ارزیابی حساسیت تفاوت تفکیک فضایی در DEM برای تخمین فرسایش خاک بر اساس مشاهدات پهپاد: آزمایشی بر روی تراس‌های کشاورزی در تپه میانی نپال

فرسایش خاک در ناحیه کشاورزی شیب تپه یک مسئله اساسی برای بهره وری محصول و پایداری محیطی است. تراس ساختمانی یک راه بسیار محبوب برای کنترل فرسایش خاک است و ارزیابی دقیق نرخ فرسایش خاک برای کشاورزی پایدار و مدیریت زیست محیطی مهم است. در حال حاضر، بسیاری از تخمین‌های فرسایش خاک عمدتاً بر اساس داده‌های مدل ارتفاع دیجیتال با وضوح متوسط ​​یا درشت (DEM) در دسترس هستند که از اصلاح میکرو توپوگرافی تراس‌های کشاورزی غفلت می‌کنند. توسعه فناوری وسایل نقلیه هوایی بدون سرنشین (UAV) توسعه DEM با وضوح بالا (سطح سانتی متر) را برای ارائه ویژگی های توپوگرافی دقیق امکان پذیر می کند. برای نشان دادن حساسیت برآوردهای فرسایش خاک به وضوح DEM در این سطح با وضوح بالا، این مطالعه سعی دارد برآورد فرسایش خاک را در تراس‌های کشاورزی تپه میانه در نپال بر اساس داده‌های DEM با وضوح بالا (5×5 سانتی‌متر) به دست آمده از پهپاد ارزیابی کند و با استفاده از داده‌های DEM جمع‌آوری شده در تفکیک‌پذیری‌های مکانی مختلف، یک مطالعه مقایسه‌ای برای برآوردها انجام دهد. 5 × 5 سانتی متر تا 10 × 10 متر). ابتدا، شیب شیب، طول شیب و عوامل توپوگرافی در وضوح های مختلف محاسبه شد. سپس، مدل تجدید نظر شده برآورد تلفات خاک (RUSLE) برای تخمین نرخ فرسایش خاک با استفاده از مدل مشتق شده به کار گرفته شد. و فاکتورهای توپوگرافی با وضوح های مختلف محاسبه شدند. سپس، مدل تجدید نظر شده برآورد تلفات خاک (RUSLE) برای تخمین نرخ فرسایش خاک با استفاده از مدل مشتق شده به کار گرفته شد. و فاکتورهای توپوگرافی با وضوح های مختلف محاسبه شدند. سپس، مدل تجدید نظر شده برآورد تلفات خاک (RUSLE) برای تخمین نرخ فرسایش خاک با استفاده از مدل مشتق شده به کار گرفته شد.فاکتور LS در وضوح های مختلف. نتایج نشان داد که در شیب شیب، طول شیب، LS نرخ تغییر بالاتری وجود داردعامل و نرخ فرسایش خاک هنگام استفاده از داده های DEM با وضوح 5×5 سانتی متر تا 2×2 متر نسبت به استفاده از داده های DEM درشت تر. یک خط روند قدرت به طور موثر برای ارائه رابطه بین نرخ فرسایش خاک و وضوح DEM استفاده شد. یافته‌ها نشان داد که برآوردهای فرسایش خاک به وضوح DEM (از 5×5 سانتی‌متر تا 2×2 متر) بسیار حساس هستند و تغییرات از 2×2 متر نسبتاً پایدار می‌شوند. استفاده از داده های DEM با اندازه پیکسل بزرگتر از 2×2 متر نمی تواند میکروتوپوگرافی را تشخیص دهد. با بینش‌هایی در مورد مکانیسم تأثیرگذار تفکیک DEM بر تخمین‌های فرسایش خاک، این مطالعه پیشنهادهای مهمی برای انتخاب داده‌های DEM مناسب ارائه می‌کند که باید ابتدا برای برآورد دقیق فرسایش خاک مورد بررسی قرار گیرد.

کلید واژه ها:

مدل دیجیتال ارتفاع ; فرسایش خاک ؛ عوامل توپوگرافی ; راسل ; وسیله ی نقلیه ی هوایی بدون سرنشین

1. مقدمه

زمین یکی از مهم ترین منابع طبیعی برای فعالیت های کشاورزی برای تامین معیشت مردم است [ 1 ]. به عنوان یک موضوع مهم کاهش بهره وری، از دست دادن خاک حاصلخیز ناشی از فرسایش خاک اغلب در دامنه های تپه ای اتفاق می افتد [ 2 ]، و اثرات فرسایش خاک فراتر از از دست دادن زمین حاصلخیز است [ 3 ]. نرخ فرسایش خاک جهانی در سال 2012 35.9 Pg yr -1 برآورد شد، و یک روند بالقوه افزایشی در فرسایش خاک جهانی ناشی از گسترش زمین‌های زراعی وجود دارد [ 4 ]. تحت پس‌زمینه تغییرات آب و هوایی، فرسایش خاک همیشه یک موضوع کلیدی برای توسعه پایدار در چارچوب زمین آینده بوده و خواهد بود [ 3 ،5 ]. در همین حال، سیل‌های فاجعه‌باری که به‌طور مکرر در سال‌های اخیر رخ داده‌اند، به میزان زیادی فرسایش خاک را ایجاد کرده و فشار زیادی را بر توسعه کشاورزی محلی وارد می‌کند [ 6 ، 7 ].
معمولاً فرآیند فرسایش خاک توسط آب در شیب تپه به شدت توسط ویژگی های زمین کنترل می شود [ 8 ]. بنابراین، افزایش ظرفیت نگهداری آب در خاک با بهبود نفوذ و کاهش میزان دبی اوج رواناب سطحی به عنوان جهت اصلی برای حفظ خاک و آب شناخته شده است. تراس کردن زمین های کشت شده در شیب تپه به وضوح می تواند این اثر را به دست آورد [ 9 ]. بنابراین، تراس یکی از غالب ترین اشکال کشاورزی در مناطق آسیا و اقیانوس آرام است [ 10 ].
نپال به عنوان یک کشور کوهستانی معمولی در جنوب آسیا، طی سه دهه گذشته تخریب جدی منابع خاک به ویژه در تپه های میانی را در نتیجه گسترش زمین های کشاورزی و افزایش شدت کشت تجربه کرده است [ 2 ]. گزارش ملی ارزیابی تخریب اراضی نشان داده است که 3.16 میلیون هکتار (11.81 درصد از کل مساحت نپال) تحت تأثیر روند تخریب قرار گرفته است. برای حفظ منابع آب و خاک، هم تراس های کانتور آبیاری شده و هم تراس های شیب دار به سمت بیرون با دیم در اکثر دامنه های تپه نپال یافت می شوند. اصلاح ویژگی های توپوگرافی در مقیاس های کوچک توسط این تراس ها فرسایش خاک را تا حد زیادی کنترل می کند [ 11]، که سنت طولانی تکنیک کنترل فرسایش خاک در دامنه تپه های کشت شده نپال است. کشاورزان تراس های کشاورزی خود را به طور مرتب نگهداری می کنند. آنها همچنین برای تثبیت آن و تامین علوفه برای دام های خود درختان را در تراس های کشاورزی دیم می کارند [ 12 ]. اینها ویژگی های اصلی سیستم یکپارچه کشاورزی معیشتی دامنه های تپه های کشاورزی نپال است.
از اندازه‌گیری‌های میدانی، تأیید شده است که اثر کنترل‌کننده فرسایش خاک برای انواع مختلف تراس‌ها کاملاً متفاوت است [ 13 ]. بنابراین، تشخیص دقیق ویژگی‌های توپوگرافی واقعی دامنه‌های تپه‌ای برای پایش و تنظیم فرسایش خاک در شیب بسیار مهم است. با توسعه مدل رقومی ارتفاع (DEM)، داده ها وسیله نقلیه قدرتمندی برای انتقال اطلاعات توپوگرافی سطح ضروری هستند که برای تجزیه و تحلیل زمین از سطح فیزیکی از جمله خواص مختلف هیدرولوژیکی و بیوفیزیکی بسیار مفید است [ 14 ].]. بنابراین، وضوح داده های DEM نقش مهمی در کنترل ارزیابی فرسایش خاک ایفا می کند. در حال حاضر، مدل‌های زیادی برای تخمین فرسایش خاک طراحی شده‌اند، مانند معادله جهانی تلفات خاک (USLE)، معادله جهانی تلفات خاک (MUSLE)، و معادله جهانی تلفات خاک تجدید نظر شده (RUSLE). مدل RUSLE فرسایش ورق و شیار ناشی از برخورد قطرات باران را برآورد می کند [ 15 ] و این مدل فرسایش خندقی را پوشش نمی دهد. با ترکیب سیستم اطلاعات جغرافیایی (GIS) و فناوری‌های سنجش از دور، RUSLE تلفات فرسایش خاک را بر اساس سلول به سلول تخمین می‌زند. ارزیابی خاک و آب که از DEM با وضوح 5 × 5 تا 14 × 14 متر استفاده می کند، روند کاهشی را نشان می دهد که DEM ها مجدداً نمونه برداری به درشت تر شدند [ 16 ]]. نتایج مشابهی توسط مطالعات مختلف با دقت بالاتر DEM با وضوح بالاتر در مقایسه با وضوح درشت به دست آمد [ 17 ، 18 ]. بنابراین، اثرات قابل توجه تفکیک فضایی DEM بر ارزیابی ژئومورفولوژیکی و هیدرولوژیکی مبتنی بر توپوگرافی وجود دارد [ 19 ، 20 ، 21 ، 22 ، 23 ].
از مطالعات فعلی، می توان نتیجه گرفت که اکثر آنها با استفاده از DEM های منبع باز موجود انجام شده اند که از سطح 10×10 متر تا سطح کیلومتر متغیر است. به دلیل محدودیت‌های چنین داده‌های DEM با وضوح بالا، بحث‌ها یا تحلیل‌های مرتبط برای وضوح فضایی بالا (سطح زیر متر) وجود ندارد. در سال های اخیر، توسعه تکنیک وسیله نقلیه هوایی بدون سرنشین (UAV) ابزار آسانی برای استخراج DEM با وضوح بالا با وضوح فضایی سطح سانتی متری فراهم می کند [ 24 ]. بنابراین، DEM با وضوح فضایی بالا مبتنی بر پهپاد اطلاعات ارزشمندی از توپوگرافی سطح به ویژه فرآیندهای سطح زمین و تجزیه و تحلیل هیدرولوژیکی ارائه می دهد. DEM با وضوح بالا به دست آمده توسط پهپاد برای چندین تحلیل ژئومورفولوژیکی و هیدرولوژیکی در دهه های اخیر محبوب بوده است [ 25 ]، 26 ، 27 ]، زیرا فرصت مهمی برای برآورد فرسایش خاک در این سطح با وضوح بالا فراهم می کند. بنابراین، با توجه به برآورد دقیق فرسایش خاک در نپال، این مطالعه به منظور بررسی حساسیت برآورد نرخ فرسایش خاک بر اساس مدل RUSLE برای تراس‌های کشاورزی در دامنه تپه‌های نپال انجام شده است. یافته‌های این مطالعه برای درک اینکه تا چه حد قدرت تفکیک مکانی DEM برای تخمین نرخ فرسایش خاک و مقادیر فاکتورهای توپوگرافی برای تحقیقات فرآیندهای ژئومورفیک و هیدرولوژیکی حساس است، به‌ویژه در تراس‌های کشاورزی باریک در دامنه‌های تپه، مفید خواهد بود. مانند کسانی که در نپال هستند.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه در حوضه رودخانه Marshynangdi واقع در منطقه تپه ای بخش مرکزی نپال قرار دارد. امتداد منطقه مورد مطالعه 28 درجه و 12 دقیقه و 33 اینچ شمالی تا 28 درجه و 13 دقیقه اینچ شمالی از عرض جغرافیایی و 84 درجه و 25 دقیقه اینچ شرقی تا 84 درجه و 26 دقیقه و 37 سانتی‌متر شرقی طول جغرافیایی ( شکل 1 ) با محدوده ارتفاعی است. از 1072 تا 1593 متر از سطح متوسط ​​دریا. این کشور دارای آب و هوای معتدل گرم با میانگین بارندگی سالانه 3374 میلی متر است (بیش از 80 درصد در فصل تابستان از اردیبهشت تا آگوست سقوط می کند). بنابراین فصل تابستان معمولاً شدیدترین فرسایش خاک را در این منطقه تجربه می کند.
کشاورزان زمین های زیر کشت خود را با ایجاد تراس های افقی کامل در زمین های آبی و تراس های شیب دار به سمت بیرون برای زمین های دیم مدیریت می کنند. آنها علف ها و درختان علوفه را در تراس تراس پرورش می دهند. روش کشاورزی فشرده معیشتی در این منطقه به عنوان استفاده فشرده از زمین های زیر کشت مشهود است که دام، جنگل و علف ها را در سیستم معیشت آنها ادغام می کند. همانطور که در شکل 1 نشان داده شده است6 پلات به عنوان مناطق مورد مطالعه انتخاب شدند. از این میان، سه زمین دیم و سه زمین کشاورزی آبی بودند. در اصطلاح محلی، تراس کشت دیم به نام باری و تراس آبی به نام خت شناخته می شود. بنابراین، کرت های دیم انتخابی به نام های B(a)، B(b) و B(c) و کرت های آبی با نام های K(a)، K(b) و K(c) نام گذاری شدند. مساحت کل قطعات منتخب 3.22 هکتار بود. مساحت کوچکترین قطعه 0.26 هکتار و بزرگترین آن 1.23 هکتار بود. مساحت کل اراضی دیم 1.39 هکتار با میانگین 0.46 هکتار بود. مساحت کل کرت های آبی 1.83 هکتار با میانگین 0.61 هکتار بود. شیب متوسط ​​کرت های مورد مطالعه 18 درجه و از 12 تا 22 درجه است. به طور کلی، اندازه تراس حتی در شیب های تند تر تراس دیم در مقایسه با شیب کمتر K(a) بزرگتر بود. قطعات K(b) و K(c) به دلیل شیب شیب کمتر در مقایسه با سایر قطعات، اندازه تراس بزرگتر بودند.

