فهرست مطالب

سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی - سال دوازدهم شماره 3 (پاییز 1400)

نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی
سال دوازدهم شماره 3 (پاییز 1400)

  • تاریخ انتشار: 1400/08/12
  • تعداد عناوین: 6
|
  • مریم حقیقی خمامی*، محمدجواد تجدد، مکرم روانبخش، فریبرز جمالزاد فلاح صفحات 1-17
    پیشینه و هدف

     در طول سالیان اخیر تحقیقات زیادی در تالاب انزلی به‌عنوان یکی از مهم‌ترین تالاب ‌های عضو کنوانسیون رامسر انجام‌ گرفته است. که با توجه به ماهیت و موقعیت جغرافیایی تالاب از هزینه بالایی برخوردار بوده است. نیاز به شناسایی، طبقه ‌بندی، آشکارسازی، پیش ‌بینی و پیشرفت تکنولوژی این امکان را داده تا با هزینه‌ ای به‌مراتب کمتر بتوانیم با داده‌ های سنجش‌ از دور و با استفاده از قابلیت ‌هایی چون سهل ‌الوصول بودن، دقت بالا، پوشش وسیع و قابل تکراری بودن ازنظر زمانی و مکانی و استخراج اطلاعات در زمان نسبتا کم، محیط‌ های طبیعی را با دقت و سرعت بیشتری بررسی کنیم زیرا یکی از مهم ‌ترین مشکلاتی که در مسئله بررسی تغییرات پوشش گیاهی وجود دارد عدم وجود اطلاعات مکان‌دار دقیق منطقه در طول زمان است. تصاویر ماهواره ‌ای و فناوری سنجش ‌از دور این امکان را فراهم می ‌کند تا با اتکا به اطلاعات تولیدی از آن به برنامه بهتری جهت مدیریت محیط‌زیست دست‌ یافت. در این مطالعه طبقه ‌بندی پوشش گیاهی تالاب انزلی با استفاده از تکنیک طبقه ‌بندی شیگرا تصویر ماهواره‌ لندست با نمونه ‌برداری زمینی و بر پایه شاخص تالابی گیاهان و همچنین میزان ترکم پوشش گیاهی با تهیه نقشه شاخص پوشش گیاهی (NDVI) مورد بررسی و تجزیه ‌و تحلیل قرار گرفت. از نقشه‌ های طبقه ‌بندی پوشش گیاهی تالاب می‌ توان در تشخیص میزان و نوع پوشش و برنامه‌ ریزی جهت حفظ و احیا تالاب بهره جست.

    مواد و روش ها

    در این مطالعه که تهیه نقشه طبقه‌ بندی پوشش گیاهی بر اساس شاخص تالابی به‌عنوان یکی از معیارهای موردنیاز مرزبندی اکولوژیکی تالاب، مدنظر است. ابتدا محدوده های کلی پوشش گیاهی تالاب در ساحل و پیرامون آن شناسایی شد. سپس داده های پوشش گیاهی گونه‌ های آبزی تالاب از مناطق مختلف آبی تالابی در پلات‌ های 0.25 مترمربعی و در محدوده حاشیه خشکی از گونه ‌های خشکی ‌زی حاشیه تالاب به کمک پلات های 1 متر مربعی برداشت شد. در مجموع 42 پلات طی بهار و تابستان 1398 برداشت شد. پس از تهیه تصاویر موردنیاز، آماده ‌سازی آن‌ ها شامل تصحیحات هندسی، اتمسفری، رادیومتریکی و بارزسازی تصویر با استفاده از نرم‌افزارENVI  انجام شد. تصویر ماهواره لندست (Landsat) 8 تیرماه 98 با قدرت تفکیک مکانی 30 متر جهت طبقه ‌بندی پوشش گیاهی و تهیه نقشه شاخص پوشش گیاهی (NDVI) و تصویر ماهواره سنتینل-2 (Sentinel-2) تیرماه 98 به دلیل قدرت تفکیک زمینی 10 متر جهت تلفیق با داده لندست 8 به ‌عنوان داده کمکی در طبقه ‌بندی تصویر مورد استفاده قرار گرفت. ادغام این دو تصویر با حفظ مقادیر طیفی تصویر چند طیفی باعث بهبود قدرت تفکیک مکانی تصویر حاصله می‌گردد. عملیات طبقه ‌بندی شی‌ء گرا به ‌منظور تفکیک و طبقه ‌بندی بهتر تصویر لندست 8 تلفیق ‌شده با استفاده از نقاط تعلیمی حاصل از نمونه ‌برداری زمینی انجام شد. ارزیابی صحت طبقه‌ بندی با استفاده از  نمونه های آزمایشی به ‌عنوان نقاط واقعیت کنترل زمینی، برای هر کلاس به‌صورت تصادفی انجام و ماتریس خطای طبقه ‌بندی استخراج گردید.

    نتایج و بحث

     ابتدا گیاهان غالب و نماینده وضعیت تالابی آن ‌ها به کمک نمونه گیری در منطقه شناسایی شدند. با محاسبه درصد نسبی پوشش گیاهان غالب در محل نمونه گیری و با توجه به فهرست گونه های گیاهی شناسایی شده و شناسایی شاخص تالابی آن‌ها، گروه های گیاهی تالابی و غیر تالابی تفکیک گردیدند. در مجموع از طبقه ‌بندی گونه ‌های پلات ‌ها (42 قطعه‌ نمونه) تعداد 180 گونه گیاهی در 124 جنس و 48 تیره شناسایی شد. همچنین چهار گروه گیاهان اجباری تالاب (OBL)، گیاهان اختیاری و اجباری تالاب (OBL & FACW)، گیاهان اختیاری خشکی و اختیاری تالاب (FACU & FACW) و گیاهان اختیاری تالاب (FACW) تفکیک گردیدند. تهیه نقشه طبقه ‌بندی پوشش گیاهی از طریق تلفیق نمونه ‌برداری زمینی و طبقه ‌بندی شی‌ء‌ گرا تصویر سنجنده OLI ماهواره لندست سال 98 تلفیق‌ شده است. صحت نقشه‌ های طبقه ‌بندی‌ شده بر اساس مقادیر آمار کاپا و صحت کلی مورد ارزیابی قرار گرفت. میزان دقت کلی 88.62 درصد و میزان ضریب کاپا برابر با 84 درصد به دست آمد. بر اساس نتایج خروجی طبقه ‌بندی تصویر گروه گیاهان اجباری تالاب در حاشیه پهنه ‌های آبی تالاب (حاشیه تالاب غرب و سرخانکل)، گروه گیاهان اختیاری تالاب بیشتر در حاشیه خشکی تالاب و به‌طور عمده در جنوب غربی تالاب (تالاب سیاه کشیم) و پناهگاه حیات ‌وحش چوکام در بخش شرقی تالاب، گروه گیاهان اختیاری و اجباری تالاب با پراکنش کمتر به ‌طور یکنواخت در کل گروه گیاهان اختیاری خشکی و اختیاری تالاب در بخش کوچکی از محدوده و محدوده تالاب در منطقه چوکام، شمال و شمال غرب تالاب مشاهده گردید. بررسی درصد تراکم  پوشش گیاهی در سطح تالاب با شاخص NDVI، توزیع پوشش متراکم گیاهی در نواحی مختلف تالاب و محدود شدن سطح آب بستر تالاب را نشان می‌دهد.

    نتیجه گیری

    نتایج بررسی تصاویر ماهواره‌ ای و طبقه‌ بندی آن ‌ها با توجه به نمونه‌ های زمینی نشان می‌ دهد که گسترش و پراکندگی گیاهان اجباری تالاب (OBL) محدود به پهنه‌های آبی تالاب است، به ‌طوری‌ که بیشترین پراکنش این گیاهان مربوط به پهنه آبی تالاب غرب و سرخانکل می ‌شود. گسترش گونه‌ های اختیاری تالاب (FACW) در پهنه ‌های خشکی تالاب است که نشان از خشک شدن بیشتر مناطق تالاب در قسمت سیاه کشیم (جنوب غربی) و چوکام (شرق) است. طبقه ‌بندی تصاویر ماهواره ‌ای و درصد حضور هر یک از گروه ها در آن نشان داد که گروه اراضی کشاورزی (با سطح حضور 23.9 درصد) و گروه گونه ‌های اختیاری تالاب (FACW) (با سطح حضور 23.6 درصد و غالبا گونه ‌های نی، توسکا، بید) بالاترین درصد گروه های طبقه ‌بندی پوشش محدوده تالاب انزلی را به خود اختصاص داده‌اند. این امر ضمن بیان حضور بیشتر گونه های اختیاری تالاب در مقایسه با گونه های اجباری تالاب (OBL) (با سطح حضور 10.1 درصد) و سطح اشغال اراضی زراعی، به ‌روشنی خشک شدن تالاب را نشان می دهد. درصد پوشش گیاهی در سطح تالاب نیز با شاخص پوشش گیاهی (NDVI) بررسی گردید که بیشترین آن متعلق به پوشش گیاهی متراکم است. با توجه به اینکه تصویر ماهواره ‌ای مربوط به فصل تابستان است، نشانگر توزیع پوشش گیاهی در نواحی مختلف تالاب و سطح آب بستر تالاب است که نشان از کاهش میزان سطوح آبی تالاب دارد. بررسی پوشش ‌های گیاهی و تغییرات اکولوژیک آن‌ ها به‌صورت دوره ‌ای، اطلاعات مفیدی از تغییرات منابع آبی و اکولوژیک تالاب جهت برنامه ‌ریزی در حفظ و نگهداری آن به ‌عنوان یک اکوسیستم مهم در منطقه در اختیار مدیریان و برنامه ریزان قرار می ‌دهد.

    کلیدواژگان: شاخص گیاهان تالابی، طبقه بندی، شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)، سنجش از دور، تالاب انزلی
  • محسن قدس، حسین آقامحمدی زنجیرآباد*، علیرضا وفایی نژاد، سعید بهزادی، علیرضا قراگوزلو صفحات 18-39
    پیشینه و هدف

