نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه جغرافیا و برنامه ریزی شهری، دانشکده ادبیات و علوم انسانی، دانشگاه شهید باهنر کرمان، کرمان، ایران
2 استادیار، گروه جغرافیا و برنامهریزی شهری، دانشگاه شهید باهنرکرمان، کرمان، ایران
3 دانشجوی کارشناسی ارشد مخاطرات محیطی، دانشگاه شهید باهنرکرمان، کرمان، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Groundwater resources are an important natural resource for domestic, agricultural, and industrial use. Today, due to the population growth as well as agricultural, and industrial development, the demand for groundwater use has increased dramatically. Climate changes, repeated droughts, and the risk of surface water pollution as a result of human and industrial activities are other important factors in the human interest in using groundwater resources. However, the unplanned use of groundwater disrupts the natural nutrient balance of aquifers. The accumulation and movement of groundwater in an area depend on various factors such as geology, tectonics, soil type, geomorphological characteristics of the region, drainage pattern, land use, and the relationship between such factors. The tectonic factor is one of the most important factors in the concentration of groundwater resources. Earth faults and fractures, known as tectonic faults, cause more and more surface water to penetrate into the earth's crust and feed the groundwater aquifers. Therefore, the identification of tectonic faults is one of the important cases in the study of groundwater resources. Kerman province, and especially its northern and northwestern cities, due to the increasing expansion of pistachio orchards, has faced an increase in the extraction of groundwater resources and water scarcity is one of the most important problems in the region. Sirjan city is also one of the areas that needs the identification of new groundwater resources. Therefore, in this study, an attempt has been made to process Sentinel 2 multispectral images and Fuzzy-AHP methods, which are among the multi-criteria decision analysis techniques. The maps of the various factors influencing the creation of groundwater aquifers have been prepared in the GIS environment. The maps were weighed and combined to identify suitable areas with good potential. The main difference between this method and the AHP method is the difference in the method of weighting criteria and options so that in this method, the weighting is done as fuzzy.
Methodology
The textural analysis consists of quantifying the different gray levels of the image in terms of roughness and their distribution. The contextual analysis technique makes it possible to highlight image dissimilarities or homogeneous zones. There are several methods for textural analysis including structural, statistical, study-based methods, and fractal methods. In this study, a statistical approach known as Grey Level Co-occurrence Matrix (GLCM) proposed by Haralick (1979) was adopted. It allows the identification and selection of the parameters that best define the elements from the measurement of the gray tone distributions. The factors are the mean, variance, homogeneity, contrast, dissimilarity, entropy, second moment, and correlation. These factors have many applications in geological and topographic studies. In this study, these factors were used in the analysis of the main components and then in the filtering operation to extract tectonic faults. Lineaments are related to fractures and lithological boundaries and in some cases to geomorphic relief. Thus, lineaments appear on the image with a tonal difference. The Fuzzy-AHP method was first proposed by Chang (1996, p. 649).
Discussion
The textural analysis was performed on the Sentinel 1 radar image of the study area. The result were 8 images of different co-occurrence indices. Figure 3 in the text shows the images mean, variance, homogeneity, contrast, dissimilarity, entropy, second moment, and correlation. In order to extract tectonic faults, the analysis of the principle components on eight co-occurrence factors was performed. Since the first principle component contains about 90% of the image information, it shows the major structural features of the image. In order to reduce the noise and increase structural information as much as possible, the first main component was multiplied. In order to extract tectonic lines, the oriented filter was applied to the conjugate image of the first main component at zero, 45, 90, and 135 degree angles. In this way, the north-south, northeast-southwest, east-west, and southeast-northwest directions were highlighted, respectively. Figure 6 in the text shows the effective factors in the potential assessment. In order to achieve the final map of the potential of groundwater resources in the fuzzy hierarchical method, each criterion must first be weighed and merged accordingly. Table 2 in the text shows the binary comparison matrix of criteria. Accordingly, the lithological criterion with a weight of 0.378 has the most effective factor and the vegetation criterion with a weight of 0.043 has the least effect on the concentration of groundwater resources. About 3 percent of the study area is in the very good category (228 square kilometers), 11 percent in the good category (836 square kilometers), 52 percent in the average category (4016 square kilometers), 29 percent in the low category (2252 square kilometers), and 5 percent in the very low category (396 square kilometers). Very good and good areas are mostly in the foothills to the highlands of the study area.
Conclusion
The results of the grey level co-occurrence matrix method show the capability of this method in extracting tectonic lines. In addition, the higher spatial resolution of the Sentinel 1 radar images than the available optical images makes the separation and detection of tectonic lines better. By combining the effective layers in the concentration of groundwater, the study area was potentialized in terms of the existence of groundwater reserves. The results show that about 14% of the study area has good potential (mostly located in foothills and within calcareous and alluvial rocks) in this area. Due to the declining quality of water resources in existing wells, the identified areas with a good and very good potential can be explored specifically for new water resources.
Keywords: Potential Assessment, Groundwater Resources, Remote Sensing, Fuzzy-AHP, Sirjan Basin.
References
- Agarwal, E., Rajat, A., Garg, R. D., & Garg, P. K. (2013). Delineation of Groundwater Potential Zone: An AHP/ANP Approach. Journal of Earth System Science, 122(3), 887-898.
- Andualem, T. G., & Demeke, G. G. (2019). Groundwater Potential Assessment Using GIS and Remote Sensing: A Case Study of Guna Tana Landscape, Upper Blue Nile Basin, Ethiopia. Journal of Hydrology: Regional Studies, 24,100610.
- Azadikhah, A., Bouzari, S., Yassaghi, A., & Emami, M. H. (2015). Formation of Extensional Basin in Internal Part of the Zagros Orogeny in West of Sirjan, Iran. Open Journal of Geology, 5, 821-827.
- Baharvand, S., Rahnamarad, J., & Soori, S. (2016). Delineation of Groundwater Recharge Potential Zones Using Weighted Linear Combination Method (Case Study: Kuhdasht Plain, Iran). Journal of Geotechnical Geology, 12(2), 119-125.
- Celik, R. (2019). Evaluation of Groundwater Potential by GIS-Based Multicriteria Decision Making as a Spatial Prediction Tool: Case Study in the Tigris River Batman-Hasankeyf Sub-Basin, Turkey. Water Journal, 11, 2630.
- Cesar, S., Hedwige, C., Guimolaire, D., Ernestine, M., Etouna, J., Njandjock, P., & Nyeck, B. (2018). Radarsat-1 Image Processing for Regional-Scale Geological Mapping with Mining Vocation under Dense Vegetation and Equatorial Climate Environment, Southwestern Cameroon. The Egyptian Journal of Remote Sensing and Space Sciences, 21, S43–S54.
- Chang, D. Y. (1996). Applications of the Extent Analysis Method on fuzzy AHP. European Journal of Operational Research, 95(3), 649-655.
- Chang, J., Tian, J., Zhang, Z., Chen, X., Chen, Y., Chen, S., & Duan, Z. (2018). Changes of Grassland Rain Use Efficiency and NDVI in Northwestern China from 1982 to 2013 and Its Response to Climate Change. Water Journal, 10(11), 1-20.
- Chaudhry, A. K., Kumar, K., & Alam, M. A. (2019). Mapping of Groundwater Potential Zones Using the Fuzzy Analytic Hierarchy Process and Geospatial Technique. Geocarto International Journal, 14(3), 117-127.
- Das, S. (2017). Delineation of Groundwater Potential Zone in Hard Rock Terrain in Gangajalghati Block, Bankura District, India Using Remote Sensing and GIS Techniques. Journal of Modeling Earth Systems and Environment, 3(4), 1589-1599.
- Domingos, P., Sangam, S., Mukand, B., & Sarawut, N. (2017). Delineation of Groundwater Potential Zones in the Comoro Watershed, Timor Leste Using GIS, Remote Sensing, and Analytic Hierarchy Process (AHP) Technique. Journal of Applied Water Science, 7(1), 503-519.
- Haralick, R. M. (1979). Statistical and Structural Approaches to Texture. Proc. IEEE, 67(5), 786–804.
- Helena, B., Pardo, R., Vega, M., Barrado, E., Fernandez, J. M., & Fernandez, L. (2000). Temporal Evolution of Groundwater Composition in an Alluvial Aquifer (Pisuerga River, Spain) by Principal Component Analysis. Journal of Water Resources, 34, 807–816.
- Jain, A. K., & Tuceryan, M. (1992). Texture Analysis. Chapter 11 in the Handbook of pattern recognition and Computer Vision by C. H. Chen 1992, 315.
- Javhar, A., Chen, X., Bao, A., Jamshed, A., Yunus, M., Jovid, A., & Latipa, T. (2019). Comparison of Multi-Resolution Optical Landsat-8, Sentinel-2, and Radar Sentinel-1 Data for Automatic Lineament Extraction: A Case Study of Alichur Area, SE Pamir. Remote Sensing Journal, 11, 778-789.
- Jenifer, M. A., & Jha, M. K. (2017). Comparison of Analytic Hierarchy Process, Catastrophe and Entropy Techniques for Evaluating Groundwater Prospect of Hard-Rock Aquifer Systems. Journal of Hydrology, 548, 605-624.
- Khosroshahizadeh, S., Pourkermani, M., Almasian, M., Arian, M., & Khakzad, A. (2016). Lineament Patterns and Mineralization Related to Alteration Zone by Using ASAR-ASTER Imagery in Hize Jan-Sharaf Abad Au-Ag Epithermal Mineralized Zone (East Azarbaijan—NW Iran). Open Journal of Geology, 6(4), 232-250.
- Lee, S., & Lee, C. W. (2015). Application of Decision-Tree Model to Groundwater Productivity Potential Mapping. Journal of Sustainability, 7, 13416–13432.
- Masoumi, F., Eslamkish, T., Abkar, A. A., Honarmand, M., & Harris, J. R. (2017). Integration of Spectral, Thermal, and Textural Features of ASTER Data Using Random Forests Classification for Lithological Mapping. Journal of African Earth Sciences 129, 445-457.
- Oh, H., Kim, Y., Choi, J., Park, E., & Lee, S. (2011). GIS Mapping of Regional Probabilistic Groundwater Potential in the Area of Pohang City, Korea. Journal of Hydrology, 399(3-4) 158-172.
- Pourtaghi, Z. S., & Pourghasemi, H. R. (2014). GIS-based Groundwater Spring Potential Assessment and Mapping in the Birjand Township, Southern Khorasan Province, Iran. Hydrogeology Journal, 22(3), 643-662.
- Rajasekhar, M., Raju, G. S., Sreenivasulu, Y., & Raju, R. S. (2019). Delineation of Groundwater Potential Zones in Semi-arid Region of Jilledubanderu River Basin, Anantapur District, Andhra Pradesh, India using Fuzzy Logic, AHP, and Integrated Fuzzy-AHP Approaches. Hydro Research, 2, 97–108.
- Sukumar, M., & Selva, M. S. (2015). Discriminating Lineaments from the Aster Image by Analyzing the Object Properties. International Journal of Advanced Technology Energy Sciences, 3(1), 2348–7550.
- Tseng, M. L., Lin, Y. H., Chiu, A. S. F., & Chen, C. Y. (2008). Fuzzy AHP Approach to TQM Strategy Evaluation. IEMS Journal, 7(1), 34–43
کلیدواژهها [English]
مقدمه
منابع آب زیرزمینی، یکی از منابع طبیعی مهم برای استفاده در مصارف خانگی، کشاورزی و صنایع است. امروزه به دلیل رشد جمعیت، گسترش کشاورزی و صنعت، تقاضای استفاده از آب زیرزمینی بهطور چشمگیری افزایش یافته است. تغییرات آبوهوایی، خشکسالیهای پیدرپی و خطر آلودگی آبهای سطحی درنتیجة فعالیتهای انسانی و صنعتی، از دیگر عوامل مهم در علاقة بشر به استفاده از منابع آب زیرزمینی محسوب میشود (صداقت، 1385: 130)؛ با این حال استفادة بدون برنامهریزی از آبهای زیرزمینی تعادل تغذیة طبیعی سفرههای آب را مختل میکند. تجمع و حرکت آبهای زیرزمینی در یک منطقه تابع عوامل مختلفی نظیر زمینشناسی، تکتونیک، نوع خاک، ویژگیهای ژئومورفولوژیکی منطقه، الگوی زهکشی و کاربری زمین و ارتباط بین این عوامل است (قربانینژاد و همکاران، 1396: 62).
عامل تکتونیک، یکی از مهمترین عوامل مؤثر بر تمرکز منابع آب زیرزمینی است. گسلها و شکستگیهای سطح زمین با عنوان «خطوارههای تکتونیکی» موجب نفوذ هرچه بیشتر آبهای سطحی به درون لایههای زمین و تغذیة سفرههای آب زیرزمینی میشوند؛ از این رو شناسایی خطوارههای تکتونیکی، یکی از عوامل مهم در بررسی منابع آب زیرزمینی محسوب میشود.
تاکنون پژوهشهای سنجش از دور زیادی درزمینة شناسایی این عامل انجام گرفته است (Sukumar and Selva, 2015: 34; Khosroshahizadeh et al., 2016: 232; Javhar et al., 2019: 778) که تقریباً تمامی آنها از تصاویر چندطیفی و نوری برای بارزسازی ساختارهای تکتونیکی استفاده کردهاند. از آنجایی که مطالعات جدید نشاندهندة بیشتربودن دقت دادههای راداری در بررسی خطوارههای تکتونیکی است (Cesar et al., 2018: 43)، در این پژوهش از این تصاویر برای شناسایی و بررسی شکستگیها و گسلهای منطقة مدنظر استفاده شد.
تاکنون روشهای مختلفی برای پتانسیلیابی منابع آب زیرزمینی به کار گرفته شده است؛ مانند روش آنالیز مؤلفههای اصلی (PCA) (Helena et al., 2000: 807)، روش درخت تصمیم (Lee and Lee, 2015: 13416) و مدل رگرسیون خطی (Pourtaghi and Pourghasemi, 2014: 643) که بیشتر مبتنی بر تکنیکهای آماری چندمتغیرهاند. تکنیک آنالیز تصمیمگیری چندمعیاره[1]، یکی از روشهای ساده، مؤثر، شفاف و قابل اعتماد بهمنظور تلفیق عوامل مختلف برای اهداف خاص در نظر گرفته میشود (Jenifer and Jha, 2017: 605).
پژوهشگران زیادی از GIS برای تشخیص مناطق دارای پتانسیل مناسب آب زیرزمینی در مناطق خود استفاده کردهاند؛ ازجمله:
آبشیرینی و همکاران (1387) پتانسیلیابی منابع آب زیرزمینی را در محدودة طاقدیس پابده با استفاده از روش همپوشانی شاخص وزنی در محیط GIS انجام دادهاند. عوامل مؤثر بر پتانسیلیابی در این پژوهش، نوع سازندهای زمینشناسی، میزان شکستگیها، وضعیت زهکشی، ارتفاع و شیب منطقه در نظر گرفته شده است. نتایج بهدستآمده نشاندهندة دقت زیاد روش یادشده در پتانسیلیابی منابع آب زیرزمینی است؛ ولی یکی از نقایص این پژوهش، لحاظنکردن لایة بارندگی در کار است.
صابری و همکاران (1391) پتانسیلیابی منابع آب زیرزمینی را در طاقدیس کمستان استان خوزستان به روش تحلیل سلسلهمراتبی انجام دادند. براساس نتایج بهدستآمده حدود 50 درصد از مساحت منطقه برای استخراج آب زیرزمینی پتانسیل خیلی زیاد و زیاد، و روش استفادهشده با وجود کارایی خوب به دلیل لحاظنکردن میزان تأثیر متفاوت درونلایهای هریک از عوامل بهتنهایی دقت کمی دارد.
رحیمی و موسوی (1392) منابع آب زیرزمینی حوضة آبخیز شاهرود- بسطام را با استفاده از تکنیکهای GIS پتانسیلیابی کردند. نتایج کار آنها نشاندهندة زیادبودن پتانسیل استخراج منابع آب زیرزمینی از مخروطافکنههای هولوسن و رسوبات درشتدانة کواترنری موجود در محدودة پژوهش است.
مفیدیفر و همکاران (1393) منابع آب زیرزمینی حوضة یزد- اردکان را با استفاده از روش تصمیمگیری تحلیل سلسلهمراتبی پتانسیلیابی کردند. براساس نتایج پژوهش آنها، حدود 70 درصد از مساحت منطقه پتانسیل خیلی خوب و خوب بهلحاظ آب زیرزمینی دارد.
رضایی مقدم و همکاران (1395) حوضة آبریز منتهی به دشت تبریز را بهلحاظ منابع آب زیرزمینی با استفاده از روش تحلیل شبکه پتانسیلیابی کردند. براساس نتایج، دو عامل بارش و زمینشناسی بیشترین نقش را در پتانسیلیابی منابع آب منطقه دارد و پهنههای با پتانسیل زیاد آب زیرزمینی بر رسوبات کواترنری و ارتفاعات پایین منطبق است؛ متأسفانه در این پژوهش، عامل خطوارههای تکتونیکی و وضعیت شکستگیهای منطقه بهخوبی بررسی نشده است.
قربانینژاد و همکاران (1396) با استفاده از مدل نسبت فراوانی در محیط GIS، مدلی قابل اعتماد در پتانسیلیابی منابع آب زیرزمینی دشت ازنا- الیگودرز ایجاد کردند.
اوه و همکاران[2] (2011) پتانسیلیابی منابع آب زیرزمینی شهر پوهانگ[3] کره را با استفاده از سیستم اطلاعات جغرافیایی انجام دادند. نتایج نشان داد دقت نقشة بهدستآمده بیش از 77 درصد است؛ همچنین لایة خاک بیشترین اثر و ارتفاع کمترین اثر را بر پتانسیلیابی منابع آب زیرزمینی آن منطقه دارد.
آگاروال و همکاران[4] (2013) با استفاده از فرایند تحلیل شبکهای در منطقة اونائوی[5] کشور هندوستان، پتانسیلیابی آبهای زیرزمینی را انجام دادند. نتایج این پژوهش نشان داد حدود 25 درصد از مساحت منطقه پتانسیل خیلی خوب و خوب ازنظر آب زیرزمینی دارد.
دومینگوس و همکاران[6] (2017) با استفاده از سنجش از دور، GIS و فرایند تحلیل سلسلهمراتبی، منابع آب زیرزمینی حوضة کومورو[7] واقع در تیمور شرقی را پتانسیلیابی کردند. براساس نتایج، دشت آبرفتی واقع در شمال غرب منطقه پتانسیل خیلی خوبی دارد.
داس[8] (2017) با استفاده از RS و GIS، منابع آب زیرزمینی شمال غرب بنگال را پتانسیلیابی کرد. وی محدودههای تشکیلشده از سنگ آهک را برای پتانسیل آب زیرزمینی بسیار مناسب تشخیص داد.
در استان کرمان و بهطور خاص در شهرستانهای شمالی و شمال غربی آن به دلیل افزایش و گسترش روزافزون باغهای پسته، برداشت از منابع آب زیرزمینی این مناطق افزایش بیش از اندازه داشته است و کمبود آب، یکی از معضلات مهم در منطقه به شمار میآید. شهرستان سیرجان نیز، یکی از این مناطق است که به شناسایی منابع آب زیرزمینی جدید نیاز دارد؛ از این رو در این پژوهش سعی شده با استفاده از پردازش تصاویر راداری سنتینل 1، چندطیفی سنتینل 2 و روش Fuzzy-AHP که یکی از تکنیکهای آنالیز تصمیمگیری چندمعیاره است، در محیط GIS نقشة عوامل مختلف مؤثر بر ایجاد سفرههای آب زیرزمینی تهیه، وزندهی و تلفیق شود تا مناطق مناسب و دارای پتانسیل خوب (بهلحاظ ذخیرة آب زیرزمینی) شناسایی شوند. نوآوری این پژوهش در استفاده از تصاویر راداری و جدید سنتینل 1 و سنتینل 2 و همچنین استفاده از روش سلسلهمراتبی فازی است که نسبت به روشهای پیشین دقیقتر عمل میکند.
روششناسی پژوهش
محدودة پژوهش
حوضة آبریز سیرجان در غرب استان کرمان و در مختصات جغرافیایی '57 و°54 تا '26 و°56 طول شرقی و '47 و°28 تا '58 و°29 عرض شمالی قرار گرفته است (شکل 1). این حوضه از سمت غرب به کفة نمکی سیرجان و از سمت شمال شرق به کمربند آتشفشانی ایران مرکزی منتهی میشود. مساحت حوضه بیش از 7728 کیلومترمربع است. حدود 25 درصد از محدودة پژوهش را مناطق کوهستانی، 15 درصد را کوهپایهای و 60 درصد آن را دشت تشکیل میدهد. پوشش غالب گیاهی موجود در دشت سیرجان را باغهای پسته تشکیل داده است. رسوبات قسمتهای شمالی دشت درشتدانه است و تخلل مفید و قابلیت نفوذپذیری زیاد دارد و به سمت نواحی غربی و جنوبی با فاصله گرفتن از محورهای رسوبگذاری، بهتدریج قطر ذرات کمتر میشود و نفوذپذیری دشت کاهش مییابد. ضخامت سفره در قسمت شمال شرقی و جنوب دشت بیش از سایر مناطق است و به طرف ارتفاعات و حاشیة غربی به حداقل میرسد (عباسنژاد و شاهیدشت، 1392: 85).
از آنجا که اقتصاد این منطقه برمبنای فعالیت در بخش کشاورزی است، حدود 98 درصد حجم آب برداشتشده از سفرة آب زیرزمینی صرف فعالیتهای کشاورزی بهویژه باغهای پسته میشود (شرکت سهامی آب منطقهای کرمان، 1398).
شکل 1. موقعیت محدودة پژوهش (نگارندگان، 1399)
دادههای استفادهشده
در این پژوهش، ترکیبی از مجموعهدادههای ماهوارهای راداری و چندطیفی و نقشههای زمینشناسی و توپوگرافی برای دستیابی به اهداف مدنظر به کار رفته است. در این زمینه از دو سری تصویر ماهوارهای شامل یک سین تصویر راداری مربوط به سنجندة Sentinel 1، ماهوارة Soyuz سازمان فضایی اروپا با فرمت SLC از نوع مد Image با پلاریزاسیون VV مربوط به تاریخ 13 جولای 2019 و یک سین تصویر چندطیفی مربوط به سنجندة Sentinel 2 مربوط به تاریخ 21 جولای 2019 استفاده شد. تحلیلها با استفاده از نرمافزارهای SNAP 6 و ENVI انجام شد؛ همچنین مدل ارتفاع رقومی استفادهشده در این پژوهش از نوع SRTM با قدرت تفکیک مکانی 30 متر است. تشکیل منابع آب زیرزمینی به عوامل هیدرولوژی و هیدروژئولوژی مختلفی بستگی دارد؛ در این پژوهش از شش عامل تأثیرگذار شامل سنگشناسی، خطوارههای تکتونیکی، شیب زمین، تراکم آبراههای، میزان بارندگی و پوشش گیاهی استفاده شد. در ادامه به ماهیت و نحوة تهیة هر لایه اشاره میشود.
سنگشناسی
نوع سنگ و خصوصیات وابسته به آن نظیر تخلخل و بافت، نقش مهمی در نفوذپذیری اولیه و میزان جریان آب زیرزمینی در داخل سنگها ایفا میکند (Baharvand et al., 2016: 121). در این پژوهش، نقشة سنگشناسی منطقه با استفاده از نقشة زمینشناسی 1:250000 سیرجان تهیه شد.
خطوارههای تکتونیکی
خطوارههای تکتونیکی (گسلها و شکستگیهای سطح زمین) به دلیل ایجاد فضای مناسب برای عبور آب و حرکت آن به سمت نقاط پایینتر در درون زمین، از عوامل بسیار مهم و تأثیرگذار بر تشکیل منابع آب زیرزمینی در نظر گرفته میشوند (Andualem and Demeke, 2019: 100610). در این پژوهش بهمنظور تهیة لایة خطوارههای تکتونیکی از روش آنالیز بافت تصاویر راداری سنتینل 1 و اعمال فیلتر جهتدار روی تصاویر استفاده شد که نحوة کار و توضیح روش یادشده در بخشهای بعدی آمده است. نقشة تراکم خطوارهای با استفاده از ابزار Line Density در محیط ArcGIS تهیه شد. قدرت تفکیک پیکسلی این نقشه، 10 متر است.
شیب
شیب زمین نقش بسیار مهمی در نفوذپذیری، تشکیل خاک و کنترل عواملی نظیر سیلخیزی دارد؛ درنتیجه در پتانسیلیابی آبهای زیرزمینی اهمیت زیادی دارد. مناطق با شیب کم، آب را برای مدتزمان بیشتری حفظ میکنند که این امر باعث نفوذ بیشتر آب و تغذیة آبخوان میشود (Andualem and Demeke, 2019: 100610). بهمنظور تهیة نقشة شیب از مدل رقومی ارتفاعی SRTM 30متری استفاده شد.
تراکم آبراههای
مشخصات ژئوهیدرولوژی هر آبخوان، یکی از مهمترین بخشها در پتانسیلیابی و اکتشافات منابع آب است؛ در این بین آبراههها، یکی از مهمترین منابع تغذیهکنندة آب زیرزمینی محسوب میشوند. تراکم آبراههای با نفوذپذیری یک آبخوان ارتباط معکوس دارد؛ هرچه تراکم بیشتر باشد، رواناب بیشتر میشود (رحیمی و سلیمانی، 1395: 30). بهمنظور تهیة نقشة تراکم آبراهه، شبکة آبراههها از روی نقشة توپوگرافی 25000 مشخص و در محیط نرمافزار ArcGIS رقومی شد. نقشة تراکم آبراههای با استفاده از ابزار Point Density در محیط ArcGIS تهیه شد. قدرت تفکیک پیکسلی این نقشه، 30 متر است.
بارندگی
منبع اولیة تأمینکنندة آب زیرزمینی در هر منطقه، بارندگی است. ارتباط بارندگی با ایجاد آب زیرزمینی با عواملی چون توپوگرافی، لیتولوژی، پوشش گیاهی و... کنترل میشود. این عوامل بر میزان آب نفوذکننده به درون زمین مؤثرند (رحیمی و سلیمانی، 1395: 30). بهمنظور تهیة نقشة همباران از دادههای بارندگی مربوط به پلتفرم جیوانی استفاده شد که از سایت ناسا[9] تهیه شده است. این پلتفرم، یک نقشة میانگین بارندگی برای نقاط مختلف جهان در طول سالهای 2000 تا 2019 تولید کرده است. قدرت تفکیک پیکسلی نقشة میانگین بارندگی، 250 متر است.
پوشش گیاهی
پوشش گیاهی یک منطقه با توجه به آثاری که بر پدیدة نفوذ، فرسایش، تبخیر و تعرق دارد، در ایجاد آبهای زیرزمینی بسیار مؤثر است. با توجه به اینکه در مناطق نیمهخشک و خشک بهویژه در فصول خشک سال، آب سطحی بسیار محدود است، وجود پوشش گیاهی نمایانگر خوبی از آب زیرزمینی کمعمق است (یوسفی سنگانی و همکاران، 1391: 4). نقشة پوشش گیاهی منطقة پژوهش با استفاده از اعمال شاخص پوشش گیاهی (NDVI)[10] روی تصاویر چندطیفی سنتینل 2 استخراج شد. قدرت تفکیک پیکسلی نقشة پوشش گیاهی، 10 متر است.
پردازش تصاویر راداری و چندطیفی
از آنجا که یکی از مهمترین عوامل تمرکز و ایجاد منابع آب زیرزمینی، تکتونیک و بهطور کلی خطوارههای تکتونیکی است، بهمنظور تهیة نقشة مدنظر از پردازش تصاویر راداری سنتینل 1 استفاده شد؛ بهطوری که با انجام اعمال فیلترهای جهتدار روی تصویر، خطوارههای تکتونیکی منطقه بارزسازی و ترسیم شد؛ علاوه بر این بهمنظور تهیة نقشة پوشش گیاهی از اعمال شاخص NDVI روی تصویر چندطیفی سنتینل 2 استفاده شد که در ادامه روشهای یادشده شرح داده میشوند.
آنالیز بافت[11]
آنالیز بافت، نوعی کمیسازی گامهای خاکستری تصاویر براساس میزان زبری و نحوة توزیع آن است. این تکنیک تجزیه و تحلیل زمینهای موجب برجستهسازی مناطق متفاوت یا همگن موجود در یک تصویر میشود. چندین روش برای آنالیز بافت وجود دارد؛ شامل روش ساختاری، آماری، روش مبتنی بر مطالعة فرمها و روش فرکتال (Jain and Tuceryan, 1992: 220). در این پژوهش از روش آماری ماتریس همرویداد گامهای خاکستری[12] هارلیک[13] (1979) استفاده شد. این روش امکان شناسایی و انتخاب پارامترهایی را فراهم میکند که بهترین نقش را در اندازهگیری توزیع تن خاکستری ایفا میکنند. تاکنون از این روش در مطالعات مختلف زمینشناسی استفاده شده است (Sukumar and Selva, 2015: 2348; Celik, 2019: 2630). اجرای روش GLCM در محیط نرمافزار ENVI انجام شد. درنتیجة انجام این روش روی تصاویر ماهوارهای، 8 فاکتور همرویداد مختلف بهصورت تصاویر مختلف ایجاد میشود که شامل فاکتور میانگین، واریانس، یکنواختی، تباین، اختلاف، آنتروپی، موقعیت ثانویه و همبستگی است. این فاکتورها کاربردهای زیادی در مطالعات زمینشناسی و توپوگرافی دارد. در این پژوهش از این فاکتورها در آنالیز مؤلفههای اصلی و سپس در عملیات فیلترینگ برای استخراج خطوارههای تکتونیکی استفاده شد.
خطوارههای تکتونیکی علاوه بر ایجاد انفصال در سطوح باعث ایجاد مرز بین واحدهای سنگی مختلف و پستی و بلندیهای ژئومورفیک میشوند؛ بنابراین روی تصاویر ماهوارهای با تغییر تن و کنتراست مشخص میشوند. از بین الگوریتمهای شناسایی خطوارة موجود در سنجش از دور، آنهایی که براساس تکنیک فیلترگذاری جهتدار عمل میکنند، نتایج بهتری به دست دادهاند (Khosroshahizadeh et al., 2016: 232; Masoumi et al., 2017: 2286; Chaudhry et al., 2019: 117). مبنای روش فیلترینگ براساس شناسایی پیکسلهای مجاوری است که بهطور ناگهانی تغییری در گامهای خاکستری آنها رخ داده است.
شاخص NDVI
شاخص پوشش گیاهی (NDVI)، یک شاخص سادة گرافیکی است که با استفاده از اندازهگیریهای سنجش از دور، بر تغییر پوشش گیاهی نظارت میکند (Chang et al., 2018: 1). در این شاخص، مقادیر نرمال در دامنة بین 1- و 1+ قرار دارند. ارزش این شاخص فاقد واحد است و در تفسیر ارزشهای این شاخص صفر بهصورت تقریبی نشاندهندة نبود پوشش گیاهی، مقادیر منفی نشاندهندة سطوح بدون پوشش و مقادیر بزرگتر از صفر نشاندهندة حضور پوشش گیاهی است؛ بدین صورت که هرچه ارزش مزبور بیشتر باشد، تراکم پوشش نیز بیشتر خواهد بود. این شاخص از تقسیم اختلاف مقادیر باندهای قرمز (RED) و مادون قرمز نزدیک (NIR) بر مجموع آنها به دست میآید.
تکنیک آنالیز تصمیمگیری چندمعیاره (MCDM)
یکی از روشهای تصمیمگیری در موضوعات مختلف، بررسی معیارهای مختلف درگیر و مؤثر در آن موضوع است. بدین منظور روشی به نام تکنیک آنالیز تصمیمگیری چندمعیاره طراحی و استفاده شده است. این روش خود شامل زیرمجموعهای از روشهای مختلف است؛ مانند روش تحلیل سلسلهمراتبی (AHP)، روش تحلیل شبکهای (ANP)، روش فازی و تلفیق روشهای مختلف؛ در این پژوهش از تلفیق روش تحلیل سلسلهمراتبی و فازی برای بررسی معیارهای مختلف مؤثر در امر پتانسیلیابی آب زیرزمینی استفاده شده است. چالش بزرگ و اصلی این روش، انتخاب معیارهای واقعی، دقیق و تأثیرگذار در امر پتانسیلیابی منابع آب زیرزمینی است. نحوة انتخاب معیارها به دانش کافی درزمینة هیدرولوژی نیاز دارد؛ علاوه بر این یکی از مهمترین مراحل فرایند تصمیمگیری، تعیین وزن معیارهاست؛ بهطوری که وزنهایی که به معیارها داده میشود، مستقیماً تأثیر خود را بر نتیجة تجزیه و تحلیل نشان میدهد. دقت تجزیه و تحلیل به تعیین وزن با دقت مناسب بستگی دارد. روشهای مختلفی برای تعیین وزن معیارها وجود دارد و از آنجا که این روشها بهلحاظ میزان دقت، آسانی استفاده و ساختار نظری از یکدیگر متفاوت هستند، انتخاب روش وزندهی به اولویت تصمیمگیران بستگی دارد.
روش Fuzzy-AHP
روش Fuzzy-AHP را نخستینبار چانگ[14] (1996) ارائه کرد. تفاوت اساسی این روش با روش AHP، تفاوت در نحوة وزندهی معیارها و گزینههاست؛ بهطوری که در این روش وزندهی بهصورت فازی انجام و ماتریس مقایسات دودویی بهصورت فازی بیان میشود. جدول 1 مقیاسهای فازی استفادهشده در روش تحلیل سلسلهمراتبی فازی را نشان میدهد؛ بنابراین در روش Fuzzy-AHP، فرایند تحلیل سلسلهمراتبی با استفاده از مفاهیم اساسی نظریة مجموعههای فازی و بهویژه اعداد فازی به فضای فازی توسعه داده میشود (Rajasekhar et al., 2019: 100). مراحل انجام این روش بهمنظور پتانسیلیابی منابع آب زیرزمینی حوضة آبریز سیرجان به شرح زیر است:
جدول 1. طریقة وزندهی معیارها در روش Fuzzy-AHP (Tseng et al., 2008: 37)
مقیاس زبانی برای وزندهی |
اعداد فازی |
معکوس اعداد فازی |
عیناً یکسان |
( , , ) |
( , , ) |
اهمیت برابر یا عدم ترجیح |
( , , ) |
( , , ) |
نسبتاً مهمتر |
( , , ) |
( , , ) |
مهمتر |
( , , ) |
( , , ) |
خیلی مهمتر |
( , , ) |
( , , ) |
کاملاً مهمتر |
( , , ) |
( , , ) |
تعیین درجة عضویت فازی براساس توابع عضویت و تهیة نقشة فازی هریک از عوامل، یکی از اساسیترین مباحث در نظریة فازی بحث تابع عضویت و چگونگی تعریف آن است. اساس اختلاف این روش با روشهای دیگر، در تعریف تابع عضویت است. تابع عضویت نشاندهندة درجة تعلق عناصر مجموعة مرجع به زیرمجموعههای آن است. در این پژوهش با استفاده از توابع عضویت خطی، نقشههای هریک از عوامل مؤثر بر پتانسیلیابی آب زیرزمینی به نقشههای فازی تبدیل شدهاند.
شکل 2. فلوچارت روش پژوهش (نگارندگان، 1399)
یافتههای پژوهش و تجزیه و تحلیل آنها
آنالیز بافت روی تصویر راداری سنتینل 1 مربوط به منطقة پژوهش انجام و درنتیجة آن، 8 تصویر مربوط به فاکتورهای همرویداد مختلف تهیه شد. در شکل 3 تصاویر مربوط به فاکتورهای میانگین، واریانس، یکنواختی، تباین، اختلاف، آنتروپی، موقعیت ثانویه و همبستگی دیده میشود. بهمنظور استخراج خطوارههای تکتونیکی، تحلیل مؤلفههای اصلی روی 8 فاکتور همرویداد انجام شد. تحلیل مؤلفههای اصلی بدین منظور انجام میشود تا ضمن کاهش همبستگی باندهای مختلف، تفسیر ساختاری دادهها بهتر انجام شود. از آنجا که مؤلفة اصلی اول حدود 90 درصد اطلاعات تصویر را در خود دارد، درنتیجه ویژگیهای عمدة ساختاری تصویر را خیلی بهتر نشان میدهد. بهمنظور کاهش نویز و افزایش هرچه بیشتر اطلاعات ساختاری، مؤلفة اصلی اول در خودش ضرب میشود.
شکل 3.فاکتورهای همرویداد: a: میانگین، b: واریانس، c: یکنواختی، d: تباین، e: اختلاف، f: آنتروپی، g: موقعیت ثانویه و h: همبستگی (نگارندگان، 1399)
بهمنظور استخراج خطوارههای تکتونیکی، روی تصویر مزدوج مؤلفة اصلی اول، فیلتر جهتدار در زوایای صفر، 45، 90 و 135 درجه اعمال شد تا از این راه به ترتیب خطوارههای با راستای شمالی- جنوبی، شمال شرقی- جنوب غربی، شرقی- غربی و جنوب شرقی- شمال غربی بارزسازی شوند (شکل 4). درنهایت خطوارههای تکتونیکی در محیط GIS از روی تصاویر فیلترگذاریشده استخراج شد. البته بسیاری از عوارض خطی ایجادشده به دست انسان مانند جادهها و ساختمانها نیز در این روش بارزسازی میشوند که باید از عوارض خطی طبیعی تفکیک و جدا شوند. از روی تصاویر فیلترگذاریشده تعداد 389 خطوارة تکتونیکی شناسایی شد (شکل 5). رزدیاگرام تصویرشده در شکل 5 نشاندهندة وجود تقریباً دو جهت غالب شمال غربی- جنوب شرقی و شرقی- غربی در امتداد خطوارههای تکتونیکی منطقه است که این روند استخراجی ناشی از جهت غالب نیروهای تکتونیکی عملکننده در منطقه (Azadikhah et al., 2015: 821) است و با آن همخوانی دارد.
شکل 4. نمونة تصاویر حاصل از اعمال فیلترهای جهتدار با زوایای a: صفر درجه، b: 45 درجه، c: 90 درجه، d: 135 درجه (نگارندگان، 1399)
شکل 5. نقشة خطوارههای تکتونیکی منطقة پژوهش؛ تهیهشده درنتیجة آنالیز بافت و فیلترگذاری دادههای راداری سنتینل 1 (نگارندگان، 1399)
با توجه به اینکه یکی از اهداف اصلی این پژوهش پتانسیلیابی منابع آب زیرزمینی است، عوامل و معیارهای مؤثر بر تمرکز منابع آب زیرزمینی بررسی و درنهایت بهصورت نقشه در محیط GIS ترسیم شد. همانطور که در بخش روش کار نیز بیان شد، در این زمینه از روش Fuzzy-AHP استفاده شد. نقشة شش معیار مؤثر بر پتانسیلیابی در شکل 6 دیده میشود. بهمنظور دستیابی به نقشة نهایی پتانسیل منابع آب زیرزمینی در روش سلسلهمراتبی فازی میباید نخست تکتک معیارها وزندهی و براساس آن تلفیق انجام شود. ملاک مقایسة دودویی و وزندهی، نظرات کارشناسی است. جدول 2، ماتریس مقایسة دودویی معیارها را نشان میدهد. در این جدول ضمن تحلیل و مقایسة دودویی معیارها براساس اعداد فازی جدول 1، وزن نهایی هر معیار نیز محاسبه شده است. بر این اساس معیار سنگشناسی با وزن 378/0، بیشترین تأثیر و معیار پوشش گیاهی با وزن 043/0، کمترین تأثیر را بر تمرکز منابع آب زیرزمینی دارد.
شکل 6. نقشة معیارهای مختلف تأثیرگذار بر تمرکز منابع آب زیرزمینی؛ a: نقشة سنگشناسی، b: نقشة شیب، c: نقشة بارش، d: نقشة تراکم خطوارههای تکتونیکی، e: نقشة تراکم آبراههای، d:نقشة پوشش گیاهی (نگارندگان، 1399)
جدول 2. ماتریس مقایسة دودویی معیارها (نگارندگان، 1399)
فاکتور |
پوشش گیاهی |
تراکم آبراههای |
تراکم خطوارهای |
بارندگی |
شیب |
سنگشناسی |
وزن نهایی |
پوشش گیاهی |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.043 |
تراکم آبراههای |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.092 |
تراکم خطوارهای |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.066 |
بارندگی |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.150 |
شیب |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.271 |
سنگشناسی |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.378 |
از آنجا که هریک از معیارهای نامبرده در درون خود زیرمعیارهایی با میزان تأثیر متفاوت بر تمرکز منابع آب زیرزمینی دارند، باید هریک از آنها نیز بهصورت دودویی مقایسه و وزندهی شوند. در این زمینه ماتریس مقایسة دودویی برای همة معیارها جداگانه تهیه شد (جدولهای 3 تا 8). نقشههای فازی تهیهشده از هریک از معیارها در شکل 7 دیده میشود.
از بین معیارهای مختلف، معیار سنگشناسی، مهمترین عامل محسوب میشود که در شکل a6 ترسیم شده است. همانطور که در این نقشه دیده میشود، انواع سنگشناسیهای موجود در محدودة مدنظر ترسیم شده است. بررسی نظرات کارشناسی و مطالعات انجامشده (Helena et al., 2000: 810; Baharvand et al., 2016: 123; Chaudhry et al., 2019: 120) نشان میدهد بهترین نوع سنگشناسی بهلحاظ تمرکز منابع آب، آبرفت است؛ پس از آن به ترتیب سنگهای رسوبی آهکی، ماسهسنگها و کنگلومرا مهم هستند. سنگهای آذرین، دگرگونی و پهنههای نمکی در تمرکز و نفوذ آبهای زیرزمینی نقش مهمی ندارند. بر این اساس نقشة سنگشناسی منطقه به 5 طبقه تقسیم میشود (شکل a7). درنتیجه در مرحلة مقایسة دودویی و وزندهی، بیشترین وزن به طبقة آبرفتی و سپس به طبقات دیگر تعلق میگیرد. در ماتریس مقایسة دودویی مربوط به معیار سنگشناسی به زیرمعیار آبرفت، وزن 279/0 و به زیرمعیار پهنههای نمکی، وزن 091/0 تعلق میگیرد (جدول 3).
جدول 3. ماتریس مقایسة دودویی معیار سنگشناسی (نگارندگان، 1399)
سنگشناسی |
پهنة نمکی |
آذرین و دگرگونی |
ماسهسنگ و کنگلومرا |
سنگ آهک |
آبرفت |
وزن نهایی |
پهنة نمکی |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.091 |
آذرین و دگرگونی |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.145 |
ماسهسنگ و کنگلومرا |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.199 |
سنگ آهک |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.246 |
آبرفت |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.279 |
شکل 7. نقشههای فازیشدة معیارهای مختلف؛ a: نقشة سنگشناسی، b: نقشة فازی شیب، c: نقشة فازی بارش، d: نقشة فازی تراکم خطوارههای تکتونیکی، e: نقشة فازی تراکم آبراههای، d:نقشة فازی پوشش گیاهی (نگارندگان، 1399)
فاکتور شیب زمین نیز، یکی از عوامل تأثیرگذار بر پتانسیلیابی منابع آب زیرزمینی محسوب میشود؛ بهطوری که هرچه شیب سطح زمین کمتر باشد، نفوذ آبهای سطحی به درون سفرههای آب زیرزمینی بیشتر روی میدهد. همانطور که در نقشة b7 میبینید، محدودة پژوهش از این لحاظ به پنج طبقه تقسیم شده است که طبقة صفر تا 2 درصد، وزن 298/0 و شیب بیش از 20 درصد، وزن 137/0 میگیرد (جدول 4). دیگر فاکتورهای مؤثر بر تمرکز منابع آب زیرزمینی نیز به همین صورت طبقهبندی و وزندهی شدهاند که در جدولهای 5 تا 8 دیده میشوند.
جدول 4.ماتریس مقایسة دودویی معیار شیب (نگارندگان، 1399)
شیب (درصد) |
20 < |
20- 12 |
12- 6 |
6- 2 |
2- 0 |
وزن نهایی |
20 < |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.137 |
20- 12 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.169 |
12- 6 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.178 |
6- 2 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.219 |
2- 0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.298 |
جدول 5.ماتریس مقایسة دودویی معیار بارش (نگارندگان، 1399)
بارندگی (میلیمتر) |
30- 0 |
60- 30 |
90- 60 |
120- 90 |
150- 120 |
وزن نهایی |
30- 0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.126 |
60- 30 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.174 |
90- 60 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.204 |
120- 90 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.236 |
150- 120 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.258 |
جدول 6. ماتریس مقایسة دودویی معیار تراکم خطوارهای (نگارندگان، 1399)
تراکم خطوارهای |
1/0- 0 |
2/0- 1/0 |
3/0- 2/0 |
4/0- 3/0 |
وزن نهایی |
1/0- 0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.181 |
2/0- 1/0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.214 |
3/0- 2/0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.231 |
4/0- 3/0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.257 |
جدول 7. ماتریس مقایسة دودویی معیار تراکم آبراههای (نگارندگان، 1399)
تراکم آبراههای |
4/0- 0 |
8/0- 4/0 |
2/1- 8/0 |
6/1- 2/1 |
2- 6/1 |
وزن نهایی |
2- 6/1 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.035 |
6/1- 2/1 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.105 |
2/1- 8/0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.246 |
8/0- 4/0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.285 |
4/0- 0 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.332 |
جدول 8. ماتریس مقایسة دودویی معیار پوشش گیاهی (نگارندگان، 1399)
پوشش گیاهی |
1 |
2 |
3 |
4 |
5 |
وزن نهایی |
1 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.035 |
2 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.105 |
3 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.246 |
4 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.285 |
5 |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
( , , ) |
0.332 |
جدول 9 وزن معیارها، زیرمعیارها و وزن نهایی هریک را نشان میدهد. در این جدول، وزن نهایی هریک از زیرمعیارها با ضرب وزن معیار اصلی در وزن زیرمعیار به دست آمده است. بهمنظور تهیة نقشة پتانسیل آب زیرزمینی، تمام نقشههای تهیهشده و وزندهیشده به روش سلسلهمراتبی فازی در محیط GIS با یکدیگر تلفیق و با استفاده از روش طبقهبندی کمی، نقشة یادشده طبقهبندی شد. شکل 8، نقشة پتانسیل آب زیرزمینی را نشان میدهد. همانطور که در این شکل دیده میشود، بهلحاظ پتانسیل آب زیرزمینی، محدودة پژوهش به 5 طبقة خیلی خوب، خوب، متوسط، کم و خیلی کم تقسیم میشود. حدود 3 درصد از محدودة پژوهش را طبقة خیلی خوب (228 کیلومترمربع)، 11 درصد را خوب (836 کیلومترمربع)، 52 درصد را متوسط (4016 کیلومترمربع)، 29 درصد را ضعیف (2252 کیلومترمربع) و 5 درصد را خیلی ضعیف (396 کیلومترمربع) تشکیل میدهد. محدودههای خیلی خوب و خوب بیشتر در بخشهای کوهپایهای منطقه واقع شدهاند.
بهمنظور صحتسنجی نقشة پتانسیل تهیهشده، از اطلاعات و دبی چاهها و چشمههای موجود در محدودة پژوهش استفاده شد. همانطور که در شکل 9 دیده میشود، وضعیت کنونی چاهها به این صورت است که 130 چاه در طبقة خیلی کم، 142 چاه در بخش با پتانسیل کم، 670 چاه در طبقة متوسط، 205 چاه در بخش با پتانسیل خوب و فقط 4 حلقه چاه در بخش با پتانسیل خیلی خوب قرار دارد. برای صحتسنجی دبی و میزان شوری، تعداد 30 حلقه چاه بررسی شد که بهطور یکسان در تمام طبقات پراکندهاند.
بهمنظور حفظ همگنی و امکان انجام مقایسة بین دادههای حاصل از چاههای مشاهدهای با طبقات نقشة پتانسیل آب زیرزمینی، میزان دبی و شوری چاهها با استفاده از الگوریتم طبقهبندی فواصل برابر در محیط GIS به 5 دستة خیلی کم (دبی بین 15-9 لیتر بر ثانیه و شوری بین 1000-430 میکروموس بر سانتیمتر)، کم (دبی بین 21-15 لیتر بر ثانیه و شوری بین 3000-1000 میکروموس بر سانتیمتر)، متوسط (دبی بین 27-21 لیتر بر ثانیه و شوری بین 3000-5000 میکروموس بر سانتیمتر)، زیاد (دبی بین 33-27 لیتر بر ثانیه و شوری بین 8000-5000 میکروموس بر سانتیمتر) و خیلی زیاد (دبی بین 39-33 لیتر بر ثانیه و شوری بین 11000-8000 میکروموس بر سانتیمتر) تقسیمبندی شد و روی نقشة پتانسیل آب زیرزمینی قرار گرفت.
ماتریکس خطای بهدستآمده از مقایسة کلاسهای مربوط به دبی و شوری چاههای مشاهدهای با طبقات نقشة پتانسیل آب زیرزمینی، نشان از صحت 33/83 و 33/73 درصد به ترتیب برای دادههای مربوط به دبی و شوری چاهها در ارتباط با طبقات پتانسیل آب زیرزمینی دارد (جدولهای 10 و 11)؛ همچنین نتایج حاصل از این پژوهش نشان میدهد محدودههای با پتانسیل بسیار خوب و خوب بیشتر بر آبرفت منطبق و پس از آن روی سنگهای آهکی واقع شده است.
مقایسة نتایج بهدستآمده در این پژوهش با نتایج پژوهشهای مشابه در دیگر مناطق، نشان از کارآمدی روشهای تصمیمگیری چندمعیاره در شناسایی منابع آب زیرزمینی دارد؛ همچنین مناطق با پتانسیل زیاد آب زیرزمینی در بیشتر این پژوهشها مانند نتایج حاصل از این پژوهش بر مناطق آبرفتی و سنگهای آهکی منطبق هستند (Chaudhry et al., 2019: 6; Rajasekhar et al., 2019: 102)؛ برای نمونه سلیک[15] (2019) با استفاده از روش تصمیمگیری چندمعیاره، حوضة رودخانة تیگریس[16] ترکیه را به پنج منطقة پتانسیلی تقسیم میکند که منطقة با پتانسیل زیاد با مساحت 13 درصد روی پهنة آبرفتی آن حوضه قرار میگیرد.
موضوع دیگری که در شکل 9 دیده میشود، منطبقنبودن بیشتر چاههای موجود بر محلهای با پتانسیل خوب و خیلی خوب در منطقه است. این موضوع دلایل مختلفی دارد؛ ازجمله اینکه موقعیتیابی و انتخاب محل حفر چاه در گذشته غالباً بهصورت غیرعلمی و صرفاً تجربی بوده است یا اینکه کشاورزان در محلی اقدام به حفر چاه میکردهاند که زمینهای مسطح و مناسب برای ایجاد مزرعه داشته است و مطمئناً نزدیکترین محل به زمین زراعی را بدین منظور انتخاب کردهاند تا مستلزم انتقال فاصلة زیاد آب از چاه به محل مزرعه نباشند و مطمئناً انتخاب روشهای علمی و نوین با درنظرگرفتن تمامی عوامل دخیل در این امر، نتایج بهتری دربر خواهد داشت.
جدول 9. وزن معیارها و زیرمعیارها و وزن نهایی (نگارندگان، 1399)
معیار |
زیرمعیار |
Fuzzy-AHP |
||
وزن معیار |
وزن زیرمعیار |
وزن نهایی |
||
سنگشناسی |
پهنة نمکی |
0.378 |
0.091 |
0.035 |
آذرین و دگرگونی |
0.145 |
0.055 |
||
ماسهسنگ و کنگلومرا |
0.199 |
0.075 |
||
سنگ آهک |
0.246 |
0.093 |
||
آبرفت |
0.279 |
0.105 |
||
شیب |
20 < |
0.271 |
0.137 |
0.037 |
20- 12 |
0.169 |
0.045 |
||
12- 6 |
0.178 |
0.048 |
||
6- 2 |
0.219 |
0.059 |
||
2- 0 |
0.298 |
0.080 |
||
بارندگی |
30- 0 |
0.150 |
0.126 |
0.019 |
60- 30 |
0.174 |
0.026 |
||
90- 60 |
0.204 |
0.030 |
||
120- 90 |
0.236 |
0.035 |
||
150- 120 |
0.258 |
0.039 |
||
تراکم خطوارهای |
1/0- 0 |
0.066 |
0.181 |
0.012 |
2/0- 1/0 |
0.214 |
0.014 |
||
3/0- 2/0 |
0.231 |
0.015 |
||
4/0- 3/0 |
0.257 |
0.017 |
||
تراکم آبراههای |
2- 6/1 |
0.092 |
0.035 |
0.003 |
6/1- 2/1 |
0.105 |
0.010 |
||
2/1- 8/0 |
0.246 |
0.023 |
||
8/0- 4/0 |
0.285 |
0.026 |
||
4/0- 0 |
0.332 |
0.031 |
||
پوشش گیاهی |
1 |
0.043 |
0.035 |
0.002 |
2 |
0.105 |
0.004 |
||
3 |
0.246 |
0.011 |
||
4 |
0.285 |
0.012 |
||
5 |
0.332 |
0.014 |
شکل 8. نقشة پتانسیل آب زیرزمینی (نگارندگان، 1399)
شکل 9. موقعیت چاههای موجود روی نقشة پتانسیل آب زیرزمینی (شرکت سهامی آب منطقهای کرمان، 1398)
جدول 10. اطلاعات چاههای استفادهشده در صحتسنجی (شرکت سهامی آب منطقهای کرمان، 1398)
شمارة چاه |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
دبی (لیتر بر ثانیه) |
12 |
11 |
17 |
19 |
28 |
35 |
32 |
15 |
15 |
20 |
17 |
25 |
17 |
31 |
21 |
EC (میکروموس بر سانتیمتر) |
9300 |
6000 |
2800 |
4000 |
1770 |
1900 |
6900 |
7000 |
11000 |
9200 |
5700 |
5400 |
3200 |
1800 |
7800 |
شمارة چاه |
16 |
17 |
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
26 |
27 |
28 |
29 |
30 |
دبی (لیتر بر ثانیه) |
9 |
26 |
24 |
33 |
28 |
37 |
31 |
20 |
32 |
31 |
29 |
31 |
24 |
31 |
27 |
EC (میکروموس بر سانتیمتر) |
7400 |
2300 |
5600 |
1900 |
650 |
930 |
870 |
1600 |
900 |
430 |
1100 |
2500 |
580 |
750 |
1300 |
جدول 11. ماتریکس خطای حاصل از مقایسة طبقات دبی و شوری چاهها با طبقات پتانسیل آب زیرزمینی
طبقات پتانسیل آب زیرزمینی |
|
||||||
مجموع |
خیلی خوب |
خوب |
متوسط |
ضعیف |
خیلی ضعیف |
||
3 |
0 |
0 |
0 |
1 |
2* |
خیلی کم |
طبقات دبی چاهها |
8 |
0 |
1 |
0 |
7* |
0 |
کم |
|
6 |
0 |
0 |
5* |
1 |
0 |
متوسط |
|
10 |
1 |
8* |
0 |
1 |
0 |
زیاد |
|
3 |
3* |
0 |
0 |
0 |
0 |
خیلی زیاد |
|
30 |
4 |
9 |
5 |
10 |
2 |
مجموع |
|
طبقات پتانسیل آب زیرزمینی |
|
||||||
مجموع |
خیلی خوب |
خوب |
متوسط |
ضعیف |
خیلی ضعیف |
||
7 |
*5 |
2 |
0 |
0 |
0 |
خیلی کم |
طبقات شوری چاهها |
9 |
1 |
*7 |
1 |
0 |
0 |
کم |
|
3 |
0 |
1 |
*2 |
0 |
0 |
متوسط |
|
8 |
0 |
1 |
0 |
*6 |
1 |
زیاد |
|
3 |
0 |
0 |
0 |
1 |
*2 |
خیلی زیاد |
|
30 |
6 |
11 |
3 |
7 |
3 |
مجموع |
* نشاندهندة انطباق طبقات دبی و شوری چاهها بر طبقات پتانسیل آب زیرزمینی
با توجه به نتایج بهدستآمده در این پژوهش، چنین استدلال میشود که تکنیک آنالیز تصمیمگیری چندمعیاره، نظیر Fuzzy-AHP، ابزاری انعطافپذیر و پشتیبان برای شناسایی منابع آب زیرزمینی جدید است.
نتیجهگیری
نتایج حاصل از روش ماتریس همرویداد گامهای خاکستری نشان از قابلیت این روش در استخراج خطوارههای تکتونیکی دارد؛ علاوه بر این بیشتربودن قدرت تفکیک مکانی تصاویر راداری سنتینل 1 نسبت به تصاویر نوری دردسترس باعث شده است تفکیک و شناسایی خطوارههای تکتونیکی خیلی بهتر انجام شود؛ بنابراین میتوان از این تصاویر در مطالعات مشابه استفاده کرد.
با تلفیق لایههای مؤثر بر تمرکز آب زیرزمینی، محدودة پژوهش بهلحاظ وجود ذخایر آب زیرزمینی پتانسیلیابی شد. نتایج نشان میدهد حدود 14 درصد از مساحت محدوده پتانسیل خوبی در این زمینه دارد که این مناطق نیز بیشتر در محدودههای کوهپایهای و درون سنگهای آهکی و آبرفتی واقع شدهاند. پژوهشهای زیادی (Lee and Lee, 2015: 13416; Domingos et al., 2017: 503; Rajasekhar et al., 2019: 97; Andualem and Demeke, 2019: 100610) همانند این پژوهش، بر وجود منابع غنی آب زیرزمینی در آبرفت و سنگهای آهکی تأکید میکنند.
از آنجا که روش Fuzzy-AHP امکان تبدیل ارزش نقشة فاکتورهای مختلف را به طیف پیوستهای بین 0 و 1 فراهم میکند، باعث میشود مرز بین طبقات بهصورت تدریجی تعیین شود؛ درنتیجه نقش هر معیار بهصورت احتمالی و نه قطعی تعیین میشود که این روش با سازوکار عوامل طبیعی مطابقت بیشتری دارد؛ همچنین نتایج حاصل از صحتسنجی روش Fuzzy-AHP، ضمن تأیید کاربرد این روش در پتانسیلیابی منابع آب زیرزمینی، مؤید کارایی روش یادشده بهمثابة روشی نسبتاً دقیق در امر تصمیمگیری است. با توجه به کاهش کیفیت منابع آبی چاههای موجود، محدودههای شناساییشده با پتانسیل خوب و خیلی خوب امکان مطالعات اکتشافی را برای تأمین منابع آبی جدید دارند.
[1]. Multi Criteria Decision Analysis (MCDA)
[2]. Oh et al.
[3]. Pohang
[4]. Agarwal et al.
[5]. Onaoi
[6]. Domingos et al.
[7]. Comoro
[8]. Das
[10]. Normalized difference vegetation index
[11]. Textural Analysis
[12]. Grey Level Co-occurrence Matrix (GLCM)
[13]. Haralick
[14]. Chang
[15]. Celik
[16]. Tigris River