2.2. استخراج DEM مبتنی بر پهپاد

پهپاد همراه با یک سیستم دوربین دیجیتال امکان به دست آوردن داده های DEM قابل استفاده برای کاربردهای ژئوماتیک مانند نقشه برداری و مدل سازی سه بعدی را فراهم می کند [ 28 ]]. در این مطالعه، داده های DEM منطقه مورد مطالعه در آگوست 2018 در دوره خارج از کشاورزی به دست آمد. در این دوره، مزارع آبی پس از برداشت شالی و زمین های دیم پس از برداشت ذرت باز شده و آماده سازی مزرعه برای کشت ارزن آغاز می شود. از اختلالات گیاهان زراعی جلوگیری می کند تا تصاویری با وضوح بالا به دست آورند. فتوگرامتری بر اساس دو یا چند عکس همپوشانی (جفت استریو) کار می کند تا مکان سه بعدی منحصر به فرد مجموعه ای از نقاط تصویر همگن از عکس های روی هم را بدست آورد، که توسط آن می توان موقعیت و جهت دوربین را محاسبه کرد و به دست آورد. یک ارتومیکی موزاییکی در پایان [ 29 ، 30]. اولین نیاز، آماده‌سازی برای مقیاس‌بندی و ارجاع جغرافیایی برای سطح هدف برای استخراج داده‌های جهت‌یافته و مقیاس‌شده است. حداقل سه یا چند نقطه کنترل زمینی (GCP) برای مقیاس بندی و ارجاع جغرافیایی مورد نیاز است [ 31 ]. در مجموع، 57 نقطه GCP در شش پلات ثابت شد و مختصات این GCPها با ایستگاه کل اندازه‌گیری شد تا دقت بالای آنها ممکن شود. GCPها به راحتی از پس زمینه قابل تشخیص بودند که به راحتی در هنگام پردازش تصاویر هوایی مشخص می شد. مختصات GCPها به عنوان یک مکان مرجع برای پردازش فتوگرامتری تصاویر هوایی و ارزیابی دقت DEM استفاده شد [ 32 ، 33 ، 34 ].
پهپاد DJI Phantom 4 Pro Plus Quadcopter with Deluxe Controller—CP.PT.000549 برای نصب دوربین GO PRO برای ثبت تصاویر سنجش از راه دور ارتفاع کم استفاده شد [ 35]. مسیر پرواز در نرم افزار کنترل پهپاد تعریف شد. مسیر پرواز در جهت باد طراحی شده بود که به وسیله آن می‌توان به پرواز در برابر باد بسیار آهسته بالاتر از سرعت زمین دست یافت. به دلیل سرعت بالای معمولی، به جلوگیری از تاری حرکت کمک می کند. هنگامی که در ارتفاع پایین پرواز می کرد، به دلیل فرکانس پایین ماشه دوربین، امکان تصویربرداری از کل منطقه با همپوشانی 60 درصدی در یک پرواز وجود نداشت. سرعت پرواز تا حد امکان کاهش یافت و چندین پرواز در همان ارتفاع پرواز انجام شد تا مجموعه داده‌های کاملی برای جبران شکاف‌ها به دست آید. ارتفاع پرواز از 50 تا 100 متر بود.
نرم افزار Agisoft Photoscan برای فرآیند فتوگرامتری [ 32 ، 36 ] استفاده شد. در ابتدا از الگوریتم تشخیص ویژگی برای تراز کردن تصاویر همپوشانی استفاده شد. گام دوم حذف تناقضات بود. سومین مورد، اعمال الگوریتم تنظیم بسته نرم افزاری برای حل همزمان هندسه سه بعدی صحنه ها بود [ 37 ].]. خروجی این مراحل یک ابر نقطه پراکنده بود. GCPهای روی تصاویر به صورت دستی شناسایی شدند و مختصات آنها وارد شد که برای اصلاح پارامترهای کالیبراسیون دوربین و بهینه سازی هندسه ابر نقطه خروجی استفاده شد. مختصات GCP برای اصلاح پارامترهای کالیبراسیون دوربین و بهینه سازی هندسه ابر نقطه خروجی استفاده شد. الگوریتم تطبیق استریو چند نمای برای افزایش چگالی ابر نقطه پراکنده استفاده شد که به شدت با تعداد نقاط کلیدی تطبیق مرتبط است. یک شبکه چند ضلعی از ابر نقطه متراکم ایجاد شد و یک نقشه بافت مشتق شده از تمام تصاویر روی مش چند ضلعی اعمال شد و برای ایجاد یک عکس ارتو استفاده شد. سپس داده های DEM با اندازه پیکسل 5×5 سانتی متر تولید شد.
دقت DEM از طریق مختصات GCP ارزیابی شد. ریشه میانگین مربعات خطا (RMSE) از حدود 11 تا 17 سانتی متر X، 13 تا 18 سانتی متر از Y و 3 تا 5 سانتی متر از Z متغیر بود [ 38]. میانگین خطای طرح مجدد از 0.5 تا 1.2 پیکسل ارزیابی شد. بر اساس داده های DEM ارزیابی شده، هفت داده DEM دیگر با اندازه پیکسل های مختلف (10 × 10 سانتی متر، 20 × 20 سانتی متر، 50 × 50 سانتی متر، 1 × 1 متر، 2 × 2 متر، 5 × 5، و 10 × 10 متر ) از طریق تجمع فضایی ایجاد شدند. تجمیع به ترتیب 5 × 5 تا 10 × 10 سانتی متر، 10 × 10 تا 20 × 20 سانتی متر، 10 × 10 تا 50 × 50 سانتی متر، 50 × 50 سانتی متر تا 1 × 1 متر، 1 × 1 تا 2 × 1 متر انجام شد. 2 متر، 1 × 1 تا 5 × 5 متر و 5 × 5 تا 10 × 10 متر. در طی فرآیند تجمیع، مقادیر میانگین داده‌های سطح اول DEM بر اساس تحلیل‌های ژئومورفولوژیکی و هیدرولوژیکی قبلی به سطح تجمعی منتقل شدند [ 39 ، 40 ].

2.3. روش برآورد فرسایش خاک

RUSLE پرکاربرد در اینجا برای برآورد فرسایش خاک در منطقه مورد مطالعه انتخاب شد. این مدل در سطح بین المللی قابل اجرا است و نتایج نسبتاً قابل اعتمادی را ارائه می دهد [ 41 ، 42 ، 43 ، 44 ]. این مدل محبوب ترین و قابل اعتمادترین مدل فرسایش خاک است که در سراسر جهان برای پیش بینی نرخ فرسایش درازمدت خاک از واحدهای با اندازه مزرعه های مختلف با اعمال مدیریت های مختلف استفاده شده است [ 45 ]. ساختار مدل RUSLE را می توان با معادله زیر بیان کرد. متوسط ​​نرخ فرسایش سالانه خاک بر حسب تن/هکتار/سال (t/h/y) بیان می‌شود:

E = R * K * LS * C * P ،

جایی که،

E = میانگین سالانه نرخ فرسایش خاک.
R = فرسایش بارندگی.
K = فرسایش پذیری خاک.
LS = عوامل توپوگرافی.
ج = ضریب مدیریت پوشش زمین.
P = ضریب حفاظت.
با توجه به این معادله مشخص می شود که عامل LS تنها عاملی است که ارتباط زیادی با وضعیت توپوگرافی سطح دارد. برای یک طرح مشخص، عوامل دیگر را می توان ثابت کرد. بنابراین، تأثیر قطعنامه DEM را می توان مستقیماً با محاسبه ضریب LS با داده های هشت DEM ارزیابی کرد. فرآیندهای جزئیات به منظور استخراج عوامل مختلف شرح داده شده است.

2.3.1. فاکتور LS

ضریب LS مقادیر ترکیبی محاسبه شده با استفاده از گرادیان شیب ( s ) و طول شیب ( l ) است. شیب شیب ( s ) تند بودن شیب است که تأثیر مثبتی بر نرخ فرسایش خاک دارد. طول شیب ( l ) فاصله ای از مبدأ جریان زمینی تا نقطه ای است که یا شیب به حدی کاهش می یابد که رسوب گذاری آغاز می شود یا آب روان وارد یک کانال کاملاً مشخص می شود. نرخ فرسایش خاک با افزایش طول شیب ( l ) افزایش می‌یابد، اما در مقایسه با شیب ( s ) شیب، مقاومت ضعیف‌تری برای افزایش سرعت فرسایش خاک با افزایش طول شیب دارد [ 45 ].]. عوامل توپوگرافی مانند طول شیب ( l )، شیب شیب ( s )، و فاکتورهای LS با استفاده از DEM تفکیک مکانی فردی برای قطعات نمونه‌برداری شده محاسبه شدند. از معادلات زیر برای استخراج طول شیب ( l ) و فاکتورهای LS از DEM [ 46 ] استفاده شد.

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونتنوع گره ناشناخته: فونت√نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت

که در آن s شیب شیب است و در درصد شیب استفاده می شود. l طول شیب بر حسب متر است که با استفاده از رابطه (3) محاسبه می شود.

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت
نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتمساحت واحد کمک کننده (m²) است [ 47 ].
2.3.2. فاکتور R
داده های اقلیمی سطح محلی برای مدت زمان بسیار کوتاهی در دسترس است و ایستگاه های هواشناسی در نقاط دوردست قرار دارند. توسعه داده های عامل R با وضوح بالای مکانی قابل اعتماد بر اساس شرایط بارندگی طولانی مدت در منطقه مورد مطالعه غیرممکن است . بنابراین، فرسایش بارش ( عامل R ) از مرکز داده خاک اروپا (ESDAC) در مقیاس 1 کیلومتر جمع آوری شد. از داده های بارندگی پوشش زمانی 30 تا 40 سال با واحد MJ mm/ha/h/y محاسبه شد. این داده ها در سال های 2013-2017 با همکاری کمیسیون اروپا (مرکز تحقیقات مشترک)، دانشگاه بازل و موسسه هواشناسی و محیط زیست [ 11 ] تولید شدند. مقادیر Rضریب هر کرت با توجه به موقعیت جغرافیایی با محصول ESDAC با دامنه 7331.9 تا 9078.43 MJ میلی‌متر در هکتار در ساعت در سال تعیین شد. میانگین ضریب R در کرت‌های دیم کمتر (7830.5 مگاژول میلی‌متر در هکتار در ساعت) نسبت به کرت‌های آبی (4/8528 مگاژول میلی‌متر در هکتار در ساعت در سال) بود. نمودار K(c) بیشترین مقدار را دارد، در حالی که نمودار B(b) کمترین مقدار را دارد.
2.3.3. فاکتور K

سه نمونه خاک از هر قطعه انتخاب شده جمع آوری شد. ساختار خاک از مزرعه شناسایی شد و سایر خصوصیات خاک با تجزیه و تحلیل فیزیکی و شیمیایی در آزمایشگاه به دست آمد. ضریب فرسایش پذیری خاک ( K ) نرخ از دست دادن خاک در واحد R است که در یک قطعه واحد در شرایط خاص اندازه گیری می شود. ضریب فرسایش پذیری خاک ( K ) با استفاده از رابطه زیر محاسبه شد:

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت

جایی که

K فرسایش پذیری خاک (tha h/ha/MJ/mm) است.
M فاکتور بافتی خاک (% سیلت + % ماسه بسیار ریز) × (100-% خاک رس) است.
a محتوای مواد آلی بر حسب درصد (%) در خاک است.
b کد کلاس ساختار خاک است که در راهنمای بررسی خاک ایالات متحده [ 48 ] تعریف شده است.
c کد کلاس نفوذپذیری خاک است که در راهنمای بررسی خاک ایالات متحده [ 48 ] تعریف شده است.
2.3.4. فاکتور C و P
داده های کاربری/پوشش زمین از تصاویر با وضوح بالا (5×5 سانتی متر) بدست آمده از پهپاد به دست آمده است. سطوح زیر کشت تراس ها به عنوان زیر کشت و تراس رایزر و محوطه آن به عنوان علفزار اختصاص داده شد. ذرت در فصل تابستان در تراس های شیب دار به سمت بیرون دیم کشت می شود و با لوبیا و سبزیجات مخلوط می شود و در زمستان آیش است. مناطق آبی شالیزاری با یک محصول در تابستان و سپس گندم در زمستان است. بنابراین ضریب مدیریت پوشش در این کرت های زیر کشت کاملاً متفاوت است. با این حال، ادبیات طبقه‌بندی زمین‌های زیر کشت به دو بخش آبی و دیم، برای اختصاص فاکتور C و P مجزا به شدت فاقد است. این مطالعه C و P را به عاریت گرفته استعامل به دست آمده از کاربرد طولانی مدت قبلی در منطقه مخزن Miyun در چین، زیرا تقریباً مقوله های کاربری زمین و تقویم محصول مشابه این مطالعه وجود دارد [ 49 ، 50 ]. علاوه بر این، منطقه مخزن میون دارای الگوی بارش فصلی و ارتفاع مشابه است. بنابراین، ضریب مدیریت پوشش ( C ) برای زمین زیر کشت آبی 0.1، برای مزرعه دیم 0.35 و برای علفزار 0.04 تعیین شد. ضریب حفاظتی ( P ) برای همه دسته های پوشش زمین 1 اختصاص یافت.

2.4. طرح مقایسه

با تنظیم مقدار فاکتورهای RUSLE، مدل‌های RUSLE با استفاده از فاکتورهای توپوگرافی ( LS ) مشتق‌شده توسط هشت رزولوشن فضایی مختلف DEM، هشت بار برای هر قطعه به‌طور جداگانه اعمال شده‌اند. شیب شیب، طول شیب و فاکتورهای توپوگرافی ( LS ) با استفاده از داده‌های DEM با تفکیک مکانی متفاوت از هشت محاسبه شد و بر این اساس، هشت نرخ فرسایش خاک مختلف با استفاده از عوامل توپوگرافی مختلف ( LS ) برآورد شد. سایر عوامل ( R ، K ، C و P ) در طول برآورد ثابت نگه داشته شدند. مقایسه شیب شیب (s)، طول شیب (l)، ضریب توپوگرافی ( LS )و فرسایش خاک هر قطعه جداگانه برای شناسایی حساسیت این مقادیر به تفکیک مکانی داده‌های DEM انجام شد.
درصد کل تغییر مقدار کل تغییر تقسیم بر مقدار بدست آمده در DEM اندازه پیکسل 5 × 5 سانتی متر ضرب در 100 بود. درصد تغییر از اندازه یک پیکسل DEM به اندازه پیکسل بعدی DEM، درصد تغییر در کل تغییر بود. . سپس داده‌های تک تک کرت‌ها با هم مقایسه شدند، سپس به کرت‌های آبی و دیم خلاصه شدند و در نهایت در یک داده برای تغییرات فردی در شیب شیب، طول شیب، فاکتور توپوگرافی و فرسایش خاک با تغییرات اندازه پیکسل خلاصه شدند. از DEM.

