Estimating the Accuracy of the TanDEM-X Digital Elevation Model in the Simulation of Flood Hydraulic Characteristics (Case Study: Atrak River Basin)

Document Type : Research Paper

Authors

1 Post-doctoral Researcher, Department of Physical Geography, University of Tehran, Tehran, Iran

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

Abstract

Abstract
Hydraulic modelling of floods plays an important role in flood management and the related risk reduction. The case study in this research was a 20-km reach of the Atrak River in the upstream of Maraveh Tappeh City, which is one of the most hazardous regions of Iran from flood viewpoint. The aim of this research was to estimate the accuracy of the TanDEM-X digital elevation model with a resolution of 12 meters in simulating flood hydraulic characteristics. To achieve this aim, the HEC-RAS 2D model was used in steady conditions to simulate floods with a return period of 5, 10, 25, 50, 100, and 200 years. The results indicated that the inundation area varied in the range of 4.40 km2(return period of 5 years) and5.93 km2 (return period of 200 years). In the return period of 200 years, the mean flow depth and velocity increased by 67.9 and  49.5% compared to the return period of 5 years, respectively. The sensitivity test also indicated that the maximum sensitivities of the inundation area, mean flow depth, and mean flow velocity to Manning’s coefficient were4.65, 4.84, and -12.23%, respectively. The validation results of the HEC-RAS 2D model by using the inundation area extracted from Landsat-8 OLI satellite images for a return period of 10 years showed that the fit percentage indicator was 86%. The results of this study indicated an initial effort for hydraulic modelling of flood characteristics with the TDX elevation digital model.
Keywords:HEC-RAS 2D model, Frequency analysis, Hydraulic modelling, Landsat-8 satellite images

Introduction

Floods are among the most common and destructive natural disasters worldwide, imposing various adverse effects in different countries (Bui et al., 2018). These include fatalities, damage to infrastructures, people displacement, and environmental damages (Rahmati et al., 2020). Over the last decade, floods have affected millions of people worldwide and caused a damage of more than US$ 400 billion (Aerts, 2020). In Asia, more than 90% of human casualties resulting from natural disasters stem from flood events (Smith, 2003). Among several countries in Asia, Iran faces destructive floods each year due to its vast extent and heavy precipitations in most basins (Jahangir et al., 2019). Over the past 60 years, more than 3,700 flood events have been reported in Iran, while during the last decade, the damage caused by flooding has increased by 250% (Norouzi and Taslimi, 2012). Iran has recently experienced immense floods because of poor watershed management and climate change (Pouyan et al., 2021). In 2019, flooding events affected 25 out of 31 provinces, resulting in more than 77 human casualties and damage of US$ 2.2 billion (Khosravi et al., 2018). Even though we do not have an accurate answer to how climate change may impact flooding events, such as the ones that occurred in 2019(Sherpa and Shirzaei, 2021), a recent study has suggested that Iran will probably experience a higher frequency of floods in the future (Vaghefi et al., 2019). In addition, the growth of urbanization and increasing deforestation will make the condition worse (Arabameri et al., 2019).
 

Methodology

In the current study, the long-term (1977-2017) data of maximum discharge in the hydrometric station of Qazanqaya were used for the frequency analysis of Flood Peak Discharge (FPD). The stationarity in the time series of annual maximum peak discharge was checked before fitting the distribution. For computing FPD in the various return periods for the hydrometric station of Qazanqaya, the annual maximum discharge records were fitted via EasyFit software. Three goodness-of-fit criteria, including Anderson-Darling, Kolmogorov-Smirnov, and Chi-square, were adopted to select the best-fitted distribution. Finally, flood discharges with 5-, 10-, 25-, 50- 100-, and 200-yr return periods were estimated for the hydrometric station based on the corresponding best-fitted distribution. This study simulated 2D steady flow in a return period of 5-200 years using HEC-RAS 5.0 software (U.S. Army Corps of Engineering, 2016). Due to the complex numerical schemes, 2D diffusive wave equations could provide greater stability and faster calculation times (Li et al., 2020) and were thus used in this study to simulate 2D steady flows in a return period of 5 to 200 years. The peak flow discharges in the return periods of 5-200 years estimated from frequency analysis in the hydrometric station of Qazanqaya were considered as the upstream boundary conditions in the hydraulic model. Furthermore, the downstream boundary conditions were considered as normal depth conditions obtained based on the energy slope. Manning’s roughness coefficients of the main channel and floodplain were estimated based on the land cover mapand USGS method (Arcement and Schneider, 1989). In the previous studies, modification of Normalized Difference Water Index (NDWI) has been successfully done to map the flooding areas (Li et al., 2018). Hence, based on the date of the flood events, which were recorded in the hydrometric station of Qazanqaya, the flooded area was extracted from Landsat-8 OLI images. On the other hand, the fit percentage indicator proved to be useful for the validation of flood inundation models (Khojeh et al., 2022). A value of closer to 100% could denote a better agreement in flood extent modeling by TDX Digital Elevation Model.
 

Discussion

The results of hydraulic modelling indicated that the inundation area varied in the range of 4.40 square kilometers (return period of 5 years) and5.93 square kilometers (return period of 200 years). On the other hand, in the return period of 200 years, the mean flow depth and velocity increased by 67.9 and 49.5% compared to the return period of 5 years, respectively. The validation results of the HEC-RAS 2D model by using the inundation area extracted from Landsat-8 OLI satellite images for a 10-yr return period indicated that the fit percentage indicator was 86%, indicating a high agreement of flood modeling results based onthe TDX digital elevation model.
 

Conclusion

The results of the frequency analysis and estimation of flood peak discharges with a return period of 5 to 200 years in the Atrak River Basin showed that this basin with peak discharges between 487.8 m3/s (5-year flood) and 1605.6 m3/s (200-year flood) could be considered as one of the most dangerous basins in Iran, which could cause a lot of human and financial losses, especially for floods with a high return period. Although HEC-RAS 2D modeling based on the TDX digital elevation model with a resolution of 12 m indicated that this digital elevation model with an accuracy of 86% (14% error) was probably better than digital elevation models, such as SRTM, ASTER, and ALOS, with a resolution of 30 m , its validation for other flood-prone areas of Iran was necessary.
 
