بررسی اثر تغییر کاربری اراضی بر پارامتر‏های کیفی آب در زیرحوضه‌های حوضۀ آبخیز حبله‌رود با استفاده از آنالیزهای چندمتغیرۀ آماری و مدل‌های سری زمانی (ARIMA)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتر‌ی محیط زیست، ارزیابی و آمایش، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشیار، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 استاد، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد

4 استادیار، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

پژوهش حاضر، با هدف بررسی تأثیرات تغییر کاربری بر کیفیت منابع آب سطحی در زیرحوضه‏های حوضۀ آبخیز حبله‏رود پی‏ریزی شد. به این منظور، با استفاده از آنالیز تجزیه به مؤلفه‏های اصلی (PCA) و آنالیز فاکتور (FA)، متغیر TDS به عنوان فاکتور شاخص کیفی آب انتخاب شد. در ادامه، با استفاده از مدل‏های سری زمانی (ARIMA) پارامتر شاخص کیفی آب (TDS) برای سی سال مدل‏سازی شد و در بین مدل‏های ARIMA، مدلی با کمترین میزان معیار سنجش آکائیک به عنوان مدل بهینه برای پارامتر شاخص انتخاب شد. مد‏ل‏های مطلوب برای زیرحوضه‏های بنکوه، دلیچای، گورسفید، کیلان، نمرود، مرزداران و تنگه‏رامه به‌ترتیب (2،1،0)، (1،0،0)، (2،1،1)، (0،1،4)، (1،1،0)، (1،1،1) و (1،1،1) تعیین شد. نتایج مد‏ل‏های سری‏ زمانی نشان داد سه زیرحوضۀ نمرود، کیلان و گورسفید بیشترین میزان افزایش TDS را به خود اختصاص داده‏اند. سپس، کاربری اراضی در زیرحوضه‏های یادشده بررسی شد که نشان‏دهندۀ بیشترین مساحت اراضی کشاورزی، مناطق مسکونی و جاده‏ها در این زیرحوضه‏ها بود. از سوی دیگر، مناطق صنعتی نیز متعلق به زیرحوضه‏های کیلان و نمرود بود. نتایج تحقیق حاضر بیان‌کنندۀ سودمندی مدل‏های سری زمانی و آنالیزهای چندمتغیرۀ آماری در بررسی اثر تغییر کاربری اراضی بر پارامترهای کیفی منابع آب است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Assessment of land-use Change Impacts on Water Quality Parameters in Sub-basins of Hableh Rood Watershed using Multivariate Statistics and Time Series Models (ARIMA)

نویسندگان [English]

  • Zahra Pasandidehfard 1
  • Ali Reza Mikaeili Tabrizi 2
  • Abolfazl Mosaedi 3
  • Hasan Rezaei 4
1 Ph.D. Student of Environmental Sciences- Land use Planning, Gorgan University of Agricultural and Natural Resources, Gorgan, Iran
2 Associate Professor, Faculty of Environment, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
3 Professor, Faculty of Natural Resources and of Environment, Ferdowsi University of Mashhad, Mashhad, Iran
4 Assistant Professor, Faculty of Environment, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
چکیده [English]

The purpose of this study is to assess land use change impacts on quality of surface water resources in sub-basins of Hableh rood watershed. In order to fulfill this task, and by using Principal Component Analysis (PCA) and Factor Analysis (FA), TDS was selected as an indicator of water quality parameter. In the next step, by time series models (ARIMA), TDS was modeled for 30 years and among different ARIMA models, a model with a lowest error and akaike (AIC) criterion was selected as an optimal model for TDS. Desirable models for Benkuh, Delichay, Gursefid, Keylan, Namrud, Marzdaran and Tangeh Rameh were (0,1,2), (0,0,1), (1,1,2), (4,1,0), (0,1,1), (1,1,1) and (1,1,1), respectively. The results of time series models (ARIMA) showed that Namrud, Keylan and Gursefid have maximum amount of TDS. Then, land use was studied that showed maximum area of agricultural lands, residential and roads in these sub-basins. On the other hand, Industrial areas are located in Keylan and Namrud. The results of this study showed efficiency of time series modeling andmultivariate statistics in the analysis of land use change impacts on water quality parameters.

