مدل سازی فرسایش خاک برای ازیابی طول شیب مناسب در مناطق مستعد خطر

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، گرو ه جغرافیا و برنامه ریزی شهری، دانشگا ه پیام نور، تهران،ایران

2 دانشیار، گروه زمین شناسی، دانشگاه پیام تهران،ایران

3 3- کارشناس دفتر امور روستایی وشوراهای استانداری اصفهان

10.22034/hyd.2026.70342.1825

چکیده

فرسایش خاک یکی ازمهم ترین چالش‌های ‌ زیست محیطی است که مستقیم بر پایداری سرزمین تاثیر می گذارد. در میان مدل های تجربی مختلف، معادله جهانی اصلاح شده فرسایش خاک (RUSLE ) به عنوان یکی از معتبرترین ابزارها برای برآورد میانگین بلند مدت کمی میزان فرسایش به کار می‌رود. دقت خروجی های این مدل به کیفیت و تفکیک مکانی مدل رقومی ارتفاع (DEM)، به ویژه در محاسبه عامل طول و شیب و دامنه (LS)، وابستگی زیادی دارد. این تحقیق با بهره گیری از رویکردهای زمین آماری و سامانه اطلاعات جغرافیایی (GIS)، مناسب ترین اندازه سلول DEM برای برآورد عامل LS در مدل سازی فرسایش خاک تعیین شد. چهار DEM با اندازه های 30، 50، 100 و 300 متر تولید و با استفاده از تحلیل نیم واریوگرام و کریجینگ، وابستگی مکانی و دقت پیش بینی مورد ارزیابی قرار گرفت. تا تاثیراندازه سلول بر تنوع پذیری داده ها و دقت پیش بینی عامل LS بررسی شود.

نتایج نشان داد که با افزایش اندازه سلول تا 50 متر، اثر ناگت کاهش یافته و وابستگی فضایی داده ها افزایش می یابد، در حالی که با افزایش بیشتر اندازه سلول، میزان تنوع مکانی و دقت مدل کاهش می یابد. بر اساس مقایسه پارامترهای زمین آماری DEM ، با اندازه سلول 50 متر مناسب ترین تفکیک مکانی برای محاسبه عامل LS در منطقه مورد مطالعه تشخیص داده شد. یافته های این پژوهش می تواند به عنوان مبنایی برای انتخاب بهینه تفکیک مکانی DEM در مطالعات فرسایش خاک و تحلیل های هیدرولوژیکی مشابه مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling soil erosin to assess suitable slope length in hazard-prone areas

نویسندگان [English]

  • mohammad almasinia 1
  • Hasan Alizadeh 2
  • Sharyar Mamzaie 3
1 Assistant Professor, Department of Geography, Payame Noor University, Tehran, Iran.
2 Assossiated Profsor Department of Geology, Payame Noor University, Tehran, Iran.
3 Expert of rural affairs office and provincial councils of Isfahan
چکیده [English]

Soil erosion is a major environmental hazard in regions characterized by complex topography and intense rainfall, posing serious threats to land sustainability, agricultural productivity, and hydrological systems. Among empirical erosion models, the Revised Universal Soil Loss Equation (RUSLE) is widely used due to its reliability and compatibility with GIS-based spatial analysis. A critical parameter in RUSLE is the topographic factor (LS), which is highly sensitive to the spatial resolution of the Digital Elevation Model (DEM). Inappropriate selection of DEM cell size can introduce substantial uncertainty into erosion estimates. This study aims to determine the optimal DEM resolution for accurate LS factor estimation in hazard-prone areas by integrating geostatistical techniques with GIS modeling. DEMs with spatial resolutions of 30, 50, 100, and 300 m were generated from topographic contour data and evaluated using semivariogram analysis and kriging interpolation. Geostatistical parameters including nugget, sill, range, and prediction error (RMSE) were systematically compared. The results indicate that a 50 m DEM provides the most balanced performance by preserving essential topographic variability while minimizing spatial noise and prediction error. The findings emphasize that DEM resolution should be selected based on statistical and spatial dependency analysis rather than arbitrary criteria. The proposed framework enhances the reliability of soil erosion assessment and provides valuable guidance for watershed management and hazard mitigation in erosion-prone landscapes.

کلیدواژه‌ها [English]

  • Soil erosion؛ DEM resolution؛ LS factor؛ Geostatistics؛ GIS
  • Nibong Tebal
  • Malaysia

مراجع

Alavi ,H.,Solaimani,K.,Shokrian,F.(2024). Esmaeil Mokhtarpour Investigation of Trend Changes of Hydroclimatic Parameters in Miankaleh Wetland, Mazandaran ,Hydrogeomorphology ,10(37):98- 119.
Abedini, M.; Pasban, A.H. (2023). Analysis and Zoning of Soil Erosion Rate and its Relationship with Hydrogeomorphic Indicators and Vegetation, Case Study: Khiavchai watershed, MeshkinShahr. Hydrogeomorphology, 11(38): 40-59.
Ammar, A.K., Alaa, m., Fadhil, K., Alzahrani, H., & Hamad, S. (2023). Predicting Soil Erosion Rate at Transboundary Sub-Watersheds in Ali Al-Gharbi, Southern Iraq, Using RUSLE-Based GIS Model, Sustainability, 15,1776.
Anima S, Tirkey P, Nathawat S (2023) Use of satellite data, GIS and RUSLE for estimation of average annual soil loss in Daltonganj watershed of Jharkhand (India). Journal of Remote Sensing Technology 1:1.
Arami, A., Karimi Sangchini, A., Dinarund, M. (2021). Tracking severe dust storms in the southwest of Iran using the HYSPLIT model, application of geographic information system and remote sensing in planning, 13 (47):13 -28.
Bayati, Maryam, Sari,Behroz (2024). Identifying the centers at risk of wind erosion around Lake Urmia,Case study: Bonab and Malekan cities. Hydrogeomorphology, 11 (39): 122-143.
Blanco, H., Lal, R. (2008). Principles of soil conservation and management: Heidelberg, Germany.: Springer .
Chang, K. T., (2020). Introduction to Geographic Information Systems. (5th edition). New York, USA. McGraw- Hill
Environment; A Case Study of Koga Watershed, Upper Blue Nile Basin, Ethiopia. Hydrol Current Res 7:239. doi:10.4172/2157-7587.1000239.
FAO. (2016). Status of the World’s Soil Resources.