References
- Aerts, J. C. J. H. (2020). Integrating agent-based approaches with flood risk models: A review and perspective. Water Security, 11, 100076.
- Arabameri, A., Rezaei, K., Cerdà, A., Conoscenti, C., & Kalantari, Z. (2019). A comparison of statistical methods and multi-criteria decision-making to map flood hazard susceptibility in Northern Iran. Science of the Total Environment, 660, 443-458.
- Arcement, G. J., & Schneider, V. R. (1989). Guide for selecting Manning's roughness coefficients for natural channels and flood plains. Available from the US Geological Survey, Books, and Open-File Reports Section, Box 25425, Federal Center, Denver, CO 80225-0425, Water-Supply Paper, 2339, 1989, p. 38,  Fig. 22, Tab 4, Ref. 23.
- Bales, J. D., & Wagner, C. R. (2009). Sources of uncertainty in flood inundation maps. Journal of Flood Risk Management, 2(2), 139-147.
- Brunner, G.W. (2016). HEC-RAS River Analysis System, 2D Modeling User’s Manual, Version 5.0. Davis, CA.
- Bui, D. T., Panahi, M., Shahabi, H., Singh, V. P., Shirzadi, A., Chapi, K., & Ahmad, B. B. (2018). Novel hybrid evolutionary algorithms for spatial prediction of floods. Scientific Reports, 8(1), 1-14.
- Costabile, P., Costanzo, C., Ferraro, D., Macchione, F., & Petaccia, G. (2020). Performances of the new HEC-RAS,Version 5 for 2-D hydrodynamic-based rainfall-runoff simulations at basin scale: Comparison with a state-of-the art model. Water, 12(9), 2326.
- Dong, Y., Zhao, J., Floricioiu, D., Krieger, L., Fritz, T., & Eineder, M. (2021). High-resolution topography of the Antarctic Peninsula combining the TanDEM-X DEM and Reference Elevation Model of Antarctica (REMA) mosaic. The Cryosphere, 15(9), 4421-4443.
- Falter, D., Vorogushyn, S., Lhomme, J., Apel, H., Gouldby, B., & Merz, B. (2013). Hydraulic model evaluation for large-scale flood risk assessments. Hydrological Processes, 27(9), 1331-1340.
- Golshan, M., Jahanshahi, A., & Afzali, A. (2016). Flood hazard zoning using HEC-RAS in GIS environment and impact of manning roughness coefficient changes on flood zones in Semi-arid climate. Desert, 21(1), 24-34.
- Grohmann, C. H. (2018). Evaluation of TanDEM-X DEMs on selected Brazilian sites: Comparison with SRTM, ASTER GDEM, and ALOS AW3D30. Remote Sensing of Environment, 212, 121-133.
- 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.
- Hamed, K. H. (2008). Trend detection in hydrologic data: The Mann–Kendall trend test under the scaling hypothesis. Journal of hydrology, 349(3-4), 350-363.
- Jahangir, M. H., Reineh, S. M. M., & Abolghasemi, M. (2019). Spatial predication of flood zonation mapping in Kan River Basin, Iran, using artificial neural network algorithm. Weather and Climate Extremes, 25, 100215.
- Janizadeh, S., Pal, S. C., Saha, A., Chowdhuri, I., Ahmadi, K., Mirzaei, S., & Tiefenbacher, J. P. (2021). Mapping the spatial and temporal variability of flood hazard affected by climate and land-use changes in the future. Journal of Environmental Management, 298, 113551.
- Karamouz, M., & Mahani, F. F. (2021). DEM uncertainty based coastal flood inundation modeling considering water quality impacts. Water Resources Management, 35(10), 3083-3103.
- Khojeh, S., Ataie-Ashtiani, B., & Hosseini, S. M. (2022). Effect of DEM resolution in flood modeling: Acase study of Gorganrood River, Northeastern Iran. Natural Hazards, 1-21.
- Khosravi, K., Pham, B. T., Chapi, K., Shirzadi, A., Shahabi, H., Revhaug, I., & Bui, D. T. (2018). A comparative assessment of decision tree algorithms for flash flood susceptibility modeling at Haraz Watershed, northern Iran. Science of the Total Environment, 627, 744-755.
- Leitao, J. P., Boonya-Aroonnet, S., Prodanović, D., & Maksimović, Č. (2009). The influence of digital elevation model resolution on overland flow networks for modeling urban pluvial flooding. Water Science and Technology, 60(12), 3137-3149.
- Li, J., Yang, X., Maffei, C., Tooth, S., & Yao, G. (2018). Applying independent component analysis on Sentinel-2 imagery to characterize geomorphological responses to an extreme flood event near the non-vegetated Río Colorado terminus, Salar de Uyuni, Bolivia. Remote Sensing, 10(5), 725.
- Li, J., Zhao, Y., Bates, P., Neal, J., Tooth, S., Hawker, L., & Maffei, C. (2020). Digital Elevation Models for topographic characterization and flood flow modeling along low-gradient, terminal dryland rivers: A comparison of spaceborne datasets for the Río Colorado, Bolivia. Journal of Hydrology, 591, 125617.
- Modarres, R., Sarhadi, A., & Burn, D. H. (2016). Changes of extreme drought and flood events in Iran. Global and Planetary Change, 144, 67-81.
- Muench, R., Cherrington, E., Griffin, R., & Mamane, B. (2022). Assessment of Open Access Global Elevation Model Errors Impact on Flood Extents in Southern Niger. Frontiers in Environmental Science, 547.
- Muthusamy, M., Casado, M. R., Butler, D., & Leinster, P. (2021). Understanding the effects of Digital Elevation Model resolution in urban fluvial flood modeling. Journal of Hydrology, 596, 126088.
- Norouzi, G., & Taslimi, M. (2012). The impact of flood damages on the production of Iran’s Agricultural Sector. Middle East J Sci. Res., 12, 921-926.
- Papaioannou, G., Loukas, A., Vasiliades, L., & Aronica, G. T. (2016). Flood inundation mapping sensitivity to riverine spatial resolution and modeling approach. Natural Hazards, 83(1), 117-132.
- Phillips, J. D. (1988). Incorporating fluvial change in hydrologic simulations: Acase study in coastal North Carolina. Applied Geography, 8(1), 25-36.
- Pinos, J., & Timbe, L. (2019). Performance assessment of two-dimensional hydraulic models for generation of flood inundation maps in mountain river basins. Water Science and Engineering, 12(1), 11-18.
- Pouyan, S., Pourghasemi, H. R., Bordbar, M., Rahmanian, S., & Clague, J. J. (2021). A multi-hazard map-based flooding, gully erosion, forest fires, and earthquakes in Iran. Scientific Reports, 11(1), 1-19.
- Rahmati, O., Darabi, H., Panahi, M., Kalantari, Z., Naghibi, S. A., Ferreira, C. S. S., & Haghighi, A. T. (2020). Development of novel hybridized models for urban flood susceptibility mapping. Scientific Reports, 10(1), 1-19.
- Rangari, V. A., Umamahesh, N. V., & Bhatt, C. M. (2019). Assessment of inundation risk in urban floods using HEC RAS 2D. Modeling Earth Systems and Environment, 5(4), 1839-1851.
- Rizzoli, P., Martone, M., Gonzalez, C., Wecklich, C., Tridon, D. B., Bräutigam, B., & Moreira, A. (2017). Generation and performance assessment of the global TanDEM-X digital elevation model. ISPRS Journal of Photogrammetry and Remote Sensing, 132, 119-139.
- Saksena, S., & Merwade, V. (2015). Incorporating the effect of DEM resolution and accuracy for improved flood inundation mapping. Journal of Hydrology, 530, 180-194.
- Sheikh, V. (2014). Analysis of hydroclimatic trends in the Atrak River Basin, North Khorasan, Iran (1975–2008). Environmental Resources Research, 2(1), 1-14.
- Sherpa, S. F., & Shirzaei, M. (2022). Country-wide flood exposure analysis using Sentinel-1 synthetic aperture radar data: Case study of 2019 Iran flood. Journal of Flood Risk Management, 15(1), e12770.
- Shi, X., Qin, T., Nie, H., Weng, B., & He, S. (2019). Changes in major global river discharges directed into the ocean. International Journal of Environmental Research and Public Health, 16(8), 1469.
- Smith, K. (2003). Environmental hazards: Assessing risk and reducing disaster. Routledge.
- Srinivas, V. V., Tripathi, S., Rao, A. R., & Govindaraju, R. S. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology, 348(1-2), 148-166.
- Tamiru, H., & Wagari, M. (2022). Machine-learning and HEC-RAS integrated models for flood inundation mapping in Baro River Basin, Ethiopia. Modeling Earth Systems and Environment, 8(2), 2291-2303.
- Tayefi, V., Lane, S. N., Hardy, R. J., & Yu, D. (2007). A comparison of one- and two-dimensional approaches to modeling flood inundation over complex upland floodplains. Hydrological Processes: An International Journal, 21(23), 3190-3202.
- U.S. Army Corps of Engineering. (2016). HEC-RAS 5.0 Hydraulic Reference Manual. U.S. Army Corps of Engineers, Institute for Water Resources, Hydrologic Engineering Center, Davis, CA, USA, CPD-68.
- Utlu, M., & Özdemir, H. (2020). How much spatial resolution do we need to model a local flood event? Benchmark testing based on UAV data from Biga River (Turkey). Arabian Journal of Geosciences, 13(24), 1-14.
- Vaghefi, S. A., Keykhai, M., Jahanbakhshi, F., Sheikholeslami, J., Ahmadi, A., Yang, H., &Abbaspour, K. C. (2019). The future of extreme climate in Iran. Scientific Reports, 9(1), 1-11.
- Wessel, B. (2016). TanDEM-X Ground Segment–DEM Products Specification Document. German Space Center.
- Wessel, B., Huber, M., Wohlfart, C., Marschalk, U., Kosmann, D., & Roth, A. (2018). Accuracy assessment of the global TanDEM-X Digital Elevation Model with GPS data. ISPRS Journal of Photogrammetry and Remote Sensing, 139, 171-182.
- Xu, H. (2006). Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025-3033.
- Xu, K., Fang, J., Fang, Y., Sun, Q., Wu, C., & Liu, M. (2021). The Importance of Digital Elevation Model Selection in Flood Simulation and AProposed Method to Reduce DEM Errors: A Case Study in Shanghai. International Journal of Disaster Risk Science, 12(6), 890-902.
- Zhang, K., Gann, D., Ross, M., Biswas, H., Li, Y., & Rhome, J. (2019a). Comparison of TanDEM-X DEM with LiDAR data for accuracy assessment in a coastal urban area. Remote Sensing, 11(7), 876.
- Zhang, K., Gann, D., Ross, M., Robertson, Q., Sarmiento, J., Santana, S., & Fritz, C. (2019b). Accuracy assessment of ASTER, SRTM, ALOS, and TDX DEMs for Hispaniola and implications for mapping vulnerability to coastal flooding. Remote Sensing of Environment, 225, 290-306.
 

Keywords

Full Text

مقدمه

سیلاب، یکی از شایع‌ترین و مخرب‌ترین بلایای طبیعی در سراسر جهان است که اثرات نامطلوب متنوعی را در کشورهای مختلف تحمیل می‌کند (Bui et al., 2018). این موارد شامل تلفات، آسیب به زیرساخت‌ها، جابه‌جایی افراد و آسیب‌های زیست‌محیطی است (Rahmati et al., 2020). طی دهۀ گذشته، سیل‌ میلیون‌ها نفر را در سراسر جهان تحت‌تأثیر قرار داده و بیش از 400 میلیارد دلار خسارت وارد کرده است (Aerts, 2020). در آسیا، بیش از 90 درصد از تلفات انسانی ایجادشده از بلایای طبیعی ناشی از حوادث سیل است (Smith, 2003). میان چندین کشور آسیایی، ایران به دلیل گستردگی وسیع حوضه‌ها و بارش سنگین، هرساله با سیلاب‌های مخرب مواجه می‌شود (Jahangir et al., 2019). در طول 60 سال گذشته، بیش از 3700 رویداد سیل در ایران گزارش شده است؛ در حالی‌ که طی دهۀ گذشته، خسارات ناشی از سیل 250 درصد افزایش یافته است (Norouzi & Taslimi, 2012). ایران به‌تازگی به دلیل تأثیر مدیریت ضعیف حوضۀ آبریز و تغییرات اقلیمی، سیل‌های عظیمی را تجربه کرده است (Pouyan et al., 2021). در سال 2019، حوادث سیل، 25 استان را از 31 استان تحت‌تأثیر قرار داد که به بیش از 77 تلفات انسانی و خسارت 2/2 میلیارد دلاری منجر شد (Khosravi et al., 2018). اگرچه پاسخ دقیقی برای نحوۀ تأثیر تغییرات آب‌وهوایی روی رویدادهای سیل نیست؛ مانند آنچه در سال 2019 رخ داد (Sherpa & Shirzaei, 2021). مطالعۀ اخیر نشان داده است که ایران به‌احتمال فراوانی بیشتری را از سیل در آینده تجربه خواهد کرد (Vaghefi et al., 2019). علاوه بر این، رشد شهرنشینی و افزایش جنگل‌زدایی وضعیت را بدتر می‌کند (Arabameri et al., 2019).

سیل با چندین پارامتر محیطی ایجاد می‌شود. این پارامترها شامل هواشناسی، ژئومورفولوژی و هیدرولوژیکی است و می‌تواند با فعالیت‌های انسانی تشدید شود (Janizadeh et al., 2021). در این زمینه، مدل‌سازی دقیق سیل‌ها نقش مهمی در مدیریت بهتر و مناسب سیل و کاهش خطرات مرتبط دارد (Muthusamy et al., 2021). پیشرفت‌های اخیر در قدرت محاسباتی کارآمد، روش‌های جدید نقشه‌برداری توپوگرافی زمین و تکنیک‌های عددی قابل‌اعتمادتر، مدل‌سازی سیل را به‌طور چشمگیری افزایش داده است (Costabile et al., 2020). مدل‌های عددی زیادی در دسترس هستند که قابلیت‌های متفاوتی برای مدل‌سازی سیلاب دارند. یکی از محبوب‌ترین مدل‌ها، HEC-RAS است که با موفقیت برای مطالعات سیلاب استفاده شده است (Golshan et al., 2016)؛ با این‌ حال یکی از مهم‌ترین محدودیت‌های مدل HEC-RAS جریان یک بعدی بود (Tayefi et al., 2007). اگرچه مدل یک بعدی فرآیندهای درون کانال رودخانه را شبیه‌سازی می‌کند، محدودیت‌های متعددی را برای تجزیه‌وتحلیل سرریز[1] ارائه می‌دهد (Falter et al., 2013). به‌منظور اجتناب از این محدودیت‌ها و نبودِ قطعیت‌ها، پژوهش‌های اخیر استفاده از مدل‌های دوبعدی را با سطوح زیادی از جزئیات پیشنهاد می‌کنند. در سال 2014 نسخۀ 5 HEC-RAS با قابلیت‌های دو بعدی معرفی و عرضه شد (Brunner, 2016). بسیاری از مطالعات قابلیت خوب HEC-RAS نسخۀ 5 را برای مدل‌سازی و مدیریت خطر سیل بیان کردند (Costabile et al., 2020).

نقشه‌های پهنۀ سیل اغلب برای شناسایی مناطق سیل‌خیز در سراسر جهان استفاده می‌شود (Karamouz & Mahani, 2021). اگرچه این نقشه‌ها مناطق مستعد سیل را براساس داده‌های فنی موجود شناسایی می‌کند، صرف‌نظر از نحوۀ ایجاد نقشه‌ها، سطوح مختلفی از نبودِ قطعیت دارد (Bales and Wagner, 2009). منابع این نبودِ قطعیت‌ها شامل داده‌های توپوگرافی، انتخاب مدل، پارامترهای مدل، مفروضات مدل و اندازه‌گیری‌های دبی رودخانه است (Saksena & Merwade, 2015). میان این منابع مختلف، داده‌های توپوگرافی یکی از مهم‌ترین عوامل مؤثر بر دقت نقشه‌های طغیان سیل است. آن‌ها در قالب مدل‌های رقومی ارتفاع (DEMs) اغلب برای ایجاد یک مدل هیدرولیکی و شبیه‌سازی سیلاب استفاده می‌شوند (Saksena & Merwade, 2015). دقت مدل هیدرولیکی برای ترسیم نقشۀ طغیان سیل اغلب به ‌دقت DEM بستگی دارد که به‌طور معمول از تصاویر ماهواره‌ای استخراج می‌شود (Papaioannou et al., 2016). درواقع، DEM‌ها برای مدل‌سازی طغیان سیل بسیار مهم هستند؛ زیرا اطلاعات سطح زمین را نشان می‌دهند که آب را در طول یک رویداد سیل هدایت می‌کنند (Utlu & Özdemir, 2020). DEMهای با وضوح زیاد به‌طور دقیق مسیر سیل، سرعت و عمق جریان را مدل می‌کنند (Leitão et al., 2009)؛ با این‌ حال، DEMهای با وضوح زیاد (به‌عنوان مثال، LiDAR) در برخی کشورها گران‌قیمت هستند یا در دسترس نیستند. در دسترس بودن DEMهای با وضوح زیاد در کشورهای درحال‌توسعه بحرانی‌تر است که منابع مالی برای تولید داده‌های توپوگرافی محدود است (Pinos and Timbe, 2019).

DEMهای جهانی در حال حاضر عبارت‌اند از SRTM، ASTER و ALOS؛ در حالی‌ که SRTM براساس پردازش تداخل سنجی راداری ساخته شده است، ASTER و ALOS با استفاده از پردازش فتوگرامتری تصاویر ماهواره‌ای بصری ساخته شده‌اند؛ بنابراین به دلیل پوشش ابری در تصاویر اصلی حاوی فضاهای خالی و مصنوع هستند (Grohmann, 2018). این سه DEM برای پهنه‌بندی مناطق خطر سیل در مقیاس جهانی استفاده شده‌اند. با انتشار اخیر یک DEM جهانی (یعنی TDX)، داده‌های بیشتری برای مدل‌سازی و نقشه‌برداری طغیان سیل در دسترس است (Zhang et al., 2019b: 2). مشابه SRTM، TDX نیز با پردازش تداخل سنجی راداری تولید می‌شود و مأموریت آن در درجۀ اول ایجاد یک DEM جهانی بی‌سابقه با وضوح و سازگاری زیاد است (Rizzoli et al., 2017). مأموریت مدل رقومی ارتفاعی TDX از سال 2010 تا 2015 از سوی مرکز هوافضای آلمان با مشارکت Airbus Defense and Space تولید یک DEM جهانی بین عرض‌های جغرافیایی 90 درجۀ شمالی و 90 درجۀ جنوبی بود (Rizzoli et al., 2017). علاوه بر این، یک عامل اصلی، که به کامل‌بودن مدل رقومی ارتفاعی TDX کمک می‌کند، این است که تحت‌تأثیر پوشش ابر یا شرایط مختلف نور خورشید قرار نمی‌گیرد (Dong et al. 2021). قدرت تفکیک این مدل رقومی ارتفاعی در جهت عرض جغرافیایی 12 متر است (Wessel, 2016).

پژوهش‌های متعددی در سطح جهان در زمینۀ تأثیر قدرت تفکیک DEM بر مدل‌سازی سیلاب و برآورد میزان دقت DEMهای مختلف انجام شده است. برآورد میزان دقت مدل‌های رقومی ارتفاعی ASTER، SRTM، ALOS و TDX برای مدل‌سازی سیلاب ساحلی با استفاده از داده‌های GPS و مدل رقومی ارتفاعی LiDAR با قدرت تفکیک 1 متر در مناطق ساحلی جزیرۀ هیسپانیولا[2] مؤید آن بود که مدل‌های رقومی ارتفاعی ASTER و TDX به‌ترتیب دارای بدترین و بهترین دقت در زمینۀ مدل‌سازی سیلاب ساحلی بودند (Zhang et al., 2019b). مقایسۀ مدل‌سازی سیلاب با استفاده از مدل‌های رقومی ارتفاعی ASTER، MERIT، TDX، SRTM، NASADEM و ALOS با اندازه‌گیری‌های GPS در ریو کلرادو (کشور بولیوی) نشان داد که خطای جذر میانگین مربعات (RMSE[3]) مدل رقومی ارتفاعی TDX نسبت‎به مدل‌های رقومی دیگر بسیار کمتر است (Li et al., 2020). تحلیل میزان دقت مدل‌های رقومی ارتفاعی SRTM، MERIT، CoastalDEM، GDEM، NASADEM و AW3D30 با استفاده از مدل هیدرودینامیکی LISFLOOD-FP در شانگهای چین بشان‌دهنده‌ی آن بود که با کاهش وضوح DEM، پهنۀ سیلابی و عمق جریان برای همۀ DEMها افزایش می‌یابد. این نشان از آن دارد که استفاده از DEMهای با وضوح کمتر به خطاهای بیشتری در مشخصات هیدرولیکی سیلاب منجر می‌شود (Xu et al., 2021). مدل‌سازی سیل رودخانه‌ای با استفاده از DEM با قدرت تفکیک 25 سانتی‌متر در شمال غربی انگلستان نشان داد، زمانی که قدرت تفکیک DEM از 1 متر به 50 متر تغییر می‌کند، پهنۀ سیلابی و عمق جریان به‌ترتیب 30 و 150 درصد افزایش می‌یابد (Muthusamy et al., 2021). تحلیل دقت عمودی مطلق چهار DEM جهانی شامل SRTM، ASTER، ALOS و MERITبا توجه به مدل رقومی ارتفاعی LiDAR در جنوب کشور نیجر نشان‌دهندۀ آن بود که مدل رقومی ارتفاعی ALOS به شبیه‌سازی‌های انجام‌شده از سوی LiDAR نزدیک‌تر است؛ همچنین نتایج آن‌ها حاکی از آن بود که در سیلاب‌هایی، که عمق آب کمتر از 3 متر است، پهنۀ سیلابی در DEMهای با قدرت تفکیک مکانی بیشتر، کمتر از DEMهای با قدرت تفکیک مکانی پایین‌تر است (Muench et al., 2022).

در کشور ایران نیز مطالعاتی در زمینۀ تعیین مدل رقومی ارتفاعی مناسب برای مدل‌سازی طی سال‌های اخیر انجام شده است؛ برای نمونه، مدل‌های رقومی ارتفاعی ASTER، SRTM و ALOS با استفاده از نقشه‌های توپوگرافی برای مدل‌سازی سیلاب در دو رودخانۀ سرباز و سجاس ارزیابی شدند. نتایج به‌دست‌آمده حاکی از آن بود که مدل رقومی ارتفاعی ALOS نسبت‌به ASTER و SRTM، قابلیت به‌مراتب بیشتری برای مدل‌سازی هیدرولیکی سیلاب دارد (عزیزیان، 1397). ارتباط بین عملکرد مدل‌های رقومی ارتفاعی با ویژگی‌های ریخت‌شناسی رودخانه برای انجام مدل‌سازی سیلاب در چهار استان زنجان، البرز، گلستان و سیستان و بلوچستان با 3 مدل رقومی ارتفاعی ALOS، SRTM و ASTER با قدرت تفکیک مکانی 30 متر نشان‌دهندۀ دقت زیاد مدل ALOS در تعیین تراز سطح آب بود. از طرف دیگر، نتایج نشان از آن داشت که عملکرد مدل‌های رقومی ارتفاعی موردمطالعه در پهنه‌بندی رودخانه‌های عریض و مستقیم بهتر از رودخانه‌های باریک و پیچان‌رودی است (آرش و همکاران، 1399). تأثیر قدرت تفکیک مدل رقومی ارتفاعی و ضریب زبری مانینگ بر کارایی مدل HEC-RAS-WMS در تعیین پهنه‌های مخاطرۀ سیلاب در رودخانۀ کشکان مؤید آن بود که افزایش قدرت تفکیک مدل رقومی ارتفاعی در تعیین پهنه‌های آسیب‌پذیر سیلاب بسیار اثرگذار است؛ همچنین مدل HEC-RAS-WMS به تغییرات ضریب زبری مانینگ حساس بوده و باید برای تعیین پهنه‌های سیلاب در این مدل به تغییرات ضریب زبری و تعیین آن دقت لازم به عمل آید) حسینی و همکاران، 1400). تحلیل کارایی مدل‌های رقومی ارتفاعی SRTM و ASTER با توجه به داده‌های GPS دو فرکانسه به‌عنوان مبنا در استان‌های قزوین و مازندران حاکی از آن بود که مدل رقومی ارتفاعی SRTM نسبت‌به ASTER قابلیت به‌مراتب مناسب‌تری در تخمین رقوم ارتفاعی دارد؛ همچنین ارزیابی دقت ارتفاعی منابع مختلف در کاربری‌های گوناگون حاکی از عملکرد قابل‌قبول SRTM در بیشتر کاربری‌ها به غیر از نواحی کوهستانی و جنگلی است (کوهی و عزیزیان، 1400).

وقوع سیلاب‌های مخرب و تحمیل خسارات جانی و مالی در سطح کشور به‌خصوص استان‌های شمالی، این موضوع را در ذهن تداعی می‌کند که مدل‌سازی هیدرولیکی در مناطق مخاطره‌آمیز انجام نشده است یا دقت و کارایی لازم را ندارد. از طرف دیگر، به دلیل آنکه دقت مدل هیدرولیک برای تشخیص پهنه‌های سیلابی و تهیه نقشۀ ریسک سیلاب به‌ دقت داده‌های هندسی رودخانه بستگی دارد که از مدل رقومی ارتفاعی استخراج می‌شود، نخستین گام در ارزیابی و مدیریت مخاطرات سیلاب، تهیۀ مدل رقومی ارتفاعی با قدرت تفکیک مکانی زیاد است. از آنجایی‌ که تهیۀ مدل‌های رقومی ارتفاعی مانند LiDAR با قدرت تفکیک مکانی 1 متر برای ایران بسیار هزینه‌بر است، برآورد دقت مدل‌های رقومی ارتفاعی مختلف برای انتخاب مناسب‌ترین مدل رقومی ارتفاعی در دسترس در کشورهای درحال‌توسعه مانند ایران اهمیت بسزایی دارد. اگرچه در مطالعات قبلی میزان دقت مدل‌های رقومی ارتفاعی مانند ASTER، SRTM و ALOS برای مدل‌سازی سیلاب در مناطق مختلف ایران ارزیابی شده است، تاکنون هیچ پژوهشی در زمینۀ برآورد دقت مدل رقومی ارتفاعی TDX با قدرت تفکیک مکانی 12 متر برای شبیه‌سازی هیدرولیک سیلاب در ایران انجام نشده است. در این پژوهش، مدل رقومی ارتفاعی TDX با قدرت تفکیک 12 متر در محدودۀ موردمطالعه از مرکز هوافضای آلمان تهیه شده است تا در صورت داشتن دقت مناسب از آن برای سایر مناطق ایران استفاده کرد. کاربرد آن در شبیه‌سازی مشخصات هیدرولیک سیلاب نظیر پهنۀ سیلاب، عمق و سرعت جریان در دورۀ بازگشت‌های مختلف در کاهش خسارات جانی و مالی سیلاب در منطقۀ موردمطالعه تأثیر چشمگیری داشته است. کاربرد دیگر این پژوهش به‌عنوان نقطۀ عطفی برای مدل‌سازی هیدرولیکی مشخصات سیلاب با مدل رقومی ارتفاعی TDX در نظر گرفته می‌شود که به استفاده‌کردن یا نکردن از این مدل رقومی ارتفاعی در تحقیقات آینده در سایر مناطق ایران کمک شایانی می‌کند.

 

منطقۀ موردمطالعه

حوضۀ رودخانۀ اترک در بالادست شهرستان مراوه‌تپه با مساحتی حدود 17000 کیلومترمربع و جمعیتی بالغ بر 850000 نفر (مرکز آمار ایران، 1395) در شمال شرق ایران واقع شده است (شکل 1). ارتفاع حوضه از 190 تا 3000 متر بالای سطح آب‌های آزاد تغییر می‌کند و ژئومورفولوژی حوضه با مجموعه‌ای از کوه‌ها و دره‌ها مشخص می‌شود که دارای جهت غالب شمال غربی - جنوب شرقی است. دشت‌ها و کوهستان‌ها به‌ترتیب 6/10 و 4/89 درصد از مساحت حوضه را تشکیل می‌دهند و میانگین شیب حوضه حدود 20 درصد است. رودخانۀ اترک، مهم‌ترین رودخانۀ این حوضه است، از کوه‌های شمال شرقی ایران سرچشمه می‌گیرد و به دریای خزر ختم می‌شود (یزدانی و همکاران، 1395: 5). آب‌وهوای حوضۀ اترک اغلب نیمه‌خشک است و میزان بارندگی در محدودۀ 225 میلی‌متر در سال در بخش‌های جنوب شرقی تا 360 میلی‌متر در سال در بخش‌های شمال غربی با میانگین 276 میلی‌متر در سال است (سازمان هواشناسی کشور، 2020). الگوهای بارش با توجه به شرایط فیزیوگرافی متفاوت است. در دشت‌ها، بارندگی اغلب به‌جز در زمستان، که به‌صورت برف می‌بارد، به‌صورت باران است؛ در حالی ‌که در کوه‌های مرتفع، برف اغلب در پاییز و زمستان می‌بارد (Sheikh, 2014: 3). این حوضه، یکی از حوضه‌های بزرگ و مهم ایران است که در سال‌های گذشته شاهد وقوع تعداد زیادی سیل ناگهانی بوده و به تلفات جانی و مالی منجر شده است؛ به‌عنوان‌مثال، به سیل‌های 16 اردیبهشت و 18 و 19 مرداد 1380 یا 21 مرداد 1381 اشاره می‌شود (علیزاده و همکاران، 1381: 1).

 

شکل (1) موقعیت جغرافیایی حوضۀ رودخانۀ اترک و بازۀ موردبررسی برای مدل‌سازی سیلاب با مدل رقومی ارتفاعی TDX (نویسندگان، 1401)

Figure (1) The geographical location of Atrak River Basin and the study reach for flood modeling with TDX DEM (Authors, 2022)

 

این حوضه به دلیل وجود رسوبات لُسی با فرسایش‌پذیری زیاد، فقر پوشش گیاهی، نفوذپذیری کم و بارش‌های سنگین جزو مخاطره‌آمیزترین حوضه‌های ایران در زمینۀ سیلاب محسوب می‌شود (گزارش مدیریت سیلاب ادارۀ منابع طبیعی گلستان، 1397). براساس گزارش‌ها و تحقیقات منتشرشده مخاطره‌آمیزترین منطقۀ حوضۀ اترک در محدودۀ بالادست شهر مراوه‌تپه است که در دهه‌های اخیر خسارت متعدد جانی و مالی متعددی به جا گذاشته است؛ به‌عنوان نمونه، در پی بارش‌های سیل‌آسای شهریور 95، سه نفر از اعضای یک خانواده در روستای پالچقلی آغلر جان خود را از دست دادند. در اسفند 1397 دو روستای قره قاشلی و شورجه در محاصرۀ کامل آب رودخانه اترک قرار گرفته‌اند یا در اثر سیلاب فروردین 1399، ۲۹۶ میلیارد ریال به بخش‌ها و زیرساخت‌های مختلف برخی از روستاهای این شهرستان خسارت وارد شد (فرمانداری مراوه‌تپه، 1397 و 1399). درمجموع، وسعت زیاد حوضۀ اترک در بالادست شهر مراوه‌تپه، تنوع شرایط توپوگرافی، کمبود و تغییرات مکانی پوشش گیاهی و بارش‌های سنگین این منطقه را به‌ منطقه‌ای بحرانی ازنظر سیلاب تبدیل کرده است. با توجه به این شرایط، در این پژوهش به مدل‌سازی سیلاب در بازۀ 20 کیلومتری بالادست شهر مراوه‌تپه براساس داده‌های بلندمدت دبی اوج لحظه‌ای ایستگاه قازانقایه توجه شده است (شکل 1).

 

مواد و روش‌ها

تحلیل فراوانی

تخمین بزرگی سیلاب با دوره‌های بازگشت مختلف برای مدل‌سازی هیدرولیکی سیل ضروری است (Srinivas et al., 2008). در پژوهش حاضر، داده‌های بلندمدت (از سال 1356 تا 1396) دبی اوج لحظه‌ای سالانه در ایستگاه هیدرومتری قازانقایه (شکل 1) برای تحلیل فراوانی دبی پیک سیل استفاده شدند. در این راستا، ابتدا ایستایی داده‌های اوج دبی لحظه‌ای سیلاب در طول زمان کنترل شد. بدین منظور طی سال‌های گذشته محققان روش‌های مختلف پارامتر و ناپارامتری را برای بررسی ایستایی یا نبودِ ایستایی ارائه دادند. در روش‌های پارامتری نیاز است که داده‌ها مستقل باشند و از توزیع نرمال پیروی کنند. در صورتی ‌که در روش‌های غیرپارامتری نیاز نیست که داده‌ها از توزیع نرمال پیروی کنند و این روش‌ها حساسیت کمتری نسبت‌به داده‌های پرت و گم‌شده دارند. از بین آزمون‌های روند غیرپارامتری برای تشخیص روند سری‌های زمانی هیدرولوژیک، روش من کندال[4] مناسب‌تر است. به‌خصوص برای داده‌های هیدرولوژی که نامتواز‌ن‌اند و داده‌های پرت دارند (Hamed, 2008). این آزمون این‌گونه تعریف می‌شود:

                                   (1)

جایی که n طول توالی[5] و s یک مقدار آماری است:

                                                     (2)

جایی که  sgn (Xi - Xj)برابر با 1، صفر و 1- است. زمانی که (Xi - Xj) به‌ترتیب بزرگ‌تر، مساوی یا کمتر از صفر باشد (Shi et al., 2019: 5). در مرحلۀ بعد، با استفاده از نرم‌افزار Easyfit بهترین توزیع برازشی به داده‌های اوج دبی لحظه‌ای داده شد. برای این منظور، سه معیار ارزیابی، ازجمله اندرسون-دارلینگ[6]، کولموگروف-اسمیرنوف[7] و کای اسکوئر[8] در سطح اعتماد 95 درصد (α=0.05) برای انتخاب بهترین توزیع استفاده شدند. بعد از انتخاب بهترین توزیع برای داده‌های مدنظر، با بهره‌گیری از تابع توزیع تجمعی معکوس[9] در نرم‌افزار Easyfit دبی‌های پیک سیلاب در دوره‌های بازگشت 5، 10، 25، 50، 100 و 200 ساله برای ایستگاه هیدرومتری قازانقایه برآورد شدند. از آنجایی ‌که بارش‌های سنگین نقش مهمی در وقوع دبی‌های پیک اوج لحظه‌ای و سیلاب‌های مخرب دارند، ارتباط بین بارش‌های سنگین و فراوانی وقوع سیلاب در حوضۀ موردمطالعه کنار سایر تحلیل‌ها تعیین شد. در این زمینه براساس آمار درازمدت (سال‌های 1356 تا 1396) بارش روزانه در ایستگاه‌های سینوپتیک موجود در منطقه (قوچان، شیروان، بجنورد و مراوه‌تپه) و صدک 95 به‌عنوان مرز بارش‌های سنگین (Gu et al., 2017)، مقدار بارش سنگین روزانه برای ماه‌های مختلف محاسبه شد تا میزان تأثیر بارش‌های سنگین بر فراوانی وقوع سیلاب مشخص شود. 

 

مدل‌سازی هیدرولیکی

در این پژوهش جریان ثابت دوبعدی را در دورۀ بازگشت 5 تا 200 ساله با استفاده از نرم‌افزار HEC-RAS 5.0 شبیه‌سازی شد (شکل 2). مدل HEC-RAS 2D که از سوی انجمن مهندسین ارتش آمریکا ساخته شده، برای شبیه‌سازی سیل مفید است (Brunner, 2016). HEC-RAS 5.0 به قابلیت‌هایی مانند کانال‌های دوبعدی دقیق و مدل‌سازی دشت سیلابی مجهز شده است (Rangari et al., 2019) و معادلات کامل دوبعدی سنت ونانت یا موج انتشار را حل می‌کند (U.S. Army Corps of Engineering, 2016):

                                          (3)

       (4)

  (5)

 

در این معادلات: h عمق آب (متر)، p و q جریان ویژه در جهت x و y (m3 s-1)، ζ ارتفاع سطح (متر)، g شتاب جاذبه زمین (m s-2)، n ضریب زبری مانینگ، ρ چگالی آب (kg m-3)، txx، tyy و txy مؤلفه‌های تنش برشی و f نیروی کوریولیس است. در حالت موج انتشار، شرایط اینرسی معادلات 4 و 5 نادیده گرفته و معادلات حاصل معادلات موج انتشاری دوبعدی نامیده می‌شوند (Muthusamy et al., 2021). با توجه به طرح‌های پیچیدۀ عددی، معادلات موج انتشاری دوبعدی پایداری بیشتر و زمان‌های محاسباتی سریع‌تری دارند (Li et al., 2020)؛ بنابراین در این پژوهش برای شبیه‌سازی جریان ثابت دوبعدی در دورۀ بازگشت 5 تا 200 سال استفاده شدند. دبی پیک سیلاب در دوره‌های بازگشت 5 تا 200 ساله برآوردشده از تحلیل فراوانی در ایستگاه هیدرومتری قازانقایه به‌عنوان شرایط مرزی بالادست در مدل هیدرولیک در نظر گرفته شد (شکل 2).

 

شکل (2) روند جریان پژوهش (نویسندگان، 1401)

Figure (2) Research flow process (Authors, 2022)

 

علاوه بر این، شرایط مرزی پایین‌دست به‌عنوان شرایط عمق نرمال به‌دست‌آمده براساس شیب انرژی در نظر گرفته شد. ضریب مانینگ کانال اصلی و دشت سیلابی براساس نقشۀ کاربری اراضی و روش USGS (Arcement and Schneider, 1989) برآورد شد. در این زمینه، ابتدا براساس محصول کاربری اراضی ESA[10]، که از سوی آژانس فضایی اروپا با قدرت تفکیک مکانی 10 متر برای کل جهان تهیه شده است، نقشۀ کاربری اراضی منطقۀ موردمطالعه استخراج شد. از آنجایی ‌که کانال اصلی رودخانۀ مئاندری و زمین‌های زراعی حدود 97 درصد از دشت سیلابی را پوشش می‌دهند، براساس روش USGS (Arcement & Schneider, 1989)، میانگین ضریب مانینگ برای کانال اصلی و دشت سیلابی تعیین شد. شایان ذکر است که حساسیت مدل HEC-RAS 2D به ضرایب مختلف مانینگ آزمایش شد. این آزمون به‌منظور شناسایی تأثیر ضرایب مختلف مانینگ بر وسعت پهنۀ سیلابی، میانگین عمق و سرعت جریان انجام شد (شکل 2).

اعتبار سنجی مدل هیدرولیکی

در پژوهش‌های قبلی، شاخص MNDWI[11] (معادله 6) با موفقیت برای شناسایی پهنۀ سیل‌گیر استفاده شده است (Li et al., 2018: 2). در این روش، پهنۀ آبی، که کانال اصلی و دشت سیلابی را در زمان وقوع سیلاب اِشغال کرده است، براساس تصاویر ماهواره‌ای استخراج و سپس مدل‌ هیدرولیکی HEC-RAS طبق آن اعتبارسنجی می‌شود (Tamiru & Wagari, 2022). در این پژوهش، بر پایۀ تاریخ رویدادهای سیل، که در ایستگاه هیدرومتری قازانقایه ثبت شده است، پهنۀ سیلابی از تصاویر ماهواره‌ای Landsat-8 OLI با استفاده از نرم‌افزار ENVI و معادلۀ 6 استخراج شد.

                                                    (6)

جایی که Green و SWIR به‌ترتیب مقادیر بازتاب باند 3 و 6 را در Landsat 8 نشان می‌دهند (Xu, 2006: 3). از طرف دیگر، شاخص درصد تناسب (FI[12])، یعنی معادلۀ 7 برای اعتبارسنجی مدل‌های پهنه‌بندی سیل مفید ثابت شده است (Khojeh et al., 2022):

                                             (7)

جایی که B نشان‌دهندۀ تعداد پیکسل‌های سیلابی هم در تصاویر Landsat-8 OLI و هم در مدل HEC-RAS 2D، C تعداد پیکسل‌های سیلابی در تصاویر Landsat-8 OLI در عین حال، خشک در مدل HEC-RAS 2D و D تعداد پیکسل‌های سیلابی در مدل HEC-RAS 2D در عین حال، خشک در تصاویر Landsat-8 OLI است. مقدار نزدیک‌تر به 100 درصد نشان‌دهندۀ دقت زیاد مدل رقومی ارتفاعی TDX در استخراج پهنۀ سیلابی است.

 

نتایج

تحلیل داده‌های دبی اوج لحظه‌ای

براساس داده‌های دبی ایستگاه هیدرومتری قازانقایه، میانگین دبی پیک سالانه درازمدت (سال‌های 1356 تا 1396) 303 مترمکعب بر ثانیه و حداکثر دبی 1470 مترمکعب بر ثانیه در سال 1361 مشاهده شد. بررسی تاریخ وقوع دبی‌های پیک سیلاب در ایستگاه موردمطالعه مؤید آن است که در دورۀ مطالعاتی (1356-1396) دبی پیک سیلاب در هیچ سالی در فصل زمستان رخ نداده است. از سوی دیگر، اگرچه دبی پیک سالانه از فروردین تا آذر اتفاق می‌افتد، حدود 47 درصد از دبی‌های پیک سالانه در این حوضه در ماه‌های مرداد و شهریور رخ می‌دهند. نتایج حاکی از آن است که بین ماه‌های مذکور (فروردین تا آذر)، مهرماه با 03/3 درصد کمترین مقدار وقوع دبی پیک سیلاب را دارد (شکل 3 الف). بررسی‌های مختلف نشان‌دهندۀ آن بود که عامل مهمی، که نقش چشمگیری در تولید دبی پیک سیلاب در فصل‌های گرم سال به‌ویژه ماه‌های مرداد و شهریور دارد، بارش سنگین روزانه است؛ برای مثال، مقدار بلندمدت بارش سنگین روزانه در مردادماه به 84/24 میلی‌متر در روز می‌رسد (شکل 3 الف).

 

شکل (3) الف: فراوانی وقوع سیلاب به‌همراه بارش سنگین روزانه در ماه‌های مختلف؛ ب: تحلیل رگرسیون بین بارش سنگین و فراوانی وقوع سیلاب (نویسندگان، 1401)

Figure (3) A: the frequency of floods event in conjection with daily heavy rainfall in different months and b: the regression analysis between heavy rainfall and the frequency of floods event (Authors, 2022)

 

تحلیل رگرسیون بین بارش سنگین و فراوانی سیلاب در شکل (3.ب) نشان داده شده است. یافته‌ها حاکی از آن است که بارش سنگین با رابطۀ مستقیم و R2= 0.47 نقش مهمی در شکل‌گیری دبی‌های پیک سیلاب به‌ویژه در فصل تابستان دارد. دبی پیک سیلاب براساس توزیع احتمالاتی نمایی (بهترین توزیع برازش داده‌شده به داده‌های حداکثر دبی لحظه‌ای سیلاب طبق سه معیار: اندرسون-دارلینگ، کولموگروف-اسمیرنوف و کای اسکوئر. بخش 3-1) برای دوره‌های بازگشت 5، 10، 25، 50، 100 و 200 ساله برآورد و در جدول (1) ذکر شده است. نتایج نشان‌دهندۀ آن است که دبی پیک سیل از 8/487 (سیل 5 ساله) تا 6/1605 مترمکعب بر ثانیه (سیل 200 ساله) متغیر است.

جدول (1) دبی‌های پیک سیلاب در ایستگاه هیدرومتری قازانقایه (نویسندگان، 1401)

Table (1) Flood peak discharges in the Qazanqaya hydrometric station (Authors, 2022)

دورۀ بازگشت سیلاب

دبی پیک سیلاب (مترمکعب بر ثانیه)

5 سال

8/487

10 سال

7/697

25 سال

4/975

50 سال

5/1185

100 سال

5/1395

200 سال

6/1605

 

مدل‌سازی هیدرولیک سیلاب

نقشه‌های وسعت پهنۀ سیلابی، عمق و سرعت جریان سیلاب براساس مدل رقومی ارتفاعی TDX با قدرت تفکیک 12 متر در دورۀ بازگشت 5 تا 200 ساله در شکل‌های 4، 5 و 6 ارائه شده‌اند. مقادیر وسعت پهنۀ سیلابی نشان‌دهندۀ گسترش مناطق سیلابی برای منطقۀ موردمطالعه در محدودۀ 40/4 کیلومترمربع (دورۀ بازگشت 5 سال) تا 93/5 کیلومترمربع (دوره بازگشت 200 سال) بود (شکل 4). نتایج نشان‌دهندۀ آن بود که کانال اصلی رودخانه و بخشی از دشت سیلابی، که با مزارع کشاورزی و شهرستان مراوه‌تپه پوشش داده شده است، در دورۀ بازگشت 5 ساله دچار آب‌گرفتگی شد. در دورۀ بازگشت 10 ساله، مساحت پهنۀ سیلابی 55/9 درصد (82/4 کیلومترمربع) نسبت‌به دورۀ بازگشت 5 ساله افزایش یافت و بخش‌های بیشتری از زمین‌های زراعی و مناطق شهری با سیل دچار آب‌گرفتگی شد.

 

شکل (4) وسعت و عمق سیلاب در دورۀ بازگشت 5 تا 200 سال (نویسندگان، 1401)

Figure (4) Inundation area and flow depth of flood in 5- to 200-yr return period (Authors, 2022)

با این‌ حال، با افزایش شیب جانبی دشت سیلابی، وسعت پهنۀ سیلاب در دوره‌های بعدی کمتر افزایش یافت (شکل‌های 4 و 5). به‌ عبارت ‌دیگر، اختلاف پهنۀ سیلابی در دورۀ بازگشت 25 ساله نسبت‌به 10 ساله 09/8 درصد، 50 ساله نسبت‌به 25 ساله 80/4 درصد، 100 ساله نسبت‌به 50 ساله 40/4 درصد و 200 ساله نسبت‌به 100 ساله 04/4 درصد بود. این موضوع، نشان‌دهندۀ تأثیر چشمگیر ژئومورفولوژی دشت سیلابی (در اینجا، شیب جانبی دشت سیلابی) بر وسعت پهنۀ سیلاب در دوره‌های بازگشت‌ است (شکل 5).

 

شکل (5) اثر شیب جانبی دشت سیلابی بر پهنۀ سیلابی در امتداد پروفیل A-Aʹ (موقعیت پروفیل A-Aʹ در شکل (1) نشان داده شده است) (نویسندگان، 1401)

Figure (5) The effect of lateral slope of floodplain on inundation area along the profile A-Aʹ (profile location of A-Aʹ is shown in Figure 1) (Authors, 2022)

 

تغییرات عمق جریان در کانال اصلی و دشت سیلابی در شکل (4) نشان داده شده است. نتایج نشان‌دهندۀ آن بود که بیشترین عمق جریان از 53/5 متر (دوره بازگشت 5 سال) تا 93/8 متر (دوره بازگشت 200 سال) متغیر بود. از سوی دیگر، میانگین عمق جریان حدود 5/17 درصد (دورۀ بازگشت 10 سال)، 4/37 درصد (25 سال)، 6/49 درصد (50 سال)، 4/59 درصد (100 سال) و 9/67 درصد (200 سال) در مقایسه با دورۀ بازگشت 5 سال افزایش یافت. تغییرات سرعت جریان در کانال اصلی و دشت سیلابی در شکل (6) نشان داده شده است. نتایج نشان‌دهندۀ آن بود که بیشترین سرعت جریان از 86/4 (دورۀ بازگشت 5 سال) تا 05/7 متر بر ثانیه (دورۀ بازگشت 200 سال) متغیر بود. یافته‌ها مؤید آن است که میانگین سرعت جریان حدود 1/14 درصد (دورۀ بازگشت 10 سال)، 3/28 درصد (25 سال)، 2/36 درصد (50 سال)، 3/43 درصد (100 سال) و 5/49 درصد (200 سال) در مقایسه با دورۀ بازگشت 5 سال افزایش یافت.

 

شکل (6) سرعت جریان سیلاب در دورۀ بازگشت 5 تا 200 سال (نویسندگان، 1401)

Figure (6) Flood flow velocity in 5- to 200-yr return period (Authors, 2022)

 

تأثیر ضریب مانینگ بر ویژگی‌های هیدرولیکی سیل

برای بررسی اثر تغییرات ضریب مانینگ بر تغییرات وسعت پهنۀ سیلابی، میانگین عمق و سرعت ​​جریان، یک آزمون حساسیت برای سیلاب 100 ساله انجام شد. استفاده از سیل 100 ساله موجه است؛ زیرا هنگام چنین رخدادی با جریان زیاد، هم کانال اصلی و هم دشت سیلابی به‌طور کامل غرقاب می‌شوند، هیچ منطقۀ ذخیره‌سازی در دشت سیلابی وجود ندارد و کل دشت سیلابی به‌عنوان یک کانال واحد عمل می‌کند (Saksena & Merwade, 2015). نتایج آزمون حساسیت ضریب مانینگ برای یک سیل 100 ساله در شکل (7) و جدول (2) نشان داده شده است.

 

 

 

شکل (7) ارتباط ضرایب مختلف مانینگ با وسعت پهنۀ سیلابی، میانگین عمق جریان و میانگین سرعت جریان برای سیلاب 100 ساله (نویسندگان، 1401)

Figure (7) Relationship of the different Manning’s coefficients with the inundation area, mean flow depth and mean flow velocity for 100-yr flood (Authors, 2022)

 

یافته‌ها نشان‌دهندۀ آن است که با افزایش ضریب مانینگ، وسعت پهنۀ سیلابی و میانگین عمق ​​جریان به‌صورت خطی افزایش می‌یابد. در مقابل، میانگین سرعت جریان به‌صورت خطی با افزایش ضریب مانینگ کاهش می‌یابد (شکل 7). به‌ عبارت ‌دیگر، با افزایش ضریب مانینگ (برای مثال، به دلیل افزایش درختان و درختچه‌ها) مقاومت کانال اصلی رودخانه و دشت سیلابی در مقابل جریان سیلاب افزایش پیدا می‌کند و درنتیجه، پهنۀ سیلابی در امتداد کانال اصلی رودخانه بیشتر پخش می‌شود. در این حالت پهنۀ سیلاب و میانگین عمق جریان افزایش و بالعکس میانگین سرعت جریان کاهش می‌یابد. تحلیل حساسیت همچنین نشان‌دهندۀ آن بود که بیشترین حساسیت وسعت پهنۀ سیلابی، میانگین عمق و سرعت جریان نسبت‌به ضریب مانینگ 65/4 درصد، 84/4 درصد و 23/12- درصد است (جدول 2).

جدول (2) تغییر ویژگی‌های سیل در ضرایب مختلف مانینگ در مقایسه با ضریب مانینگ اصلی 040/0 و 035/0 به‌ترتیب برای کانال اصلی و دشت سیلابی (نویسندگان، 1401)

Table (2) Change of flood characteristics in the different Manning’s coefficients compared with Manning’s coefficient of 0.040 and 0.035 for main channel and floodplain, respectively (Authors, 2022)

ضریب مانینگ

وسعت پهنۀ سیلابی (درصد)

میانگین عمق جریان (درصد)

میانگین سرعت جریان (درصد)

کانال اصلی

دشت سیلابی

038/0

033/0

27/3

3/2

68/7-

038/0

035/0

31/1

38/0

94/2-

038/0

037/0

71/0-

39/1-

37/1

040/0

031/0

65/4

84/4

23/12-

040/0

039/0

73/2-

90/2-

35/5

040/0

033/0

27/3

05/0-

68/7-

040/0

037/0

71/0-

30/2

37/1

042/0

035/0

31/1

39/1-

94/2-

042/0

037/0

71/0-

38/0

37/1

042/0

039/0

73/2-

39/1-

35/5

اعتبارسنجی مدل هیدرولیکی

نتایج مدل‌سازی هیدرولیکی پهنۀ سیلابی مستخرج از مدل دوبعدی HEC-RAS با تصاویر ماهواره‌ای Landsat-8 OLI، شاخص MNDWI (معادلۀ 6) و شاخص درصد تناسب (معادلۀ 7) برای سیل 1 شهریور سال 1394 در محدودۀ موردمطالعه اعتبارسنجی شد (شکل 8). از آنجایی ‌که سیل 1 شهریور سال 1394 تنها رویداد سیلی بود که با تصاویر Landsat ثبت شده بود، این رویداد برای اعتبارسنجی انتخاب شد. سیلاب 1 شهریور 1394 با دبی پیک 3/684 مترمکعب بر ثانیه (ثبت‌شده در ایستگاه هیدرومتری قازانقایه) با دبی پیک برآوردشده در دورۀ بازگشت 10 ساله انطباق زیادی دارد (جدول 1). در این زمینه، تصویر ماهواره‌ای  Landsat-8 OLIدر تاریخ 23/08/2015 (معادل 1 شهریور 1394) دانلود شد و سپس با استفاده از معادلۀ 6، پهنۀ آبی که کانال اصلی رودخانه و دشت سیلابی را اشغال کرده بود، در نرم‌افزار ENVI استخراج شد (شکل 8). در مرحلۀ بعد، پهنۀ سیلابی شبیه‌سازی‌شدۀ 10 سال با استفاده از مدل رقومی 12 متر (شکل 4) و پهنۀ سیلابی استخراج‌شده از تصویر ماهواره‌ای Landsat-8 OLI با شاخص درصد تناسب (معادله 7) مقایسه شدند. نتایج به‌دست‌آمده نشان‌دهندۀ آن بود که پهنۀ سیلابی شبیه‌سازی‌شده از مدل هیدرولیکی HEC-RAS با تصویر ماهواره‌ای 86 درصد تناسب دارد. این نشان‌دهندۀ آن است که HEC-RAS 2D همراه با مدل رقومی ارتفاعی TDX با 12 متر قدرت تفکیک می‌تواند سیل را با دقت قابل‌قبولی شبیه‌سازی کند.

شکل (8) نقشۀ پهنۀ سیلاب با دورۀ بازگشت 10 ساله به‌دست‌آمده با تصاویر Landsat-8 OLI و شاخص MNDWI در تاریخ 1 شهریور 1394 (نویسندگان، 1401)

Figure (8) Map of inundation area with 10-yr return period acquired by Landsat-8 OLI imagery and the MNDWI on 23 August 2015 (Authors, 2022)

 

بحث

این پژوهش نشان‌دهندۀ آن بود که بارش‌های سنگین نقش مهمی در شکل‌گیری دبی‌های پیک سیلاب در فصل گرم به‌ویژه در مردادماه در حوضۀ رودخانۀ اترک دارند. در این زمینه Modarres و همکاران (2016) بیان داشتند که یکی از عوامل اصلی رخداد سیل 20 مرداد 1380 در استان گلستان بارش‌های سنگین بود. یافته‌های پژوهش حاضر مؤید آن بود که با افزایش ضریب مانینگ، وسعت پهنۀ سیلابی و عمق متوسط ​​جریان افزایش می‌یابد. در صورتی ‌که میانگین سرعت جریان کاهش می‌یابد. این موضوع با پژوهش‌های قبلی سازگار است؛ برای مثال، Phillips (1998) و حسینی و همکاران (1400) گزارش دادند که با افزایش ضریب مانینگ، وسعت پهنۀ سیلابی افزایش می‌یابد. علت این پدیده، افزایش مقاومت کانال اصلی رودخانه و دشت سیلابی در مقابل جریان سیلاب به دلیل زبری بیشتری سطح (اغلب به دلیل حضور درختان، بوته‌ها و درختچه‌ها) است.

نتایج این پژوهش حاکی از آن بود که مدل HEC-RAS 2D همراه با مدل رقومی ارتفاعی TDX با قدرت تفکیک 12 متر پهنۀ سیلاب را با دقت قابل‌قبولی (بیش از 85 درصد) شبیه‌سازی می‌کند. دقت زیاد مدل رقومی ارتفاعی TDX برای مدل‌سازی سیلاب با مطالعات قبلی سازگار است؛ برای مثال، Wessel و همکاران (2018) مدل رقومی ارتفاعی TDX را با استفاده از داده‌های GPS در سرتاسر جهان ارزیابی کردند و نشان دادند که مقدار خطای جذر میانگین مربعات (RMSE[13]) و مطلق در صدک 90 (LE90[14]) مدل رقومی ارتفاعی TDX در مناطق کشاورزی برابر با 95/0 متر و 27/1 متر است (جدول 4 در Wessel et al., 2018). از آنجایی ‌که 97 درصد از دشت سیلابی موردمطالعه با مناطق زراعی پوشانده شده است، نتایج با دقت مدل رقومی ارتفاعی TDX در مناطق زمین زراعی جهانی مقایسه شدند که با Wessel و همکاران (2018) بررسی شده است. در پژوهش دیگری، Zhang و همکاران (2019a) مدل رقومی ارتفاعی TDX را با داده‌های LiDAR در یک محیط شهری ساحلی در شهر Miami-Dade، ایالات‌متحده مقایسه کردند. آن‌ها گفتند که مقدار RMSE و LE90 مدل رقومی ارتفاعی TDX در مقایسه با داده‌های LiDAR به‌ترتیب 49/0 متر و 79/0 متر بود. سپس نتیجه گرفتند که دقت زیاد TDX 12 متری توانایی زیاد این مدل رقومی ارتفاعی را در ترسیم‌کردن ویژگی‌های ژئومورفیک و هیدرولوژی آشکار می‌کند.

زنگ و همکاران (2019b) دقت چهار مدل رقومی ارتفاعی ASTER، SRTM، ALOS و TDX را در زمینۀ آسیب‌پذیری سواحل جزیره Hispaniola به سیلاب ساحلی براساس داده‌های GPS و LiDAR بررسی کردند. آن‌ها چنین استنباط کردند که مدل‌های رقومی ارتفاعی TDX و ASTER به‌ترتیب بهترین و کمترین دقت را دارند؛ در حالی که مدل‌های رقومی ارتفاعی SRTM و ALOS دقت متوسط داشتند. از طرف دیگر، لی و همکاران (2020) دقت مدل‌های رقومی ارتفاعی مختلف را در مدل‌سازی سیلاب در ریوکلرادو، بولیوی با استفاده از داده‌های GPS بررسی کردند. نتایج آن‌ها نشان داد که مدل رقومی ارتفاعی TDX با مقدار RMSE برابر با 47/0 متر خطای بسیار کمی نسبت‌به مدل‌های رقومی ارتفاعی دیگر مانند SRTM، ASTER، NASADEM، MERIT و ALOS دارد.

 

نتیجه‌گیری

سیل، ازجمله مهم‌ترین مخاطرات طبیعی محسوب می‌شود که هرساله خسارات سنگینی را در اقصی نقاط ایران بـه بـار می‌آورد. این پدیده تحت‌تأثیر پارامترهای مختلفی ازجمله هواشناسی، ژئومورفولوژی و هیدرولوژیکی است و با فعالیت‌های انسانی تشدید می‌شود. نتایج تحلیل فراوانی و برآورد دبی پیک سیلاب با دورۀ بازگشت 5 تا 200 سال در حوضۀ رودخانه اترک نشان داد که این حوضه با دبی‌های پیک بین 8/487 (سیل 5 ساله) تا 6/1605 مترمکعب بر ثانیه (سیل 200 ساله) جزو مخاطره‌آمیزترین حوضه‌های ایران محسوب می‌شود که خسارات جانی و مالی زیادی به‌خصوص برای سیلاب‌هایی با دورۀ بازگشت زیاد ایجاد می‌کند. با توجه به اینکه بارش سنگین نقش مهمی در رخداد سیلاب در این حوضه دارد و از طرف دیگر، با در نظر گرفتن سناریوهای افزایش سیلاب‌های مخرب تحت‌تأثیر تغییرات آب هوایی، پیش‌بینی می‌شود که روند افزایش سیلاب‌های مخرب در این حوضه، که به‌طور زیادی تحت‌تأثیر بارش سنگین است، نسبت‌به بیشتر حوضه‌های ایران چشمگیر باشد.

با وجود اینکه مدل‌سازی دوبعدی HEC-RAS با استفاده از مدل رقومی ارتفاعی TDX با قدرت تفکیک مکانی 12 متر نشان‌دهندۀ این نکته بود که این مدل رقومی ارتفاعی با دقت 86 درصد (خطای 14 درصد) به‌احتمال نسبت‌به مدل‌های رقومی ارتفاعی با قدرت تفکیک 30 متر نظیر SRTM، ASTER و ALOS برتری بیشتری دارد؛ اما برای اطمینان استفاده از این مدل رقومی ارتفاعی، اعتبارسنجی آن برای سایر مناطق سیل‌خیز ایران لازم و ضروری است. در این زمینه پیشنهاد می‌شود که در پژوهش‌های آینده کنار استفاده از شاخص MNDWI، ابتدا مدل‌سازی هیدرولیک براساس مدل‌های رقومی ارتفاعی با قدرت تفکیک زیاد (مدل‌های رقومی ارتفاعی که از سوی نقشه‌برداری زمینی یا پهپاد تولید می‌شوند) انجام و سپس نتایج آن با مدل‌سازی حاصل از مدل رقومی ارتفاعی TDX مقایسه شود. شایان ذکر است که یکی از محدودیت‌های این پژوهش، نبودِ مدل رقومی ارتفاعی برای قبل و بعد از رخداد سیلاب بود. وجود چنین داده‌های ارتفاعی این امکان را فراهم می‌کند که در کنار شاخص MNDWI، براساس تغییرات مقاطع عرضی کانال اصلی و دشت سیلابی، به اعتبارسنجی مدل رقومی ارتفاعی TDX توجه شود. 

 

تشکر و قدردانی

این پژوهش با حمایت مالی صندوق حمایت از پژوهشگران و فناوران کشور (INSF) با شماره 99026870 انجام شده است. نویسندگان لازم می‌دانند، از سازمان مدیریت منابع آب به دلیل در اختیار گذاشتن داده‌های دبی اوج لحظه‌ای سالانۀ ایستگاه هیدرومتری قازانقایه قدردانی کنند. مدل رقومی ارتفاعی TDX با قدرت تفکیک 12 متر از سوی مرکز هوافضای آلمان از طریق پروژۀ «بررسی قدرت تفکیک مدل رقومی ارتفاعی بر مدل‌سازی سیلاب» (Proposal ID: DEM_HYDR3462) فراهم شد. با تشکر از داوران محترم که با نظرات ارزشمندشان سبب ارتقای کیفیت مقاله شدند.

 

[1]. Overflow

[2]. Hispaniola

[3]. Root Mean Square Error

[4]. Mann Kendall method

[5]. Sequence length

[6]. Anderson-Darling

[7]. Kolmogorov-Smirnov

[8]. Chi-square

[9]. Inverse Cumulative Distribution Function

[10]. The European Space Agency

[11]. Modified normalized difference water index

[12]. Fit percentage indicator

[13]. Root Mean Square Error

[14]. Absolute error at the 90% quantile

References

منابع
آرش، امیرمحمد، مهدی، یاسی، و عزیزیان، اصغر (1399). تعیین میزان دقت منابع ارتفاعی مختلف جهت برآورد پهنه سیلاب در رودخانه‌های با شرایط ریخت‌شناسی متفاوت. نشریۀ هیدرولیک، 15(3)، 15-31.
https://doi.org/10.30482/jhyd.2020.231744.1460
حسینی، سید موسی، اشتری، نفیسه، و شعبانی عراقی، عارفه.(1400). تأثیر توان تفکیک DEM و ضریب زبری مانینگ بر کارآیی مدلHEC-RAS-WMS در تعیین پهنه‌های مخاطرۀ سیلاب مطالعۀ موردی رودخانه کشکان، استان لرستان، ایران. مجله آمایش جغرافیایی فضا، 11(41)، 95-110.
https://doi.org/10.30488/gps.2020.230991.3247  
سازمان هواشناسی کشور (1401). داده‌های بارش حوضه آبریز اترک. https://www.irimo.ir/far/index.php
عزیزیان، اصغر (1397). ارزیابی مدل‌های رقومی ارتفاعی مبتنی بر سنجش‌ازدور جهت کاربرد در مدل‌سازی هیدرولیکی سیلاب. تحقیقات منابع آب ایران، 14(2)، 212-223.  https://www.iwrr.ir/article_54889.html  
علیزاده، امین، کمالی، غلامعلی، و اکبری، ابوالقاسم (1381). پهنه‌بندی پتانسیل سیل‌خیزی در حوضه اترک. اولین همایش علمی تحقیقی مدیریت امداد و نجات، تهران.  https://civilica.com/doc/8401
فرمانداری مراوه‌تپه (1401). گزارش سیلاب‌های (1397) و (1399). https://maravehtappeh.golestanp.ir/
کوهی، سکینه، و عزیزیان، اصغر (1400). بررسی دقت ارتفاعی مدل‌های رقومی ارتفاعی (DEMs) مبتنی بر سنجش از دور در کاربری‌های مختلف. فصلنامه علمی - پژوهشی اطلاعات جغرافیایی (سپهر)، 30(118)، 7-24.
https://doi.org/10.22131/sepehr.2021.246102
ادارۀ منابع طبیعی گلستان (1397). گزارش مدیریت سیلاب. http://golestanfrw.ir/
یزدانی، وحید، نظر جانی، محمد، و علی میرزایی، حسین (1395). شبیه‌سازی هیدرولیک سیلاب جهت تعیین حریم بستر و نقاط حساس رودخانه اترک. علوم و مهندسی آب، 6(14)، 57-75.
https://journals.iau.ir/article_531284.html
 
References
Aerts, J. C. (2020). Integrating agent-based approaches with flood risk models: A review and perspective. Water Security, 11, 100076. https://doi.org/10.1016/j.wasec.2020.100076
Arash, A. M., Yasi, M., & Azizian, A. (2020). Accuracy assessment of RS-based DEMs in flood inundation mapping of different morphological types of rivers. Journal of Hydraulics, 15(3), 15-31. https://doi.org/10.30482/jhyd.2020.231744.1460 [In Persian].
Azizian, A. (2018). Investigating the Application of Remote-Sensing Based DEMs in Hydraulic Simulation of Flood. Iran-Water Resources Research, 14(2), 219-231. https://www.iwrr.ir/article_54889.html [In Persian].
Alizadeh, A. Kamali, G. M., & Akbari, A. (2002). Flood potential zoning in Etrak basin. 1st Conference on Search and Rescue Management, Tehran. https://civilica.com/doc/8401  [In Persian].
Arabameri, A., Rezaei, K., Cerdà, A., Conoscenti, C., & Kalantari, Z. (2019). A comparison of statistical methods and multi-criteria decision making to map flood hazard susceptibility in Northern Iran. Science of the Total Environment, 660, 443-458. https://doi.org/10.1016/j.scitotenv.2019.01.021
Arcement Jr, G. J., & Schneider, V. R. (1989). Guide for Selecting Manning's Roughness Coefficients for Natural Channels and Flood Plains United States Geological Survey Water-supply Paper 2339. Water-supply Paper, 2339(152.66), 121-2. https://www.nrcs.usda.gov/sites/default/files/2023-01/wsp2339.pdf
Bales, J. D., & Wagner, C. R. (2009). Sources of uncertainty in flood inundation maps. Journal of Flood Risk Management, 2(2), 139-147. https://doi.org/10.1111/j.1753-318X.2009.01029.x
Brunner, G. W. (2016). HEC-RAS river analysis system 2D modeling user’s manual. US Army Corps of Engineers—Hydrologic Engineering Center, 1-171. https://B2n.ir/t96972
Bui, D. T., Panahi, M., Shahabi, H., Singh, V. P., Shirzadi, A., Chapi, K., ... & Ahmad, B. B. (2018). Novel hybrid evolutionary algorithms for spatial prediction of floods. Scientific reports, 8(1), 15364. https://doi.org/10.1038/s41598-018-33755-7
Costabile, P., Costanzo, C., Ferraro, D., Macchione, F., & Petaccia, G. (2020). Performances of the new HEC-RAS version 5 for 2-D hydrodynamic-based rainfall-runoff simulations at basin scale: Comparison with a state-of-the art model. Water, 12(9), 2326. https://doi.org/10.3390/w12092326
Dong, Y., Zhao, J., Floricioiu, D., Krieger, L., Fritz, T., & Eineder, M. (2021). High-resolution topography of the Antarctic Peninsula combining the TanDEM-X DEM and Reference Elevation Model of Antarctica (REMA) mosaic. The Cryosphere, 15(9), 4421-4443. https://doi.org/10.5194/tc-15-4421-2021
Falter, D., Vorogushyn, S., Lhomme, J., Apel, H., Gouldby, B., & Merz, B. (2013). Hydraulic model evaluation for large‐scale flood risk assessments. Hydrological Processes, 27(9), 1331-1340. https://doi.org/10.1002/hyp.9553
Golestan Natural Resources Department (2018). Flood management report. http://golestanfrw.ir/ [In Persian].
Golshan, M., Jahanshahi, A., & Afzali, A. (2016). Flood hazard zoning using HEC-RAS in GIS environment and impact of manning roughness coefficient changes on flood zones in Semi-arid climate. Desert, 21(1), 24-34. https://doi.org/10.22059/jdesert.2016.58315
Grohmann, C. H. (2018). Evaluation of TanDEM-X DEMs on selected Brazilian sites: Comparison with SRTM, ASTER GDEM and ALOS AW3D30. Remote Sensing of Environment, 212, 121-133. https://doi.org/10.1016/j.rse.2018.04.043
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. https://doi.org/10.1016/j.jhydrol.2017.02.041
Hosseini, S. M., ashtari, N., & Shabani Araghi, A. (2021). The impact of resolution DEM and Manning roughness coefficient of performance of the model HEC-RAS-WMS In determining flood risk areas (Kashkan River). Geographical Planning of Space, 11(41), 95-110. https://doi.org/10.30488/gps.2020.230991.3247  [In Persian].
Hamed, K. H. (2008). Trend detection in hydrologic data: The Mann–Kendall trend test under the scaling hypothesis. Journal of hydrology, 349(3-4), 350-363. https://doi.org/10.1016/j.jhydrol.2007.11.009
Jahangir, M. H., Reineh, S. M. M., & Abolghasemi, M. (2019). Spatial predication of flood zonation mapping in Kan River Basin, Iran, using artificial neural network algorithm. Weather and Climate Extremes, 25, 100215. https://doi.org/10.1016/j.wace.2019.100215
Janizadeh, S., Pal, S. C., Saha, A., Chowdhuri, I., Ahmadi, K., Mirzaei, S., ... & Tiefenbacher, J. P. (2021). Mapping the spatial and temporal variability of flood hazard affected by climate and land-use changes in the future. Journal of Environmental Management, 298, 113551. https://doi.org/10.1016/j.jenvman.2021.113551
Koohi, S., & Azizian, A. (2021). Assessing vertical accuracy of remotely sensed DEMs in different land uses. Scientific- Research Quarterly of Geographical Data (SEPEHR), 30(118), 7-24. https://doi.org/10.22131/sepehr.2021.246102 [In Persian].
Karamouz, M., & Mahani, F. F. (2021). DEM uncertainty based coastal flood inundation modeling considering water quality impacts. Water Resources Management, 35(10), 3083-3103. https://link.springer.com/article/10.1007/s11269-021-02849-9
Khojeh, S., Ataie-Ashtiani, B., & Hosseini, S. M. (2022). Effect of DEM resolution in flood modeling: a case study of Gorganrood River, Northeastern Iran. Natural Hazards, 112(3), 2673-2693. https://link.springer.com/article/10.1007/s11069-022-05283-1
Khosravi, K., Pham, B. T., Chapi, K., Shirzadi, A., Shahabi, H., Revhaug, I., ... & Bui, D. T. (2018). A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran. Science of the Total Environment, 627, 744-755. https://doi.org/10.1016/j.scitotenv.2018.01.266
Leitao, J. P., Boonya-Aroonnet, S., Prodanović, D., & Maksimović, Č. (2009). The influence of digital elevation model resolution on overland flow networks for modelling urban pluvial flooding. Water Science and Technology, 60(12), 3137-3149. https://doi.org/10.2166/wst.2009.754
Li, J., Yang, X., Maffei, C., Tooth, S., & Yao, G. (2018). Applying independent component analysis on Sentinel-2 imagery to characterize geomorphological responses to an extreme flood event near the non-vegetated Río Colorado terminus, Salar de Uyuni, Bolivia. Remote Sensing, 10(5), 725. https://doi.org/10.3390/rs10050725
Li, J., Zhao, Y., Bates, P., Neal, J., Tooth, S., Hawker, L., & Maffei, C. (2020). Digital Elevation Models for topographic characterisation and flood flow modelling along low-gradient, terminal dryland rivers: A comparison of spaceborne datasets for the Río Colorado, Bolivia. Journal of Hydrology, 591, 125617. https://doi.org/10.1016/j.jhydrol.2020.125617
Marave Tepe governorate (2020). Report of floods (2017) and (2019). https://maravehtappeh.golestanp.ir/ [In Persian].
Modarres, R., Sarhadi, A., & Burn, D. H. (2016). Changes of extreme drought and flood events in Iran. Global and Planetary Change, 144, 67-81. https://doi.org/10.1016/j.gloplacha.2016.07.008
Muench, R., Cherrington, E., Griffin, R., & Mamane, B. (2022). Assessment of Open Access Global Elevation Model Errors Impact on Flood Extents in Southern Niger. Frontiers in Environmental Science, 10, 880840. https://doi.org/10.3389/fenvs.2022.880840
Muthusamy, M., Casado, M. R., Butler, D., & Leinster, P. (2021). Understanding the effects of Digital Elevation Model resolution in urban fluvial flood modelling. Journal of hydrology, 596, 126088. https://doi.org/10.1016/j.jhydrol.2021.126088
National Meteorological Organization (2020). Rainfall data of Atrak catchment area. https://www.irimo.ir/far/index.php [In Persian].
Norouzi, G., & Taslimi, M. (2012). The impact of flood damages on production of Iran’s Agricultural Sector. Middle East J Sci Res, 12, 921-926. https://doi.org/10.5829/idosi.mejsr.2012.12.7.1783
Papaioannou, G., Loukas, A., Vasiliades, L., & Aronica, G. T. (2016). Flood inundation mapping sensitivity to riverine spatial resolution and modelling approach. Natural Hazards, 83(1), 117-132. https://link.springer.com/article/10.1007/s11069-016-2382-1
Phillips, J. D. (1988). Incorporating fluvial change in hydrologic simulations: a case study in coastal North Carolina. Applied Geography, 8(1), 25-36. https://doi.org/10.1016/0143-6228(88)90003-3
Pinos, J., & Timbe, L. (2019). Performance assessment of two-dimensional hydraulic models for generation of flood inundation maps in mountain river basins. Water science and engineering, 12(1), 11-18. https://doi.org/10.1016/j.wse.2019.03.001
Pouyan, S., Pourghasemi, H. R., Bordbar, M., Rahmanian, S., & Clague, J. J. (2021). A multi-hazard map-based flooding, gully erosion, forest fires, and earthquakes in Iran. Scientific Reports, 11(1), 14889. https://doi.org/10.1038/s41598-021-94266-6
Rahmati, O., Darabi, H., Panahi, M., Kalantari, Z., Naghibi, S. A., Ferreira, C. S. S., ... & Haghighi, A. T. (2020). Development of novel hybridized models for urban flood susceptibility mapping. Scientific reports, 10(1), 12937. https://doi.org/10.1038/s41598-020-69703-7
Rangari, V. A., Umamahesh, N. V., & Bhatt, C. M. (2019). Assessment of inundation risk in urban floods using HEC RAS 2D. Modeling Earth Systems and Environment, 5(4), 1839-1851. https://link.springer.com/article/10.1007/s40808-019-00641-8
Rizzoli, P., Martone, M., Gonzalez, C., Wecklich, C., Tridon, D. B., Bräutigam, B., ... & Moreira, A. (2017). Generation and performance assessment of the global TanDEM-X digital elevation model. ISPRS Journal of Photogrammetry and Remote Sensing, 132, 119-139. https://doi.org/10.1016/j.isprsjprs.2017.08.008
Saksena, S., & Merwade, V. (2015). Incorporating the effect of DEM resolution and accuracy for improved flood inundation mapping. Journal of Hydrology, 530, 180-194. https://doi.org/10.1016/j.jhydrol.2015.09.069
Sheikh, V. (2014). Analysis of hydroclimatic trends in the Atrak River basin, North Khorasan, Iran (1975–2008). Environmental Resources Research, 2(1), 1-14. https://B2n.ir/u58442
Sherpa, S. F., & Shirzaei, M. (2022). Country‐wide flood exposure analysis using Sentinel‐1 synthetic aperture radar data: Case study of 2019 Iran flood. Journal of Flood Risk Management, 15(1), e12770. https://doi.org/10.1111/jfr3.12770
Shi, X., Qin, T., Nie, H., Weng, B., & He, S. (2019). Changes in major global river discharges directed into the ocean. International journal of environmental research and public health, 16(8), 1469. https://doi.org/10.3390/ijerph16081469
Smith, K., (2003). Environmental hazards: assessing risk and reducing disaster. Routledge. https://B2n.ir/q12943
Srinivas, V. V., Tripathi, S., Rao, A. R., & Govindaraju, R. S. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology, 348(1-2), 148-166. https://doi.org/10.1016/j.jhydrol.2007.09.046
Tamiru, H., & Wagari, M. (2022). Machine-learning and HEC-RAS integrated models for flood inundation mapping in Baro River Basin, Ethiopia. Modeling Earth Systems and Environment, 8(2), 2291-2303. https://link.springer.com/article/10.1007/s40808-021-01175-8
Tayefi, V., Lane, S. N., Hardy, R. J., & Yu, D. (2007). A comparison of one‐and two‐dimensional approaches to modelling flood inundation over complex upland floodplains. Hydrological Processes: An International Journal, 21(23), 3190-3202. https://doi.org/10.1002/hyp.6523
U.S. Army Corps of Engineering. (2016). HEC-RAS 5.0 Hydraulic Reference Manual. U.S. Army Corps of Engineers, Institute for Water Resources. Hydrologic Engineering Center, Davis, CA, USA. CPD-68. https://B2n.ir/y08223
Utlu, M., & Özdemir, H. (2020). How much spatial resolution do we need to model a local flood event? Benchmark testing based on UAV data from Biga River (Turkey). Arabian Journal of Geosciences, 13(24), 1293. https://link.springer.com/article/10.1007/s12517-020-06318-2
Vaghefi, S. A., Keykhai, M., Jahanbakhshi, F., Sheikholeslami, J., Ahmadi, A., Yang, H., & Abbaspour, K. C. (2019). The future of extreme climate in Iran. Scientific reports, 9(1), 1464. https://doi.org/10.1038/s41598-018-38071-8
Wessel, B. (2016). TanDEM-X Ground Segment–DEM Products Specification Document. Space Center.
Wessel, B., Huber, M., Wohlfart, C., Marschalk, U., Kosmann, D., & Roth, A. (2018). Accuracy assessment of the global TanDEM-X Digital Elevation Model with GPS data. ISPRS Journal of Photogrammetry and Remote Sensing, 139, 171-182. https://doi.org/10.1016/j.isprsjprs.2018.02.017
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14), 3025-3033. https://doi.org/10.1080/01431160600589179
Xu, K., Fang, J., Fang, Y., Sun, Q., Wu, C., & Liu, M. (2021). The importance of digital elevation model selection in flood simulation and a proposed method to reduce DEM errors: a case study in Shanghai. International Journal of Disaster Risk Science, 12, 890-902. https://link.springer.com/article/10.1007/s13753-021-00377-z
Yazdani, V., Nazarjani, M., & Mirzaie, H. A. (2016). The study of flood flow hydraulic for determining flood bed and river influences points (Atrak River case study). Journal of Water Science & Engineering, 6(14), 55-75. https://journals.iau.ir/article_531284.html [In Persian].
Zhang, K., Gann, D., Ross, M., Biswas, H., Li, Y., & Rhome, J. (2019a). Comparison of TanDEM-X DEM with LiDAR data for accuracy assessment in a coastal urban area. Remote Sensing, 11(7), 876. https://doi.org/10.3390/rs11070876
Zhang, K., Gann, D., Ross, M., Robertson, Q., Sarmiento, J., Santana, S., ... & Fritz, C. (2019b). Accuracy assessment of ASTER, SRTM, ALOS, and TDX DEMs for Hispaniola and implications for mapping vulnerability to coastal flooding. Remote sensing of Environment, 225, 290-306. https://doi.org/10.1016/j.rse.2019.02.028

Files

History

  • Receive Date: 16 July 2022
  • Revise Date: 27 November 2022
  • Accept Date: 18 December 2022

Share

How to cite

Statistics