شناسایی حوضه های آبخیز مناسب در سراسر نیجریه با استفاده از پارامترهای بیوفیزیکی و الگوریتم های یادگیری ماشین برای برنامه ریزی کشاورزی

چکیده

شناسایی حوضه های آبخیز مناسب، پیش نیاز عملیاتی سازی مداخلات برنامه ریزی برای توسعه کشاورزی است. این مقاله با کمک ابزارهای مکانی، حوضه های آبخیز مناسب در سراسر نیجریه را با استفاده از پارامترهای بیوفیزیکی برای کمک به برنامه ریزی کشاورزی شناسایی کرد. مطالعه ما شامل لایه‌های موضوعی مختلف مانند بارش، دما، شیب، کاربری زمین/پوشش زمین (LULC)، بافت خاک، عمق خاک و طول دوره رشد بود که بر روی پلت فرم Google Earth Engine (GEE) تهیه و مدل‌سازی شد. . با استفاده از دانش تخصصی، نمرات به این لایه‌های موضوعی اختصاص داده شد و بر اساس میانگین وزنی ترکیبی، نقشه اولویت تهیه شد. ما همچنین حوزه های آبخیز اولویت دار را اعتبارسنجی کردیم. برای این منظور، منطقه مورد مطالعه به سه منطقه اولویت از «بالا» تا «کم» طبقه‌بندی شد. از ۲۷۷ حوزه آبخیز شناسایی شده، ۵۷ در رده با اولویت بالا قرار گرفتند، به این معنی که آنها برای مداخلات بسیار مطلوب هستند. این برای برنامه ریزی منابع آب در مقیاس منطقه ای برای توسعه چشم انداز کشاورزی مفید خواهد بود.

کلید واژه ها:

آب ؛ آبخیزداری ; کشاورزی ; خشکی ; موتور Google Earth

۱٫ مقدمه

پیش‌بینی می‌شود که جمعیت جهان تا سال ۲۰۵۰ به ۱۰ میلیارد نفر برسد، که به این معنی است که ما به نرخ بالاتری از تولید غذا نسبت به آنچه که اکنون داریم نیاز خواهیم داشت (برگ داده‌های جمعیت جهان ۲۰۲۰). در نیجریه، جمعیت به سرعت در حال گسترش و شهرنشینی – که انتظار می رود در ۳۵ سال آینده بیش از دو برابر شود – مدتهاست که از ظرفیت تولید مواد غذایی داخلی فراتر رفته است [ ۱ ، ۲ ]. این امر باعث می‌شود که فعالیت‌هایی که به دستیابی به میزان بالایی از تولید غذا و خودکفایی غذا کمک می‌کنند، با دقت بیشتری متمرکز شوند. به عنوان بخشی از تلاش های مورد نیاز برای بازیابی خودکفایی غذایی، برنامه های توسعه مدیریت منابع طبیعی (NRM) باید در سطح حوضه انجام شود [ ۳ ]]. علاوه بر این، باید بر اصول اساسی مدیریت منابع آب و زمین، مانند توسعه حوزه آبخیز و توسعه حوضه ها و حوضه های فرعی، که برای تامین تاب آوری زیست محیطی و کشاورزی نیجریه حیاتی هستند، تمرکز شود [ ۴ ]. در حال حاضر، آبیاری تنها ۷ درصد از زمین های قابل آبیاری در نیجریه را پوشش می دهد [ ۱ ]. در حالی که گسترش سریع ظرفیت کشاورزی، از جمله از طریق سرمایه گذاری خصوصی [ ۲]، در واقع باعث تولید بیشتر زمین ها به عنوان هدفی برای پر کردن کمبود غذا می شود، سیگنال های هشدار دهنده ای مانند خشکسالی، تشکیل خندق، چرای بیش از حد، و فرسایش وجود دارد که باید در طرح های کشاورزی در سراسر آفریقا در نظر گرفته شود (بانک جهانی ۲۰۱۲). شناسایی نقاط داغ با ادغام پارامترهای مختلف مانند جمعیت، کاربری زمین/پوشش زمین (LULC) و شبکه های زهکشی می تواند ما را به سمت راه حل های بهتر در توسعه کشاورزی هدایت کند [ ۵ ، ۶ ]]. این رویکرد جنبه های اجتماعی احتمالی چالش را نیز در نظر می گیرد. بعلاوه، اجرای ابزارهای تصمیم گیری می تواند با کمک به تصمیم گیری در رابطه با اجرا و توسعه منابع طبیعی، نتایج رضایت بخشی به همراه داشته باشد. با این حال، NRM تاکنون برای توسعه کشاورزی و همچنین برای تامین آب ضعیف اجرا شده است. در حالی که آفریقا دارای منابع طبیعی غنی و نیجریه دارای منابع آبی فراوان است، استفاده بهینه از چنین منابعی وجود ندارد. تهیه نقشه های اولویت بندی حوضه های آبخیز می تواند به ما در افزایش بهره برداری کارآمد از منابع طبیعی که در حال حاضر در نیجریه تا حد زیادی استفاده نشده است کمک کند [ ۷ ].

شناسایی منابع طبیعی نیازمند بررسی های چند رشته ای است که توسط کارشناسان حوزه های مختلف تخصصی انجام می شود. در مطالعه حاضر، حوزه‌های آبخیز را بر اساس پارامترهای بیوفیزیکی مختلف، مانند جمعیت، خاک، بارش، چشم‌انداز، LULC و پارامترهای اجتماعی اولویت‌بندی کردیم. پارامترهای اقلیمی، مانند دما و بارندگی، بر عملکرد حوضه‌های آبخیز تأثیر زیادی دارند: بارندگی کم و بسیار زیاد بر کشاورزی تأثیر منفی می‌گذارد، مانند دماهای شدید. شرایط آب و هوایی معتدل برای کشاورزی دیم بهتر است. به طور کلی، مدیریت منابع زمین ارتباط بین عوامل اجتماعی و بیوفیزیکی را در دستیابی به نتایج رضایت بخش تصدیق می کند [ ۸ ، ۹ ، ۱۰ ، ۱۱].

چندین مطالعه از رویکرد یکپارچه سازی نقشه های موضوعی مختلف با استفاده از ابزارهای مکانی برای مکان یابی مناطق بالقوه آب زیرزمینی استفاده کرده اند [ ۱۲ ، ۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ]. به طور مشابه، مطالعاتی نیز بر روی جنبه های منابع طبیعی و برنامه ریزی توسعه با استفاده از سنجش از دور و فناوری های GIS انجام شده است [ ۱۴ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ، ۲۱ ، ۲۲ .]. با استفاده از پارامترهای مختلف بیوفیزیکی، اجتماعی-اقتصادی و فنی با رویکرد چند معیاره، تکنیک‌های مکانی به طور گسترده در ارزیابی تناسب زمین برای اولویت‌بندی استفاده شده است [ ۲۳ ، ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ]. به طور خاص، چندین مطالعه نشان داده اند که روش جمع وزنی کارآمدترین روش برای اولویت بندی حوزه های آبخیز در کشورهای در حال توسعه است [ ۵ ، ۳۰ ].

هدف از اولویت‌بندی حوزه‌های آبخیز، شناسایی حوزه‌های آبخیز متمرکز برای فعالیت‌های بازسازی است که می‌تواند نیازهای حیاتی آنها را برطرف کند و برای برنامه‌ریزی مداخله‌ای. این یک ابزار مفید برای تصمیم گیرندگان است زیرا تمام اطلاعات لازم را ترکیب می کند و امکان مقایسه حوضه های آبخیز در یک خوشه را فراهم می کند. این رویکرد به محققان اجازه می‌دهد تا خلاصه‌ای از حوضه‌های آبخیز مورد نظر را با مکان‌یابی فضایی آنها و به‌دست آوردن اطلاعات مرتبط در مورد آسیب‌پذیری‌شان تهیه کنند. این فرآیند همچنین می تواند در مکان یابی حوضه های متعدد با توجه به اولویت بندی حفاظت و احیای حوضه کمک کند.

در این مطالعه، ما اولویت بندی حوزه های آبخیز در سراسر نیجریه را برای حمایت از مدیریت منابع طبیعی و برنامه ریزی کشاورزی انجام دادیم. ما بر اساس پارامترهای بیوفیزیکی، تعداد بهینه ای از حوزه های آبخیز از اولویت کم تا بالا را شناسایی کردیم تا حوضه های آبخیز خاصی را بتوان برای مداخلات هدف قرار داد. علاوه بر این، با کمک ورودی‌های مکانی، از لایه‌های داده‌های مکانی موضوعی برای ساخت یک مدل فضایی استفاده شد. ما حوضه های اولویت دار را با تخصیص وزن های مختلف بر اساس نظر متخصصان موضوع (SMS) شناسایی کردیم. این رویکرد علمی به ما این امکان را داد که با استفاده از پارامترهای بیوفیزیکی متعدد در یک زمان، حوزه های آبخیز را به صورت استراتژیک اولویت بندی کنیم. این تکنیک با دقت بالا به ترسیم حوضه های آبخیز با نهایت دقت و اطمینان کمک می کند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

نیجریه بین عرض جغرافیایی ۴ درجه شمالی و ۱۴ درجه شمالی و طول جغرافیایی ۴ درجه شرقی و ۱۵ درجه شرقی قرار دارد. این کشور از شمال، شرق، غرب و جنوب با جمهوری نیجر، جمهوری بنین، کامرون و خلیج فارس همسایه است. گینه، به ترتیب ( شکل ۱). این موقعیت در غرب آفریقا طیف وسیعی از الگوهای آب و هوایی را به این کشور می دهد. با توجه به Odekunle (2004)، آب و هوای نیجریه تحت تأثیر سه پدیده جوی اصلی است: توده هوای گرمسیری دریایی (mT)، توده هوای گرمسیری قاره ای، و مناطق شرقی استوایی. میزان بارندگی در داخل کشور متفاوت است و میانگین بارندگی سالانه در محدوده ۱۰۰۰-۲۰۰۰ میلی متر در مناطق مرطوب و ۳۰۰-۱۱۰۰ میلی متر در مناطق نیمه خشک است. تغییرات آب و هوایی جزئی از جنوب به شمال وجود دارد. در شمال، میانگین حداکثر دما بالاتر (۳۲ درجه سانتیگراد) نسبت به جنوب است، در حالی که میانگین حداقل دما کمتر است (۲۴ درجه سانتیگراد). طبق طبقه بندی خاک فائو، انواع اصلی خاک در نیجریه عبارتند از: Fluvisols، Regosols، Gleysols، Acrisols، Ferrasols، Alisols، Lixisols، Cambisols، Luvisols، Nitosols، Arenosols، و Vertisols با پتانسیل متنوع برای استفاده کشاورزی. رودخانه های نیجر و بنوئه رودخانه های اصلی نیجریه هستند. رودخانه نیجر دارای پتانسیل آبیاری ۱٫۶۸ میلیون هکتار (Mha) در نیجریه است، اما استفاده از آن تنها به ۰٫۶۸ Mha محدود شده است. این کشور دارای شش منطقه کشاورزی متمایز است که از سواحل اقیانوس اطلس تا ساوانای خشک ساحل متفاوت است. محصولات اصلی عمده در بخش‌های مرطوب نیجریه کاساوا، یام، کوکویا و ذرت هستند، در حالی که در بخش‌های زیر مرطوب و نیمه خشک، ذرت، سورگوم، ارزن، لوبیا چشم بلبلی و بادام زمینی رشد می‌کنند. محصولات عمده تجاری شامل کاکائو، روغن نخل، پنبه، زنجبیل و کنجد است. این کشور دارای شش منطقه کشاورزی متمایز است که از سواحل اقیانوس اطلس تا ساوانای خشک ساحل متفاوت است. محصولات اصلی عمده در بخش‌های مرطوب نیجریه کاساوا، یام، کوکویا و ذرت هستند، در حالی که در بخش‌های زیر مرطوب و نیمه خشک، ذرت، سورگوم، ارزن، لوبیا چشم بلبلی و بادام زمینی رشد می‌کنند. محصولات عمده تجاری شامل کاکائو، روغن نخل، پنبه، زنجبیل و کنجد است. این کشور دارای شش منطقه کشاورزی متمایز است که از سواحل اقیانوس اطلس تا ساوانای خشک ساحل متفاوت است. محصولات اصلی عمده در بخش‌های مرطوب نیجریه کاساوا، یام، کوکویا و ذرت هستند، در حالی که در بخش‌های زیر مرطوب و نیمه خشک، ذرت، سورگوم، ارزن، لوبیا چشم بلبلی و بادام زمینی رشد می‌کنند. محصولات عمده تجاری شامل کاکائو، روغن نخل، پنبه، زنجبیل و کنجد است.

۲٫۲٫ روش شناسی

برای شناسایی حوزه های آبخیز اولویت دار، ما روش ادغام وزنی لایه های موضوعی متعدد را با استفاده از سیستم اطلاعات جغرافیایی (GIS) به کار بردیم ( شکل ۲ ). ما از لایه‌های فضایی موضوعی از پارامترهای بیوفیزیکی و اجتماعی استفاده کردیم که برای کشاورزی مهم هستند. ترتیب اولویت، به عنوان مثال، رتبه بندی، هر لایه فضایی از کارشناسان موضوع، از جمله دانشمندان NARS در نیجریه به دست آمد. کلاس های اولویت بر اساس قاعده تصمیم گیری چند معیاره تصمیم گیری شدند.

برای لایه‌های موضوعی، مانند LULC، نقشه سال ۲۰۱۴ از تصاویر ماهواره‌ای MODIS 250 متری با استفاده از داده‌های سری زمانی شاخص تفاوت طبیعی شده گیاهی (NDVI) تهیه شد. نقشه شیب از داده های ۳۰ متری SRTM تهیه شد. به طور مشابه، سایر لایه‌های فضایی موضوعی از دامنه عمومی با استفاده از موتور Google Earth بدست آمدند. وزن و امتیاز برای مقادیر در لایه های موضوعی در رابطه با تأثیر مثبت آنها بر توسعه حوزه آبخیز و کشاورزی داده شد. لایه های موضوعی با ارزش مثبت بالا بیشترین وزن را داشتند و بالعکس. با ادغام چند لایه فضایی، مجموع تمام وزن ها محاسبه شد. اولویت با لایه موضوعی بود که بالاترین امتیاز را کسب کرد و بالعکس.

۲٫۳٫ معیارها و عوامل تعیین کننده

لایه‌های موضوعی مختلفی مانند خاک، شیب، LULC، بارندگی، دمای حداکثر و حداقل، طول دوره رشد (LGP) (به پیوست A مراجعه کنید ) برای تحلیل اولویت‌بندی بر اساس اهمیت و ارتباط آنها با سایر لایه‌های موضوعی در نظر گرفته شد. بر اساس رتبه‌بندی کارشناسان موضوع، معیار برای تعریف اولویت‌بندی، مجموع وزن‌ها برای همه لایه‌های موضوعی بود ( جدول ۱ ).

