مورفولوژی و فرآیندهای موثر در تغییرات مسیر جریان رودخانه سفیدرود برای پیش بینی افق ۲۰۳۰

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 198

This Paper With 17 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GEH-10-1_005

تاریخ نمایه سازی: 17 آبان 1400

Abstract:

سفیدرود به عنوان بزرگ ترین و مهم ترین رودخانه سواحل جنوب دریای خزر نقش مهمی در زندگی، فعالیت­ها و سرمایه­های انسانی منطقه دارد. عوامل مورفولوژیک رودخانه و محیط­های پیرامون آن و پیش بینی شرایط آینده می­تواند در برنامه ریزی و آمایش دشت­های ساحلی موثر و ضروری واقع شود. در این پژوهش از تصاویر ماهواره ای لندست ۵، ۷ و ۸ سال های، ۲۰۰۲،۱۹۸۷ و ۲۰۱۸، همراه با داده های تغییرات تراز دریای خزر و دبی سفیدرود، بررسی­های میدانی و نرم افزارهای Envi ۵.۳، ArcGIS ۱۰.۴.۱ و Idrisi TerrSet به عنوان ابزار تحقیق بهره گرفته شد. ابتدا مقادیر احتمال تبدیل کاربری اراضی در سال ۲۰۱۸ بر مبنای مدل تلفیقی زنجیره مارکوف و سلول­های خودکار به دست آمد. نتایج نشان داد که مدل تلفیقی، دارای دقت و صحت بالایی جهت پیش بینی الگوی آینده است. سپس با توجه به دقت و صحت خروجی مدل، نقشه پیش بینی کاربری اراضی و مورفولوژی رودخانه برای سال ۲۰۳۰ تهیه شد. با برازش دو نقشه سال ۲۰۱۸ و پیش بینی ۲۰۳۰ تغییرات محتمل در محیط رودخانه به دست آمد و در چهار محدوده مورد تحلیل قرار گرفت. درنهایت با استفاده از داده های تغییرات تراز دریای خزر و دبی سالانه رودخانه سفیدرود، روند تغییرات و پیش بینی مدل، موردبررسی قرار گرفت. نتایج نشان داد که بیشترین احتمال تغییرات در منطقه مطالعه مربوط به واحدهای رودخانه، اراضی ساحلی، تاسیسات ساخت انسان و دشت است. همچنین تا سال ۲۰۳۰، روند افزایش عرض کانال رودخانه رخ خواهد داد. این امر نشان دهنده افزایش میانگین دبی سالانه رودخانه تا حدود ۱۰۰ مترمکعب بر ثانیه و افزایش تراز دریای خزر به سطح بالاتر از ۲۷- متر تا سال ۲۰۳۰ است.

Authors

حمیدرضا معصومی

گروه زمین شناسی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران

علیرضا حبیبی

پژوهشکده حفاظت خاک و آبخیزداری کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

علیرضا قدرتی

مرکز تحقیقات کشاورزی و منابع طبیعی گیلان، سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • اقتصادی، شهمیر؛ زاهدی، رفیعه؛۱۳۹۰. مطالعه عوامل تاثیرگذار بر نوسانات تراز ...
  • جداری عیوضی، جمشید؛ یمانی، مجتبی؛ خوش رفتار، رضا؛ ۱۳۸۴. تکامل ژئومرفولوژی ...
  • سازمان نقشه برداری کشور؛ ۱۳۹۸. آمار پایش تراز آب دریای ...
  • شرکت مدیریت منابع آب ایران؛ ۱۳۹۸. دفتر مطالعات پایه منابع ...
  • عبدالهی باغسیاهی، علی؛ حشمتیان، رضا؛ سویزی، مهدی؛ ۱۳۹۷. پهنه بندی ...
  • عبدالهی کاکرودی، عطا؛ ۱۳۹۲. نوسانات دریای خزر و تاثیر آن ...
  • عطایی، سهیل؛ عجمی، مهدی؛ لشته نشایی، میراحمد؛ یعصوبی، سیدحسین؛ ۱۳۹۵. ...
  • معصومی، حمیدرضا؛ غریب رضا، محمدرضا؛ معتمد، احمد؛ ۱۳۹۰. بررسی مورفولوژی ...
  • مدلسازی جامع سیلاب منطقه دشتیاری شهرستان چابهار توسط مدل MIKE FLOOD و ارائه طرح علاج بخشی سیل در منطقه [مقاله کنفرانسی]
  • Bravard, JP. Petit, F., ۲۰۰۹. Geomorphology of streams and rivers. ...
  • Chen, J. L., Pekker, T., Wilson, C. R., Tapley, B. ...
  • Janes, V. J. J., Nicholas, A. P., Collins, A. L., ...
  • Khoshravan, H., Naqinezhad, A., Alinejad-Tabrizi, T., Yanina, T., ۲۰۲۰. Effects ...
  • Medel, I. D., Stubblefield, A. P., Sheam C., ۲۰۲۰. Sedimentation ...
  • Mirzaeizadeh, V., Niknwzhad, M., Ouladi, J., ۲۰۱۵. Evaluating non-parametric supervised ...
  • Mondal, S., Sharma, N., Kappas, M., Garg, P. K., ۲۰۲۰. ...
  • Muller, M. R., Middleton, J., ۱۹۹۴. A Markov model of ...
  • Pal, M., Mather, P. M., ۲۰۰۵. Support vector machines for ...
  • Sang, L., Zhang, C., Yang, J., Zhu, D., Yun, W., ...
  • Subedi, P., Subedi, K., Thapa, B., ۲۰۱۳. Application of a ...
  • Zhang, F., Tiyip, T., Feng, ZD. Kung, H-T., Johnson, V. ...
  • نمایش کامل مراجع