جغرافیا و برنامه ریزی منطقه‌ای

جغرافیا و برنامه ریزی منطقه‌ای

کاربرد سنجش از دور‎ (RS) ‎و سیستم اطلاعات جغرافیایی‎ (GIS) ‎در مدلسازی ‏هیدرولیک جریان و مدیریت منابع آب کشاورزی با رویکرد هیدروانفورماتیک

نوع مقاله : مقاله علمی -پژوهشی کاربردی

نویسندگان
مصطفی علی نقی زاده 1
ابوالفضل اصلانی کردکندی 2
1 استادیار، گروه کشاورزی، دانشگاه پیام نور، تهران، ایران
2 گروه فنی و مهندسی، دانشگاه پیام نور، تهران، ایران
10.22034/jgeoq.2025.537381.4311
چکیده
این پژوهش با هدف توسعه یک چارچوب یکپارچه هیدروانفورماتیک برای بهبود دقت مدلسازی هیدرولیک جریان و ‏مدیریت منابع آب، به بررسی تلفیق فناوری‌های سنجش از دور (‏RS‏) و سیستم اطلاعات جغرافیایی (‏GIS‏) پرداخته است. با ‏تمرکز بر حوضه‌ آبریز کرخه، روش‌شناسی پژوهش شامل پنج مرحله اصلی است: گردآوری داده‌های ماهواره‌ای (مانند ‏Sentinel-2‎‏ و ‏ALOS PALSAR DEM‏)، استخراج خودکار پارامترهای هیدرولیکی با پردازش تصاویر، توسعه مدل ‏تلفیقی در ‏HEC-RAS، تحلیل عدم قطعیت با روش مونت کارلو، و ارزیابی عملکرد با شاخص‌های ‏NSE، ‏R²‎‏ و ‏RMSE‏. ‏مطالعه حاضر نشان می‌دهد که ادغام این فناوری‌ها می‌تواند تحولی اساسی در بهبود کیفیت و کارایی مدل‌های هیدرولیکی ‏ایجاد کند.‏‎ ‎یافته‌های تحقیق حاکی از آن است که استفاده از داده‌های ماهواره‌ای در کنار تحلیل‌های مکانی، امکان دستیابی به ‏بینش‌های عمیق‌تری از رفتار سیستم‌های آبی را فراهم می‌آورد. این رویکرد یکپارچه نه تنها دقت پیش‌بینی‌ها را افزایش ‏می‌دهد، بلکه قابلیت اطمینان نتایج مدل‌سازی را نیز به میزان قابل توجهی بهبود می‌بخشد.‏‎ ‎مزیت اصلی این روش در توانایی ‏آن برای پوشش دادن مناطق وسیع و دسترسی به داده‌های به‌روز و پیوسته نهفته است. از دیگر نقاط قوت این پژوهش ‏می‌توان به قابلیت تطبیق‌پذیری بالای روش پیشنهادی اشاره کرد. این مطالعه به وضوح نشان می‌دهد که رویکرد ‏هیدروانفورماتیک می‌تواند شکاف بین داده‌های مشاهداتی و نیازهای مدل‌سازی را پر کند. استفاده از این فناوری‌ها نه تنها ‏کیفیت خروجی‌های مدل را بهبود می‌بخشد، بلکه فرآیند تصمیم‌گیری در مدیریت منابع آب را نیز تسهیل می‌نماید‎.‎
کلیدواژه‌ها
سنجش از دور ‏‎(RS)‎
سیستم اطلاعات جغرافیایی ‏‎(GIS)‎
مدلسازی هیدرولیک
هیدروانفورماتیک
مدیریت منابع آب‎.‎

عنوان مقاله English

Application of Remote Sensing (RS) and Geographic Information ‎Systems (GIS) in Hydraulic Flow Modeling and Agricultural Water ‎Management with a Hydroinformatics Approach

نویسندگان English

Mostafa Alinaghizadeh 1
Abolfazl Aslani Kordkandi 2
1 Assistant Prof., Dept. of Agricultural, Payame Noor University (PNU), P.O. Tehran, Iran
2 Department of Engineering, Payame Noor University (PNU), Tehran, Iran
چکیده English

This research aims to develop an integrated hydroinformatics framework to improve ‎the accuracy of hydraulic flow modeling and water resource management. It ‎investigates the integration of Remote Sensing (RS) and Geographic Information ‎System (GIS) technologies. Focusing on the Karkheh River Basin, the research ‎methodology comprises five main stages: satellite data collection (such as Sentinel-‎‎2 and ALOS PALSAR DEM), automated extraction of hydraulic parameters through ‎image processing, development of an integrated model in HEC-RAS, uncertainty ‎analysis using the Monte Carlo method, and performance evaluation with NSE, R², ‎and RMSE indices.‎‏ ‏The current study demonstrates that integrating these ‎technologies can fundamentally transform and improve the quality and efficiency of ‎hydraulic models. The research findings indicate that using satellite data alongside ‎spatial analyses provides deeper insights into the behavior of water systems. This ‎integrated approach not only enhances prediction accuracy but also significantly ‎improves the reliability of modeling results.‎‏ ‏The main advantage of this method lies ‎in its ability to cover vast areas and provide access to up-to-date and continuous ‎data. Another strength of this research is the high adaptability of the proposed ‎method. This study clearly shows that the hydroinformatics approach can bridge the ‎gap between observational data and modeling needs. Utilizing these technologies ‎not only improves the quality of model outputs but also facilitates the decision-‎making process in water resource management.‎

کلیدواژه‌ها English

Remote Sensing (RS)
Geographic Information Systems (GIS)
Hydraulic Modeling
‎Hydroinformatics
Water Resource Management
ابراهیمی، راضیه؛ حمزه، سعید؛ معروفی، صفر. (1395). مدل‌سازی سطح پوشش و رواناب ناشی از ذوب برف با استفاده تلفیقی از مدل هیدرولوژیکی SRM و تصاویر ماهواره‌ای. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، (3)6، 77-66.
اکبرپور، ابوالفضل؛ توسن، معین؛ شمشیرگران، راضیه. (1404). روندهای نوظهور در ادغام سنجش از دور و یادگیری ماشین در مدیریت منابع آب زیرزمینی: یک مطالعه علم‌سنجی. تحقیقات منابع آب ایران، (1)21، 148-127
دفتر مطالعات پایه منابع آب، (1400). مطالعات جامع هیدرولوژی حوضه کرخه، تهران: وزارت نیرو.
دفتر مطالعات پایه منابع آب، وزارت نیرو، (1400). گزارش جامع مطالعات پایه حوضه آبریز کرخه، تهران: انتشارات وزارت نیرو.
عزیزیان، اصغر. (1397). ارزیابی مدل‌های رقومی ارتفاعی مبتنی بر سنجش از دور جهت کاربرد در مدلسازی هیدرولیکی سیلاب. تحقیقات منابع آب ایران، (2)14، 231-219.
مرکز تحقیقات آب دانشگاه شهید چمران، (1401). تحلیل تغییرات هیدرولوژیکی در حوضه کرخه، اهواز: انتشارات دانشگاه شهید چمران.
میرقاسمی، سیدحمید؛ بانژاد، حسین؛ فریدحسینی، علیرضا. (1402). کاربرد سنجش از دور در مدل‌سازی هیدرولیکی و تعیین حد بستر رودخانه‌ها (مطالعه موردی: رودخانه ارداک)، نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (1)14، 12-9.
Abbott, M. (1991). Hydroinformatics: Information Technology and the Aquatic Environment. Aldershot, UK/Brookfield, USA: Ashgate.‎
Ahmad, M. ud D., Islam, Md. A., Masih, I., Muthuwatta, L., Karimi, P., & Turral, H. (2009). Mapping basin-level water productivity using remote sensing and secondary data in the Karkheh River Basin, Iran. Water International, 34(1), 119–133. https://doi.org/10.1080/02508060802663903.
Al-Bakri, J. and Al-Jahmany, Y. (2013) Application of GIS and Remote Sensing to Groundwater Exploration in Al-Wala Basin in Jordan. Journal of Water Resource and Protection, 5, 962-971. doi: 10.4236/jwarp.2013.510099.
Al-Bakri, J. T., D’Urso, G., Calera, A., Abdalhaq, E., Altarawneh, M., & Margane, A. (2023). Remote Sensing for Agricultural Water Management in Jordan. Remote Sensing, 15(1), 235. https://doi.org/10.3390/rs15010235. ‎
Bărbulescu, A., & Zhen, L. (2024). Forecasting the River Water Discharge by Artificial Intelligence Methods. Water, 16(9), 1248. https://doi.org/10.3390/w16091248.
Bui, Q.-T., Jamet, C., Vantrepotte, V., Mériaux, X., Cauvin, A., & Mograne, M. A. (2022). Evaluation of Sentinel-2/MSI Atmospheric Correction Algorithms over Two Contrasted French Coastal Waters. Remote Sensing, 14(5), 1099. https://doi.org/10.3390/rs14051099.
Copăcean, L., Man, E. T., Cojocariu, L. L., Popescu, C. A., Vîlceanu, C.-B., Beilicci, R., Creţan, A., Herbei, M. V., Cuzic, O. Ş., & Herban, S. (2025). GIS-Based Flood Assessment Using Hydraulic Modeling and Open-Source Data: An Example of Application. Applied Sciences, 15(5), 2520. https://doi.org/10.3390/app15052520.‎
Food and Agriculture Organization of the United Nations. (2025). Enhancing knowledge and collaboration for sustainable development through WaPOR. https://openknowledge.fao.org/items/e801a6c5-31cc-47a5-9622-12d56aea5cbb.
International Association for Hydro-Environment Engineering and Research. (2021). Hydroinformatics application for water resources and risk management. IAHR Publications.
Kamali, S., Saedi, F., & Asghari, K. (2023). Prediction of flood in Karkheh basin using data-driven methods. *ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-4 (W1), 349–354. https://doi.org/10.5194/isprs-annals-X-4-W1-2022-349-2023.
Loucks, D. P. (2023). Hydroinformatics: A review and future outlook. Cambridge Prisms: Water, 1, e10. https://doi.org/10.1017/wat.2023.10.
Mekonnen, K., Melesse, A. M., & Woldesenbet, T. A. (2021). Effect of Temporal Sampling Mismatches between Satellite Rainfall Estimates and Rain Gauge Observations on Modelling Extreme Rainfall in the Upper Awash Basin, Ethiopia. Journal of Hydrology, 598(7), 126467. https://doi.org/10.1016/j.jhydrol.2021.126467
Muthuwatta, L. P., Ahmad, M. u. D., Bos, M. G., & Amer, S. A. (2010). Assessment of water availability and consumption in the Karkheh River Basin, Iran—Using remote sensing and geo-statistics. Water Resources Management, 24(2), 459–484. https://doi.org/10.1007/s11269-009-9455-9.
Nearing, G. S., Kratzert, F., Sampson, A. K., Pelissier, C. S., Klotz, D., Frame, J. M., Prieto, C., & Gupta, H. V. (2021). What role does hydrological science play in the age of machine learning? Water Resources Research, 57(3), e2020WR028091. https://doi.org/10.1029/2020WR028091.
Oweis, T., Farahani, H., Qadir, M., Anthofer, J., Siadat, H., Abbasi, F., & Bruggeman, A. (2009). Improving on-farm agricultural water productivity in the Karkheh River Basin. International Center for Agricultural Research in the Dry Areas (ICARDA). https://www.researchgate.net/publication/267025362.‎
Renard, B., Kavetski, D., Kuczera, G., Thyer, M., & Franks, S. W. (2010). Understanding predictive uncertainty in hydrologic modeling: The challenge of identifying input and structural errors. Water Resources Research, 46(5), W05521. https://doi.org/10.1029/2009WR008328.
Senthilkumar, M., Gnanasundar, D., & Arumugam, R. (2019). Identifying groundwater recharge zones using remote sensing & GIS techniques in Amaravathi aquifer system, Tamil Nadu, South India. Sustainable Environment Research, 29(1), 15. https://doi.org/10.1186/s42834-019-0014-7.‎
Singh, V. P., Jhajharia, D., Mirabbasi, R., & Kumar, R. (Eds.). (2023). Integrated drought management, Volume 2: Forecasting, monitoring, and managing risk (1st ed.). CRC Press. https://doi.org/10.1201/9781003276548.
Song, X., Zhang, J., Zhan, C., Xuan, Y., Ye, M., & Xu, C. (2015). Global sensitivity analysis in hydrological modeling: Review of concepts, methods, theoretical framework, and applications. Journal of Hydrology, 523, 739–757. https://doi.org/10.1016/j.jhydrol.2015.02.013.
Talpur, Z., Zaidi, A. Z., Ahmed, S., Mengistu, T. D., Choi, S.-J., & Chung, I.-M. (2023). Estimation of crop water productivity using GIS and remote sensing techniques. Sustainability, 15(14), 11154. https://doi.org/10.3390/su151411154.‎
Tarate, S. B., Patel, N. R., Danodia, A., Pokhariyal, S., & Parida, B. R. (2024). Geospatial technology for sustainable agricultural water management in India—A systematic review. Geomatics, 4(2), 91–123. https://doi.org/10.3390/geomatics4020006.‎
Tarpanelli, A., Brocca, L., Barbetta, S., Faruolo, M., Lacava, T., & Moramarco, T. (2019). River discharge estimation by using the altimetry-derived water surface slope. Remote Sensing, 11(6), 658. https://doi.org/10.3390/rs11060658.
Uysal, G. (2022). Product- and Hydro-Validation of Satellite-Based Precipitation Data Sets for a Poorly Gauged Snow-Fed Basin in Turkey. Water, 14(17), 2758. https://doi.org/10.3390/w14172758.
Wang, C., et al. (2024). Distributed Hydrological Modeling with Physics‐Encoded Deep Learning: A General Framework and Its Application in the Amazon. Water Resources Research, 60(4), e2023WR036170. https://doi.org/10.1029/2023WR036170.
Xu, C., Han, Z., & Fu, H. (2022). Remote sensing and hydrologic–hydrodynamic modeling integrated approach for rainfall–runoff simulation in farm dam dominated basin. Frontiers in Environmental Science, 9, 817684. https://doi.org/10.3389/fenvs.2021.817684.‎
Xu, C., Yang, J., & Wang, L. (2022). Application of Remote-Sensing-Based Hydraulic Model and Hydrological Model in Flood Simulation. Sustainability, 14(14), 8576. https://doi.org/10.3390/su14148576.  
Xue, Y., Qin, C., Wu, B., Li, D., & Fu, X. (2022). Automatic Extraction of Mountain River Surface and Width Based on Multisource High-Resolution Satellite Images. Remote Sensing, 14(10), 2370. https://doi.org/10.3390/rs14102370.
Zhang, H., Yan, D., Zhang, B., Fu, Z., Li, B., & Zhang, S. (2022). An Operational Atmospheric Correction Framework for Multi-Source Medium-High-Resolution Remote Sensing Data of China. Remote Sensing, 14(21), 5590. https://doi.org/10.3390/rs14215590.