     یکی از روش‌ های کاهش جذب تشعشعات خورشیدی و جلوگیری از ایجاد جزایر حرارتی شهری، افزایش سایه توسط پوشش گیاهی است. به خصوص ایجاد سایه بر ساختمان ‌ها که موجب خنک شدن خانه ‌ها، کاهش مصرف انرژی و هزینه ‌ها، افزایش ارزش خانه ‌ها، ایجاد جلوه بصری مناسب و حس خوبی و سرزندگی می ‌شود. هر چند از نظر اقتصادی میزان صرفه‌جویی رخ ‌داده در اثر سایه و خنک شدن هوا برای یک درخت در طول عمر آن در نواحی آب ‌و هوایی مختلف، متفاوت بوده و بستگی به نوع درخت، میزان سایه ‌گستری آن در طول روز و در فصول مختلف سال دارد، اما اثر آن در صرفه‌ جویی مصرف انرژی و هزینه ‌ها قطعی است. موضوع تحقیق حاضر برنامه ‌ریزی استراتژیک در خصوص افزایش پوشش سایه درختان در مناطق مسکونی شهری است. روشی ساده برای ایجاد سایه فراوان کاشت درختان متعدد در اطراف ساختمان‌ ها است. اما این روش در بسیاری از مناطق که با مشکل کمبود آب مواجه ‌اند، به دلیل هزینه‌ های زیاد آن غیر عملی است. ضمن آن ‌که وجود سایه ‌های اضافی بر سطح بام ساختمان، موجب کاهش قابلیت در معرض تابش پرتوی خورشید قرار گرفتن بر سطح بام ساختمان ‌ها و کاهش پتانسیل استفاده از پانل‌ های خورشیدی بر سطح بام برای تولید الکتریسیته خواهد شد. اما چالش اصلی دست‌ یابی به بیشترین مزایای سایه با استفاده از روشی است که بتواند با تعداد کمی درخت در نقاطی بهینه، پوشش سایه بیشینه بر سطح نما و پوشش سایه کمینه بر سطح بام را فراهم آورد. موضوع مکان ‌یابی موقعیت درختان با هدف بهینه ‌سازی پوشش سایه، یعنی بیشینه نمودن پوشش سایه بر سطح نما، درب و پنجره و کمینه نمودن پوشش سایه بر سطح بام، یک مسئله غیرقطعی سخت است و راه‌حل دقیق و قطعی ندارد. لذا از سیستم اطلاعات جغرافیایی سه ‌بعدی و الگوریتم کلونی مورچه ‌ها برای این منظور استفاده‌ شده است. در پژوهش ‌های گذشته شده اغلب اثرات سایه پوشش درخت بر یک ساختمان منفرد موردبررسی قرارگرفته است؛ درحالی‌که در این پژوهش به ‌جای یک ساختمان منفرد یک بلوک ساختمانی، شامل چندین ساختمان متصل به یکدیگر، موردبررسی قرار می ‌گیرد. زیرا در اکثر شهرهای ایران، ساختمان ‌ها به هم چسبیده و تشکیل بلوک ساختمانی را می ‌دهند. ضمن این ‌که در بیشتر پژوهش‌ های پیشین، اثر پوشش سایه حداکثر دو درخت بر روی ساختمان مورد بررسی قرارگرفته است؛ در حالی‌ که در این پژوهش اثر پوشش سایه 15 اصله درخت را بر روی بلوک ساختمانی بررسی می ‌نماییم. در هیچ‌یک پژوهش ‌های انجام‌ شده بهینه ‌سازی پوشش سایه درختان بر سطح نمای ساختمان از روش بهینه‌ سازی فرا-ابتکاری و ترکیب آن با GIS استفاده ‌نشده است. در این پژوهش با رویکردی ترکیبی از GIS در یک محیط سه ‌بعدی و روش‌ فرا-ابتکاری ACO در مکان ‌یابی استراتژیک تعداد مختلف درختان، با هدف بیشینه نمودن پوشش سایه درختان بر سطح نمای ساختمان‌ ها و کمینه نمودن پوشش سایه درختان بر سطح بام استفاده می ‌شود.

    مواد و روش ها

    برای انجام تحلیل ‌ها دو نوع داده موردنیاز است. یکی مشخصات بلوک ساختمانی، برای مثال: ابعاد، موقعیت و اندازه نما، بام، درب و پنجره ‌ها و دیگری مشخصات درخت (ارتفاع و موقعیت). برای مدل ‌سازی مسئله بهینه ‌سازی پوشش سایه درختان از GIS سه ‌بعدی و الگوریتم ACO استفاده ‌شده است. GIS سه ‌بعدی قابلیت ذخیره ‌سازی، تجزیه ‌و تحلیل و ایجاد توپولوژی سه ‌بعدی را فراهم نموده و ACO نیز برای خلاصه ‌سازی شرایط دنیای واقعی در یک مسئله ریاضی استفاده ‌شده است. برای ذخیره ‌سازی اطلاعات مکانی و استخراج سطح پوشش، توپولوژی مکانی از GIS و قواعد مثلثاتی استفاده ‌شده است. پس از ذخیره ‌سازی موقعیت، ترکیب و اطلاعات توصیفی اشیا دو بعدی و سه ‌بعدی توسط داده ‌های توپولوژیکی، برای استخراج موقعیت سایه، ازنظر دافیه و بکمن در 2013 استفاده ‌شده است. سپس با توجه به نظر چرچ و ریوله مسئله مکان ‌یابی پوشش حداکثری تعریف ‌شده است. برای بهینه ‌سازی مکانی سه ‌بعدی به 3 دلیل ذیل از روش ACO استفاده می ‌شود. دلیل اول مبتنی بر استفاده از قواعد مثلثاتی پیچیده فوق ‌الذکر در محاسبه پوشش سایه بر روی ساختمان‌ های مختلف و به خصوص استفاده از مدل سه ‌بعدی پیچیده و با جزییات کامل برای درخت و بلوک ساختمانی است. دلیل دوم مبتنی بر عدم وجود روشی قطعی برای حل این مسئله بهینه ‌سازی با توجه به قیود غیرخطی شامل توابع مثلثاتی و دلیل سوم مبتنی بر وجود فضای پیوسته اطراف بلوک ساختمانی است که در هر مکانی امکان قرارگیری درخت وجود دارد و لذا منجر به بی ‌نهایت ترکیب از ترتیب چند درخت در فضای ممکن برای بررسی مسئله می‌ گردد. جزییات مراحل عبارت‌اند از؛ 1) تعریف مجموعه مکان ‌های ممکن برای درخت بر اساس ارتفاع، قطر تاج، محوطه پیرامونی و چشم‌ انداز بیرونی بلوک ساختمانی. 2) استفاده از روشی برای قرارگیری اولین درخت در تمام مکان‌ های ممکن اطراف بلوک ساختمانی در طی ساعات گرم در روزهای مشخصی از فصل تابستان و محاسبه بیشترین پوشش سایه بر روی بلوک ساختمانی بر اساس وزن اجزا ساختمان. 3) حذف مکان‌ های ممکن قرار گرفته در تاج درخت به‌ منظور جلوگیری از همپوشانی تاج درختان و 4) تکرار مراحل 2 و 3 برای قرارگیری درختان بعدی در مکان ‌های ممکن اطراف بلوک ساختمانی تا زمانی که تعداد درختان به تعداد درختان مورد نظر برای ایجاد سایه برسد. با توجه به این‌که بی ‌نهایت مکان ممکن، یک مرحله ساده‌سازی و محدود کردن تعداد مکان‌ های ممکن ضروری است. برای این منظور، فضای پیوسته به مجموعه مکان ممکن برای قرارگیری Ni درخت بافاصله 2 متری در راستای شمال-جنوب و شرق-غرب خلاصه ‌شده است. ضمن آن‌که به ‌منظور استفاده از روشنایی روز در ساختمان، امکان دید به بیرون از داخل ساختمان و امکان رفت ‌و آمد از درب ‌ها مکان‌ های ممکن روبروی درب ‌ها و پنجره‌ ها حذف ‌شده است. برای پرهیز از ایجاد سایه غیرضروری در بام، حداقل فاصله 2 متر درختان تا ساختمان در نظر گرفته شد.