۲٫۳٫۱٫ کاربری زمین/پوشش زمین

الگوهای کاربری زمین/پوشش زمین (LULC) برای سال ۲۰۱۴ با استفاده از تصاویر ماهواره ای با وضوح ۲۵۰ متر MODIS، با هدف قرار دادن طبقات کاربری اصلی زمین مانند زمین های زراعی ( شکل ۳ )، زمین های بوته ای، توده های آبی و ساخته شده/باز نقشه برداری شدند. اراضی [ ۳۱ ، ۳۲ ]. در بین این طبقات LULC، طبقه غالب با بالاترین امتیاز، زمین های زراعی بود. اراضی زراعی دیم به دلیل اولویت بالاتر در توسعه حوزه آبخیز به جای زمین های زراعی آبی انتخاب شدند. طبقاتی مانند زمین های ساخته شده و توده های آبی اولویت کمتری داشتند، در حالی که زمین های بوته ای و علفزار به دلیل وضعیت پوشش گیاهی در اولویت متوسط قرار گرفتند. وزن لایه LULC برابر با ۳ است.

۲٫۳٫۲٫ شیب

نقشه شیب از داده های DEM 30 متری SRTM استخراج شده است ( شکل ۴ ). نقشه بر حسب درصد تغییر طبقه بندی شد که افزایش یا سقوط سطح زمین را نشان می دهد که عامل مهمی در تعیین جریان آب است. درصد کمتر تغییر ارتفاع، یعنی شیب، به دلیل سهولت در کشت و پتانسیل بالای آب زیرزمینی، اولویت بالایی داشت. درصد تغییرات بالا در برآورد اولویت پایینی داشت. به این لایه وزن کم ۱ داده شد.

۲٫۳٫۳٫ خاک ها

پارامترهای خاک [ ۳۳ ] (بافت خاک و عمق خاک) به دلیل نقش حیاتی در رواناب، نقش حیاتی در اولویت بندی حوضه ها ایفا می کنند. ظرفیت تحمل آب یک مکان به نوع/بافت و نفوذپذیری خاک در آن مکان بستگی دارد. امتیازات کارشناسان برای هر دو لایه یعنی بافت خاک و عمق خاک بر اساس اولویت تخصیص داده شد. بافت خاک به هشت نوع (رس، لوم رسی، ماسه لومی، لوم، ماسه، لوم رسی شنی، رسی شنی و لوم شنی) طبقه بندی شد. خاکهای رسی اولویت بالایی داشتند و خاکهای شنی با اولویت پایین ( شکل ۵ الف). عمق خاک به شش کلاس طبقه بندی شد ( شکل ۵ب). به خاک های عمیق تر اولویت بیشتری نسبت به خاک های با عمق کمتر داده شد. وزن این لایه ها ۳ بود.

۲٫۳٫۴٫ بارش باران

داده های بارندگی سالانه (۲۰۱۰-۲۰۱۸) از Terra Climate [ ۳۴ ] دانلود شد ( شکل ۶ ). میانگین بارندگی در ۱۰ کلاس طبقه بندی شد. مناطق با بارندگی کمتر از ۲۵۰ میلی متر در اولویت کم و مناطق با بارندگی بیشتر از ۱۰۰۰ میلی متر در اولویت بالا و دامنه متوسط بارندگی در اولویت متوسط قرار گرفتند. وزن ۳ به این لایه داده شد.

۲٫۳٫۵٫ طول دوره رشد (LGP)

طول دوره رشد (LGP) یکی از عواملی است که پوشش گیاهی یک منطقه را در یک سال تعیین می کند [ ۳۵ ]. LGP به هفت کلاس طبقه بندی شد که در آن دو کلاس، <60 روز و> 240 روز، اولویت کم داشتند، در حالی که کلاس LGP 60-150 روز با اولویت بالا و ۱۵۰-۲۴۰ روز اولویت متوسط داده شد ( شکل ۷ ). وزن ۲ به این لایه داده شد. محصول LGP توسط فائو به عنوان بخشی از بررسی استراتژی توسعه روستایی توسط بانک جهانی تهیه شده است. با استفاده از شاخص های پوشش گیاهی و همچنین بارندگی سالانه تهیه شد.

۲٫۳٫۶٫ درجه حرارت

حداقل دما: داده های میانگین دمای حداقل از WorldClim دانلود و به چهار کلاس با فواصل ۵ درجه سانتی گراد طبقه بندی شدند ( شکل ۸ a). مناطق با حداقل دمای متوسط کمتر از ۵ درجه سانتیگراد دارای اولویت بسیار پایین و مناطق بین ۵ تا ۱۵ درجه سانتیگراد در اولویت پایین قرار گرفتند. مناطق با حداقل دمای متوسط بین ۲۰ تا ۲۵ درجه سانتیگراد اولویت بالایی داشتند، در حالی که مناطق با دمای ۱۵ تا ۲۰ درجه سانتیگراد در اولویت متوسط قرار گرفتند. به این لایه وزن ۲ داده شد.

حداکثر دما: داده های میانگین دمای حداکثر از WorldClim دانلود و به شش کلاس طبقه بندی شدند ( شکل ۸ ب). مناطقی که میانگین دمای آنها کمتر از ۲۰ درجه سانتیگراد یا بیش از ۴۰ درجه سانتیگراد است در اولویت کم قرار گرفتند. به مناطقی با میانگین حداکثر دمای ۲۰ تا ۳۰ درجه سانتی گراد اولویت متوسط داده شد، در حالی که مناطقی با حداکثر دمای متغیر در محدوده ۳۰ تا ۴۰ درجه سانتی گراد اولویت بالایی داشتند. به این لایه وزن ۳ داده شد.

۲٫۴٫ تعیین وزن لایه موضوعی

بر اساس دانش متخصصان/دانشمندان و بررسی مقالات منتشر شده [ ۸ ، ۱۴ ، ۱۶ ، ۳۶ ، ۳۷ ]، وزن ها به لایه های مختلف اختصاص داده شد. مطلوب ترین لایه ها برای مداخلات حوضه، لایه هایی بودند که وزن بالای ۳ را دریافت کردند. لایه هایی که کمترین مطلوبیت را برای مداخلات داشتند، لایه هایی بودند که وزن آنها ۱ بود، در حالی که وزن ۲ نشان دهنده لایه های نسبتاً مطلوب بود. لایه هایی مانند میانگین حداکثر دمای سالانه، میانگین سالانه بارندگی، LULC، بافت خاک و عمق خاک وزن بالای ۳ داده شد. میانگین حداقل دمای سالانه و LGP وزن ۲ داده شد. نقشه شیب وزن کم ۱ داده شد. .

۲٫۵٫ ادغام لایه های موضوعی با استفاده از مدل های فضایی

ادغام این لایه های موضوعی با توسعه یک مدل فضایی در GEE انجام شد. طبقات موجود در هر لایه بر اساس نمرات آنها توسط خبرگان مجدداً طبقه بندی شدند (معادله (۱)). سپس با استفاده از ماشین حساب شطرنجی وزن های داده شده توسط کارشناسان در لایه های مربوطه ضرب شد (معادله (۲)).

