بار رسوب

یکی از جنبه های حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه ای میباشد. هدف این مطالعه ارزیابی عملکرد مقایسه ای دونوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی ومدل غیر خطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود میباشد. مدل ها براساس آمار 104 حادثه وقوع همزمان ثبت شده دبی و رسوب طراحی شده اند. پارامترهای ژئومورفولوژیکی بکار رفته در مدل های مزبور شامل: نسبت ناهمواری، ضریب شکل و تراکم زهکشی می باشند. شبکه های عصبی مصنوعی طراحی شده از نوع انتشار برگشتی چهار لایه است. بهترین نتایج پیش بینی مربوط به روش شبکه عصبی مصنوعی ژئومورفولوژیکی با ضریب تبیین معنی دار 98/0 و جذر میانگین خطای 49/4 در مقایسه با روش شبکه عصبی مصنوعی طراحی شده بر اساس آمار جریان با مقادیر ضریب تبیین 96/0 و خطای35/5 میباشد. عملکرد روش های رگرسیونی با ضریب تبیین 893/0 و خطای66/8 برای روش چند متغیره غیرخطی ومقادیر ضریب تبیین 814/0 و خطای برآورد 05/15 برای روش غیر خطی ساده توانی ضعیف تر از شبکه های عصبی مشاهده گردید. تفاوت فاحش در شاخص های ارزیابی مدل های شبکه عصبی مصنوعی نسبت به روش های رگرسیونی در عملکرد مناسب آنها برای تعداد کم نمونه های مدل میباشد. بنابراین شبکه های عصبی مصنوعی به خصوص شبکه های ژئومورفولوژیکی به عنوان یک ابزار قوی پیش بینی شایسته بار رسوب یک سیستم پیچیده رودخانه ای معرفی میشوند.

یک سیستم رودخانه­ای یک سیستم بازاست که از درگیر شدن ارتباطات مختلف و پیچیده شکل می گیرد. خصوصیات ذاتی حوضه ها از یک سو و عوامل خارجی از سوی دیگر رفتارهای رودخانه را متاثر می سازد.وجود ارتباطات متقابل متعدد از جمله ارتباطات جریان ورسوب حمل شده وتاثیر عوامل ژئومورفولوژی حوضه و مدل سازی آن از اهمیت ویژه ای برخوردار است.در این مطالعه دونوع شبکه عصبی مصنوعی ژئومورفولوژیکی و غیر ژئومورفولوژیکی برای پیش بینی بار رسوب جریان رودخانه سمندگان طراحی گردید و نتایج آن با دو نوع مدل رگرسیونی ژئومورفولوژیکی و غیر ژئومورفولوژیکی مورد مقایسه قرار گرفت. نتایج طراحی شبکه های عصبی مبین کارآیی خوب شبکه های چند لایه ی پرسپترون با الگوریتم یادگیری پس انتشار خطا است. نتایج نشان داد که شبکه عصبی ژئومورفولوژیکی با ضریب تبیین 862/0 و مجذور میانگین مربعات خطای 815/1 در مقایسه شبکه عصبی غیر ژئومورفولوژیکی با ضریب تبیین 827/0و معیار خطای031/2 میزان رسوب جریان را بهتر پیش­بینی می کند. نتایج ارزیابی مدل های رگرسیونی مبین عملکرد ضعیف­تر آن ها در مقایسه با روش شبکه عصبی مصنوعی است به طوری که ضریب تبیین مدل رگرسیونی ساده غیر ژئومورفولوژیکی 759/0و معیار خطای 395/2 و ضریب تبیین مدل رگرسیونی ژئومورفولوژیکی برابر 811/0 با معیار خطای معادل 142/2 است. همچنین از مقایسه نتایج مدل های مختلف چنین استنباط می شود زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آن ها مناسب­تر می شود.

برداشت گیاهان خودرو، مانند کنگر، در اغلب دامنه های پایین دست نواحی کوهستانی باعث ایجاد گوال های کوچکی می گردد که در مواقع برداشت زیاد، ظاهر آشفته ای را به دامنه ها می بخشد. این آشفتگی خاک اغلب با بارش های سنگین بهاری همراه می شود که فرسایش خاک را تشدید می کند. از سوی دیگر، نیاز به برداشت این گیاهان به دلایل طبی، غذایی و همچنین امرار معاش تعداد زیادی از مردم در فصول برداشت، غیرقابل اجتناب است. ولی می توان با شناخت آستانه های فرسایشی میزان و شیوه ی برداشت را مدیریت نمود. از این رو، در این پژوهش سعی شد با ساخت 16 کرت، در 4 شیب و 2 جهت مختلف، در دامنه ی کوه ویس در نزدیک کرمانشاه و مقایسه ی رسوب حاصل از کرت های دارای کنگر و بدون کنگر، مشخص شود که آیا اصلاً برداشت کنگر از دامنه ها می تواند عاملی برای تشدید فرسایش باشد و اگر چنین است این تأثیر در جهت ها و شیب های مختلف تا چه اندازه می تواند شستشوی دامنه ها را رونق بخشد. بنابراین، مقدار رسوب حاصل از 9 رویداد بارش در اواخر زمستان 1384 و اوایل بهار 1385 از کرت های آزمایشی اندازه گیری شد. آنالیز فاکتور این داده ها نشان داد که علی رغم معنی دار بودن تولید رسوب در بارش ها، در شیب ها و جهت های مختلف، رسوب تولید شده ی ناشی از برداشت کنگر تفاوت معنی داری را ایجاد نمی کند. ادامه ی تجزیه و تحلیل آماری و محدود نمودن آن به شرایط تنها روزهای برداشت کنگر نشان داد که برداشت بین دو تا 4 کنگر از هر مترمربع در این منطقه باعث افزایش معنی دار فرسایش نمی گردد محل هایی که برداشت در واحد سطح بیشتر صورت گیرد، تولید رسوب نیز ممکن است به سطح معنی دار برسد.

با توجه به آثار و پیامدهای منفی برخاسته از پدیده فرسایش و رسوب دهی در حوضه های آبریز، تحقیق حاضر با هدف تخمین و تعیین تغییرات مکانی رسوب دهی در حوضه آبریز قره سو واقع در استان اردبیل انجام شد. در این راستا استفاده از مقیاس زمانی ماهانه در جهت تهیه منحنی های سنجه برآورد رسوب به عنوان اساس کار قرار گرفت. تهیه منحنی های سنجه رسوب ماهانه بر اساس داده های نمونه دبی جریان و دبی رسوب متناظر آن در 19 ایستگاه هیدرومتری واقع در سطح حوضه طی دوره آماری 14 ساله (سال های آبی 1381- 1394) صورت گرفت. تمامی تحلیل های اماری در محیط نرم افزار آماری SPSS انجام شد. همچنین نمایش تغییرات فضایی میزان رسوب دهی در سطح حوضه از طریق قابلیت سیستم اطلاعات جغرافیایی (GIS) میسر گردید. نتایج آزمون روابط رگرسیونی مابین دبی جریان و دبی رسوب حاکی از وجود روابط نزدیک و معنی داری در مقیاس زمانی ماهانه داشت. تعمیم منطقه ای این روابط برای کل حوضه نشان داد که اختلاف فصلی مشهود بوده و بالاترین و پایین ترین ضریب تعیین به ترتیب به ماه های اردیبهشت (برابر با 74/0) و مرداد (برابر با 55/0) تعلق یافت. همچنین وقوع بیشترین انتقال رسوب در فصل بهار و کمترین آن در فصل تابستان مشهود بوده و اشاره به نوع رژیم بارش- رواناب حاکم بر حوضه قره سو داشت. به لحاظ مجموع سالانه رسوب دهی، ایستگاه یامچی با 3970 تن در سال، بالاترین و ایستگاه ننه کران با با 66 تن در سال، پایین ترین میزان رسوب دهی را در بین 19 ایستگاه حوضه قره سو به خود اختصاص داد. نظر به کلاس رسوب دهی بالای ایستگاه های واقع در زیرحوضه های بالیخلی و خیاو، توصیه گردید که توجه ویژه ای به حفاظت و تقویت ارکان آب و خاک و تخفیف نیروهای پیش برنده فرسایش و تولید رسوب در حوضه های مذکور گردد.

در مطالعه حاضر، هدف پیش بینی پتانسیل هدر رفت سالیانه خاک و بار رسوب است. برای پیش بینی موارد مذکور، معادله تجدید نظر شده جهانی هدر رفت خاک ( RUSLE ) در چارچوب سیستم اطلاعات جغرافیایی به کار رفته است.   مقدار عامل فرسایندگی سالیانه باران با استفاده از داده های بارش ماهانه 22 ساله در 18 ایستگاه در اطراف حوضه محاسبه شد. سپس تغییرات مکانی آن با استفاده از کریجینگ معمولی برآورد شد. شاخص فرسایش پذیری خاک از نقشه خاک، که خود با استفاده از پیمایش صحرایی و داده های سنجش از دور تهیه شد، بدست آمد. عامل توپوگرافی از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر استخراج شد. عامل پوشش گیاهی سالیانه نیز از داده های سنجش از دور برآورد شد. از آنجایی که در حوضه مورد مطالعه عملیات حفاظت خاک ناچیز است، مقدار عامل حفاظت خاک در سرتاسر حوضه 1 در نظر گرفته شد . در این مطالعه، مقادیر متوسط فاکتورهای R ، K ، LS ، C و P به ترتیب برابر با MJ mm ha-1h-1y-1   264 ، Mg ha h ha-1MJ-1mm-1 35/0 ، 00/2، 51/0 و 1 بودند. میانگین بار رسوب سالیانه در حوضه مورد مطالعه  t h-1 y-137/16 برآورد شد که نزدیک به مقدار بدست آمده از ایستگاه رسوب سنجی خروجی حوضه (58/16 تن در هکتار در سال) بود. نتایج حاصل از بررسی نقشه فرسایش در این مدل نشان می دهد که بیشترین فرسایش در قسمت غرب و میانه حوضه قرار دارد. چون این منطقه از سازندهای ناپایدار و مستعد فرسایش تشکیل شده است. شیب زیاد منطقه به اضافه بارش باران و تغییر کاربری اراضی در این محدوده بسیاری از عرصه های آن را با بحران فرسایش خاک مواجه کرده است. بر اساس نتایج حاصل، بیشترین وسعت حوضه  مربوط به کلاس فرسایشی خیلی کم، کم و متوسط است که عموما در کل حوضه پراکنش دارد و کمترین مساحت حوضه در کلاس فرسایشی زیاد تا خیلی زیاد (20 درصد) قرار می گیرد. با توجه به اینکه 20 درصد حوضه مورد مطالعه در کلاس فرسایش زیاد تا خیلی زیاد قرار دارد، لزوم اقدامات حفاظتی در این مناطق الزامی است. نتایج این پژوهش همچنین نشان داد، فاکتور LS با ضریب همبستگی 81/0 بیشترین تأثیر را در برآورد فرسایش سالانه خاک توسط مدل RUSLE داشته است. این پژوهش، مؤثر بودن RS و GIS را جهت تخمین کمی مقادیر فرسایش خاک، بار رسوب و همچنین مدیریت فرسایش اثبات نمود.