Vairāk

Zonu atrašana ar nodatām ArcGIS 9.3

Zonu atrašana ar nodatām ArcGIS 9.3


Man ir DEM rastrs ar dažām mazām un lielām NoData platībām. Man ir arī rastra definēšanas zonas (zonas sastāv no taisnstūra režģa).

Es vēlos izveidot jaunu rastru, kas atzīmētu zonas, kurās DEM rastra pastāvēšanai ir kādas nodatas vērtības.

Mana sākotnējā pieeja bija izmantot zonālās statistikas rīku, izmantojot jebkuru statistikas veidu (piemēram, maksimālo), un noņemiet atzīmi no opcijas "Ignorēt NoData". Saskaņā ar to, ko es varu izlasīt dokumentācijā, tam vajadzētu dot izejas rastru ar NoData visās zonās, kurās ievades rastrs saturēja visus NoData pikseļus. (Pēc tam es varētu veikt dažas triviālas darbības, lai iegūtu vēlamo gala rezultātu).

Tomēr tas nedarbojas, kā gaidīts. Zonas statistikas rīka izvades rastram ir daži caurumi, taču ir vairākas vietas, kur ievades rastrī noteikti ir NoData un izejā dati.

Tātad, vai ir citas iespējas sasniegt to, ko vēlos? Vai arī esmu nepareizi sapratis, kā man jāizmanto zonālās statistikas rīks?


Veiciet NoData indikatoru režģa zonālo kopsavilkumu, IsNull ([mans DEM]). Šim rādītājam ir 1, ja pastāv NoData, un 0 ir citur. Tādējādi summa, maksimums, diapazons, standarta novirze vai vidējā vērtība, kas pārsniedz nulli, visas raksturos zonas, kurās ir vismaz viena NoData vērtība. Summa patiesībā norāda, cik NoData šūnu ir katrā zonā.


Jūs varētu pārklasificēt (saistīt) NoData uz vērtību un pēc tam manipulēt ar diviem failiem, izmantojot papildu informāciju.


Autobusu maršruti

Karte ārpus līnijas apkopei

  • Lai redzētu bērna uzdevumu un saņemšanas laiku, lūdzu, piesakieties vecāku portālā un noklikšķiniet uz Transports

Pēdējās divās desmitgadēs Forsītijas apgabals ir bijis viens no visstraujāk augošajiem apgabaliem ASV. Šī iemesla dēļ mājas nevajadzētu iegādāties, pamatojoties uz skolu apmeklējuma līnijām. Mēs smagi strādājam, lai nodrošinātu, ka visas mūsu skolas ir izcilas neatkarīgi no tā, kur atrodas jūsu mājas mūsu lieliskajā novadā!


METODES

Šī pētījuma dati tika iegūti no Alabamas studentu aptaujas, ko 2002. gada pavasarī veica Alabamas Garīgās veselības departaments, un no dažiem papildu drukātiem un elektroniskiem resursiem, tostarp ASV tautas skaitīšanas datiem, no Alabamas štata Izglītības departamenta (ALSDE) vietnes (http://www.alsde.edu/html/home.asp) un alkohola tirdzniecības vietu sarakstu no Alabamas Alkoholisko dzērienu kontroles padomes 24. Alabamas studentu aptaujā uz varbūtību balstīta izlase veidoja 92 822 skolēnus no 6. līdz 12. klasei, kopumā apmeklējot 592 Alabamas valsts skolas vidējais respondentu vecums bija 14,5 gadi (SD = 2,0). Katru no 592 skolām ieskauj skolas sateces baseins (SCA), kas ietver dzīvojamos rajonus, no kuriem skolēni tika iecelti skolā. Visbiežāk viena SCA laiku pa laikam aptvēra visus skolas līmeņus, tomēr viena skola pieprasīja vairāk nekā vienu SCA, jo tajā atradās dažādi pakāpes līmeņi un tā apkalpoja lielāku teritoriju vienai vai vairākām pakāpēm. Nepastāvēja pietiekami detalizēts visaptverošs Alabamas skolu sateces baseinu saraksts, tāpēc mēs ieguvām sateces baseinu kartes vai autobusu maršrutu kartes no katras skolas atsevišķi, izņemot gadījumus, kad šādu karšu nepieejamības dēļ mums bija jānovērtē sateces baseina robežas. Mēs pieprasījām sateces baseinu/autobusu maršrutu kartes mūsu studiju un#x02019 kursa sākumā 2008. un 2009. gadā. Tomēr tas bija vēl dažus gadus pēc datu apkopošanas, ko veica Alabamas studentu aptauja, 2002. gadā. Mūsu sateces baseinu/autobusu maršrutu kartes līdz šim datumam no laika, kas stingri neatbilst studentu un#x02019 datu vākšanas periodam. Mēs neticam, ka starpbrīža laikā notikušas būtiskas izmaiņas skolas sateces baseinu sastāvā. Patiešām, sateces baseini bija tik pastāvīgi, ka to dokumentēšana atkārtoti ietvēra skolas apmeklējumu, lai nofotografētu veco karti, kas bija piestiprināta pie skolas sienām vai pat uz tās uzkrāsota.

Izņemot Alabamas valsts skolu ielu adreses no ALSDE tīmekļa vietnes, mēs ģeokodējām skolu baseinus un#x02014, tas ir, ar ģeogrāfisko platuma/garuma koordinātēm uzzīmējām to precīzās atrašanās vietas un#x02014 izmantojot ArcGIS 9.3 ģeogrāfisko informācijas sistēmu (ĢIS) programmatūru 25. ĢIS ir svarīgs rīks, kas ietver programmatūras produktus, kas spēj integrēt ģeogrāfisko informāciju ar vizuālo attēlojumu, modelēšanu un datu analīzi, un kas ļauj datu analīzei vienlaikus pārbaudīt gan parādību “where ”, gan “why ”. Mēs arī izmantojām ĢIS programmatūru, lai noteiktu katru SCA un#x02019 atbilstību vienam vai vairākiem skaitīšanas ierakstiem. Mēs apkopojām individuāla līmeņa datus, lai novērtētu sociālās organizācijas faktorus un studentu vielu lietošanu katrā SCA. Pēc tam mēs saistījām 2000. gada tautas skaitīšanas datus ar katru SCA, lai izmērītu tā strukturālos faktorus. Kopumā mūsu daudzfaktoru datu analīzē tika iekļauti 370 SCA.

Pasākumi. Šim pētījumam mēs izstrādājām 2 iznākuma mainīgos lielumus, 30 dienu alkohola lietošanas rādītāju un 30 dienu marihuānas lietošanas ātrumu. Alabamas studentu aptaujā respondenti tika lūgti ziņot, cik reizes pēdējo 30 dienu laikā viņi ir lietojuši alkoholu (alu, vīnu vai stipros alkoholiskos dzērienus) un marihuānu. Izmantotās atbildes bija (1) 0 reizes, (2) 1 un#x020132 gadījumi, (3) 3 un#x020135 gadījumi, (4) 6 un#x020139 gadījumi, (5) 10 un#x0201319 gadījumi, (6) 20 un#x0201339 gadījumi un (7) vismaz 40 reizes. Lai iegūtu galīgos mērījumus katram respondentam, viņa/viņas rezultāti par katru vielu kategoriju tika summēti. Acīmredzama iznākuma mainīgo sadalījuma sagrozīšana lika mums veikt dabiskos žurnāla pārveidojumus šiem mainīgajiem.

Izstrādājot šos 2 rezultātus kolektīvā līmenī, mums bija jāņem vērā studentu skaits, kas atlasīti katrā SCA. Lai to izdarītu, bija jāveic divi soļi. Pirmkārt, ar HLM6 programmatūru mēs pielāgojām paredzētās 2 individuālā līmeņa vielu lietošanas rezultātu vērtības katram studentam, atspoguļojot parauga lielumu no atbilstošās SCA. Tad, mēs apkopojām rādītājus un aprēķinājām katru SCA vidējo rādītāju par studentu 30 dienu alkohola lietošanu un studentu 30 dienu marihuānas lietošanu.

Mūsu pētījuma neatkarīgie mainīgie ietvēra divus sociālās organizācijas faktorus (skolas aizsargājošā loma, kopienas aizsargājošā loma) un virkni strukturāli nelabvēlīgu mainīgo, kas raksturo nelabvēlīgu iedzīvotāju skaitu, kopienas nestabilitāti un alkohola izplūdes blīvumu. Sociālās organizācijas faktori raksturo skolas vai kopienas kopīgās darbības, lai veicinātu skolēnu prosociālu uzvedību. Izmantojot atsevišķus studentus un#x02019 atbildes uz Alabamas studentu aptaujas jautājumiem, kas norāda uz šīm kolektīvajām darbībām, tika izstrādāti 4 indeksi. Lai novērtētu skolas aizsardzības lomu, skolēniem kopumā tika uzdoti 9 jautājumi, vai viņi piekrīt, ka skolā ir pieejamas sociālās iespējas un atlīdzība, izmantojot klases projektus, grupu lēmumus, ārpusskolas aktivitātes, skolotāju paziņojumus vai uzslavas, kā arī par drošību skolā. Lai novērtētu kopienas aizsargājošo lomu, sākotnēji mēs apkopojām individuālas atbildes, norādot kopumā uz 8 vienībām, studentu vienošanos (vai tās trūkumu), ka pieaugušie bija pieejami sarunai, sporta komandas un sociālie klubi sniedza konstruktīvus veidus, kā pavadīt laiku, un viņu kaimiņi iedrošināja, pamanīja un lepojās ar paveikto un labajām īpašībām. Gan skolas, gan kopienas pasākumos mēs apkopojām studentu individuālos rādītājus par katru indeksu un pēc tam summējām indeksa rādītājus atsevišķi katrai skolai un kopienai katrā SCA. Pēc tam mēs apkopojām un vidēji aprēķinājām šos 2 atsevišķos rādītājus, lai ģenerētu SCA ’s kopējos pasākumus. Individuālā līmenī katrs aizsargājošais mainīgais bija saistīts ar vidējiem līdz augstiem ticamības rādītājiem, alfa rādītāji svārstījās no .62 līdz .82. Kopumā, veidojot 2 sociālās organizācijas vai "aizsargājošās lomas" faktorus, tika izmantoti 17 vienumi, tāpēc, ja runa bija par diviem faktoriem, viena trūkstoša atbilde uz kādu no 17 vienībām bija trūkstoši dati. Gadījumos, kad šādu datu trūka, mēs aizsargājāmies, lai aprakstītu vidējo aizstāšanu. Vidējā aizstāšana ir adekvāta un bieži izmantota metode trūkstošo datu samazināšanai, ja pieejamā informācija nav pietiekama, lai varētu veikt sarežģītāku datu pieskaitīšanu.