3. نتایج

3.1. شیب شیب و طول شیب

همانطور که در شکل 2 الف نشان داده شده است، یک روند کاهشی شیب شیب با افزایش اندازه پیکسل داده های DEM در قطعات دیم وجود دارد. نمودارهای B(a) و B(c) الگوی تغییر مشابهی را نشان می دهند، اما نرخ تغییر در نمودار B(c) در مقایسه با نمودار B(a) کمی بیشتر است. نمودار B(b) کمترین نرخ تغییر را دارد.
از نظر آماری، کل تغییر شیب در قطعه B(c) 45.3 (73%) است که بیشترین و کمترین آن در قطعه B(b) با اختلاف 34.9 (55.5%) است ( جدول 1 ). بیش از 71 درصد از کل تغییر در خط متوسط ​​کرت های دیم در طول تغییرات داده های DEM از 5×5 سانتی متر به 1×1 متر اتفاق می افتد. بنابراین، نرخ تغییر شیب از 5×5 سانتی متر به 1×1 متر و با افزایش جزئی از 1×1 به 10×10 متر نسبتاً بیشتر است.
به طور مقایسه ای، روند کاهشی مشابهی برای کرت های آبی مشاهده شد که در شکل 2 نشان داده شده است.ب روند کاهشی شیب پلات K(a) و K(c) تقریباً موازی هستند. مقادیر کاهش کل شیب در K(a) و K(c) به ترتیب 34.3 و 31.8 است. مقدار تغییر کمتر از نمودار K(b) است که در مجموع 46.9 کاهش دارد. میانگین تغییر شیب در کرت های آبی 37.7 است که کمی کمتر از میانگین تغییر در کرت های دیم (39.6) است. به طور مشابه، نرخ تغییر در شیب برای تخمین‌ها با استفاده از داده‌های DEM با اندازه پیکسل کوچکتر از 1×1 متر نسبت به وضوح درشت مانند 2×2، 5×5، و 10×10 متر بالاتر است. به طور متوسط، تغییر در شیب کرت های آبی با وضوح DEM از 5 × 5 سانتی متر تا 1 × 1 متر، 77.5 درصد از کل تغییر را اشغال می کند.
برخلاف الگوی تغییر گرادیان شیب، روند تغییر طول شیب با افزایش اندازه پیکسل DEM روند مثبتی را نشان می‌دهد. برخلاف تفاوت‌های آشکار بین کرت‌های مختلف برای شیب شیب، تفاوت معنی‌داری در روند تغییر طول شیب در بین کرت‌های دیم و آبی وجود ندارد ( شکل 2 c,d). نمودار K(b) نسبت به سایر نمودارها دارای روند تغییر مواج است. در کرت های آبیاری مقدار متوسط ​​از 5×5 به 20×20 سانتی متر افزایش آهسته دارد و تا اندازه پیکسل 5×5 متر شروع به افزایش سریع می کند. میانگین افزایش طول شیب بین 20 × 20 سانتی متر تا 5 × 5 متر بیشتر است که 78.1 درصد از کل تغییر را به خود اختصاص می دهد ( جدول 1 ).
علاوه بر ارائه برآوردهای شیب و طول با وضوح های مختلف DEM، می توان از یک تابع توان برای متناسب کردن الگوی تغییر شیب در برابر اندازه پیکسل DEM استفاده کرد ( شکل 3 a). روند کاهشی به تدریج با افزایش اندازه پیکسل DEM پایدار است. شیب شیب کرت های آبیاری به طور سیستماتیک کمتر از کرت های دیم است. در مقایسه، روند تغییر طول شیب با افزایش اندازه پیکسل یک روند لگاریتمی را به جای روند توان ارائه می دهد ( شکل 3 ب). کرت های دیم و آبی الگوی کاملا مشابهی را نشان می دهند. برای هر دو متغیر، واضح ترین تغییرات در اندازه پیکسل مشاهده می شود که از 5 × 5 سانتی متر تا 2 × 2 متر متغیر است.
برای درک بهتر این تأثیر، مثالی از شیب شیب و برآورد طول شیب در شکل 4 نشان داده شده است.; با داده های DEM جمع آوری شده در وضوح های مختلف، شیب شیب و طول شیب منطقه مورد مطالعه را می توان نقشه برداری کرد. یک شیب متوسط ​​در 24.2 درجه با استفاده از اندازه پیکسل 5 × 5 سانتی متر DEM به دست آمد، در حالی که شیب شیب همراه با افزایش اندازه پیکسل DEM کاهش یافت. در نهایت، شیب شیب تنها 12.2 درجه در DEM اندازه پیکسل 10 × 10 متر یافت شد. تقریباً نیمی از شیب شیب از 5 × 5 سانتی متر به اندازه پیکسل 10 × 10 متر DEM کاهش یافته است. بنابراین، واضح است که کاهش قابل توجهی در شیب شیب با افزایش اندازه پیکسل DEM وجود دارد. طول شیب نیز عامل مهمی است که بر سرعت فرسایش خاک تأثیر می گذارد، اگرچه تأثیر کمتری نسبت به گرادیان شیب دارد [ 46 ].]. بنابراین، دانستن چگونگی تغییر طول شیب با تغییر وضوح DEM نیز مهم است. مقادیر طول شیب مشتق شده با استفاده از وضوح متفاوت DEM کاملاً معکوس با گرادیان شیب است. طول شیب با افزایش اندازه پیکسل DEM افزایش می یابد. میانگین طول شیب در اندازه پیکسل 5 × 5 سانتی متر DEM تنها 33 سانتی متر بود، در حالی که در اندازه پیکسل 10 × 10 متر 115 سانتی متر اندازه گیری شد، که تقریباً سه و نیم برابر افزایش اندازه پیکسل از 5 × 5 سانتی متر است. تا 10 × 10 متر DEM. این نشانه واضحی از حساسیت بالای وضوح DEM به مشتق شیب شیب، طول شیب و فاکتور توپوگرافی است.

3.2. عامل LS و فرسایش خاک

از بالا مشهود است که اندازه پیکسل DEM با طول شیب رابطه مثبت و با شیب شیب رابطه معکوس دارد. با توجه به معادله (2)، عامل LS روند کاهشی را نشان می دهد، همانطور که در شکل 5 a,b نشان داده شده است. روند کاهشی همواری برای فاکتورهای تخمینی LS در تمام قطعات دیم وجود دارد. با این حال، به دلیل نوسان زیاد طول شیب، در قطعه آبی K(b) بسیار نوسان دارد. میانگین نرخ تغییر ضریب LS در کرت های دیم بیشتر از کرت های آبی است.
میانگین ضریب LS کرت‌های دیم هنگام استفاده از داده‌های DEM با وضوح مکانی از 5×5 سانتی‌متر به 10×10 متر، 88.3 درصد کاهش یافته است. برای کرت های آبیاری شده، تغییر در 83.4-٪ اندازه گیری می شود ( جدول 2 ). نرخ انقباض بالاتر عامل LS از 5×5 سانتی متر تا اندازه پیکسل 1×1 متر DEM در همه کرت ها (از جمله دیم و آبی) وجود دارد. در این اندازه پیکسل های DEM بیش از 80 درصد کاهش در مقدار فاکتور LS وجود دارد. تخمین‌های فاکتور LS حساسیت بالایی به استفاده از داده‌های DEM با وضوح بالا (≤1 × 1 متر) نسبت به داده‌هایی با وضوح درشت (≥1 × 1 متر) نشان می‌دهد.
با ضریب LS برآورد شده ، همراه با عوامل دیگر، فرسایش خاک هر قطعه با مقدار متوسط ​​در تفکیک‌های مکانی مختلف برآورد شد. همانطور که در شکل 5 c,d نشان داده شده است، یک روند کاهشی قابل مشاهده در فرسایش خاک با افزایش اندازه پیکسل DEM وجود دارد. برای قطعات دیم و آبی، تغییرات فرسایش خاک در اندازه‌های مختلف پیکسل DEM عمدتاً توسط عامل LS به دلیل خواص خاک و شرایط بارندگی مشابه کنترل می‌شود. از نظر آماری، بیش از 90 درصد تغییرات میزان فرسایش خاک توسط LS تعیین شدفاکتور در تمام کرت های منفرد در سطح معنی داری 1 درصد. بنابراین، فرسایش خاک یک روند کاهشی را برای همه کرت ها با افزایش اندازه پیکسل DEM ارائه می دهد.
از جدول 2 مشهود است که میانگین میزان فرسایش خاک در کرت های دیم هنگام استفاده از داده های DEM در اندازه پیکسل 5 × 5 سانتی متر 189.7 تن در ساعت در سال است. این مقدار در اندازه پیکسل 10 × 10 متر با کاهش 132.2 تن در ساعت در سال به 57.4 تن در ساعت در سال کاهش می یابد (69.72 درصد کاهش می یابد). به طور نسبی، میانگین فرسایش خاک در کرت های آبی در مقایسه با کرت های دیم به دلیل تفاوت در ضریب توپوگرافی و C بسیار کمتر است. متوسط ​​نرخ فرسایش خاک در قطعه آبیاری 56 تن در ساعت در هنگام استفاده از داده های DEM 5 × 5 سانتی متر است و در اندازه پیکسل 10 × 10 متر به 11 تن در ساعت در ساعت تغییر می کند. مجموع کاهش 44.1 تن در ساعت در سال و بر حسب درصد 79.3 درصد است. برآوردهای فرسایش خاک قطعه K(b) منعکس کننده تاثیر نوسانات LS استعامل. برای کرت‌های آبیاری، کاهش 83 درصدی با 5×5 سانتی‌متر به 1×1 متر پیکسل DEM در کاهش کل ایجاد شد و کرت‌های مختلف نسبت‌های سهم متفاوتی از 80 تا 87 درصد دارند. نرخ کاهش فرسایش خاک با افزایش اندازه پیکسل DEM در کرت های آبی در مقایسه با کرت های دیم بیشتر است. نرخ کاهش فرسایش خاک با افزایش اندازه پیکسل های DEM در کرت های آبی نسبت به کرت های دیم بسیار بیشتر است زیرا تغییرات شیب مادر در کرت های آبی نسبت به دیم بیشتر است.
خطوط روند برای مقادیر متوسط ​​ضریب LS و فرسایش خاک در برابر اندازه پیکسل DEM الگوی تغییر مشابهی را در هر دو قطعه دیم و آبی نشان می‌دهند ( شکل 6 a,b). برای بیان رابطه می توان از تابع توان استفاده کرد. اگرچه مقادیر تابع برای اندازه پیکسل یکسان متفاوت است، اما همه توابع نشان می‌دهند که کاهش مقادیر فاکتور LS و فرسایش خاک عمدتاً در محدوده اندازه پیکسل از 5×5 سانتی‌متر تا 2×2 متر با افزایش DEM اتفاق می‌افتد. اندازه پیکسل هنگامی که اندازه پیکسل بزرگتر از 1 × 1 متر باشد، تغییرات در فاکتور LS و فرسایش خاک بسیار کند می شود.

4. بحث

4.1. تاثیر تفکیک DEM بر عوامل توپوگرافی

DEM منبع داده اولیه است که برای به تصویر کشیدن اطلاعات سطح استفاده می شود، که اطلاعات اساسی را برای کاربردهای گسترده در فرآیندهای سطح زمین و تجزیه و تحلیل محیطی فراهم می کند [ 51 ، 52 ]. در این مطالعه، تأثیر تفکیک فضایی داده‌های DEM به وضوح توسط تخمین عامل LS منعکس شده است. وضوح فضایی داده‌های DEM، دقت واقعیت توپوگرافی را تعیین می‌کند، که با از دست دادن پیچیدگی‌های شکل زمین و اغلب نادیده گرفتن جزئیات مهم سطح زمین، نمی‌توان آن را با داده‌های DEM با وضوح درشت شناسایی کرد [ 53 ، 54 ]]. بنابراین، تغییرات قابل توجهی در مقادیر فاکتورهای توپوگرافی با تغییر در وضوح مکانی داده های DEM و دقت محاسباتی ضریب LS وجود داشت که با افزایش اندازه پیکسل DEM کاهش یافت [ 55 ]. دقت بالاتر مدل‌سازی هیدرولوژیکی با استفاده از داده‌های DEM با وضوح بالاتر در مقایسه با استفاده از DEM با وضوح درشت [ 19 ، 21 ، 22 ، 23 ] به دست آمد. محاسبه LSفاکتور با استفاده از داده‌های DEM با اندازه پیکسل‌های 1×1 متر تا 90×90 متر در پارک ملی سوخته در نیو ساوت ولز، استرالیا، نشان داده بود که یک DEM با وضوح بالاتر مقادیر نزدیک‌تری به مقادیر اندازه‌گیری شده نمودارها می‌دهد. با این وجود، DEM با وضوح پایین به‌طور رایگان در دسترس، قادر به تشخیص ریزپیچیدگی‌های سطح توپوگرافی مانند تراس‌های کشاورزی شیب تپه در نپال نیست.
ظهور اخیر تصاویر مشتق شده از پهپاد همراه با سیستم فتوگرامتری قدرتمند مبتنی بر رایانه، دقت داده ها را بهبود بخشیده و پایگاه داده در مقیاس بزرگ را برای مطالعات منطقه کوچک فراهم می کند [ 28 ]، که توسط آن امکان تشخیص دقیق تر و جزئی تر اطلاعات توپوگرافی سطح تپه وجود دارد. تراس های کشاورزی شیب نپال. اگرچه مطالعات گذشته از داده‌های DEM با وضوح درشت‌تر در مقایسه با مطالعه حاضر استفاده می‌کردند، روند تغییر شیب شیب، طول شیب و عوامل توپوگرافی با تغییرات وضوح DEM مشابه بود [ 56 ، 57 ]. با این حال، هیچ یافته ای در این مطالعه با استفاده از وضوح DEM به اندازه 5 × 5 سانتی متر آشکار نشد. در همین حال، یک پدیده مهم پیدا شد که تغییر در نرخ LSفاکتور بسیار بالا است، در حالی که از داده های DEM با اندازه پیکسل زیر 50 × 50 سانتی متر استفاده می شود. نتایج نشان می‌دهد که این DEM با وضوح بالا می‌تواند ناهمواری‌های ریز توپوگرافی را تشخیص دهد، که در مطالعات گذشته غیرممکن بود.
این مطالعه تغییراتی را در چندین پیچیدگی توپوگرافی زمین‌های کشاورزی پلکانی، از جمله کرت‌های دیم و آبی ارائه می‌کند. تا حدی پایایی یافته را از طریق مطالعه تطبیقی ​​افزایش می دهد. به طور کلی، متوسط ​​شیب کرت‌های دیم نسبت به کرت‌های آبی بسیار زیاد است، زیرا در مقایسه با کرت‌های آبی در منطقه مورد مطالعه، شیب تندتری دارند. تغییر کلی در شیب شیب در کرت های دیم بیشتر است، اما برعکس، نرخ تغییر در کرت های آبی بیشتر است، زیرا کرت های آبی به شدت از کانتور هنگام ساخت تراس پیروی می کنند، اما در کرت های دیم تقریباً دنبال می شود. کاهش شدید LSفاکتور در تراس های دیم در مقایسه با کرت های آبی در هنگام استفاده از داده های DEM با اندازه پیکسل 5×5 سانتی متر و 10×10 سانتی متر بازیابی بیشتر است. دلیل آن زبری زیاد سطح زیر کشت دیم به دلیل خاکورزی اخیر سطح زیر کشت تراس های دیم و سطح نسبتاً صاف در تراس های آبی است. نرخ بالاتر تغییر در فاکتورهای توپوگرافی در DEM با وضوح بالاتر به دلیل تشخیص ناهمواری های میکرو توپوگرافی سطوح توسط DEM با وضوح بالا است. به طور کلی، شناسایی تابع توان روند تغییر شیب شیب و LS را نشان می دهدعامل و روند تغییر لگاریتمی طول شیب در برابر وضوح مکانی DEM. این مهم ترین یافته های مطالعه حاضر است که توسط DEM با وضوح بالا مشتق از پهپاد ممکن شد. مهمتر از همه، زمانی که وضوح DEM بالای 2 × 2 متر است، روند تغییر پایدار می شود، که تا حدی نشان می دهد که این وضوح یک مقدار آستانه برای محاسبه توپوگرافی و برآورد فرسایش خاک تراس های باریک کشت است.

4.2. تأثیر قطعنامه DEM بر تلفات تخمینی خاک

به خوبی شناخته شده است که بارندگی و توپوگرافی غالب ترین عوامل کنترل کننده فرسایش خاک هستند. در این منطقه مورد مطالعه، تفاوت معنی داری در مقادیر فرسایش پذیری بارندگی و فرسایش پذیری خاک وجود ندارد. بنابراین، تفاوت نرخ فرسایش خاک در کرت های مختلف به شدت توسط یک عامل توپوگرافی کنترل می شود. فرسایش خاک با شیب شیب و طول شیب رابطه خطی دارد زیرا سرعت رواناب با افزایش شیب شیب و طول شیب افزایش می یابد. افزایش عمق جریان مرتبط با تجمع رواناب در شیب پایین، که قدرت فرسایش را افزایش می دهد [ 58 ، 59 ]. بنابراین، برآورد فرسایش خاک به داده های DEM قابل اعتماد نیاز دارد و تفکیک مکانی یک جنبه مهم است [ 57 ]]. اگرچه تجزیه و تحلیل قبلی روند کاهشی فرسایش خاک را با کاهش قدرت تفکیک مکانی DEM شناسایی کرده است [ 11 ، 17 ، 58 ، 60 ، 61 ]، این مطالعه مطالعه مشابهی را با وضوح DEM تا 5×5 سانتی متر ارائه می کند و مشخص می کند. الگوی تغییر نرخ فرسایش خاک با تغییر قدرت تفکیک DEM از 5×5 سانتی متر تا 10×10 متر.
همانطور که در شکل 6 نشان داده شده است ، نرخ تغییر فرسایش تخمینی خاک در محدوده تفکیک پذیری از 5×5 سانتی متر تا 1×1 متر بسیار زیاد است، زیرا به دلیل شناسایی سطح میکروتوپوگرافی DEM با وضوح بالا و کاهش شدید میکرو می باشد. زبری توپوگرافی با کاهش وضوح DEM. تعمیم سطح ریز توپوگرافی با کاهش قدرت تفکیک DEM تا حد زیادی نرخ های برآورد شده فرسایش خاک را کاهش می دهد. نرخ بالاتر فرسایش خاک در کرت های دیم نسبت به کرت های آبی به دلیل شیب بیشتر است. در همین حال، کاهش نرخ فرسایش خاک در تراس های دیم بیشتر از تراس های آبی بین اندازه پیکسل های DEM از 5 × 5 به 10 × 10 سانتی متر است که به دلیل نرخ تغییر بالاتر LS است.عامل. تشخیص تغییرات سطح خرد نرخ فرسایش خاک با وضوح بالا DEM در تراس های کشاورزی باریک در شیب تپه ممکن شد. با افزایش اندازه پیکسل DEM، داده های DEM نمی توانند تغییرات سطح خرد را به تصویر بکشند.
علاوه بر الگوی تغییرات کلی، شناسایی تابع توان برای بیان روند تغییر فرسایش خاک در برابر قدرت تفکیک فضایی DEM مهمترین یافته مطالعه حاضر است. این مطالعه نشان داد که داده‌های DEM قادر به تشخیص اصلاحات ریز توپوگرافی شیب‌های طبیعی و تخمین دقیق نرخ فرسایش خاک در زمانی که اندازه پیکسل‌های DEM بزرگتر از دو متر است، نیستند. دقت بالاتر فرسایش خاک را می توان با استفاده از اندازه پیکسل کوچکتر DEM بدست آورد، اما فرآیند واقعی فرسایش خاک در چنین سطح ناهموار میکروتوپوگرافی هنوز ناشناخته است زیرا مطالعات تجربی با استفاده از چنین DEM با وضوح بالا تا حد امکان وجود ندارد. اندازه پیکسل 5 × 5 سانتی متر در مقایسه با داده های اندازه گیری شده از دست دادن خاک. بنابراین، به تأیید بیشتر با مقادیر اندازه گیری شده نیاز دارد.

