. Indic. 111, #106004.
Mahdianpari, M., Salehi, B., Mohammadimanesh, F., Homayouni, S., & Gill, E. (2018). The first wetland inventory map of newfoundland at a spatial resolution of 10 m using sentinel-1 and sentinel-2 data on the google earth engine cloud computing platform. Remote Sens. 11 (1), 43.
Nagib Hegazy, D., Wang, Z., Du, B., Li, L., Tian, Y., Jia, M., & Wang, Y. (2022). National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images. ISPRS J. Photogramm. Remote Sens. 164, 11–25.
Pratico, ` S., Solano, F., Di Fazio, S., & Modica, G. (2021). Machine learning classification of mediterranean forest habitats in google earth engine based on seasonal sentinel-2 time-series and input image composition optimisation. Remote Sens. 13 (4), 586.
Quang, D.N., Ngan, V.H., Tam, H.S., Viet, N.T., Tinh, N.X., & Tanaka, H. (2021). Long-term shoreline evolution using dsas technique: A case study of Quang Nam province. Vietnam. J. Sci. Eng. 9 (10), 1124.
Rawat, J.S., & Kumar, M. (2015). Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. J. Remote Sens. Space. Sci. 18 (1), 77–84.
Sidhu, N., Pebesma, E., & Camara, G. (2018). Using Google Earth Engine to detect land cover change: Singapore as a use case. J. Remote Sens. 51 (1), 486–500.
Tian, P., Li, J., Cao, L., Pu, R., Gong, H., Liu, Y., Zhang, H., & Chen, H. (2021). Impacts of reclamation derived land use changes on ecosystem services in a typical gulf of eastern China: A case study of Hangzhou Bay. Ecol. Indic. 132, 108259.
Ullah, N., Siddique, M.A., Ding, M., Grigoryan, S., Zhang, T., & Hu, Y. (2022). Spatiotemporal Impact of Urbanization on Urban Heat Island and Urban Thermal Field Variance Index of Tianjin City. Buildings. 12 (4), 399.
Wang, C., Jia, M., Chen, N., & Wang, W. (2018). Long-term surface water dynamics analysis based on Landsat imagery and the Google Earth Engine platform: A case study in the middle Yangtze River Basin. Remote Sens. 10 (10), 1635.
Wang, J., Li, C., Hu, L., Zhao, Y., Huang, H., & Gong, P. (2015). Seasonal land cover dynamics in Beijing derived from Landsat 8 data using a spatio-temporal contextual approach. Remote Sens 7 (1), 865–881.
Wang, L., Chen, C., Xie, F., Hu, Z., Zhang, Z., Chen, H., He, X., & Chu, Y. (2021). Estimation of the value of regional ecosystem services of an archipelago using satellite remote sensing technology: A case study of Zhoushan Archipelago. China. Int. J. Appl. Earth Obs. Geoinf. 105, #102616.
)