Tích hợp các đặc trưng đa dạng trong xây dựng mô hình định lượng về phân vùng cảnh quan: Trường hợp nghiên cứu tại huyện Văn Chấn, tỉnh Yên Bái

VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 
1 
 Original Article 
Intergrating the Diversity Characteristics to Design 
a Quantitative Landscape Regionalization Framework: 
Case Study of Van Chan District, Yen Bai Province 
Pham Minh Tam1, , Pham Hoang Hai2, Nguyen Cao Huan1, Pham Thu Thuy3 
1Faculty of Geography, Vietnam University of Science, Hanoi, 34 Nguyen Trai, Hanoi, Vietnam 
2Institute of Geography, Vietnam Academy of Science and Technology (VAST), 
18 Hoang Quoc Viet, Hanoi, Vietnam 
3Science and Technology Department, Vietnam National University, Hanoi, 144 Xuan Thuy, Hanoi, Vietnam 
Received 08 August 2019 
Revised 18 November 2019; Accepted 08 July 2020 
Abstract: Landscape regionalization plays an important role in delineating the heterogeneous 
characteristics of territory, and provide the spatial fundamental data for natural resource planning 
and environmental protection activities. The integrating of the diversity indices (landscape metrics) 
is expressed the change of landscape structure by the richness and evenness of land-use objectives. 
In this study, a quantitative landscape regionalization framework is designed from 03 group 
(attribute factor, driving factor, and diversity factor) of basic landscape unit. By using k-means 
clustering, the study is classified into 06 sub-regions of 68 watersheds in the administration 
boundary of Van Chan district, Yen Bai province. With the comparison of region numbers in 
statistical and practical dimensions, the optimal results are edited and determined 15 sub-regions for 
uncertainty reduction of landscape regionalization. 
Keywords: regionalization, quantitative modeling, landscape, diversity, cluster analysis, Van Chan. 
________ 
 Corresponding author. 
 E-mail address: phamminhtam1989@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4432 
P.M. Tam et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 2 
Tích hợp các đặc trưng đa dạng trong xây dựng 
mô hình định lượng về phân vùng cảnh quan: 
Trường hợp nghiên cứu tại huyện Văn Chấn, tỉnh Yên Bái 
Phạm Minh Tâm1,*, Phạm Hoàng Hải2, Nguyễn Cao Huần1, Phạm Thu Thủy3 
1Khoa Địa lý, Trường Đại học Khoa học Tự nhiên, ĐHQGHN, 334 Nguyễn Trãi, Hà Nội, Việt Nam 
2Viện Địa lý, Viện Hàn lâm Khoa học và Công nghệ Việt Nam (VAST), 
18 Hoàng Quốc Việt, Hà Nội, Việt Nam 
3Ban Khoa học và Công nghệ, Đại học Quốc gia Hà Nội, 144 Xuân Thủy, Hà Nội, Việt Nam 
Nhận ngày 08 tháng 8 năm 2019 
Chỉnh sửa ngày 18 tháng 11 năm 2019; Chấp nhận đăng ngày 08 tháng 7 năm 2020 
Tóm tắt: Phân vùng cảnh quan đóng vai trò quan trọng trong phân định đặc trưng bất đồng nhất của 
lãnh thổ, cung cấp nền tảng không gian cơ bản cho hoạt động quy hoạch sử dụng tài nguyên thiên 
nhiên và bảo vệ môi trường. Quá trình tích hợp các độ đo độ đa dạng giúp tái hiện những thay đổi 
về cấu trúc cảnh quan trên phương diện đặc trưng tính phong phú và đồng đều của lớp phủ sử dụng 
đất. Trong nghiên cứu này, mô hình định lượng trong phân vùng được xây dựng từ quá trình tích 
hợp ba nhóm thông tin (nhóm các yếu tố thuộc tính, nhóm các yếu tố động lực và nhóm các yếu tố 
đa dạng) của các đơn vị cảnh quan cơ sở. Trên cơ sở phân tích phân cụm k-mean, nghiên cứu tiến 
hành thực hiện phân thành 06 tiểu vùng từ dữ liệu định lượng của 68 tiểu lưu vực trong lãnh thổ 
hành chính huyện Văn Chấn, tỉnh Yên Bái. Từ quá trình so sánh số lượng tiểu vùng về mặt thống 
kê và thực tiễn, nghiên cứu đã tiến hành hiệu chỉnh và xác định 15 tiểu vùng tối ưu, giảm đáng kể 
tính chủ quan trong quá trình phân vùng cảnh quan. 
Từ khóa: phân vùng, mô hình định lượng, cảnh quan, đa dạng, phân tích cụm, Văn Chấn. 
1. Mở đầu 
Phân vùng là một tiến trình quan trọng trong 
phân tích dữ liệu địa lý đa thời gian [1], nhằm 
mô tả các đặc trưng bất đồng nhất về mặt không 
gian cũng như cơ chế phát sinh của chúng [2]. Ở 
quy mô cảnh quan, hầu hết các hiện tượng sinh 
thái và môi trường đều có thể phân định thành 
các khu vực đồng nhất tương đối về thuộc tính 
hay mối quan hệ không gian [3], trở thành nền 
tảng cơ bản cho quá trình giám sát, đánh giá, 
kiểm kê và quản lý tài nguyên môi trường [4]. 
Từ sự phát triển của phương thức và sự đa dạng 
________ 
 Tác giả liên hệ. 
 Địa chỉ email: phamminhtam1989@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4432 
về mục tiêu phân vùng, hàng loạt ứng dụng tích 
hợp khả năng phân tích không gian đã được thực 
hiện như: bảo tồn đa dạng sinh học [5], kiểm soát 
chất lượng nước [6], phân tích biến đổi cảnh 
quan, hay đánh giá các giá trị chức năng phục vụ 
phát triển kinh tế xã hội [7]. Trong đó, các chỉ 
tiêu phân vùng cảnh quan được lựa chọn sao cho 
phù hợp với mục tiêu và đối tượng nghiên cứu 
[8], nhưng trong thực tiễn cần một số lượng dữ 
liệu không gian lớn và được giải đoán chi tiết [9]. 
Những dữ liệu thành phần này có thể gồm đặc 
trưng vùng sinh thái [10], thông tin môi trường 
[11], địa chất [12], khí hậu [13], hay một giả định 
P.M. Tam et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 3 
về mối liên kết giữa động lực thúc đẩy quá trình 
sinh thái và lớp phủ sử dụng đất [14]. Nhìn 
chung, các chỉ tiêu phân vùng này có thể phân 
loại thành hai nội dung chính là: thuộc tính 
(attributes) và yếu tố động lực (driving factors) 
[2]. Song, trong bối cảnh phát triển kinh tế - xã 
hội hiện nay, cảnh quan dưới góc độ tiếp cận từ 
lớp phủ sử dụng đất chứng kiến tốc độ thay đổi 
hết sức nhanh chóng, ảnh hưởng tới quá trình 
phân vùng phục vụ tổ chức lãnh thổ [15]. Điều 
này thúc đẩy quá trình tích hợp các đặc trưng 
phản ánh sự đa dạng cấu trúc cảnh quan vào tiến 
trình phân vùng; đặc biệt là trên phương diện 
phong phú và đồng đều [16]. Từ đó, cách tiếp 
cận hệ thống trong phân vùng cảnh quan nên 
được xây dựng từ tổng hòa ba nhóm chỉ tiêu trên 
(thuộc tính, động lực và tính đa dạng); trong  ... ó tương quan tích cực với nhau; (ii) các chỉ tiêu 
này có tương quan nghịch đối với nhiệt độ trung 
bình năm (F1); (iii) chỉ tiêu phân cắt ngang (A3), 
chỉ số ẩm ướt của địa hình TWI (F4), chỉ số đồng 
đều Shannon-SHEI (D1) và chỉ số đa dạng 
Shannon-SHDI (D2) có tương quan tích cực với 
nhau, cũng như cùng tương quan nghịch với chỉ 
số thực vật có hiệu chỉnh ảnh hưởng của đất 
SAVI (F5). Dung tích bề mặt là yếu tố quan trọng 
nhất, giải thích tới 66.03% phương sai của nhóm 
chỉ tiêu thuộc tính. Điều này cho thấy mức độ 
tương đồng về dung tích sẽ ảnh hưởng rất lớn tới 
phạm vi và khả năng hình thành của các tiểu 
vùng cảnh quan. Trên cơ sở sử dụng phương 
pháp phân cụm k-means, quá trình lựa chọn giá 
trị nhóm tối ưu được thực hiện qua các phương 
diện sau: (i) Về mặt thống kê, giá trị k có thể xác 
định thông qua phương pháp Elbow và giá trị chỉ 
số phù hợp của Dale & Fortin (2014). Các giá trị 
này được biểu diễn chi tiết trong Hình 4. Theo 
đó, nếu dựa trên chỉ số phù hợp, k=4 là giá trị tối 
ưu thì phương pháp Elbow lựa chọn giá trị k=6 
là tối ưu. 
(ii) Về mặt không gian và quan điểm phân 
vùng, số lượng các tiểu vùng cảnh quan sẽ tồn tại 
những khác biệt mà kết quả thống kê không thể 
đáp ứng được. Để các dữ liệu này phân tích trở 
nên có ý nghĩa, lãnh thổ thường được phân chia 
thành các vùng có đặc trưng đồng nhất hay có 
khả năng bị chi phối bởi một quá trình sinh thái 
chiếm ưu thế. Thông thường, quá trình này được 
xác định qua hai cách: (i) nhóm các đối tượng có 
vị trí liền kề có giá trị tương tự nhau thông qua 
quá trình phân cụm không gian (spatial 
clustering), (ii) phân chia các khu vực dựa trên 
mức độ khác nhau làm căn cứ để phân định ranh 
giới (boundary detection) [27]. Nếu về mặt lý 
thuyết, hai cách tiếp cận này đem lại kết quả 
phân vùng giống nhau. Nhưng phần lớn các kết 
quả không đạt được hiệu quả cao khi giá trị của 
các biến trong các đơn vị cơ sở không phân bố 
đồng đều trong không gian. Quá trình sử dụng 
phương pháp phân cụm k-means trong phân 
vùng cảnh quan hướng tới ưu tiên xác định giá 
trị số lượng cụm cần thiết để đạt được sự giống 
nhau về đặc trưng với giá trị sai lệch thấp nhất; 
cũng như giảm thiểu sự chủ quan trong hoạt động 
ra quyết định. Nhưng trên thực tiễn, cách tiếp cận 
này gặp phải một số khó khăn: (i) các vị trí lấy 
mẫu ngẫu nhiên đôi khi không thể mang tính đại 
diện cho đặc trưng của một đơn vị cảnh quan cơ 
sở; (ii) đòi hỏi kiến thức hoặc thông tin độc lập 
về dữ liệu sinh thái trên nhiều quy mô không gian 
và thời gian khác nhau nhằm tiên đoán được kết 
quả, làm tiền đề để đối sánh với thực tiễn; (iii) 
giá trị kiểm định chỉ có hiệu quả về mặt thống 
kê, tính thống nhất về ý nghĩa của các kết quả 
kiểm định thường thấp; (iv) mục tiêu phân vùng 
càng đạt được hiệu quả cao khi mức độ phân hóa 
càng chi tiết trong khi vẫn đảm bảo sai số thấp 
nhất; (v) các tiểu vùng thường phải nằm lân cận 
nhau. Điều này dẫn tới nghiên cứu lựa chọn k=6 
là số lượng nhóm tối ưu. 
Hình 4. Kết quả phân vùng cảnh quan huyện Văn Chấn trên cơ sở phân cụm k-means 
với giá trị k=6 và biểu đồ chỉ số kiểm định giá trị tối ưu. 
P.M. Tam et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 9 
Ngoài ra, trên cơ sở phương pháp định lượng 
trong phân vùng cảnh quan, nghiên cứu tiến hành 
biên chỉnh kết quả về mặt thống kê sao cho phù 
hợp với yêu cầu phân vùng đã đề cập phía trên. 
Đồng thời, sự kết hợp của các thông tin cơ bản 
về đặc trưng thành tạo cảnh quan của khu vực 
nghiên cứu góp phần “chính xác hóa” kết quả 
nghiên cứu. Theo đó, kết quả phân vùng cảnh 
quan huyện Văn Chấn phục vụ mục đích khai 
thác và sử dụng hợp lý tài nguyên được điều 
chỉnh thành 15 tiểu vùng như sau: (i) Lưu vực 
sông Ngòi Hút: chỉ gồm tiểu vùng cảnh quan I 
và II nằm trên địa bàn xã Tú Lệ và Nậm Búng, 
phía Tây Bắc của huyện; (ii) Lưu vực sông Ngòi 
Thia: gồm các tiểu vùng cảnh quan từ III – VIII 
nằm trong lòng thung lũng Nghĩa Lộ; (iii) Lưu 
vực sông Ngòi Lao: gồm các tiểu vùng IX-XV 
nằm ở phía Nam của huyện (Hình 5 và Bảng 3). 
Bảng 3. Thống kê các đơn vị tiểu vùng cảnh quan khu vực huyện Văn Chấn, tỉnh Yên Bái 
 Lưu vực sông Tiểu vùng (TV) cảnh quan và đơn vị cơ sở 
P
h
ân
 v
ù
n
g
cả
n
h
 q
u
an
a. LVS Ngòi Hút TV I. (1, 2, 4), TV II. (3, 5, 6, 7, 8). 
b. LVS Ngòi Thia 
TV III. (9, 10, 11, 12, 15), TV IV. (13, 14), TV V. (17, 18, 19, 20, 
25), TV VI. (24), TV VII. (23, 29, 36), TV VIII. (21, 22, 26, 27, 28, 
30, 31, 32, 33, 34, 37). 
c. LVS Ngòi Lao 
TV IX. (38), TV X. (39, 40, 41, 43, 54, 55, 56, 57), TV XI. (51, 52, 
53), TV XII. (42, 44, 45, 46, 49, 50, 58, 59, 61, 62, 63, 67, 68), TV 
XIII. (47, 48), TV XIV. (64), TV XV. (60, 65, 66). 
Hình 5. Kết quả phân vùng CQ sau hiệu chỉnh khu vực huyện Văn Chấn, tỉnh Yên Bái. 
P.M. Tam et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 10 
4. Kết luận và kiến nghị 
Phân vùng cảnh quan trên cơ sở tiếp cận định 
lượng là một phương thức phân loại đối tượng 
không gian rất hiệu quả trong nghiên cứu sinh 
thái cảnh quan và môi trường. Trên cơ sở tích 
hợp thêm nhóm yếu tố tính đa dạng, mô hình lý 
thuyết trong phân vùng cảnh quan đã mở rộng 
khả năng khai thác các độ đo định lượng và tối 
ưu hóa đặc trưng đồng nhất trong từng lớp thông 
tin/cấu trúc chuyên biệt của cảnh quan nhằm 
phân loại các nhóm lãnh thổ địa lý tự nhiên có 
tính đồng nhất. Căn cứ vào phương pháp phân 
cụm k-means và kiểm chứng về mặt thống kê, 
mô hình phân vùng cảnh quan đã lựa chọn giá trị 
tối ưu k=6 cho địa bàn huyện Văn Chấn, tỉnh 
Yên Bái. Đây là cơ sở khoa học quan trọng để 
tiến hành kết hợp với các quan điểm phân vùng 
khác nhằm khu biệt 15 tiểu vùng cảnh quan. 
Nhìn chung, cách tiếp cận này cho thấy khả 
năng tích hợp thông tin cấu trúc không gian trong 
sắp xếp và quy hoạch không gian; cũng như cho 
phép tinh chỉnh kết quả phân vùng theo mục tiêu 
và đối tượng nghiên cứu khác nhau. Tuy nhiên, 
hướng tiếp cận này cũng cần lưu ý một số điểm 
sau: (i) Quá trình lựa chọn các biến phân vùng 
cảnh quan phụ thuộc chặt chẽ ý kiến chuyên gia 
– đây là thuận lợi cũng là hạn chế của nghiên 
cứu; (ii) Quá trình phân cụm đã giảm đáng kể 
tính chủ quan trong xác định giá trị số lượng 
phân vùng tối ưu nhưng ranh giới trong không 
gian phụ thuộc “chặt chẽ” vào phương thức xác 
định các đơn vị không gian cơ sở; (iii) Khả năng 
“khái quát hóa” thông tin trên một phạm vi lớn 
đem lại lợi thế nhất định, nhưng giảm khả năng 
phân định ranh giới một cách chính xác nếu dữ 
liệu trong từng đơn vị cơ sở thay đổi không theo 
quy luật không gian; (iv) Phương pháp phân cụm 
k-means trong không gian có thể sử dụng dữ liệu 
từ nhiều nguồn (định tính hoặc định lượng, đơn 
biến hoặc đa biến) với số lượng mẫu bất kỳ tuy 
không tạo ra các cụm bị trùng lặp nhưng đòi hỏi 
sự tương đồng về giá trị khi tạo ra các cụm ngẫu 
nhiên. Do đó, tiếp cận định lượng sẽ đem lại hiệu 
quả cao khi coi đây là một bước “tiền xử lý” 
trước khi tiến hành phân vùng cảnh quan. 
Tài liệu tham khảo 
[1] T. Ott, F. Swiaczny, Time-Integrative Geographic 
Information Systems: Management and Analysis 
of Spatio-Temporal Data, Springer-Verlag Berlin 
Heidelberg Publisher, 2001, 234 pages. 
[2] C. Xu, Sh. Sheng, T. Chi, X. Yang, S. An, M. Liu, 
Developing a quantitative landscape 
regionalization framework integrating driving 
factors and response attributes of landscapes, 
Landscape and Ecological Engineering, Volume 
10, Issue 2, 2014, pp. 295–307. https://doi.org/10. 
1007/s11355-013-0225-8. 
[3] M.G. Turner, Spatial and temporal analysis of 
landscape patterns, Landscape Ecology, Volume 4, 
Issue 1, 1990, pp. 21-30. https://doi.org/10.10 07/ 
BF02573948 
[4] G.P. Robertson, L.W. Burger, C.L. Kling, R.R. 
Lowrance, D.J. Mulla, Methods for Environmental 
Management Research at Landscape and 
Watershed Scales. Managing Agricultural 
Landscapes for Environmental Quality, Journal of 
Soil and Water Conservation Society, Ankeny, IA., 
2007, 196 pages. 
[5] R.P. Powers, N.C. Coops, J.L. Morgan, M.A. 
Wulder, T.A. Nelson, C.R. Drever, S.G. Cumming, 
A remote sensing approach to biodiversity 
assessment and regionalization of the Canadian 
boreal forest, Progress in Physical Geography: 
Earth and Environment, Volume 37, Issues 1, 
2013, pp. 36–62. https://doi.org/10.1177/0309133 
312457405. 
[6] M.A. Solans, A. Mellado‐Díaz, A Landscape‐
Based Regionalization of Natural Flow Regimes in 
the Ebro River Basin and Its Biological Validation, 
River Research and Applications 31, 2015, pp. 
457- 469. https://doi.org/10.1002/rra.2860. 
[7] B. Martín-López, I. Palomo, M. García-Llorente, I. 
Iniesta-Arandia, A.J. Castro, D.G.D. Amo, E. 
Gómez-Baggethun, C. Montes, Delineating 
boundaries of social ecological systems for 
landscape planning: A comprehensive spatial 
approach, Land Use Policy, Volume 66, 2017, pp. 
90-104. https://doi.org/10.1016/j.landusepol.2017. 
04.040. 
[8] G. McMahon, E. Wiken, D. Gauthier, Toward a 
Scientifically Rigorous Basis for Developing 
Mapped Ecological Regions, Environmental 
Management, Volume 34, Supplement 1, 2004, pp. 
S111–S124. https://doi.org/10.1007/s00267-004-
0170-2. 
[9] T.F. Stepinski, J. Niesterowicz, J. Jasiewicz, 
Pattern-based Regionalization of Large Geospatial 
P.M. Tam et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 3 (2020) 1-11 11 
Datasets Using Complex Object-based Image 
Analysis, Procedia Computer Science, Volume 51, 
2015, pp. 2168-2177. https://doi.org/10.1016/j. 
procs.2015.05.491. 
[10] Y. Liu, B. Fu, Sh. Wang, W. Zhao, Global 
ecological regionalization: from biogeography to 
ecosystem services, Current Opinion in 
Environmental Sustainability, Volume 33, 2018, 
pp. 1-8. https://doi.org/10.1016/j.cosust.2018. 
02.002. 
[11] B.J. Amiri, G. Junfeng, N. Fohrer, F. Mueller, J. 
Adamowski, Regionalizing Flood Magnitudes 
using Landscape Structural Patterns of 
Catchments, Water Resources Management, 
Volume 32, Issue 7, 2018, pp. 2385-2403. 
https://doi.org/10.1007/s11269-018-1935-3. 
[12] J.J. Starn, K. Belitz, Regionalization of 
groundwater residence time using metamodeling, 
Water Resources Research 54, 2018, pp. 6357- 
6373. https://doi.org/10.1029/2017WR021531. 
[13] M. Gao, X. Chen, J. Liu, Z. Zhang, Regionalization 
of annual runoff characteristics and its indication of 
co-dependence among hydro-climate–landscape 
factors in Jinghe River Basin, China, Stochastic 
Environmental Research and Risk Assessment, 
Volume 32, Issue 6, 2018, pp. 1613-1630. 
https://doi.org/10.1007/s00477-017-1494-9. 
[14] W. Cao, S. Zhou, S. Wu, Land-use regionalization 
based on landscape pattern indices using rough set 
theory and catastrophe progression method, 
Environmental Earth Sciences, Volume 73, Issue 4, 
2015, pp. 1611-1620. https://doi.org/10.1007/s 
12665-014-3511-3. 
[15] R. Wang, H. Yang, Landscape Regionalization for 
Highway Corridor Planning from Landscape 
Ecology Perspective: A Case Study of Shandong, 
China, 2018 International Conference on Sensing, 
Diagnostics, Prognostics, and Control (SDPC), 
China, 2018, pp. 503-508. 
[16] K. McGarigal, S. A. Cushman, E. Ene, 
FRAGSTATS v4: Spatial Pattern Analysis 
Program for Categorical and Continuous Maps. 
Computer software program produced by the 
authors at the University of Massachusetts, 
Amherst, 2012. 
[17] W.W. Hargrove, F.M. Hoffman, Potential of 
multivariate quantitative methods for delineation 
and visualization of ecoregions, Environmental 
Management 34 (Suppl. 1), 2004, pp. S39-S60. 
https://doi.org/10.1007/s00267-003-1084-0. 
[18] S. Ragettli, J. Zhou, H. Wang, Assessment of 
parameter regionalization methods for modeling 
flash floods in China, Geophysical Research 
Abstracts, Vol. 19, EGU2017-8018, 2017. 
[19] G.H. Shah, A.N.S. Badana, C. Robb, W.C. 
Livingood, Cross-Jurisdictional Resource Sharing 
in Changing Public Health Landscape: 
Contributory Factors and Theoretical 
Explanations, Journal of Public Health 
Management and Practice, Volume 22, Number 2, 
2016, pp. 110-119. https://doi.org/10.1097/PHH. 
0000000000000368. 
[20] J. Niesterowicz, T.F. Stepinski, On using landscape 
metrics for landscape similarity search, Ecological 
Indicators, Volume 64, 2016, pp. 20-30. 
https://doi.org/10.1016/j.ecolind.2015.12.027. 
[21] O. Hall, W. Arnberg, A method for landscape 
regionalization based on fuzzy membership 
signatures, Landscape and Urban Planning 59, 
2002, pp. 227-240. https://doi.org/10.1016/S0169-
2046(02)00050-6. 
[22] K.H. Riitters, J.D. Wickham, T.G. Wade, 
Evaluating anthropogenic risk of grassland and 
forest habitat degradation using landcover data. 
Landscape Online 13, 2009, pp. 1–14. 
https://doi.org/10.3097/LO.200913. 
[23] D.R. Grafius, R. Corstanje, J.A. Harris, Linking 
ecosystem services, urban form and green space 
configuration using multivariate landscape metric 
analysis, Landscape Ecology, 2018, Volume 33, 
Issue 4, pp. 557–573. https://doi.org/10.1007/s 
10980-018-0618-z. 
[24] M.J. Todd, P.J. Wigington, E.A. Sproles, 
Hydrologic Landscape Classification to Estimate 
Bristol Bay, Alaska Watershed Hydrology. Journal 
of the American Water Resources Association 
(JAWRA) 53 (5), 2017, pp. 1008‐ 1031. 
https://doi.org/10.1111/1752-1688.12544. 
[25] B. Choubin, K. Solaimani, M. Habibnejad Roshan, 
A. Malekian, Watershed classification by remote 
sensing indices: A fuzzy c-means clustering 
approach, Journal of Mountain Science, Volume 
14, Issue 10, 2017, pp. 2053-2063. https://doi.org/ 
10.1007/s11629-017-4357-4. 
[26] L. Kaufman, P.J. Rousseeuw, Finding groups in 
data, Wiley, New York, 1990, 342 pages. 
[27] M. Dale, M. Fortin, Spatial Analysis: A Guide for 
Ecologists, Cambridge University Press. 438 
pages.