Katrai SCA mēs izmērījām šādas strukturālās iezīmes: Āfrikas amerikāņu iedzīvotāju procentuālā daļa 2000. gadā Balto iedzīvotāju īpatsvars 2000. gadā (apgriezti kodēts) sieviešu vecāku ģimeņu (bērnu līdz 18 gadu vecumam) procentuālā daļa 2000. gadā iedzīvotāju daļa, kas dzīvo zem nabadzības līmenis 2000. gadā SCA ’ atrašanās vieta “ Melnā josta ” apgabala procentuālā daļa no 15 un#x02013 18 gadu vecuma 2000. gadā to ģimeņu procentuālā daļa, kas dzīvo vienā un tajā pašā domicilā no 1995. līdz 2000. gadam (apgrieztā kodēšana) iedzīvotāju daļa no 25 gadiem un gados vecākiem cilvēkiem, kuriem ir koledžas grāds 2000 procentos no 25 gadu vecuma iedzīvotājiem, un vecākiem, kuriem 2000. gadā ir vidusskolas diploms. Izpētes faktoru analīze vadīja a) iedzīvotāju nelabvēlīgā stāvokļa faktora un b) kopienas nestabilitātes faktora attīstību, lai mainītu divus faktorus , no šī saraksta mēs izmantojām attiecīgi pirmās 6 un pēdējās 3 strukturālās īpašības. Lokāli, kuros koncentrējas pusaudži, nabadzīgie, afroamerikāņi un mājsaimniecības ar sievietēm, pārstāv sociālos sakarus, kuriem nav lielas piekļuves politiskiem vai sociāliem resursiem, tas noved pie sociāli nelabvēlīgā situācijā esošu iedzīvotāju skaita un augsta noviržu un noziedzības līmeņa šajā vietā 26. Vietās, kur iedzīvotāji ir labi izglītoti un atkārtoti maina adresi, iespējams, būs liels īrnieku īpatsvars un tās veidos samērā nestabilas kopienas 8.

Mēs atkal izmantojām ĢIS paņēmienus ar alkohola tirdzniecības vietu adresēm, kā reģistrējusi Alabamas Alkoholisko dzērienu kontroles padome, lai katram kvadrātkilometram (1 kilometrs 2 = 0,39 jūdzes 2) noteiktu (a) bāru skaitu, (b) mazumtirdzniecību veikalos un c) restorānos, kas piedāvā alkoholiskos dzērienus apmeklētājiem, tika mērīts katra SCA alkohola izplūdes blīvums. Valde mums sniedza visu 2001. un 2003. gadā licencēto alkoholisko dzērienu tirdzniecības vietu un ārpus tām adreses (aptuveni vienlaicīgi ar 2002. gada Alabamas studentu aptaujas administrāciju). Visbeidzot, mēs ieguvām vidēji licencēto tirdzniecības vietu skaitu 2 gadu laikā. Mēs arī ieguvām kopējo ģeokoda likmi 77%, kas nozīmē, ka mēs varējām uzzīmēt vairāk nekā trīs ceturtdaļas no tāfeles norādītajām adresēm. Tik laukos, kā Alabama, šādu vērtību var uzskatīt par diezgan veiksmīgu ģeokodēšanas rezultātu. Gandrīz visas adreses, kuras mēs nevarējām ģeokodēt, atradās attālos apgabalos un, visticamāk, neietilps nevienā skolas sfērā.

Lai izmērītu mūsu pētījumā interesējošās 3 strukturālās konstrukcijas, mēs saskaitījām standartizētus rādītājus par attiecīgajiem pasākumiem, iegūstot vienu punktu par iedzīvotāju nelabvēlīgo situāciju, vienu par sabiedrības nestabilitāti un vienu par 3 mainīgajiem alkohola izmešu lielumiem (bāru, veikalu skaits, restorāni). Alfa mūsu iedzīvotāju nelabvēlīgo situāciju rādītājam bija 0,92 mūsu kopienas nestabilitātes pasākumam bija 0,80 un alkohola izplūdes blīvuma mērim bija 0,92. Gan Alabamas studentu aptaujas datu kopa, gan vairāki šajā pētījumā izmantotie pasākumi tika izmantoti iepriekšējos pētījumos par narkotiku lietošanu un citu likumpārkāpumu uzvedību 22, 27.

Katru SCA un#x02019 pilsētību norādīja iedzīvotāju procentuālā daļa, kas 2000. gadā dzīvoja pilsētas apkaimē. Pamatojoties uz visu SCA vidējo rādītāju �% pilsētu iedzīvotāju un#x02014, mēs sabojājām urbanizācijas mainīgos lielumus a) pilsētas SCA, kur pilsētu skaits pārsniedz 35% b) lauku SCA, kur pilsētu iedzīvotāju skaits nepārsniedz 35%.

Datu analīze

Lai savā modelī iekļautu telpiskās difūzijas procesu, mēs vispirms izmantojām GeoDA telpiskās analīzes programmatūru 28 un ArcGIS, lai izveidotu baseina apgabala telpiskās svara matricu, pamatojoties uz stūra definīciju: a 1 norādīja, ka diviem SCA ir robeža, bet 0 norādīja, ka divi SCA nebija blakus 19. Katram iznākumam mēs izveidojām īpašu nobīdes terminu Wy, kas atspoguļo studentu vielu lietošanas mainīgo vidējo svērto vērtību (30 dienu alkohola lietošanas rādītājs un 30 dienu marihuānas lietošanas rādītājs, katrs koriģēts) blakus esošajiem SCA 29 . Mēs arī aprēķinājām Wx, katra neatkarīgā mainīgā vidējo svērto vērtību, kas izmērīti blakus esošajos SCA. Tālāk mēs izmantojām SPSS un 2 pakāpju mazāko kvadrātu (2SLS) pieeju, lai izstrādātu a telpiskās nobīdes modelis par studentu vielu lietošanu, vienlaikus novērtējot telpisko autoregresīvo parametru, kas raksturo vielu lietošanas rādītājus, un novērtējot, vai uz vidi balstīti faktori (novēroti vai nenovēroti) vienā SCA ietekmēja apkārtējos SCA un#studentu vielu lietošanas rādītājus. Mēs izmantojām 1. posmu, lai novērstu korelāciju starp Wy un vielas lietošanas ātruma mainīgā kļūdas terminu, iekļaujot visus neatkarīgo mainīgo (Wx ’s) telpiskos nobīdes nosacījumus kā instrumentālos mainīgos 30, 31. Otrais posms ietvēra telpiskās nobīdes termina (Wy) iekļaušanu kā vienu neatkarīgu mainīgo koriģēto studentu vielu lietošanas rādītāju galīgajā regresijā, kas tiek veikta atsevišķi lauku un pilsētu SCA.

Tā vietā, lai iekļautu rezultāta telpiskās nobīdes termiņu 2. posmā, mēs izstrādājām otru modeli, kas ietver novēroto neatkarīgo mainīgo telpiskās nobīdes nosacījumus, lai prognozētu studentu vielu lietošanas rezultātus. Šī otrā modeļa analīzei mēs izmantojām regulāras regresijas metodes. Lai gan neatkarīgo mainīgo telpiskās nobīdes nosacījumi bija cieši saistīti ar mūsu neatkarīgajiem mainīgajiem, multikollinearitāte nešķita ārkārtīgi sarežģīta galīgo analīžu laikā (zemākā pielaides vērtība pilsētas SCA analīzēs bija .33 lauku SCA analīzēs, .19 ).

Mūsu pēdējais solis bija diriģēt t-testi, kas salīdzina pilsētas SCA iegūtos koeficientus ar lauku SCA iegūtajiem koeficientiem, lai uzzinātu, vai pilsētu un lauku teritorijas raksturo atšķirīga telpiskā modelēšana. t-tika gaidīts, ka testi palīdzēs mums noskaidrot, vai kaimiņu kopienu īpatnības pusaudžu vielu lietošanas rādītājus lauku kopienās ietekmē atšķirīgi nekā pilsētu kopienās.


Bharat Prashad Bhatt 1 , Kešabs Datt Awasthi 1 , Binod Prasad Heyojoo 1 , Thakur Silwal 1 , Gandhiv Kafle 1 ,

1 Meža departaments, rajona meža birojs, Nuwakot, Nepāla

Anotācija

Nepāla bieži cieš no dažāda veida ūdens izraisītām katastrofām, piemēram, augsnes erozijas, zemes nogruvumiem, gružu plūsmām, plūdiem uc nākotnē, nosakot visneaizsargātākās zonas un lielāko daļu aizsardzības pasākumu un metožu novirzot mērķtiecīgākai teritorijai. Šis pētījums tika veikts Kaski rajona Rupas ūdensšķirtnes apgabalā ar galveno mērķi noteikt zemes nogruvumus izraisošos faktorus un izveidot izpētes teritorijas zemes nogruvumu bīstamības zonējuma karti. Analītiskās hierarhijas process (AHP) un ģeogrāfiskās informācijas sistēma (GIS) tika pilnībā izmantoti zemes nogruvumu bīstamo zonu kartēšanas sagatavošanai. Tika konstatēts, ka galvenie zemes nogruvumu rašanās faktori ir slīpums, aspekts, zemes segums, ceļu klātbūtne un upju un strautu klātbūtne. Starp šiem faktoriem ceļa faktoru klātbūtne būtiski ietekmēja zemes nogruvumu rašanos. Kopumā pētījuma teritorijā tika reģistrēti 13 zemes nogruvumi, un lielākā daļa no tiem bija novēroti Rupakotas ciema attīstības komitejā (VDC). Galīgā izpētes apgabala jutīguma pret zemes nogruvumiem karte var palīdzēt attīstības plānotājiem uzzināt vairāk par šo teritoriju un izplatīt savu attīstības projektu atbilstoši vajadzību bāzes pieejai. Pienācīgs attīstības plāns, pareiza sistēma zemes nogruvumu notikumu uzskaites veikšanai, augsta noslīdējuma jutīgo zonu pārraidīšana, atbilstošas ​​saglabāšanas tehnoloģijas ieviešana, vietējo iedzīvotāju norādījumu sniegšana var palīdzēt samazināt šāda veida dabas katastrofas.

Īsumā: skaitļi

Atslēgvārdi: zemes nogruvums, bīstamība, AHP, ĢIS

Lietišķā ekoloģija un vides zinātnes, 2013 1 (2), 14.-22.lpp.
DOI: 10.12691/aees-1-2-1

Saņemts 2012. gada 18. decembrī Pārskatīts 2013. gada 27. martā Pieņemts 2013. gada 15. aprīlī

Autortiesības © 2013 Zinātnes un izglītības izdevniecība. Visas tiesības aizsargātas.

Citējiet šo rakstu:

  • Bhatt, Bharat Prashad u.c. "Ģeogrāfiskās informācijas sistēmas un analītiskās hierarhijas procesa izmantošana zemes nogruvumu bīstamajā zonā." Lietišķā ekoloģija un vides zinātnes 1.2 (2013): 14-22.
  • Bhatt, B. P., Awasthi, K. D., Heyojoo, B. P., Silwal, T., & Kafle, G. (2013). Ģeogrāfiskās informācijas sistēmas un analītiskās hierarhijas procesa izmantošana zemes nogruvumu apdraudējuma zonā. Lietišķā ekoloģija un vides zinātnes, 1(2), 14-22.
  • Bhatt, Bharat Prashad, Keshab Datt Awasthi, Binod Prasad Heyojoo, Thakur Silwal un Gandhiv Kafle. "Ģeogrāfiskās informācijas sistēmas un analītiskās hierarhijas procesa izmantošana zemes nogruvumu bīstamajā zonā." Lietišķā ekoloģija un vides zinātnes 1, nē. 2 (2013): 14.-22.

1. Ievads

Tagad ir tik daudz metožu un paņēmienu, kā analizēt zemes nogruvumu bīstamības zonējumu. Zemes nogruvumu bīstamības zonējuma analīzes galvenais mērķis ir samazināt zemes slīdēšanas ietekmi, nosakot un klasificējot visneaizsargātākās teritorijas, kuras ir pakļautas lielam riskam. Analītiskās hierarhijas procesu (AHP) Wharton Business School izstrādāja Thomas Saaty 1970. gadu beigās. Tas ir lēmumu pieņemšanas rīks sarežģītu, nestrukturētu un daudzkritēriju lēmumu pieņemšanai. Tas nodrošina elastīgu un viegli saprotamu veidu, kā analizēt sarežģītas problēmas, un ļauj mainīt idejas, kas saistītas ar zemes nogruvumu, un risināt problēmas, izdarot aptuvenus pieņēmumus. Tas arī ļauj lēmumu pieņemšanas procesā iekļaut gan objektīvus, gan subjektīvus apsvērumus [25]. Nesen uz ĢIS balstītām heiristiskām pieejām ir izstrādāti jauni lēmumu atbalsta rīki, tostarp AHP un svērtie lineārās kombinācijas modeļi. Lai gan šīs metodes tiek uzskatītas par daļēji kvantitatīvām [3], tās var efektīvi izmantot vidēja mēroga jutīguma pret zemes nogruvumiem novērtējumiem [10, 28].

Kalnu valstīs neaizsargātība, apdraudējums un risks ir visur, un neaizsargātības novērtēšanai AHP ir ļoti piemērojams pat Nepālas gadījumā. Nepāla ir šāda valsts, kurai raksturīga nelīdzena topogrāfija ar augstu reljefu, sarežģītām ģeoloģiskām iezīmēm, koncentrētiem nokrišņiem un blīvu populāciju. Lielāka valsts daļa ir neaizsargāta pret dabas apdraudējumiem, piemēram, zemestrīcēm, zemes nogruvumiem, gružu plūsmām, plūdiem, sausumu un citām saistītām parādībām. Šos apdraudējumus veicina dažādi fiziogrāfiski, ģeoloģiski, ekoloģiski un meteoroloģiski faktori, turpretī demogrāfiskie faktori, piemēram, straujais iedzīvotāju skaita pieaugums, nepareiza zemes izmantošana, ekonomiskā nepietiekamā attīstība un no tā izrietošā briesmīgā nabadzība un plašā neizpratne par klimata pārmaiņu mazināšanas iespējām un līdzekļiem, to vēl vairāk saasina. 21]. Kalnu sistēmām raksturīgas būtiskas vides īpašību atšķirības strauju un asu augstuma izmaiņu dēļ. Tas noved pie īpašas hidroloģisko procesu dinamikas ar nozīmīgām pozitīvām un negatīvām sekām (augsta ūdens raža lielā nokrišņu daudzuma dēļ, katastrofāli plūdi ar augsnes zudumiem, kā rezultātā upēs rodas lielas nogulšņu slodzes). Neskatoties uz šiem trauslajiem apstākļiem, šādā vidē bieži dzīvo ievērojams skaits nabadzīgu un neaizsargātu cilvēku, kuri veic tipiskas sociālekonomiskās darbības [1].

Zemes nogruvums kļūst par problēmu, ja tas traucē cilvēku dzīvībām, darbībām un īpašumiem. Slīpumu kļūmju biežums un apjoms var palielināties tādu cilvēku darbību dēļ kā mežu izciršana, kultivēšana nenozīmīgās zemēs vai pilsētu paplašināšanās. Šis notikums var izjaukt normālu cilvēka dzīves modeli, un, ja notiek lielāks notikumu apjoms, kopienai ir vajadzīgs ārējs atbalsts, lai atveseļotos. Šīs parādības ir izplatītas Nepālas kalnos [19]. Zemes nogruvumu katastrofu mazināšana var būt veiksmīga tikai tad, ja tiek iegūtas sīkas zināšanas par paredzamo zemes nogruvumu biežumu, raksturu un apjomu. Zemes nogruvumu bīstamības zonējums var būt par pamatu jebkuram zemes nogruvumu katastrofu seku mazināšanas darbam, un tas var nodrošināt plānotājus un lēmumu pieņēmējus ar atbilstošu un saprotamu informāciju. Zemes nogruvumu bīstamības analīze ir sarežģīts uzdevums. Tam nepieciešams liels ievades parametru un analīzes metožu skaits. Process ietver gan izmaksas, gan laiku [23].

2. Studiju apgabals

Rupa ūdensšķirtnes apgabals (1. attēls), kas atrodas Nepālas Kaski rajonā 600 m augstumā. Rupas ezers ir Pokharas ielejas trešais lielākais ezers. Tā ir iegarena no ziemeļiem uz dienvidiem, un galvenā ūdens ieplūde ir no Talbesi strauta, turpretī Dhovan Khola ir padeves straume ar tās izeju Tal Khola pie Sistani ghat, pievienojoties Seti Gandaki. Ezera platība ir 115 ha, un tās noteiktā ūdensšķirtnes robeža ir 22,75 km2. Ūdensšķirtnes apgabals austrumu daļā ir klāts ar jauktu Čilaunes (Schima wallichii) un Katus (Castanopsis indica) mežu, un kalna nogāze uz rietumiem ir daļēji klāta ar veģetāciju un kultivētu zemi. Ziemeļu nogāzes ir privātīpašumā esoša rindu zeme lauksaimniecības kultūrām, un ezera krastā ir atrodama peldoša ūdens veģetācija, zāles un rīsu lauki.

3. Metodika

Šajā pētījumā visai analīzei tika izmantota ArcGIS 9.3 versija, DNR Garmin 5.04.0001versija un GPS (Etrex, Garmin). Kaski rajona topogrāfiskā karte (ar tādiem slāņiem kā zemes seguma karte, nogāžu karte, malu karte, ceļa karte, upes karte utt.), Lapas Nr. 2884-13a, 13b, kas iegūts Nepālas Zemes reformas un pārvaldības ministrijas apsekojumu nodaļā, 1984. gadā un Kaski un Tanahunas apgabalu daļu ģeoloģiskajā kartē (1996), lapas Nr. Analīzei tika izmantots arī 71D/4, kas iegūts no Raktuvju un ģeoloģijas departamenta. Galda studijas pavadīja ar dažādām literatūrām. Pamatojoties uz šīm literatūrām, tika pētīti galvenie zemes nogruvumu izraisīšanas faktori, ko sauc par iedarbinošiem faktoriem, tostarp nokrišņi, zemestrīce, iežu veids, būvdarbi, slīpums, aspekts, upju un strautu klātbūtne, ģeoloģiskā informācija, piemēram, vainas vai grūdiens. Tika veikta provizoriska aptauja, lai ar vietējiem iedzīvotājiem, kā arī rajona Kaski rajona augsnes saglabāšanas biroja (DISCO) darbiniekiem palīdzētu izpētes teritorijā atrast esošos aktīvos zemes nogruvumus.

Pēc esošo zemes nogruvumu noteikšanas tika veikta zemes nogruvumu robežu izpēte, kā arī vienkārša galvenā informanta intervija un zemes nogruvumu morfometriskais pētījums. Katrs zemes nogruvums tika apmeklēts, un robeža tika uzmērīta, izmantojot GPS. Arī morfometriskie dati par katru no tiem tika savākti, izmantojot lauka datu lapu. Zemes nogruvumu morfometriskajos datos ietilpst zemes nogruvumu atrašanās vieta, litoloģiskā uzbūve, veģetācijas segums, zemes izmantošanas veids ap nogruvumu, nogāze, ceļu būve, upju un ūdensceļi, augstums un aspekts. Robežu apsekojumā savāktie dati tika lejupielādēti programmatūrā DNR Garmin un eksportēti uz ArcGIS 9.3, lai sagatavotu digitālo zemes nogruvumu izplatības karti, lai sagatavoto izplatīšanas karti varētu pārklāt ar citām kartēm, lai noteiktu zemes nogruvumu izraisošos faktorus. Lai izpētītu ierosinošos faktorus, kas faktiski bija atbildīgi par zemes nogruvumu rašanos pētījuma zonā, dažādas ģenerējošo faktoru kartes tika sagatavotas, izmantojot ĢIS programmatūru. Dažādas faktoru kartes ietver litoloģijas (iežu tipa) faktoru karti, slīpuma faktoru karti, zemes izmantošanas faktoru karti, kustamo ceļu faktoru karti, upju un strautu faktoru karti un aspektu faktoru karti. Atkal katra karte ir klasificēta vairākās klasēs. Attiecībā uz zemestrīces faktoru karti, jo pētījuma apgabala detalizētu zemestrīces bīstamības karti nevarēja atrast, neskatoties uz to, ka zemestrīce ir viens no ievērojamākajiem izraisītājiem, un to nevarēja ņemt vērā šajā pētījumā. Līdzīgi augsnes dziļumam, augsnes tekstūrai un zemūdens plūsmas koeficienta kartei, tā kā pētījuma laikā nevarēja atrast detalizētu augsnes karti, tie šajā pētījumā netika iekļauti. Aizsprosta būvniecības un ieguves faktoru kartes netika sagatavotas, jo to nebija pētījuma teritorijā. Lauka pētījuma laikā netika pamanīti aizsprosti un mīnas.

Lai izpētītu zemes nogruvumus izraisošos faktorus, tika veikta relāciju analīze. Analīzei, pirmkārt, katras aktivizējošo faktoru karšu konkrētās klases zemes nogruvumu apgabals tika noteikts, izmantojot ArcGIS telpiskā analītiķa zonālās histogrammas funkciju. Pēc tam ar vienkāršu matemātisku aprēķinu tika aprēķināta faktoru klases platības procentuālā daļa, ko sedza zemes nogruvumu apgabals. Tādējādi tika aprēķināti zemes nogruvuma aptvertās platības procenti katrā dažādu faktoru klasē un veikta subjektīva attiecību analīze starp zemes nogruvuma aptvertās platības procentiem un faktoru klasēm. Tādējādi faktiskos ierosinošos faktorus aprēķināja, izmantojot kaut kādu sakarību starp faktoru klasēm un zemes nogruvuma aptvertās platības procentiem, un, ja citādi, šis faktors netika iekļauts. Tādā veidā aprēķinātie iedarbināšanas faktori tika izmantoti turpmākai analīzei. Satty (1980) [20] izstrādāja AHP, lai standartizētu daudzfaktoru lēmumu pieņemšanas procesu. AHP nodrošina hierarhisku struktūru, samazinot vairākus mainīgos lēmumus pāru/pāru salīdzinājumu sērijā, un izstrādā subjektīvas prioritātes, pamatojoties uz lietotāja vērtējumu. Piemērojot AHP, faktori tiek salīdzināti viens ar otru, lai noteiktu katra faktora relatīvo izvēli vispārējā mērķa sasniegšanā. Katram faktoru pārim tiek piešķirtas skaitliskās vērtības, izmantojot vadlīnijas, kas noteiktas Fundamental Satty skalā (1. tabula). AHP detalizēti ietver secīgu darbību veikšanu.

1. tabula. Satty salīdzināšanas skala (Satty 1980)

Lai noteiktu ierosinošo faktoru izvēli, tika izmantota pāru salīdzināšanas metode. Pāru salīdzināšanai faktori, kas iepriekšējā solī tika identificēti kā faktiskie iedarbināšanas faktori, tika sakārtoti matricas veidā, kā parādīts 2. tabulā, un faktori tika subjektīvi salīdzināti viens ar otru, un to izvēle tika izteikta skaitliskās vērtībās blakus esošajās šūnās, ti, faktoru preferences tika kvantificētas. Kad faktoru preferences ir noteiktas, izmantojot pāru salīdzināšanas metodi, pāru salīdzināšanas matricas alternatīvo svaru aprēķināja, izmantojot vidējās aritmētiskās metodes. Izmantojot šo metodi, sākumā tiek apkopotas katra pāru salīdzināšanas matricas kolonnu vērtības. Tad vērtības katrā matricas šūnā tiek dalītas ar tās pašas koeficienta kolonnas summēto vērtību, un visbeidzot, faktoru vidējās vērtības tika iegūtas katrā rindā kā vidējās vērtības katrā rindā. Šīs katras rindas vidējās vērtības bija katra faktora svara vērtības (teiksim “y”). Piemēru var parādīt šādi:

2. tabula. Matrica, kas parāda faktoru pāru salīdzinājumu

Matricā, kur mainīgo a …… z vērtības svārstās no 1 līdz 9 un diagonālā matrica vienmēr satur vērtību 1 (2. tabula), salīdzinājums starp faktoriem vertikālajā kolonnā un faktoriem horizontālajā rindā tika veikta, un faktoru preferences tika reģistrētas attiecīgajās krustojošajās šūnās. Šeit, 2. tabulā, augšējās kreisās šūnas gadījumā, kad koeficientu vertikālajā kolonnā, ti, ceļa veida klātbūtni, salīdzināja ar koeficientu horizontālajā rindā, ti, ceļa tipa klātbūtni, abiem faktoriem ir vienādi priekšroka tāpēc šūnai tika piešķirta skaitliskā vērtība 1, kas nozīmē, ka abi faktori vertikālajā kolonnā, ti, ceļa veida klātbūtne un horizontālā rinda, ti, ceļa tipa klātbūtne, ir vienlīdz vēlami. Līdzīgi augšējās labās šūnas gadījumā, kad koeficientu vertikālajā kolonnā, ti, ceļa klātbūtni, salīdzināja ar koeficientu horizontālajā rindā, ti, zemes segumu, tika uzskatīts, ka ceļa faktora klātbūtne ir ārkārtīgi vēlama salīdzinājumā ar zemes segumu Faktors, tādējādi šūnai tika piešķirta skaitliskā vērtība 9, kas nozīmē, ka koeficients vertikālajā kolonnā, ti, ceļa klātbūtne, bija ārkārtīgi vēlams salīdzinājumā ar koeficientu horizontālajā rindā, ti, zemes segumu. Līdzīgā veidā visas šūnas, pa diagonāli matricas augšējā pusē, tika aizpildītas, bet pārējo pusi aizpildīja to savstarpējie savienojumi. Pēc tam šūnās piešķirtās skaitliskās vērtības tika apkopotas kolonnās un ierakstītas pēdējā rindā kā summa.

3.2. Svara vērtību piešķiršana katrai faktoru klasei

Svara vērtības tika piešķirtas katrai faktoru klasei, pamatojoties uz procentuālo platību, ko aptvēra zemes nogruvums. Visām dažādu faktoru klasēm tika dotas vērtības no 0 līdz 100 (teiksim “m” vērtības). Šim nolūkam, pirmkārt, tika noteikti zemes nogruvuma apgabala platības procenti katrā dažādu faktoru klasē. Tad katra faktora klasei, kurai bija maksimālais zemes nogruvuma apgabala procentuālais daudzums, tika piešķirta maksimālā vērtība, ti, 100, un klasei, kuras minimālais platības procents, ko sedz zemes nogruvums, tika piešķirta minimālā vērtība, ti, 0, un pēc tam citām klasēm ar zemes platību procentuālajai daļai, ko sedz zemes nogruvums, starp tām tika dotas starpposma vērtības proporcionāli.

3.3. Pētījuma zonas zonējums

Pēc svara vērtību piešķiršanas visām dažādu iedarbinošo faktoru klasēm, ti, faktoru klašu svara vērtībām (m) un svara vērtībām faktoriem, ti, faktoru svara vērtībām (Y), kumulatīvā svara vērtība (ti, uzņēmības koeficients) katram režģim tika aprēķināts, izmantojot Esmali (2003) izstrādāto LHZ modeli:

M = kumulatīvā svara vērtība = uzņēmības koeficients

X1, X2,… = “m” vērtības, kas saistītas ar sprūda faktoriem x1, x2,… un

Y1, Y2,… = svara vērtības, kas saistītas ar x1, x2,… faktoriem

Tādējādi aprēķinātās “M” vērtības svārstās no 0 līdz 100. Jo zemāka ir “M” vērtība, jo zemāka ir uzņēmība un augstāka vērtība, jo lielāka ir jutība pret zemes nogruvumiem. Tādējādi pētījuma zonas zonēšanai tas tika klasificēts 5 relatīvās bīstamības klasēs, ti, ļoti zems, zems, vidējs, augsts un ļoti augsts, izmantojot nevienlīdzīgu intervālu klasifikācijas metodi. Visbeidzot, pabeidzot visas iepriekš minētās darbības, izmantojot AHP metodi, tika sagatavota pētījuma teritorijas zemes nogruvumu bīstamās zonas (LHZ) karte.

Kad LHZ karte tika sagatavota, lai labāk izprastu un interpretētu LHZ karti, karte tika tālāk analizēta, izmantojot Zonālās histogrammas funkciju ArcView telpiskajā analizatorā, un tika aprēķināts dažādu aktivizējošo faktoru dažādu klašu jutīguma stāvoklis.

3.4. AHP piemērojamības novērtējums zemes nogruvumu apdraudējuma zonā

The Zonal Histogram Function in the ArcGIS Spatial Analyst was used again to determine the percentages of area in each hazard class covered by the landslide area. Finally, these percentages of area covered by the landslide area were taken as the basis of the evaluation.

4. Data

From the field survey, a total of 13 landslides were investigated in different location of the study area. The overall landslide density in the study area was found to be 0.571/km 2 (landslide density= total number of landslide located within the study area/ total area of the watershed boundary). The overall study area was 22.75km 2 and the area covered by landslides is 4467m 2 . The final landslide distribution map prepared by combining topographic map of the study area and the GPS points collected during the field study is shown in the Figure 2. It can be seen from the Figure 2 that most of the landslides were found in the Rupakot VDC and only one was found in the Hanspur VDC. Some landslides were also found in Lekhnath municipality as well. The largest of the landslides was found in Rupakot VDC, the area of which is 1452m 2 .

4.2. Factors Triggering on Landslide Occurrence

The factors actually responsible for the landslide occurrence were calculated by the relational analysis as slope, aspect, landcover, distance from river and stream and distance from road. Despite being the important factors, the rainfall and geology factors were excluded in this study. For rainfall factor, the average daily rainfall of the whole Kaski district is more of less same and there were no network of weather stations installed in the study area so triggering effect of the rainfall factor was assumed to be uniform throughout the study area. Owing to this fact, the rainfall factor was not considered during the landslide hazard zonation factor computation. For geology factor, the study area has only the geological factors like alluvial deposits and kuncha formation but not the faults and thrusts. While doing the relational analysis between the factors, no correlation was found. Hence, the geology factor was also not considered for the further analysis in spite of being one of the prominent factors triggering the landslide. The area of each of the factor is shown in Table 3.

Table 3. Area of Each Factor Class Covered by the Landslide in Percentage

The slope class, 5-300 covered the higher percentage of area covered by landslide compared to the slope class < 5o (Table 3), Reasonably, this might be due to fact that most of the study area (almost 85%) lies within this slope category where there is the dominant of weathered rock which makes the area more susceptible to land sliding.

West facing slopes (Figure 4) covered the higher percentage of landslide area while south facing slopes covered the lowest percentage of landslide area. The cumulative effect of land cover made the west facing slopes susceptible for landslide. Again due to more settlements and presence of motorable road in the west facing slopes, there were more landslides in the western slopes.

The distance from road classes (Figure 5) closer to the road covered the higher percentage of landslide area while the classes far from the road had lowest percentage of landslide i.e. the relation is in inversely proportional to the distance from the road. This might be because the presence of road triggers landslide mainly due to the undercutting of the slope and when the area is far from the road, the tremors caused by the vehicle goes on decreasing.

4.2.4. River/Stream Factor

The class closer to river/stream (Figure 6) covered the higher percentage of landslide. Water in the streams/river that increases in the rainy season cuts deep in the side of the river/stream banks and makes it hazardous. Also if the stream bed is full, it takes another course and undercuts base of the slope. The water that is driven from the stream/river for the irrigation if taken in an improper way can further deteriorate the condition and makes the land more prone to landslides.

Land cover indicates indirectly that slopes are stabilized, barren, and sparsely vegetated areas exhibit faster erosion and greater instabilities than forests [24, 17, 8, 6] . In land cover category (Figure 7), cultivated land covered the higher percentage of landslide event in the study area followed by forest lands. Because vegetation plays important role for curbing the landslide, forest land was found comparatively less susceptible to erosion hazard. Clearing forest sites for cultivation and an improper way of farming technique plays important roles in triggering landslides. The category “others” in Figure 7 denotes sand, gravel and boulders.

The preferences and weight values of the triggering factors determined by the couple comparison method are shown in Table 4:

Table 4. Matrix Showing The Couple Comparison Of The Factors

For the computation of the mean in Table 5, the values in each cell in Table 4, were firstly divided by their corresponding column sum and then results were recorded in the corresponding cells of Table 6. Finally, the mean values for each factor were calculated row-wise. These row wise means represent the factor weight value. Therefore, the priority of each factors based on the earned weight values was as shown in the last column of Table 5.

Table 5. Arithmetic Mean Method for Calculating the Factor Weight Values

The weight values of the different factor classes were determined based on the percentages of area of each class of different factors covered by the landslide area. In presence of road factor, the higher percentage of area of factor class 150-200 was covered by the landslide area thus it was given highest factor class weight value i.e. 100, which when multiplied with the factor weight gave the actual weight value of 51.86 as shown in Table 7, whereas the lowest percentage of area of factor classes 200-250 and 250-300 was covered by the landslide area thus it was given the lowest factor class weight value i.e. 0, which on multiplication with the factor weight yielded the actual weight value of 0. Similarly, the weight values of the other factor classes were also determined and the details are presented in Table 6.

Table 6. Details of the Determination of the Weight Values of the 5 Factors Classes

6. Result and Discussion

In this study, basically five factors were found to be actually responsible for the landslide occurrence. Generally we believe that as the degree in slope increases, the landslide density also increases but in this study there was no any landslide in the slope category of more than 30 degree and from this study, I found that the steep inclination does not necessarily means high occurrence of landslides. The study carried out by Ladas et al. (2007) [12] , had also demonstrated the similar type of results. This may be due to having good vegetation cover, stable land and rocky outcrop in the study area. This is also due to the fact that slopes made of semi-consolidated and weathered rocks cannot be so steep. Such slopes are mainly developed in areas comprising of resistant massive carbonate rocks which are mainly subjected to rock fall hazard. In this study most of the landslide density was found in slope category of 5-30 degree which supports the findings of Maharjan, (2006) [15] . The similar result also supported by the findings of Shrestha et al. 2003 [22] , that at higher slope gradient i.e. slope > 10% or 5.710, the susceptibility of the land to mass movement increases.

While talking about the aspect factor, the western faces aspect had higher percentage of landslides which also supports the finding of Yalcin et al. (2007) [26] . Some of the meteorological events such as the direction of the rain, amount of sunshine, the morphologic structure of the area, the direction of the aspect towards a river and roads make the area susceptible to landslides. The hillsides receiving dense rainfall reach saturation faster, this is related to filtering capacity controlled by some parameters such as topographic slope, type of soil, permeability, porosity, humidity, the organic ingredients, land cover, and the season of the rain. As a result, pore water pressure on these hillsides increases and landslide also increases.

The distance from the road was also the important parameter of this study. Most of landslides were seen to proximity of the road. The high occurrence of landslides along the roads might be due to the effect of rainfall in softening the soil bed of unpaved roads, artificial excavation of lands at steep slopes for construction and maintenance of secondary roads and the passage of secondary roads through cultivated lands. The similar type of result was also shown in the study carried out by Akbar et al. (2011) [2] . Bagherzadeh Ali and Reza Mohammad (2012) [4] , have clearly indicated in their study that the area closer to road area more susceptible to landslides where the activity of road construction substantially increased the instability of the land. Again Ayalew and Yamagishi (2005) [3] also have manifested the similar type of results and have taken the road construction as one of the important parameter or factor for landslide triggering. Moradi et al. (2012) [16] showed in their results that the distance closer to road is more susceptible to landslide. They indicated that roads change the nature of topography and decrease the shear strength of toe of slope and cause the tensile stress. Naturally, slope may be stable, but after road construction, road can have undesirable effect on slope. The road causes infiltrating of water in slopes and enforces extra stresses due to traffic loads. Similar to the effect of the distance to road, landslides may occur on the side of the slopes affected by river and stream. Rivers and streams at the study area may adversely affect stability by eroding the slopes or by saturating the lower part of the material until resulting in water level increases. Bagherzadeh Ali and Reza Mohammad (2012) [4] also have demonstrated that the area closer to the river and stream has high level of landslide susceptibility. Moradi et al. (2012) [16] indicated that the closeness of the slope to streams/rivers may adversely affect stability of slopes. River and stream increase the potential of landslide by erosion of the slope and increasing the degree of saturation of materials of slope. Dai F.C. and Lee C.F. (2002) [7] also have demonstrated that the landslides in river banks are often due to loss of land cover, steep slope topographic, and erosions. Yalcin et al. (2007) [26] again demonstrated the similar type of result in which they have indicated that most of the landslide density was observed within the class interval of 0-50m and as the distance increases, the landslide density also significantly decreases. These all above mentioned findings supports my finding as well.

The effect of land cover on slope stability has been studied since 1960s. Generally, land cover has effect on strength of slope materials against sliding and control of water content of slope. In addition, plant roots reinforce the slope and normally are considered as reinforcements. Land cover absorbs the water of soil and decreases the potential of landslide. In studies performed by Komac (2006) [11] and Leventhal (2008) [14] , this parameter has been considered as one of the most important factors in preparing landslide susceptibility maps. In this study, an increased landslide density is observed in cultivated land that is scattered between the patches of forest areas.

Although most of the landslides affect areas with broad-leaved forest, the tree-less areas cause higher predispositions for landslides. According to other studies on the effects of vegetation on slope stability [5, 18] , it can be assumed that the strong and large root system of broadleaved forest helps to improve stability of slopes in the study area.


Interfacing the geographic information system, remote sensing, and the soil conservation service–curve number method to estimate curve number and runoff volume in the Asir region of Saudi Arabia

Runoff coefficients are widely used as a diagnostic variable of runoff generation in process studies and as an important input parameter in hydrologic design. Many regions of Saudi Arabia do not have sufficient historical records and the detailed runoff information needed for physically based distribution models. The US Department of Agriculture, Natural Resources Conservation Service Curve Number (USDA-NRCS-CN) method was used in this study for determining the curve number and runoff depth for Asir region, Saudi Arabia. Runoff curve number was determined based on the factors of hydrologic soil group, land use and land cover, and slope gradient in the Asir region of Saudi Arabia using the geographic information system (GIS). The region was not subjected before for any previous studies concerning runoff generation or rainwater harvesting by using GIS and remote sensing. ArcGIS 9.3 and the global positioning system were used to develop the soil map on the basis of samples collected during a field survey. Soil textures were identified and used to build a map of the hydrological soil groups. Unsupervised and supervised classification of Landsat images was used to generate land use and land cover maps. The land cover distribution in the study area revealed that the largest class in the area, barren and sparsely vegetated land, occupied 62,832.38 km 2 of the study area (more than 80 % of the total area), followed by shrubland (15,212.66 km 2 ), cropland and pasture (52.34 km 2 ), mixed shrubland/grassland (40.89 km 2 ), and grassland (12.27 km 2 ). Built-up land occupied only 11.45 km 2 . The slope map for the Asir region was generated from a 15-m digital elevation model. The GIS technique was used to develop the CN for the region based on the Soil Conservation Service method. The annual runoff depth was derived from the annual rainfall and CN per pixel using the raster calculator tool in ArcGIS. The rainfall distribution in the study area showed the wise identification of suitable sites for rainwater harvesting, as most of the constructed dams were located in the areas with higher rainfall. The analysis also revealed that the annual runoff for the study area ranged from 27 to 69 % of the total rainfall, with variation as low as 80 to 300 mm/year. This is the highest amount of runoff that can be generated in Saudi Arabia. The runoff volume was calculated for the entire region using the previously developed runoff depth map and basin areas. The results showed that the runoff volume (M3) in the Asir region varied from as low as 237,000 m 3 to a maximum of 2,140,000 m 3 this result revealed a significant yearly amount of runoff that can be harvested for any use. Moreover, the calculated runoff depth in the area agreed with the actual dam capacities for the existing dams in the Asir region. This approach can be applied in other regions in Saudi Arabia for rainwater harvesting and groundwater recharge.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Ievads

To be effective, applications dealing with spatial information need to abstract away from unnecessary subtleties, focusing exclusively on those aspects of physical space that are relevant in the given context. In domains such as artificial intelligence (AI) and spatial cognition, for instance, there is a large interest in qualitative approaches to describing space [7], [19], [21], [30], [56], [59]. Spatial configurations are then typically reduced to a number of qualitative relations, of a given type, which are known to hold between a given set of regions (e.g. region A is known to be contained in region B, or is known to be adjacent with B). As an example, Fig. 1(a) depicts a spatial configuration involving three regions A, B un C. One of the typical AI approaches is to model only topological relations that hold between these regions, because only topological information is relevant, or more likely, because only topological information is available. As shown in Fig. 1(b), these topological relations can be summarized in a graph, where nodes correspond to regions, and edges to topological relations. Topological relations are usually modeled in either the 9-intersection model [15] or in the conceptually similar region connection calculus (RCC [56]). In Fig. 1(b) and throughout this paper, the notations of the latter framework are used. Their intuitive meaning is illustrated in Fig. 2. Other types of qualitative spatial relations that play an important role in AI include direction [19], distance [7], and size [23] relations. A graph of topological relations can be seen as an instance of a constraint satisfaction problem (CSP), where the number of constraints is finite, but the domains of the variables, which could be instantiated by arbitrary polygons, 1 are infinite. Typical reasoning tasks of interest consist of checking whether a certain set of topological relations is consistent (or satisfiable), i.e. if there can actually exist polygons such that the given topological relations are all satisfied [59], [58], [14].

On the other hand, in the context of geographic information systems (GIS) or computer vision, quantitative information tends to play a more central role. In the case of GIS, for instance, the focus tends to be more on efficiently answering queries against large spatial databases than on reasoning about incomplete descriptions. Another important issue in GIS systems is the integration of spatial information of different resolutions [13]. To speed up computation (or because rich boundaries are not available), the exact boundaries of regions are often reduced to simpler representations. For example, a typical GIS approach is to simplify all boundaries to minimal bounding boxes (MBBs). In this case, depicted in Fig. 1(c), every region is represented by the smallest rectangle encompassing the region, whose sides are parallel to the axes. Note that special care needs to be taken when modeling spatial relations between regions by comparing their MBBs [12]. Another popular alternative is to model each region as a single point, called a centroid (Fig. 1(d)).

In all these application domains, different assumptions are made on what spatial information is available (qualitative/quantitative, accurate/approximate, certain/probabilistic, crisp/fuzzy, etc.), and on what the behavior of a spatial information processing module should be (proving the consistency of spatial constraints, efficiently addressing spatial queries, generating approximate spatial models from incomplete or uncertain data, etc.). As a result, existing techniques for manipulating spatial information tend to deal exclusively with one type of information, e.g. only topological relations, only minimal bounding boxes, only points (centroids), etc. Consistency checking procedures for topological relations, for instance, cannot cope with quantitative spatial information. Nonetheless, given only the minimal bounding boxes of regions A, B un C from Fig. 1(c), it may be of interest to certain applications to know what topological relations can hold between A, B un C piem. is it still possible that TPP(A, C) un DC(B, C) both hold? Moreover, consistency checking is often not sufficient, as we may be interested in obtaining visualizable spatial configurations (e.g. by constructing actual polygons). Similarly, in the GIS field, a number of techniques have been studied to generate polygons from incomplete quantitative information (e.g. sets of points that are known to lie in certain regions), but these techniques cannot deal with additional qualitative information (e.g. topological relations that are known to hold), or additional quantitative information of a different type (e.g. bounding boxes that are available for some regions).

In general, two fundamentally different approaches may be considered in the face of heterogeneous spatial information. First, techniques may be developed that derive useful conclusions by combining pieces of information from different data sets, each of which may have different characteristics. Despite that completeness of the resulting algorithms is difficult to guarantee, in many application scenarios this approach delivers satisfactory results, and may moreover be implemented efficiently, allowing on-line querying of available data. This solution has been proven particularly useful in classical GIS settings, where integrating information from different sources easily leads to problems, e.g. due to the use of different resolutions [3], and where care should be taken when quantitative descriptions are incomplete [2]. The second approach consists of constructing quantitative representations at a fixed resolution that are as compatible as possible with all available information. This is the methodology that we follow in this paper, its advantage being that once the quantitative representations have been obtained, spatial data may be queried as if complete, consistent, quantitative information were available, making it possible, for instance, to visualize information that was initially partially qualitative or otherwise incomplete. On the other hand, obtaining suitable quantitative representations may be time-consuming, requiring this step to be performed off-line. More fundamentally, the resulting quantitative representations are only approximations, without any guarantees on accuracy. Since these drawbacks are effectively problematic for many standard GIS scenarios, this second method has only received very limited attention thus far. Nonetheless, it is the second method which seems most useful for tasks such as geographic information retrieval (GIR [32]). Indeed, by their very nature, information retrieval systems operate using a best effort principle: while search engines provide no guarantees that the returned search results are relevant, they attempt to find the most relevant ones, given available information. In the same way, in geographical information retrieval, we may attempt to find boundaries for a certain geographic region which are as meaningful as possible, allowing us to find meaningful results even when available geographic information is scarce.

The main goal of GIR systems is to spatially enable search engines, allowing them to understand the meaning of geographic search terms and constraints. We may be interested, for instance, in finding information about hotels in London’s Bloomsbury neighborhood, in blog posts about the US elections by people from Western Europe, or in pictures of the Honkonga skyline. As the total number of queries involving place names is substantial – a survey of the 2004 Excite search engine query logs revealed that 15% of all queries contained place names [63] – proper treatment of geographic information in search engines is paramount. One problem with traditional, text-based search engines is that place names tend to be highly ambiguous. For example, dozens of places in the US are called Springfield, hence a mechanism is needed to discover if an occurrence of Springfield in a document corresponds to the same place as an occurrence of Springfield in a query [49]. A second problem is related to the variety of ways places can typically be referred to. For example, a text-based search engine cannot straightforwardly deduce that a document about Oxford Street might be relevant to a user interested in shopping in London. Despite that there is a growing interest in GIR, and in spatially aware technologies in general (e.g. Google Earth 2 or Microsoft Maps Live 3 ), most existing work focuses on certain subproblems looking at one type of spatial information only. In particular, due to the lack of better tools, existing approaches to GIR treat available qualitative information more or less independently from available quantitative information, although certain hybrid representational frameworks are beginning to emerge [71], [76], [27]. Using the technique introduced below, available spatial information can be more tightly integrated, paving the way for better performing GIR systems.

The aim of this paper is to introduce a sufficiently general technique for generating appropriate polygons from heterogeneous spatial information, often involving a mixture of qualitative and quantitative information. This problem can be cast into a combinatorial search problem by treating the available spatial information as constraints on allowed instantiations (polygons) of variables (regions), and by appropriately discretizing the real plane. Specifically, we propose an approximate algorithm for spatial information processing, based on a combination of two types of evolutionary algorithms: genetic algorithms (GA, [29]) and ant colony optimization (ACO, [10]). The genetic algorithm is used to find an optimal ordering by which variables (i.e. regions) and spatial relations should be processed. In each generation, a spatial scenario is generated for each chromosome, whose quality is evaluated in terms of the number of spatial constraints that it satisfies. This evaluation is not only used to define the fitness of the chromosomes, it is also used by an ACO algorithm to favor, in future generations, spatial configurations which are similar to high-quality scenarios that were found earlier.

The structure of this paper is as follows. In the next section, we review existing work on spatial information processing in more detail. Next, in Section 3, we show how the problem of manipulating heterogeneous spatial information can be translated to a combinatorial search problem, and we introduce a naive baseline algorithm. Subsequently, Section 4 discusses how this baseline algorithm can be improved by using a genetic algorithm. In Section 5, we present a further improvement based on ant colony optimization. An experimental validation of our techniques on real-world geographic data is presented in Section 6. Finally, Section 7 presents our conclusions.


Using geographical information systems to assess groundwater contamination from arsenic and related diseases based on survey data in Lahore, Pakistan

The present study was aimed at assessing the groundwater contamination from arsenic (As) and its impact on health from survey data in Lahore, Pakistan. OK (ordinary kriging) technique was used to create As and pH surfaces for samples from 380 groundwater wells at different locations and depths in the study area. Geographic information systems (GIS) was applied to delineate areas for safe, risk, and dangerous zones of As in drinking water from groundwater wells at 640 to 850 ft depths. To analyze effects of high As on public health, GIS-based field surveys were conducted to link health data along location of respondents to As contamination levels in the delineated safe, risk, and dangerous zones. Moreover, various pH levels and their effectiveness were studied to suggest cost-effective As treatment in the study area. Our results show that As contaminated strata varies with depth of groundwater wells, i.e., 44.50% areas comprising safe zone of drinking water from deep wells at 850 ft depth compared to 26% areas of shallow water at 640 ft depth. About 35% area with pH range (7 to 7.5) is marked in the risk and danger zones of As that can be initially targeted for treatment. Surveys confirm that people living in the risk and danger zones have some kind of As-related diseases.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Anotācija

The objective of this study is to develop a methodology for determining areas in which there is a distinct probability of the presence of illegal landfills. This methodology is developed in three stages: (a) the application of factor analysis (FA) to identify relevant geographical factors (factor model) (b) the construction of a geostatistical model to calculate spatial patterns based on the identified factors and (c) the integration of the geostatistical model into a geographic information system (GIS) to determine and locate the illegal landfill sites (spatial model).

This methodology has proven to be valid because it confirmed that a verified population of illegal landfills (518) is not randomly distributed instead, most of the illegal landfills (63.6%) are found in the areas of highest probability (over 36%). Additionally, the study confirmed that the application of this methodology (FA and GIS) provides adequate results at the regional and local level.

The described method may also be applied to other spatial environments, as long as the necessary thematic and spatial data are available (although results would vary according to demographic, socioeconomic, geomorphological, and environmental management characteristics).

Finally, the benefit of this methodology lies in the fulfilment of two necessary and sufficient demands. (a) The model does not arbitrarily include variables related to the probability of the presence of illegal landfills and considers those variables that have been shown via FA. (b) The variables included in the spatial model are not considered to have the same importance.

Thus, the integration of FA and GIS offers an alternative tool to the application of multi-criteria evaluation as this approach determines the criteria and their relative weights based on substantiated and non-aprioristic indications. Moreover, the methodology used in this study enables the creation of models because the GIS makes an excellent platform for the development, application, and validation of these models.


Atsauces

Adger WN, Hughes TP, Folke C, Carpenter SR, Rockström J (2005) Social–ecological resilience to coastal disasters. Science 309:1036–1039

Allison I, Alley RB, Fricker HA, Thomas RH, Warner RC (2009) Ice sheet mass balance and sea level. Antarct Sci 21(5):413–426

Anthoff D, Nicholls RJ, Tol RSJ (2010) The economic impact of substantial sea-level rise. Mitig Adapt Strateg Glob Chang 15:321–335

ASTER Validation Team (2009) ASTER global DEM validation summary report. Published by the ASTER GDEM Validation Team: METI, NASA and USGS in cooperation with NGA and other collaborators. June 2009, 28 pages. https://lpdaac.usgs.gov 523. Cited March 2013

Aven T, Renn O (2010) Risk management and governance. Concepts, guidelines and applications. Springer, Heidelberg

Ayyub BM, Kearney M (2011) Towards the development of regional risk profiles and adaptation measures for sea level rise. J Risk Anal Crisis Response 1(1):75–89

Balk D, Yetman G (2004) The global distribution of population: evaluating the gains in resolution refinement. http://sedac.ciesin.columbia.edu/gpw/documentation.jsp. Cited May 2012

Bhaduri B, Bright E, Coleman P, Urban M (2007) LandScan USA: a high-resolution geospatial and temporal modeling approach for population distribution and dynamics. GeoJournal 69:103–117

Cai F, Du Y, Wang M (2009) Migration and labor mobility in China. Human Development Research Paper (HDRP) Series 09-09

Chan KW (2004) Internal migration. In: Hsieh C-M, Lu M (eds) Changing China: a geographic appraisal. Westview, Oxford, pp 229–242

Chen S, Uitto JI (2003) Governing marine and coastal environment in China: building local government capacity through international cooperation. In: Turner JL (ed) China environment series (issue 6). Environmental health perspectives, pp 67–80. http://www.wilsoncenter.org/publication-series/china-environment-series-6-2003 Cited May 2012

CIESIN (Center for International Earth Science Information Network) (2005) Gridded population of the world version 3 (GPWv3). Socioeconomic Data and Applications Center (SEDAC), Columbia University, Palisades, http://sedac.ciesin.columbia.edu/gpw. Cited May 2012

Dai S, Yang S, Gao A, Liu Z, Li P, Li M (2007) Trend of sediment flux of main rivers in China in the past 50 years. J Sediment Res 2:49–58, In Chinese with English abstract

Dasgupta S, Laplante B, Meisner C, Wheeler D, Yan J (2009) The impact of sea level rise on developing countries: a comparative analysis. Clim Chang 93:379–388

Dasgupta S, Laplante B, Murray S, Wheeler D (2011) Exposure of developing countries to sea-level rise and storm surges. Clim Chang 106:567–579

Dobson JE, Bright EA, Coleman PR, Durfee RC, Worley BA (2000) A global population database for estimating populations at risk. Photogramm Eng Remote Sens 66(7):849–857

Elsner JB, Kossin JP, Jagger TH (2008) The increasing intensity of the strongest tropical cyclones. Nature 455:92–95

Farr TG, Rosen PA, Caro E, Crippen R, Duren R, Hensley S, Kobrick M, Paller M, Rodriguez E, Roth L, Seal D, Shaffer S, Shimada J, Umland J, Werner M, Oskin M, Burbank D, Alsdorf D (2007) The Shuttle Radar Topography Mission. Rev Geophys 45, RG2004. doi:10.1029/2005RG000183

Finkl CW (ed) (2013) Coastal hazards. Coastal Research Library 6. Springer, Dordrecht

Han C (2008) The evolution of the arrangement for the regional economic development since the open-up and reform—from the perspective of the five-year plan. J Kunming Univ Sci Technol Soc Sci Ed 8(10):39–43, In Chinese with English abstract

Hirt C, Filmer MS, Featherstone WE (2010) Comparison and validation of the recent freely available ASTER GDEM ver1, SRTM ver4.1 and GEODATA DEM-9S ver3 digital elevation models over Australia. Aust J Earth Sci 50:337–347

Huang Y (2011) Chapter 10, urban development in contemporary China. In: Veeck G, Pannell CW, Smith CJ (eds) China’s geography: globalization and the dynamics of political, economic and social change. Roman & Littlefield Publishers, Boulder, pp 233–262

IPCC (2012) Managing the risks of extreme events and disasters to advance climate change adaptation. A special report of Working Groups I and II of the Intergovernmental Panel on Climate Change. In: Field CB, Barros V, Stocker TF, Qin D, Dokken DJ, Ebi KL, Mastrandrea MD, Mach KJ, Plattner G-K, Allen SK, Tignor M, Midgley PM (eds). Cambridge University Press, Kembridža

Kebede AS, Nicholls RJ (2011) Exposure and vulnerability to climate extremes: population and asset exposure to coastal flooding in Dares Salaam, Tanzania. Reg Environ Chang. doi:10.1007/s10113-011-0239-4

Li X (2010) A preliminary analysis on the coordinated development theory and practice of China’s regional economy. Mod Bus 18:58–60, In Chinese

Lichter M, Vafeidis AT, Nicholls RJ, Kaiser G (2011) Exploring data-related uncertainties in analyses of land area and population in the ‘Low-Elevation Coastal Zone’ (LECZ). J Coast Res 27:757–768

Liu J, Zhang Z, Xu X, Kuang W, Zhou W, Zhang S, Li R, Yan C, Yu D, Wu S, Jiang N (2009) Spatial patterns and driving forces of land use change in China in the Early 21st Century. Acta Geograph Sin 4(12):1411–1420, In Chinese

McGranahan G, Balk D, Anderson B (2007) The rising tide: assessing the risks of climate change and human settlements in low elevation coastal zones. Environ Urban 19(1):17–37

Meehl GA, Stocker TF, Collins WD, Friedlingstein P, Gaye AT, Gregory JM, Kitoh A, Knutti R, Murphy JM, Noda A, Raper SCB, Watterson IG, Weaver AJ, Zhao Z-C (2007) Global climate projections. In: Solomon S, Qin D, Manning M, Chen Z, Marquis M, Averyt KB, Tignor M, Miller HL (eds) Climate change 2007: the physical science basis. Contribution of Working Group I to the fourth assessment report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, pp 747–845

Nature Geoscience Editorial (2009) Adjustable adaption. Nat Geosci 2:447

Newton A, Carruthers TJB, Icely J (2012) The coastal syndromes and hotspots on the coast. Estuarine Coastal Shelf Sci 96:39–47

Nicholls RJ, Czenave A (2010) Sea-level rise and its impact on coastal zones. Science 328:1517–1520

Nicholls RJ, Wong PP, Burkett VR, Codignotto JO, Hay JE, McLean RF, Ragoonaden S, Woodroffe CD (2007) Coastal systems and low-lying areas. In: Parry ML, Canziani OF, Palutikof JP, van der Linden PJ, Hanson CE (eds) Klimata pārmaiņas 2007: ietekme, pielāgošanās un ievainojamība. Contribution of Working Group II to the fourth assessment report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, pp 315–356

Nicholls RJ, Wong PP, Burkett V, Woodroffe CD, Hay J (2008a) Climate change and coastal vulnerability assessment: scenarios for integrated assessment. Sustain Sci 3:89–102

Nicholls RJ, Hanson S, Herweijer C, Patmore N, Hallegatte S, Corfee-Morlot J, Château J, Muir-Wood R (2008b) Ranking port cities with high exposure and vulnerability to climate extremes: exposure estimates. OECD Environment Working Papers, No. 1, OECD Publishing, pp 1–62

O’Brien K, Sygna L, Leichenko R, Adger WN, Barnett J, Mitchell T, Schipper L, Tanner T, Vogel C, Mortreux C (2008) Disaster risk reduction, climate change adaptation and human security. Report prepared for the Royal Norwegian Ministry of Foreign Affairs by the Global Environmental Change and Human Security (GECHS) Project, GECHS Report 2008: 3

ORNL (Oak Ridge National Laboratory) (2013) LandScan document. http://www.ornl.gov/sci/landscan/landscan_documentation.shtml. Cited March 2013

Pfeffer WT, Harper JT, O’Neel S (2008) Kinematic constraints on glacier contributions to 21st-century sea-level rise. Science 321:1340–1343

Rahmstorf S (2010) A new view on sea level rise. Nat Rep Clim Chang 4:44–45

Ramieri E, Hartley A, Barbanti A, Santos FD, Gomes A, Hilden M, Laihonen P, Marinova N, Santini M (2011) Methods for assessing coastal vulnerability to climate change. ETC. CCA background paper. Copenhagen (DK), 8–9 June, 2011. European Environment Agency

Renn O (2008) Risk governance. Coping with uncertainty in a complex world. Earthscan, London

Rignot E, Bamber J, van den Broeke MR, Davis C, Li Y, van de Berg WJ, van Meijgaard E (2008) Recent Antarctic ice mass loss from radar interferometry and regional climate modeling. Nat Geosci 1:106–110

Rignot E, Velicogna I, van den Broeke MR, Monaghan A, Lenaerts JTM (2011) Acceleration of the contribution of the Greenland and Antarctic ice sheets to sea level rise. Geophys Res Lett 38, L05503. doi:10.1029/2011GL046583

Shapiro LG, Stockman GC (2001) Computer vision. Prentice-Hall, Inc, Upper Saddle River

State Oceanic Administration (2010) 2009 China marine environment quality bulletin. http://www.soa.gov.cn/soa/hygb/hjgb/webinfo/2010/06/1297643967120831.htm. Cited May 2012

TBNA (Tianjin Binhai New Area) (2012) Development of Tianjin Binhai New Area (TBNA). http://en.investteda.org/BinhaiNewArea/overview/t20060430_39712.htm. Cited May 2012

The Second National Assessment Report on Climate Change Editorial Committee (2011) The second national assessment report on climate change. Science Press, Beijing, In Chinese with English abstract

Törnqvist TE, Meffert DJ (2008) Sustaining coastal urban ecosystems. Nat Geosci 1:805–807

UNDP (2004) A global report, reducing disaster risk: a challenge for development. UNDP, Geneva

UN-HABITAT (2008) State of the world’s cities 2008/2009—harmonious cities. Earthscan, London

UNISDR (2004) Living with risk: a global review of disaster reduction initiatives, 2nd edn. United Nations Publications

UNISDR (2011) 2011 Global assessment report on disaster risk reduction: revealing risk, redefining development (online edition). www.preventionweb.net/gar. Cited March 2013

Vafeidis A, Neumann B, Zimmermann J, Nicholls RJ (2011) Analysis of land area and population in the low-elevation coastal zone (LECZ) (Government Office for Science, 2011). http://go.nature.com/somswg. Cited May 2012

Velicogna I (2009) Increasing rates of ice mass loss from the Greenland and Antarctic ice sheets revealed by GRACE. Geophys Res Lett 36, L19503. doi:10.1029/2009GL040222

Wang G (2004) Several characteristics of the development of Chinese population migration since 1978. Popul Econ 4(1–8):14, In Chinese with English abstract

Wang Y (2010) Priority in promoting coordinated regional development during the 12th five-year period. Macroecon Manag 7:15–24, In Chinese

Wang G, Xu L (2010) The evolution of gravity centers for inter-provincial migration in China’s reform era. Chin J Popul Sci 3:23–34, In Chinese with English abstract

Wang G, Wei X, Shen J (2005) Study on inter-provincial migration influence on regional economy development in China. Fudan J Soc Sci 3:148–161, In Chinese with English abstract

Wang J, Gao W, Xu S, Yu L (2012) Evaluation of the combined risk of sea level rise, land subsidence, and storm surges on the coastal areas of Shanghai, China. Clim Chang 115:537–558

Wei YD (2003) Multiscale and multimechanisms of regional inequality in China: implications for regional policy. J Contemp China 11(30):109–124

Williams SJ (2013) Sea-level rise implications for coastal regions. In: Brock JC, Barras JA, Williams SJ (eds) Understanding and predicting change in the coastal ecosystems of the Northern Gulf of Mexico. Journal of Coastal Research, Special Issue No. 63: 184–196

Xu H (2011) Exploration of new growth region spatial development within the national strategy: Jiangsu coastal region for example. Planners 27(1):5–10, In Chinese with English abstract

Xu X, Li S-M (1990) China’s open door policy and urbanization in the Pearl River Delta region. Int J Urban Reg Res 14(1):46–69

Yang G-S, Shi Y-F (1999) Major environmental changes and hazards and strategy of damage-mitigation in coastal area of China. J Nat Disaster 8(2):13–20, In Chinese with English abstract


Piederības

Department of Geology, University of Fort Hare, Private Bag X1314, Alice, Eastern Cape, 5700, South Africa

School of Biological and Environmental Sciences, Faculty of Agriculture and Natural Sciences, University of Mpumalanga, Private X11283, Nelspruit, Mpumalanga, 1200, South Africa

Department of Geography and Environmental Science, University of Fort Hare, Private Bag X1314, Alice, Eastern Cape, 5700, South Africa

Ahmed Mulakazi Kalumba & Israel Ropo Orimoloye

Centre for Environmental Management, University of the Free State, Private Bag 339, Bloemfontein, 9300, South Africa


Skatīties video: ArcGIS Desktop: Geoprocessing Tool Progress and Messaging