    نتایج و بحث

     برای بهینه ‌سازی پوشش سایه درختان با استفاده از الگوریتم بهینه ‌سازی کلونی مورچه ‌ها از محیط متلبMATLAB  استفاده شد. برای این منظور ابتدای مدل بلوک ساختمانی مورد بررسی شامل طول، عرض، ارتفاع، در قالب ساختاری تعریف ‌شده که دارای ماتریس ‌های مجزایی برای نمای شمالی، شرقی، جنوبی و غربی بلوک ساختمانی است. برای تعریف بام بلوک ساختمانی نیز ماتریس دیگری استفاده شد. هر عنصر از ماتریس‌های مذکور معادل cm 10× 10 از سطح بلوک ساختمانی و دارای مقدار صفر است. برای مدل ‌سازی ابعاد و محل قرارگیری درب و پنجره‌ ها در هر نما، ساختاری دیگر شامل ماتریس‌ های مجزا برای هر نما تعریف ‌شده است که مقدار عناصر ماتریس در محل قرارگیری درب و پنجره‌ ها برابر یک است. مدل درخت غالب منطقه، شامل ارتفاع و شعاع تاج درخت نیز تعریف گردید. مشخصات خورشید در منطقه مورد مطالعه، شامل آزیموت و ارتفاع خورشید در روزهای مورد مطالعه در بازه‌ های زمانی 15 دقیقه ‌ای از ساعت 9 تا 15 استفاده قرار گرفت. پس از قرارگیری درخت در هر یک از مکان‌ های ممکن و حرکت خورشید، سایه‌ ایجاد شده درختان بر هر نقطه از اجزای ساختمان، موجب تغییر مقدار عنصر ماتریس معادل آن نقطه از صفر به یک می‌گردد. مجموع مقادیر عناصر ماتریس، میزان سایه ایجاد شده توسط درخت را بر هریک از اجزای ساختمان را مشخص می‌ کند. مجموع حاصل‌ ضرب نقطه ‌ای عناصر ماتریس درب و پنجره‌ ها در عناصر ماتریس نما، مقدار سایه ایجاد شده بر درب و پنجره‌ ها را مشخص می‌ کند. برای بیشینه ‌سازی پوشش سایه درختان بر سطح نما، درب/پنجره ‌ها و کمینه ‌سازی پوشش سایه بر سطح بام، تابع هدف تعریف و از الگوریتم ACO استفاده ‌شده است. نتایج حاصل از روش ACO نشان می ‌دهد حالت بهینه پوشش سایه درخت/درختان بر روی بلوک ساختمانی، که بیشترین سایه را بر روی نما و درب و پنجره‌ ها و کمترین سایه را بر روی بام ایجاد نماید، بستگی زیادی به تعداد درختان و موقعیت درب و پنجره ‌ها در نمای بلوک ساختمانی دارد. به ‌طور کلی با افزایش تعداد درختان، میزان سایه ایجاد شده بر اجزای بلوک ساختمانی افزایش می ‌یابد.

    نتیجه گیری

    نتایج حاصل روش ACO نشان داد که برای ساختمانی، در یک منطقه در نیمکره شمالی، درختان در شمال ساختمان تاثیری در ایجاد سایه بر اجزای ساختمان ندارند. با توجه به این‌که در مناطق خشک و گرمسیری محدودیت در کاشت درختان وجود دارد، یافتن موقعیت مناسب برای درختان نقش بسزایی در بهینه‌ سازی پوشش سایه بر اجزای ساختمان دارد. با توجه به میزان انتقال گرمایی بالا از طریق درب و پنجره ‌ها نسبت به ‌نما و بام، و وزن بیشتر در نظر گرفته ‌شده برای این اجزا در تابع هدف، یافتن موقعیت ‌های بهینه درختان بستگی زیادی به موقعیت درب و پنجره‌ ها در ساختمان دارد؛ تا بیشترین سایه را بر این اجزا ایجاد نمایند. برای بلوک ساختمانی با تعداد و ابعاد ساختمان ‌های مفروض در پژوهش و با توجه به ابعاد و موقعیت درب و پنجره ‌ها، کاشت یک درخت دریکی از موقعیت ‌های K10، K16، K22 یا K28 که هر یک در فاصله 2 متری جنوب ساختمان و در حد وسط دو پنجره قرار دارد، بهینه ‌ترین سایه را ایجاد می ‌نماید. این درخت به‌ طور میانگین از ساعت 9 تا 15 در چهار روز مورد بررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 7.48، 9.22 و 0.85 درصد سایه ایجاد می ‌کند. در حالتی که کاشت دو درخت مدنظر باشد، بازهم دو موقعیت از موقعیت ‌های K10، K16، K22 یا K28 بهینه ‌ترین سایه را ایجاد می ‌نماید. این دو درخت به‌ طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 13.88، 18.64 و 1.69 درصد سایه ایجاد می ‌کنند. در حالت سه درخت موقعیت‌ های K8، K18 و K22، در حالت چهار درخت موقعیت‌ های K14، K20، K26 و K32، در حالت پنج درخت موقعیت‌ های K8، K14، K20، K26 و K32 بهینه ‌ترین سایه را ایجاد می‌ کنند. این موقعیت‌ ها در فاصله 2 متری جنوب ساختمان قرار دارند. در حالت سه درخت به ‌طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 21.07، 28.54 و 2.54 درصد، در حالت چهار درخت بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 24.96، 35.36 و 3.39 درصد و در حالت پنج درخت بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 33.26، 44.70 و 3.95 درصد، سایه ایجاد می‌شود. با کاشت پنج درخت بیش از 88 درصد نمای جنوبی و بیش از 90 درصد درب/پنجره ‌های نمای جنوبی ساختمان تحت پوشش سایه قرار می ‌گیرد. اما با توجه به هدف بهینه ‌سازی سایه بر ساختمان و وزن بیشتر درب و پنجره ‌ها، روش ACO موقعیت درختان را به‌ گونه ‌ای بهینه یابی کرده است که سطح بیشتری از درب و پنجره‌ها در معرض سایه قرار بگیرد. با توجه به این‌که در حالت پنج درخت، 90 درصد نمای جنوبی در سایه درختان قرار گرفت، در حالت شش درخت علاوه بر نمای جنوبی، نماهای شرقی و غربی نیز برای کاشت درخت در نظر گرفته شد. به ‌طوری‌که موقعیت ‌های K8، K14، K20 و K30 در فاصله دو متری نمای جنوبی و موقعیت H2 در فاصله 2 متری نمای غربی و موقعیت H36 در فاصله 2 متری نمای شرقی برگزیده شد. این درختان به ‌طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر روی نما، درب/پنجره‌های و بام به ترتیب 33.95، 42.29 و 3.64 درصد سایه ایجاد می ‌کند.