4.3. استلزام از تخمین نرخ فرسایش خاک در سطح با وضوح بالا

این مطالعه به‌جای تحلیل حساسیت نرخ‌های فرسایش تخمینی خاک با تغییر وضوح DEM، به نرخ واقعی فرسایش خاک مربوط نمی‌شود، اما به همان اندازه مهم است که میزان فرسایش خاک برآورد شده تا چه حد به واقعیت نزدیک است. بنابراین، بحث نرخ فرسایش خاک در نقاط مختلف جهان به طور کلی و در نپال به طور خاص، اطلاعات حمایتی برای اعتبار برآورد خواهد بود. تغییرات نرخ فرسایش خاک در نقاط مختلف به دلیل تغییر عوامل کنترل کننده مختلف است. در میان این عوامل بارندگی و توپوگرافی غالب ترین عوامل فیزیکی هستند [ 62]. مناطق زراعی کوهستانی با شدت بارندگی بالا در کشورهای در حال توسعه به دلیل شیوه های مدیریت ضعیف زمین، نرخ فرسایش خاک بالاتری نسبت به کشورهای توسعه یافته دارند [ 11 ، 63 ، 64 ، 65 ]. این مطالعه نشان داد که نرخ فرسایش خاک در مناطق کشاورزی سنتی کشورهای در حال توسعه در جهان [ 4 ] بیشتر از همتایان آنها در کشورهای توسعه یافته است.
در نپال، اندازه‌گیری مزرعه‌ای نرخ فرسایش خاک در حوضه آبخیز لیخو خولا در بخش مرکزی منطقه تپه میانی نپال 2.7 تا 12.9 تن در ساعت در سال بود، جایی که میزان بارندگی سالانه 2141 میلی‌متر بود [ 13 ]. به طور مشابه، نرخ فرسایش خاک 0.6 تا 14 تن در ساعت در تراس های شیب دار به سمت بیرون در قسمت شمال شرقی کاتماندو (ناگارکوت) و تا 35 تن در ساعت فرسایش خاک در تراس های خاک قرمز شیب دار به سمت داخل در پوخارا و جیخو خولا بود. با حداکثر 20 تن در ساعت در سال [ 66]. تغییرات شدیدی در نرخ فرسایش خاک در ناحیه کشاورزی شیب تپه به دلیل تغییر شدت بارندگی، توپوگرافی، شیوه های مدیریتی و انواع خاک وجود دارد. داده های دولتی نشان می دهد که نرخ فرسایش خاک در جنگل های تخریب شده و زمین های کشاورزی در بخش مرکزی منطقه تپه میانی 31.5 تا 140 تن در ساعت در سال بود [ 67 ]. در مقایسه با اندازه‌گیری‌های فوق در تراس‌های شیب تپه نپال، تخمین‌های نرخ فرسایش خاک در این مطالعه به دلیل شدت بارندگی بالاتر در منطقه مورد مطالعه و شناسایی سطح واقعی زمین تراس‌های کشاورزی باریک توسط DEM با وضوح بالا به طور منطقی بالاتر است.
علاوه بر مقادیر اندازه گیری شده، تخمین های مختلفی از نرخ فرسایش خاک در مناطق مختلف نپال با استفاده از وضوح متوسط ​​(30 × 30 متر) تا درشت (90 × 90 متر) DEM [ 41 ، 42 ، 44 ، 68 ، 69 ، 70 وجود دارد.]. استفاده از داده‌های DEM با وضوح متوسط ​​تا درشت و بارندگی نسبتاً کم در مناطق مورد مطالعه، میزان پایین برآورد فرسایش خاک را القا کرد. در مقایسه، این مطالعه نرخ‌های فرسایش خاک بالاتری را به دلیل داده‌های DEM با وضوح بالا، که می‌تواند تغییرپذیری ریز تراس‌ها و سازه‌های سطوح را تشخیص دهد، شناسایی کرد. علاوه بر این، نشان داد که برآورد فرسایش خاک چقدر حساسیت به تفکیک DEM دارد. عدم قطعیت پشت برآوردهای قبلی باید در ارزیابی فرسایش خاک در آینده در نظر گرفته شود. بررسی بیشتر با استفاده از رزولوشن های مختلف DEM در مناطق مختلف زبری سطح برای شناسایی اندازه DEM مناسب برای یک منطقه خاص مورد نیاز است. در نهایت با توجه به ویژگی مدل RUSLE فقط فرسایش ورق و شیاری را پوشش می دهد که فرسایش خندقی را پوشش نمی دهد. کانال های حفاظتی توسط کشاورزان برای محافظت از زمین های مزرعه خود توسط فرسایش آبکند در هنگام بارش های سیل آسا ساخته می شود. بنابراین، برای فرسایش خندقی در کرت های مورد مطالعه چندان جدی نیست. با این حال، گاهی اوقات آنها به دلیل محدودیت های مختلف از زمین کشاورزی خود به طور کامل محافظت نمی کنند. بنابراین، به بررسی بیشتر از جمله فرسایش خندقی با استفاده از DEM با وضوح بالا با تأیید داده‌های اندازه‌گیری شده واقعی نیاز دارد.

5. نتیجه گیری ها

تفکیک مکانی داده های توپوگرافی یکی از مهم ترین عوامل تعیین کننده برای تخمین دقیق نرخ فرسایش خاک در تراس های کشاورزی شیب تپه با کنترل دقت شیب شیب و طول شیب است. بنابراین، تفکیک مکانی داده‌های DEM یک موضوع مهم برای مدل‌سازی و برآورد است. در حال حاضر، بیشتر DEM‌های آزادانه در دسترس دارای وضوح متوسط ​​(30×30 متر) تا درشت (90×90 متر) هستند، که قادر به تشخیص ویژگی‌های میکروتوپوگرافی اصلاح‌شده توسط کشاورزان در شیب تپه برای کشت محصول نیستند.
رابطه بالاتری بین وضوح فضایی DEM و عوامل توپوگرافی تراس های کشاورزی در دامنه های تپه نپال پیدا شد. نرخ بالاتری از تغییر در DEM با وضوح بالاتر به جای وضوح کمتر یافت شد. این نشان می دهد که DEM با وضوح بالاتر برای استخراج یک فاکتور توپوگرافی واقعی مناسب است. تفاوت هایی در مقادیر متغیر عوامل توپوگرافی در تراس های دیم و آبی وجود داشت که روند مقادیر توپوگرافی مشابه است. رابطه روند توان منفی گرادیان شیب با وضوح فضایی DEM وجود دارد، اما طول شیب رابطه لگاریتمی مثبت با وضوح DEM دارد. LS _فاکتور و نرخ فرسایش خاک نیز با قدرت تفکیک مکانی DEM رابطه منفی دارند. روند تغییر فرسایش خاک به جای سایر عوامل مانند فرسایش بارندگی و فاکتور C به شدت توسط عوامل توپوگرافی در منطقه مورد مطالعه کنترل شد . از این رو، رابطه یکنواختی بین روند تغییر فرسایش تخمینی خاک با قدرت تفکیک DEM و عامل LS وجود داشت.
این مطالعه به این نتیجه رسید که وضوح DEM در تجزیه و تحلیل سطح زمین برای فرآیندهای ژئومورفیک و مدل‌سازی هیدرولوژیکی بسیار حساس است. وضوح DEM کمتر از 2×2 متر پیکسل نمی تواند تراس های کشاورزی باریک مناطق شیب تپه را تشخیص دهد و نمی تواند نرخ واقعی فرسایش خاک را تشخیص دهد. در مقابل، داده های DEM با اندازه پیکسل از 5 × 5 تا 50 × 50 سانتی متر می توانند عوامل توپوگرافی و نرخ فرسایش خاک را با تنوع بالا به تصویر بکشند. در پشت مکانیسم تغییر برآوردهای فرسایش خاک با قطعنامه های مختلف DEM، این مطالعه موردی به خوبی اهمیت قطعنامه DEM برای برآورد فرسایش خاک برای تراس های کشاورزی شیب تپه در نپال را نشان می دهد. نرخ فرسایش خاک تخمین زده شده در این مطالعه را می توان با داده های اندازه گیری میدانی، که شکاف اصلی باقی مانده از این مطالعه است، بیشتر تایید کرد.

منابع

  1. آچاریا، AK; Kafle، N. مسائل مربوط به تخریب زمین در نپال و مدیریت آن از طریق اگروفارستری. جی. آگریک. محیط زیست 2009 ، 10 ، 115-123. [ Google Scholar ] [ CrossRef ]
  2. شالیز، دی. کومار، ال. کریستیانسن، ص. تخریب زمین توسط فرسایش خاک در نپال: بررسی. سیستم خاک 2019 ، 3 ، 12. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. مونتگومری، DR فرسایش خاک و پایداری کشاورزی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2007 ، 104 ، 13268-13272. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  4. بورلی، پی. رابینسون، دی. Fleischer, LR; لوگاتو، ای. بالابیو، سی. الول، سی. میوسبرگر، ک. مودوگنو، اس. شوت، بی. فرو، وی. و همکاران ارزیابی تاثیر جهانی تغییر کاربری اراضی قرن بیست و یکم بر فرسایش خاک نات. اشتراک. 2017 ، 8 ، 1-13. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. چنگ، اچ. زمین آینده و توسعه های پایدار. The Innovation 2020 , 1 , 100055. [ Google Scholar ] [ CrossRef ]
  6. وی، ک. اویانگ، سی. دوان، اچ. لی، ی. چن، ام. ما، جی. آن، اچ. ژو، اس. بازتابی در مورد سیل فاجعه بار حوضه رودخانه یانگ تسه در سال 2020 در جنوب چین. The Innovation 2020 , 1 , 100038. [ Google Scholar ] [ CrossRef ]
  7. Peduzzi, P. Flooding: اولویت دادن به حفاظت؟ نات. صعود چانگ. 2017 ، 7 ، 625-626. [ Google Scholar ] [ CrossRef ]
  8. پاناگوس، پی. بورلی، پی. Meusburger، K. طول شیب اروپایی و فاکتور شیب (LS-Factor) برای مدل‌سازی فرسایش خاک توسط آب. علوم زمین 2015 ، 5 ، 117-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. چاو، TL; ریس، HW; دایگل، JL اثربخشی سیستم‌های آبراهه چمن‌دار تراس برای حفاظت از خاک و آب: ارزیابی میدانی. J. حفظ آب خاک. 1999 ، 54 ، 577-583. [ Google Scholar ]
  10. چاپاگین، تی. Raizada، MN چالش ها و فرصت های زراعی برای دارندگان کوچک کشاورزی تراس در کشورهای در حال توسعه. جلو. علوم گیاهی 2017 ، 8 ، 1-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. پاناگوس، پی. بورلی، پی. پوسن، جی. بالابیو، سی. لوگاتو، ای. میوسبرگر، ک. مونتانارلا، ال. Alewell, C. ارزیابی جدید از دست دادن خاک توسط فرسایش آب در اروپا. محیط زیست علمی سیاست 2015 ، 54 ، 438-447. [ Google Scholar ] [ CrossRef ]
  12. مالا، UM; Chidi، CL عمل بومی مدیریت منابع طبیعی در Pipaldanda، Palpa. هیمال. Rev. 1997 , 24 , 36-49. [ Google Scholar ]
  13. گاردنر، رم؛ جرارد، ای جی رواناب و فرسایش خاک بر روی تراس های کشت شده در تپه های میانی نپال. Appl. Geogr. 2003 ، 23 ، 23-45. [ Google Scholar ] [ CrossRef ]
  14. Basso، B. تجزیه و تحلیل زمین دیجیتال: منبع داده، وضوح و برنامه های کاربردی برای مدل سازی فرآیندهای فیزیکی در اکوسیستم های کشاورزی. Riv. ایتالیایی آگرومتئورول. 2005 ، 2 ، 5-14. [ Google Scholar ]
  15. Gregar, J. درک فرسایش خاک توسط آب برای بهبود حفاظت خاک. Crops Soils Mag. 2020 . [ Google Scholar ] [ CrossRef ]
  16. لین، اس. جینگ، سی. کولز، NA; چاپلوت، وی. مور، نیوجرسی؛ Wu, J. ارزیابی عدم قطعیت منبع و وضوح DEM در ابزار ارزیابی خاک و آب. استوک. محیط زیست Res. ارزیابی ریسک 2013 ، 27 ، 209-221. [ Google Scholar ] [ CrossRef ]
  17. موندال، ا. خاره، د. کندو، اس. موخرجی، س. موخوپادهایای، ع. موندال، اس. عدم قطعیت مدل‌سازی فرسایش خاک با استفاده از وضوح بالا منبع باز و DEM‌های کل. Geosci. جلو. 2017 ، 8 ، 425-436. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. شان، ز. یانگ، ایکس. زو، Q. اثرات قطعنامه های DEM بر LS و برآورد فرسایش دامنه در یک منظره سوخته. خاک رس. 2019 ، 57 ، 797-804. [ Google Scholar ] [ CrossRef ]
  19. عزیزیان، ع. بروکا، L. تعیین بهترین DEM سنجش از راه دور برای نقشه برداری سیلاب در مناطق پراکنده داده. بین المللی J. Remote Sens. 2020 ، 41 ، 1884-1906. [ Google Scholar ] [ CrossRef ]
  20. ارتباط دادن.؛ ژانگ، Q. چن، X. ارزیابی اثرات وضوح DEM و همبستگی پارامتر بر عدم قطعیت مدل‌سازی TOPMODEL. جی هیدرول. 2010 ، 394 ، 370-383. [ Google Scholar ] [ CrossRef ]
  21. ناگاونی، سی. کومار، KP; Ravibabu، MV ارزیابی TanDEMx و SRTM DEM بر روی تخمین رواناب شبیه سازی شده حوضه آبخیز. J. Earth Syst. علمی 2019 ، 128 ، 2. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. آهنگ، جی. گودا، ک. تأثیر تفکیک داده های ارتفاعی بر تخمین تلفات سونامی و نرخ بیمه. جلو. علوم زمین 2019 ، 7 ، 246. [ Google Scholar ] [ CrossRef ]
  23. سلیمان، الحا; گومیندوگا، دبلیو. Awchi، TA; کاتیمون، A. وضوح DEM بر پیش‌بینی جریان اوج تأثیر می‌گذارد: مقایسه دو DEM مبتنی بر متفاوت از طریق تکنیک‌های مختلف تغییر مقیاس. Geocarto Int. 2019 ، 1-14. [ Google Scholar ] [ CrossRef ]
  24. واتسون، CS; Kargel، JS; Tiruwa، B. توپوگرافی هیمالیا مشتق از پهپاد: ارزیابی خطر و مقایسه با محصولات جهانی DEM. هواپیماهای بدون سرنشین 2019 ، 3 ، 18. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  25. Jeziorska، J. UAS برای نقشه برداری تالاب و مدل سازی هیدرولوژیکی. Remote Sens. 2019 , 11 , 1997. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. لانگهامر، جی. Vackova، T. تشخیص و نقشه برداری از اثرات ژئومورفیک سیل با استفاده از فتوگرامتری پهپاد. Pure Appl. ژئوفیز. 2018 ، 175 ، 3223-3245. [ Google Scholar ] [ CrossRef ]
  27. سیکیرا جونیور، پی. سیلوا، MLN; کاندیدو، بی.ام. آوالوس، FAP؛ باتیستا، PVG؛ کوری، ن. لیما، دبلیو. Quinton، JN ارزیابی فرآیندهای فرسایش آب در منطقه تخریب شده با استفاده از تصاویر هواپیمای بدون سرنشین. سوتین کشیش. Cienc. Solo 2019 , 43 , e0190051. [ Google Scholar ] [ CrossRef ]
  28. اویسال، م. توپراک، ع. نسل پولات، N. DEM با فتوگرامتری پهپاد و آنالیز دقت در تپه Sahitler. اندازه گیری 2015 ، 73 ، 539-543. [ Google Scholar ] [ CrossRef ]
  29. عبدالله، ق. بتل، جی. حسین، م. Munjy، R. پروژه فتوگرامتری و برنامه ریزی ماموریت. در کتابچه راهنمای فتوگرامتری ; مک گلون، جی سی، اد. انجمن آمریکایی فتوگرامتری و سنجش از دور: Bethesda، MD، ایالات متحده آمریکا، 2013; صص 1187–1220. [ Google Scholar ]
  30. کراوس، ک. هارلی، IA; Kyle, S. Photogrammetry: Geometry from Images and Laser Scans (de Gruyter Textbook) , 2nd ed.; Walter de Gruyter: نیویورک، نیویورک، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  31. Bemis، SP; Micklethwaiteb، S. ترنر، دی. جیمز، MR; آکچیز، س. Thiele، ST; بنگاش، HA فتوگرامتری زمینی و مبتنی بر پهپاد: یک ابزار نقشه برداری چند مقیاسی و با وضوح بالا برای زمین شناسی ساختاری و دیرینه لرزه شناسی. جی. ساختار. جئول 2014 ، 69 ، 163-178. [ Google Scholar ] [ CrossRef ]
  32. گیندراکس، اس. بوش، آر. Farinotti، D. ارزیابی دقت مدل‌های سطح دیجیتال از تصاویر وسایل نقلیه هوایی بدون سرنشین بر روی یخچال‌های طبیعی. Remote Sens. 2017 ، 9 ، 186. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. راک، جی. Ries، JB; Udelhoven، T. تحلیل حساسیت فتوگرامتری پهپاد برای ایجاد مدل‌های ارتفاعی دیجیتال (DEM). در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، جلد XXXVIII-1/C22.، 2011 ISPRS Zurich 2011 Workshop، زوریخ، سوئیس، 14-16 سپتامبر 2011. [ Google Scholar ]
  34. روسلی، ن. مجید، آقا؛ رزعلی، NFAA; Yaacob، ارزیابی دقت NFF DEM از تصاویر پهپاد و TanDEM-X. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE 2019 در مورد پردازش سیگنال و کاربردهای آن (CSPA 2019)، پنانگ، مالزی، 8 تا 9 مارس 2019. [ Google Scholar ]
  35. راجرز، اس آر. منینگ، آی. لیوینگستون، W. مقایسه دقت فضایی مدل‌های سطح دیجیتال از چهار سیستم هوایی اشغال نشده: فتوگرامتری در مقابل LiDAR. Remote Sens. 2020 , 12 , 2806. [ Google Scholar ] [ CrossRef ]
  36. کولیاتی، م. تونلی، ای. باتاگلیا، دی. Scaioni, M. استخراج DEM و تصاویر ارتو از تصاویر هوایی آرشیو برای حمایت از برنامه ریزی پروژه در مهندسی عمران. در مجموعه مقالات ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume IV-5/W1, Geospace 2017, Kyiv, اوکراین, 4-6 دسامبر 2017. [ Google Scholar ]
  37. Seitz، SM; کورلس، بی. دیبل، جی. چارشتاین، دی. Szeliski، R. مقایسه و ارزیابی الگوریتم های بازسازی استریو چند نمای. در مجموعه مقالات کنفرانس IEEE Computer Society در سال 2006 در مورد دید رایانه و تشخیص الگو (CVPR’06)، نیویورک، نیویورک، ایالات متحده آمریکا، 17 تا 22 ژوئن 2006. جلد 1. [ Google Scholar ]
  38. وانگ، آر. ژانگ، اس. پو، ال. یانگ، جی. یانگ، سی. چن، جی. گوان، سی. وانگ، کیو. چن، دی. فو، بی. و همکاران نقشه برداری و پایش فرسایش خندقی در مقیاس های چندگانه بر اساس داده های سنجش از دور چند منبعی حوضه آبریز رودخانه سانچا، شمال شرقی چین. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 200. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. Coz، ML; دلکلاکس، اف. گیوم، پی. فاورو، جی. ارزیابی روش‌های تجمع مدل رقومی ارتفاع (DEM) برای مدل‌سازی هیدرولوژیکی: حوضه دریاچه چاد، آفریقا. محاسبه کنید. Geosci. 2009 ، 35 ، 1661-1670. [ Google Scholar ] [ CrossRef ]
  40. بیان، ال. باتلر، آر. مقایسه اثرات روش‌های تجمع بر ویژگی‌های آماری و مکانی داده‌های مکانی شبیه‌سازی‌شده. فتوگرام مهندس Remote Sens. 1999 , 65 , 73-84. [ Google Scholar ]
  41. شالیز، دی. Kumar, L. تغییر کاربری زمین بر اروس آب تأثیر می گذارد. در هیمالیاهای نپال PLoS ONE 2020 , 15 , e0231692. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  42. کویرالا، پ. تاکوری، س. جوشی، س. چاوهان، آر. برآورد فرسایش خاک در نپال با استفاده از مدل سازی و ابزار مکانیکی RUSLE. Geosciences 2019 ، 9 ، 147. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. رنارد، KG; فاستر، GR; ویزیس، GA; پورتر، JP RUSLE: معادله جهانی از دست دادن خاک تجدید نظر شده. J. حفظ آب خاک. 1991 ، 46 ، 30-33. [ Google Scholar ]
  44. اودین، ک. مورتی، MSR; وحید، SM; Matin, MA برآورد دینامیک فرسایش خاک در حوضه کوشی با استفاده از GIS و سنجش از دور برای ارزیابی مناطق دارای اولویت برای حفاظت. PLoS ONE 2016 , 11 , e0150494. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. گناسری، BP; Gowda, R. ارزیابی فرسایش خاک با استفاده از مدل RUSLE با استفاده از سنجش از دور و GIS – مطالعه موردی حوضه Nethravathi. Geosci. جلو. 2016 ، 7 ، 953-961. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. مورگان، RP; دیویدسون، DA فرسایش و حفاظت خاک ؛ گروه لانگمن: لندن، بریتانیا، 1991. [ Google Scholar ]
  47. والیس، سی. واتسون، دی. تاربتون، دی. والاس، R. جهت جریان موازی و محاسبه منطقه کمک کننده برای تجزیه و تحلیل هیدرولوژی در مدل های ارتفاعی رقومی. در مجموعه مقالات کنفرانس بین المللی ADPTA09 در تکنیک و کاربرد پردازش موازی و توزیع شده، لاس وگاس، NV، ایالات متحده آمریکا، 13 تا 16 ژوئیه 2009. [ Google Scholar ]
  48. USDA. راهنمای خاک سنجی ; وزارت کشاورزی ایالات متحده آمریکا: واشنگتن، دی سی، ایالات متحده آمریکا، 1951.
  49. لی، یازدهم; وو، بی. Zhang, L. پایش دینامیکی فرسایش خاک برای جریان بالایی مخزن میون در 30 سال گذشته. J. Mt. Sci. 2013 ، 10 ، 801-811. [ Google Scholar ] [ CrossRef ]
  50. منگ، ECH؛ هو، آر. شی، ایکس. ژانگ، اس. ذرت در چین: سیستم‌های تولید، محدودیت‌ها و اولویت‌های پژوهشی . CIMMYT: Texcoco، مکزیک، 2006. [ Google Scholar ]
  51. کلاسنس، ال. Heuvelink، GB; Schoorl، JM; Veldkamp، A. اثرات وضوح DEM بر خطر زمین لغزش کم عمق و مدل سازی توزیع مجدد خاک. زمین گشت و گذار. روند. Landf. 2005 ، 30 ، 461-477. [ Google Scholar ] [ CrossRef ]
  52. Schoorl، JM; سونولد، نماینده مجلس؛ Veldkamp، A. مدل سازی فرآیند چشم انداز سه بعدی: اثر وضوح DEM. فرآیندهای سطح زمین و شکل های زمین J. Br. ژئومورفول. Res. گروه 2000 ، 25 ، 1025-1034. [ Google Scholar ]
  53. Szyputa، B. مدل های رقومی ارتفاع در ژئومورفولوژی. هیدروژئومورفول. روندهای مدل 2017 ، 81-112. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. وانگ، سی. Zhu، XL; ژانگ، WB; یو، بی. فو، SH; لیو، L. اثر منابع داده های توپوگرافی مختلف بر تخمین از دست دادن خاک برای یک حوزه آبخیز کوهستانی در شمال چین. محیط زیست علوم زمین 2016 ، 75 ، 1382. [ Google Scholar ] [ CrossRef ]
  55. لو، اس. لیو، بی. هو، ی. فو، اس. کائو، کیو. شی، ی. Huang, T. فاکتور توپوگرافی فرسایش خاک (LS): دقت محاسبه شده از منابع داده های مختلف. Catena 2019 , 187 , 104334. [ Google Scholar ] [ CrossRef ]
  56. ژانگ، اچ. باارتمن، JEM; یانگ، ایکس. گای، ال. Geissen, V. تأثیر وضوح DEM سطح پلکانی بر عامل RUSLE LS. در مجموعه مقالات خلاصه‌های تحقیقات ژئوفیزیک، مجمع عمومی EGU، وین، اتریش، 23 تا 28 آوریل 2017. [ Google Scholar ]
  57. ژانگ، اچ. یانگ، کیو. وانگ، ام. یانگ، جی. جین، ب. تجزیه و تحلیل قدرت تفکیک DEM در ویژگی های زمین فرسایشی منطقه تراس. Nongye Jixie Xuebao/Trans. چانه. Soc. کشاورزی ماخ 2017 ، 48 ، 172-179. [ Google Scholar ] [ CrossRef ]
  58. فو، اس. کائو، ال. لیو، بی. وو، زی. ساوابی، MR اثرات اندازه شبکه DEM بر پیش‌بینی تلفات خاک از حوزه‌های آبخیز کوچک در چین. محیط زیست علوم زمین 2015 ، 73 ، 2141-2151. [ Google Scholar ] [ CrossRef ]
  59. پنوک، دی. فرسایش خاک: بزرگترین چالش برای مدیریت پایدار خاک . سازمان غذا و کشاورزی (FAO): رم، ایتالیا، 2019. [ Google Scholar ]
  60. رن، اس. لیانگ، ی. Sun, B. تحقیق در مورد حساسیت برای ارزیابی فرسایش خاک از منبع داده DEM و سنجش از دور مقیاس های مختلف نقشه و وضوح تصویر. Procedia Environ. علمی 2011 ، 10 ، 1753-1760. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. ساکسنا، ا. جات، MK; کومار، اس. تحلیل عدم قطعیت DEM های منبع باز با وضوح بالا برای مدل سازی فرسایش خاک. در مجموعه مقالات کنفرانس آب رورکی 2020، روکی، هند، 26 تا 28 فوریه 2020. [ Google Scholar ]
  62. فائو وضعیت منابع خاک جهانی (SWSR)—گزارش اصلی ; سازمان غذا و کشاورزی سازمان ملل متحد و پنل فنی بین دولتی در زمینه خاک: رم، ایتالیا، 2015. [ Google Scholar ]
  63. نگوین، XH; فام، AH ارزیابی فرسایش خاک توسط تولید کشاورزی و جنگلداری و پیشنهاد راه حل هایی برای کاهش: مطالعه موردی در استان سون لا، ویتنام. Appl. محیط زیست علم خاک 2018 ، 1-10. [ Google Scholar ] [ CrossRef ]
  64. پیرس، اف جی. لارسون، ما؛ داودی، RH; گراهام، WAP بهره وری خاک: ارزیابی تغییرات بلندمدت ناشی از فرسایش. J. حفظ آب خاک. 1983 ، 38 ، 39-44. [ Google Scholar ]
  65. شیونگ، ام. سان، آر. چن، L. مقایسه جهانی فرسایش خاک مرتبط با کاربری زمین و نوع آب و هوا. Geoderma 2019 ، 343 ، 31-39. [ Google Scholar ] [ CrossRef ]
  66. ناکرمی، جی. شریر، اچ. مرز، ج. Mathema، P. پویایی فرسایش در حوضه های آبخیز جیخو و یارشا خولا در نپال. در مجموعه مقالات پروژه دینامیک افراد و منابع، باوشان، چین، 2 تا 5 مارس 1999. ص 209-217. [ Google Scholar ]
  67. سی بی اس. آمار زیست محیطی نپال ; دفتر مرکزی آمار: نپال، آسیای جنوبی، 2019.
  68. Impat، P. اطلاعات آب و هواشناسی و رسوب از حوزه آبخیز Phewa . پروژه HMG/UNDP/FAO/IWM کاتماندو: کاتماندو، نپال، 1981. [ Google Scholar ]
  69. ساح، ک. Lamichhane، S. GIS و سنجش از دور ارزیابی فرسایش خاک حوضه رودخانه کامالا، سندولی، نپال را پشتیبانی کردند. بین المللی J. Appl. علمی بیوتکنول. 2019 ، 7 ، 54–61. [ Google Scholar ] [ CrossRef ]
  70. Shrestha، DP ارزیابی فرسایش خاک در هیمالیا نئاپالی، مطالعه موردی در دره Likhu khola، منطقه کوه میانه. زمین هاسب. 1997 ، 2 ، 59-80. [ Google Scholar ]
Ijgi 10 00028 g001 550
شکل 1. مکان منطقه مورد مطالعه ( a )، مکان پلات ( b )، و شش قطعه انتخاب شده.
Ijgi 10 00028 g002 550
شکل 2. تغییر الگوی شیب شیب ( a ، b ) و طول شیب ( c ، d ) کرت های انتخاب شده در وضوح های مختلف مدل رقومی ارتفاع (DEM).
Ijgi 10 00028 g003 550
شکل 3. تغییر روند شیب شیب ( a ) و طول شیب ( b ) با تغییر وضوح DEM.
Ijgi 10 00028 g004 550
شکل 4. متوسط ​​شیب شیب و طول شیب با استفاده از داده های DEM با اندازه های مختلف پیکسل به دست آمده است.
Ijgi 10 00028 g005 550
شکل 5. فاکتور LS ( a , b ) و نرخ فرسایش خاک (t/h/y) ( c , d ) بر اساس اندازه پیکسل DEM.
Ijgi 10 00028 g006 550
شکل 6. روند تغییر فاکتور LS ( a ) و فرسایش خاک ( b ) در کرت های دیم و آبی با تغییر قدرت تفکیک DEM.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید