دوره 17، شماره 1 - ( بهار و تابستان 1405 )                   جلد 17 شماره 1 صفحات 68-48 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Khazaei M, Shirani K, Saleh I. (2026). Prediction of Gully Erosion in the Maroon Dam Watershed. J Watershed Manage Res. 17(1), 48-68. doi:10.61882/jwmr.2026.1252
URL: http://jwmr.sanru.ac.ir/article-1-1252-fa.html
خزائی مجید، شیرانی کورش، صالح ایمان.(1405). پیش‎ بینی مکانی فرسایش آبکندی در حوزه آبخیز سد مارون پ‍‍ژوهشنامه مديريت حوزه آبخيز 17 (1) :68-48 10.61882/jwmr.2026.1252

URL: http://jwmr.sanru.ac.ir/article-1-1252-fa.html


1- بخش تحقیقات جنگل‌ها، مراتع و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان ‌کهگیلویه و بویراحمد، سازمان تحقیقات، آموزش و ترویج کشاورزی، یاسوج، ایران
2- پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
چکیده:   (900 مشاهده)

چکیده مبسوط
مقدمه و هدف: فرسایش خاک یکی از جدی‎ترین مسائل زیست‌محیطی و تهدید جدی برای اراضی کشاورزی و عرصه‌های طبیعی است. از میان انواع حالت‌های فرسایش خاک، فرسایش آبکندی غالب‌ترین فرآیند تخریب زمین و حالت پیشرفته فرسایش خاک است و به همین دلیل شناسایی عوامل مؤثر و پیش‌بینی مناطق مستعد فرسایش آبکندی از عوامل کلیدی جهت مدیریت و آمایش سرزمین هستند. پیش‌بینی مکانی فرسایش خندقی با استفاده از مدل‌هایی که مبتنی بر حساسیت به فرسایش خندقی هستند و منجر به تهیه نقشه‌های خطر فرسایش می‌شود، مناسب‌ترین راهکار برای برنامه‌ریزی مدیریت اراضی در حوزه‌های آبخیز برای جلوگیری از فرسایش خندقی است. در صورت وجود نقشه پهنه‌بندی فرسایش خندقی در حوزه‌های آبخیز، می‌توان علاوه بر جلوگیری از هزینه‌های بالا به منظور کنترل فرسایش خندقی، خسارات اقتصادی و اجتماعی را از طریق اقدامات و راهکارهای مناسب کنترل کرد. با توجه به مدل‌ها و روابط موجود، می‌توان نتیجه گرفت که بیشترین تلاش‌ها در مدل‌سازی فرسایش خندقی بر مکان‌یابی خندق‌ها و همچنین پیش‌بینی احتمال یا عدم احتمال وقوع خندق متمرکز شده ‎اند. به طوری که به دلیل متغیر بودن عوامل مؤثر بر فرسایش خندقی، تنها بخشی از عوامل مؤثر بررسی شده‌اند. هدف از تحقیق حاضر، تعیین مهم‌ترین عوامل مؤثر بر فرسایش خندقی و اولویت‌بندی عوامل و در نهایت پهنه‌بندی نقاط خندقی و حساسیت به خندق در حوزه آبخیز سد مارون است.
مواد و روش‌ها: حوزه آبخیز مارون در دامنه‌های جنوبی و جنوب غربی زاگرس میانی واقع شده است. مساحت این حوزه آبخیز ۳۸۳۷ کیلومتر مربع، حداکثر ارتفاع از سطح دریا ۳۴۲۰.۳ متر و حداقل آن ۳۷۲.۸ متر است. میانگین بارندگی سالانه ۸۱۵ میلی‌متر، میانگین دمای بلندمدت سالانه در ایستگاه‌های معرف دشت‌ها ۱۹ و ایستگاه‌های واقع در ارتفاعات ۱۶ درجه سانتی‌گراد است. بر اساس سیستم دومارتن، نوع آب و هوا مدیترانه‌ای تا نیمه‌خشک است. به‎طور خلاصه، تحقیق حاضر به شرح زیر انجام شد: ۱) انتخاب منطقه، تهیه نقشه پراکندگی وقوع خندق (متغیر وابسته) و تقسیم تصادفی آن به دو دسته آموزشی یا واسنجی (۷۰ درصد) و پیش‌بینی (۳۰ درصد)، ۲) تهیه نقشه‌های ۲۳ عامل مؤثر (متغیرهای مستقل)، ۳) انتخاب عوامل مؤثر با استفاده از آزمون هم راستایی بین عوامل مؤثر و وقوع خندق‌ها، ۴) اجرای مدل، ۵) اعتبارسنجی و ارزیابی مدل و ۶) تهیه نقشه پهنه‌بندی حساسیت به فرسایش خندقی.