    کلیدواژگان: پوشش سایه درختان، سامانه اطلاعات جغرافیایی سه بعدی، روش فرا-ابتکاری کلونی مورچگان
  • سعید قره چلو*، حسام اکبری قوچانی، سعید گلیان، کامران گنجی صفحات 40-61
    پیشینه و هدف

    در سال های اخیر پمپاژ بیش ‌از حد آب‌ های زیرزمینی و همچنین کاهش بارندگی در دشت مشهد فرونشست را ایجاد کرده است که خسارت‌ هایی را برای زیر ساخت ‌ها دربی داشته است. این مشکل به خاطر افزایش تقاضای برداشت آب از چاه های عمیق برای کشاورزی، صنایع و شرب است. به دنبال این تقاضای روزافزون حفر چاه های غیرمجاز نیز افزایش چندانی پیداکرده است، بنابراین سطح آب زیرزمینی دشت دایم در حال پایین رفتن بوده و نرخ فرونشست دشت در حال افزایش است. دشت مشهد یکی از دشت های مهم در استان خراسان رضوی است که یکی از منابع آبی پشتیبان برای استفاده در کشاورزی و صنعت است. فشار بیش‌ازحد به منابع آب زیرزمینی با پمپاژ زیاد و کمبود بارش باعث شده که تغذیه آبخوان به‌ خوبی صورت نگیرد. افت سطح آب زیرزمینی در دشت مشهد اثرات نامناسبی را بر آبدهی چاه ها، تخریب قنوات، کیفیت آب و فرونشست زمین را در نتیجه خواهد داشت. در این تحقیق، میزان فرونشست با استفاده از داده ماهواره‌ های راداری سنتینل-1 و الوس-1 در ارتباط با افت آب های زیرزمینی مورد بررسی قرار گرفت. در این راستا از داده ‌های سری زمانی راداری چند باندی در طول ‌موج L و C برای تعیین فرونشست در سال ‌های 1386-1397 استفاده گردید.

    مواد و روش ها

    هدف اصلی این تحقیق یافتن میزان فرونشست مرتبط با آب ‌های زیرزمینی در دشت مشهد بین سال‌ های 1386-1397 با استفاده از تکنیک تداخل سنجی تفاضلی راداری است. برای دست یافتن به این هدف سه سری جفت تصویر از هر یک از داده‌ های راداری الوس-1 و سنتنیل –1 استفاده شد. برای آنالیز افت سطح آب‌ های زیرزمینی دشت مشهد در ارتباط با فرونشست از داده چاه های پیزومتری موجود برای بازه سال‌های 1385-1395 استفاده گردید تا بر اساس آن مدل نقشه هم افت و منحنی تراز افت آب تهیه گردید. این نقشه‌ ها برای روشن کردن ارتباط بین افت سطح آب و فرونشست دشت استفاده شدند. در نهایت نقشه فرونشست دشت با استفاده از مشاهدات زمینی و کارهای گذشته مورد ارزیابی قرار گرفتند. با مقایسه نقشه فرونشست منطقه با نقشه هم ‌افت سطح آب زیرزمینی همبستگی پذیرفته ‌ای به دست آمد که حکایت بر میزان تاثیرپذیری پدیده فرونشست از افت سطح آب زیرزمینی دارد. نتایج نهایی فرونشست با تحقیقات پیشین مقایسه و با مشاهدات زمینی ارزیابی شدند.

    نتایج و بحث

    نتایج تداخل سنجی راداری نتایج حاصل از فرآیند تداخل ‌سنجی راداری برای ماهواره ALOS در این تحقیق، بیانگر بیشینه نشست 5.2 سانتی‌ متر از تاریخ 2007/10/16 تا 2008/01/16 (طی 92 روز)، بیشینه نشست 3.8 سانتی ‌متر از تاریخ 2008/01/16 تا 2008/03/02 (طی 46 روز) و بیشینه نشست 4.7 از تاریخ 2008/03/02 تا 2008/06/02 (طی 92 روز) است. همچنین نتایج حاصل از فرآیند تداخل سنجی راداری برای ماهواره Sentinel-1 بیانگر بیشینه فرونشست 16.1 سانتی ‌متر از تاریخ  2015/05/28تا 2016/05/22 (طی 360 روز)، بیشینه نشست 17.4 سانتی ‌متر از تاریخ 2016/05/22 تا 2017/05/29 (طی 372 روز) و بیشینه فرونشست 20.3 سانتی‌متر از تاریخ 2017/05/29 تا 2018/05/24 (طی 360 روز) است. توزیع نواحی فرونشست یافته عمدتا در منطقه مرکزی و جنوب شرقی دشت (شمال غربی شهر مشهد) مشاهده ‌شده است. همچنین یافته‌ های تحقیق دامنه منطقه فرونشست را در سطحی به مساحت 312 کیلومترمربع با درازای به طول 39 کیلومتر و پهنای به طول 8 کیلومتر معرفی نمود. جهت بررسی صحت نتایج حاصل از تداخل سنجی، به دلیل نبود رودخانه دایمی در منطقه عمده نیاز آبی مربوط به کشاورزی، صنعت و شرب به‌وسیله برداشت از سفره‌ های آب زیرزمینی انجام می ‌شود.

    نتیجه گیری

     یافته ‌های تحقیق نشان می ‌دهد که مناطق دارای نرخ حداکثر فرونشست منطبق بر کاربری ‌های زراعی و باغات است که بیشترین سهم را در برداشت از آب‌ های زیرزمینی دارا می ‌باشند. همچنین نقشه و نمودار های حاصل از بررسی چاه‌ های پیزومتری بیانگر کاهش پیوسته سطح آب در طول دوره آماری می ‌باشند. براساس نتایج تحقیق مهم ‌ترین علت فرونشست در دشت مشهد برداشت بی‌ رویه آب زیرزمینی است. از طرفی نرخ و دامنه فرونشست در منطقه برای سال ‌های 2007 تا 2008 و 2015 تا 2018 استخراج ‌شده که نشان‌ دهنده روند افزایش پدیده فرونشست در منطقه است. همچنین مشاهدات میدانی هم فرضیه افزایش میزان فرونشست در دهه اخیر را تایید می ‌کنند.

    کلیدواژگان: تداخل سنجی راداری، فرونشست زمین، افت آب های زیرزمینی، دشت مشهد
  • علی دسترنج*، حمزه نور صفحات 62-81
    پیشینه و هدف

    زمین ‌لغزش یکی از گسترده‌ترین و مخرب ‌ترین پدیده ‌ها در میان بلایایی طبیعی است. با توجه به توپوگرافی کوهستانی مرتفع، فعالیت تکتونیکی، لرزه‌ خیزی زیاد، شرایط متنوع زمین ‌شناسی و اقلیمی، اساسا ایران برای ایجاد طیف وسیعی از زمین‌ لغزش شرایط طبیعی را دارد و این زمین ‌لغزش‌ ها سالانه خسارات جانی مالی فراوانی به کشور وارد می‌ کنند. با توجه به اینکه پیش‌بینی زمان زمین ‌لغزش بسیار دشوار است، از این ‌رو شناسایی مناطق حساس به زمین ‌لغزش و منطقه بندی این مناطق بر اساس خطر احتمالی بسیار مهم است. بنابراین باید مناطق مستعد زمین ‌لغزش شناسایی شوند تا خسارات ناشی از زمین ‌لغزش کاهش یابد. هدف اصلی از تجزیه‌ و تحلیل حساسیت زمین ‌لغزش شناسایی مناطق پر خطر و در نتیجه کاهش خسارات ناشی از زمین‌لغزش از طریق اقدامات مناسب است. ازآنجاکه پیش‌ بینی دقیق وقوع زمین ‌لغزش توسط علوم انسانی امکان‌پذیر نیست، بنابراین می‌ توانیم با شناسایی مناطق مستعد لغزش و اولویت‌ بندی آن ‌ها از آسیب این پدیده جلوگیری کنیم. کوه ‌های بینالود در استان خراسان رضوی، به دلیل شرایط زمین ‌شناسی، ژیومورفولوژی، توپوگرافی، آب ‌و هوا و پوشش گیاهی، دارای انواع حرکات توده‌ای است. از طریق ارزیابی حساسیت زمین ‌لغزش و شناسایی مناطق پرخطر ازنظر زمین ‌لغزش، می‌ توانیم از خسارات احتمالی مالی و جانی ناشی از زمین ‌لغزش در این منطقه را کاهش بدهیم. لذا برای حفظ سرمایه ‌های ملی ضروری است تا در برخورد با بلایای طبیعی مدیریتی جامع اعمال گردد که منظور از آن اتخاذ تدابیر و فعالیت ‌هایی است که موجب پیشگیری، کنترل وترمیم خسارت ‌های ایجاد شده می ‌گردد. نتایج این مطالعات می ‌تواند به‌عنوان اطلاعات بنیادی توسط مدیران و برنامه ریزان محیط ‌زیست مورد استفاده قرار گیرد. به ‌منظور تهیه نقشه ‌های منطقه بندی خطر لغزش می ‌توان از روش ‌های مختلفی مانند منطق فازی، روش‌ های آماری و فرایند تحلیلی سلسله مراتبی (AHP) استفاده کرد. از اوایل دهه 1970، بسیاری از دانشمندان تلاش کرده‌اند تا خطرات زمین ‌لغزش را ارزیابی کنند و نقشه حساسیت خطر زمین ‌لغزش را با استفاده از روش‌ های مختلف مبتنی بر GIS تهیه کنند. هدف از این مطالعه ارزیابی و مقایسه نقشه حساسیت به زمین ‌لغزش (LSM) در رشته‌کوه‌ های بینالود، با استفاده از روش‌ های فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی، است.

    مواد و روش ها

    در این مطالعه به ‌منظور ارزیابی حساسیت وقوع زمین ‌لغزش در دامنه ‌های کوه‌ های بینالود از دو روش منطق فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی استفاده گردید. به این منظور، مهم‌ترین عوامل موثر بر زمین‌لغزش ‌های منطقه شامل شیب، جهت شیب، طبقات ارتفاعی، زمین‌شناسی، شبکه زهکشی (فاصله از رودخانه، تراکم آبراهه)، جاده (فاصله از جاده، تراکم جاده)، گسل (فاصله از گسل، تراکم گسل)، واحدهای مورفولوژیکی، شاخص‌ های توپوگرافی (شاخص توان رودخانه (SPI)، شاخص رطوبت توپوگرافی (TWI) و شاخص طول شیب (LS))، شاخص ‌های ژیومورفولوژیک (شاخص موقعیت توپوگرافی (TPI)، شاخص ناهمواری توپوگرافی (TRI) و شاخص انحنای سطح (Curvature Index)، کاربری اراضی، خطوط هم‌ دما و خطوط هم بارش به ‌عنوان عوامل موثر در رخداد زمین‌لغزش در منطقه موردمطالعه، شناسایی و مورد تجزیه ‌و تحلیل قرار گرفتند. سپس نقشه پراکنش زمین ‌لغزش‌های منطقه تهیه شد. در ادامه وزن هریک از پارامترها و زیر پارامترها در پهنه ‌بندی وقوع زمین ‌لغزش به کمک روش تحلیل سلسله مراتبی(AHP) تعیین گردید. سپس با استفاده ابزارهای مناسب در محیط GIS این وزن ‌ها در نقشه هر پارامتر ضرب و درنهایت نقشه‌ های حاصله رویهم گذاری شده و نقشه نهایی پهنه ‌بندی خطر زمین ‌لغزش در منطقه مورد مطالعه تهیه شد. در روش فازی، بعد از فازی سازی لایه ‌های مورد نظر در محیط ArcGIS، پهنه ‌بندی خطر زمین ‌لغزش  با استفاده از عملگر گاما 0.8، در محیط GIS، صورت پذیرفت. و در نهایت صحت نقشه حساسیت زمین ‌لغزش با استفاده از منحنی ROC و نسبت عددی NRi، مورد ارزیابی قرار گرفت.

