ارائه کننده: میترا مرادنژاد

استاد راهنما: دکتر وحید موسوی

استاد ناظر داخلی: دکتر حمیدرضا مرادی رکابدارکلائی

استاد ناظر خارجی: دکتر حمیدرضا پورقاسمی

نماینده تحصیلات تکمیلی: دکتر عبدالواحد خالدی درویشان

تاریخ: 31/06/1405

ساعت: 10 صبح

مکان: سالن اصلی کاخ

چکیده:

شناخت مناطق مستعد فرسایش و تولید رسوب به تنهایی برای تحلیل شرایط فرسایش حوزه آبخیز کافی نبوده و بررسی مناطق حمل رسوب و درجه اتصال بخش‌های مختلف سطح حوزه آبخیز به خروجی آن از جمله چاش‌های اساسی در زمینه این مطالعات می‌باشد. در همین راستا مفاهیم و شاخص‌هایی از قبیل اتصال هیدرولوژیک و اتصال رسوب مطرح شده و پژوهش‌گران در تلاش برای استفاده از پارامترهای وزنی متنوع برای لحاظ پویایی شاخص اتصال رسوب هستند. در همین راستا در پژوهش حاضر شاخص‌های مرتبط با پوشش گیاهی، که یکی از مهم‌ترین متغیرهای موثر در فرآیند فرسایش و تولید و انتقال رسوب است، در بازه‌های زمانی ماهانه تهیه و در روند محاسبه شاخص اتصال رسوب و برای لحاظ پویایی آن اضافه شد. حوزه آبخیز کسیلیان در استان مازندران به دلیل برخورداری از لایه‌های مطالعاتی و نتایج پژوهش‌های پیشین برای این پژوهش انتخاب شد. در این مطالعه پنج شاخص پوشش گیاهی و خاک‌ورزی شامل NDVI، NDMI، EVI،LAI  و NDTI به عنوان عوامل وزنی در محاسبات شاخص اتصال رسوب در نرم‌افزار SedInConnect به کار گرفته شدند. نتایج نشان داد که شاخصNDMI  بیشترین توانایی را در نمایش تغییرات زمانی اتصال رسوب دارد و ضریب تغییرات 55/11 درصدی آن طی سال‌های 2001 تا 2021 بیانگر حساسیت بالای این شاخص به تغییرات پوشش و رطوبت گیاهی است. بررسی همبستگی میان نقشه‌های اتصال رسوب و نقشه‌های فرسایش ماهانه در سال‌های منتخب نیز نشان داد که استفاده از NDMI موجب افزایش همبستگی میان این دو مجموعه نقشه شده و دقت مکانی شاخص اتصال رسوب را بهبود می‌بخشد. در بخش ارزیابی میدانی، محاسبه دو شاخص FIC و RFIC نشان داد که لحاظ‌کردن شواهد فرسایش متمرکز و اقدامات حفاظتی سبب افزایش دقتRFIC شده و همبستگی آن با شاخص ساختاری IC به مقدار 93/0 رسید. در بخش مدل‌سازی رسوب ماهانه، مدل‌های یادگیری ماشین به صورت منفرد توانایی کافی در بازنمایی تغییرات رسوب را نداشتند، اما الگوریتم تلفیقیLightGBM-NTK  عملکرد بسیار بهتری ارائه کرد و توانست رسوب ماهانه را با دقت بالا برآورد کند. این مدل در صورت استفاده از شاخص IC-LAI نسبت به مدل‌های منفرد LightGBM و NTK به ترتیب 31/49 و 27/49 درصد بهبود عملکرد داشت و نشان داد که ترکیب شاخص اتصال رسوب با مدل‌های تلفیقی می‌تواند ابزار مؤثری برای برآورد رسوب ماهانه حوزه آبخیز باشد.