Assessment and Optimization of Hydrological Connectivity for Effective Management of Water Resources in the Samian Watershed

Document Type : Original Article

Authors

1 Associate professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, Water Management Research Center, University of Mohaghegh Ardabili, Ardabil, Iran

2 Ph.D. student, Department of Range and Watershed Management, Faculty of Natural Resources, Urmia University, Urmia, Iran

Abstract

 
Abstract
Water scarcity has become a critical issue in some regions. Accordingly, increasing attention has been given to the structural and functional connectivity of river networks as the primary source of surface water supply, while this can be a potential watershed-scale management solution. However, assessment of hydrological connectivity remains understudied in Iran. This pioneering research aimed to evaluate and optimize the hydrological connectivity in the Samian Watershed to enhance protection and management of water resources and improve hydrological performance. The results showed that the hydrological network in the Samian Watershed with a total length of 1254.73 km had 173 links and 176 nodes. The river chain node ratio (β), actual bonding degree (γ), Index of Integration of Connectivity (IIC), and Probability of Connectivity (PC) were calculated to be 0.983, 0.331, 5.66, and 1.151, respectively. The hydrological structure of the Samian Watershed in the plain areas exhibited weak connectivity. After optimization, the center of gravity of water circulation shifted southward at different connectivity levels. Increasing the optimization level up to Level 4 resulted in an improvement in the hydrological connectivity indices within the Samian Watershed. While the overall connectivity showed a sudden increase after the 4th optimization level, the IIC increased but then decreased beyond Level 4. Therefore, it is recommended to optimize the hydrological connectivity in the Samian Watershed up to Level 4 for effective management of water resources.
 
Keywords: Spatial Analysis, Minimum Cumulative Resistance (MCR), River Network Structure, Connectivity Index, Water Resource.
 
Introduction
River networks are formed over long periods through the interplay of topographic, geological, hydrological, and erosional processes. However, human interventions, particularly in recent decades, have significantly altered these natural river systems. Industrialization and the growing water demands of human societies, especially in developing countries, have led to an increase in ecological disturbances, such as dam construction, river water extraction, inter-basin water transfer, and channel modification. These intense human activities have caused the deterioration of water ecosystem structure and function, exacerbating water scarcity at local, regional, national, and global levels. Considering the effects of climate change on intensifying the water crisis, various researchers and organizations have emphasized the need to restore river networks and ensure the availability of surface water resources at the watershed scale. Hydrological connectivity at the watershed level refers to the longitudinal transfer of water, sediment, pollutants, and aquatic organisms from the upstream to the downstream areas, which is related to the watershed convergence process. Evaluating the level of hydrological connectivity is crucial for increasing managers and experts' knowledge and understanding of the spatial heterogeneity in hydrodynamic and geomorphological processes, thereby promoting sustainable watershed management and conservation. Against this backdrop, the present research was conducted to investigate the structural hydrological connectivity and its optimization with the aim of river restoration in the Samian Watershed.
 
Materials and Methods
The study area, the Samian Watershed, covers an area of 4236 km2, representing 24% of the total area of Ardabil Province. This watershed includes 3 main rivers (Qarasu, Qori Chai, and Neor), each with several branches. The maximum and minimum altitudes are 4788 and 1200 m, respectively, with an average slope of 16.49%. The average annual rainfall in the region is estimated to be 351.52 mm. The assessment and optimization of the structural hydrological connectivity in the Samian Watershed were based on remote sensing, geographic information systems, graph theory, and binary theory. After constructing the hydrological network of the Samian Watershed, several connectivity indices were calculated to capture the internal complexity of the water flow transfer path network:

River chain node ratio (β): Calculated to represent the degree of branching in the river network
Actual bonding degree (γ): Determined to show the level of connectivity in the river network
Index of Integration of Connectivity (IIC): Extracted based on binary theory using Conefor Sensinode 2.6 software to represent the overall connectivity of the transmission path network
Probability of Connectivity (PC): Also derived from binary theory to indicate the overall connectivity of the transmission path network

The cost of water connection resistance was determined based on topographical, hydrological, and anthropogenic factors. 5 optimization levels were then defined according to the priority of optimization. The migration of the gravity center model was obtained using the mean center tool in ArcMap 10.8. Discrete water bodies were selected as optimization targets and the Minimum Cumulative Resistance (MCR) model was used to determine the optimal connection paths with the least obstacles to hydrological circulation. By combining ecological and geomorphological concepts, the optimization objectives were linked to the existing water systems to improve the overall hydrological connectivity in the Samian Watershed.
 
Research Findings
Analysis of the water areas in the Samian Watershed revealed that the general flow direction was from the northwest to the east, southeast, and southwest. The land surface in the southeast was relatively uneven and the water network was distributed accordingly. Water zones were mainly spread in the center of the watershed. Water resources in the Samian Watershed had been developed due to cultivation and urban development, which had led to a significant risk of excessive use and unequal distribution of water resources across different temporal and spatial scales. The results showed that the hydrological network of the river had a total length of 1254.73 km with 173 links and 176 nodes. The calculated connectivity indices were as follows:

River chain node ratio (β): 0.983
Actual bonding degree (γ): 0.331
IIC: 5.66
PC: 1.151

The hydrological structure of the Samian Watershed in the plain areas exhibited weak connectivity. After optimization, the migration of the center of gravity of water circulation shifted to the south. The presence of independent water zones was observed in areas with relatively low slopes compared to their surroundings. 7 optimization objectives were considered at each level to increase the connectivity between the independent water zones. At Optimization Level 2, 14 nodes and 14 edges were added to the river network. By increasing the optimization level to 4, the hydrological connectivity indices in the Samian Watershed also increased. The overall connectivity showed a sudden increase after 4 levels of optimization, following an incremental trend. In contrast, the IIC increased but experienced a decreasing trend after Level 4. Therefore, it is appropriate to optimize the hydrological connectivity in the Samian Watershed up to Level 4.
 
Discussion of Results & Conclusion
Results of the assessment and optimization of hydrological connectivity are significant for the protection of vulnerable and discrete water bodies in watersheds and improvement of ecological processes in these water bodies. In this research, a framework was developed to assess and optimize the connectivity of natural and artificial hydrological structures at the watershed scale using graph and binary theories. Spatial analysis of cost distance and center of gravity in the watershed was also conducted across 5 optimization levels. The difference in slope in the region had led to the creation of independent water zones. These independent water zones were located separately from the main river network and, as a result, contributed little to the hydrological cycle and energy transfer in the watershed, making them more fragile. To protect these water zones from destruction and disappearance and improve the overall ecological function of the water system, they had to be integrated into the hydrological connection pattern. The analysis showed that each hydrological connectivity index exhibited an increasing trend with increasing optimization level. It could be concluded that up to Optimization Level 4, the hydrological structural connectivity indices tended to increase with the increase of optimization level. Hydrological connectivity was necessary at the first optimization level in the Samian Watershed river and the third optimization level could be a more economical and appropriate choice. The numbers of corresponding edges and nodes for small areas, such as agricultural watersheds, can be considered as effective factors in the results. Each identified natural hydraulic connection path can be managed. Therefore, the results of the current research emphasize the necessity of watershed planning and management by considering the changes in hydrological connectivity caused by structural changes in the river network.
 

Keywords

Main Subjects

Full Text

مقدمه

شبکۀ رودخانه‌های طبیعی در طی دوره‌های زمانی طولانی با تعامل عوامل توپوگرافی، زمین‌ریخت‌شناسی، حرکت آب و فرسایش بستر شکل می‌گیرد؛ اما دخالت‌های انسانی به‌طور چشمگیری شبکۀ رودخانه‌ها را به‌ویژه در دهه‌های اخیر تغییر داده است (Xingyuan et al., 2023, P. 6). از زمان صنعتی‌شدن میزان مصرف منابع آب ازسوی جوامع بشری به‌ویژه در کشورهای در‌حال توسعه به‌طور فزآینده‌ای افزایش یافته است؛ به‌طوری‌ که تعداد و شدت اختلالات بوم‌شناختی در پهنه‌های طبیعی آب از‌جمله سدسازی، پمپاژ رودخانه، انتقال آب بین‌حوضه‌ای و کانال‌سازی در‌حال افزایش است (Tian et al., 2022, P. 4). به‌نحوی ‌که فعالیت‌های شدید انسانی موجب تخریب ساختار و عملکرد بوم‌سازگان‌های آبی و تشدید کمبود آب در‌سطح‌های مختلف محلی، منطقه‌ای، ملی و جهانی شده است (Eros et al., 2011, P. 185 Chen et al., 2019, P. 1323;). بر همین اساس و با‌توجه به اثرهای ناشی از تغییر اقلیم در تشدید بحران آب محققان مختلف و سازمان‌های ملی و بین‌المللی به لزوم احیا شبکه‌های رودخانه و تأمین منابع آب سطحی در‌مقیاس حوزۀ آبخیز تأکید کرده‌اند (Rasoulzadeh et al., 2023, P. 4).

یکی از معیارهای کمّی در ارزیابی شدت تخریب منابع آبی در‌مقیاس حوزۀ آبخیز، اتصال هیدرولوژیکی رودخانه است که به‌عنوان ابزار مهمی برای رسیدگی به مسائل مربوط به عملکرد سیستمی، فرآیندهای زیستی-‌شیمیایی و تخصیص آب در‌نظر گرفته می‌شود (Tian et al., 2022, P. 5). چگونگی توسعۀ جریان آب در شرایط مختلف محیطی با مفهوم اتصال هیدرولوژیکی قابل تبیین است و مدیران را قادر می‌‌کند تا تعیین کنند که چه زمانی، کجا و چگونه می‌توان در فرآیندهای هیدرولوژیکی حوزۀ آبخیز با موفقیت مداخله کرد. بر همین اساس، ارزیابی اتصال هیدرولوژیکی یک ابزار مهم برای مدیریت منابع آب و یک مبنای نظری اساسی برای برنامه‌ریزی و مهندسی بوم‌شناختی در‌نظر گرفته می‌شود (Li et al., 2020, P. 2826).

از آنجایی که ارتباط بهم پیوسته‌ای بین مواد، انرژی و فرآیندها در یک رودخانه وجود دارد، اتصال شبکۀ رودخانه معیاری مهم برای ارزیابی سلامت رودخانه‌ است (Xingyuan et al., 2023, P. 5; Rinaldo et al., 2018, P. 28). یک شبکۀ رودخانه‌ با اتصال ساختاری و عملکردی مناسب، وضعیت متعادلی از‌نظر تبادل زیستی، انرژی و چرخۀ مواد مغذی دارد. بر همین اساس، چنین رودخانه‌ای می‌تواند ثبات نسبی را در یک محیط زیست در‌حال تغییر و تخریب حفظ کند (Reid et al., 2016, P. 140). در‌حقیقت، پویایی شبکۀ رودخانه منعکس‌کنندۀ ناهمگونی مکانی-زمانی فرآیندهای هیدرولوژیکی و پیچیدگی زیستی آن در نتیجۀ تعاملات بین جریان آب و وضعیت فیزیکی است (Hermoso et al., 2011, P. 59; Xingyuan et al., 2023, P. 6).

مرور منابع نشان می‌دهد که شاخص‌ها و روش‌های مختلفی در‌زمینۀ ارزیابی اتصال هیدرولوژیکی ارائه شده است؛ برای نمونه، تأثیر لکه‌های زیستگاه در اتصال شبکه با استفاده از شاخص‌های توپولوژیکی در اسپانیا ‌بررسی شد. نتایج نشان داد که تحلیل انتگرال اتصال (IIC)، احتمال اتصال (PC) و مرکزیت بین‌المللی (BC) در حفظ اتصال شبکه‌های زیستگاهی نقش مؤثری دارد (Baranyi et al., 2011). در‌ادامه، تغییرات سالانه و فصلی اتصال هیدرولوژیکی با استفاده از تصاویر ماهوارۀ‌ Landsat 8 بین سال‌های 2013 تا 2019 در شمال چین ارزیابی شد. نتایج نشان داد که بازتاب باند مادون قرمز نزدیک دقیق‌ترین شاخص برای طبقه‌بندی آب با دقت بیش از 98 درصد بود. شیب روابط خطی بین اتصال هیدرولوژیکی و سطح آب نیز نشان داد که اتصال هیدرولوژیکی با افزایش سطح آب بیشتر می‌شود؛ در‌نتیجه میانگین ضریب تبیین (R2) برابر با 88/0 به‌‌دست آمد (Li et al., 2021). همچنین، با ارزیابی و بهینه‌سازی اتصال هیدرولوژیکی بر‌اساس نظریۀ گراف در‌حوضۀ رودخانۀ Dongliao چین این نتیجه حاصل شد که با افزایش سطح بهینه‌سازی اتصال هیدرولوژیکی، شاخص موران جهانی افزایش و سپس کاهش یافته است. همچنین، اثر‌های اتصال هیدرولوژیکی در‌سطح‌های مختلف بهینه‌سازی، متفاوت به ‌دست آمد (Tian et al., 2022). به‌تازگی، تغییرات اتصال هیدروگرافیکی حوضۀ رودخانۀ زرد طی دورۀ زمانی 2020-2000 با استفاده از شاخص اصلاح‌شدۀ تفاوت عادی آب (MNDWI) (Modified Normalized Difference Water Index) بررسی شده است. نتایج نشان داد که زمین‌های کشاورزی بیش از 50 درصد از مساحت را پوشش می‌دهد و فعالیت‌های انسانی تأثیر زیادی بر تغییرات اتصال هیدروگرافیکی داشته‌ است (Li et al., 2023). در‌ادامه، ساختار شبکه و پایداری اتصال رودخانه در منطقۀ‌ Taihu بررسی و مشخص شد که درجۀ گره شبکۀ رودخانه به‌طور متوسط برابر با 9/2 بوده و دراصل اتصال ضعیف داشته است. در این میان، تخریب گره‌های مهم باعث کاهش شدید پایداری شبکه شده است. این تأثیر در مناطق مختلف، متفاوت به‌دست آمد. همچنین، شهرنشینی تأثیر منفی بر ویژگی‌های شبکۀ رودخانه داشته است (Yu et al., 2023). تنها مطالعۀ یافت‌شده در ایران نشان از اتصال هیدرولوژیکی حوزۀ آبخیز قره‌سو با استفاده از شبکۀ منبع رواناب و شبکۀ جریان دارد که نتایج به‌دست‌آمدۀ آن منجر به شناسایی مناطق با پتانسیل اختلال در آینده شده است (Jahanishakib et al., 2021).

جمع‌بندی مطالعات پیشین نشان می‌دهد که نتایج ارزیابی اتصال هیدرولوژیکی منطقه‌محور بوده است و تمامی آن مطالعات محدودیت‌های منطقه‌ای داشته است (Borselli et al., 2008, P. 269; Tian et al., 2022, P. 5). همچنین، محققان در عمدۀ مطالعات اخیر برای ارائۀ راه‌حل ساده در ‌زمینۀ ارزیابی جنبه‌های متعدّد اتصال سیمای سرزمین و بوم‌شناسی حفاظتی بر کارایی زیاد تئوری گراف تأکید دارند (Keitt et al., 1997; Ricotta et al., 2000, P. 90; Eros et al., 2011, P. 185; Lathouri et al., 2021, P. 1229). بر همین اساس و با‌توجه به کمبود مطالعات در‌ زمینۀ اتصال هیدرولوژیکی پژوهش حاضر با هدف ارزیابی و بهینه‌سازی اتصال هیدرولوژیکی در‌ حوزۀ آبخیز سامیان (واقع در مرکز استان اردبیل) و با استفاده از تئوری گراف برنامه‌ریزی شده است. نتایج این مطالعه به‌طور نظری و عملیاتی برای بهینه‌سازی اتصال هیدرولوژیکی در مناطق با کمبود منابع آب حائز اهمیت است. ارزیابی و بهینه‌سازی اتصال هیدرولوژیکی برای حفاظت منطقه‌ای از بوم‌سازگان‌های آبی، مدیریت تقاضا، تخصیص منابع آب و طراحی پروژه‌های بوم‌شناختی نیز ضروری است.

منطقۀ مطالعه‌شده

حوزۀ آبخیز سامیان (شکل 1) واقع در استان اردبیل مساحتی بالغ بر 4236 کیلومتر مربع را پوشش داده است. این منطقه 24 درصد از کل مساحت استان اردبیل را تشکیل می‌دهد. مختصات محدودۀ جغرافیایی بین ´42 ˚47 تا ´28 ˚48 طول شرقی و ´40 ˚37 تا ´20 ˚38 عرض شمالی قرار دارد. این حوزۀ آبخیز شامل سه رودخانۀ اصلی (قره‌سو، قوری‌چای و نئور) است که هر‌کدام شاخه‌‎های متعدّدی دارد (مصطفی‌زاده و مهری، 1397، ص. 32). بیشترین و کمترین ارتفاع 4788 و 1200 متر و میانگین شیب منطقه برابر با 49/16 است. قسمت‌های شرقی و غربی حوزۀ آبخیز بیشترین شیب را دارند. همچنین، حوزۀ آبخیز سامیان قسمتی از جنگل فندقلو را به ‌خود اختصاص داده است. میانگین بارندگی در منطقه برابر با 52/351 میلی‌متر برآورد شده است. علاوه بر این، در این حوزه حدود 8 طبقۀ کاربری (کاربری زراعت دیم 05/36 درصد، زراعت آبی 67/25 درصد، مرتع 57/30 درصد، جنگل 71/1 درصد، باغ 30/1 درصد، برونزد‌سنگی 32/1 درصد و مسکونی 53/2 درصد) شناسایی شده است. صحت کلی و ضریب کاپای نقشۀ کاربری اراضی به‌ترتیب برابر با 81/89 و 18/88 درصد به ‌دست آمده است (مرادزاده و همکاران، 1401، ص. 120؛ حزباوی و همکاران، 1401، ص. 82؛ Moradzadeh et al., 2024, P. 3).

شکل 1: نمایی از حوزۀ آبخیز سامیان (منبع: نگارندگان)

Figure 1: A view of the Samian watershed

 ارزیابی اتصال هیدرولوژیکی

در کاربرد نظریۀ گراف سیمای سرزمین به‌صورت گراف مدل‌سازی می‌شود. مجموعه‌ای از گره‌هایی با یال‌ها بهم متصل می‌شود که در آن پیوند بین هر دو گره نشان‌دهندۀ ارتباط عملکردی بین آنهاست. این رویکرد به‌ویژه در تعیین لکه‌های زیستگاه یا مجموعه‌های کوچکی از لکه‌ها با هدف حفاظت و مدیریت پایدار اهمیت زیادی دارد (Bunn et al., 2000, P. 266; Jordán et al., 2003, P. 84; Bodin, 2009, P. 2728; Saura & Pascual-Hortal, 2007, P. 93).

تئوری گراف امکان تبدیل سامانه‌های سیمای سرزمین را به تصاویر رقومی فراهم می‌کند؛ بدین‌صورت که در آن گره‌ها و یال‌ها شناسایی می‌شود و مجموعه‌ای از یال‌ها وجود روابط یا تعاملات بین عناصر را نشان می‌دهد (Tian et al., 2022, P. 8). بر همین اساس، ابتدا شبکۀ هیدرولوژیکی برای تعیین موقعیت جغرافیایی پهنه‌های آبی و اتصال هیدرولوژیکی تهیه و سپس رودخانه‌ها به‌عنوان یال‌هایی در‌نظر گرفته و درنهایت، محل اتصال رودخانه‌ها به‌عنوان گره تعیین شد. همچنین، آبراهه‌های انتهایی به‌عنوان گره حاشیه و آبراهه‌هایی که از اطراف به یکدیگر اتصال داشتند به‌عنوان گره مرکزی مشخص شدند. در شکل (2) ساختار اتصالات هیدرولوژیکی در شبکۀ رودخانۀ حوزۀ آبخیز سامیان نمایش داده شده است.

شکل 2: ساختار اتصالات هیدرولوژیکی در شبکۀ رودخانۀ حوزۀ آبخیز سامیان (منبع: نگارندگان)

Figure 2: The structure of hydrological connections in the river network of Samian watershed

پس از ساخت شبکۀ هیدرولوژیکی برای نشان‌دادن پیچیدگی داخلی شبکۀ مسیر انتقال جریان آب نسبت یال به گره (β) و اتصال گره لبه (γ) محاسبه شد. نسبت یال به گره (β) میانگین تعداد زنجیره‌های رودخانه در هر گره در شبکۀ اتصال و نشان‌دهندۀ میزان پیچیدگی ارتباط بین هر گره و سیستم آبی اطراف است که طبق رابطۀ (1) محاسبه شد (Tian et al., 2022, P. 6)

[1]

 

که در آن β نسبت یال به گرة رودخانه بوده و از صفر تا سه متغیر است. m تعداد یال‌ها و n تعداد گره‌ها در کل شبکۀ رودخانه است. مقدار بیشتر β نشان‌دهندۀ تعداد بیشتری از مسیرهای انتقال آب متصل به آن گره است که پیچیدگی داخلی شبکۀ هیدرولوژیکی را نشان می‌دهد. اتصال گره لبه (γ) نسبت تعداد واقعی لبه‌های رودخانۀ متصل به بیشترین تعداد لبه‌های رودخانۀ متصل است (رابطۀ 2) که نشان‌دهندۀ قدرت اتصال متقابل بین زنجیره‌های رودخانه در شبکۀ رودخانه بوده است و پیچیدگی شبکه را منعکس می‌کند (Tian et al., 2022, P. 7).

[2]

 

γ درج g پیوند واقعی بوده که از صفر تا یک متغیر است. m و n نیز بیانگر تعداد یال‌ها و تعداد گره‌ها در کل شبکه است که در رابطۀ (1) نیز استفاده شده‌اند. وقتی γ = 0 باشد، نشان‌دهندۀ این است که هیچ پیوندی در شبکه وجود ندارد و فقط نقاط جدا از هم وجود دارد. هنگامی ‌که γ = 1 باشد، بیانگر آن است که هر گره در شبکه به تمام گره‌های دیگر مرتبط است.

بر‌اساس تئوری دودویی از شاخص یکپارچگی اتصال ((IIC) Index of integration of connectivity) و سنجۀ احتمال پیوستگی ((PC) Probability of connectivity) برای نشان‌دادن اتصال کلی شبکۀ مسیر انتقال و ارزیابی اتصال هیدرولوژیکی حوزۀ آبخیز استفاده شد. IIC یکی از بهترین شاخص‌های شناخته‌شـده بـرای تحلیل‌های پیوستگی است که می‌توان آن را با استفاده از رابطۀ (3) محاسبه کرد (Bodin, 2009, P. 2731).

[3]

 

در ایـن رابطـه n تعـداد کـل لکـه در سـیمای سـرزمین، ai و aj مساحت‌های لکه‌هـای i و j، nlij تعـداد کوتـاه‌تـرین مسـیرهای ممکن بین لکه‌های i، j و AL مساحت کل سیمای سرزمین اسـت. مبنای این شاخص نظریۀ پیوستگی درون‌لکه‌ای است که در آن فضای درون لکه به‌عنوان فضایی پیوسته در‌نظر گرفته مـی‌شـود. از‌میان سنجه‌ها IIC در تشخیص لکه‌های بـا اهمیـت‌تـر از‌نظر موقعیت توپولوژیک و نیز از‌نظر ارزش‎های درونی هر لکه موفق عمل کرده اسـت. همچنـین، قـادر اسـت پیوسـتگی درون‌لکه‌ای را در محاسبات لحاظ کند (Bodin, 2009, P. 2731).

سنجۀ PC به‌عنوان بهترین شاخص برای تحلیل نوع اتصال هیدرولوژیکی معرفی شده است (علائی و همکاران، 1398، ص. 23). این سنجه چندین ویژگی مرتبط با اتصالات هیدرولوژیکی را در‌ مقایسه با سایر شاخص‌های موجود ارائه می‌دهد. همچنین، عملکرد IIC را بهبود می‌بخشد. سنجۀ PC را می‌توان با استفاده از رابطۀ (4) محاسبه کرد (Saura & Pascual-Hortal, 2007).

[4]

 

در این رابطه n تعداد کل گره‌های زیستگاه در سیمای سرزمین است. ai و aj صفات گره‌های i و j هستند. AL بیشترین ویژگی (مساحت) چشم‌انداز بوده و  بیشترین احتمال پیوستگی تمام مسیرهای بین لکه‌های i و j را نشان می‌دهد.

تمام محاسبات شاخص انتگرال پیوستگی (IIC) و سنجۀ احتمال پیوستگی (PC) با استفاده از نرم‌افزار Conefor Sensinode 2.6 (CS 2.6) و مبتنی بر نتایج به‌دست‌آمده بر‌اساس تئوری گراف (شکل 3) صورت پذیرفته است (Bodin, 2009, P. 2731). به‌طوری ‌که اطلاعات حاصل از ابزار Conefor در نرم‌افزار Arc Map 10.8 با ‌فرمت TEXT بر‌اساس مشخصات هر گره و یال‌های بـین آنهـا به‌عنوان داده‌های اولیه وارد نرم‌افزار (CS 2.6) Conefor Sensinode 2.6  شده است.

شکل 3: شماتیکی از بررسی اتصال شبکۀ رودخانۀ حوزۀ آبخیز سامیان (منبع: نگارندگان)

Figure 3: Schematic of the river network connectivity survey in the Samian watershed

بهینه‌سازی اتصال هیدرولوژیکی حوزۀ آبخیز

با تلفیق مفاهیم بوم‌شناسی و ژئومورفولوژیکی، پهنه‌های آبی گسسته که با سایر پهنه‌های آبی در اتصال نیستند به‌عنوان هدف بهینه‌سازی در الگوی اتصال هیدرولوژیکی استفاده شدند. با استخراج مسیرهای با کمترین موانع گردش در ‌حوزۀ آبخیز، هدف‌های بهینه‌سازی به سامانه‌های آبی موجود برای بهبود اتصال هیدرولوژیکی حوضه پیوند داده شدند. هدف‌های بهینه‌سازی و مسیرهای اتصال سامانه‌های آبی موجود تحت‌تأثیر عوامل متعدّدی در حوضه قرار دارند (Dai et al., 2021, P. 5). عوامل هیدرولوژیکی شامل توزیع آب سطحی، عوامل توپوگرافی شامل زمین و ژئومورفولوژی، عوامل انسانی شامل کاربری زمین و ساخت‌و‌ساز مهندسی هیدرولیک است. با در نظر گرفتن این عوامل از مدل حداقل مقاومت تجمعی (Minimum Cumulative Resistance) (MCR) برای تعیین یک سطح مقاومت تجمعی و تحلیل گردش هیدرولوژیکی در ‌حوزۀ آبخیز استفاده شد. در همین راستا، مسیرهای اتصال بین پهنه‌های آبی منفرد و پهنه‌های پیوستۀ آبی موجود و نتایج بهینۀ الگوهای اتصال هیدرولوژیکی نیز به دست آمد (Tian et al., 2022, P. 8).

با استفاده از مدل MCR مسیرهای منبع (شبکۀ هیدرولوژیکی موجود) از‌طریق محاسبۀ سطح فاصلۀ تخلیۀ تجمعی تا کمترین فاصلۀ تخلیۀ تجمعی مورد هدف برای بهینه‌سازی شبکۀ هیدرولوژیکی تعیین شدند. طبق رابطۀ (5) برای تعیین درجه انسداد جریان آب در ‌حوزۀ آبخیز و محاسبۀ مسیر با کمترین انسداد، مدل MCR بر‌اساس تابع تحلیل مکانی در نرم‌افزار ArcMap 10.8 پیاده‌سازی شد (Tian et al., 2022, P. 8)

[5]

 

که در آن Ci هزینۀ تجمعی سلول شبکۀ iام به هدف بهینه‌سازی و بیانگر حداقل مقاومت تجمعی (MCR) در مسیر سلول شبکه در آن مکان به منبع است. Di تعداد تجمعی پیکسل‌ها در مسیر یک سلول شبکۀ i در مکان معین تا هدف بهینه‌سازی با حداقل هزینه است. Fi هزینۀ تجمعی مقاومت یک سلول شبکۀ i در‌سطح بهینه‌سازی است. کلیۀ محاسبات MCR در نرم‌افزار ArcMap 10.8 و با استفاده از ابزار Cost Distance انجام شده است.

از سامانه‌های آبی موجود در‌ حوزۀ آبخیز (از‌جمله رودخانه‌های فصلی) به‌عنوان منبع بهینه‌سازی شبکۀ آب برای ساخت مسیرهای اتصال پهنۀ آبی جدید استفاده شد. در این راستا، اتصال پهنه‌های آبی مستقل در ‌حوزۀ آبخیز باعث بهبود اتصال هیدرولوژیکی، افزایش گردش سیستم آب و افزایش تعداد منابع آبی موجود می‌شود.

هزینۀ مقاومت اتصال آب (Cost of water connectivity resistance) در یک حوزۀ آبخیز بر‌اساس سه عامل توپوگرافی، هیدرولوژیکی و انسانی تعیین شد. عوامل توپوگرافی و هیدرولوژی در 9 سطح با وزن‌های مقاومت 1 تا 9 طبقه‌بندی شد. با کاهش شیب هزینه‌ بیشتر می‌شود؛ زیرا در این حالت تجمع آب بیشتر می‌شود. برای همین به کمترین طبقۀ‌ شیب ارزش 9 داده می‌شود. همچنین، فعالیت‌های انسانی با استفاده از طبقات مختلف کاربری اراضی (باغ، پهنۀ آبی، برونزدسنگی، جنگل، زراعت آبی، زراعت دیم، مرتع و مسکونی) تبیین شد. وزن‌های اختصاص‌یافته به هر عامل در جدول (1) ارائه شده است. در‌نهایت، سطح مقاومت وزنی اتصال آب به ‌دست آمد.

جدول 1: وزن مقاومت برای هر عامل

Table 1: Resistance weight for each factor

عامل

طبقه

 

توپوگرافی

0 تا

76/22

77/22 تا 52/45

53/45 تا 28/68

29/68 تا 04/91

05/91 تا 81/113

82/113 تا 57/136

58/136 تا 33/159

34/159 تا 09/182

10/182 تا 68/204

 

9

8

7

6

5

4

3

2

1

 

هیدرولوژیکی

1- تا 61/0-

62/0- تا 56/0-

55/0- تا 50/0-

49/0- تا 41/0-

40/0- تا 30/0-

29/0- تا

13/0-

12/0- تا

19/0

20/0 تا

66/0

67/0 تا

1

 

9

8

7

6

5

4

3

2

1

انسانی

مسکونی

برونزدسنگی

باغ

جنگل

زراعت آبی

زراعت دیم

مرتع

پهنه آبی

-

 

8

7

6

5

4

3

2

1

منبع: Tian et al., 2022, P. 7

 مدل MCR با در نظر گرفتن متغیر شیب برای عامل توپوگرافی، متغیر شاخص اصلاح‌شدۀ تفاوت عادی آب ((MNDWI)Modified Normalized Difference Water Index ) برای عامل هیدرولوژیکی و کاربری اراضی برای عامل انسانی تهیه شد. در شاخص MNDWI از ترکیب NIR-SWIR (مادون قرمز نزدیک و مادون قرمز موج کوتاه) برای افزایش حضور آب در برگ‌های گیاهان استفاده می‌شود. مقدار‌های مثبت MNDWI برای ویژگی‌های آبی و مقدار‌های منفی (صفر) برای خاک و پوشش گیاهی زمینی در‌ نظر گرفته شده است. مقدار‌های MNDWI برای پهنه‌های آبیT بزرگ‌تر از 5/0 است. پوشش گیاهی با مقدار‌های بسیار کمتری از MNDWI است که باعث می‌شود پوشش گیاهی از پهنه‌های آبی راحت‌تر تشخیص داده شود. شاخص MNDWI با استفاده از رابطۀ (6) برای داده‌های لندست 8 در تاریخ 10/08/2021 محاسبه شد. بدین‌منظور از داده‌های مربوط به سنجنده OLI به‌‌دست‌آمده از پایگاه اطلاعاتی سازمان زمین‌شناسی آمریکا (USGS) استفاده شد.

[6]

 

در پژوهش حاضر نقشۀ شیب از لایۀ مدل رقومی ارتفاع (DEM) با قدرت تفکیک 30 متر تهیه شد. همچنین، نقشۀ کاربری اراضی / پوشش اراضی (LULC) از روش طبقه‌بندی نظارت‌شده (مهدویان و همکاران، 1401، ص. 28) و با استفاده از تصاویر ماهوارۀ لندست 8 مورخ 10/08/2021 مربوط به سنجندۀ OLI تهیه شده است. در این مطالعه برای ارزیابی صحت با استفاده از تصاویر Google Earth صحت کلی و ضریب کاپا (به‌ترتیب برابر با 81/89 و 18/88 درصد) محاسبه شد (مرادزاده و همکاران، 1401، ص. 120).

در این مطالعه از پهنه‌های آبی مستقل موجود در‌حوزۀ آبخیز به‌عنوان هدف‌های اتصال بهینۀ شبکۀ هیدرولوژیکی استفاده شد؛ بنابراین پهنه‌های آبی مستقل در کل حوزۀ آبخیز غربال شد. پهنه‌های آبی با سطح آب بیش از 10000 متر مربع انتخاب و بر‌اساس اهمیت عملکردی بوم‌شناسی آب به هدف‌های مختلف درجه‌بندی شد. در‌نهایت، 5 سطح مطابق با جدول (2) از هدف‌های بهینه‌سازی به‌ دست آمد.

جدول 2: درجه‌بندی هدف بهینه‌سازی

Table 2: Grading of the optimization objective

سطح اولویت

مساحت سطح آب (برابر یا بیش از 10000 متر مربع)

تعداد آبراهه (یال)

1

600-200

7

2

200-50

14

3

50-20

24

4

20-5

62

5

5-1

123

منبع: Tian et al., 2022, P. 8

 

با استفاده از شبکۀ آب موجود در‌‌حوزۀ آبخیز به‌عنوان منبع، سلول شبکۀ آن برابر با 1 تعریف شد؛ یعنی حداقل مقاومت در‌برابر جریان با منبع و مقاومت در‌برابر جریان ازطریق شبکه‌های دیگر در‌حوزۀ آبخیز مرتبط و با فاصلۀ بین شبکه، منبع و هزینۀ مقاومت خود شبکه بوده است. در‌نهایت، مسیری با کمترین انسداد بین منبع و هدف به‌ دست آمد. نتیجۀ بهینه‌سازی با قرار‌دادن شبکۀ آب موجود در مسیر اتصال هدف بهینه‌شده به‌ دست آمد (Tian et al., 2022, P. 12). با‌توجه به اولویت بهینه‌سازی، فاصلۀ تجمعی صرف‌شده در هر سطح از بهینه‌سازی با در نظر گرفتن نتایج سطح قبلی بهینه‌سازی به‌عنوان محل منبع به‌‌دست آمد؛ برای مثال، منبع سطح دوم محاسبۀ بهینه‌سازی، مسیر اتصال بهینۀ سیستم آب موجود در‌ حوزۀ آبخیز بوده که بر سطح اول هدف‌های بهینه‌سازی استوار است.

مدل مهاجرت مرکز ثقل (Barycenter Migration Model)

مدل مهاجرت مرکز ثقل مفیدترین معیار کمّی برای توصیف توزیع مکانی اشیا جغرافیایی است که می‌تواند پویایی تغییرات مکانی را منعکس کند (Wang et al., 2019, P. 3). یک مرکز ثقل مکانی مسطح برای مقاومت اتصال هیدرولوژیکی با استفاده از ابزار مرکز میانگین (mean center) در ArcMap 10.8 به‌‌دست آمد. مرکز ثقل مسطح می‌تواند روندهای مکانی و زمانی تغییرات در اشیا جغرافیایی منطقه‌ای را تجسم کند. در این پژوهش مرکز ثقل سطح مقاومت در هر سطح بهینه‌سازی برای سطح‌های مختلف بهینه‌سازی اتصال هیدرولوژیکی به ‌دست آمد. درادامه، روند تکاملی مکانی مقاومت نسبت به اتصال هیدرولوژیکی نیز تحلیل شده است (رابطه‌های 6 و 7).

[6]

 

[7]

 

Xt و Yt بیانگر طول و عرض کلاس معین از مرکزهای مدنظر هستند. در فضای کلاس t: Cti مساحت موانع اتصال iام در‌سطح t، Xt و Yt به‌ترتیب طول و عرض لکه را نشان می‌دهند. همچنین، p تعداد کل لکه‌ها در یک کلاس معین از فضا در سال t است. مسافت مرکز تغییر ثقل مقاومت اتصال هیدرولوژیکی با استفاده از رابطۀ (8) محاسبه‌ شد

[8]

 

که در آن D فاصلۀ مرکز ثقل از سطح بهینه‌سازی t تا  است. C تبدیل واحدهای مختصات جغرافیایی به مسافت (km) با مقدار 111/111 است. Xt و Yt به‌ترتیب طول و عرض جغرافیایی را در نقطۀ نمونه‌برداری در‌سطح بهینه‌سازی t نشان می‌دهند.  و  به‌ترتیب طول و عرض جغرافیایی را در نقطۀ نمونه‌برداری در‌سطح بهینه‎سازی  نشان می‌دهند.

 

یافته‌های پژوهش و تجزیه‌و‌تحلیل

نتایج حاصل از ارزیابی اتصال هیدرولوژیکی

توزیع پهنه‌های آبی موجود در‌ حوزۀ آبخیز سامیان (شکل 4) نشان می‌دهد که جهت کلی جریان از شمال غربی به شرق، جنوب شرقی و جنوب غربی است. سطح زمین در جنوب شرقی تا حدودی ناهموار بوده و شبکۀ آبی بر این اساس توزیع شده است. پهنه‌های آبی بیشتر در مرکز حوزۀ آبخیز گسترش دارند. علاوه‌بر برخی پهنه‌های آب‌ سطحی بزرگ مانند دریاچۀ شورابیل که جزء سامانه‌های آبی متصل هستند، رودخانۀ بزرگ قره‌سو به‌طول 54/81 کیلومتر در داخل حوزۀ آبخیز سامیان قرار دارد. در حالت کلی، شبکۀ بوم‌شناختی آب حوزۀ آبخیز سامیان از سه رودخانۀ اصلی قره‌سو، نئور و قوری‌چای به‌ترتیب با طول 54/81، 01/58 و 37/57 کیلومتر تشکیل شده است. منابع آبی در‌ حوزۀ آبخیز سامیان به‌دلیل کشت و زرع و توسعۀ شهری توسعه یافته‌ است. بر همین اساس، ریسک چشمگیری از‌نظر استفادۀ بیش از حد و توزیع نابرابر منابع آب در‌مقیاس‌های مختلف زمانی و مکانی وجود دارد که با نتایج راثی‌نظامی (1402) مطابقت دارد. شکل (5) شیب و پهنه‌های آبی مستقل را در ‌حوزۀ آبخیز سامیان نشان می‌دهد.

شکل 4: سامانه‌های آبی موجود در رودخانۀ حوزۀ آبخیز سامیان (منبع: نگارندگان)

Figure 4: Water systems in the Samian watershed

اختلاف شیب در منطقه منجر به ایجاد پهنه‌های آبی مستقل شده است. از آنجایی که پهنه‌های آبی مستقل به‌طور جداگانه از شبکۀ رودخانه اصلی قرار گرفته‌اند، مشارکت کمی در چرخۀ هیدرولوژیکی و انتقال انرژی در ‌حوزۀ آبخیز دارند و شکننده‌تر هستند. به‌همین دلیل، برای محافظت از آنها در‌برابر تخریب و ناپدید‌شدن و بهبود عملکرد کلی بوم‌شناختی آب باید آنها را در الگوی اتصال هیدرولوژیکی حوزۀ آبخیز یکپارچه کرد که این موضوع یافته‌های سایر محققان Tian et al., 2022)) را تأیید می‌کند.

شبکۀ هیدرولوژیکی رودخانۀ حوزۀ آبخیز سامیان 173 یال و 176 گره با طول کلی 73/1254 کیلومتر دارد. شاخص‌های ارزیابی اتصال هیدرولوژیکی برابر با 983/0 β =، 331/0γ=، 66/5IIC= و 151/1PC= محاسبه شد. طبق نتایج به‌دست‌آمده رودخانۀ سامیان با کاهش بارش و کمبود آب مواجه بوده است که مؤید نتایج مطالعات پیشین است (مصطفی‌زاده و مهری، 1397). در حال حاضر در رودخانه‌های طبیعی حوزۀ آبخیز سدهایی (سد یامچی و سد سبلان) موجود است (نصیری‌خیاوی و همکاران، 1398) که وجود چنین سدهایی منجر به محافظت از منابع مهم آب شده است. هر‌چند با‌توجه به نتایج، ساختار هیدرولوژیکی حوزۀ آبخیز سامیان به‌خوبی در مناطق دشتی بهم متصل نیست (شکل 5).

 

شکل 5: شیب و پهنه‌های آبی مستقل در‌ حوزۀ آبخیز سامیان (منبع: نگارندگان)

Figure 5: Slope and independent water body in the Samian watershed

 

نتایج حاصل از مدل حداقل مقاومت تجمعی (MCR) یا همان فاصلۀ هزینه بر‌اساس عوامل فیزبوگرافی، هیدرولوژیکی و انسانی در شکل (6) ارائه شده است. طبق نتایج بیشترین و کمترین شیب حوزۀ آبخیز سامیان در بازۀ صفر تا 68/204 و شاخص MNDWI در بازۀ صفر تا 1- تغییر می‌کند. شاخص MNDWI در بیشتر بخش‌های حوزۀ آبخیز سامیان تغییرات یکسانی دارد و بخش‌های کمی از آن مقدار صفر دارد. در شکل (7) توزیع مکانی فاصلۀ هزینه (MCR) ارائه شده است.

شکل 6: توزیع مکانی عوامل مدل حداقل مقاومت تجمعی (MCR) و وزن آنها (منبع: یافته‌های پژوهش، 1402)

Figure 6: Spatial distribution of minimum cumulative resistance (MCR) model factors and their weights

 

از تلفیق سه عامل توپوگرافی، هیدرولوژیکی و انسانی مقدار فاصلۀ هزینه که بیانگر خروجی مدل MCR است در بازۀ صفر تا 37/1 متغیر بوده است. در این میان، متوسط مقدار آن برای رودخانۀ حوزۀ آبخیز سامیان برابر با مقدار عددی 27/0 به‌ دست آمد.

شکل 7: توزیع مکانی فاصلۀ هزینه (MCR) (منبع: یافته‌های پژوهش، 1402)

Figure 7: Spatial distribution of cost distance (MCR)

نتایج حاصل از بهینه‌سازی اتصال هیدرولوژیکی

حضور پهنه‌های آبی مستقل در مناطقی رخ می‌دهد که شیب آنها نسبت به اطراف خود به نسبت پایین باشد. به‌ همین ‌منظور، در پژوهش حاضر 7 هدف از هر سطح بهینه‌سازی در‌نظر گرفته شد. برای افزایش اتصال میان پهنه‌های آبی مستقل در ‌حوزۀ آبخیز سامیان هدف‌های بهینه‌سازی در‌نظر گرفته و بدین ترتیب، آن مسیرهای اتصال پهنۀ آبی جدید ساخته شد. در ‌سطح 2 بهینه‌سازی به تعداد 14 گره و 14 یال به رودخانه اضافه شد. برای جلوگیری از مسیرهای غیربهینه یا تکراری توسط محاسبات مستقل فرآیند بهینه‌سازی، محاسبات بهینه‌سازی در هر سطح براساس نتایج بهینه‌سازی سطح قبلی انجام شده است. نتایج هر سطح از بهینه‌سازی و هزینۀ فاصلۀ استفاده‌شده برای بهینه‌سازی در شکل (8) نشان داده شده است.

مطابق با شکل (8) هر شاخص اتصال هیدرولوژیکی روند افزایشی را با افزایش سطح بهینه‌سازی نشان می‌دهد که در‌ میان آنها، m، n، β و γ روند صعودی تقریباً یکسانی را پس از بهینه‌سازی نشان می‌دهند. به‌طوری‌که درجه افزایش β و γ با سطح بهینه‌سازی افزایش می‌یابد. پنج سطح گره و یال بهینه‌شده به‌ترتیب در‌مجموع تا 403 گره و 406 یال افزایش یافت. شاخص β از 933/0 در شبکۀ اتصال هیدرولوژیکی پایه به 938/0 در‌سطح 5 بهینه‌سازی افزایش یافت. همچنین، شاخص γ از 331/0 به 333/0 افزایش، شاخص IIC از 666/5 به 264/3 کاهش و شاخص PC از 151/1 به 161/1 افزایش یافت. طبق نتایج به‌دست‌آمده شاخص IIC روند افزایشی را در چهار سطح اول داشته است؛ اما در‌سطح 5 بهینه‌سازی کاهش چشمگیری داشته است که دلیل آن را می‌توان به افزایش تعداد بیش ‌از حد آبراهه (می‌تواند پیوستگی هیدرولوژیکی را تحت‌تأثیر قرار دهد) نسبت داد که با نتایج سایر محققانTain et al.  (2022) مطابقت دارد. در حالت کلی، افزایش یال و گره از یک مقدار مشخص اتصال هیدرولوژیکی را کاهش داده است یا به‌عبارتی، با افزایش سطح بهینه‌سازی از 4 به 5 مقاومت کلی اتصال هیدرولوژیکی در‌ حوزۀ آبخیز با کاهش جزئی همراه خواهد بود.

به‌طور کلی، در بهینه‌سازی اگر گره‌ها از قبل در تقاطع یال رودخانه بهینه‌سازی شده باشند و شبکۀ اصلی وجود داشته باشد، تعداد عناصر اضافه‌شده بر این اساس کاهش می‌یابد. هرچه اتصال شبکه با افزودن یال رودخانۀ بهینه‌سازی‌شده بهتر باشد، تعداد عناصر اضافه‌شده کمتر خواهد بود (Guo et al., 2021, P. 187). طبق نتایج، معیار‌های β و γ نشان داد که پیچیدگی داخلی شبکۀ مسیر با سطح بهینه‌سازی افزایش می‌یابد. افزایش سطح بهینه‌سازی باعث افزایش تعداد مسیرهای اتصال آب در‌ حوزۀ آبخیز و پیچیدگی شبکۀ رودخانه می‌شود. در‌مجموع، اتصال کلی روند افزایشی داشته است؛ البته مقدار آن پس از چهار سطح بهینه‌سازی به‌صورت ناگهانی افزایش پیدا می‌کند. در‌مقابل، شاخص پیوستگی هیدرولوژیکی (IIC) افزایش یافته است؛ اما یک روند کاهشی را پس از سطح 4 داشته است (شکل 8). بنابراین مناسب است اتصال هیدرولوژیکی در‌ حوزۀ آبخیز سامیان تا سطح 4 بهینه شود. نتایج به‌دست‌آمده با یافته‌هایTian et al.  (2022) مطابقت دارد که در این مطالعه نیز یک حدی برای افزایش سطح بهینه‌سازی گزارش شده است.

از‌طرفی، یافته‌های پژوهش حاضر با نتایج برخی از مطالعات (Sun et al., 2021; Jahanishakib et al., 2021) مطابقت ندارد. دلیل آن را می‌توان به تعداد یال و گره مربوط برای مناطق کوچک مانند حوزۀ آبخیز‌های کشاورزی نسبت داد. این محققان گزارش کردند که افزایش تعداد یال و گره منجر به افزایش پیوستگی می‌شود.

شکل 8: نتایج بهینه‌سازی اتصال هیدرولوژیکی در‌حوزۀ آبخیز سامیان (منبع: یافته‌های پژوهش، 1402)

Figure 8: The results of optimization of hydrological connectivity in the Samian watershed

نتایج حاصل از تکامل مرکز ثقل برای سطح‌های مختلف بهینه‌سازی

نتایج حاصل از تغییر مرکز ثقل به‌منظور محاسبۀ مسیرهای جابه‌جایی مرکز ثقل برای مناطق مقاومت مختلف و سطح‌های اتصال بهینه شدۀ رودخانه در شکل (9) ارائه شده است. طبق نتایج به‌دست‌آمده فاصلۀ مهاجرت از نقطۀ پایه به سطح 1 بهینه‌سازی 05/6620 متر بوده است. در‌ادامه، فاصلۀ مهاجرت از سطح 1 به سطح 2 بهینه‌سازی 14/8550 متر و درنهایت، انتقال از سطح 2 به سطح 3 فاصلۀ مهاجرت به 28/6464 متر رسید. جهت حرکت در این سه سطح به سمت جنوب بوده است؛ اما جهت حرکت در‌سطح‌های بهینه‌سازی 4 و 5 به سمت شمال بوده است. بیشترین فاصلۀ مهاجرت مربوط به منطقۀ مقاومت سطح 5 بود که 43/14354 متر به سمت شمال حرکت کرد. در حالت کلی طبق نتایج به‌دست‌آمده در سه سطح بهینه‌سازی جهت مهاجرت مرکز ثقل به سمت جنوب بوده و در 2 سطح آخر به سمت شمال و حول نقطۀ ثقل پایه در حرکت است. در همین زمینه، طبق بررسی سطح‌های مختلف بهینه‌سازی اتصال در چین جهت مهاجرت هر پنج سطح بهینه‌سازی بیشتر یکسان بوده و همه در جهت جنوبی به‌ دست آمده است Tain et al., 2022)).

شکل 9: مهاجرت مرکز ثقل در سطح مختلف بهینه‌سازی در رودخانۀ حوزۀ آبخیز سامیان (منبع: یافته‌های پژوهش، 1402)

Figure 9: Barycenter migration at the different optimization levels in the river of Samian watershed

 نتیجه‌گیری

نتایج حاصل از ارزیابی و بهینه‌سازی اتصال هیدرولوژیکی برای محافظت از پهنه‌های آبی آسیب‌پذیر و گسسته در‌حوزۀ آبخیز و نیز برای بهبود فرآیندهای بوم‌شناختی در پهنه‌های آبی حائز اهمیت هستند. بر همین اساس، در پژوهش حاضر چارچوبی برای ارزیابی و بهینه‌سازی اتصال ساختارهای هیدرولوژیکی طبیعی و مصنوعی در‌مقیاس حوزۀ آبخیز با استفاده از تئوری‌های گراف و دودوئی تهیه شد. تجزیه‌و‌تحلیل مکانی فاصلۀ هزینه و مرکز ثقل در‌حوزۀ آبخیز در پنج سطح بهینه‌سازی نیز انجام شد. طبق نتایج شاخص‌های اتصال ساختاری تا سطح بهینه‌سازی 4 با افزایش سطح بهینه‌سازی تمایل به افزایش داشتند. بر همین اساس، پیشنهاد می‌شود که اتصال هیدرولوژیکی در‌سطح اول بهینه‌سازی در رودخانۀ حوزۀ آبخیز سامیان ضروری است و بهینه‌سازی در‌سطح سوم نیز می‌تواند مقرون به صرفه‌تر باشد.

References

منابع

حزباوی، زینب، بابایی، لیلا، زارعی، شیرین، علائی، نازیلا، و ملکیان، راحله (1401). ناهمگونی فضایی امنیت اکولوژیکی آبخیز سامیان، استان اردبیل. برنامه‌ریزی منطقه‌ای، 12(48)، 77-94.
https://doi.org/10.30495/jzpm.2021.27360.3853
راثی ‌نظامی، سعید، ایزدی فرد، هادی، خاوریان، حسن، و مصطفی‌زاده، رئوف (1402). تغییرات کاربری/پوشش ‌اراضی حوضۀ سامیان و ارتباط آن با کیفیت منابع آب سطحی. محیط زیست و مهندسی آب، 9(3)، 413-426.
https://doi.org/10.22034/jewe.2022.341548.1783
علائی، نازیلا، مصطفی‌زاده، رئوف، اسماعیلی، اباذر، شرری، معراج، و حزباوی زینب (1398). ارزیابی و مقایسۀ پیوستگی سیمای سرزمین در‌‌حوزۀ آبخیز کوزه‌تپراقی استان اردبیل. بوم‌شناسی کاربردی، ۸(۴)، 19-34.
http://dx.doi.org/10.47176/ijae.8.4.2572
مرادزاده، وحیده، حزباوی، زینب، اسماعیلی ‌عوری، اباذر، مصطفی‌زاده، رئوف، زارعی، شیرین، و علائی، نازیلا (1401). ارزیابی ناهمگونی فضایی شاخص آشفتگی هیدرورسوب‌شناسی در زیرحوضه‌های سامیان. هیدروژئومورفولوژی، 9(31)، 117-136. https://doi.org/10.22034/hyd.2022.51186.1634
مصطفی‌زاده، رئوف، و مهری، سونیا (1397). تعیین وضعیت و تغییرات شاخص فصلی بارش در بخش مرکزی استان اردبیل. پژوهش‌های آبخیزداری، 31(3)، 28-39.
https://doi.org/10.22092/wmej.2018.121560.1109
مهدویان، شیرین، زینالی، بتول، و صلاحی، برومند (1401). پایش تغییرات کاربری ‌اراضی و ارتباط آن با دمای سطح ‌زمین و شاخص پوشش‌گیاهی در نواحی جنوبی استان اردبیل (مطالعۀ موردی: حوضۀ آبریز گیوی چای). سنجش ‌از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، 13(4)، 21-48.
https://doi.org/10.30495/girs.2022.686395
نصیری ‌خیاوی، علی، مصطفی‌زاده، رئوف، اسمعلی‌عوری، اباذر، غفارزاده، امید، و گلشن، محمد (1398). تغییر شاخص‌های هیدرولوژیک جریان رودخانۀ بالخلوچای ناشی از تأثیر ترکیبی تغییر مؤلفه‌های اقلیمی و احداث سد یامچی اردبیل با استفاده از رویکرد دامنۀ تغییرپذیری. مهندسی و مدیریت آبخیز، 11(4)، 851-865.
https://doi.org/10.22092/ijwmse.2018.116873.1413
 
References
Alaei, N., Mostafazadeh, R., EsmaliOuri, A., Sharari, M., & Hazbavi, Z. (2020). Assessment and comparison of landscape connectivity in KoozehTopraghi watershed, Ardabil province Iranian. Journal Of Applied Ecology, 8(4), 19-34. http://dx.doi.org/10.47176/ijae.8.4.2572 [In Persian].
Baranyi, G., Saura, S., Podanic, J., & Jord, J. (2011). Contribution of habitat patches to network connectivity: Redundancy and uniqueness of topological indices. Ecological Indicators, 11(5), 1301–1310. https://doi.org/10.1016/j.ecolind.2011.02.003
Bodin, Ö. (2009). Ecological topology and networks (S. Meyers, Ed.). Encyclopedia of complexity and system science. http://dx.doi.org/10.1007/978-0-387-30440-3_164
Borselli, L., Cassi, P., & Torri, D.S. (2008). Prolegomena to sediment and flow connectivity in the landscape: A GIS and field numerical assessment. Catena, 75(3), 268–277. http://dx.doi.org/10.1016/j.catena.2008.07.006
Bunn, A.G., Urban, D.L., & Keitt, T.H. (2000). Landscape connectivity: A conservation application of graph theory. Journal of Environmental Management, 59(4), 265–278. http://dx.doi.org/10.1006/jema.2000.0373
Chen, W., He, B., Nover, D., Lu, H., Liu, J., Sun, W., & Chen, W. (2019). Farm ponds in southern China: Challenges and solutions for conserving a neglected wetland ecosystem. Science of The Total Environment, 659, 1322–1334. http://dx.doi.org/10.1016/j.scitotenv.2018.12.394
Dai, L., Liu, Y., & Luo, X. (2021). Integrating the MCR and DOI models to construct an ecological security network for the urban agglomeration around poyang lake, China. Science of The Total Environment, 754, 141868. http://dx.doi.org/10.1016/j.scitotenv.2020.141868
Eros, T., Schmera, D., & Schick, R.S. (2011). Network thinking in riverscape conservation – A graph-based approach. Biological Conservation, 144(1), 184-192. http://dx.doi.org/10.1016/j.biocon.2010.08.013
Guo, H., Yu, Q., Pei, Y., Wang, G., & Yue, D. (2021). Optimization of landscape spatial structure aiming at achieving carbon neutrality in desert and mining areas. Journal of Cleaner Production, 322, 129156. http://dx.doi.org/10.1016/j.jclepro.2021.129156
Hazbavi, Z., Babaei, L., Zareie, SH., Alaei, N., & Malekian, R. (2023). Spatial heterogeneity of ecological security of atesamian wrshed, Ardabil province. Journal of Regional Planning, 12(48), 77-94. https://doi.org/10.30495/jzpm.2021.27360.3853 [In Persian].
Hermoso, V., Linke, S., Prenda, J., & Possingham, H.P. (2011). Addressing longitudinal connectivity in the systematic conservation planning of fresh waters. Freshwater Biology, 56(1), 57–70. http://dx.doi.org/10.1111/j.1365-2427.2009.02390.x
Jahanishakib, F., Salmanmahiny, A., Mirkarimi, SH., & Poodat, F. (2021). Hydrological connectivity assessment of landscape ecological network to mitigate development impacts. Journal of Environmental Management, 296, 113169. http://dx.doi.org/10.1016/j.jenvman.2021.113169
Jordán, F., Báldi, A., Orci, K.M., Rácz, I., & Varga, Z. (2003). Characterizing the importance of habitat patches and corridors in maintaining the landscape connectivity of a Pholidoptera transsylvanica (Orthoptera) metapopulation. Landscape Ecology, 18, 83–92. http://dx.doi.org/10.1023/A:1022958003528
Keitt, T.H., Urban, D.L., & Milne, B.T. (1997). Detecting critical scales in fragmented landscapes. Conservation Ecology, 1(1), 4. http://www.consecol.org/vol1/iss1/art4
Lathouri, M., England, J., Dunbar, M.J., Hannah, D.M., & Klaar, M. (2021). A river classification scheme to assess macroinvertebrate sensitivity to water abstraction pressures. Water and Environment Journal, 35(4), 1226–1238. http://dx.doi.org/10.1111/wej.12712
Li, W., Li, H., Zhou, D., Gong, Z., Zhang, L., & Wang, Q. (2020). Modelling hydrological connectivity in the marine-freshwater interaction in the Yellow River estuary of China. Wetlands, 40, 2825–2835. http://dx.doi.org/10.1007/s13157-020-01285-6
Li, Z., Sun, W., Chen, H., Xue, B., Yu, J., & Tian, Z. (2021). Interannual and seasonal variations of hydrological connectivity in a large shallow wetland of north china estimated from landsat 8 images. Remote Sensing, 13(6), 1214. http://dx.doi.org/10.3390/rs13061214
Li, Z., Wei, C., Zhou, J., & Yang, F. (2023). Temporal and spatial changes of hydrographic connectivity with the development of agriculture industry and urban areas: A case study of the Yellow River Basin in Henan province during the last two decades. Water, 15(24), 4245. http://dx.doi.org/10.3390/w15244245
Mahdavian, SH., Zeynali, B., & Salahi, B. (2022). Monitoring land use changes and its relationship with land surface temperature and vegetation index in the southern areas of Ardabil province (Case study: Kiwi chay catchment). Journal of RS & GIS for Natural Resources, 13(4), 21-48. https://doi.org/10.30495/girs.2022.686395 [In Persian].
Moradzadeh, V., Hazbavi, Z., Esmali Ouri, A., Mostafazadeh, R., Rodrigo-Comino, J., Zareie, S., & Fernández-Raga, M. (2024). A multifunctional conceptual framework for ecological disturbance assessment. Earth Systems And Environment, 1-19. http://dx.doi.org/10.1007/s41748-024-00407-y
Moradzadeh, V., Hazbavi, Z., EsmaliOuri, A., Mostafazadeh, R., Zarei, SH., & Alaei, N. (2022). Assessment of spatial heterogeneity of hydro-sedimentological disturbance index in the samian sub-watersheds. Hydrogeomorphology, 9(31), 117-136. http://dx.doi.org/10.22034/hyd.2022.51186.1634 [In Persian].
Mostafazadeh, R., & Mehri, S. (2018). Determination of the precipitation regime and the seasonality index variations in the central part of the Ardabil province. Journal Of Watershed Management Research, 31(3), 28-39. http://dx.doi.org/10.22092/WMEJ.2018.121560.1109 [In Persian].
Nasiri Khiavi, A., Mostafazadeh, R., Esmali Ouri, A., Ghafarzadeh, O., & Golshan, M. (2019). Alteration of hydrologic flow indicators in Ardabil Balikhlouchai river under combined effects of change in climatic variables and Yamchi Dam construction using range of variability approach. Journal of Watershed Engineering and Management, 11(4), 851-865. http://dx.doi.org/10.22092/IJWMSE.2018.116873.1413 [In Persian].
Rasi Nezami, S., Izadifard, H., Khavarian, H., & Mostafazadeh, R. (2023). Land use/land cover changes in the samian watershed Ardabil and its relationship with the quality of surface water resources. Environment and Water Engineering, 9(3), 413-426. https://doi.org/10.22034/jewe.2022.341548.1783 [In Persian].
Rasoulzadeh, A., Mostafazadeh, R., Mobaser, J. A., Alaei, N., Hazbavi, Z., & Kisi, O. (2023). Quantifying landscape Pattern–Hydrological process linkage in northwest Iran. Atmosphere, 14(12), 1814. http://dx.doi.org/10.3390/atmos14121814
Reid, M.A., Reid, M.C., & Thoms, M.C., (2016). Ecological significance of hydrological connectivity for wetland plant communities on a dryland floodplain river MacIntyre river Australia. Aquatic Sciences, 78(1), 139–158. http://dx.doi.org/10.1007/s00027-015-0414-7
Ricotta, C., Stanisci, A., Avena, G.C., & Blasi C. (2000). Quantifying the network connectivity of landscape modaics: A graph-theoretical approach. Community Ecology, 1, 89–94. http://dx.doi.org/10.1556/ComEc.1.2000.1.12
Rinaldo, A., Gatto, M., & Rodriguez-Iturbe, I. (2018). River networks as ecological corridors: A coherent ecohydrological perspective. Advances in Water Resources, 112, 27–58. http://dx.doi.org/10.1016/j.advwatres.2017.10.005
Saura, S., & Pascual-Hortal, L. (2007). A new habitat availability index to integrate connectivity in landscape conservation planning: Comparison with existing indices and application to a case study. Landscape and Urban Planning, 83, 91–103. http://dx.doi.org/10.1016/j.landurbplan.2007.03.005
Sun, C., Chen, L., Zhu, H., Xie, H., Qi, S., & Shen, Z. (2021). New framework for natural-artificial transport paths and hydrological connectivity analysis in an Agriculture-Intensive catchment. Water Research, 196, 117015. http://dx.doi.org/10.1016/j.watres.2021.117015
Tian, N., Zhang, Y., Li, J., Du, W., Liu, X., Jiang, H., & Bian, H. (2022). Evaluation and optimization of hydrological connectivity based on graph theory: A case study in dongliao river basin, China. Water, 14(23), 3958. http://dx.doi.org/10.3390/w14233958
Wang, Q., Liu, Y., Zhang, Y., Tong, L., Li, X., Li, J., & Sun, Z. (2019). Assessment of spatial agglomeration of agricultural drought disaster in China from 1978 to 2016. Scientific Reports, 9(14393), 1–8. https://www.nature.com/articles/s41598-019-51042-x
Xingyuan, Z., Fawen, L., & Yong, Z. (2023). Impact of changes in river network structure on hydrological connectivity of watersheds. Ecological Indicators, 146, 109848. http://dx.doi.org/10.1016/j.ecolind.2022.109848
Yu, Z., Lu, M., Xu, Y., Wang, Q., Lin, Z., & Luo, S. (2023). Network structure and stability of the river connectivity in a rapidly urbanizing region. Science of The Total Environment, 894, 165021.‏ http://dx.doi.org/10.1016/j.scitotenv.2023.165021
 
 
Spatial Planning
Volume 14, Issue 3 - Serial Number 54
October 2024
Pages 115-138

Files

History

  • Receive Date: 24 September 2023
  • Revise Date: 18 June 2024
  • Accept Date: 29 July 2024

Share

How to cite

Statistics