    نتایج و بحث

     نتایج وزن دهی به پارامترهای موثر بر زمین ‌لغزش با استفاده از روش تحلیل سلسله مراتبی (AHP) مبین این است به ترتیب عوامل زمین‌شناسی، شیب و گسل بیشترین تاثیر را در وقوع خطر زمین‌لغزش در منطقه مورد مطالعه دارند. نتایج تحلیل نقشه حساسیت خطر زمین ‌لغزش با استفاده از AHP نشان داد به % 47.8 سطح منطقه در محدوده زیاد و خیلی زیاد واقع‌شده، همچنین % 13.4 در محدوده متوسط و % 38.8 در محدوده کم و خیلی کم قرارگرفته است. نتایج تحلیل نقشه حساسیت زمین‌لغزش با استفاده از منطق فازی بیانگر این است % 27.7 در محدوده زیاد و خیلی زیاد قرارگرفته است. همچنین % 15.5 در محدوده متوسط و % 56.8 در محدوده کم و خیلی کم واقع‌شده است. همچنین ارزیابی نقشه حساسیت زمین‌لغزش به کمک منحنی ROC، نشان داد که مساحت زیر نمودار (AUC)، در روش AHP و فازی به ترتیب برابر با % 81.7 و % 75.2 است که گویایی دقت و صحت ارزیابی خیلی خوب هر دو مدل هست. همین‌طور نسبت عددی NRi در روش AHP در طبقات حساسیت زمین‌لغزش، بیشتر از روش فازی است، زیرا روش AHP در مقایسه با روش فازی، درصد بالایی از زمین‌لغزش‌ها را در مساحت کوچک‌تری به‌عنوان پهنه با حساسیت زیاد و خیلی زیاد پوشش داده است.

    نتیجه گیری

     در این مطالعه به‌منظور ارزیابی و تهیه نقشه حساسیت زمین‌لغزش از دو روش فازی و تحلیل سلسله مراتبی در محیط سیستم اطلاعات جغرافیایی استفاده و عملکرد آن‌ها باهم مقایسه شد. نقشه حساسیت زمین‌لغزش به پنج کلاس طبق بندی و عملکرد نتایج هر دو روش با استفاده از منحنی ROC و نسبت عددی NRi موردبررسی قرار گرفت. نتایج ارزیابی عملکرد دو روش فازی و تحلیل سلسله مراتبی با استفاده از منحنی ROC و نسبت عددی  Nri نشان داد که روش تحلیل سلسله مراتبی نسبت به روش فازی درستی و دقت بیشتری در پیش‌بینی حساسیت زمین‌لغزش در منطقه موردمطالعه دارد. نقشه‌های حساسیت به زمین‌لغزش مانند نقشه تولیدشده در این مطالعه می ‌تواند اطلاعات ارزشمندی برای برنامه ریزان و مهندسان برای سازمان ‌دهی مجدد یا برنامه ‌ریزی برنامه‌ های جدید فراهم کند.

    کلیدواژگان: حساسیت زمین لغزش، تحلیل سلسله مراتبی (AHP)، سیستم اطلاعات جغرافیایی (GIS)، منطق فازی، بینالود
  • سمیه ساعتی زارعی، بهناز عطائیان* صفحات 82-100
    پیشینه و هدف

     مراتع جزء آن دسته از زیست بوم های طبیعی هستند که بخش مهمی از ذخایر کربن خاک را به خود اختصاص داده اند و علاوه بر آن به‌عنوان ذخیره ژنتیکی بسیار متنوعی، تضمین‌ کننده پویایی اکوسیستم می باشند. آتش سوزی یک عامل طبیعی در مراتع به شمار می رود که طی آن اکثر پوشش های طبیعی موجود می سوزند. بررسی اثرات مثبت و منفی آتش سوزی بر اکوسیستم به‌ویژه بر خصوصیات خاک محققین را بر آن داشته تا به دنبال روش های جایگزینی، به‌جای روش های مستقیم و میدانی که عموما بسیار پرهزینه و وقت گیر هستند، باشند. ازجمله روش ها و فناوری های نوینی که در زمینه منابع طبیعی بسیار پرکاربرد و مفید هستند می توان به سنجش‌ازدور اشاره کرد. هدف از پژوهش حاضر بررسی اثر کوتاه ‌مدت آتش‌سوزی بر ذخیره کربن آلی، اسیدیته و هدایت الکتریکی خاک مراتع در منطقه گنبد همدان و بررسی قابلیت سنجش ‌از دور در برآورد غیرمستقیم کربن خاک سطحی در مراتع نیمه ‌خشک پس از وقوع آتش ‌سوزی است.