T _sw = T _r × W

(۱)

T _sw = لایه موضوعی با امتیاز وزنی
T _r = لایه موضوعی مجدد طبقه بندی شده
W = وزن

سپس تمامی لایه‌های موضوعی وزن‌دار جمع‌بندی و ادغام شدند تا نقشه اولویت به دست آید

P _m = ΣT _sw

(۲)

P _m = نقشه اولویت

۲٫۶٫ مدل‌سازی فضایی با استفاده از الگوریتم‌های یادگیری ماشین در پلتفرم موتور Google Earth

لایه هایی مانند بارش و دما از WorldClim و نقشه های شیب از SRTM DEM در پلت فرم GEE در دسترس بودند. لایه‌های دیگر، مانند LULC، LGP، و نقشه‌های خاک، در دارایی‌های GEE وارد شدند.

لایه‌ها با استفاده از الگوریتم‌های درخت تصمیم که مقادیر داده‌شده توسط متخصص را با استفاده از کد مانند مثال زیر ترکیب می‌کنند، طبقه‌بندی مجدد شدند.

مثالی برای طبقه بندی مجدد بارندگی:
“
var DTstring_prep =
[‘۱) root 9999 9999 9999’, ‘2) prec<=250 9999 9999 1 *’,//مقدار اختصاص داده شده ۱
‘۳) prec>250 9999 9999 9999’, ‘6) prec<=1000 9999 9999 2 *’,//مقدار اختصاص داده شده ۲
‘۷) prec>1000 9999 9999 3 *’].join(“\n”); مقدار اختصاص داده شده ۳
var classifier_prep = ee.Classifier.decisionTree(DTstring_prep);
var reclassifiedImage_prep = prep.select(‘prec’).classify(classifier_prep);
”

در مثال بالا از یک الگوریتم درخت تصمیم، پیکسل‌های با مقدار کمتر از ۲۵۰ متر را به عنوان ۱ طبقه‌بندی کرد، در حالی که مقادیر بین ۲۵۰ و ۱۰۰۰ میلی‌متر به‌عنوان ۲ و آن‌هایی که بیش از ۱۰۰۰ میلی‌متر بودند، ۳ طبقه‌بندی شدند.

رویه مشابهی برای تمام لایه ها با دادن امتیاز به پیکسل های مربوطه که برای مداخلات حوزه آبخیز مطلوب هستند، استفاده شد. سپس وزن‌ها بر اساس نظر متخصص با امتیاز لایه‌های مربوطه ضرب می‌شوند و مانند مثال زیر خلاصه می‌شوند.

مثلا:
“var weighted=
reclassifiedImage_minTem.add(reclassifiedImage_maxTem).add(reclassifiedImage_slop).add(reclassifiedImage_prep)
”

مثال بالا اضافه شدن لایه های طبقه بندی شده حداقل دما، حداکثر دما و بارش را نشان می دهد. سپس لایه خلاصه شده بر اساس مقادیر به دست آمده توسط هر پیکسل بر اساس اولویت، کم، متوسط یا زیاد مجدداً طبقه بندی می شود.

۲٫۷٫ ترسیم حوضه

داده های ورودی اصلی برای ترسیم حوضه های آبخیز از SRTM 30 متری با وضوح افقی DEM که از پورتال وب کنسرسیوم اطلاعات مکانی [ ۳۸ ] ( http://srtm.csi.cgiar.org/ ) به دست آمده است (در ۱۱ ژانویه در دسترس قرار گرفته است) گرفته شده است. ۲۰۲۲). این داده ها برای ترسیم شبکه جریان و نقشه شیب با استفاده از ابزار ArcGIS مورد استفاده قرار گرفتند. توالی مراحلی که برای ترسیم شبکه جریان و همچنین حوضه های آبخیز دنبال می شود، در شکل ۲ نشان داده شده است .

این فرآیند با پر کردن سینک ها با مقایسه مقادیر سلول های مجاور شروع می شود. سینک های پر شده با یافتن شیب دارترین نزول هر سلول به تولید جهت جریان کمک می کنند. سپس، انباشت جریان با استفاده از جهت جریان با شمارش تعداد سلول هایی که به یک سلول خاص جریان دارند، محاسبه می شود. مجموعه ای از آستانه ها برای تجمع جریان و جهت جریان، شبکه جریان را تولید می کند.

ایجاد نقاط ریزش در ترتیب ششمین جریان برای کل منطقه مورد مطالعه به تولید حوضه های آبخیز کمک می کند ( شکل ۹ a,b).

۳٫ نتایج و بحث

۳٫۱٫ تحلیل و اولویت بندی حوزه های آبخیز

از میان تمام حوضه های شناسایی شده در سرتاسر نیجریه، ۲۷۷ حوضه دارای مساحتی بیش از ۱۰۰ هکتار شناسایی شدند. از این تعداد، ۱۴۴ حوضه دارای مساحت کمتر از ۰٫۲ Mha، ۷۱ در محدوده ۰٫۲-۰٫۴ Mha و ۲۶ حوزه در محدوده ۰٫۴-۰٫۶ Mha بودند. فقط حدود ۳۰ حوضه آبخیز مساحتی بیش از ۰٫۶ مگا هکتار دارند ( جدول ۲ ).

نقشه اولویت‌بندی حوضه آبخیز نیجریه پس از ادغام مقادیر اولویت تخصیص یافته برای لایه‌های موضوعی مختلف استخراج شد. نقشه اولویت به سه طبقه اولویت بالا، متوسط/متوسط و کم طبقه بندی شد. مناطقی که به عنوان اولویت بالا شناسایی شده اند برای توسعه حوزه آبخیز بسیار مساعد هستند و مناطق کم اولویت کمترین مساعد هستند. بیشتر حوزه های آبخیز نیجریه در طبقه با اولویت متوسط قرار دارند. نقشه تعریف شده حوزه آبخیز نیجریه بر روی نقشه اولویت برای شناسایی حوضه های آبخیز استراتژیک برای توسعه کشاورزی قرار گرفت ( شکل ۹ a,b).

۳٫۲٫ ادغام نقشه حوضه با لایه های موضوعی

برای درک دقیق‌تر حوضه‌ها، نقشه‌های اولویت بر اساس هر لایه موضوعی تهیه شد ( شکل ۱۰ a-g). جدول ۳ تعداد حوضه های آبخیز را در هر دسته موضوعی نشان می دهد.

نقشه حوضه با ادغام تمامی لایه های موضوعی در شکل ۱۰ h نشان داده شده است. تنها با در نظر گرفتن لایه بارش، متوجه شدیم که تنها ۹۸ حوزه آبخیز دارای شرایط بارندگی بسیار مناسب بوده که لایه‌ای حیاتی برای برنامه‌ریزی کشاورزی است. حدود ۱۵۹ حوضه آبخیز در کلاس با اولویت متوسط قرار گرفتند. برای دمای حداکثر و حداقل، تقریباً همه حوضه ها دارای شرایط نسبتاً مناسب یا بسیار مناسب بودند. شرایط خاک نیز تمایل مطلوبی را نشان داد. این یافته ها اهمیت حوزه های آبخیز در این کشور را نشان می دهد.

۳٫۳٫ اعتبار سنجی حوزه های آبخیز اولویت دار

بر اساس داده های موجود، ما حوزه های آبخیز اولویت را در رابطه با سدهای ساخته شده در نیجریه تأیید کردیم ( شکل ۱۱ ). جزئیات سدها و هدف آنها در جدول ۴ نشان داده شده است.

ما دریافتیم که بیشتر سدهایی که به منظور آبیاری ساخته شده اند در حوزه های آبخیز متوسط و با اولویت قرار دارند. سدهایی که برای اهداف متعدد مانند آبیاری و همچنین تولید برق آبی ساخته شده بودند، عمدتاً در حوزه های آبخیز با اولویت متوسط قرار داشتند، در حالی که سدهایی که در حوزه های آبخیز دارای اولویت بالا قرار داشتند، تنها برای آبیاری ساخته شده بودند. سد فلات مامبیلا که برای تولید برق آبی ساخته شده است، در یک منطقه با اولویت پایین قرار دارد. این اعتبار نشان داد که این مطالعه به درستی اولویت بندی حوزه های آبخیز برای برنامه ریزی و توسعه کشاورزی دارد.

۴٫ بحث

مدیریت منابع طبیعی نقش اساسی در استفاده پایدار از منابع طبیعی موجود دارد. در زمینه آبخیزداری، اولویت‌بندی حوزه‌های آبخیز به استفاده مؤثر از منابع طبیعی برای توسعه کشاورزی در مدت زمان کوتاه‌تری کمک می‌کند. اولویت بندی حوضه با استفاده از تکنیک های سنجش از دور و GIS یک رویکرد آسان و راحت بر اساس امتیازات وزنی ارائه شده توسط پیامک/دانشمندان است. در مطالعات گذشته، اولویت‌بندی حوضه با استفاده از تحلیل کمی، روش‌های آماری، تکنیک‌های فازی و AHP [ ۳۹ ، ۴۰ ، ۴۱ ]، تحلیل مورفومتریک [ ۴۲ ]، ترسیم پهنه‌های بالقوه آب زیرزمینی [ ۴۳ ] انجام شد.]، اولویت بندی زیرحوضه ها [ ۴۴ ، ۴۵ ]، اولویت بندی حوزه های آبخیز کشاورزی نیمه خشک [ ۴۶ ]، ارزیابی فضایی خطر فرسایش خاک [ ۴۷ ، ۴۸ ]] و بسیاری از پارامترهای دیگر. مطالعه ما پارامترهای بیوفیزیکی و کلاس‌های اصلی LULC را برای انجام اولویت‌بندی حوزه آبخیز در نیجریه به عنوان ابزاری برای توسعه و برنامه‌ریزی کشاورزی در نظر گرفت. این پارامترها شامل میانگین دمای حداقل، متوسط حداکثر دما، میانگین بارش، شیب، عمق خاک و طول دوره رشد بوده که نقش عمده ای در توسعه و مدیریت حوضه دارد. با تجزیه و تحلیل این پارامترهای بیوفیزیکی و رتبه‌بندی آن‌ها با کمک کارشناسان موضوع، اولویت‌بندی حوضه‌های آبخیز در نیجریه را با استفاده از داده‌های مشخص شده توسط SRTM DEM انجام دادیم. مطالعات مختلف روش‌های مختلفی را برای اولویت‌بندی حوزه‌های آبخیز برای گسترش کشاورزی [ ۵ ، ۴۹ ]، زیرحوضه‌های بحرانی در حوزه‌های آبخیز کوهستانی به کار گرفته‌اند [ ۵۰ ].]، مدیریت منابع طبیعی [ ۴۰ ، ۵۱ ]، شاخص بازده رسوب [ ۵۲ ]، اثرات تغییر LULC [ ۵۳ ]، ارزیابی خطر سیل ناگهانی با کمک مدل‌های جمع وزنی [ ۵۴ ] و غیره. با این حال، در تمام این روش‌ها اولویت بندی حوضه ها بر اساس پارامترهای بیوفیزیکی فردی مانند اطلاعات توپوگرافی، LULC، داده های آب و هوا، بافت خاک، عمق و شیب خاک و غیره مورد تجزیه و تحلیل قرار گرفت. لایه موضوعی، و دقت تجزیه و تحلیل هر پارامتر ورودی.

شناسایی حوزه های آبخیز با اولویت بالا در آفریقا بسیار مهم است زیرا برنامه های توسعه منابع زمینی معمولاً بر اساس حوزه آبخیز طراحی می شوند. بنابراین اولویت بندی مناسب برای مداخله و مدیریت صحیح لازم است. در مطالعه ما، بر اساس طبقه بندی اولویت برای هر پارامتر، حوضه های اولویت دار ترسیم و نقشه برداری شدند. این به ذینفعان مختلف در تصمیم گیری متناسب با نیازهای خود کمک می کند. ذینفعان مختلف در نیجریه به طور قابل توجهی از یافته های این مطالعه سود خواهند برد. ادغام نقشه های شیب، عمق خاک و بافت خاک و اولویت بندی بر اساس آن پارامترها باید در برنامه ریزی برای اقدامات حفاظتی خاک و مداخلات حوزه آبخیز کمک کند.۵۵ ]. اولویت بندی حوضه های آبخیز بر اساس لایه بارش به وضوح بیانگر مناطق کم آب و کم آب است. حوزه های آبخیز مستعد سیل و خشکسالی را نیز می توان با در نظر گرفتن پارامترهای مربوطه شناسایی کرد. اولویت بندی حوضه های آبخیز از نظر LGP نشان دهنده سطح پوشش گیاهی در طول سال است. هر پارامتر یک رابطه مطلوب و نامطلوب با حوضه دارد. برخی از پارامترها تأثیر مثبتی بر حوزه آبخیز دارند و برخی دیگر تأثیر منفی دارند. ادغام همه این پارامترها می تواند بینشی برای کاهش خطرات ارائه دهد. ادغام تمامی پارامترها به صورت سیستماتیک و علمی می تواند به هدف گذاری دقیق مداخلات حوزه آبخیز و طرح های توسعه کشاورزی کمک کند.

حوزه های آبخیز با اولویت بالا و با اولویت متوسط بهترین مکان ها برای مداخلات NRM مانند ساخت سازه های آبی هستند، در حالی که مناطق با اولویت پایین پتانسیل محیطی کمتری برای توسعه کشاورزی دارند. حوضه های با اولویت بالا برای ساخت سازه های آبیاری بسیار مناسب هستند، در حالی که حوضه های با اولویت متوسط می توانند برای پروژه های چند منظوره مورد استفاده قرار گیرند. از حوضه های با اولویت پایین می توان برای مصارف دیگر استفاده کرد. شناسایی و تعیین این حوزه‌های آبخیز به برنامه‌ریزی بهتر توسعه کشاورزی و همچنین اجرای مداخلات مناسب کمک می‌کند.

۵٫ نتیجه گیری ها

شناسایی حوضه های آبخیز مناسب برای مداخله برای بهره برداری بهینه از منابع طبیعی مهم است. اولویت بندی گام مهمی برای مدیریت کارآمد منابع طبیعی و افزایش بهره وری آب محصول است. با استفاده از داده های تولید شده از تصاویر ماهواره ای و اطلاعات اقتباس شده از مجموعه داده های جهانی منبع باز موجود و منابع ملی، نقشه های فضایی حوزه های آبخیز در نیجریه را تهیه کردیم. از این رو حوضه های آبخیز مناسب در سراسر کشور را برای توسعه کشاورزی و همچنین معیشت بهتر شناسایی و اولویت بندی کردیم. لایه های موضوعی حاکم بر این حوضه ها را با هم ادغام کردیم و با کمک صاحب نظران و مقالات منتشر شده به آنها نمره های وزن دادیم. با ادغام این لایه های وزنی، ما یک نقشه اولویت از حوزه های آبخیز در نیجریه ایجاد کردیم. تجزیه و تحلیل نشان داد که بیشتر مناطق در نیجریه در کلاس اولویت متوسط قرار می گیرند. مجموعه داده‌های با وضوح بالاتر می‌توانند این نقشه‌ها را بیشتر بهبود بخشند و این روش می‌تواند در مناطق کوچک برای اجرای مداخلات حوزه آبخیز قابل استفاده باشد.

پیوست اول

جدول A1. اطلاعات مربوط به پارامترها و منابع آنها.

منابع

Groninger, JW ایجاد ظرفیت مدیریت آبخیز در نیجریه: گسترش نقش دانشکده های کشاورزی. J. Contemp. Water Res. آموزش. ۲۰۱۶ ، ۱۵۸ ، ۷۸-۸۴٫ [ Google Scholar ]
Adesina، A. سرمایه گذاری در زنجیره ارزش کشاورزی نیجریه. ارائه شده در انجمن سرمایه گذاری نیجریه بانک صنعت، لندن، بریتانیا، ۳۰ ژوئیه ۲۰۱۲٫ در دسترس آنلاین: http://www.newworldnigeria.com/pdf/AdesinaLondonBOIForumfinal.pdf (در ۴ مه ۲۰۲۰ قابل دسترسی است).
خان، م.ا. گوپتا، معاون; موهارانا، اولویت بندی حوضه PC با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی: مطالعه موردی از گوهیا، هند. جی آرید. محیط زیست ۲۰۰۱ ، ۴۹ ، ۴۶۵-۴۷۵٫ [ Google Scholar ] [ CrossRef ]
Jewitt, G. آیا مدیریت یکپارچه منابع آب می تواند تأمین کالاها و خدمات اکوسیستمی را حفظ کند؟ فیزیک شیمی. Earth Parts A/B/C ۲۰۰۲ , ۲۷ , ۸۸۷–۸۹۵٫ [ Google Scholar ] [ CrossRef ]
گوما، MK; برهانو، BZ; محمد، IA; تابو، ر. Whitbread، AM اولویت بندی حوضه های آبخیز در سراسر مالی با استفاده از داده های سنجش از دور و تکنیک های GIS برای برنامه ریزی توسعه کشاورزی. Water ۲۰۱۶ ، ۸ ، ۲۶۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گوما، م. سپسکبیل، ص. فوجی، اچ. نامارا، آر. مدل‌های فضایی برای انتخاب مناسب‌ترین مناطق کشت برنج در تالاب‌های دره داخلی غنا با استفاده از سنجش از دور و سیستم‌های اطلاعات جغرافیایی. J. Appl. Remote Sens. ۲۰۰۹ , ۳ , ۰۳۳۵۳۷٫ [ Google Scholar ]
بزی، ح. بغدادی، ن. ینکو، دی. الحاج، م. زریبی، م. بلوچت، اچ. Escorihuela، MJ; دمارز، V. نقشه برداری مناطق آبی با استفاده از سری زمانی Sentinel-1 در کاتالونیا، اسپانیا. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۸۳۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مور، شناسه; گریسون، آر. Ladson، A. مدل‌سازی دیجیتال زمین: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. ۱۹۹۱ ، ۵ ، ۳-۳۰٫ [ Google Scholar ] [ CrossRef ]
پانهالکار، اس. Pawar, C. اولویت‌بندی توسعه حوزه آبخیز با استفاده از مدل WERM و تکنیک‌های GIS در حوضه Vedganga (هند). ARPN J. Agric. Biol. علمی ۲۰۱۱ ، ۶ ، ۳۸-۴۴٫ [ Google Scholar ]
ویتالا، اس اس. گوویندایا، اس. Gowda، HH اولویت‌بندی زیرحوضه‌های آبخیز برای توسعه پایدار و مدیریت منابع طبیعی: یک رویکرد یکپارچه با استفاده از سنجش از دور، GIS و داده‌های اجتماعی-اقتصادی. Curr. علمی ۲۰۰۸ ، ۹۵ ، ۳۴۵-۳۵۴٫ [ Google Scholar ]
اقبال، م. سجاد، ح. اولویت بندی بر اساس تحلیل مورفومتریک حوضه آبریز دودهگانگا، دره کشمیر، هند با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. افر. J. Geo-Sci. Res. ۲۰۱۴ ، ۲ ، ۱-۶٫ [ Google Scholar ]
کاماراجو، ام وی وی؛ باتاچاریا، ا. سرنیواسا، آر. چاندراسخار، ر. مورتی، جی اس. رائو، TCHM ارزیابی پتانسیل آب زیرزمینی ناحیه غربی گوداواری، ایالت آندرا پرادش، هند با رویکرد GIS. آب زیرزمینی ۱۹۹۶ ، ۳۴ ، ۳۱۸-۳۲۵٫ [ Google Scholar ] [ CrossRef ]
Mattikalli، HM; دورو، بی جی; ریچاردز، KS ادغام تصاویر ماهواره ای حسی از راه دور با یک سیستم اطلاعات جغرافیایی. محاسبه کنید. Geosci. ۱۹۹۵ ، ۲۱ ، ۹۴۷-۹۵۶٫ [ Google Scholar ] [ CrossRef ]
مورتی، پتانسیل آب زیرزمینی KSR در یک منطقه نیمه خشک آندرا پرادش – یک رویکرد سیستم اطلاعات جغرافیایی. بین المللی J. Remote Sens. ۲۰۰۰ , ۲۱ , ۱۸۶۷-۱۸۸۴٫ [ Google Scholar ] [ CrossRef ]
سیدو، RS; مهتا، RS ترسیم مناطق بالقوه آب زیرزمینی در حوزه آبخیز رودخانه کوشاواتی یکی از شاخه‌های رودخانه زائوری در گوا، با استفاده از داده‌های سنجش از دور. در مجموعه مقالات سمپوزیوم ملی کاربردهای مهندسی سنجش از دور و مزایای اخیر، ایندور، هند، ۲۱ تا ۲۳ دسامبر ۱۹۸۹٫ ص ۴۱-۴۶٫ [ Google Scholar ]
گوما، MK; Pavelic، P. نقشه برداری از مناطق بالقوه آب زیرزمینی در سراسر غنا با استفاده از سنجش از دور، سیستم های اطلاعات جغرافیایی، و مدل سازی فضایی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۳ ، ۱۸۵ ، ۳۵۶۱-۳۵۷۹٫ [ Google Scholar ] [ CrossRef ]
هلدن، یو. اولسون، ال. استرن، ام. رویکردهای پایش بیابان زایی در سودان. در سنجش از دور ماهواره ای در کشورهای در حال توسعه ; Lery، LG، Ed. آژانس فضایی اروپا: پاریس، فرانسه، ۱۹۸۲; صص ۱۳۱-۱۴۴٫ [ Google Scholar ]
کوشواها، SPS کاربرد سنجش از دور در نواحی کشت در حال تغییر . گزارش فنی؛ Abteilung Luftbildmessung and Fernerkundung, Universitat Freiburg: Freiburg, Germany, 1993; ص ۲۳-۲۸٫ [ Google Scholar ]
اسمیت، AY; Blackwell، RJ توسعه یک پایگاه داده اطلاعاتی برای پایش حوزه آبخیز. فتوگرام مهندس Remote Sens. ۱۹۸۰ , ۴۶ , ۱۰۲۷-۱۰۳۸٫ [ Google Scholar ]
تروتر، CM داده های سنجش از راه دور به عنوان منبع اطلاعاتی برای سیستم اطلاعات جغرافیایی در مدیریت منابع طبیعی: یک بررسی. بین المللی J. Remote Sens. ۱۹۹۱ ، ۵ ، ۲۲۵-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
گفت، س. صدیق، ر. Shakeel، M. تجزیه و تحلیل مورفومتریک و اولویت‌بندی زیرحوضه‌های حوضه آبخیز رودخانه ناگماتی، ناحیه کوچ، گجرات با استفاده از رویکرد مبتنی بر GIS. J. Water Land Dev. ۲۰۱۸ ، ۳۹ ، ۱۳۱-۱۳۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژنگ، جی. فو، اچ. لی، دبلیو. وو، دبلیو. ژائو، ی. دونگ، آر. Yu, L. شمارش و تشخیص درخت نخل روغن متقابل منطقه ای از طریق شبکه تطبیق دامنه توجه چند سطحی. ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۷ , ۱۵۴–۱۷۷٫ [ Google Scholar ] [ CrossRef ]
سینگ، ال. سراوانان، س. جنیفر، جی جی؛ Abijith، D. کاربرد تکنیک فاکتور چند نفوذ (MIF) برای شناسایی مکان‌های مناسب برای سکونت شهری در شهر Tiruchirappalli، تامیل نادو، هند. آسیا-پک. J. Reg. علمی ۲۰۲۱ ، ۵ ، ۷۹۷-۸۲۳٫ [ Google Scholar ] [ CrossRef ]
روی، اس. حضره، س. چاندا، ا. Das، S. ارزیابی مناطق بالقوه آب زیرزمینی با استفاده از تکنیک تصمیم گیری چند معیاره: مطالعه موردی در سطح میکرو از منطقه قرمز و لاتریتی (RLZ) از بنگال غربی، هند. حفظ کنید. منبع آب مدیریت ۲۰۲۰ ، ۶ ، ۴٫ [ Google Scholar ] [ CrossRef ]
سرل، سی. پرز-هویوس، آ. Kayitakire، F. نقشه برداری از مناطق بالقوه آب زیرزمینی در مناطق مستعد خشکسالی جنوب ماداگاسکار با استفاده از تکنیک های جغرافیایی. Geosci. جلو. ۲۰۲۰ ، ۱۱ ، ۱۴۰۳-۱۴۱۳٫ [ Google Scholar ] [ CrossRef ]
عبد مناپ، م. نمک، ح. پرادان، بی. لی، اس. سلیمان، WNA; رملی، MF کاربرد مدل نسبت فرکانس مبتنی بر احتمال در نقشه برداری پتانسیل آب زیرزمینی با استفاده از داده های سنجش از دور و GIS. عرب جی. ژئوشی. ۲۰۱۴ ، ۷ ، ۷۱۱-۷۲۴٫ [ Google Scholar ] [ CrossRef ]
رحمتی، ا. صمدی، م. شهابی، ح. آذره، ع. رفیعی سردویی، ا. علیلو، ح. Melesse, AM; پرادان، بی. چاپی، ک. شیرزادی، ع. SWPT: یک ابزار خودکار مبتنی بر GIS برای اولویت‌بندی زیرحوضه‌های آبخیز بر اساس عوامل مورفومتریک و توپو هیدرولوژیکی. Geosci. جلو. ۲۰۱۹ ، ۱۰ ، ۲۱۶۷–۲۱۷۵٫ [ Google Scholar ] [ CrossRef ]
