به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

object-oriented classification

در نشریات گروه کشاورزی
  • امیرشاهرخ امینی*، آیدا پروندی، زهرا آذرگشایش
    موضوع

     رشد جمعیت، گرمایش جهانی و مدیریت نادرست باعث کاهش منابع آبی جهان شده است. برای حفظ این منابع، مدیریت و پایش مستمر ، تهیه نقشه های کاربری و پوشش اراضی، ضروری است.

    هدف

    بررسی کیفیت طبقه بندی پوشش اراضی و کاربری تالاب ها در تالاب هورالعظیم با استفاده از تلفیق تصاویر نوری و راداری به منظور نیل به نتایج دقیق تر است.

    روش تحقیق

    در این راستا، برای تهیه نقشه های پوشش اراضی تالاب هورالعظیم، از تصاویر ماهواره ای سنتینل-1 و سنتینل-2 همراه با روش های تلفیق مکانی و فرکانسی مانند IHS، PCA، Brovey، Ehlers و Wavelet-IHS استفاده شده است. تلفیق تصاویر به کاهش اثرات ابر و گردوغبار کمک کرده و با افزودن بافت به تصاویر نوری سنتینل-2، دقت طبقه بندی را افزایش داد. طبقه بندی تصاویر بعد از تلفیق با استفاده از روش های ماشین بردار پشتیبان (SVM) و نزدیک ترین همسایگی (KNN) انجام شد.

    یافته ها

    ارزیابی نتایج با شاخص های دقت کلی (OA) و ضریب کاپا نشان از افزایش پارامتر OA به میزان 1-6 درصد و پارامتر Kappa به میزان 2-5% در طبقه بندی KNN، و افزایش پارامترهای OA و Kappa به ترتیب 1-5 درصد و 1-4 درصد در طبقه بندی SVM نسبت به طبقه بندی با تصویر نوری شد.

    نتیجه گیری

    روش های فرکانسی و ترکیبی به عنوان بهترین روش های تلفیق انتخاب شدند و SVM به عنوان دقیق ترین روش طبقه بندی انتخاب شد. از دو قطبش VV و VH، قطبش VV عملکرد بهتری نشان داد.

    کلید واژگان: رادار، تلفیق تصویر، طبقه بندی شی گرا، تالاب هورالعظیم، سنتینل1و2
    Amirshahrokh Amini *, Ayda Pavandi, Zahra Azargoshayesh
    Objective

    Population growth, global warming, and poor management have led to the depletion of the world's water resources. To preserve these resources, management and continuous monitoring, the preparation of land use and land cover maps are essential.

    Method

    In this regard, Sentinel-1 and Sentinel-2 satellite images were used to prepare land cover maps of the Horul Azim wetland, along with spatial and frequency fusion methods such as IHS, PCA, Brovey, Ehlers, and Wavelet-IHS. Fusing the images helped reduce the effects of clouds and dust, and by adding texture to Sentinel-2 optical images, it increased classification accuracy. The classification of images after fusion was done using Support Vector Machine (SVM) and Nearest Neighbor (KNN) methods.

    Results

    The evaluation of results with overall accuracy (OA) and kappa coefficient showed an increase in the OA parameter by 1-6% and the Kappa parameter by 2-5% in KNN classification, and an increase in the OA and Kappa parameters by 1-5% and 1-4%, respectively, in SVM classification compared to classification with optical images..

    Conclusions

    Frequency and hybrid methods were selected as the best fusion methods, and SVM was chosen as the most accurate classification method. Among the two polarizations, VV and VH, VV polarization showed better performance

    Keywords: Radar, Image Fusion, Object-Oriented Classification, Horul Azim Wetland, Sentinel1&
  • محبت نداف*، رضا امیدی پور، حسین سبحانی

    اطلاع از روند تغییرات و همچنین مدیریت صحیح کاربری های اراضی در اکوسیستم های طبیعی اهمیت بالایی در حفاظت از منابع طبیعی دارد. در این راستا، استفاده از سنجش از دور به دلیل فراهم کردن اطلاعات مکانی و زمانی گسترده به یک رویه مرسوم تبدیل شده است. در تحقیق حاضر به منظور تهیه نقشه کاربری اراضی، ابتدا دقت سه روش مرسوم پیکسل پایه (حداکثر احتمال)، یادگیری ماشینی (ماشین بردار پشتیبان) و شیءگرا با یکدیگر مقایسه شدند. سپس روند تغییرات زمانی و مکانی کاربری های اراضی در یک دوره 26 ساله (1997-2023) با استفاده از شش تصویر ماهواره های لندست انجام شد. ارزیابی دقت طبقه بندی با استفاده از شاخص های ضریب کاپا و صحت کلی و ارزیابی روند تغییرات با استفاده از روش ارزیابی متقاطع و ارزیابی مکانی صورت گرفت. بر اساس نتایج، روش ماشین بردار پشتیبان دارای بالاترین ضریب کاپا (71/0 تا 98/0) و صحت کلی (86 تا 99 درصد) برای دوره های مورد مطالعه بود. بر اساس نتایج، مراتع با وضعیت فقیر دارای روند کلی کاهشی و کاربری های مراتع خیلی فقیر، اراضی بدون پوشش و زراعت دیم دارای روندهای افزایشی بودند. مساحت اراضی مرتعی فقیر از 962 هکتار (36/44 درصد) در سال 1997 به 489 هکتار (57/22 درصد) در سال 2023 کاهش یافتند، در حالی که مراتع خیلی فقیر در مدت مشابه از 1138 هکتار (48/52 درصد) به 1606 هکتار (05/74 درصد) افزایش داشته است. نتایج این تحقیق نشان داد که روند تغیرات کاربری اراضی در مرتع جیرانسو به سمت تخریب مراتع بوده و با گذشت زمان این روند در حال تشدید شدن است. همچنین، بر اساس نتایج بدست آمده از این تحقیق پیشنهاد می شود در تحقیقات آتی از روش های طبقه بندی مبتنی بر یادگیری ماشینی برای تهیه نقشه کاربری اراضی استفاده شود.

    کلید واژگان: ماهواره ی لندست، تخریب منابع طبیعی، یادگیری ماشینی، طبقه بندی شیءگرا، مراتع جیرانسو
    Mohabat Nadaf*, Reza Omidipour, Hossein Sobhani

    Awareness of changes process, as well as the proper management of land use in natural ecosystems, is of great importance in conservation natural resources. In this regard, the use of remote sensing has become a common approach due to the provision an extent spatial and temporal information. In this research, in order to land use mapping, first, the accuracy of three common methods of pixel-based (maximum likelihood), machine learning (support vector machine) and object-oriented methods were compared. Then, the spatial and temporal changes of land use in a period of 26 years (1997-2023) assessed using six Landsat satellite imagery. The accuracy of image classification methods was evaluated using Kappa coefficient and overall accuracy indices and the change trend was evaluated using crosstab and spatial evaluation methods. Based on the results, the support vector machine method had the highest kappa coefficient (0.71 to 0.98) and overall accuracy (86 to 99%) for all studied courses. According to the results, poor rangeland had a decreasing trend, and the land uses of very poor rangeland, bare soil, and rainfed agriculture had increasing trends. The area of poor rangeland decreased from 962 hectares (44.36%) in 1997 to 489 hectares (22.57%) in 2023, while very poor rangeland increased from 1138 hectares (52.48%) to 1606 hectares (74.05 percent) in the same period. The results of this research indicated that the trend of land use changes in Jayransoo rangeland is towards the destruction of rangelands and with the passage of time this trend is intensifying. Also, based on the results obtained from this research, it is suggested to use machine learning based classification method to prepare land use mapping in future research.

    Keywords: Landsat Satellite, Destruction Of Natural Resources, Machine Learning, Object-Oriented Classification, Jayransoo Rangeland
  • Chooghi Bairam Komaki *, Hamidreza Asgari, Habib Nazarnejad, Mohammad Alinezhad

    In this research, land-use changes in Azadshahr County were investigated from 1998 to 2009, using the imageries from Landsat 5 satellite and an integration of the Markov chain and Cellular Automata methods. Using the object-based support-vector-machine image classification method, land-use maps were classified into three major categories, namely agriculture fields, forest lands and built-up areas for the years of 1987, 1998 and 2009; their overall accuracies have been obtained 91.0%(1987), 91.0% (1998) and 88.8% (2009), with the respective Kappa values of 86.5%(1987), 86.5% (1998) and 83.2%(2009). The built-up areas had the greatest changes by increasing 2.02% and 2.17% for the periods of 1987-1998 (as first period) and 1998-2009 (as second period), respectively. During the first period, forest area has shrunk by approximately -1.80%. However, as a result of the afforestation project during 1998-2009, forest area has increased 1.59%, while over the 22-year period the total area of forest has merely reduced by -0.21%. Agricultural areas on the one hand has shrunk in favor of the built-up areas, and on the other hand, increased by the conversion of the forest lands, making a total reduction of -0.22 and -3.75% for the first and second periods, respectively. The land-use pattern of 2020 was simulated using the MULOSCE extension of the QGIS software based on the integrated cellular automata and Markov chain technique. It is expected for this period to encounter a 0.62% increase in built-up areas, with 0.48% and 0.15% reduction in agriculture fields and forest lands, respectively.

    Keywords: Landsat, Object-Oriented Classification, Support-Vector Machine, Markov chain, Azadshahr
  • ندا طهماسبی زاده، حمیدرضا غفاریان مالمیری*
    کشاورزی در محیط گلخانه برای تولید غذا در مناطق گرم و خشک همراه با کمبود آب و نیز در مناطقی که آب وهوا مانع از کشت در تمام طول سال است؛ یک راه حل پایدار بشمار می رود؛ بنابراین شناسایی گلخانه ها و اطلاع از زمان کشت آنها برای مدیران کشاورزی راهگشا است. از طرفی تخمین مقدار سطح زیر کشت و مقدار آب موردنیاز در یک منطقه برای مدیریت منابع آبی کشاورزی امری حیاتی است. هدف پژوهش حاضر تعیین طول دوره کشت محصولات گلخانه ای با بهره گیری از تصاویر ماهواره ای Sentinel-2 است. در مرحله اول، برای شناسایی گلخانه ها با بهره گیری از عکس هوایی با قدرت تفکیک مکانی m1 خوارزمیک های طبقه بندی شی ءگرا و پیکسل مبنا اعمال شدند. در مرحله بعدی، برای تعیین طول دوره کشت گلخانه ها با استفاده از تصاویر سری زمانی سنتینل 2، ابتدا باندهای باندهای NIR، Narrow NIR، Red Edge و SWIR بررسی شدند. سپس شاخص های پوشش گیاهی شامل NDVI، SAVI، OSAVI، MSAVI، GNDVI، RVI، DVI، RGVI، IPVI و شاخص های پوشش پلاستیکی شامل PGI، RPGI، PI، PMLI مورد بررسی قرار گرفتند. یافته ها نشان داد که از میان خوارزمیک های طبقه بندی شی گرا، خوارزمیک Bayes با دقت کلی 87% و ضریب کاپا 83% و خوارزمیک KNN با دقت کلی 87% و ضریب کاپا 0.82 برای شناسایی و تعیین سطح زیر کشت گلخانه ها دقت زیادتری دارند. بازتاب در گلخانه های با پوشش پلاستیکی مانند بازتاب از پوشش گیاهی است، تنها بازتاب گیاه در زیر پوشش پلاستیکی گلخانه در تمام باندها و به مقدر مساوی افزایش می یابد. باند قرمز در محدوده nm665 و باند مادون قرمز نزدیک در محدوده nm705 به عنوان دو باند کلیدی برای مطالعات گلخانه ای کاربرد دارند. با ترکیب اطلاعات تمام شاخص های پوشش گیاهی و شاخص های پوشش پلاستیکی دو دوره کشت مشاهده شد: کشت اول از اوایل اسفند شروع شده، در فروردین به اوج پوشش می رسد و برداشت محصول تا اواسط مرداد ادامه دارد. کشت دوم از اواخر مرداد شروع شده و در آذر به اوج پوشش رسیده تا اینکه برداشت محصول در اواسط بهمن تمام شده است. نتایج حاصل از پژوهش حاضر نشان دهنده عملکرد خوب تصاویر Sentinel-2 در تعیین طول دوره کشت گلخانه ها است.
    کلید واژگان: تابش مادون قرمز، طبقه بندی پیکسل مبنا، طبقه بندی شی گرا، مدیریت کشاورزی
    Neda Tahmasebizadeh, Hamid Reza Ghafarian Malamiri *
    IntroductionOver the past 60 years, the use of plastic covers as a tool to increase the harvest and increase the yield of horticultural crops has steadily increased worldwide. Plastic greenhouses have turned desert areas into areas with modern agricultural development, the province of Almera in the south of Spain is a good example. It now has many greenhouses, making it a global model of agricultural development; but greenhouses contain large quantities of phthalates and cause harm to people, like hormonal disturbances, heart problems, cancer, etc. However, plastic greenhouses are widely built to produce vegetables and fruits near cities. As a result, several remote sensing methods have been developed to identify and monitor the distribution of plastic covered greenhouses in order to manage water resources, identify sites and quantities of plastic greenhouses. Remote detection is the only practical method to monitor plastic greenhouses in a vast geographic area. In the past few years, there have been few studies using high spatial resolution images. In one study, three main absorption ranges were identified that are unaffected by dust, washing and surface factors. In Spain, an artificial intelligence neural network has been proposed to identify greenhouse using Quick Bird images with a resolution of 1.5m. Studies based on medium spatial resolution imagery were also conducted, resulting in different results. In search on land cover classification using Landsat TM images, no favorable results were found. Research has proposed a new method for mapping greenhouses using Sentinel-2 dual-time images and 1D-CNN deep learning. The aim of the current research is to identify the length of the cultivation period of greenhouse crops using Sentinel-2 satellite images. Researchers used a variety of satellite imagery to identify and classify greenhouses. The innovative objective of the current research is to evaluate the Sentinel-2 satellite images in determining the length of the cultivation period of greenhouse crops; which was done for the first time within the country. Material and MethodsIn the first step, the cultivated area of greenhouses was identified using an aerial photograph. Then, useful bands were extracted in greenhouse studies using Sentinel-2 time series images. Next, vegetation and plastic cover indices were calculated for the greenhouse growing period. 1) Identify and determine the area under cultivation in greenhouses: By comparing the pixel-based classification algorithms and the object-oriented classification algorithms, the cultivated area of greenhouses was identified. ENVI and eCognition software were used for pixel-based classification and object-oriented classification, respectively. It should be noted that only one aerial photograph with three bands, blue, green and red, has been used in object-oriented classification. In order to classify the base pixel, learning samples were selected using expert knowledge from the study area. In some instances, Google Earth was used as well. Learning samples were selected scattered across the image to improve accuracy. For validation of the maps obtained from these algorithms, ground control points were used. To reduce human error, these points were also entered into Google Earth. 2) Identifying functional bands in the greenhouse study: The spectral behavior curve of different earth surface covers in Blue, Green, Red, SWIR, NIR bands was drawn in an image of the Sentinel-2 satellite. These spectral signatures were compared on May 20, 2020 i.e., when outdoor vegetation and greenhouse cultivation were at their peak. 3) Determining the duration of the greenhouse growing season: Vegetation indices of the NDVI, SAVI, OSAVI, MSAVI, GNDVI, RVI, DVI, RGVI, IPVI and plastic cover indices PGI, RPGI, PI, PMLI were compared using Sentinel-2 satellite time series images. Results and DiscussionGreenhouse cultivation is used to improve quality and increase food production. However, their development has many negative effects on the environment. Therefore, obtaining accurate and timely information on the distribution of greenhouses and the time of planting and harvesting crops under plastic covers can make a significant contribution to agricultural management, water management and soil protection. The present study is the first study to identify the length of the greenhouse cultivation period using Sentinel-2 satellite time series images. The results showed that among the object-oriented classification algorithms, two classification algorithms, Bayes and KNN, were more precise for the identification and determination of the cultivated area of greenhouses. The reflection of the plant below the plastic cover of the greenhouse in the NIR, Narrow NIR, Red Edge and SWIR bands increases by an equal amount in comparison with the reflection from the vegetation in the open space. Comparing vegetation cover and greenhouse cover indices showed that the indices designed based on SWIR and Red bands showed greater reflection during the hot season of the year. Indices based on NIR, Narrow NIR, and Red Edge bands were more reflective from October to late February. Based on the results obtained from the ground truth data, greenhouses are plastered during the warm season. This caused an increase in the reflectance in indices designed based on SWIR and Red bands and a decrease in reflectance in indices designed based on NIR, Narrow NIR, Red Edge bands, during the hot season. Therefore, combining all indices, two crop periods were observed: the first started in early March, peak cover was reached in April, and harvest continued. Until the middle of August. The second harvest started at the end of August and peaked in December, until the end of harvest in mid-February.
    Keywords: Infrared radiation, pixel-based classification, object-oriented classification, aerial photo, agricultural management
  • محمد عبیات، مرتضی عبیات*، مصطفی عبیات
    فعالیت های انسانی مانند تغییرات کاربری اراضی، اثر مهمی بر دمای سطح زمین و ایجاد جزایر حرارتی دارد. هدف این پژوهش، بررسی تاثیر تغییر کاربری بر الگوی زمانی و مکانی دمای سطح زمین و جزایر حرارتی در شهرستان شوشتر در طی سال های 2002 تا 2020 است. ابتدا تصاویر سال های 2002، 2013 و 2020 لندست با استفاده از روش پردازش شیءگرا، طبقه بندی و سپس دمای سطح زمین با الگوریتم پنجره مجزا استخراج شد. برای بررسی زمانی و مکانی دمای سطح زمین و جزایر حرارتی از پارامترهای NDVI، UHII و UHIII استفاده شده و دمای طبقات کم تا زیاد پوشش گیاهی استخراج شد. نتایج تغییرات کاربری زمین در دوره هجده ساله نشان داد که مناطق ساخته شده و بایر به ترتیب 21895/40و 26761/04هکتار افزایش و پوشش گیاهی و پهنه های آب به ترتیب 43790/79و 4865/64هکتار کاهش یافتند. نتایج حداکثر دمای کاربری ها، روند افزایشی دما در همه کاربری ها را آشکار کرد؛ به شکلی که بین سال های 2002 تا 2020، چهار کاربری پوشش گیاهی، نواحی بایر، مناطق ساخته شده و پهنه های آب به ترتیب با 7/40، 7/42، 6/82 و 6/87 درجه سلسیوس افزایش دما داشتند. برمبنای نتایج پارامترهای UHII و UHIII، طبقات با پوشش گیاهی کم، بیشترین دما را نسبت به طبقات با پوشش گیاهی متوسط و زیاد داشتند و جزایر حرارتی در سال های 2013 و 2020 در نواحی شمال، جنوب شرق و شمال شرق شهرستان تشکیل شد.
    کلید واژگان: تغییرات پوشش، کاربری، دمای سطح زمین، طبقه بندی شیءگرا، الگوریتم پنجره مجزا، شوشتر
    Mohammad Abiyat, Morteza Abiyat *, Mostefa Abiyat
    Human activities such as land-use changes have a significant effect on the Earth’s surface temperature and the creation of heat islands. This study aimed to investigate the impact of land-use changes on the temporal-spatial pattern of the surface temperatures and heat islands in Shooshtar township between 2002 to 2020. First, the Landsat 2002, 2013, and 2020 images were classified using object-oriented processing methods, and then the Earth surface temperature was extracted by the split-window algorithm. Having measured the temporal-spatial changes in the surface temperature and the heat islands, the indices NDVI, UHII, and UHIII were implemented. The results showed an increase in Built-up areas as well as Barrenlands by 21895.40 and 26761.04 hectares, individually. By contrast, the Vegetation cover and Waterbodies decreased down to 43790.79 and 4865.64 hectares, respectively. According to the results, the maximum temperatures index revealed an uptrend in the temperature of all the landuses; there has been a constant increase with an amount of 7.40, 7.42, 6.82, and 6.87 degrees Celsius in the temperatures of the landuses the Vegetation cover, Barrenlands, Built-ups, and Waterbodies, respectively, during the 2002-2020 study period. The UHII and UHIII indices showed that the low land-cover class had a higher temperature than the classes with medium and large land-covers. Furthermore, the heat islands were distinguishably formed by 2013 and 2020 most in the northern, southeastern, and northeastern areas of Shooshtar township.
    Keywords: Land Cover, Use Changes, Land surface temperature, Object-Oriented Classification, Split-window, Shooshtar
  • نعمت الله کریمی *

    هدف اصلی تحقیق حاضر، پهنه بندی تمامی عرصه های منابع طبیعی کشور با اولویت مناطق بیابانی و نیمه بیابانی با استفاده از شاخص ها و معیارهای قابل استخراج از اطلاعات سنجش از دوری و با بهره گیری از تکنیک های نوین طبقه بندی تصاویر ماهواره ای است. بر این اساس، پهنه های بیابانی، نیمه بیابانی و اراضی کویری و نمکی کشور به همراه سایر عرصه های منابع طبیعی (همانند اراضی جنگلی، مرتعی، پهنه های آبی و اراضی کشاورزی) با استفاده از سری زمانی تصاویر ماهواره MODIS و با استخراج شاخص ها و پارامترهای مختلفی همانند آلبدو، شاخص تفاضل نرمال شده گیاهی، دمای سطح زمین در طول روز و شب به همراه اختلاف دمای روز و شب مورد بررسی و مطالعه قرار گرفت. در این روش برخلاف روش های کلاسیک طبقه بندی که تنها بر استفاده از یک تصویر ماهواره ای و ویژگی هایی همانند تراکم پوشش گیاهی و یا دمای سطح زمین استوار هستند، نحوه رفتار پوشش های مختلف منابع طبیعی در گذر زمان در شاخص ها و معیارهای قابل استخراج از تصاویر ماهواره ای مورد بررسی قرار خواهد گرفت. بر این اساس، رفتار زمانی هر کدام از عرصه های منابع طبیعی یاد شده در طول سال 2019 میلادی با استفاده از معیارهای سنجش از دوری نام برده شده مورد بررسی و تحلیل قرار گرفت. جهت طبقه بندی کشور با استفاده از شاخص های یاد شده، از روش طبقه بندی شی پایه و با بهره گیری از تکنیک کمترین فاصله بر اساس منطق فازی استفاده گردید. بر اساس نتایج بدست آمده می توان عنوان کرد به ترتیب در حدود 2/41، 8/14 و 9/3 درصد از مساحت کشور (مجموعا در حدود 60 درصد از خاک کشور) به توسط اراضی بیابانی، نیمه بیابانی و نمک زارها پوشیده شده است که با لحاظ نمودن درصد مساحت اراضی کوهستانی سنگلاخی (3/11 درصد) می توان عنوان کرد که در حدود 2/71 درصد از خاک کشور فاقد شرایط زیستی (لم یزرع) مناسب برای فعالیت های کشاورزی و یا موارد مشابه با آن هستند. برطبق انتظار، اراضی بیابانی و نیمه بیابانی در مناطق مرکزی، شرقی، جنوب شرقی و جنوبی کشور تمرکز یافته است و در مناطق شمالی، شمال غربی و غربی کشور هیچ نشانه ای از چنین مناطقی یافت نگردید.

    کلید واژگان: سنجش از دور، مناطق بیابانی و نیمه بیابانی، شاخص NDVI، آلبدو، طبقه بندی شی پایه
    Neamat Karimi

    The main objective of the present study is to delineate all-natural resources of Iran with the priority of desert and semi-desert areas using indicators and criteria extracted from remote sensing data and new satellite image classification techniques. Accordingly, desert, semi-desert, and salinity areas of Iran in conjunction with other natural resources areas (such as forests, rangelands, water bodies, and farmlands) were studied using time-series MODIS satellite images and different indices and parameters such as Albedo, NDVI, and surface temperature during day and night along with the temperature difference between day and night. Here, unlike the classical classification methods, based on using one-single satellite image and features such as vegetation density or surface temperature, the behavior of different natural resources over time, extracted from satellite images, was analyzed. Accordingly, the temporal behavior of each of the mentioned natural resource areas during 2019 was studied and analyzed using the remote sensing criteria. The basic object classification method was used to classify the country using the mentioned indicators using the least distance technique based on fuzzy logic. Based on results, about 41.2%, 14.8%, and 3.9% of Iran (totally about 60% of Iran) are classified as desert, semi-desert, and salty areas, respectively. By considering the percentage of rocky mountainous areas (11.3%), about 71.2% of Iran has no biological conditions (unsuitable for agricultural activities). As expected, desert and semi-desert areas are concentrated in central, eastern, southeastern, and southern regions of Iran, and no signs of such areas are found in the northern, northwestern, and western of the country.

    Keywords: Remote Sensing, desert, semi desert areas, NDVI, Albedo, object oriented classification
  • مهدی پژوهش*، هنگامه شکوهیده، زهرا حیدری

    شناسایی تغییرات کاربری اراضی برای ارزیابی و پایش مناطق حساس با هدف برنامه ریزی و مدیریت پایدار سرزمین امری ضروری است. سنجش از دور و استفاده از فناوری سیستم اطلاعات جغرافیایی، امروزه به عنوان یکی از روش های متداول و رایج دنیا در امر پایش بررسی تغییرات سرزمین به ویژه در بررسی اراضی با وسعت بالا به شمار می رود. در این مطالعه روند تغییرات مکانی کاربری اراضی در حوزه سد کارون 3 در زمان های قبل و بعد از احداث و آبگیری سد با استفاده از علم سنجش از دور و سامانه اطلاعات جغرافیایی طی یک دوره 27 ساله بررسی شد. در این پژوهش، تصاویر ماهواره ای لندست 5 سنجنده TM مربوط به سال های 1991 و 2008 و لندست 8 سنجنده OLI سال 2018 مورد تجزیه و تحلیل و پردازش قرار گرفت. با استفاده از طبقه بندی شی ءگرا نقشه های کاربری اراضی برای سه مقطع زمانی 1991، 2008 و 2018 با صحت کلی شاخص کاپا به ترتیب 0/93 و 0/89 درصد برای سال 1991، 0/94 و 0/88 درصد در سال 2008 و 0/93 و 0/86 درصد سال 2018 تهیه شد. نتایج نشان می دهد کاربری آب منطقه با وسعت 37/68 کیلومترمربع روند افزایشی و اراضی کشاورزی و مناطق مسکونی با وسعت به ترتیب 139/04 و 226/56 روند کاهشی، اراضی جنگلی با وسعت 1041/49 به عنوان پوشش غالب منطقه باقی ماند و اراضی مرتعی با طی کردن روند کاهشی افزایش در هر دو دوره بعد از کاربری جنگل با وسعت 878/87 بیشترین وسعت را داشتند. با توجه به نتایج به دست آمده می توان گفت احداث سد کارون 3 باعث زیرآب رفتن زمین های کشاورزی و تبدیل آنها به کاربری دیگر شده است، درنتیجه مردم روستا به دلیل از دست دادن شغل خود مجبور به مهاجرت شده اند و مناطق مسکونی رها شده به سایر کاربری های تبدیل می شوند.

    کلید واژگان: سد کارون 3، تصاویر ماهواره ای، طبقه بندی شی ءگرا، تغییرات کاربری اراضی
    M. Pajouhesh*, H. Shekohideh, Z. Heydari

    Land use changes identifying to assess and monitor sensitive areas for sustainable planning and land management is essential. Remote sensing and the use of GIS technology as some of the most common methods in the world in monitoring land changes, especially, in the study of large areas. In this study, the trend of spatial land use changes in the area of Karun 3 dam was investigated. in the before and after the construction periods and dam intake using remote sensing and GIS over 27 years. In this study, the satellite imagery of Landsat 5 TM sensors from 1991 and 2008 and Landsat 8 OLI sensors in 2018 were analyzed and processed. Using object-oriented classification with land use maps for the three periods 1991, 2008, and 2018 with the overall accuracy of the Kappa index of 0.93 and 0.89 percent for 1991, 0.94, and 0.88 percent in 2008 and 0.93, respectively, and 0.86% in 2018 was prepared. The results showed that the water use of the region with an area of 37.68 square kilometers is increasing and agricultural lands and residential areas with an area of 1349.04 and 226.56, respectively, forest lands with an area of 1041.49 remained as the dominant cover of the region and rangelands by going through a decreasing trend of increase in both periods after forest use, with an area of 878.87, they had the largest area. According to the obtained results, it can be said that the construction of the Karun 3 dam has caused the flooding of agricultural lands and their conversion to another use, as a result of which the villagers were forced to migrate due to losing their jobs and abandoned residential areas become other uses.

    Keywords: Karun 3 dam, Satellite images, Object-oriented classification, Land use changes
  • سعید امانپور، محمد عبیات*، محمود عبیات، ماجده عبیات
    فرسایش خاک یک مشکل جهانی است که منابع آب و خاک را تهدید می کند و تغییرات کاربری اراضی یکی از عوامل مهم در فرسایش خاک می باشد. هدف این پژوهش ارزیابی اثر تغییرات کاربری بر فرسایش خاک و تولید رسوب در حوضه رامهرمز در استان خوزستان می باشد. برای این کار از تصاویر ETM+ (2002) و OLI (2019) ماهواره لندست استفاده شد. ابتدا تصاویر ماهواره ای با الگوریتم ماشین بردار پشتیبان (SVM) روش شیءگرا طبقه بندی شده و تغییرات کاربری در سال های 2019-2002 بررسی گردید. سپس فرسایش خاک با استفاده از مدل RUSLE محاسبه شده و میزان بار رسوب در منطقه برآورد گردید. نتایج پژوهش نشان داد که مناطق مسکونی، اراضی بایر و زراعت دیم به ترتیب به میزان 86/3520، 72/7041 و 29/5281 هکتار افزایش مساحت داشته و پهنه های آبی، مراتع و زراعت آبی به ترتیب 43/1760، 02/12323 و 43/1760 هکتار از مساحت خود را از دست داده اند. نتیجه تغییر این مساحت ها کاهش پوشش طبیعی خاک و افزایش فرسایش در منطقه بوده است. با درنظرگرفتن حد خاکسازی حدود یک تن در هکتار در سال ملاحظه گردید که برای سال 2002 حدود 24/43 درصد و برای سال 2019 حدود 99/64 درصد از مساحت منطقه مقدار فرسایش از حد قابل قبول بیشتر بوده است. نتایج محاسبات روش های نسبت تحویل رسوب نیز نشان داد میزان نسبت تحویل رسوب بین 07/0 تا 28/0 و حداکثر بار رسوب بین 18/0 تا 63/0 تن در هکتار در سال متغیر است. بنابراین نتایج این پژوهش، لزوم پرداختن به مساله فرسایش خاک در منطقه و ارایه راهکارهای مدیریتی را روشن می کند.
    کلید واژگان: کاربری اراضی، فرسایش، طبقه بندی شیءگرا، RUSLE، رامهرمز
    Saeed Amanpour, Mohammad Abiyat *, Mahmud Abiyat, Majedeh Abiyat
    Soil erosion is a global problem that threatens water and soil resources and land use change is one of the important factors in soil erosion. The purpose of this study is to evaluate the effect of land use change on soil erosion and sediment production in Ramhormoz basin in Khuzestan province. Landsat ETM+ (2002) and OLI (2019) images were used for this purpose. First, satellite images were classified using the Object Oriented Method (SVM) algorithm and the land use changes were studied during the years 2019-2002. Then the amount of soil erosion was calculated using the RUSLE model and the amount of sediment load in the area was estimated. The results showed that the residential areas, barren and rainfed cultivated lands increased by 3520.86, 7041.72 and 5281.29 hectares, respectively, and water bodies, pastures and irrigated lands have lost 1760, 43.02, 02.02. 12323 and 1760/43 hectars of their lands, respectively. The result of these changes in areas has been a decrease in natural soil cover and an increase in erosion in the region. Considering the landing limit of about one ton per hectare per year, it was found that the amount of erosion have been more than the acceptable level in 43.24 and 64.99% of the area in years 2002 and 2019, respectively. The results of calculations of sediment delivery ratio methods also showed that the rate of sediment delivery ratio varies from 0.07 to 0.28 and the maximum sediment load varies from 0.18 to 0.63 tons per hectare per year. Therefore, the results of this study clarify the need to address the issue of soil erosion in the region and to provide management solutions.
    Keywords: Land use, erosion, Object-Oriented Classification, RUSLE, Ramhormoz
  • صیاد اصغری سراسکانرود*، احسان قلعه، الهامه عبادی

    پیشینه و هدف:

     آب های زیرزمینی مهم ترین منبع آب شیرین جهان هستند. آب آشامیدنی دو میلیارد نفر مستقیما از آب های زیرزمینی تامین می شود و برای آبیاری بزرگ ترین بخش تهیه غذا در جهان استفاده می شود. برداشت بی رویه مخازن آب زیرزمینی موجب گردیده که میزان تغذیه آبخوان جواب گوی برداشت نبوده و سطح آب زیرزمینی افت نماید. افت سطح آب زیرزمینی مشکلاتی همچون خشک شدن چاه های آب، کاهش دبی رودخانه و آب دریاچه ها، تنزیل کیفیت آب، افزایش هزینه پمپاژ و استحصال آب و نشست زمین را به دنبال دارد. آگاهی از تغییرات تراز آب به منظور شناخت از وضعیت سفره های آب زیرزمینی و مدیریت بهینه آن ضرورت دارد. با ارزیابی نوسان سطح آب زیرزمینی می توان از آن در مدیریت منابع آب استفاده نمود.  یکی از کاربردهای عمده سنجش از دور کشف و تعیین تغییرات کاربری های اراضی است. با استفاده از سنجش از دور، امکان بررسی و شناسایی پدیده های مختلفی وجود دارد. هدف از این تحقیق بررسی تاثیر کاربری های مختلف بر روی سطح تراز آب های زیرزمینی با استفاده از روش های زمین آماری درونیابی و همچنین روش طبقه بندی شیءگرا برای استخراج نقشه کاربری اراضی می باشد.

    مواد و روش  ها:

     دشت اردبیل یک دشت میان کوهی که در شمال غرب ایران و در شرق فلات آذربایجان جای گرفته است. این دشت به وسعت 990 کیلومترمربع در بین ارتفاعات بلند اطرافش محصور شده است و از لحاظ تقسیمات سیاسی شامل قسمت هایی از شهرستان های اردبیل و نمین می شود. داده های مورد استفاده در این تحقیق شامل، تصویر ماهواره لندست 8 که از سنجنده OLI به منظور استخراج نقشه کاربری اراضی برای سال 1394 و همچنین از تصویر سنجنده TM لندست 5 به منظور تهیه نقشه کاربری اراضی برای سال 1366 استفاده شد. در این پژوهش از داده های عمق آب زیرزمینی 43 حلقه چاه پیزومتر در سطح دشت اردبیل استفاده شد. مراحل انجام تحقیق بدین ترتیب بود که پس از آماده سازی آمار چاه های پیزومتری جهت برطرف کردن نواقص موجود در داده های مطالعاتی از روش بازسازی داده ها استفاده گردید. روش بازسازی استفاده شده که صرفا برای برطرف کردن نواقص در داده ها از روش میانیابی در نرم افزار Neural Power (بر مبنای شبکه عصبی مصنوعی)، انجام گرفت. جهت نرمال سازی داده ها از تبدیل های لگاریتمی در نرم افزار SPSS  استفاده  شد، و از نرم افزار+GS  برای تحلیل های زمین آماری استفاده شد. به منظور تصحیحات جوی و رادیومتریکی از نرم افزار ENVI و جهت استخراج نقشه  لایه ها از نرم افزار ArcGIS استفاده شد.

    نتایج و بحث:

     بیشترین مساحت در سال 1366 متعلق به کلاس کشاورزی آبی با 51840 هکتار مساحت می باشد. دومین مساحت مربوط به کلاس کشاورزی دیم می باشد که با 48790 هکتار بیشترین مساحت را دارا می باشد. کمترین مساحت نیز متعلق به کاربری آب با 88.65 هکتار است. با نگاهی به کاربری های سال 1394 نتایج به دست آمده تفاوت های معنی داری را نشان داد، به صورتی که کاربری کشاورزی آبی با 10.17 هکتار افزایش نسبت به سال 1366 افزایش معنی داری را داشته است. بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون یابی از بین مدل های مختلف، تمامی مدل ها مورد ارزیابی قرار گرفتند و تنها مدل هایی انتخاب شدند که دارای دقت بیشتری نسبت به سایر مدل ها بودند. بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. باملاحظه نقشه کاربری اراضی و نقشه تراز آب زیرزمینی سال 1394 نیز، تحلیل فوق ثابت می شود و همانطور که مشخص می باشد بیشترین میانگین تراز آب در این سال نیز متعلق به کاربری کشاورزی آبی با 20.17 متر می باشد و کمترین میانگین تراز آب ثبت شده نیز مربوط به کاربری جنگل با 11.45 متر می باشد. که کاربری آب نسبت به سال 1366 دارای کاهش تراز سطح آب بوده است که این کاهش تراز آب باعث کاهش سطح آب سدها شده است و همچنین باعث کاهش حجم آب رودخانه ها بوده و حتی باعث خشک شدن چندین مورد از این رودخانه ها گردیده است. بعد از کاربری آب، از جمله کاربری های جالب توجه که لازم به تحلیل و علت جویی آن می باشد، کاربری کشاورزی آبی است. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می توان در عامل برداشت بیش از حد از آب های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. باتوجه به اینکه محصولات دیمی محدوده مورد مطالعه اغلب گندم بوده و نیازی به آب ندارند یا نیاز کمتری دارند ولی میزان تراز آب زیرزمینی سال 1394 نسبت به سال 1366 با افت قابل توجهی همراه بوده است. کاربری مرتع نیز در سال 1394 نسبت به سال 1366 افت چشمگیری داشته که این امر نشان دهنده وضعیت بحرانی آب های زیرزمینی و استفاده بیش از حد از این منابع می باشد.

    نتیجه گیری:

     در این پژوهش به منظور طبقه بندی و سپس بررسی تغییرات در بازه زمانی مشخص اقدام به طبقه بندی تصاویر از روش طبقه بندی شیءگرا در نرم افزار eCognition و خروجی ها در نرم افزار ArcGIS استخراج شد. ارزیابی صحت طبقه بندی برای سال 1394 از دقت بسیار بالایی برخوردار می باشد به طوری که صحت کلی و ضریب کاپای استخراج شده در بالاترین سطح ممکن یعنی صحت کلی 100 درصد و ضریب کاپای 0.99 و برای سال 1366 نیز با دقت کمتر استخراج شد و صحت کلی برای سال 1366، 98 درصد و ضریب کاپای 0.95 انجام شد. بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون یابی از بین مدل های مختلف، تمامی مدل ها مورد ارزیابی قرار گرفتند که با توجه به مقادیر ME و RMSE روش کریجینگ از دقت بالاتری نسبت به سایر روش ها برخوردار است که از بین حالت های مختلف روش کریجینگ نیز مدل گوسی دارای بیشترین دقت می باشد. طبق نتایج به دست آمده بیشترین کاربری تغییریافته در این محدوده، کاربری مرتع به کشاورزی آبی و کشاورزی دیم بوده است. این تغییر نشان می دهد که افزایش کاربری کشاورزی آبی و کشاورزی دیم در این محدوده با کاهش کاربری مرتع همراه بوده است که نشان دهنده تخریب مراتع است. طبق نقشه تراز آب زیرزمینی، بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. همچنین، بیشترین میانگین تراز آب در سال 1394 نیز متعلق به کاربری کشاورزی آبی با 20.17 متر می باشد و کمترین میانگین تراز آب ثبت شده نیز مربوط به کاربری جنگل با 11.45 متر می باشد. از جمله کاربری های جالب توجه که لازم به تحلیل و علت جویی آن می باشد، کاربری کشاورزی آبی است. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می توان در عامل برداشت بیش از حد از آب های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. در مجموع تمامی کاربری ها در سال 1394 نسبت به سال 1366 با کاهش میزان تراز آب مواجه بوده اند. در نتیجه تغییرات رخ داده موجب استفاده بیشتر کشاورزان از منابع آب زیرزمینی شده که افت سطح آب زیرزمینی را طیدوره 28 ساله در منطقه مورد مطالعه را به دنبال داشته است. این استفاده بیش از حد مجاز به اندازه ای بوده که در طی دوره مذکور9.4 متراز سطح تراز میانگین دشت کاسته شده است.

    کلید واژگان: آب های زیرزمینی، کاربری اراضی، روش های زمین آمار، طبقه بندی شیءگرا
    Sayyad Asghari Saraskanroud *, Ehsan Ghale, Elhameh Ebady

    Background and Objective :

    Groundwater is the most important source of fresh water in the world. Drinking water for two billion people is supplied directly from groundwater and is used to irrigate the world's largest food supply. Improper harvesting of groundwater reservoirs has led to the fact that the amount of feeder feed is not responsive to harvesting and the groundwater level has dropped. The drop in groundwater levels has led to problems such as drying up water wells, declining river and lake discharge, lowering water quality, increasing pumping costs and water extraction and land subsidence. Awareness of water level changes is necessary to understand the status of groundwater aquifers and their optimal management. By assessing groundwater level fluctuations, it can be used to manage water resources. One of the major applications of remote sensing is the detection and determination of land use changes. Using remote sensing, it is possible to study and identify various phenomena. The aim of this study was to investigate the effect of different land use on groundwater using interpolation geostatistical methods as well as object-oriented classification methods for land use mapping.

    Materials and Methods:

     Ardabil plain is a mountainous plain located in northwestern Iran and east of the Azerbaijani plateau. The plain covers an area of 990 km2 among the highlands around it and in terms of political divisions includes parts of the cities of Ardabil and Namin. The data used in this study included a Landsat 8 satellite image of the OLI surveyor for the 2015 land use map, as well as a Landsat TM 5 surveyor for the 1987 land use plan. Also, in this study, the groundwater depth data of 43 piezometer wells in Ardabil plain were used. In this research, after preparing the statistics of piezometric wells, the data reconstruction method was used to eliminate the deficiencies in the study data. Reconstruction, which was used only to correct deficiencies in the data, is an interpolation method performed by the Neural Power software (based on the artificial neural network). To normalize the data, logarithmic transformations were used in SPSS and GS+ software was used for geostatistical analysis. ENVI software was used for atmospheric and radiometric corrections and ArcGIS software was used to extract the layer map.

    Results and Discussion:

     The largest area in 1987 belongs to the irrigated agricultural class with an area of 51840 hectares. The second area belongs to the rainfed agricultural class, which has the largest area with 48,790 hectares. The smallest area also belongs to the use of water with 88.65 hectares. Looking at the uses of 1394, the results showed significant differences in such a way that the use of irrigated agriculture with 10.17 hectares has increased significantly compared to 1987. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated and only the models that were more accurate than the other models were selected. The highest average water level was recorded in 1987 for agricultural agriculture and the lowest average water level was recorded for the forest area. Considering the land use map and the groundwater level map of 1394, the above analysis is confirmed and as it is known, the highest average water level this year belongs to the use of irrigated agriculture with 20.17 meters and the lowest average recorded water level is related to the use of the forest is 11.45 meters. Compared to 1987, water use has had a decrease in water level, which has reduced the water level of dams and also reduced the volume of water in rivers and even dried up several of these rivers. After water use, one of the most interesting uses that need to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 2015 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. Due to the fact that the Rain-fed crops in the study area are mostly wheat and do not need water or needless, but the amount of groundwater level in 2015 compared to 1987 has been accompanied by a significant decline. The use of pastures in 2015 compared to 1987 has dropped significantly, which indicates the critical situation of groundwater and excessive use of these resources.

    Conclusion:

     In this study, in the first step, in order to classify and then examine the changes that occurred in a certain period of time in the study area. In order to classify the relevant images, An object-oriented classification method was used in eCognition software and the relevant outputs were extracted in ArcGIS software. Evaluation of classification accuracy for 2015 has a very high accuracy so that the overall accuracy and coefficient of the extracted Kapa at the highest possible level, the overall accuracy of 100% and the coefficient of Kapa 0.99 and for the year 1987 was extracted with less accuracy and general accuracy for In 1987, 98% and the Kappa coefficient was 0.95. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated. Due to ME and RMSE values, the curing method has higher accuracy than other methods. Among the various modes of the curing method, the Gaussian model has the highest accuracy. According to the results, the most changed use in this area has been the use of pastures in irrigated agriculture and Rain-fed agriculture. This change shows that the increase in the use of irrigated agriculture and Rain-fed agriculture in this area has been accompanied by a decrease in the use of rangelands, which indicates the destruction of pastures. According to the groundwater level map, the highest average water level was recorded in 1987 for irrigated agricultural use and the lowest average water level was recorded for the forest area. Also, the highest average water level in 2015 belongs to the use of irrigated agriculture with 20.17 meters and the lowest average recorded water level is related to forest use with 11.45 meters. One of the interesting uses that need to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 2015 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. In general, all uses in 2015 compared to 1366 have faced a decrease in water balance. As a result of these changes, farmers have made more use of groundwater resources, which has led to a drop in groundwater levels over a 28 years period in the study area. This overuse is enough to reduce the average level of the plain by 4.9 meters during the mentioned period.

    Keywords: Groundwater, land use, Geostatistical methods, Object-oriented Classification
  • صیاد اصغری سراسکانرود*، مهدی فعال نذیری

    تاثیر کاربری اراضی بر فرایندهای هیدرولوژیکی و رواناب حوضه آبخیز می تواند به مدیریت چالش های منابع آب و برنامه ریزی صحیح در مدیریت حوضه های آبخیز کمک نماید. مدل های هیدرولوژیکی نمایش ساده شده ای از سیستم هیدرولوژی واقعی هستند که به مطالعه درباره کارکرد حوضه می پردازد بنابراین انتخاب مدل، نیاز به تشخیص قابلیت و محدودیت مدل های هیدرولوژی حوضه دارد. در این تحقیق، به منظور بررسی تاثیر کاربری اراضی بر رواناب حوضه رودخانه نیر چای، از تصاویر ماهواره ای لندست (OLI-TM) سال های (1990-2000-2018) استفاده شد. ابتدا تصاویر مربوطه اخذ و پیش پردازش های لازم اعمال شد، سپس طبقه بندی با استفاده از روش شی ءگرا و الگوریتم نزدیک ترین همسایگی صورت گرفت همچنین از مدل (SWAT) برای شبیه سازی هیدرولوژیکی حوضه استفاده شد و از الگوریتم (SUFI-2) در نرم افزار SWAT-CUP)) برای تحلیل حساسیت، واسنجی، اعتبار سنجی بهره گرفته شد. با توجه به ضریب NS و R2، P و R به دست آمده در مرحله واسنجی (به ترتیب برابر با 74/0 و 75/0 و 88/0 و 82/0) و در مرحله اعتبار سنجی (به ترتیب برابر با 68/0 و 72/0 و 90/0 و 79/0) نشان می دهد این آمار دارای کارایی قابل قبولی در پیش بینی متغیرهای موردبررسی در آبخیز موردمطالعه دارد. ازاین رو نتایج این پژوهش نشان داد مدل SWAT بهترین عملکرد را از شبیه سازی رواناب حوضه رودخانه نیر چای نسبت به داده های مشاهداتی در دوره صحت یابی داشته است.

    کلید واژگان: پارامترهای هیدرولوژیکی، رواناب، طبقه بندی شئ گرا، کاربری اراضی، مدل SWAT
    Sayyad Asghari Sararskanroud *, Mehdi Faal Naziri

    Impact of land use on hydrological processes and runoff of watershed can help manage water resources challenges and proper planning in watershed management. Hydrological models are a simplified representation of a real hydrological system that studies the basin's performance, so selecting a model requires identifying the capability and limitation of basin hydrology models. In this study, Landsat satellite imagery (OLI-TM) for years (1990-2000-2018) was used to investigate the impact of land use on runoff in the Nai Chai River Basin. Initially, the relevant images were obtained and preprocesses were applied, then the classification was done using the object-oriented method and the nearest-neighbor algorithm. Validation was used for sensitivity analysis, calibration. According to the coefficients NS, R2, P and R obtained at the calibration stage (0.74, 0.75, 0.88, 0.82, respectively), and at the validation stage (0.68 , 0.68, 0.72, 0.90, 0.79) respectively, indicate that these statistics have an acceptable performance in predicting the variables under study in the watershed. Therefore, the results of this study showed that the SWAT model has the best performance from runoff simulation in the Ney Chai river basin compared to observational data during the validation period.

    Keywords: Hydrological Parameters, Runoff, Object Oriented Classification, Land Use, SWAT Model
  • صیاد اصغری سراسکانرود*، مهدی فعال نذیری، الناز پیروزی

    امروزه به علت پیشرفت های صنعتی و رشد فزاینده محیط های شهری، ایجاد اکوپارک، به عنوان مکانی که بتواند شرایط محیط زیست طبیعی را برای بشر فراهم کند، ضروری است. هدف مطالعه حاضر مکان یابی تطبیقی اکوپارک در سطح شهرستان های اردبیل، مشکین شهر، سرعین، نیر و نمین با استفاده از مدل های تحلیل چندمعیاره است. در راستای رسیدن به اهداف پژوهش، ابتدا چهار معیار و 15 زیرمعیار به عنوان عوامل موثر بر مکان یابی اکوپارک شناسایی شدند. سپس برای وزن دهی عوامل، از روش فرایند تحلیل شبکه ای (ANP) و برای تحلیل مدل نهایی از روش میانگین گیری وزن دار ترتیبی (OWA) به عنوان یکی از روش های تصمیم گیری چندمعیاره استفاده شد. نتایج حاصل از وزن دهی معیارها نشان داد که معیار فاصله از رودخانه ها بیشترین مقدار ضریب وزنی را به خود اختصاص داده است. برای انتخاب مکان مناسب اکوپارک، محدوده مورد مطالعه به چهار گروه از توان بالا تا فاقد توان طبقه بندی شد که 130815 هکتار از مساحت محدوده در طبقه با توان زیاد و 167213 هکتار در طبقه با توان متوسط قرار دارد. مناطقی که به عنوان نقاط با توان بالا جهت ایجاد اکو پارک شناسایی شدند، به طور عمده در کاربری های جنگل، مراتع متوسط و باغات قرار دارند. این مناطق، بیشتر در نزدیکی یکی از رودخانه های دایمی و بزرگ استان قرار گرفته اند. با توجه به نتایج مطالعه، بخش های جنوبی مشکین شهر و شمال کوه سبلان به علت وجود جاذبه های متنوع طبیعی و انسانی و داشتن محیط بکر به عنوان مناسب ترین مکان جهت ایجاد اکوپارک انتخاب شد.

    کلید واژگان: مکان یابی، اکوپارک، تحلیل چندمعیاره، طبقه بندی شیء گرا، استان اردبیل
    S. Asghari Saraskanroud*, M. Faal Naziri, E. Pirouzi

    Today, due to industrial advances and the expansion of urban environments, it is essential to create ecoparks as places that can provide natural environments for human. The current study performed a comparative ecopark site selection across Ardabil, Meshkinshahr, Sarein, Nir and Namin, using multi-criteria analysis models. To achieve the research objective, four criteria and 15 sub-criteria were identified, as effective factors on ecopark site selection in the region. The analytic network process (ANP) was used to weigh the factors and ordered weighted average (OWA) was employed, as a multi-criteria decision making method, to analyse the final model. Results of the weighting approach showed that distance from rivers accounted for the highest weight coefficient. To select suitable places for ecopark, the study area was classified into four groups of high to low land suitability, including 130815 hectares of high and 167213 hectares of moderate suitability. Lands with high suitablity were mainly located in forests, fair rangelands and orchards. In addition, suitable areas were mostly located near one of the large and permanent rivers of the province. Based on the results, southern parts of Meshkinshahr and the north of Sabalan Mountain were selected as the most suitable areas for ecopark, due to the existence of various natural and human attractions and having a pristine environment.

    Keywords: Site selection, Ecopark, Multi-criteria analysis, Object-oriented classification, Ardabil province
  • حسن فتحی زاد، محمدعلی حکیم زاده اردکانی*، روح الله تقی زاده مهرجردی، حمید سودائی زاده

    در سال های اخیر به دلیل گسترش فعالیت های صنعتی، غلظت فلزات سنگین در محیط زیست و همچنین مواد غذایی افزایش یافته است. قدرت تجمع زیستی فلزات سنگین از دلایل خطرآفرین بودن، آن ها است. با توجه به اهمیت آلودگی عناصر سنگین پژوهش حاضر با هدف ارایه توزیع مکانی آنها در خاک و ارتباط آن با کاربری اراضی در دشت یزد-اردکان، استان یزد انجام شد. محل 201 نمونه خاک از عمق صفر تا cm 20 بر پایه روش نمونه برداری ابرمکعب (هایپرکیوب) تعیین و برداشت شد و غلظت کل عناصر Fe، Mn، Ni، Pb و Zn به کمک دستگاه جذب اتمی مدل Analytik Jena-novAA300 اندازه گیری شد. سپس برای تبدیل داده های نقطه ای به داده های سطحی از روش های زمی نآمار IDW, GPI, RBF, LPI, Kriging استفاده شد. نقشه کاربری اراضی دشت یزد- اردکان مربوط به سال 2016 با استفاده از روش طبقه بندی شیءگرا در 7 طبقه تولید شد. نتایج بررسی رابطه غلظت فلزات سنگین خاک با کاربری ارضی نشان داد که کاربری اراضی کشاورزی و باغ و تپه های ماسه ای با میانگین ppm 0/095 و 0/836 به ترتیب بیشترین و کمترین غلظت Fe را دارند. بیشترین میانگین غلظت Mn مربوط به کاربری اراضی مسکونی با 1/821 ppm و کمترین مربوط به اراضی صخره ای با  1/083 ppm  است. مرتع فقیر و اراضی بایر با 0/302 ppm بیشترین و اراضی مسکونی با میانگین 0/219 ppm کمترین غلظت Ni را دارند. بیشترین میانگین Pb در کاربری اراضی کشاورزی و باغ و اراضی مسکونی (1/465 و 1/373  ppm به ترتیب) و کمترین میانگین در اراضی صخره ای با 0/925 ppm  دیده می شود. کاربری های اراضی کشاورزی و باغ با 0/583 و اراضی مسکونی با 0/552 بیشترین میانگین غلظت Zn و کاربری اراضی صخره ای با 0/342 ppm کمترین غلظت Zn را به خود اختصاص داده اند.

    کلید واژگان: آلودگی خاک، ابرمکعب، زمین آمار، واریوگرام، طبقه بندی شیءگرا
    Hassan Fathizad, MohammadAli Hakimzadeh Ardakani *, Ruhollah Taghizadeh Mehrjardi, Hamid Sodaiezadeh

    In recent years, due to the expansion of industrial activities, the concentration of heavy metals in the environment as well as foods has increased. Heavy metals are dangerous because of their bioaccumulation. Regarding the importance of contamination of heavy elements of the soil, the present study aimed to provide the spatial distribution of heavy metals and its relationship with land use in the Yazd-Ardakan plain, Iran. First, 201 soil samples from depths of 0 to 20 cm were sampled using the hypercube method, and the total concentration of iron, manganese, nickel, lead, and zinc elements were determined using Analytical Jena-novAA300 atomic absorption device. Then, to convert point data to surface data, geostatistical methods of IDW, GPI, RBF, LPI, and Kriging were used. The land cover/use map of the Yazd-Ardakan plain in 2016 was mapped using an object-oriented classification method. Results of the relationship between heavy metals concentration and land cover/use showed that the agricultural lands and gardens and sand dunes with the mean of 0.950 and 0.836 ppm had the highest and lowest iron concentrations. The highest mean concentration of manganese was related to the residential land (1.821 ppm) and the lowest mean of rocky terrains (1.083 ppm), the most average for poor rangelands and bare land was (0.302 ppm), Residential areas had the lowest nickel concentration (0.192 ppm). The highest mean of lead metal in agricultural land and gardens, as well as residential areas (1.465 and 1.373 ppm, respectively) and the lowest, mean in rocky terrains (0.925 ppm). Agricultural and gardens areas, and residential lands, have the highest mean of zinc concentration (0.583 and 0.552 ppm, respectively), and the rocky terrain has the lowest zinc concentration (0.342 ppm).

    Keywords: Soil pollution, Hypercube, geo-statistics, object-oriented classification
  • صدیقه غفاری کندری*، حمیدرضا مرادی، رضا مدرس
    در مطالعه حاضر، اثر تغییر کاربری اراضی بر سطح آب زیرزمینی دشت های اصفهان-برخوار، نجف آباد و چادگان در دوره زمانی 25 سال (2015-1990) بررسی شد. به منظور تهیه نقشه های کاربری اراضی، ابتدا تصاویر ماهواره لندست مربوط به سال های 1985، 1994، 2006 و 2015 دریافت و سپس الگوریتم نزدیک ترین همسایه روش شیءگرا برای پردازش آن ها به کار برده شد. در ادامه نقشه های پهنه بندی سطح آب زیرزمینی در مقیاس سالانه با استفاده از روش کریجینگ تهیه شد. برای بررسی اختلاف بین داده های پیزومتری دشت های مورد مطالعه و بررسی اثر نوع کاربری اراضی بر ارتفاع آب زیرزمینی از آزمون تجزیه و تحلیل واریانس به روش اندازه گیری مکرر استفاده شد. نتایج نشان داد در دو دشت اصفهان-برخوار و نجف آباد، میانگین ارتفاع آب زیرزمینی در کاربری مرتع در مقایسه با سایر کاربری ها اختلاف معنی داری داشته است. هم چنین بررسی ارتباط متقابل تغییر درصد مساحت کاربری های اراضی و افت آب زیرزمینی نشان داد علی رغم کاهش کلی سطح اراضی زراعی در طول دوره مورد مطالعه در دو دشت اصفهان-برخوار و نجف آباد، سطح آب زیرزمینی در سال های پایانی افت شدید داشته است. علاوه بر آن طبق نتایج به دست آمده، افت آب زیرزمینی دشت چادگان در مقایسه با دو دشت دیگر بیش تر متاثر از افزایش سطح اراضی زراعی بوده است.
    کلید واژگان: تجزیه و تحلیل واریانس، چاه پیزومتری، روش کریجینگ، طبقه بندی شیء گرا، نقشه پهنه بندی
    Sedigheh Ghafari *, Hamid Reza Moradi, Reza Moddares
    In the current study, the effect of land use change on groundwater level in Isfahan-Borkhar, Najafabad and Chadegan plains was investigated during 25-year period (1990-2015). To provide land use maps, firstly Landsat images of years; 1985, 1994, 2006 and 2015 were provided and then the nearest neighbor algorithm of object-oriented method was used for images processing. In addition, the zoning maps of groundwater level in annual scale were prepared using Kriging method. In order to investigate the differences of piezometric data among different plains and also the effect of land use types on groundwater level, the analysis of variance (ANOVA) test with repeated measure was used. The results showed that in Isfahan-Borkhar and Najafabad plains, the average groundwater level of rangelands had a significant difference with other land uses. In addition, investigating the interactive relationship of the land uses change percentages and the groundwater level decline showed a serious decrease in groundwater level of both Isfahan-Borkhar and Najafabad plains in the last years, in spite of reduction in agricultural land use during the study period. Furthermore, according to the obtained results, the groundwater level drawdown in Chadegan Plain as compared with two other plains was mainly affected by increasing agricultural lands.
    Keywords: Analysis of Variance, Kriging Method, Object-Oriented Classification, Piezometric Well, Zoning Map
  • بهروز خدابنده لو، حسن خاوریان *، اردوان قربانی

    دقت نقشه تغییرات کاربری به دست آمده از داده های سنجش ازدور به دقت نقشه های طبقه بندی کاربری اراضی در زمان های مورد مطالعه بستگی دارد. در این مطالعه از تصاویر سنجنده های TM و OLI در سال های 1368 و  1397 و روش طبقه بندی شئ گرا برای بررسی روند تغییرات کاربری/ پوشش اراضی با تاکید بر کاربری کشاورزی در حوزه آبریز قره سو استفاده شد. پس از پیش پردازش های لازم، پردازش شئ گرا با اعمال فرایند سگمنت سازی چند تفکیک آغاز گردید. جهت دستیابی به دقت بیش تر طبقه بندی کاربری اراضی علاوه بر باندهای طیفی از سایر اطلاعات نظیر شاخص نرمال شده تفاضل پوشش گیاهی NDVI، میانگین باندها، انحراف معیار باندها و ویژگی های هندسی استفاده شده است. از بین این اطلاعات غیر طیفی استفاده شده، تعداد 15 ویژگی توسط روش بهینه سازی فضای  ویژگی ها FSO انتخاب و به عنوان اطلاعات جانبی در طبقه بندی الگوریتم نزدیک ترین همسایگی مورداستفاده قرار گرفتند. ضریب کاپای حاصل از ارزیابی صحت طبقه بندی تصاویر سال های 1368 و  1397 به ترتیب 85 و 96 درصد محاسبه شد که نشان دهنده قابل اعتماد بودن نتایج طبقه بندی شئ گرا است. در مرحله بعد به کمک نقشه های طبقه بندی شده و روش مقایسه پس از طبقه بندی، نقشه تغییرات تهیه گردید. طبق نتایج حاصل از آشکارسازی تغییرات، کاربری کشاورزی طی این بازه زمانی حدود 73849 هکتار افزایش سطح را در برداشته است که علت اصلی آن تخریب مراتع و به زیر کشت بردن این کاربری است.

    کلید واژگان: طبقه بندی شئ گرا، تغییرات کاربری، پوشش اراضی، الگوریتم نزدیک ترین همسایگی، حوزه آبریز قره سو
    Behrooz Khodabandehlou, Ardavan Ghorbani, Hassan Khavarian *

    The accuracy of land use changes map obtained from remote sensing data depends on the accuracy of each of the land use maps during the time period studied. In this study, TM and OLI images in 1989 and 2018 and an object-oriented classification method were used to investigate the land use/ land cover change trends with an emphasis on agricultural land use in the Ghare Sou basin. After the pre-processing, the object-oriented processing using the multiresolution segmentation method was applied. In addition to the spectral bands, some additional information such as a normalized difference vegetation index (NDVI), band means, the standard deviation of bands and geometry characteristics were used to extract land use in order to obtain more accurate results. Of these non-spectral data used, 15 characteristics were selected by Feature space optimization (FSO) method to be used in the nearest neighborhood algorithm. The kappa coefficient of the land use maps for 1989 and 2018 was 85% and 96%, respectively, indicating the reliability of the object-oriented classification results. In the next step, the map of the changes was produced comparing the classified maps. According to the results of the change detection, the agricultural land use during the studied period has an increase of 73849 hectares, mainly due to the destruction of rangelands and its conversion to the agricultural land.

    Keywords: Object oriented classification, Land use, land cover changes, Nearest neighbor algorithm, Ghare Sou basin
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال