ارزیابی وضعیت بیابان‌زایی در حوضه آبخیز سفیددشت- بروجن (استان چهارمحال و بختیاری) با استفاده از مدل مدالوس
الموضوعات :
فاطمه نفر
1
(دانش‌آموخته کارشناسی ارشد بیابانزدایی، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران)
عطاالله ابراهیمی
2
(دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران)
علی اصغر نقی پور برج
3
(استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین دانشگاه شهرکرد، شهرکرد، ایران)
الکلمات المفتاحية: بحران‌های محیط زیستی, دشت ممنوعه, پوشش گیاهی, بیابان‌زایی, زاگرس مرکزی, اقلیم,
ملخص المقالة :
پیشینه و هدف تخریب منابع در بسیاری از نقاط جهان، با توجه به روند روزافزون آن تهدیدی جدی برای بشریت است. بیابان‌زایی که یکی از مظاهر این تخریب است، اکثر کشورها را تحت تأثیر قرار داده و به عنوان سومین چالش قرن بیست و یکم بعد از دو چالش تغییر اقلیم و کمبود آب شیرین معرفی شده است. بیابان‌زایی، تخریب زمین در مناطق خشک، نیمه‌خشک و نیمه مرطوب است. این وضعیت در نتیجه یک سرى فرآیندهاى مهم ایجاد می‌شود که مهم‌ترین این فرآیند‌ها، دو عامل فعالیت‌هاى بشرى و تغییرات اقلیمى هستند. روش‌های متعددی برای تعیین روند بیابان‌زایی توسعه‌یافته است که یکی از آن‌ها که کاربرد زیادی دارد، روش مدالوس است. ارزیابی وضعیت فرآیندهای بیابان‌زایی (تخریب زمین) در یک روستا، منطقه یا کشور از آن جهت حائز اهمیت است که این ارزیابی امکان اتخاذ تصمیماتی آگاهانه در خصوص ابعاد مالی و میزان سرمایه گذاری مورد نیاز برای کنترل آن را فراهم می‌آورد. از آنجا که حوضه آبخیز سفیددشت-بروجن یکی از دشت‌های حاصلخیز استان چهارمحال و بختیاری می‌باشد و با توجه به وسعت آن و همچنین تمرکز صنایع و بخش زیادی از جمعیت استان چهارمحال و بختیاری در این دشت، مطالعه پدیده بیابان‌زایی در این منطقه از اهمیت زیادی برخوردار است. با توجه به توسعه پدیده بیابان‌زایی در منطقه سفیددشت-بروجن و لزوم توجه به اهمیت نتایج این پدیده مخرب در آینده، هدف از پژوهش حاضر، ارزیابی بیابان‌زایی با استفاده از مدل مدالوس در حوضة آبخیز سفیددشت-بروجن به مساحت 92565 هکتار، واقع در استان چهارمحال و بختیاری است. مواد و روش ها ابتدا در این پژوهش، با استفاده از مدل سلول خودکار مارکوف سنجش از دوری و تصاویر ماهواره لندست سال‌های 1998، 2009 و 2018 به بررسی و آشکارسازی تغییرات کاربری اراضی پرداخته شد. میزان تغییرات طی این دوره زمانی مشخص شد، نقاطی که در آن بیشترین تغییرات رخ داده بود را انتخاب و با استفاده از این نقاط، در مدل مدالوس عوامل مؤثر در بیابان‌زایی و وضعیت فعلی آن مدنظر قرار گرفت. سپس، پارامترهای مؤثر در بیابان‌زایی به تفکیک در این نقاط بررسی و مدل مدالوس در این نقاط اجرا شد. برای این منظور، طبق روش مدالوس، توسط تیم کارشناسی مجرب متشکل از اساتید و کارشناسان منابع طبیعی عوامل مؤثر در بیابان‌زایی منطقه شناسایی شده و هر کدام به عنوان یک معیار شامل اقلیم، پوشش گیاهی، خاک، آب زیرزمینی و مدیریت و سیاست در نظر گرفته شدند. سپس خصوصیات معیارهای مذکور که در بیابان‌زایی منطقه مؤثرند، به عنوان شاخص، مد نظر قرار گرفتند. هر شاخص در رابطه با تأثیر آن در بیابان‌زایی وزنی دریافت کرد و با ارزیابی آن‌ها، میزان تأثیر معیار در فرآیند بیابان‌زایی مشخص شد. سپس، نقشه معیارها و در نهایت نقشه بیابان‌زایی از میانگین هندسی آن ها به دست آمد. به منظور بررسی معیار اقلیم سه شاخص بارندگی، جهت و شاخص خشکی در نظر گرفته شد. بررسی ﭘﺎراﻣﺘﺮﻫﺎی اقلیم ﺑﺎ اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ نقاط نمونه در ایستگاه‌های ﺳﺎزﻣﺎن هواشناسی و آب ﻣﻨﻄﻘﻪای استان که به صورت نقطه‌ای برداشت می‌شود، ارزیابی شد. جهت ارزیابی وضعیت خاک، برخی خصوصیات فیزیکی و شیمیایی از جمله بافت خاک، اسیدیته، هدایت الکتریکی و میزان مواد آلی، انتخاب شدند. برای تعیین ویژگی‌های خاک ابتدا 170 نقطه نمونه‌برداری در منطقه مورد مطالعه مشخص و از سطح 0 تا 20 سانتیمتری خاک، نمونه‌برداری انجام و به آزمایشگاه منتقل شد.نتایج و بحث پس از ارزیابی و امتیازدهی شاخص‌ها نتایج نشان داد که معیار اقلیم با امتیاز 1.80 در دو کلاس شدید و خیلی شدید، بیشترین نقش را در بیابان‌زایی منطقه دارد. وضعیت معیار مدیریت و سیاست، پوشش گیاهی و خاک منطقه به ترتیب با امتیاز 1.76، 1.71 و 1.55 در دو کلاس شدید و خیلی شدید و معیار آب زیرزمینی در کل سطح منطقه با امتیاز 1.33 در کلاس متوسط قرار گرفت. بر اساس مدل مدالوس، امتیاز وضعیت فعلی بیابان‌زایی 1.63 برآورد شد. بر اساس این نقشه، وضعیت بیابان‌زایی منطقه در دو کلاس شدید و خیلی شدید قرار گرفت. در نهایت مشخص شد 56 درصد از سطح منطقه با وضعیت بیابان‌زایی شدید و 44 درصد با وضعیت خیلی شدید مواجه است. نتایج نشان داد که قسمت شمالی منطقه مورد مطالعه بسیار آسیب‌پذیر است، در حالی که قسمت جنوبی منطقه کمتر در معرض بیابان‌زایی هستند با این حال، این منطقه از شدت بیابان‌زایی بالایی برخوردار است. نتایج نشان داد بخش شمالی منطقه مورد مطالعه به شدت در معرض منطقه مورد مطالعه نسبت به پدیده بیابان‌زایی است. بیابانی شدن واقع شده حال آنکه در قسمت جنوبی منطقه این وضعیت شرایط بهتری دارد؛ هر چند در این منطقه نیز فرایند بیابانی شدن در حال وقوع با شدت بالایی است. در این مدل معیارهای اقلیم، خاک، پوشش گیاهی، آب زیرزمینی، مدیریت و سیاست انتخاب شدند. طبق نتایج حاصل از این پژوهش، به ترتیب معیارهای اقلیم و مدیریت و سیاست بیشترین تأثیر را در بیابان‌زایی حوضه مطالعاتی داشته‌اند و در مقابل معیارهای پوشش‌گیاهی، خاک و آب زیرزمینی دارای کمترین تأثیر بودند. با توجه به میزان پایین بارندگی و خشکسالی‌های سال‌های اخیر، صدور مجوزهای غیر مجاز چاه در سفیددشت و به دنبال آن برداشت‌های بی‌رویه بیش از توان سفره‌های آب زیرزمینی باعث خشک شدن اکثر چاه‌های این منطقه شده است همچنین خشک شدن تالاب دهنو در این منطقه دلیل دیگر شدت بیابان‌زایی منطقه مطالعاتی می‌باشد.نتیجه گیری در پژوهش با توجه به نتایج به دست آمده پدیده بیابان‌زایی در این منطقه رو به افزایش است و پیامدهای مخربی برجای گذاشته است. منطقه مطالعاتی بر طبق تعریف ارائه‌شده از بیابان‌زایی، دارای هر دو شرایط بیابان‌زایی طبیعی و انسانی است. عوامل طبیعی چون شرایط نامساعد اقلیمی از جمله کمبود ریزش‌های جوی، خشکسالی‌های پیاپی، محدودیت منابع آبی، از یک سو و عوامل مخرب انسانی از جمله نظام سنتی کشاورزی، چرای بی‌رویه دام، بهره برداری بیش از حد از آب‌های زیرزمینی، تبدیل مراتع به اراضی کشاورزی، صنایع، معادن و تأسیسات، تخریب پوشش‌گیاهی و بوته‌کنی از سوی دیگر باعث نابودی مراتع و منابع طبیعی و تسریع روند بیابان‌زایی در منطقه شده است. از جمله راه‌های مقابله با بیابان‌زایی در منطقه، می‌توان بهره‌برداری اصولی از مراتع و چراگاه‌ها با توجه به ظرفیت آن‌ها در زمان مناسب، قرق منطقه به طور دائم تحت فعالیت‌های بیابانزدایی بیولوژیکی و مکانیکی، بهره‌برداری مناسب از آب‌های زیرزمینی و جلوگیری از تغییر کاربری اراضی اشاره کرد.
Abbasi AP, Amani H, Zareian M. 2014. Quantitative assessment of desertification status using MEDALUS model and GIS (Case study: Shamil plain - Hormozgan province). Journal of RS and GIS for Natural Resources, 5(1): 87-97. (In Persian).
Ahmadi H. 2006. Applied Geomorphology, Wind Erosion. Tehran University Press, pp. 592. (In Persian).
Ait Lamqadem A, Pradhan B, Saber H, Rahimi A. 2018. Desertification sensitivity analysis using MEDALUS model and GIS: a case study of the Oases of Middle Draa Valley, Morocco. Sensors, 18(7): 2230. doi:https://doi.org/10.3390/s18072230
Arab Ameri AR, Ramesht MH, Rezaei K, Sohrabi M. 2019. Quantitative assessment of desertification risk using modified MEDALUS model, Case study: Shahroud Bastam Basin. Watershed Engineering and Management, 11(2): 508-522. (In Persian).
Arya AS, Dhinwa PS, Pathan SK, Raj KG .2009. Desertification land degradation status mapping of India. Current Science, 97(10): 1478-1483.
Bakr N, Weindorf DC, Bahnassy MH, Marei SM, El-Badawi MM. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography 30(4),592-605.
Boudjemline F, Semar A. 2018. Assessment and mapping of desertification sensitivity with MEDALUS model and GIS–Case study: basin of Hodna, Algeria. Journal of water and land development, 36(1): 17-26. doi:https://doi.org/10.2478/jwld-2018-0002
Contador JFL, Schnabel S, Gutiérrez AG, Fernandez MP. 2009. Mapping sensitivity to land degradation in Extremadura. SW Spain. Land Degradation & Development, 20(2): 129-144. doi:https://doi.org/10.1002/ldr.884
D’Odorico P, Bhattachan A, Davis k, Ravi S, Runyan C. 2013. Global desertification: Drivers and feedbacks. Advances in Water Resources, 51: 326–344. doi:https://doi.org/10.1016/j.advwatres.2012.01.013
Dutta S, Chaudhuri G. 2015. Evaluating environmental sensitivity of arid and semiarid regions in northeastern Rajasthan, India. Geographical Review, 105(4): 441-461. doi:https://doi.org/10.1111/j.1931-0846.2015.12093.x
Hadeel AS, Mushtak T, Jabbar MT, Chen X. 2010. Application of remote sensing and GIS in the study of environmental sensitivity to desertification: a case study in Basrah Province, southern part of Iraq. Applied Geomatics, 2(3): 101-112. doi:https://doi.org/10.1007/s12518-010-0024-y
Kadović R, Ali Mansour Y. Bohajar V, Perović S, Belanović Simić M, Todosijević S, Tošić M, Anđelić D, Mlađan, Dovezenski U. 2016. Land sensitivity analysis of degradation using MEDALUS model, case study: Deliblato Sands, Serbia. Archives of Environmental Protection, 42(4): 114-124.
Khosravi A, Mirabbasi R, Samadi H, Ghasemi DA. 2019. Monitoring and forecasting of groundwater Drought Using Groundwater Resource Index (GRI) and First to Third-Order Markov Chain Models (Case study: Boroujen Plain). Journal of Water and Soil conservation, 26(2): 117-136. (In Persian).
Lahlaoi H, Rhinane H, Hilali A, Lahssini S, Moukrim S. 2017. Desertification assessment using MEDALUS model in watershed Oued El Maleh, Morocco. Geosciences, 7(50): 1-16. doi:https://doi.org/10.3390/geosciences7030050
Lee EJ, Piao D, Song C, Kim J, Lim H, Kim E, Moon J, Kafatos M, Lamchin M, Jeon SW, Lee W.2019. Assessing environmentally sensitive land to desertification using MEDALUS method in Mongolia. Forest Science and Technology, 15(4): 210-220
Rezaipoor Baghedar AH, Bahrami H, Rafee Sharifabad J, Khosravi H. 2015. An evaluation on the intensity of desertification by using IMDPA model (Case study: Baghedar region, Yazd). Arid Regions Geographic Studies, 5(19): 42-54.
Schulz JJ, Cayuela L, Echeverria C, Salas J, Benayas JMR. 2010. Monitoring land cover change of the dryland forest landscape ofCentral Chile (1975–2008). AppliedGeography, 30(3): 436-447.
Taghipour S, Fazeli A, Kazemi B. 2016. A case study of desertification hazard mapping using the MEDALUS (ESAs) methodology in southwest Iran. Journal of Natural Resources and Development, 6: 1–8. (In Persian).
UNEP, 1992, World Atlas of Desertification, Edward Arnold, London.
Veron SR, Paruelo JM and Oesterheld M. 2006. Assessing desertification, Journal of Arid Environments, 66: 751-763.
Wijitkosum S. 2020. Reducing vulnerability to desertification by using the spatial measures in a degraded area in Thailand. Land, 9(2): 49. doi:https://doi.org/10.3390/land9020049
Xu D, Ding X. 2018. Assessing the impact of desertification dynamics on regional ecosystem service value in North China from 1981 to 2010. Ecosystem Services, 30: 172-180. doi:https://doi.org/10.1016/j.ecoser.2018.03.002
Xu D, Song A, Li D, Ding X, Wang Z. 2019. Assessing the relative role of climate change and human activities in desertification of North China from 1981 to 2010. Frontiers of Earth Science, 13(1): 43-54. doi:https://doi.org/10.1007/s11707-018-0706-z
Xu D, You X, Xia C. 2019. Assessing the spatial-temporal pattern and evolution of areas sensitive to land desertification in North China. Ecological Indicators, 97: 150-158. doi:https://doi.org/10.1016/j.ecolind.2018.10.005
Zhang C, Wang X, Li J, Hua T. 2020. Identifying the effect of climate change on desertification in northern China via trend analysis of potential evapotranspiration and precipitation. Ecological Indicators, 112: 106141. doi:https://doi.org/10.1016/j.ecolind.2020.106141
_||_Abbasi AP, Amani H, Zareian M. 2014. Quantitative assessment of desertification status using MEDALUS model and GIS (Case study: Shamil plain - Hormozgan province). Journal of RS and GIS for Natural Resources, 5(1): 87-97. (In Persian).
Ahmadi H. 2006. Applied Geomorphology, Wind Erosion. Tehran University Press, pp. 592. (In Persian).
Ait Lamqadem A, Pradhan B, Saber H, Rahimi A. 2018. Desertification sensitivity analysis using MEDALUS model and GIS: a case study of the Oases of Middle Draa Valley, Morocco. Sensors, 18(7): 2230. doi:https://doi.org/10.3390/s18072230
Arab Ameri AR, Ramesht MH, Rezaei K, Sohrabi M. 2019. Quantitative assessment of desertification risk using modified MEDALUS model, Case study: Shahroud Bastam Basin. Watershed Engineering and Management, 11(2): 508-522. (In Persian).
Arya AS, Dhinwa PS, Pathan SK, Raj KG .2009. Desertification land degradation status mapping of India. Current Science, 97(10): 1478-1483.
Bakr N, Weindorf DC, Bahnassy MH, Marei SM, El-Badawi MM. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography 30(4),592-605.
Boudjemline F, Semar A. 2018. Assessment and mapping of desertification sensitivity with MEDALUS model and GIS–Case study: basin of Hodna, Algeria. Journal of water and land development, 36(1): 17-26. doi:https://doi.org/10.2478/jwld-2018-0002
Contador JFL, Schnabel S, Gutiérrez AG, Fernandez MP. 2009. Mapping sensitivity to land degradation in Extremadura. SW Spain. Land Degradation & Development, 20(2): 129-144. doi:https://doi.org/10.1002/ldr.884
D’Odorico P, Bhattachan A, Davis k, Ravi S, Runyan C. 2013. Global desertification: Drivers and feedbacks. Advances in Water Resources, 51: 326–344. doi:https://doi.org/10.1016/j.advwatres.2012.01.013
Dutta S, Chaudhuri G. 2015. Evaluating environmental sensitivity of arid and semiarid regions in northeastern Rajasthan, India. Geographical Review, 105(4): 441-461. doi:https://doi.org/10.1111/j.1931-0846.2015.12093.x
Hadeel AS, Mushtak T, Jabbar MT, Chen X. 2010. Application of remote sensing and GIS in the study of environmental sensitivity to desertification: a case study in Basrah Province, southern part of Iraq. Applied Geomatics, 2(3): 101-112. doi:https://doi.org/10.1007/s12518-010-0024-y
Kadović R, Ali Mansour Y. Bohajar V, Perović S, Belanović Simić M, Todosijević S, Tošić M, Anđelić D, Mlađan, Dovezenski U. 2016. Land sensitivity analysis of degradation using MEDALUS model, case study: Deliblato Sands, Serbia. Archives of Environmental Protection, 42(4): 114-124.
Khosravi A, Mirabbasi R, Samadi H, Ghasemi DA. 2019. Monitoring and forecasting of groundwater Drought Using Groundwater Resource Index (GRI) and First to Third-Order Markov Chain Models (Case study: Boroujen Plain). Journal of Water and Soil conservation, 26(2): 117-136. (In Persian).
Lahlaoi H, Rhinane H, Hilali A, Lahssini S, Moukrim S. 2017. Desertification assessment using MEDALUS model in watershed Oued El Maleh, Morocco. Geosciences, 7(50): 1-16. doi:https://doi.org/10.3390/geosciences7030050
Lee EJ, Piao D, Song C, Kim J, Lim H, Kim E, Moon J, Kafatos M, Lamchin M, Jeon SW, Lee W.2019. Assessing environmentally sensitive land to desertification using MEDALUS method in Mongolia. Forest Science and Technology, 15(4): 210-220
Rezaipoor Baghedar AH, Bahrami H, Rafee Sharifabad J, Khosravi H. 2015. An evaluation on the intensity of desertification by using IMDPA model (Case study: Baghedar region, Yazd). Arid Regions Geographic Studies, 5(19): 42-54.
Schulz JJ, Cayuela L, Echeverria C, Salas J, Benayas JMR. 2010. Monitoring land cover change of the dryland forest landscape ofCentral Chile (1975–2008). AppliedGeography, 30(3): 436-447.
Taghipour S, Fazeli A, Kazemi B. 2016. A case study of desertification hazard mapping using the MEDALUS (ESAs) methodology in southwest Iran. Journal of Natural Resources and Development, 6: 1–8. (In Persian).
UNEP, 1992, World Atlas of Desertification, Edward Arnold, London.
Veron SR, Paruelo JM and Oesterheld M. 2006. Assessing desertification, Journal of Arid Environments, 66: 751-763.
Wijitkosum S. 2020. Reducing vulnerability to desertification by using the spatial measures in a degraded area in Thailand. Land, 9(2): 49. doi:https://doi.org/10.3390/land9020049
Xu D, Ding X. 2018. Assessing the impact of desertification dynamics on regional ecosystem service value in North China from 1981 to 2010. Ecosystem Services, 30: 172-180. doi:https://doi.org/10.1016/j.ecoser.2018.03.002
Xu D, Song A, Li D, Ding X, Wang Z. 2019. Assessing the relative role of climate change and human activities in desertification of North China from 1981 to 2010. Frontiers of Earth Science, 13(1): 43-54. doi:https://doi.org/10.1007/s11707-018-0706-z
Xu D, You X, Xia C. 2019. Assessing the spatial-temporal pattern and evolution of areas sensitive to land desertification in North China. Ecological Indicators, 97: 150-158. doi:https://doi.org/10.1016/j.ecolind.2018.10.005
Zhang C, Wang X, Li J, Hua T. 2020. Identifying the effect of climate change on desertification in northern China via trend analysis of potential evapotranspiration and precipitation. Ecological Indicators, 112: 106141. doi:https://doi.org/10.1016/j.ecolind.2020.106141