Gelagay, H.S. (2016). RUSLE and SDR Model Based Sediment Yield Assessment in a GIS and Remote Sensing.

Jim Ritter, P. Eng. (2015). Replaces OMAFRA Factsheet, Soil Erosion – Causes and Effects, Order No. 87-040.
 
Imad Ali,MaryamByatikhatibi(2025). Soil erosion risk mapping with RUSLE model using GIS and remote sensing techniques; A case study of Quetta Sub-basin (Pakistan)A case study of Quetta Sub-basin (Pakistan),11(41): 67- 86.
Karami, Fariba; Mokhtari, Davoud; Farnoosh Ahmadi. (2023). The role of landforms and lithology in the rate of soil erosion in Zonuzchay catchment. Hydrogeomorphology, 10(37): 1 – 24.
Kayet, N., & Chakrabarty (2016). A. Hyper spectral Image processing for Forest types  Mapping and forest health monitoring: A case study in the buffer zones of iron mining belts of Saranda forest, Jharkhand, India.6(1): 31-42.
Kayet, N., et al. (2018). Evaluation of soil loss estimation using the RUSLE model and SCS-CN method in hill slope mining areas. International SoilandWaterConservationResearch, https://doi.org/10.1016/j. iswcr.2017.11.002.
Leila Ooshaksaraie, Noor Ezlin Ahmad Basri, Azuraliza Abu Bakar and Khairul Nizam Abdul Maulud, 2009, An Expert System Prototype for Minimizing Soil Erosion on Construction Site in Malaysia, European Journal of Scientific Research, ISSN 1450-216X Vol.33 No.3 (2009), pp.454-460.
Madadi, Aghil; Asghari Saraskanrood, Sayyd;Hajatpour Ghaleroodkhani, Hossein.(2024). Investigating land use changeswith an emphasis on forest cover and its effects on soil erosion using object-oriented classification and theMARCOS multi-criteria technique. Case study: Ghaleroodkhan Fuman watershed. Hydrogeomorphology, 11(39):141 – 164.
Merritt,W.S.,Letcher,R.A.,&Jakeman,A.J.(2003).Areviewoferosionandse-dimenttransportmodels. EnvironmentalModelling&Software, 18(8), 761–799.
Moore, I. D. & Wilson, J. P. 1992 Length-slope factors for the Revised Universal Soil Loss Equation: simplified method or estimation. Journal Soil Water Conservation. 45, 423-428.
Moses, AN .(2017).  GIS-RUSLE Interphase Modelling of Soil Erosion Hazard and Estimation of Sediment Yield for River Nzoia Basin in Kenya. J Remote Sensing & GIS 6: 205. doi: 10.4172/2469-4134.1000205.
Piroozi, E; Madadi, M. (2023). Zoning of soil erosion potential using the MABAC method Case study: Givi Chay watershed. Hydrogeomorphology, 10(36): 73–93.
Sahoo, S., Dhar, A., Kayet, N., & Kar, A., (2016). Detecting water stress scenario by land use/land cover changes in an agricultural command area. Spatial In- formation Research, 1-11.
Serbaji, M., Bouaziz, M., & Weslati, O. (2023). Soil Water Erosion Modeling in Tunisia Using RUSLE and GIS Integrated Approaches and Geospatial Data, Land, 12(548), 13-22.
Tung G. P., et al. (2018). INTEGRATED UNIVERSAL SOIL LOSS EQUATION (USLE) AND GEOGRAPHICAL INFORMATION SYSTEM (GIS) FOR SOIL EROSION ESTIMATION IN A SAP BASIN; CENTRAL VIETNAM. International Soil and Water Conservation Research.
Turner, B.L., et al. (2018). Scientific case studies in land-use driven soil erosion in the central United States:Whysoilpotentialandriskconceptsshouldbeincluded in the principles of soil health. International SoilandWaterConservationResearch, https://doi.org/10.1016/j. iswcr.2017.12.004i. 6(1):63-78.
Wang, G., G. Z. Gartner, P. Parysow, and A. B. Anderson. 2000; Spatial prediction and uncertainty analysis of topographical factors for the Revised Universal Soil Loss Equation. Journal of Soil and Water Conservation. 55: 373-382.
Wang, G., G. Z. Gartner, P. Parysow, and A. B. Anderson. 2010; Spatial prediction and uncertainty assessment of topographic factor for the Revised Universal Soil Loss Equation using digital elevation models. Journal of Photogrammetry and Remote Sensing. 56: 65-80.
Webster, R. & Oliver, M. A. 2021. Geostatistics for environmental science. John Wiley and Sons, LTD. Toronto, Canada, 271 p.
Www.omafra.gov.on.ca/english/engineer/facts/12-053.htm Jan 4, 2016.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 01 آذر 1404
  • تاریخ بازنگری: 03 اسفند 1404
  • تاریخ پذیرش: 03 اسفند 1404

هم رسانی

ارجاع به این مقاله

آمار