پهنه بندي و ارزيابي فراواني چشمه ها در مناطق كارستي با استفاده از رگرسيون لجستيك (مطالعه موردي: حوزه آبخيز بجنورد)

Application of a logistic regression to assessing and mapping frequency of Springs in karst regions (Case study: Bojnourd Basin

ارزيابي فراواني چشمه ها به موضوعي مهم براي برنامه ريزي استفاده از زمين، به خصوص شناسايي منابع آب زيرزميني و حفاظت از محيط زيست تبديل شده است. بدين منظور جهت توليد نقشه فراواني چشمه هاي حوزه آبخيز بجنورد، از روش رگرسيون لجستيك باينري (به منظور وجود و عدم وجود چشمه)، تكنيك هاي سيستم اطلاعات جغرافيايي (GIS) و سنجش از دور (RS) استفاده گرديد. در اين منطقه تعداد 359 چشمه شناسايي شد و 14 عامل موثر در وجود چشمه شامل تراكم خطواره، فاصله از خطواره، فاصله از آبراهه، تراكم زهكشي، شاخص پوشش گياهي (NDVI)، انحناي پروفيل، انحناي مماسي، نسبت سطح، برآيند بردار، بارندگي، ارتفاع، زمين شناسي، جهت هاي جغرافيايي و شيب مورد تجزيه و تحليل قرار گرفت. ضرايب عوامل موثر توسط رگرسيون لجستيك از 300 چشمه كه به صورت تصادفي انتخاب شده بودند، به دست آمد. از 59 چشمه ديگر براي مرحله اعتبار سنجي استفاده شد. در نهايت نقشه فراواني چشمه ها به چهار طبقه احتمالاتي خيلي كم، كم، متوسط و زياد تقسيم گرديد. نتايج نشان داد كه وجود بيش از 80 درصد از چشمه ها به درستي پيش بيني گرديد. همچنين دقت مدل با استفاده از منحني ROC، 86/6 درصد تخمين زده شد كه نشان دهنده دقت بالاي مدل در تحليل فراواني چشمه ها در منطقه مورد مطالعه است. در پايان عوامل تراكم زهكشي، شاخص پوشش گياهي، برآيند بردار، بيش ترين ضريب و عوامل شيب، ارتفاع و نسبت سطح كمترين معني داري را در بروز چشمه ها داشته اند. با توجه به نتايج اين تحقيق، مي توان از اين روش براي شناسايي منابع آب زيرزميني در مناطق كارستي استفاده كرد و در بهبود مديريت جامع حوزه هاي آبخيز كارستي، نقش مهمي ايفا نمايد.

Assessment frequency of springs has become an important issue for land use planning، especially water resource identification and environmental protection.The purpose of this study is to produce a spring occurrence potential map in Bojnourd Basin، based on a logistic regression method using Geographic Information System (GIS) and remote sensing (RS). The locations of the springs (359 springs) were determined in the study area. In this study، 14 effective factors including spring were used in the analysis: lineament density، distance to lineament، distance to drainage، drainage density، normalized difference vegetation index (NDVI)، profile curvature، tangential curvature، surface rate، vector dispersion، precipitation، elevation، geology، aspect and slope. Binary logistic regression coefficients of the variables by selecting 300 spring randomly. 59 another spring were used for validation that 80.6% of the springs were correctly predicted. The accuracy of the model was measured using ROC curves which showed that accuracy is 86.6 percent which indicates that the model shows high accuracy in the analysis of spring occurrence potential in the study area. The results showed that the distance of lineaments، distance of drainage، drainage density، vegetation index، profile curvature، tangential curvature، vector dispersion، precipitation and slope have the greatest impact on the occurrence of springs. Finally، spring occurrence potential map was divided into four probably classes of very low، low، medium and high. According to the survey results، this method can be used to identify sources of groundwater in karstic zones and has important role in better management of the karstic Basins.