کلیدواژه‌ها [English]

  • Akaike Criterion
  • factor analysis
  • Principal component analysis
  • Time series models
[1]. Khebri Z, Nejadkoorki F, Sodaie Zadeh H. The relationship between land use vector parameters and river water quality using GIS (case study: Zayandehrood river). RS & GIS for Natural Resources. 2015; 6(1): 79- 89. [Persian]
[2].  Li Z, Deng X, Wu F, Hasan SS. Scenario analysis for water resources in response to land use change in the middle and upper reaches of the Heihe river basin. Sustainability. 2015; 7: 3086-3108.
[3].  Qi H, Altinakar MS. A conceptual framework of agricultural land use planning with BMP for integrated watershed management. Environmental Management. 2011; 92: 149-155.
[4].  Strobl RO, Robillard PD. Network design for water quality monitoring of surface freshwaters: A review. Environmental Management. 2008; 87: 639–648.
[5].  Kithiia SM, Mutua FM. Impacts of land-use changes on sediment yields and water quality within the Nairobi river subbasins, Kenya. Sediment Dynamics and the Hydromorphology of Fluvial Systems. 2006; 306: 582-588.
[6].  Salajegheh A, Razavizadeh S, Khorasani N, Hamidifar M, Salajegheh S. Land use changes and its effects on water quality (case study: Karkheh watershed). Environmental Studies. 2011; 37(58): 22-26.
[7].  Keshtkar AR, Mahdavi M, Salajegheh A, Ahmadi H, Sadoddin A, Ghermezcheshmeh B. Exploring the relationship between land use and surface water quality using multivariate statistics in arid and semi-arid regions. Desert. 2011; 16: 33-38.
[8].  Huang J, Zhan J, Yan H, Wu F, Deng X. Evaluation of the impacts of land use on water quality: a case study in the Chaohu lake basin. Scientific World Journal. 2013: 1-7.
[9].  Jamali B, Ebrahimi K. Time series forecasting of Sefidrood river water quality using linear stochastic models. Journal of Agricultural Engineering Research. 2011; 12(3): 31 – 44. [Persian]
[10].            Ghassemi Dehnavi A, Sarikhani R, Hosseini H, Ahmadnejad Z, Ebrahimi B. Qualitative and quantitative evaluation of surface waters using statistical analysis in Azna river, Lorestan. Jornal of Environment and Water Engineering. 2017; 2(4): 306 – 321. [Persian]
[11].            Zhang L, Zhang GX, Li RR. Water quality analysis and prediction using hybrid time series and neural network models. Journal of Agricultural Science and Technology. 2016; 18(4): 975-983.
[12].            Oliveira JP, Steffen JL, Cheung P. Parameter estimation of seasonal ARIMA models for water demand forecasting using the Harmony Search Algorithm. Procedia Engineering. 2017; 186: 177 – 185.
[13].            Zare Garizi A, Sheikh V, Sadoddin A, Salman Mahiny A. Assessment of seasonal variations of chemical characteristics in surface water using multivariate statistical methods. IJEST. 2011; 8(3): 581-592.
 
[14].            Satheeshkumar P, Khan B. Identification of mangrove water quality by multivariate statistical analysis methods in Pondicherry coast, India. Environmental Monitoring and Assessment. 2011; 184(6): 3761–3774.
[15].            Zarei H, Pourreza Bilondi M. Factor analysis of chemical composition in the Karoon river basin, southwest of Iran. Applied Water Science. 2013; 3(4): 753–761.
[16].            Singovszka E, Balintova M. Application factor analysis for the evaluation surface water and sediment quality. Chemical Engineering Transactions. 2012; 26: 183- 188.
[17].            Babamiri O, Nowzari H, Maroofi S. Potential evapotranspiration estimation using stochastic time series models (case study: Tabriz). Journal of Watershed Management Research. 2017; 8(15): 137-146. [Persian]
[18].            Chen J, Boccelli DL. Demand forecasting for water distribution systems. Procedia Engineering. 2014; 70: 339- 342.
[19].            Han P, Wang PX, Zhang SY, Zhu DH. Drought forecasting based on the remote sensing data using ARIMA models. Mathematical and Computer Modelling. 2010; 51: 1398- 1403.
[20].            Nury AH, Hasan K, Alam JB. Comparative study of wavelet-ARIMA and wavelet-ANN models for temperature time series data in northeastern Bangladesh. Journal of King Saud University – Science. 2017; 29(1): 47–61.
[21].            Imai C, Armstrong B, Chalabi Z, Mangtani P, Hashizume M. Time series regression model for infectious disease and weather. Environmental Research. 2015; 142: 319- 327.
[22].            Sveinsson OG, Salas JD, Lane WL, Frevert DK. Progress in stochastic analysis, modeling, and simulation. Hydrology Days. 2003; 7: 165- 175.
[23].            Khazayi M, Mirzaei MR. Climatic variables prediction using time series analysis of Zohre watershed. Journal of Applied research in Geographical Sciences. 2014; 14(34): 233-250. [Persian]
[24].            Khorrami M, Bozorgnia A. Time series analysis with MINITAB 14. 2nd ed. Mashhad, Iran: Sokhangostar; 2007. 352p. [Persian]