Frequency Analysis and Investigation of the Factors Affecting 100-yr Peak-Flood in Iran’s Watersheds

Document Type : Research Paper

Authors

1 Postdoctoral Researcher, Department of Physical Geography, Faculty of Natural Geography, University of Tehran, Tehran, Iran

2 Associate Professor, Department of Physical Geography, Faculty of Natural Geography, University of Tehran, Tehran, Iran

Abstract

 
Abstract
The purpose of the current study is to analyze the frequency of peak flood discharge with a 100-year return period in 206 Iran watersheds and to quantify it based on the most important factors. In this regard, flood frequency analysis was performed based on annual maximum discharge data and fitting of conventional continuous distributions in hydrology and fitting statistical tests. Then, for modeling, 8 parameters affecting the flood peak discharge including heavy daily rainfall, average vegetation, area, perimeter, average slope, average elevation, length of the main river, and the slope of the main river at the catchment area leading to the extraction of selected hydrometric stations. Also, the stepwise regression analysis technique was used to determine the factors affecting the production of flood peak discharge in the selected stations. The results of the study showed that the southwestern, southern, and southeastern basins of Iran with peak discharges of more than 4000 m3/s had the highest 100-year peak discharges among the study basins. The results of the stepwise regression model indicated that five parameters of area, heavy rainfall, elevation, vegetation, and slope of the basin with an adjusted coefficient of determination of 0.72, standard error of estimation of 132.7, Akaike's information criterion of 1.62, and variance inflation factor of 0.62 had the best performance in estimating the flood peak discharge. The results of this study, considering its large spatial scale, which includes the whole of Iran, can be used as a practical guide by the hydrologists and decision-makers in estimating the 100-year flood peak discharge in ungauged watersheds based on the most important factors affecting its generations.
 

Introduction

Flood is one of the most important natural hazards that has attracted a lot of attention from managers and planners due to the heavy damage it has caused to human societies (Jahangir et al., 2019). In fact, floods, as a type of natural disaster, have a significant negative impact on regional development, and its catastrophes are characterized by sudden water flow, high intensity, uncontrollable factors, and serious damages (Miceli et al., 2008). On the other hand, among various types of natural disasters such as earthquakes, landslides, soil erosion, and tsunamis, floods are considered to be the most common and destructive phenomena of the earth that affect the lives of many people every year (Doocy et al., 2013; Salvati et al., 2018; Yari et al., 2019). High socio-economic losses, human casualties, widespread destruction, and threatening living conditions are some of the damages that floods can cause (Turgut & Tevfik, 2012). It can be stated that half of the deaths occur due to floods (FitzGerald et al., 2010; Lee & Vink, 2015). In recent years, Iran has experienced very destructive floods due to climate change and poor watershed management (deforestation, overgrazing, and lack of flood control measures). For example, the recent floods (2019) in Iran have affected 25 provinces, killed 77 people, and caused about $ 2.2 billion in damage to these 25 provinces (Khosravi et al., 2020).
 

Methodology

In the first step, the Iran hydrometric stations that had discharge data with maximum long-term annual peak records (at least 30 years) were collected from the Iran Water Resources Management Company. In the next step, flood frequency analysis was performed based on the fitting of conventional continuous distributions in hydrology and fitting statistical tests. After performing flood frequency analysis and estimating peak discharge for 100 year return period, the watersheds boundary of hydrometric stations was determined. In this regard, using a digital elevation model with 12.5 m resolution and ARC GIS, Global Mapper, and Surfer software, the boundaries of the studied watersheds were extracted. Then, using the watersheds boundary and digital elevation model, the geomorphic parameters of the watershed such as perimeter, area, average slope, average elevation, length of the main river, and the slope of the main river were calculated. In the next step, long-term daily precipitation data of synoptic stations were collected from Iran Meteorological Organization. Then, 95% of the non-zero daily precipitation series was calculated for heavy precipitation (Gu et al., 2017). Using the IDW method, the long-term amount of heavy rainfall for each watershed was determined in GIS software. The NDVI index was used to determine the mean annual vegetation. In this regard, the vegetation time series for each watershed was extracted using Landsat images from 2000 to 2019 with a resolution of 30 m on the Google Earth Engine platform. After calculating the 100-year return period and possible parameters influencing the flood in the study watersheds, using Pearson bivariate analysis and stepwise regression model, the most suitable models for estimating flood peak discharge were determined.

Discussion

The results of the study show that the southwestern, southern, and southeastern watersheds of Iran with peak discharges of more than 4000 cubic meters per second have the highest peak discharges of 100 years among the study watersheds. Meanwhile, the Minab watershed, which ends in the Persian Gulf, has a maximum peak flow of 100 years with a peak flow of 12,614 cubic meters per second. On the other hand, the northwestern and northern watersheds of Iran with a peak discharge of less than 300 cubic meters per second have the lowest peak discharge, with a minimum discharge of 20.7 cubic meters per second related to the Solan watershed in Hamadan province. The findings of the stepwise regression model indicated that the five parameters of the watershed, including area, heavy rainfall, mean elevation, vegetation, and mean slope with R2 = 0.72 and significance level of 0.01, are the most influential factors in the estimation of flood peak discharge. In addition, the results showed that the three factors of watershed area, heavy rainfall, and mean slope have a direct relationship with peak discharge but mean elevation and vegetation have an inverse relationship.
 

Conclusion

This study quantified the relative contribution of driving factors influencing the flood peak discharge over 100 years across Iran. Considering its large spatial scale, which includes the whole of Iran, it can be used as a practical guide by the hydrologists and decision-makers in estimating the 100-year flood peak discharge in ungauged watersheds based on the most important factors affecting its generations.
 
Keywords: Flood Peak Discharge, Modeling, Iran’s Watersheds, Stepwise Regression, Geomorphic Factors.
 
References
- Adhikari, P., Hong, Y., Douglas, K. R., Kirschbaum, D. B., Gourley, J., Adler, R., & Brakenridge, G. R. (2010). A digitized global flood inventory (1998–2008): Compilation and preliminary results. Journal of Natural Hazards, 55(2), 405–422.
- Ahern, M., Kovats, R. S., Wilkinson, P., Few, R., & Matthies, F. (2005). Global health impacts of floods: Epidemiologic evidence. Journal of Epidemiologic Reviews, 27(1), 36–46.
- Bennett, B., Leonard, M., Deng, Y., & Westra, S. (2018). An empirical investigation into the effect of antecedent precipitation on flood volume. Journal of Hydrology, 567, 435–445.
- Chang, H. S., & Chen, T. L. (2016). Spatial heterogeneity of local flood vulnerability indicators within flood-prone areas in Taiwan. Journal of Environmental Earth Sciences, 75(23), 1-14.
- Chau, K. W. (2017). Use of meta-heuristic techniques in rainfall-runoff modelling. Basel, Switzerland: Multidisciplinary Digital Publishing Institute.
- Chuntian, C., & Chau, K. W. (2002). Three-person multi-objective conflict decision in reservoir flood control. European Journal of Operational Research, 142(3), 625–631.
- Croke, J., Thompson, C., & Fryirs, K. (2017). Prioritising the placement of riparian vegetation to reduce flood risk and end-of-catchment sediment yields: Important considerations in hydrologically-variable regions. Journal of Environmental Management, 190, 9–19.
- Doocy, S., Daniels, A., Packer, C., Dick, A., & Kirsch, T. D. (2013). The human impact of earthquakes: A historical review of events 1980-2009 and systematic literature review. Journal of Plos Currents, 5.
- El-Hames, A. S. (2012). An empirical method for peak discharge prediction in ungauged arid and semi-arid region catchments based on morphological parameters and SCS curve number. Journal of Hydrology, 456, 94-100.
- Ezemonye, M. N., & Emeribe, C. N. (2011). Flood characteristics and management adaptations in parts of the Imo river system. Ethiopian Journal of Environmental Studies and Management, 4(3), 56–64.
- Falah, F., Rahmati, O., Rostami, M., Ahmadisharaf, E., Daliakopoulos, I. N., & Pourghasemi, H. R. (2019). Artificial neural networks for flood susceptibility mapping in data-scarce urban areas. In Spatial modeling in GIS and R for Earth and Environmental Sciences (pp. 323-336). Elsevier.
- Feng, L. H., & Lu, J. (2010). The practical research on flood forecasting based on artificial neural networks. Journal of Expert Systems with Applications, 37(4), 2974–2977.
- FitzGerald, G., Du, W., Jamal, A., Clark, M., & Hou, X. (2010). Flood fatalities in contemporary Australia (1997–2008). Journal of Emergency Medicine Australasia, 22(2), 180–186.
- Ghavidel, Y., & Hombari, F. J. (2020). Synoptic analysis of unexampled super-heavy rainfall on April 1, 2019, in west of Iran. Journal of Natural Hazards, 104(2), 1567-1580.
- Gu, X., Zhang, Q., Singh, V. P., & Shi, P. (2017). Changes in magnitude and frequency of heavy precipitation across China and its potential links to summer temperature. Journal of Hydrology, 547, 718–731.
- Haghizadeh, A., Siahkamari, S., Haghiabi, A. H., & Rahmati, O. (2017). Forecasting flood-prone areas using Shannon’s entropy model. Journal of Earth System Science, 126(3), 1-11.
- Haynes, K., Coates, L., van den Honert, R., Gissing, A., Bird, D., de Oliveira, F. D., … & Radford, D. (2017). Exploring the circumstances surrounding flood fatalities in Australia, 1900–2015 and the implications for policy and practice. Journal of Environmental Science & Policy, 76, 165–176.
- Herget, J., Roggenkamp, T., & Krell, M. (2014). Estimation of peak discharges of historical floods. Journal of Hydrology and Earth System Sciences, 18(10), 4029.
- Jahangir, M. H., Reineh, S. M. M., & Abolghasemi, M. (2019). Spatial predication of flood zonation mapping in Kan River Watershed, Iran, using artificial neural network algorithm. Journal of Weather and Climate Extremes, 25, 100215.
- Khosravi, K., Panahi, M., Golkarian, A., Keesstra, S. D., Saco, P. M., Bui, D. T., & Lee, S. (2020). Convolutional neural network approach for spatial prediction of flood hazard at national scale of Iran. Journal of Hydrology, 591, 125552.
- Khosravi, K., Pourghasemi, H. R., Chapi, K., & Bahri, M. (2016). Flash flood susceptibility analysis and its mapping using different bivariate models in Iran: A comparison between Shannon’s entropy, statistical index, and weighting factor models. Journal of Environmental Monitoring and Assessment, 188(12), 1-21.
- Kirch, W., Menne, B., & Bertollini, R. (Eds.). (2005). Extreme weather events and public health responses. Berlin, Heidelberg: Springer Berlin Heidelberg.
- Lashkari, H., Mohammadi, Z., & Jafari, M., 2020. Investigation on dynamical structure and moisture sources of heavy precipitation in south and south-west of Iran. Arabian Journal of Geosciences, 13(21), 1-15.
- Lee, S., & Vink, K. (2015). Assessing the vulnerability of different age groups regarding flood fatalities: Case study in the Philippines. Journal of Water Policy, 17(6), 1045–1061.
- Liu, D., Fan, Z., Fu, Q., Li, M., Faiz, M. A., Ali, S., … & Khan, M. I. (2020). Random forest regression evaluation model of regional flood disaster resilience based on the whale optimization algorithm. Journal of Cleaner Production, 250, 119468.
- Liu, Y., Yuan, X., Guo, L., Huang, Y., & Zhang, X. (2017). Driving force analysis of the temporal and spatial distribution of flash floods in Sichuan Province. Journal of Sustainability, 9(9), 1527.
- Machado, R. A. S., Oliveira, A. G., & Lois-González, R. C. (2019). Urban ecological infrastructure: The importance of vegetation cover in the control of floods and landslides in Salvador/Bahia, Brazil. Journal of Land Use Policy, 89, 104180.
- Mallakpour, I., Villarini, G., Jones, M. P., & Smith, J. A. (2017). On the use of Cox regression to examine the temporal clustering of flooding and heavy precipitation across the central United States. Journal of Global and Planetary Change, 155, 98-108.
- Miceli, R., Sotgiu, I., & Settanni, M. (2008). Disaster preparedness and perception of flood risk: A study in an alpine valley in Italy. Journal of Environmental Psychology, 28(2), 164–173.
- Norouzi, G., & Taslimi, M. (2012). The impact of flood damages on production of Iran’s agricultural sector. Middle East Journal of Scientific Research, 12, 921-926.
- Ogato, G. S., Bantider, A., Abebe, K., & Geneletti, D. (2020). Geographic information system (GIS)-Based multicriteria analysis of flooding hazard and risk in Ambo Town and its watershed, west Shoa zone, Oromia regional state, Ethiopia. Journal of Hydrology: Regional Studies, 27, 100659.
- Sadeghi-Pouya, A., Nouri, J., Mansouri, N., & Kia-Lashaki, A. (2017). An indexing approach to assess flood vulnerability in the western coastal cities of Mazandaran, Iran. International Journal of Disaster Risk Reduction, 22, 304-316.
- Saksena, S., & Merwade, V. (2015). Incorporating the effect of DEM resolution and accuracy for improved flood inundation mapping. Journal of Hydrology, 530, 180-194.
- Salvati, P., Petrucci, O., Rossi, M., Bianchi, C., Pasqua, A. A., & Guzzetti, F. (2018). Gender, age and circumstances analysis of flood and landslide fatalities in Italy. Journal of Science of the Total Environment, 610, 867–879.
- Seckin, N., & Guven, A. (2012). Estimation of peak flood discharges at ungauged sites across Turkey. Journal of Water Resources Management, 26(9), 2569-2581.
- Shabanikiya, H., Seyedin, H., Haghani, H., & Ebrahimian, A. (2014). Behavior of crossing flood on foot, associated risk factors and estimating a predictive model. Journal of Natural Hazards, 73(2), 1119–1126.
- Shahabi, H., Shirzadi, A., Ronoud, S., Asadi, S., Pham, B. T., Mansouripour, F., … & Bui, D. T. (2021). Flash flood susceptibility mapping using a novel deep learning model based on deep belief network, back propagation and genetic algorithm. Journal of Geoscience Frontiers, 12(3), 101100.
- Smith, K. (2013). Environmental hazards: Assessing risk and reducing disaster. Routledge.
- Tang, J., Li, Y., Cui, S., Xu, L., Hu, Y., Ding, S., & Nitivattananon, V. (2021). Analyzing the spatiotemporal dynamics of flood risk and its driving factors in a coastal watershed of southeastern China. Journal of Ecological Indicators, 121, 107134.
- Turgut, A., & Tevfik, T. (2012). Floods and drowning incidents by floods. Journal of World Applied Sciences, 16(8), 1158–1162.
- Wang, C., Du, S., Wen, J., Zhang, M., Gu, H., Shi, Y., & Xu, H. (2017). Analyzing explanatory factors of urban pluvial floods in Shanghai using geographically weighted regression. Journal of Stochastic Environmental Research Risk Assessment, 31(7), 1777-1790.
- Yari, A., Ardalan, A., Ostadtaghizadeh, A., Zarezadeh, Y., Boubakran, M. S., Bidarpoor, F., & Rahimiforoushani, A. (2019). Underlying factors affecting death due to flood in Iran: A qualitative content analysis. International Journal of Disaster Risk Reduction, 40, 101258.
- Zorn, C. R., & Shamseldin, A. Y. (2015). Peak flood estimation using gene expression programming. Journal of Hydrology, 531, 1122-1128.
 
 

Keywords

Main Subjects

Full Text

مقدمه

سیلاب یکی از مهم‌ترین مخاطرات طبیعی محسوب می‌شود که با خسارات سنگینی که بر جوامع بشری وارد کرده، توجه مدیران و برنامه‌ریزان زیادی را جلب کرده است (Jahangir et al., 2019: 1). درواقع سیلاب به‌مثابة نوعی از بلایای طبیعی، تأثیر منفی زیادی بر توسعة منطقه‌ای دارد و فاجعه‌های آن با جاری‌شدن ناگهانی آب، شدت زیاد، عوامل کنترل‌ناپذیر و خسارات جدی مشخص می‌شود (Miceli et al., 2008: 3). از سوی دیگر، در میان انواع گوناگون بلایای طبیعی مانند زلزله، زمین‌لغزش، فرسایش خاک و سونامی، سیل رایج‌ترین و مخرب‌ترین پدیدة زمین در نظر گرفته می‌شود (Doocy et al., 2013: 2) که هر سال بر زندگی تعداد زیادی از مردم اثر می‌گذارد (Salvati et al., 2018: 1; Yari et al., 2019: 2). خسارات اقتصادی‌اجتماعی زیاد، تلفات انسانی، تخریب گسترده و ایجاد شرایط زندگی در حال تهدید بخشی از آسیب‌هایی است که سیل به وجود می‌آورد (Turgut & Tevfik, 2012: 3). درزمینة تلفات انسانی ناشی از بلایای طبیعی می‌توان گفت که نیمی از مرگ‌ومیرها در اثر سیل رخ می‌دهد (FitzGerald et al., 2010: 1; Lee & Vink, 2015: 2). در این زمینه، در فاصلة 2004 تا 2015 سیلاب‌ها جان 59092 نفر را در سرتاسر جهان گرفته‌اند (Haynes et al., 2017: 1) و طی یک دورة 30ساله (1980- 2009)، 539811 نفر در اثر این فاجعة مرگبار جان خود را از دست داده‌اند (Salvati et al., 2018: 3).

برمبنای بررسی صلیب سرخ و هلال ‌احمر از سال 2006 تا 2015، 1719 سیل در سرتاسر زمین رخ داده است که 79/45 درصد از بلایای طبیعی را شامل می‌شود. این امر به تلفات اقتصادی در حدود 8/23 میلیارد یوان منجر شده و بر زندگی دست‌کم 800 میلیون نفر تأثیر گذاشته است (Chau, 2017: 1; Liu et al., 2020: 3)؛ به بیان دیگر، 40 درصد از خسارات اقتصادی انواع گوناگون بلایای طبیعی مربوط به سیلاب است (Ezemonye & Emeribe, 2011: 1; Feng & Lu, 2010: 1)؛ علاوه بر این، سیلاب‌ها به‌طور جدی به محیط زندگی انسان و تولیدات آنها آسیب می‌زنند و مانع از فرایندهای توسعة اجتماعی می‌شوند (Chuntian & Chau, 2002: 2).

در دهه‌های اخیر تعداد سیلاب‌ها و شدت آثار آنها در سرتاسر جهان با توجه به تغییرات اقلیمی، تغییر در الگوی بارش و افزایش سطح دریا افزایش چشمگیری داشته است (Ahern et al., 2005: 3; Kirch et al., 2005: 1)؛ علاوه بر این، رشد جمعیت، توسعة شهری و روستایی سریع و فعالیت‌های انسانی دیگر خطر سیل را افزایش داده است (Haghizadeh, 2017: 2). در این زمینه بیش از 3/1 درصد مساحت جهان مستعد سیل‌های مصیبت‌بار است که 90 کشور (82 درصد جمعیت جهان) را دربرمی‌گیرد (Adhikari et al., 2010: 2). همچنین تخمین زده می‌شود که تعداد افرادی که در منطقة خطر سیل زندگی می‌کنند تا سال 2050 به 3/1 میلیارد نفر برسد (Falah et al., 2019: 1).

در این میان، کشورهای آسیایی جزو مخاطره‌آمیزترین کشورهای جهان ازلحاظ وقوع سیلاب محسوب می‌شوند، به‌طوری‌که بیش از 90 درصد تلفات ناشی از بلایای طبیعی در این قاره در اثر سیل رخ می‌دهد (Smith, 2013: 1). این مقدار از تلفات، هم به دلایل طبیعی (برای نمونه تغییر اقلیم) و هم در اثر عوامل انسانی (برای نمونه تغییر کاربری زمین) ایجاد می‌شود (Chang and Chen, 2016: 3). ایران نیز به‌مثابة یکی از مناطق سیلابی آسیا و جهان (Shabanikiya et al., 2014: 1) با توجه به مساحت گستردة حوضه‌ها، تنوع اقلیمی و تغییرات زمانی‌فضایی بارش، هرساله با سیلاب‌های بزرگی روبه‌رو بوده است (Jahangir et al., 2019: 1). طی دهه‌های گذشته (1981- 2009) خسارات اقتصادی‌ای که سیلاب‌ها در ایران ایجاد کرده‌اند، به 73745368 دلار رسیده است (Norouzi and Taslimi, 2012: 3). از منظر مساحت، سطح مناطق سیل‌خیز کشور حدود 91 میلیون هکتار برآورد شده است؛ به بیان دیگر، 55 درصد از سطح کشور در تولید رواناب مستقیم و سریع نقش داشته که حدود 42 میلیون هکتار آن شدت سیل‌خیزی متوسط تا خیلی زیاد داشته است (گراوند، 1394: 53). به‌طور میانگین در هر سال، 60 رویداد سیل در ایران روی می‌دهد که میانگین تلفات انسانی ناشی از آن در هر سال 141 نفر است (حسینی و همکاران، 1394: 4). در سال‌های اخیر، کشور ایران سیلاب‌های بسیار مخربی را به دلیل تغییرات اقلیمی و مدیریت ضعیف حوضة آبخیز (جنگل‌زدایی، چرای بیش ‌از حد و انجام‌نشدن اقدامات پیشگیرانه برای کنترل سیلاب) تجربه کرده است؛ برای نمونه سیلاب‌های اخیر (زمستان 1397 و بهار 1398) در ایران بر 25 استان تأثیر گذاشته، 77 نفر را از بین برده و حدود 2/2 میلیارد دلار خسارت به این 25 استان وارد کرده است (Khosravi et al., 2020: 2).

در سطح جهان مطالعات زیادی دربارة سیلاب انجام شده است؛ ازجمله:  

(2012) Seckin and Guven دبی پیک سیلاب را در حوضه‌های فاقد آمار ترکیه با سه روش GEP[1]، LGP[2] و LR[3] برآورد کردند و چنین نتیجه گرفتند که دقت روش‌های یادشده به ترتیب 57/0، 56/0 و 42/0 است.

 (2014) Herget et al. در پژوهشی دبی پیک سیلاب‌های تاریخی را تخمین زدند و گزارش دادند که خطرات سیلاب‌های آینده به‌ویژه در تغییرات محیطی اخیر می‌تواند به‌طور چشمگیری با بررسی سیلاب‌های تاریخی کاهش یابد.

 (2015) Zorn and Shamseldin دبی پیک سیلاب را با استفاده از روش GEP برآورد کردند و نتیجه گرفتند که اگرچه میزان خطای روش یادشده نسبت به روشRFE[4]  برای پیش‌بینی‌کردن دورة بازگشت سیلاب کمتر است، نمی‌توان از آن به‌تنهایی استفاده کرد و باید در کنار سایر روش‌های رایج به کار گرفته شود.

 (2017) Mallakpour et al. نقش بارش‌های سنگین را در شکل‌گیری سیل در ایالات متحدة آمریکا بررسی و چنین استنباط کردند که تنوع در سیستم‌های آب‌وهوایی و وقوع بارش‌های سنگین، نقشی کلیدی در ایجاد سیلاب‌ها دارد.

 (2017) Croke et al. در پژوهشی تأثیر پوشش گیاهی را در کاهش خطر سیل در درة Lockyer استرالیا بررسی کردند و بیان داشتند که یک مؤلفة کلیدی برای مدیریت یکپارچة حوضه‌های آبریز، کاشت پوشش گیاهی در موقعیت‌های مناسب برای کاهش خطرات سیل است. آنها همچنین گزارش دادند که یکی از عوامل دیگر برای مدیریت مناسب حوضه‌های آبریز درزمینة مخاطرات سیلاب، فهم فرایندهای ژئومورفیک حاکم بر حوضه است.

 (2017) Sadeghi-Pouya et al. در پژوهشی میزان آسیب‌پذیری شهرهای ساحلی استان مازندران را ارزیابی کردند و نتیجه گرفتند که مناطق شهری به‌ویژه طبقة اول ساختمان‌ها که با دو رودخانه احاطه شده‌اند، آسیب‌پذیری بیشتری نسبت به سایر مناطق دارند.

 (2018) Bennett et al. نقش بارش‌های پیشین (بارش‌هایی که پیش از وقوع سیل سبب افزایش رطوبت خاک شده‌اند) را در حجم سیلاب‌ها بررسی کردند و گزارش دادند که بارش‌های سنگین عامل اصلی سیلاب‌ها در نظر گرفته می‌شود، ولی مقدار رطوبتی که در اثر بارش‌های پیشین در خاک وجود دارد، تأثیر مهمی بر افزایش حجم سیلاب دارد.

 (2019) Yari et al. در پژوهشی درزمینة عوامل مؤثر بر مرگ‌ومیر ناشی از سیل، چنین بیان کردند که پارامترهایی نظیر ویژگی‌های سیل، وضعیت اقتصادی، اجتماعی، فرهنگی، جمعیتی، مدیریتی و جسمی بر میزان مرگ‌ومیر ناشی از سیل اثر می‌گذارد.

 (2020) Ogato et al. در پژوهشی خطرات سیل را در کشور اتیوپی تحلیل و استنباط کردند که بخش زیادی از منطقة مطالعاتی ریسک سیل‌خیزی زیاد تا خیلی زیاد دارد. با توجه به نتایج یادشده، آنها نتیجه گرفتند که باید یک رویکرد مدیریت یکپارچة سیل در سطح حوضه‌های آبریز اعمال شود.

با وجود اینکه در سال‌های اخیر برای مدیریت سیلاب از راهبردها و روش‌های متعددی استفاده شده است، وقوع سیلاب‌های مخرب در سطح کشور به‌ویژه در استان‌های سیستان و بلوچستان، لرستان و خوزستان و اعمال خسارات جانی و مالی این حقیقت را آشکار می‌کند که برنامه‌ها و سیاست‌های اتخاذشده کارآمدی لازم را ندارند. در این زمینه عوامل مختلفی در تشدید این مخاطرة طبیعی تأثیر داشته‌اند که ازجملة آنها می‌توان به نبود یا کمبود داده‌های حداکثر دبی لحظه‌ای سالانه برای برآورد دبی پیک سیلاب با دوره‌های بازگشت مختلف (وجود این داده‌ها به‌مثابة یکی از ورودی‌های مدل هیدرولیکی برای هر حوضه لازم است) و تغییرات زمانی و مکانی عوامل تأثیرگذار بر تولید سیلاب در هر حوضه اشاره کرد.

این پژوهش برای نخستین‌بار سعی دارد در سطح کلان و براساس داده‌های حداکثر دبی لحظه‌ای سالانة بلندمدت (بیش از 30 سال) در 206 حوضه در سراسر کشور با تنوع زیاد آب‌وهوایی، پوشش گیاهی و ویژگی‌های ژئومورفیک، سیلاب‌های با دورة بازگشت 100ساله را برآورد و سپس با شناسایی عوامل تأثیرگذار بر تولید آن، معادلة رگرسیونی ساده‌ای را به‌منظور تخمین آن ارائه کند. انتخاب دبی با دورة بازگشت 100ساله به این دلیل است که در هنگام چنین رخدادی با جریان زیاد، هم کانال اصلی و هم دشت سیلابی به‌طور کامل غرقاب می‌شوند، هیچ منطقة ذخیره‌سازی در دشت سیلابی وجود ندارد و کل دشت سیلابی به‌مثابة یک کانال واحد عمل می‌کند (Saksena and Merwade, 2015: 4). از سوی دیگر، براساس مطالعات پیشین، سیلاب‌های با دورة بازگشت 100ساله در بیشتر حوضه‌های آبریز کشور مخاطرات فراوانی را ایجاد می‌کنند. به دلیل آنکه بیشتر حوضه‌های ایران فاقد داده‌های حداکثر دبی لحظه‌ای سالانة بلندمدت هستند، ارائة یک مدل رگرسیونی ساده براساس مهم‌ترین عوامل مؤثر بر تولید سیلاب می‌تواند به مدیران و مهندسان برای برآورد اولیة سیلاب با دورة بازگشت مدنظر و همچنین تعمیم چنین رابطه‌ای برای حوضه‌های فاقد آمار سیلاب به‌منظور تحلیل فراوانی و مدل‌سازی کمک شایانی کند. گفتنی است استفاده از حوضه‌هایی با ویژگی‌های طبیعی مختلف برای مدل‌سازی می‌تواند کاربرد تحلیل‌های انجام‌شده در این پژوهش را در سطح کلان (کل کشور) امکان‌پذیر کند.

 منطقة پژوهش

برپایة دسترسی داده‌های حداکثر دبی لحظه‌ای سالانه که پوشش مناسب مکانی در سطح ایران داشتند و از سوی دیگر، دست‌کم 30 سال دادة ثبت‌شده داشتند، 206 ایستگاه هیدرومتری از 1109 ایستگاه هیدرومتری فعال کشور انتخاب شد (شکل 1). بازة زمانی داده‌های دبی پیک بین 30 تا 58 سال با میانگین 42 سال بود و اکثراً از سال 1344 دادة ثبت‌شده داشتند. ازنظر اقلیمی 31 درصد حوضه‌ها در اقلیم‌های خیلی مرطوب، مرطوب و نیمه‌مرطوب، 67 درصد نیمه‌خشک، خشک و فراخشک و 2 درصد نیز در اقلیم مدیترانه‌ای واقع شده‌اند؛ علاوه بر این با توجه به موقعیت‌های مکانی مختلف، این حوضه‌ها ازنظر شرایط ژئومورفولوژی و پوشش گیاهی متنوع بودند. وجود چنین تنوعی سبب می‌شود که مدل‌های قابل اعتماد و کاربردی برای تخمین دبی پیک سیلاب ارائه شود.

 

شکل 1. موقعیت جغرافیایی ایستگاههای هیدرومتری مطالعه‌شده (نویسندگان، 1400)

Figure 1. Geographical location of the studied hydrometric stations (Authors, 2021)

مواد و روش‌ها

مواد

داده‌های پژوهش با کارهای تفصیلی، تحلیل‌های آماری و آنالیز مدل رقومی ارتفاعی و تصاویر ماهواره‌ای به دست آمدند. این داده‌ها در 5 گروه اصلی ‌تفکیک می‌شوند؛ شامل داده‌های حداکثر دبی لحظه‌ای سالانه در حوضه‌های آبریز کشور که از طریق داده‌های ایستگاههای هیدرومتری شرکت مدیریت منابع آب و شرکت آب منطقه‌ای استان‌های کشور گردآوری شدند، داده‌های دبی پیک سیلاب با دورة بازگشت 100ساله در حوضه‌های مطالعاتی که از طریق آنالیزها، آزمون‌های آماری و تحلیل فراوانی داده‌های حداکثر دبی لحظه‌ای سالانه برآورد شدند، داده‌های بارش‌های سنگین که براساس داده‌های روزانة بلندمدت (2000- 2019) تمام ایستگاه سینوپتیک کشور و صدک 95 در حوضه‌ها تعیین شدند، داده‌های ژئومورفیک حوضه نظیر محیط، مساحت، میانگین شیب، میانگین ارتفاع، طول رودخانة اصلی و شیب رودخانة اصلی که با پردازش مدل رقومی ارتفاعی 5/12 متر در نرم‌افزار ArcGIS محاسبه شدند و سرانجام داده‌های پوشش گیاهی حوضه که با پردازش تصاویر ماهواره‌ای لندست 7 با رزولوشن 30 متر و فاصلة 16روزه از سال 2000 تا 2019 به‌صورت اتوماتیک در پلتفرم گوگل‌ارث انجین استخراج شدند (شکل 2).

 ابزارهای فیزیکی پژوهش شامل تصاویر ماهواره‌ای لندست 7 با رزولوشن 30 متر و فاصلة زمانی 16روزه برای استخراج سری زمانی شاخص NDVI و میانگین آن از سال 2000 تا 2019 برای هر حوضه و مدل رقومی ارتفاعی 5/12 متر برای استخراج پارامترهای ژئومورفیک مناطق مطالعاتی است. ابزارهای مفهومی را عمدتاً نرم‌افزارهای ArcGIS، Surfer، Global Mapper و Google Earth شامل می‌شوند. از این نرم‌افزارها برای آنالیزهای مکانی و تهیة نقشه‌های منطقة مطالعه‌شده استفاده شد. از نرم‌افزار Easy Fit برای تحلیل فراوانی و بازسازی دورة بازگشت 100سالة سیلاب و از پلتفرم Google Earth Engine برای استخراج شاخص NDVI استفاده شد؛ علاوه بر این نرم‌افزار SPSS برای تحلیل رگرسیون و مدل‌سازی دبی پیک سیلاب با دورة بازگشت 100ساله به کار گرفته شد.

 

روش‌ها

در نخستین گام، ایستگاههای هیدرومتری کشور که داده‌های حداکثر دبی لحظه‌ای سالانة بلندمدت (دست‌کم 30 سال) داشتند، از شرکت مدیریت منابع آب و شرکت آب منطقه‌ای استان‌های کشور گردآوری شدند. در مرحلة بعد، تحلیل فراوانی سیلاب براساس برازش توزیع‌های پیوستة مرسوم در هیدرولوژی و آزمون‌های آماری نکویی برازش انجام شد. در این زمینه نخست ایستایی داده‌های حداکثر دبی لحظه‌ای سیلاب در هر ایستگاه در طول زمان کنترل شد. برای این منظور از آزمون‌های آماری مناسب برای کنترل ایستایی داده‌ها استفاده شد. برای آن دسته از ایستگاههایی که داده‌های دبی حداکثر لحظه‌ای سیلاب شرایط ایستایی در طول زمان را نشان دادند، با برازش توزیع‌های احتمالاتی پیوستة مناسب، بهترین توزیع در سطح اعتماد مناسب (%95) و به‌کارگیری آزمون‌های نیکویی انتخاب شد و دبی متناظر با دورة بازگشت 100ساله با استفاده از نرم‌افزار Easy Fit (معادل احتمال وقوع 1/0% تا 50%) برآورد شد. برای ایستگاههایی که دبی حداکثر لحظه‌ای ناایستایی (دارای روند صعودی یا نزولی) در زمان مطالعه‌شده نشان دادند (65 ایستگاه مطالعه‌شده)، از تکنیک‌های پنجره‌های متحرک زمانی برای تحلیل فراوانی سیلاب استفاده شد. در این زمینه، داده‌های موجود به یک سری پنجره (بازة زمانی مشخص) تقسیم شدند؛ به‌طوری‌که در هر پنجره داده‌های دبی پیک سیلاب ایستا بودند؛ سپس برای پنجره تحلیل فراوانی ایستایی انجام شد. نتایج تحلیل فراوانی آخرین پنجرة ایستا برای تجزیه‌وتحلیل و مدل‌سازی در این پژوهش به کار رفت. پس از انجام تحلیل فراوانی سیلاب و برآورد دبی پیک برای دورة بازگشت 100ساله، اقدام به تعیین حدود حوضه‌های بالادست ایستگاههای هیدرومتری شد. در این زمینه با استفاده از مدل رقومی ارتفاعی 5/12 متر و نرم‌افزارهای ArcGIS، Global Mapper و Surfer مرز حوضه‌های مدنظر استخراج شد. سپس با استفاده از مرز حوضة آبریز و مدل رقومی ارتفاعی، پارامترهای ژئومورفیک حوضه مانند محیط، مساحت، میانگین شیب، میانگین ارتفاع، طول رودخانة اصلی و شیب رودخانة اصلی محاسبه شد. در مرحلة بعد، داده‌های درازمدت بارش روزانة ایستگاههای سینوپتیک از سازمان هواشناسی گردآوری و پس از محاسبة صدک 95 (بدون در نظر گرفتن روزهایی که بارندگی رخ نداده است) به‌مثابة مرز بارش‌های سنگین (Gu et al, 2017: 2)، با استفاده از روش IDW[5]، مقدار درازمدت بارش سنگین برای هر حوضه در نرم‌افزار GIS تعیین شد. برای تعیین متوسط سالانة پوشش گیاهی از شاخص NDVI استفاده شد. در این راستا، سری زمانی پوشش گیاهی برای هر حوضه با استفاده از تصاویر لندست از سال 2000 تا 2019 با رزولوشن 30 متر و فاصلة زمانی 16روزه در پلتفرم گوگل‌ارث انجین استخراج شد. پس از محاسبة دورة بازگشت 100ساله و استخراج مهم‌ترین عوامل تأثیرگذار سیلاب در حوضه‌های مطالعاتی براساس پژوهش‌های پیشین، با بهره‌گیری از تحلیل دومتغیرة پیرسون[6] و مدل رگرسیون گام‌به‌گام[7]، مناسب‌ترین مدل‌ها برای تخمین دبی پیک سیلاب تعیین شد (شکل 2).

 

 

شکل 2. فلوچارت روش پژوهش (نویسندگان، 1400)

Figure 2. Flowchart of research methodology (Authors, 2021)

 

نتایج

دبی پیک 100ساله

توضیح فضایی و هیستوگرام دبی پیک سیلاب با دورة بازگشت 100ساله در 206 حوضة آبریز مطالعاتی به شرح شکل 3 است. یافته‌ها مؤید آن است که حوضه‌های جنوب غربی، جنوبی و جنوب شرقی ایران با دبی پیک بیش از 4000 مترمکعب بر ثانیه، بیشترین دبی پیک را در بین حوضه‌های مطالعاتی دارند. در این میان، حوضة میناب که به خلیج فارس منتهی می‌شود، با دبی پیک 12614 مترمکعب بر ثانیه ماکزیمم دبی پیک 100ساله دارد. از سوی دیگر، حوضه‌های شمال غربی و شمالی ایران با دبی پیک کمتر از 300 مترمکعب بر ثانیه، کمترین دبی پیک را دارند که حداقل آن با دبی 7/20 مترمکعب بر ثانیه به حوضة سولان در استان همدان مربوط است. آمار توصیفی داده‌های دبی پیک 100ساله نیز نشان می‌دهد میانگین و میانة داده‌ها به ترتیب 1266 و 467 مترمکعب بر ثانیه است.

شکل 3. توزیع فضایی (الف) و هیستوگرام (ب) مقدار دبی پیک سیلاب با دورة بازگشت 100ساله در حوضه‌های مطالعاتی (نویسندگان، 1400)

Figure 3. Spatial distribution (a) and histogram (b) of flood peak discharge with a return period of 100 years in the study watershed (Authors, 2021)

عوامل تأثیرگذار بر سیلاب

عوامل تأثیرگذار احتمالی دبی پیک سیلاب براساس مطالعات داخلی و خارجی پیشین و دسترسی داده‌ها، انتخاب و محاسبه شدند:

نتایج مساحت حوضه‌های بالادست ایستگاههای هیدرومتری مطالعه‌شده به شرح شکل 4- الف است. یافته‌ها نشان می‌دهد مساحت حوضه‌ها طیف گسترده‌ای از 2/24 تا 62094 کیلومترمربع با میانگین 5180 کیلومترمربع دارد. بزرگ‌ترین مساحت‌ها به حوضه‌های شمال غربی، غربی و جنوب غربی با مساحتی بیش از 30000 کیلومترمربع مربوط است. در این زمینه، کوچک‌ترین و بزرگ‌ترین مساحت حوضة بالادست ایستگاههای هیدرومتری به ایستگاههای درکه و اهواز مربوط است. یافته‌های محیط حوضه‌های بالادست ایستگاههای هیدرومتری مطالعه‌شده به شرح شکل 4- ب است. نتایج حاکی از آن است که محیط حوضه‌ها از 9/28 تا 2651 کیلومتر متغیر است. میانگین و میانة محیط حوضه‌ها به ترتیب 445 و 261 کیلومتر است و مانند پارامتر مساحت حوضه، حوضه‌های جنوب غربی ماکزیمم مقدار محیط را دارند.

میانگین ارتفاع حوضه با تأثیر بر دمای هوا و نوع بارش (برف یا باران) تأثیر مهمی بر شدت سیلاب دارد (Wang et al., 2017: 1). نتایج میانگین ارتفاع حوضه‌ها مؤید آن است که این پارامتر در محدودة 147 تا 3130 متر نسبت به سطح دریای آزاد تغییر می‌کند (شکل 4- ج). حوضه‌های با حداکثر ارتفاع اکثراً در شمال، شمال غرب، غرب و جنوب غرب واقع شده‌اند. از سوی دیگر، حوضه‌های با حداقل ارتفاع عموماً در جنوب کشور قرار گرفته‌اند. میانگین و میانة این پارامتر به ترتیب 1803 و 1851 متر است و حوضة جیرفت در استان کرمان ماکزیمم ارتفاع را در بین حوضه‌های مطالعاتی دارد. شیب حوضه با تأثیری که بر سرعت جریان و مقدار نفوذ آب سطحی می‌گذارد، می‌تواند یکی از پارامترهای مؤثر بر دبی پیک سیلاب در نظر گرفته شود (El-Hames, 2012: 2). در این زمینه، نتایج میانگین شیب حوضه‌های مطالعاتی به شرح شکل 4- د است. این یافته‌ها نشان می‌دهد حوضة سلامت‌آباد در استان کردستان با میانگین شیب 1/10 درصد و حوضة دره تخت در استان لرستان با میانگین شیب 3/66 درصد حداقل و حداکثر شیب را در بین حوضه‌های مطالعه‌شده دارند. از سوی دیگر، حوضه‌هایی با شیب بیش از 30 درصد اکثراً در شمال و جنوب غرب ایران منطبق بر دو رشته‌کوه زاگرس و البرز واقع شده‌اند.

 

 

 

 

 

 

 

 

شکل 4. توزیع فضایی عوامل تأثیرگذار انتخاب‌شده بر دبی پیک سیلاب با دورة بازگشت 100ساله در حوضه‌های مطالعاتی (نویسندگان، 1400)

Figure 4. Spatial distribution of the adopted factors affecting the flood peak discharge with a return period of 100 years in the study watersheds (Authors, 2021)

 

 

شکل 4. ادامه (نویسندگان، 1400)
     

Figure 4. Continued (Authors, 2021)

 

بارش سنگین یکی از مهم‌ترین پارامترهای دبی پیک و سیلاب‌های مخرب در مطالعات پیشین در نظر گرفته شده است (برای نمونه در پژوهش Tang et al., 2021: 1). این مؤلفه براساس صدک 95 بارش روزانه (بدون در نظر گرفتن روزهایی که بارندگی رخ نداده است) محاسبه می‌شود (Gu et al., 2017: 2). نتایج توضیح فضایی بارش سنگین در شکل 4- ه نشان داده شده است. یافته‌ها حاکی است که بارش سنگین بین 3/12 تا 40 میلی‌متر در روز متغیر است و حوضه‌های جنوب غربی و جنوبی ایران با بارش سنگین بیش از 30 میلی‌متر در روز از ماکزیمم مقدار برخوردارند. این پارامتر با حرکت به سمت مناطق شمالی و شمال غربی کاهش می‌یابد؛ به‌طوری‌که حداقل آن در شمال آذربایجان غربی رخ می‌دهد. نقش پوشش گیاهی مناسب یک حوضه در کاهش سیلاب در مطالعات متعددی اثبات شده است (برای نمونه در Machado et al., 2019: 3). در این پژوهش برای محاسبة تراکم درازمدت پوشش گیاهی از شاخص NDVI استفاده و نتایج آن گزارش شد (شکل 4- و). یافته‌ها نشان می‌دهد میانگین درازمدت سالانة NDVI بین 05/0 تا 47/0 تغییر می‌کند و حوضه‌های شمالی ایران که منطبق بر رشته‌کوه البرز هستند، با مقدار NDVI بیش از 25/0 ماکزیمم پوشش گیاهی را در بین حوضه‌های مطالعه‌شده دارند. حداقل پوشش گیاهی نیز به استان سیستان و بلوچستان مربوط است که علت اصلی آن بارش ناکافی در این منطقه است.

نتایج طول رودخانة اصلی در حوضه‌های مطالعه‌شده به شرح شکل 4- ز است. این نتایج مؤید آن است که رودخانة اصلی حوضة سفیدرود که به دریای خزر منتهی می‌شود، با طول 2/762 کیلومتر حداکثر طول را در بین مناطق مطالعه‌شده دارد؛ علاوه بر این حوضه‌های جنوب غربی کشور که به خلیج فارس منتهی می‌شود، با طول رودخانة اصلی بیش از 400 کیلومتر، جزو حوضه‌هایی با طول زیاد رودخانة اصلی محسوب می‌شوند. نتایج همچنین نشان می‌دهد میانگین و میانة این پارامتر به ترتیب 121 و 65 کیلومتر است. شیب رودخانة اصلی نیز به‌مثابة آخرین پارامتر احتمالی تأثیرگذار بر دبی پیک سیلاب در نظر گرفته شد. نتایج توزیع فضایی این پارامتر به شرح شکل 4- ح است. نتایج نشان می‌دهد بیش از نیمی از حوضه‌ها شیب کانال اصلی کمتر از 2/0 درصد دارند. حوضه‌های با شیب رودخانة اصلی بیش از 2 درصد اکثراً منطبق بر رشته‌کوه البرز هستند و ماکزیمم مقدار آن با ارزش 5/24 درصد به حوضة باش‌محله در استان گیلان مربوط است. همان‌طور که در بالا نشان داده شد، این مطالعه از حوضه‌های متعددی با طیف گسترده‌ای از آب‌وهوا، پوشش گیاهی و ویژگی‌های ژئومورفیک استفاده کرده است؛ بنابراین نتایج به‌دست‌آمده در این پژوهش، مدل‌هایی مطمئن و پرکاربرد به‌منظور مدل‌سازی دبی پیک سیلاب برای حوضه‌های فاقد آمار ارائه می‌کند.

 

تحلیل همبستگی دومتغیره

نتایج تحلیل دومتغیرة پیرسون براساس داده‌های اولیه به شرح جدول 1 است. یافته‌ها حاکی است که دبی پیک 100سالة سیلاب ماکزیمم ارتباط را با مساحت (588/0) دارد که توسط طول رودخانة اصلی (540/0) و محیط (480/0) دنبال می‌شود. نتایج ارائه‌شده در جدول 1 همچنین نشان می‌دهد بارش سنگین با مقدار 450/0، رابطه‌ای قوی و مستقیم با دبی پیک سیلاب دارد. از سوی دیگر پوشش گیاهی با مقدار 187/0- و ارتفاع با مقدار 250/0-، رابطه‌ای معکوس با دبی پیک سیلاب دارند.

جدول 1. ماتریس همبستگی دومتغیرة پیرسون بین متغیرهای مطالعه‌شده (نویسندگان، 1400)

Table 1. Pearson bivariate correlation matrix between the studied variables (Authors, 2021)

متغیر

 

 

 

 

 

 

 

 

 

 

1.00

      

 

 

 

 

 

 

0.558**

1.00

    

 

      

 

 

0.480**

0.954**

1.00

  

 

      

 

 

-0.250**

-0.100

-0.152*

1.00

 

      

 

 

0.130

0.234**

0.318**

0.207**

1.00

 

 

 

 

 

0.450**

0.083

0.173*

-0.252**

0.105

1.00

    

 

 

-0.187**

-0.123

-0.162*

-0.517**

-0.260**

0.112

1.00

  

 

 

0.540**

0.936**

0.970**

-0.163*

0.277**

0.180**

0.141*

1.00

 

 

-0.185**

-0.165

-0.234

-0.146*

-0.234**

-0.046

0.245**

-0.230**

1.00

= دبی پیک 100سالة سیلاب، A= مساحت حوضه، P= محیط حوضه، EL= میانگین ارتفاع حوضه، S= میانگین شیب حوضه، = بارش سنگین حوضه، NDVI= تراکم پوشش گیاهی، = طول رودخانة اصلی، = شیب رودخانة اصلی، *= معنا‌داری در سطح 95 درصد و **= معنا‌داری در سطح 99 درصد

 

تحلیل رگرسیون گام‌به‌گام

در این مطالعه برای انتخاب بهترین مدل‌های تخمین دبی پیک سیلاب از روش گام‌به‌گام استفاده شد. برای دست‌یابی به نتایج مطلوب و انتخاب مدل بهینه، چهار معیار ارزیابی ضریب تعیین تعدیل‌شده ( )، خطای برآورد استاندارد ( )، معیار اطلاعات آکائیک ( ) و فاکتور تورم واریانس ( ) ارزیابی شد. از سوی دیگر، با توجه به اینکه دبی پیک سیلاب در حالت غیرخطی ارتباط بهتری با عوامل کنترل‌کننده داشت، پیش از مدل‌سازی گام‌به‌گام، لگاریتم متغیرهای وابسته و مستقل گرفته شد تا به حالت غیرخطی تبدیل شوند. معادلات و معیارهای ارزیابی برای 5 مدل گام‌به‌گام در جدول 2 نشان داده شده است. این معادلات به‌طور آماری و برپایة آزمون‌های T و F در سطح 99 درصد معنا‌دارند. یافته‌های ارائه‌شده در جدول 2 نشان می‌دهد مدل 5 که شامل 5 عامل مساحت حوضه، بارش سنگین، ارتفاع، پوشش گیاهی و شیب حوضه با ضریب تعدیل تعیین‌شدة 72/0 است، بهترین عملکرد را در تخمین دبی پیک سیلاب دارد؛ علاوه بر این نتایج نشان می‌دهد سه عامل مساحت حوضه، بارش سنگین و شیب با دبی پیک رابطة مستقیم، ولی ارتفاع و پوشش گیاهی رابطة معکوس دارند. از آنجا ‌که مدل گام‌به‌گام از آزمون تشخیص هم‌خطی چندگانه استفاده می‌کند، متغیرهای محیط حوضه و طول رودخانة اصلی از مدل حذف شدند؛ به دلیل آنکه این دو پارامتر همبستگی زیادی با پارامتر مساحت حوضه دارند.

وجود ارتباط معکوس بین ارتفاع و دبی پیک سیلاب مؤید آن است که افزایش یا کاهش ارتفاع یک حوضه با کاهش یا افزایش دادن دمای حوضه، نقشی معکوس در رخداد سیلاب دارند؛ به بیان دیگر در حوضه‌هایی که ارتفاع بیشتری دارند، دمای هوا کاهش می‌یابد و بارش اکثراً به شکل برف رخ می‌دهد و از آنجایی که برف به‌صورت تدریجی ذوب می‌شود، دبی پیک سیلاب کاهش می‌یابد. پوشش گیاهی نیز مانند ارتفاع ارتباطی معکوس را با دبی پیک سیلاب در مدل‌های ارائه‌شده نشان می‌دهد. درواقع با افزایش پوشش گیاهی حوضه، میزان نفوذ آب‌های سطحی افزایش و دبی پیک سیلاب کاهش می‌یابد؛ برای نمونه در حوضه‌های شمال و شمال غربی ایران که پوشش گیاهی به دلیل بارش مناسب و کافی زیاد است، دبی پیک سیلاب کاهش می‌یابد، ولی در حوضه‌های جنوب و جنوب شرقی ایران که میزان بارش کمتر از 200 میلی‌متر در سال است، پوشش گیاهی به کمترین میزان ممکن می‌رسد.

جدول 2. نتایج تحلیل رگرسیون گام‌به‌گام و معیارهای ارزیابی برای تخمین دبی اوج سیلاب با دورة بازگشت 100ساله در 206 حوضة آبریز ایران (همة متغیرها در سطح 99 درصد معنا‌دار هستند) (نویسندگان، 1400)

Table 2. Results of stepwise regression analysis and evaluation criteria for estimating the flood peak discharge with a return period of 100 years in 206 Iran’s catchments (all variables are significant at 99% level) (Authors, 2021)

مدل

معادلة مدل

معیارهای ارزیابی مدل

Adjusted

2

 

 

 

1

2

3

4

5

.918× 0.59

0.085× 0.53× 1.57

1.364× 0.53× 1.47× -0.33

9.183× 0.50× 1.51× -0.53× -0.91

7.798× 0.53× 1.40× -0.63× -1.14× 0.35

0.56

0.69

0.70

0.71

0.72

218.04

145.83

140.88

135.04

132.74

1.00

1.05

1.10

1.46

1.62

0.40

0.34

0.33

0.32

0.32

= دبی پیک 100سالة سیلاب، A= مساحت حوضه، = بارش سنگین حوضه، EL= میانگین ارتفاع حوضه، NDVI= تراکم پوشش گیاهی و S= میانگین شیب حوضه،  = ضریب تعیین تعدیل‌شده، = خطای برآورد استاندارد، = معیار اطلاعات آکائیک و = فاکتور تورم واریانس

بحث

نتایج این پژوهش نشان داد که مساحت حوضه با دبی پیک سیلاب رابطه‌ای مستقیم دارد. این حقیقت را پژوهشگران مختلفی ثابت کرده‌اند؛ برای نمونه (2008)Fu et al.  رابطه‌ای مستقیم بین دبی پیک سیلاب و مساحت حوضه در 20 حوضة چین براساس یک رابطة تجربی به دست آوردند. (2019)Jahangir et al.  بیان کردند که مساحت حوضه در بیشتر حوضه‌های ایران، یکی از عوامل ایجادکنندة سیلاب است. همچنین این یافته که بارش سنگین ارتباطی مستقیم در تولید سیلاب دارد، با مطالعات پیشین سازگار است. (2017)Liu et al.  عوامل مؤثر بر دبی پیک سیلاب را در جنوب غربی چین بررسی و چنین استنباط کردند که در بین عوامل بررسی‌شده (ارتفاع، شیب، نوع خاک، بارش سنگین و فعالیت‌های انسانی)، بارش‌های سنگین مهم‌ترین عامل است. در مطالعة دیگری، (2021) Tang et al. نشان دادند که بارش سنگین روزانه یکی از 5 عامل اصلی تأثیرگذار بر سیلاب است. در ایران نیز، (2019) Ghavidel and Hombari استنباط کردند که بارش‌های سنگین در مناطق جنوب غربی ایران سبب ایجاد سیلاب‌های مخرب در سال 2019 شده است. همچنین (2020) Lashkari et al. منبع رطوبت بارش‌های سنگین را در جنوب ایران بررسی کردند و گزارش دادند که در جنوب ایران، سیلاب‌های شدید توسط بارش سنگین رخ می‌دهد.

نتایج این پژوهش نشان داد که دبی پیک سیلاب با تراکم پوشش گیاهی رابطه‌ای معکوس دارد. این نوع رابطه را (2019) Machado et al. نیز بیان کرده‌اند. جایی که آنها نقش پوشش گیاهی را در کنترل سیلاب در سالوادور بررسی کردند و گزارش دادند که از بین 2386 سیلی که بین سال‌های 2005 تا 2013 در سالوادور رخ داده است، 3/99 درصد آنها در مناطقی بودند که زمین فاقد پوشش گیاهی بوده است. درواقع فقط 17 سیل از بین 2386 سیل رخ‌داده به مناطقی مربوط بوده که زمین پوشش گیاهی کافی داشته است. در پژوهشی دیگر، (2016)Khosravi et al.  از تکنیک AHP[8] استفاده کردند و گزارش دادند که پوشش گیاهی یکی از عوامل مؤثر بر سیلاب در حوضة هراز در شمال ایران است.

این حقیقت که رابطه‌ای مستقیم بین میانگین شیب حوضه و دبی پیک سیلاب وجود دارد، در مطالعات پیشین نیز گزارش شده است؛ برای نمونه (2012)EL-Hames  رابطه‌ای تجربی به‌منظور تخمین دبی پیک سیلاب برای 76 رویداد سیلاب در چهار حوضة خشک و مدیترانه‌ای در عربستان سعودی، آمریکا، عمان و اسرائیل به دست آورد. نتایج نشان داد که دبی پیک سیلاب در این مناطق ارتباطی مستقیم با شیب و مساحت حوضه دارد. از سوی دیگر، (2021)Shahabi et al.  در پژوهشی چنین بیان کردند که زاویة شیب اثری مستقیم بر رویدادهای سیلاب ایران دارد.

همچنین تأثیر معکوس ارتفاع و دبی پیک سیلاب در مطالعات متعددی اثبات شده است؛ برای نمونه (2017)Wang et al.  با بررسی عوامل مؤثر بر سیلاب شهری به این نتیجه رسیدند که شدت سیلاب رابطه‌ای معکوس با ارتفاع دارد.

 

نتیجه‌گیری

نتایج برآورد دبی پیک سیلاب با دورة بازگشت 100ساله در 206 حوضه دارای داده‌های حداکثر دبی لحظه‌ای سالانة بلندمدت (بیش از 30 سال) نشان داد که حوضه‌های جنوب غربی، جنوبی و جنوب شرقی به دلایلی نظیر وسعت زیاد، بارش سنگین، پوشش گیاهی ناکافی، شیب تند و ارتفاع کم نسبت به سایر حوضه‌های مطالعاتی قادرند دبی پیک سیلاب با حجم زیاد تولید کنند؛ بنابراین این حوضه‌ها بیشترین آسیب‌پذیری را در بین حوضه‌های مطالعاتی دارند که خسارات جانی و مالی در آنها بیش از حوضه‌های دیگر است. از سوی دیگر، با توجه به سناریوهای افزایش سیلاب‌های مخرب تحت تأثیر تغییرات آب‌وهوایی، انتظار می‌رود روند افزایش سیلاب‌های ویرانگر به‌ویژه در حوضه‌های جنوبی و جنوب غربی که بیشترین بارش سنگین را تحمل می‌کنند، نسبت به مناطق دیگر چشمگیر باشد.

به دلیل آنکه بعضی از حوضه‌های مستعد سیلاب در ایران فاقد داده‌های حداکثر دبی لحظه‌ای سالانه هستند و از سوی دیگر، مدل ارائه‌شده در این پژوهش توانست با دقت تقریباً مناسب دبی پیک سیلاب را برای 206 حوضه تخمین بزند، این مدل می‌تواند نقطة عطفی در مدل‌سازی دبی پیک سیلاب با دورة بازگشت 100ساله در نظر گرفته شود. با توجه به این مدل، پژوهشگران می‌توانند براساس 5 عامل اصلی حوضه یعنی مساحت، بارش سنگین، پوشش گیاهی، متوسط ارتفاع و متوسط شیب، مقدار دبی پیک سیلاب با دورة بازگشت 100ساله را برای حوضه‌های فاقد آمار با دقت تقریباً قابل قبول برآورد کنند. گفتنی است که محاسبة دبی پیک سیلاب برای حوضه‌های فاقد آمار به‌منظور انجام فرایندها و اقدامات بعدی مانند شبیه‌سازی پهنه، سرعت و عمق جریان با مدل‌های هیدرولیکی 1 و 2 بُعدی ضروری است. این حقیقت که پوشش گیاهی نقش زیادی در کاهش دبی پیک سیلاب در حوضه‌های ایران دارد، می‌تواند راهنمای مدیران حوضة آبریز باشد؛ به بیان دیگر مسئولان باید در کنار توجه به سازه‌ها و مهندسی رودخانه، پوشش گیاهی را به‌مثابة یکی از اصول اساسی در عملیات آبخیزداری برای مدیریت سیلاب در حوضه‌های ایران تقویت کنند.

انجام پژوهش‌های مشابه به‌منظور تحلیل عوامل مؤثر بر وقوع دبی اوج سیلاب با دوره‌های بازگشت مختلف و ارائة رابطة رگرسیونی ساده به‌منظور تخمین سیلاب در سطح کلان می‌تواند برای تخمین اولیة دبی به‌ویژه در حوضه‌های آبریز فاقد داده‌های هیدرولوژیکی ثبت‌شده، ابزار کارآمدی باشد؛ علاوه بر اینکه نقشة راهی برای مدیران حوضه‌های آبریز در مدیریت بهتر عوامل مؤثر بر وقوع سیلاب‌ها در سطح حوضه است.

 

تشکر و قدردانی

این پژوهش بخشی از پروژة «تحلیل فراوانی و مدل‌سازی دبی‌های پیک سیلاب در حوضه‌های آبریز کشور» تحت حمایت مالی صندوق حمایت از پژوهشگران و فناوران کشور با شمارة ۹۸۰۲۷۲۱۸ است. نویسندگان لازم می‌دانند از زحمات دکتر ایمان افتخاری، رئیس محترم صندوق، و کارکنان صندوق قدردانی کنند؛ همچنین از سازمان مدیریت منابع آب و سازمان هواشناسی به دلیل در اختیار گذاشتن داده‌های حداکثر دبی لحظه‌ای سالانه و بارش روزانه، و از داوران محترم که با نظرات ارزشمندشان سبب بهبود کیفیت مقاله شدند.

 

[1]. Gene-Expression Programming

[2]. Linear Genetic Programming

[3]. Logistic Regression

[4]. Regional Flood Estimation

[5]. Inverse distance weighted

[6]. Pearson bivariate analysis

[7]. Stepwise regression model

[8]. Analytic hierarchy process

References

منابع
حسینی، سید موسی، جعفربیگلو، منصور، گراوند، فاطمه، (1394)، تعیین پهنه‌های سیل‌گیر رود کشکان با استفاده از مدل هیدرولیکی به‌منظور کاهش مخاطرات سیل، مجلة مخاطرات محیطی، دورة 2، شمارة 3، صص 355- 369. Doi: 10.22059/jhsci.2015.58102
گراوند، فاطمه، (1394)، تحلیل هیدرولوژیکی رودخانة کشکان‌رود در زیرحوضة شیراوند و تعیین مرز سیلاب‌دشت، پایان‌نامة کارشناسی ارشد، استاد راهنما: حسینی، موسی، دانشگاه تهران، دانشکدة جغرافیا.
References:
Adhikari, P., Hong, Y., Douglas, K. R., Kirschbaum, D. B., Gourley, J., Adler, R., & Brakenridge, G. R. (2010). A digitized global flood inventory (1998–2008): Compilation and preliminary results. Journal of Natural Hazards, 55(2), 405-422. Doi: 10.1007/s11069-010-9537-2
Ahern, M., Kovats, R. S., Wilkinson, P., Few, R., & Matthies, F. (2005). Global health impacts of floods: Epidemiologic evidence. Journal of Epidemiologic Reviews, 27(1), 36-46. Doi: 10.1093/epirev/mxi004
Bennett, B., Leonard, M., Deng, Y., & Westra, S. (2018). An empirical investigation into the effect of antecedent precipitation on flood volume. Journal of Hydrology, 567, 435-445. Doi: 10.1016/j.jhydrol.2018.10.025
Chang, H. S., & Chen, T. L. (2016). Spatial heterogeneity of local flood vulnerability indicators within flood-prone areas in Taiwan. Environmental Earth Sciences, 75(23), 1-14. Doi: 10.1007/s12665-016-6294-x
Chau, K. W. (2017). Use of meta-heuristic techniques in rainfall-runoff modelling. Basel, Switzerland: Multidisciplinary Digital Publishing Institute.
Chuntian, C., & Chau, K. W. (2002). Three-person multi-objective conflict decision in reservoir flood control. European Journal of Operational Research, 142(3), 625-631. Doi: 10.1016/S0377-2217(01)00319-8
Croke, J., Thompson, C., & Fryirs, K. (2017). Prioritising the placement of riparian vegetation to reduce flood risk and end-of-catchment sediment yields: Important considerations in hydrologically-variable regions. Journal of Environmental Management, 190, 9-19. Doi: 10.1016/j.jenvman.2016.12.046
Doocy, S., Daniels, A., Packer, C., Dick, A., & Kirsch, T. D. (2013). The human impact of earthquakes: A historical review of events 1980-2009 and systematic literature review. Journal of Plos Currents, 5. Doi: 10.1371/currents.dis.67bd14fe457f1db0b5433a8ee20fb833
El-Hames, A. S. (2012). An empirical method for peak discharge prediction in ungauged arid and semi-arid region catchments based on morphological parameters and SCS curve number. Journal of Hydrology, 456, 94-100. Doi: 10.1016/j.jhydrol.2012.06.016
Ezemonye, M. N., & Emeribe, C. N. (2011). Flood characteristics and management adaptations in parts of the Imo river system. Ethiopian Journal of Environmental Studies and Management, 4(3), 56- 64. Doi: 10.4314/ejesm.v4i3.8
Falah, F., Rahmati, O., Rostami, M., Ahmadisharaf, E., Daliakopoulos, I. N., & Pourghasemi, H. R., (2019). Artificial neural networks for flood susceptibility mapping in data-scarce urban areas, In Spatial modeling in GIS and R for Earth and Environmental Sciences (pp. 323-336). Elsevier.
Feng, L. H., & Lu, J. (2010). The practical research on flood forecasting based on artificial neural networks. Journal of Expert Systems with Applications, 37(4), 2974-2977. Doi: 10.1016/j.eswa.2009.09.037
FitzGerald, G., Du, W., Jamal, A., Clark, M., & Hou, X. (2010). Flood fatalities in contemporary Australia (1997–2008). Journal of Emergency Medicine Australasia, 22(2), 180-186. Doi: 10.1111/j.1742-6723.2010.01284.x
Fu, S., Wei, X., & Zhang, G. (2008). Estimation of peak flows from small watersheds on the Loess Plateau of China. Hydrological Processes, 22(21), 4233-4238. doi: 10.1002/hyp.7030
Ghavidel, Y., & Hombari, F. J. (2020). Synoptic analysis of unexampled super-heavy rainfall on April 1, 2019, in west of Iran. Journal of Natural Hazards, 104(2), 1567-1580. Doi: 10.1007/s11069-020-04232-0
Gu, X., Zhang, Q., Singh, V. P., & Shi, P. (2017). Changes in magnitude and frequency of heavy precipitation across China and its potential links to summer temperature. Journal of Hydrology, 547, 718-731. Doi: 10.1016/j.jhydrol.2017.02.041
Haghizadeh, A., Siahkamari, S., Haghiabi, A. H., & Rahmati, O. (2017). Forecasting flood-prone areas using Shannon’s entropy model. Journal of Earth System Science, 126(3), 1-11. Doi: 10.1007/s12040-017-0819-x
Haynes, K., Coates, L., van den Honert, R., Gissing, A., Bird, D., de Oliveira, F. D., … & Radford, D. (2017). Exploring the circumstances surrounding flood fatalities in Australia—1900–2015 and the implications for policy and practice. Journal of Environmental Science & Policy, 76, 165-176. Doi: 10.1016/j.envsci.2017.07.003
Herget, J., Roggenkamp, T., & Krell, M. (2014). Estimation of peak discharges of historical floods. Hydrology and Earth System Sciences, 18(10), 4029-4037. Doi: 10.5194/hess-18-4029-2014
Jahangir, M. H., Reineh, S. M. M., & Abolghasemi, M. (2019). Spatial predication of flood zonation mapping in Kan River Watershed, Iran, using artificial neural network algorithm. Journal of Weather and Climate Extremes, 25, 100215. Doi: 10.1016/j.wace.2019.100215
Khosravi, K., Panahi, M., Golkarian, A., Keesstra, S. D., Saco, P. M., Bui, D. T., & Lee, S. (2020). Convolutional neural network approach for spatial prediction of flood hazard at national scale of Iran. Journal of Hydrology, 591, 125552. Doi: 10.1016/j.jhydrol.2020.125552
Khosravi, K., Pourghasemi, H. R., Chapi, K., & Bahri, M. (2016). Flash flood susceptibility analysis and its mapping using different bivariate models in Iran: A comparison between Shannon’s entropy, statistical index, and weighting factor models. Journal of Environmental Monitoring and Assessment, 188(12), 1-21. Doi: 10.1007/s10661-016-5665-9
Kirch, W., Menne, B., & Bertollini, R. (Eds.) (2005). Extreme weather events and public health responses. Berlin, Heidelberg: Springer Berlin Heidelberg.
Lashkari, H., Mohammadi, Z., & Jafari, M. (2020). Investigation on dynamical structure and moisture sources of heavy precipitation in south and south-west of Iran. Arabian Journal of Geosciences, 13(21), 1-15. Doi: 10.1007/s12517-020-06097-w
Lee, S., & Vink, K. (2015). Assessing the vulnerability of different age groups regarding flood fatalities: Case study in the Philippines. Journal of Water Policy, 17(6), 1045-1061. Doi: 10.2166/wp.2015.089
Liu, D., Fan, Z., Fu, Q., Li, M., Faiz, M. A., Ali, S., … & Khan, M. I. (2020). Random forest regression evaluation model of regional flood disaster resilience based on the whale optimization algorithm. Journal of Cleaner Production, 250, 119468. Doi: 10.1016/j.jclepro.2019.119468
Liu, Y., Yuan, X., Guo, L., Huang, Y., & Zhang, X. (2017). Driving force analysis of the temporal and spatial distribution of flash floods in Sichuan Province. Journal of Sustainability, 9(9), 1527. Doi: 10.3390/su9091527
Machado, R. A. S., Oliveira, A. G., & Lois-González, R. C. (2019). Urban ecological infrastructure: The importance of vegetation cover in the control of floods and landslides in Salvador/Bahia. Brazil. Journal of Land Use Policy, 89, 104180. Doi: 10.1016/j.landusepol.2019.104180
Mallakpour, I., Villarini, G., Jones, M. P., & Smith, J. A. (2017). On the use of Cox regression to examine the temporal clustering of flooding and heavy precipitation across the central United States. Journal of Global and Planetary Change, 155, 98-108. Doi: 10.1016/j.gloplacha.2017.07.001
Miceli, R., Sotgiu, I., & Settanni, M. (2008). Disaster preparedness and perception of flood risk: A study in an alpine valley in Italy. Journal of Environmental Psychology, 28(2), 164-173. Doi: 10.1016/j.jenvp.2007.10.006
Norouzi, G., & Taslimi, M. (2012). The impact of flood damages on production of Iran’s agricultural sector. Middle East Journal of Scientific Research, 12(7), 921-926. Doi: 10.5829/idosi.mejsr.2012.12.7.1783
Ogato, G. S., Bantider, A., Abebe, K., & Geneletti, D. (2020). Geographic information system (GIS)-Based multicriteria analysis of flooding hazard and risk in Ambo Town and its watershed, West shoa zone, oromia regional State, Ethiopia. Journal of Hydrology: Regional Studies, 27, 100659. Doi: 10.1016/j.ejrh.2019.100659
Sadeghi-Pouya, A., Nouri, J., Mansouri, N., & Kia-Lashaki, A. (2017). An indexing approach to assess flood vulnerability in the western coastal cities of Mazandaran, Iran. International Journal of Disaster Risk Reduction, 22, 304-316. Doi: 10.1016/j.ijdrr.2017.02.013
Saksena, S., & Merwade, V. (2015). Incorporating the effect of DEM resolution and accuracy for improved flood inundation mapping. Journal of Hydrology, 530, 180-194. Doi: 10.1016/j.jhydrol.2015.09.069
Salvati, P., Petrucci, O., Rossi, M., Bianchi, C., Pasqua, A. A., & Guzzetti, F. (2018). Gender, age and circumstances analysis of flood and landslide fatalities in Italy. Science of the Total Environment, 610, 867-879. Doi: 10.1016/j.scitotenv.2017.08.064
Seckin, N., & Guven, A. (2012). Estimation of peak flood discharges at ungauged sites across Turkey. Journal of Water Resources Management, 26(9), 2569-2581. Doi: 10.1007/s11269-012-0033-1
Shabanikiya, H., Seyedin, H., Haghani, H., & Ebrahimian, A. (2014). Behavior of crossing flood on foot, associated risk factors and estimating a predictive model. Journal of Natural Hazards, 73(2), 1119-1126. Doi: 10.1007/s11069-014-1124-5
Shahabi, H., Shirzadi, A., Ronoud, S., Asadi, S., Pham, B. T., Mansouripour, F., … & Bui, D .T. (2021). Flash flood susceptibility mapping using a novel deep learning model based on deep belief network, back propagation and genetic algorithm. Journal of Geoscience Frontiers, 12(3), 101100. Doi: 10.1016/j.gsf.2020.10.007
Smith, K. (2013). Environmental hazards: Assessing risk and reducing disaster. Routledge.
Tang, J., Li, Y., Cui, S., Xu, L., Hu, Y., Ding, S., & Nitivattananon, V. (2021). Analyzing the spatiotemporal dynamics of flood risk and its driving factors in a coastal watershed of southeastern China. Journal of Ecological Indicators, 121, 107134. Doi: 10.1016/j.ecolind.2020.107134
Turgut, A., & Tevfik, T. (2012). Floods and drowning incidents by floods. World Applied Sciences Journal, 16(8), 1158-1162.
Wang, C., Du, S., Wen, J., Zhang, M., Gu, H., Shi, Y., & Xu, H. (2017). Analyzing explanatory factors of urban pluvial floods in Shanghai using geographically weighted regression. Journal of Stochastic Environmental Research and Risk Assessment, 31(7), 1777-1790. Doi: 10.1007/s00477-016-1242-6
Yari, A., Ardalan, A., Ostadtaghizadeh, A., Zarezadeh, Y., Boubakran, M. S., Bidarpoor, F., & Rahimiforoushani, A. (2019). Underlying factors affecting death due to flood in Iran: A qualitative content analysis. International Journal of Disaster Risk Reduction, 40, 101258. Doi: 10.1016/j.ijdrr.2019.101258
Zorn, C. R., & Shamseldin, A. Y. (2015). Peak flood estimation using gene expression programming. Journal of Hydrology, 531, 1122-1128. Doi: 10.1016/j.jhydrol.2015.11.018
 

Files

History

  • Receive Date: 21 August 2021
  • Revise Date: 01 January 2022
  • Accept Date: 22 February 2022

Share

How to cite

Statistics