کومار، KCA؛ ردی، GPO؛ مسیلمانی، پ. Sandeep, P. مدل‌سازی فضایی برای شناسایی مناطق بالقوه آب زیرزمینی در اکوسیستم نیمه‌خشک جنوب هند با استفاده از داده‌های Sentinel-2، GIS و مدل‌های آماری دو متغیره. عرب جی. ژئوشی. ۲۰۲۱ ، ۱۴ ، ۱۳۶۲٫ [ Google Scholar ] [ CrossRef ]
پاندی، م. Sharma، PK سنجش از دور و اولویت بندی حوضه مبتنی بر GIS. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2017 (IGARSS)، فورت ورث، تگزاس، ایالات متحده آمریکا، ۲۳ تا ۲۸ ژوئیه ۲۰۱۷؛ صص ۶۱۸۲–۶۱۸۵٫ [ Google Scholar ]
آهر، پ. آدینارایانا، جی. Gorantiwar، S. کمی سازی خصوصیات مورفومتریک و اولویت بندی برای برنامه ریزی مدیریت در مناطق استوایی نیمه خشک هند: رویکرد سنجش از دور و GIS. جی هیدرول. ۲۰۱۴ ، ۵۱۱ ، ۸۵۰-۸۶۰٫ [ Google Scholar ] [ CrossRef ]
شیونگ، جی. سپسکبیل، ص. گوما، MK; Teluguntla، P. پونلت، جی. Congalton، RG; یداو، ک. تاو، دی. نقشه برداری خودکار زمین های زراعی قاره آفریقا با استفاده از محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۶ ، ۲۲۵–۲۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گوما، MK; سپسکبیل، ص. هیدتو، اف. نلسون، ا. دیروات، وی. بوسیا، دی. Rala، A. نقشه برداری از مناطق آبی غنا با استفاده از ادغام داده های سنجش از دور با وضوح ۳۰ متر و ۲۵۰ متر. Remote Sens. ۲۰۱۱ , ۳ , ۸۱۶-۸۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فائو AQUASTAT—FAO Water Report 29. 2005. موجود به صورت آنلاین: http://www.fao.org/nr/water/aquastat/countries/ghana/index.stm (در ۱۱ فوریه ۲۰۲۲ قابل دسترسی است).
آباتزغلو، جی تی; دوبروفسکی، اس. پارکس، SA; Hegewisch، KC TerraClimate، مجموعه داده جهانی با وضوح بالا از آب و هوای ماهانه و تعادل آب اقلیمی از ۱۹۵۸-۲۰۱۵٫ علمی داده‌ها ۲۰۱۸ ، ۵ ، ۱۷۰۱۹۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Vrieling، A. دی لیو، جی. گفت، طول دوره رشد من در آفریقا: تغییرپذیری و روند از ۳۰ سال سری زمانی NDVI. Remote Sens. ۲۰۱۳ , ۵ , ۹۸۲–۱۰۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مورتی، KSR؛ ارزیابی تصمیم چند معیاره Mamo، AG در شناسایی مناطق آب زیرزمینی در زیرحوضه Moyale-Teltele، اتیوپی جنوبی. بین المللی J. Remote Sens. ۲۰۰۹ ، ۳۰ ، ۲۷۲۹-۲۷۴۰٫ [ Google Scholar ] [ CrossRef ]
موران، ام اس; پیترز-لیدار، سی دی; Watts، JM; McElroy, S. برآورد رطوبت خاک در مقیاس حوضه با رادار مبتنی بر ماهواره و مدل های سطح زمین. می توان. J. Remote Sens. ۲۰۰۴ ، ۳۰ ، ۸۰۵-۸۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بلژیک، م. Csillik، O. Sentinel-2 نگاشت زمین زراعی با استفاده از تجزیه و تحلیل تاب خوردگی زمانی پویا مبتنی بر پیکسل و شیء مبتنی بر زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۴ ، ۵۰۹-۵۲۳٫ [ Google Scholar ] [ CrossRef ]
باجا، اس. چپمن، دی.م. Dragovich, D. یک مدل مفهومی برای تعریف و ارزیابی واحدهای مدیریت زمین با استفاده از رویکرد مدلسازی فازی در محیط GIS. محیط زیست مدیریت ۲۰۰۲ ، ۲۹ ، ۶۴۷-۶۶۱٫ [ Google Scholar ] [ CrossRef ]
چادری، وی. چاکرابورتی، دی. جیارم، ع. مورتی، YK; شارما، جی. دادوال، وی. رویکرد تصمیم گیری چند معیاره برای اولویت بندی حوضه با استفاده از تکنیک فرآیند تحلیل سلسله مراتبی و GIS. منبع آب مدیریت ۲۰۱۳ ، ۲۷ ، ۳۵۵۵-۳۵۷۱٫ [ Google Scholar ] [ CrossRef ]
جیسوال، آر. توماس، تی. گالکیت، آر. قوش، ن. Singh، S. اولویت بندی حوضه با استفاده از پشتیبانی تصمیم گیری مبتنی بر AHP Saaty برای اقدامات حفاظت از خاک. منبع آب مدیریت ۲۰۱۴ ، ۲۸ ، ۴۷۵-۴۹۴٫ [ Google Scholar ] [ CrossRef ]
گوپینات، جی. Nair, AG; آمبیلی، جی. Swetha, T. اولویت بندی حوضه بر اساس تحلیل مورفومتریک همراه با تصمیم گیری چند معیاره. عرب جی. ژئوشی. ۲۰۱۶ ، ۹ ، ۱۲۹٫ [ Google Scholar ] [ CrossRef ]
فشایی، OA; تیجانی، م.ن. طلابی، AO; Adedeji، OI تعیین مناطق بالقوه آب زیرزمینی در زمین زیرزمین کریستالی SW-نیجریه: یک رویکرد GIS و سنجش از دور یکپارچه. Appl. علوم آب ۲۰۱۴ ، ۴ ، ۱۹-۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Welde، K. شناسایی و اولویت بندی زیرحوضه ها برای مدیریت زمین و آب در حوضه آبخیز سد تکزه، اتیوپی شمالی. بین المللی حفظ آب خاک Res. ۲۰۱۶ ، ۴ ، ۳۰-۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بیسواس، س. سوداکار، اس. Desai، VR اولویت بندی زیرحوضه ها بر اساس تجزیه و تحلیل مورفومتریک حوضه زهکشی: یک رویکرد سنجش از دور و gis. J. شرکت هندی Remote Sens. ۱۹۹۹ , ۲۷ , ۱۵۵٫ [ Google Scholar ] [ CrossRef ]
فرهان، ی. انبار، ع. الشیخ، ن. موسی، ر. اولویت‌بندی حوزه آبخیز کشاورزی نیمه‌خشک با استفاده از روش‌های مورفومتریک و مولفه‌های اصلی، سنجش از دور و تکنیک‌های GIS، حوضه آبخیز رودخانه زرقا، اردن شمالی. کشاورزی علمی ۲۰۱۶ ، ۸ ، ۱۱۳-۱۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فرهان، ی. نوایسه، س. ارزیابی فضایی خطر فرسایش خاک با استفاده از تکنیک‌های RUSLE و GIS. محیط زیست علوم زمین ۲۰۱۵ ، ۷۴ ، ۴۶۴۹-۴۶۶۹٫ [ Google Scholar ]
گجبیه، س. میشا، س. Pandey، A. اولویت بندی منطقه مستعد فرسایش از طریق تجزیه و تحلیل مورفومتریک: دیدگاه RS و GIS. Appl. علوم آب ۲۰۱۴ ، ۴ ، ۵۱-۶۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کالین، ال. Hantush، MM یک روش کمکی برای کاهش اثرات نامطلوب بالقوه توسعه زمین پیش‌بینی‌شده: اولویت‌بندی حوزه‌های آبخیز. محیط زیست مدیریت ۲۰۰۹ ، ۴۳ ، ۳۱۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
بعثت پور، ع. حاج عباسی، م. ایوبی، س. جلالیان، ع. شناسایی و اولویت‌بندی زیرحوضه‌های بحرانی در حوزه‌های آبخیز کوهستانی با استفاده از مدل SWAT. Eurasian J. Soil Sci. ۲۰۱۲ ، ۱ ، ۵۸-۶۴٫ [ Google Scholar ]
اوراق، م.ح. Essahlaoui، A. تحلیل مورفومتریک مبتنی بر رویکرد TOPSIS برای اولویت‌بندی زیرحوضه‌های حوضه مرتفع Oum Er-Rbia، مراکش. تف کردن Inf. Res. ۲۰۱۸ ، ۲۶ ، ۱۸۷-۲۰۲٫ [ Google Scholar ] [ CrossRef ]
روات، KS; Tripathi، VK; Mishra، نقشه برداری شاخص بازده رسوب AK و اولویت بندی زیرحوضه مادیا، ناحیه ساگار مادیا پرادش (هند). عرب جی. ژئوشی. ۲۰۱۴ ، ۷ ، ۳۱۳۱-۳۱۴۵٫ [ Google Scholar ] [ CrossRef ]
کندو، اس. خاره، د. Mondal, A. تاثیر تغییر کاربری اراضی بر اولویت‌بندی زیرحوضه‌های آبخیز با فرآیند تحلیل سلسله مراتبی (AHP). Ecol. به اطلاع رساندن. ۲۰۱۷ ، ۴۲ ، ۱۰۰-۱۱۳٫ [ Google Scholar ] [ CrossRef ]
پراساد، RN; Pani, P. تجزیه و تحلیل ژئو هیدرولوژیکی و اولویت بندی زیرحوضه برای خطر سیل ناگهانی با استفاده از مدل جمع وزنی و هیدروگراف واحد مصنوعی اسنایدر. مدل. سیستم زمین محیط زیست ۲۰۱۷ ، ۳ ، ۱۴۹۱-۱۵۰۲٫ [ Google Scholar ] [ CrossRef ]
اکنس، پی. راندیر، TO اثر تغییرات آب و هوا و پوشش زمین بر رواناب حوضه: ارزیابی چند متغیره برای مدیریت آب طوفان. جی. ژئوفیز. Res. Biogeosci. ۲۰۱۵ ، ۱۲۰ ، ۱۷۸۵-۱۷۹۶٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ نقشه موقعیت نیجریه با شبکه های جریان و مناطق کشاورزی (FAO).

شکل ۲٫ روش شناسی اولویت بندی حوضه با استفاده از لایه های ژئو فضایی.

شکل ۳٫ کلاس های LULC در نیجریه.

شکل ۴٫ نقشه شیب نیجریه (SRTM DEM: http://srtm.sci.cgiar.org/ ) (دسترسی در ۱۱ ژانویه ۲۰۲۲).

شکل ۵٫ ( الف ) بافت خاک و نقشه اولویت آن و ( ب ) عمق خاک و نقشه اولویت آن.

شکل ۶٫ میانگین بارندگی سالانه در نیجریه (TerraClimate).

شکل ۷٫ طول دوره رشد (LGP) در نیجریه.

شکل ۸٫ ( الف ) میانگین حداقل دمای سالانه و نقشه اولویت آن. ( ب ) میانگین حداکثر دمای سالانه و نقشه اولویت آن.

شکل ۹٫ ( الف ) ترسیم شبکه آبخیزداری و جریان در نیجریه. ( ب ) توزیع فضایی حوزه های آبخیز و اولویت آنها در نیجریه.

شکل ۱۰٫ ( a – g ) نقشه های اولویت بندی شده حوضه بر اساس لایه موضوعی. ح ) اولویت بندی حوضه های آبخیز پس از ادغام کلیه لایه های موضوعی در منطقه مورد مطالعه.

شکل ۱۱٫ نقشه ای که موقعیت سدها را در نیجریه نشان می دهد.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام