نوع مقاله : پژوهشی

نویسندگان

1 استادیار دانشگاه حکیم سبزواری

2 دانشجوی دکترا ژئومورفولوژی دانشگاه حکیم سبزواری

3 دانشجوی دکترا ی ژئومورفولوژی دانشگاه حکیم سبزواری

چکیده

چکیده
فرسایش یک پدیده­ی طبیعی ناشی از حذف ذرات خاک توسط آب و یا باد و انتقال آنها به مناطق دیگر است و عوامل مختلف طبیعی و انسانی آن را تشدید می­کند. از آنجایی که خاک یکی از مهم­ترین منابع طبیعی هر کشور می­باشد، فرایند فرسایش سبب تنزل خاک شده و خسارات جبران ناپذیری را بر جای می­گذارد. تمرکز اصلی این تحقیق برآورد میزان فرسایش در حوضه ­ی آبریز نورآباد ممسنی واقع در شمال غرب استان فارس با استفاده از مدل (RUSLE) است. بررسی نقشه­ ی فاکتور فرسایندگی باران در سطح حوضه نشان داد که مقادیر این فاکتور از 11 تا 31 متغیر است. مقادیر فرسایندگی از قسمت­های مرکزی حوضه تا نیمه­ ی شمالی روند کاهشی داشته و در قسمت­ های جنوبی که ارتفاعات و بارش بیشتر است، فرسایندگی افزایش یافته است. میزان فرسایش­پذیری خاک حوضه از 25/0 تا 48/0متغیر بوده است. نتیجه­ ی حاصل از بررسی فاکتور پوشش گیاهی نشان داد که مقادیر این فاکتور از 7/0 تا 35/1 متغیر است بخش عمده­ای از نقش عوامل مخرب بر فرسایش آبی خاک، در اراضی دیم و مرتعی مربوط به عوامل انسانی می­باشد .بررسی نقشه­ ی خطر فرسایش خاک که از ترکیب لایه­ های فرسایندگی، فرسایش­ پذیری خاک،توپوگرافی و پوشش گیاهی تولید گردید، نشان داد که میزان خطر فرسایش خاک در سطح حوضه بر حسب تن در هکتار در سال از 8 تا 75 متغیر است. مـطابق نقشه­ی خطر فـرسایش خاک تهیه شده، مناطق با خطر فرسایش تا زیاد، در بخش­ های جنوبی به علت ارتفاعات بیشتر، شیب تند و لیتولوژی مستعد، شدیدتر است. علاوه بر این، تحلیل رگرسیون از لایه‌های مختلف نشان داد که عامل طول شیب (LS) نقش بیشتری در فرسایش نسبت به بقیه عوامل دارد.

تازه های تحقیق

-

کلیدواژه‌ها

عنوان مقاله [English]

The Estimation of Soil Erosion Using the RUSLE Model (Case Study: Noorabad Mamasani Basin)

نویسندگان [English]

  • Leila Goli Mokhtari 1
  • Najme Hshafiei 2
  • Abolalfazl Rahmani 3

1 Assistant Professor in University of Hakim Sabzvari, (Corresponding author)

2 Ph.D Candidate in University of Hakim Sabzvari

3 Ph.D Candidate in University of Hakim Sabzvari

چکیده [English]

Introduction
Soil erosion is a phenomenon that typically occurs in a large part of the earth and the exacerbation of this process, as a limiting factor, can be an obstacle to the management of the land. It reduces the soil fertility and results in the desertification of the fields and the sediment deposited in the drains and reservoirs of sediment droplets reduces their intake capacity. Soil contamination is one of the environmental problems that threatens natural resources, agriculture, and the environment.  Soil erosion's time and space data plays an important role in management measures, erosion control, and management of catchment areas.  Therefore, in order to protect effectively and prevent undesirable effects of erosion, it is necessary to identify the factors involved in erosion to provide an appropriate estimation of the amount of erosion in the area. So far, several methods have been proposed to estimate erosion in areas with different characteristics. The models presented in three categories are empirical, conceptual, and physical models. The empirical models have always been considered for ease of use and availability of the data, and there have been significant advances in their development. The Global Soil Erosion Equation (USLE) is one of the experimental models that has been proposed to predict mortality on grazed lands, but the modified Global Soil Deterioration Equation (RUSLE) has expanded for various uses, including forest, pasture, crop, and bayer lands. Similar to the USLE, the RUSLE model has six factors, but more accurate estimates of rainfall erosion, soil erosion, vegetation, and conservation operations are used to predict soil losses in wider areas and in different conditions such as crops, forests, grassland, and damaged forests. This model estimates soil erosion as a combination of six factors that indicate the rainfall erosivity, soil erodibility, length and gradient, cropping system, and management operations.
Methodology
In this research, the erosion of the Nourabad Mamassani basin using the RUSLE model was studied. The method was descriptive. To prepare the studied basin maps, the topographic map of 1: 50000, the geological map of 1: 100000, Google Earth images, Landsat 8 satellite images, soil layers, monthly and annual precipitation data of synoptic stations were used. In addition, Kriging zoning method was used to prepare the rainfall erosion layer. A regression analysis was used to determine the relationship between the dependent and the independent variables as well as the effect of the most important factor on the annual waste of soil. The annual regression model of the soil was the dependent variable. The rainfall erosivity factors, soil erosion, topography and vegetation were considered as independent variables. As previously mentioned, the model used in this study was the RUSLE global erosion model. It consists of 6 factors as follows
Relationship (1) R.K.L.S.C.P = A
 A: soil erosion per unit area. R: rainfall erosion factor. K: soil erodibility factor. L: slope factor. S: slope factor. C: covering agent. P: a protective operation
Results
The annual mean erosion of the soil was determined using the coefficient of erosivity (R), soil erodibility factor (K), topographic factor (LS), vegetation cover factor (C) and conservation factor (P), and the ArcGIS software. The map obtained from this equation is shown in Fig. 7. The erosion values ​​in the studied basin vary from 6 to 75 tons per hectare per year at the pixel level.  According to table (3), about 48% of the area is a low erosion class, which mainly includes a large part of the basin. About 28% of the range is in average erosion, and about 23% of the basin is under severe erosion, which is located in the southern part of the basin.
Discussion and Conclusion
Investigating the rainfall erosivity map at the basin level showed that the values ​​of this factor varied from 11 to 31. The erosivity values ​​from the central parts of the basin to the northern part of the trend were decreasing and in the southern parts where rainfall was higher, erosivity has increased. Soil erosion rate varied from 0.25 to 0.48. The results of the vegetation analysis showed that the values ​​of this factor varied from 0.7 to 1.35. The major part of the role of destructive factors on soil erosion was in rain and pasture lands related to the human factors.  The study of the soil erosion risk map, which was produced from the combination of erosivity layers, soil erosion, topography, and vegetation, showed that the soil erosion risk level in the basin was variable from 8 to 75 per hectare per year. According to the map of the soil erosion risk, areas with high erosion risk were mainly in uneven areas of the region. Also, the effect of the rainfall erosion on the increase of erosion in the southern parts of the basin had a medium to high erosion risk. Also, areas with a high erosion risk included areas that had a rugged area. The results of this study showed the high capability of GIS and remote sensing to generate the data needed to generate RUSLE factors, resulting in Output data high quality. Therefore, GIS and RS can be effectively used to develop managerial solutions and provide selected choices for managers to solve the erosion problem.

کلیدواژه‌ها [English]

  • Keywords: Evosion
  • Soliconservation
  • Noorabad Mamasani Basin RUSLE
منابع
ـ آرخی، صالح، نیازی، یعقوب (1389)،بررسیکاربردRS وGIS  برای تخمینفرسایشخاکوباررسوببااستفادهازمدل RUSLE مطالعهموردی:حوضه­ی ­بالادستسدایلام،مجله­ ی پژوهش­های حفاظت آب و خاک، شماره­ی 2، صص27-1.
ـ احمدی، حسن (1388)،ژئومورفولوژیکاربردی، انتشارات دانشگاه تهران: چاپ ششم، صص507.
ـ اسدی، حسین؛ وظیفه ­دوست، مـجید؛ موسوی، ع. و هنرمند، محدثه(۱۳۸۹)،ارزیابـی و پهنه­بندی خطر فرسایش خاک با استفاده از معادله­ی جهانی تلفات خاک اصلاح شده، سامانه اطلاعات جغرافیایی و سنجش از دور در حوضه­ی آبخیز ناورود، شرکت سهامی آب منطقه ­ای گیلان، اسفند ماه ۱۳۸۹، صص ۱۳-۱.
ـ انصاری لاری احمد، انصاری مریم (1395)، برآوردمیزانفرسایشخاکدردشتمرودشت(استانفارس)بااستفادهازمدلتجربی ­RUSLE، پژوهش­های ژئومورفولوژی کمی، شماره­ی 4، صص 149-134.
بابائی، مـهناز؛ حسینی، سیدزین­العابدین؛ نظری، علی­اکـبر و سـیدعلی المدرسی (1395)، پهنه­بندی فرسایش خاک با استفاده از مدل RUSLE 3D، مطالعه ­ی موردی حوضه­ ی آبریز کن، مهندسی و مدیریت آبخیز، جلد 8، شماره­ی 2، صص 181-165.
پورعبدالله، مهدی (۱۳۸۴)، مقایسه­ی مدل­های SWAT و RUSLE در تخمین فرسایش حوضه ­ای، پایان­نامه کارشناسی ارشد، استاد راهنما: دکتر مسعود تجریشی، دانشکده ­ی مهندسی عمران دانشگاه صنعتی شریف، گرایش محیط زیست، ص ۱۲۲.
ـ صالحی، محمدحسن؛ اسفندیارپور بروجنی، عیسی؛ مهاجر، رضا و محسن باقری بداغ­آبادی (1394)، حفاظتآبوخاکتکمیلی، چاپ دوم، انتشارات دانشگاه پیام نور.
ـ کرم، امیر؛ صفریان، آمنه و شیلا حجه فروش­نیا (۱۳۸۹برآورد و پهنه­ بندی فرسایش خاک در حوضه ماملو (شرق تهران) با استفاده از روش­های معادله­ ی اصلاح شده جهانی فرسایش خاک و فرآیند تحلیل سلسله مراتبی، پژوهش­های دانش زمین، شماره­ی ۲، صص ۸۶-۷۳.
ـ کمانگر، محمد؛ فرج­زاده بداغی، منوچهر مرضیه و پیمان کرمی (1393)،  واسنجیمعادله­یجهانیفرسایش خاک اصلاح RUSEL) ) بااستفادهازسامانه­یاطلاعاتجغرافیایی وسنجش از دور (مطالعه­ یموردی­حوضه­ی آبخیزسیخورانهرمزگان)، فصلنامه­ی­ علمی-پژوهشی فضای جغرافیایی، صص 207-191.
ـ مقصودی، مهران؛ گورابی، ابوالقاسم و سحر دارابی شاهمارابی (1392)،  بررسی تأثیر عامل پوشش گیاهی بر فرسایش آبی مطالعه ­ی موردی: حوضه­ی آبخیز رزین، پژوهش­های فرسایش محیطی، سال سوم ، شماره­ی 9، صص 98-83.
-Fu, B.J., et al., (2011), Assessing the soil erosion control service of ecosystems change in the Loess Plateau of China, Ecology, Complex, No.8, PP. 284–293.
-Hui, Li., Chen Xiaoling, Kyoung Jae Lim & Myung Sagong, (2010), Assessment of Soil Erosionand Sediment Yield inLiao Watershed, Jiangxi Province, China, Using USLE, GIS,and RS., Journal ofEarth Science, vol 21. No. 6, PP. 941–95.
-Moore, I.D., and Wilson, J.P. (1993), Length-slope factors for the Revised Universal Soil Loss Equation: Simplified method of estimation, J. Soil and Water Conservation, No.47, PP. 423-428.
-Kouli, M., Soupios, P., Vallianatos, F., (2009), Soil erosion prediction using the Revised Universal Soil Loss Equation (RUSLE) in a GIS framework, Chain, Northwestern Crete, Greece, Environment Geology, No. 57,PP. 483–492.
-Lin, C., Lin, W., Chou, W. (2002), Soil erosion prediction and sediment yield estimation: theTaiwan experience, Soil Tillage Res, No. 68, PP. 143–152.
-Lal, R., W. Elliot, (1994), Erodibility and erosivity, In: Lal, R. (ed.), Soil erosion research methods, Soil and WaterConservation Society, Ankeny, PP.181-208.
-Lu, D., Li, G., Valladares, G., Batistella, M. (2011), Mapping Prasannakumar, V., Vijith, H., Geetha, N., 2011, Estimation of soil erosion risk within a small mountainous sub-watershed in Kerala, India, using Revised Universal Soil Loss Equation (RUSLE) and geo-information technology, Geosci. Front., No.3, PP. 209–215.
Rosewell, C.(1996), A robust estimator of the R factor for the Universal Soil Loss Equation,Trans Am Soc Agric Eng., Vol. 39, No. 2, PP. 559-561.
-Renard, K.G., and V.A. Ferreira (1993), RUSLE model description and database sensitivity, Journal ofEnvironmental Quality, No. 458-466.
- Sharma, A., and N.T. Kamlesh., (2010), Effect of land use & land cover change on soil erosion potential in a agricultural watershed, Environ Monit Assesspp .PP.789-801.
-Tucker, C.J. (1979), Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Environment, Vol. 8, PP. 127-150.
-Van der Knijff, J.M., Jones, R.J.A., Montanarella, L. (2000), Soil Erosion Risk Assessment in Europe, EUR 19044 EN. Office for Official Publications of the European Communities, Luxembourg, PP. 34.
-Veihe. A., (2002), The spatial varibiability of erodibility its relation to soil types, a study from northernGhana,Geoderma, No.106, PP.101-120.
-Wischmeier, W.H., & Smith, D.D., (1978), Predicting rainfall erosion, losses: a guide toconservation planning, Agriculture Handbook, Vol. 537. US Department of Agriculture, Washington, DC, PP. 58-77.