تهيه نقشه نواحي با پتانسيل وقوع چشمه هاي آب زيرزميني با استفاده از روش آماري رگرسيون لجستيك در محيط GIS (مطالعه موردي: حوزه آبخيز كوهستاني ميرده، كردستان)

Mapping Groundwater Spring Occurrence Potential using Logistic Regression Statistical Method (Case Study: Miredeh Mountainous Watershed, Kurdistan)

هدف از انجام اين تحقيق تهيه نقشه پتانسيل وقوع چشمه هاي آب زيرزميني با توسعه مدل آماري و احتمالاتي رگرسيون لجستيك (LR) مي باشد. موقعيت مكاني چشمه هاي حوزه آبخيز كوهستاني ميرده استان كردستان با مساحت حدود 381 كيلومترمربع طي عمليات ميداني ثبت گرديد. بر اساس بازديدهاي ميداني، پرس و جوهاي محلي و آمار شركت مديريت منابع آب مختصات مكاني 904 دهنه چشمه در حوزه مورد مطالعه ثبت گرديد و جهت تحليل هاي بعدي، 304 چشمه به عنوان چشمه هاي آزمايشي به صورت كاملاً تصادفي جدا شده و 600 چشمه باقيمانده به عنوان چشمه هاي آموزشي وارد تحليل ها شدند. پس از انجام آناليزهاي رگرسيوني لجستيك گام به گام پيشرو، مهم ترين فاكتورهاي تاثيرگذار در وقوع چشمه كه از لحاظ آماري معني دار بودند، انتخاب گرديدند. صحت مدل آماري و نقشه پهنه بندي بر اساس درصد وقوع چشمه هاي آزمايشي در نقشه حساسيت و آماره هايي از قبيل: -2LL، R2 ناگلكرك، و R2 كوكس و اسنل مورد ارزيابي و تاييد شد. همچنين، دقت پيش بيني مدل مورد استفاده در اين مطالعه با استفاده از سطح زير منحني ويژگي هاي عامل نسبي (ROC) مورد سنجش قرار گرفت. مدل هاي احتمالاتي و آماري در تلفيق با GIS جهت پتانسيل يابي نواحي با چشمه هاي آب زيرزميني مي تواند مورد توجه طراحان و تصميم گيران طرح هاي توسعه آب زيرزميني و آمايش سرزمين واقع گردد.

The purpose of this study is to produce a groundwater spring potential map based on statistical and probability logistic regression method. The spatial locations of the springs in mountainous Miradeh watershed, Kurdistan province, with 381 Km2 were determined. Based on field and local study and Water Resources Management Company, spatial location of 904 springs in the study area were registered and 304 springs selected randomly as test data set and the remaining 600 spring were used for training the network. Forward stepwise LR was used to analyze the data and to find the most influential factors on spring occurrence that are statistically significant. The accuracy of model evaluates and verified using statistics such as: -2LL, Cox, Snell and Nagelkerke R2. The accuracy of each model to predict was evaluated using calculating the area under the ROC curve values. ArcGIS was used to apply the proposed method and calculate statistical and Probability of spring occurrence potential. This can help planners and engineers in groundwater development plans and land-use planning.