در این پژوهش، ابتدا به ‎وسیله سامانه موقعیت‌یاب جهانی، موقعیت ­های خندق‌های ایجاد شده در حوزه آبخیز سد مارون (تخت دراز) ثبت شدند و سپس با انتقال موقعیت‌های جغرافیایی، خندق‌ها به روی تصاویر گوگل ارث محدوده‌های آبکندی ترسیم شدند. بر اساس توابع تبدیل، محدوده‌های خندق به نقاط آبکندی تبدیل شدند و به‎ منظور آماده‌سازی داده‌ها برای وورد به فرایند مدل سازی نقاط ثبت شده در قالب دو دسته داده‌های آموزشی (70 درصد) و آزمایشی (30 درصد) به‌ترتیب به‌منظور واسنجی و اعتبارسنجی مدل‌ها تقسیم ‌شدند. بر اساس منابع علمی و شرایط حوزه آبخیز، 23 عامل مؤثر بر وقوع فرسایش آبکندی براساس شناسایی شدند و نقشه هر کدام از عوامل تهیه شد. وزن این عوامل بر اساس نسبت فراوانی (FR) تعیین و همبستگی عوامل مؤثر با استفاده از آزمون هم‌خطی بررسی شد. در مرحله بعد، سه مدل حداکثر آنتروپی، دمپسترشفر و وزن شاهد با استفاده از داده‌های وزنی عوامل موثر و داده‌های آموزشی و آزمایشی مکانی پراکنش آبکندی مورد واسنجی و اعتبارسنجی قرار گرفتند. نقشه پهنه‌بندی فرسایش آبکندی برای هر کدام از مدل‎ ها تهیه و سپس بر اساس داده‌های اعتبارسنجی مدل بهینه انتخاب شد. آزمون جک‌نایف و منحنی مشخصه عملکرد (ROC) به‏‌ترتیب برای تعیین آستانه‌های عوامل موثر در رخداد فرسایش خندقی و ارزیابی کارآمدی مدل‌های مورد بررسی استفاده شدند.
یافته‌ها: نسبت فراوانی خندق در طبقه متوسط تا خیلی زیاد بیشتر از دو روش دیگر بود و بر اساس شاخص سطح سلول هسته طبقات، طبقه خیلی کم تا کم بیشترین میزان را داشت. نتایج اعتبارسنجی هر سه مدل حداکثر آنتروپی، دمپستر شفر و وزن شاهد بر اساس شاخص سطح زیر منحنی نشان دادند که به ‎ترتیب سطوح زیر منحنی در روش‌های ذکر شده به میزان 0/85، 0/81 و 0/78 بودند که دقت بالاتر مدل حداکثر آنتروپی نسبت به روش دمپسترشفر و وزن شاهد را نشان می دهد. همچنین، روش وزن شاهد کمترین دقت را میان روش‌های مورد بررسی داشت. به ‎طور کلی، هر سه مدل دارای درصد قابل قبولی از مساحت زیر منحنی بودند که این مسئله نشان دهنده عملکرد بالای هر سه مدل در منطقه است. پارامترهای کاربری اراضی و زمین‌شناسی با سهم مشارکت 24 و 18 درصد بیشترین سهم مشارکت را در رخداد فرسایش آبکندی داشتند. سهم‎ های عوامل فاصله از شبکه زهکشی، نوع خاک، فاصلی از آبراهه، ارتفاع از سطح دریا، مساحت حوضه، بارش، بافت سطحی، تراکم زهکشی، اقلیم، شیب، شاخص تفاوت پوشش گیاهی، طول شیب، سایه روشن، شاخص قدرت جریان، شاخص طبقه بندی انحناء، شاخص رطوبت توپوگرافی، وجه شیب، شاخص همگرایی، انحناء نیمرخ، انحناء دامنه و شاخص انحناء به ترتیب 17، 10، 5/2، 5، 4، 3، 2/7، 2، 1/3، 1/3، 1/1، 0/75، 0/64، 0/36، 0/27، 0/26، 0/09، 0/05، 0/03، 0 درصد بودند.
نتیجه‌گیری: فرسایش آبکندی از مهمترین مخاطرات طبیعی در حوضه آبخیز سد مارون است که مستلزم توجه به مسائل حفاظت خاک و مهار فرسایش آبکندی است. در این راستا، یکی از اقدامات اولیه و مورد نیاز برای تعیین پهنه‌های حساس به فرسایش و مهار و اجرای اقدامات مدیریتی مناسب، تهیه نقشه فرسایش آبکندی است. به این منظور، از روش‌ها و مدل‌های مختلف وزن شاهد، مدل دمپسترشفر و روش آنتروپی بهمنظور تهیه نقشه حساسیت فرسایش آبکندی استفاده شد. در مجموع، 23 پارامتر مؤثر در فرسایش آبکندی در سطح حوزه آبخیز شناسایی و بهعنوان متغیر مستقل برای پیش بینی فرسایش آبکندی استفاده شدند. نتایج عوامل مؤثر بر فرسایش آبکندی نشان دادند که عامل سنگ‌شناسی دارای بیشترین تاثیر بر سطح زیر منحنی بود. نتایج حاصل از تعیین وزن پارامترها نشان دادند که پارامترهای مختلف دارای میزان مشارکت متفاوت در وقوع فرسایش آبکندی بودند و پارامترهای کاربری اراضی، زمین‌شناسی با سهم مشارکت 24 و 18 درصد بیشترین سهم مشارکت را در رخداد فرسایش آبکندی داشتند. به‎طور کلی، با توجه به دقت بالای نقشه حساسیت فرسایش آبکندی حاصل از مدل حداکثر آنتروپی می‌توان از آن برای انجام اقدامات مدیریتی مناسب برای جلوگیری از پیشروی و مهار فرسایش خندق در مناطق خیلی حساس استفاده نمود.

 

متن کامل [PDF 3555 kb]   (54 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فرسايش خاک و توليد رسوب
دریافت: 1404/5/14 | پذیرش: 1404/9/19

فهرست منابع
1. Amiri, M., Pourghasemi, H., Ghanbarian, G. A., & Afzali, S. F. (2019). Spatial modeling of gully erosion in Maharlou Watershed using different scenarios and Weights-of-evidence algorithm. Watershed Engineering and Management, 11(4), 1016-1032.
2. Angileri, S. E., Conoscenti, C., Hochschild, V., Märker, M., Rotigliano, E., & Agnesi, V. (2016). Water erosion susceptibility mapping by applying stochastic gradient treeboost to the Imera Meridionale river basin (Sicily, Italy). Geomorphology, 262, 61-76. [DOI:10.1016/j.geomorph.2016.03.018]
3. Arabameri, A., Asadi Nalivan, O., Chandra Pal, S., Chakrabortty, R., Saha, A., Lee, S., & Tien Bui, D. (2020). Novel machine learning approaches for modelling the gully erosion susceptibility. Remote Sensing, 12(17), 2833. [DOI:10.3390/rs12172833]
4. Azedou, A., Lahssini, S., Khattabi, A., Meliho, M., & Rifai, N. (2021). A methodological comparison of three models for gully erosion susceptibility mapping in the rural municipality of El Faid (Morocco). Sustainability, 13(2), 682. [DOI:10.3390/su13020682]
5. Bernini, A., Bosino, A., Botha, G. A., & Maerker, M. (2021). Evaluation of gully erosion susceptibility using a maximum entropy model in the upper mkhomazi river basin in South Africa. ISPRS International Journal of Geo-Information, 10(11), 729. [DOI:10.3390/ijgi10110729]
6. Bobe, B. W. (2004). Evaluation of soil erosion in the Harerge region of Ethiopia using soil loss models, rainfall simulation and field trials (Doctoral dissertation, University of Pretoria).
7. Castillo, C., & Gómez, J. A. (2016). A century of gully erosion research: Urgency, complexity and study approaches. Earth-Science Reviews, 160, 300-319. [DOI:10.1016/j.earscirev.2016.07.009]
8. Conoscenti, C. & Rotigliani, E. (2020). Predicting gully occurrence at watershed scale: Comparing topographic indices and multivariate statistical models. Geomorphology, 335-359. [DOI:10.1016/j.geomorph.2020.107123]
9. Conoscenti, C., Angileri, S., Cappadonia, C., Rotigliano, E., Agnesi, V., & Märker, M. (2014). Gully erosion susceptibility assessment by means of GIS-based logistic regression: A case of Sicily (Italy). Geomorphology, 204, 399-411. [DOI:10.1016/j.geomorph.2013.08.021]
10. De Vente, J., Poesen, J., Verstraeten, G., Govers, G., Vanmaercke, M., Van Rompaey, A. & Boix-Fayos, C. (2013). Predicting soil erosion and sediment yield at regional scales: where do we stand?. Earth-Science Reviews, 127, 16-29. [DOI:10.1016/j.earscirev.2013.08.014]
11. Dube, F., Nhapi, I., Murwira, A., Gumindoga, W., Goldin, J., & Mashauri, D. A. (2014). Potential of weight of evidence modelling for gully erosion hazard assessment in Mbire District-Zimbabwe. Physics and Chemistry of the Earth, Parts A/B/C, 67, 145-152. [DOI:10.1016/j.pce.2014.02.002]
12. Garosi, Y., Sheklabadi, M., Pourghasemi, H. R., Besalatpour, A.A., Conoscenti, C., & Van Oost, K., (2018). Comparison of differences in resolution and sources of controlling factors for gully erosion susceptibility mapping, Geoderma, 330, 65-78. [DOI:10.1016/j.geoderma.2018.05.027]
13. Gideon, D., Mustafa, F.B., & Victor, I. (2021). The application of an expert knowledge‐driven approach for assessing gully erosion susceptibility in the subtropical Nigerian savannah. Singapore Journal of Tropical Geography, 42(1), 107-131. [DOI:10.1111/sjtg.12348]
14. Golosov, V., & Belyaev, V. (2013). The history and assessment of effectiveness of soil erosion control measures deployed in Russia. International Soil and Water Conservation Research, 1(2), 26-35. [DOI:10.1016/S2095-6339(15)30037-X]
15. Gornami, R., & Shadfar, S. (2018). Application of the GIS in the Determination of Susceptible Areas to Gully Erosion Using the Analytic Network Process (ANP). Watershed Management Research, 31(4), 58-68.
16. Guerra, A. J., Bezerra, J. F., Fullen, M. A., Mendonça, J. K. S., Sathler, R., Lima, F. S., & Guerra, T. T. (2007). Urban gullies in Sao Luis city, Maranhao state, Brazil. In Javier Casalí, Rafael Giménez (eds.): Progress in Gully Erosion Research. IV International Symposium on Gully Erosion. September 17-19, 2007. Pamplona, Spain. Pamplona: Universidad Pública de Navarra/Nafarroako Unibertsitate Publikoa, 2007. Universidad Pública de Navarra/Nafarroako Unibertsitate Publikoa.
17. Hasanuzzaman, M., & Shit, P. (2025). Assessment of gully erosion susceptibility using four data-driven models AHP, FR, RF and XGBoosting machine learning algorithms. Natural Hazards Research, 5(1), 36-47. [DOI:10.1016/j.nhres.2024.05.001]
18. Hayas, A., Vanwalleghem, T., Laguna, A., Peña, A., & Giráldez, J. V. (2017). Reconstructing long-term gully dynamics in Mediterranean agricultural areas. Hydrology and Earth System Sciences, 21(1), 235-249. [DOI:10.5194/hess-21-235-2017]
19. Hembram, T. K., Paul, G. C., & Saha, S. (2019). Spatial prediction of susceptibility to gully erosion in Jainti River basin, Eastern India: a comparison of information value and logistic regression models. Modeling Earth Systems and Environment, 5, 689-708. [DOI:10.1007/s40808-018-0560-8]
20. Hitouri, S., Varasano, A., Mohajane, M., Ijlil, S., Essahalaoui, N, Ali, S. A., Pham, QB, Waleed, M., Palateerdham, S. K., & Teodoro, A. C. (2022). Hybrid machine learning approach for gully erosion mapping susceptibility at a watershed scale. ISPRS International Journal of Geo-Information, 11(7), 384-401. [DOI:10.3390/ijgi11070401]
21. Hurst, M. D., Mudd, S.M., Walcott, R., Attal, M. & Yoo, K. (2012). Using hilltop curvature to derive the spatial distribution of erosion rates, Journal of Geophysical Research: Earth Surface, 117(F2). [DOI:10.1029/2011JF002057]
22. Jancewicz, K., Migoń, P., & Kasprzak, M. (2019). Connectivity patterns in contrasting types of tableland sandstone relief revealed by Topographic Wetness Index. Science of the Total Environment, 656, 1046-1062. [DOI:10.1016/j.scitotenv.2018.11.467]
23. Khazayi, M. , Shafeie, A., & Molayi, A. (2012). Study of the Factors Affecting Gully Erosion Development. Iranian Journal of Soil Research, 26(2), 153-163.
24. Kheir, R.B., Abdallah, C., Runnstrom, M., & Martensson, U. (2008). Designing erosion management plans in lebanon using remote sensing, GIS and decision-tree modeling. Landscape and Urban Planning, 88(2-4), 54-63. [DOI:10.1016/j.landurbplan.2008.08.003]
25. Khojeh, N., Ghoddosi, J., & Esmaili, R. (2017). Investigation of the effect of earth environmental factors on initiation and expansion of gully erosion by using geographical information system (case study in Temer Ghareh Ghozi, Kalaleh, Golestan province). Journal of Watershed Management, 202-212. [DOI:10.29252/jwmr.8.15.202]
26. Lana, J.C., Castro, P.D., & Lana, C.E. (2022). Assessing gully erosion susceptibility and its conditioning factors in southeastern Brazil using machine learning algorithms and bivariate statistical methods: A regional approach. Geomorphology, 402, 108159. [DOI:10.1016/j.geomorph.2022.108159]
27. Le Roux, J. J., & Sumner, P. D. (2012). Factors controlling gully development: comparing continuous and discontinuous gullies. Land Degradation & Development, 23(5), 440-449. [DOI:10.1002/ldr.1083]
28. Liuzzo, L., Sammartano, V. & Freni, G. (2019). Comparison between different distributed methods for flood susceptibility mapping. Water Resources Management, 33, 3155-3173. [DOI:10.1007/s11269-019-02293-w]
29. Madadi, A. , Asghari Saraskanroud, S. , Negahban, S. & Marhamat, M. (2022). Evaluation of Gully Erosion Sensitivity using Maximum Entropy Model in Shoor River Watershed (Mohr Township). Journal of Geography and Environmental Hazards, 11(3), 123-145.
30. Maerker, M., Pelacani, S., & Schrder, B. (2012). A functional entity Approach to predict soil erosion processes in a small Plio-Pleistocene Mediterranean catchment in Northern Chianti, Italy. Geomorphology, 125(4), 530-540. [DOI:10.1016/j.geomorph.2010.10.022]
31. Malik, S., Pal, S.C., Chowdhuri, I., Chakrabortty, R., Roy, P. & Das, B. (2020). Prediction of highly flood prone areas by GIS based heuristic and statistical model in a monsoon dominated region of Bengal Basin. Remote Sensing Applications: Society and Environment, 19, 100343. [DOI:10.1016/j.rsase.2020.100343]
32. Mararakanye, N., & Sumner, P. D. (2017). Gully erosion: A comparison of contributing factors in two catchments in South Africa. Geomorphology, 288, 99-110. [DOI:10.1016/j.geomorph.2017.03.029]
33. Mohammadi, S., Karimzadeh, H., & Alizadeh, M. (2018). Spatial estimation of soil erosion in Iran using RUSLE model. Iranian journal of Ecohydrology, 5(2), 551-569.
34. Montanarella, L., Pennock, D. J., McKenzie, N., Badraoui, M., Chude, V., Baptista, I., & Vargas, R. (2016). World's soils are under threat. Soil, 2(1), 79-82. [DOI:10.5194/soil-2-79-2016]
35. Nazari Samani, A., Ahmadi, H., Jafari, M., Boggs, G., Ghoddousi, J. & Malekian, A. (2009). Geomorphic threshold conditions for gully erosion in Southwestern Iran (Boushehr-Samal watershed). Journal of Asian Earth Sciences, 35(2), 180-189. [DOI:10.1016/j.jseaes.2009.02.004]
36. Negahban, S., Rahimi, O. & Rahimi Harabadi, S. (2012). Investigation of gully erosion potential using hydrothermal climate coefficients and Ws. Case study: three basins of Bayakhi, Palangan and Hezarkanian in Kurdistan province. Natural Geography, 5(16), 89-101.
37. Olaya, V. & Conrad, O. (2008). Geomorphometry in SAGA. Developments in soil science, 33, 293-308. [DOI:10.1016/S0166-2481(08)00012-3]
38. Pal, S. C., & Chakrabortty, R. (2019). Simulating the impact of climate change on soil erosion in sub-tropical monsoon dominated watershed based on RUSLE, SCS runoff and MIROC5 climatic model. Advances in Space Research, 64(2), 352-377. [DOI:10.1016/j.asr.2019.04.033]
39. Pennock, D. (2019). Soil erosion: The greatest challenge for sustainable soil management.
40. Poesen, J., Nachtergaele, J., Verstraeten, G., & Valentin, C. (2003). Gully erosion and environmental change: importance and research needs. Catena, 50(2-4), 91-133. [DOI:10.1016/S0341-8162(02)00143-1]
41. Pourghasemi, H. R., Sadhasivam, N., Kariminejad, N. & Collins, A. L. (2020). Gully erosion spatial modelling: Role of machine learning algorithms in selection of the best controlling factors and modelling process. Geoscience Frontiers, 11(6), 2207-2219. [DOI:10.1016/j.gsf.2020.03.005]
42. Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., & Feizizadeh, B. (2017). Evaluating the influence of geo-environmental factors on gully erosion in a semi-arid region of Iran: An integrated framework. Science of the Total Environment, 579, 913-927. [DOI:10.1016/j.scitotenv.2016.10.176]
43. Rahmati, O., Haghizadeh, A., Pourghasemi, H.R., & Noormohamadi, F. (2016). Gully erosion susceptibility mapping: the role of GISbased bivariate statistical models and their comparison. Natural Hazards, 82(2), 1231-1258. [DOI:10.1007/s11069-016-2239-7]
44. Rostamizad, Q., Selajgeh, A., Nazari Samani, A.A., Qudousi. J. 2013. Implementation of effective factors in the geometry of ditch erosion. Journal of Environmental Erosion Sciences, 4(13), 50-61.
45. Rostamizad, G., Salajeghe, A., Nazari Samani, A. A. & Ghodousi, J. (2014). Determining the Factors affecting on the geometry of Gully Erosion (Case study: Darrehshahr, Ilam). Environmental Erosion Research Journal, 4(1), 50-61.
46. Roy, P., Chakrabortty, R., Chowdhuri, I., Malik, S., Das, B. & Pal, S.C. (2020). Development of different machine learning ensemble classifier for gully erosion susceptibility in Gandheswari Watershed of West Bengal, India. Machine Learning for Intelligent Decision Science, 1-26. [DOI:10.1007/978-981-15-3689-2_1]
47. Saha, S., Roy, J., Arabameri, A., Blaschke, T., & Tien Bui, D. (2020). Machine learning-based gully erosion susceptibility mapping: A case study of Eastern India. Sensors, 20(5), 1313. [DOI:10.3390/s20051313]
48. Sarvati, M. R., Ghodousi, J., & Dadkhah, M. (2008). Factors affecting the initiation and advancement of gully erosion in loesses. Pajouhesh-va-Sazandegi, 21(1), 20-33.
49. Setargie, T. A., Tsunekawa, A., Haregeweyn, N., Tsubo, M., Rossi, M., Ardizzone, F., & Meshesha, T. M. (2023). Modeling of Gully Erosion in Ethiopia as Influenced by Changes in Rainfall and Land Use Management Practices. Land, 12(5), 947. [DOI:10.3390/land12050947]
50. Shadfar, S., & Soufi, M. (2025). Causes of Gully Erosion and Damages Caused by it in Iran. Watershed Management Research, 38(2), 83-97.
51. Shahbazi, A., Alvandi, E., & Bayat, A. (2021). Assessment of artificial neural network models and maximum entropy in zoning of gully erosion sensitivity of golestan dam Basin. Iranian Journal of Watershed Management Science and Engineering, 15(52), 12-23.
52. Shafiei, A., Khazayi, M., Molayi, A., & Soufi, M. (2011). Study and comparison of pedological and Morphological characteristics of gullies.Iranian Journal of Irrigation and Water Engineering, 2(5), 26-38.
53. Shahbazi, K., Parvizi, Y., & Kalehhouei, M. (2021). Gully Erosion Classification in Kermanshah Province using Relative Similarity Analysis with Morphometric and Soil Auxiliary Variables. Journal of Watershed Management Research, 12(24), 298-307. [In Persian] [DOI:10.52547/jwmr.12.24.298]
54. Shirani, K. (2019). Gully erosion susceptibility zonation using Stochastic Maxent model (case study: the south of Isfahan Province). Final Report, Areeo, Jihad and Keshavarzi Ministery.
55. Shirani, K., Peyrowan, H., Shadfar, S., & Asgari, S. (2023). Gully erosion mapping based on hydro-geomorphometric factors and geographic information system. Environmental Monitoring and Assessment, 195, 721. [DOI:10.1007/s10661-023-11197-7]
56. Shit, P.K., Bhunia, G.S., & Pourghasemi, H.R. )2020(. Gully erosion susceptibility mapping based on bayesian weight of evidence. Gully erosion studies from India and surrounding regions, 133-146. [DOI:10.1007/978-3-030-23243-6_8]
57. Vanmaercke, M., Maetens, W., Poesen, J., Jankauskas, B., Jankauskiene, G., Verstraeten, G., & de Vente, J. (2012). A comparison of measured catchment sediment yields with measured and predicted hillslope erosion rates in Europe. Journal of Soils and Sediments, 12, 586-602. [DOI:10.1007/s11368-012-0479-z]
58. Vanmaercke, M., Poesen, J., Van Mele, B., Demuzere, M., Bruynseels, A., Golosov, V., & Yermolaev, O. (2016). How fast do gully headcuts retreat?. Earth-Science Reviews, 154, 336-355. [DOI:10.1016/j.earscirev.2016.01.009]
59. Wang, Z., Zhang, G., Wang, C., & Xing, S. (2022). Assessment of the gully erosion susceptibility using three hybrid models in one small watershed on the Loess Plateau. Soil and Tillage Research, 223, 105481. [DOI:10.1016/j.still.2022.105481]
60. Wei, Y., Liu, Z., Zhang, Y., Cui, T., Guo, Z., Cai, C., & Li, Z. (2022). Analysis of gully erosion susceptibility and spatial modelling using a GIS-based approach. Geoderma, 420, 115869. [DOI:10.1016/j.geoderma.2022.115869]
61. Were, K., Kebeney, S., Churu, H., Mutio, J.M., Njoroge, R., Mugaa, D., Alkamoi, B., Ng'etich, W., & Singh, B.R. (2023). Spatial Prediction and Mapping of Gully Erosion Susceptibility Using Machine Learning Techniques in a Degraded Semi-Arid Region of Kenya. Land, 12(4), 890. [DOI:10.3390/land12040890]
62. Yousefi Mobarhan, E., & Shirani, K. (2023). Assessment of Maximum Entropy (ME) to identify Effective Factors on Gully Erosion and Determination of Sensitive Areas in Alaa Semnan Watershed. Journal of Watershed Management Research, 14(28), 37-54. [In Persian] [DOI:10.61186/jwmr.14.28.37]
63. Zabihi, M., Mirchooli, F., Motevalli, A., Darvishan, A.K., Pourghasemi, H.R., Zakeri, M.A. & Sadighi, F. (2018). Spatial modelling of gully erosion in Mazandaran Province, northern Iran. Catena, 161, 1-13. [DOI:10.1016/j.catena.2017.10.010]
64. Zgłobicki, W., Kołodyńska-Gawrysiak, R., & Gawrysiak, L. (2015). Gully erosion as a natural hazard: the educational role of geotourism. Natural Hazards, 79, 159-181. [DOI:10.1007/s11069-014-1505-9]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by: Yektaweb