    مواد و روش ها

    در این تحقیق از هر سایت 20 نمونه خاک از عمق 0-10 سانتی متری (درمجموع 40 نمونه) برداشت شد و با دستگاه GPS مختصات تک تک نقاط نمونه برداری ثبت گردید. نمونه‌برداری ‌ها در فاصله 15 الی 20 روز پس از وقوع آتش ‌سوزی در اوایل مهرماه انجام پذیرفت. نمونه ها پس از انتقال به آزمایشگاه جهت اندازه گیری میزان کربن آلی خاک مورداستفاده قرار گرفتند. سپس ارتباط آماری بین مناطق شاهد با مناطق دچار آتش‌سوزی با آزمون t مستقل موردبررسی و تجزیه‌وتحلیل قرار گرفت. همچنین برآورد غیرمستقیم میزان کربن آلی خاک سطحی در دو سایت شاهد و دچار آتش‌سوزی شده و بررسی روند تغییرات آن ها با استفاده از سنجش‌ازدور تصاویر ماهواره ای مورد ارزیابی قرار گرفت. به همین منظور پس از انجام پردازش های لازم بر روی‌داده‌های ماهواره ای، مقادیر متناظر بازتاب طیفی هر پیکسل با نقاط نمونه برداری در طول‌موج‌ها و شاخص های طیفی مختلف استخراج، و میزان همبستگی و ارتباط رگرسیونی هر یک از آن ‌ها با میزان کربن مورد تجزیه ‌و تحلیل قرار گرفت.

    نتایج و بحث

     نتایج حاصل از آزمون همبستگی پیرسون نشان داد که در بین تمام شاخص ها طیفی تنها شاخص HI با کربن آلی خاک در کوتاه ‌مدت و در منطقه شاهد همبستگی داشته است. همچنین در بین تمام شاخص ها، شاخص های BI، NDBI، NDVI، SAVI، VCI و VHI با مقدار EC در سایت شاهد همبستگی داشتند. در سایت شاهد بین اکثر شاخص های طیفی و EC خاک همبستگی معنی داری وجود داشت که پس از آتش سوزی این همبستگی در سایت آتش سوزی از بین رفته بود. در مورد همبستگی بین pH و شاخص های طیفی مشاهده گردید بین برخی از شاخص های طیفی و pH همبستگی به وجود آمده است. درواقع می توان نتیجه گرفت که آتش‌سوزی باعث تغییر بزرگی در میزان انعکاس و انتشار امواج از سطح خاک گردیده است به ‌گونه ‌ای که در سایت شاهد شاخص ها با EC همبستگی داشتند اما در سایت آتش سوزی همبستگی بین شاخص ها و EC به‌طور کامل از بین رفته است و در عوض بین شاخص ها و pH همبستگی ایجاد گردیده است. همچنین هیچ‌یک از شاخص های طیفی در فروردین 1396 در سایت شاهد با SOC همبستگی مثبت یا منفی معنی داری نداشتند و نتایج بیانگر این موضوع بود که پس از گذشت شش ماه از وقوع آتش سوزی تغییرات کربن خاک به‌گونه‌ای نبوده است که بتوان با شاخص های طیفی روند آن را بررسی کرد. در مقایسه نتایج مهر 1395 با نتایج فروردین 1396 در سایت شاهد مشخص گردید که پس از گذشت شش ماه شاخص NBR همبستگی معنی داری با میزان EC پیدا کرده است اما شاخص های BI و VHI همبستگی خود را ازدست ‌داده ‌اند. با توجه به بحث صورت گرفته در مورد شاخص NBR و حضور باند SWIR2 در آن به نظر می رسد باگذشت شش ماه از وقوع آتش‌سوزی، در سایت شاهد تغییراتی به وجود آمده که منجر به ایجاد همبستگی بین این شاخص و EC خاک گردیده است. ازآنجاکه مقدار انرژی بازتابی از سطح زمین به عوامل متعددی نظیر رطوبت خاک، تغییر محتوی ماده آلی خاک و پوشش سطح وابسته است لذا باید تاثیر این عوامل را در فصل رویش بر روی بازتاب خاک مدنظر قرارداد. عدم‌ تغییر این نتایج پس از گذشت شش ماه می تواند این موضوع را به اثبات برساند که اثرات مثبت و منفی آتش سوزی در دوره ای کوتاه‌مدت در حد شش ماه از بین نرفته و زمان طولانی تری برای بازگشت شرایط به حالت طبیعی نیاز است.

    نتیجه گیری

     مطابق با بررسی های صورت گرفته مشخص گردید که ذخیره کربن آلی خاک در مراتع آتش سوزی شده با مراتع شاهد دارای تفاوت معنی‌داری نیست. تغییر شکل و تثبیت مواد آلی خاک در اثر آتش توسط محققین زیادی مورد بررسی و توجه قرارگرفته است اما تبدیل و دگرگونی ماده آلی خاک در اثر آتش‌سوزی، اغلب منجر به نتایج ناهمگون و متفاوتی گردیده است. مشخص‌شده است در عمق 20-10 سانتی متری آتش سوزی تاثیری در میزان کربن آلی خاک نداشته است اما محققین دیگری مشخص کردند 6 ماه پس از آتش‌سوزی در خاک های سوخته در مقایسه با خاک های شاهد میزان کربن افزایش داشته است. مشخص‌شده است که سه ماه پس از آتش سوزی درصد کربن آلی خاک به ‌صورت معنی داری کاهش داشته است. همچنین در بررسی دیگری بر روی اثر آتش‌سوزی بر کربن آلی خاک مشخص‌شده است که در منطقه دچار آتش سوزی نسبت به منطقه شاهد در یک سال و دو سال پس از آتش سوزی میزان کربن آلی خاک کاهش معنی داری داشته است. ازآنجاکه اثر آتش سوزی بر خصوصیات فیزیکی و شیمیایی خاک به‌شدت تحت تاثیر شدت آتش ‌سوزی، رطوبت خاک، اقلیم و پوشش گیاهی است. لذا تمام این عوامل منجر به حصول نتایج متفاوت در بررسی تاثیر آتش سوزی بر کربن آلی خاک گردیده است. با توجه به شرایط محیطی، اقلیم، شیب منطقه، بافت و ساختمان خاک و عوامل مرتبط با آتش‌ سوزی نظیر شدت و مدت آن، مقدار کربن خاک تغییر کرده است. برای مثال در صورت وقوع آتش‌سوزی متوسط شرایط برای رویش مجدد پوشش گیاهی سریع تر فراهم گردیده است اما در صورت وقوع آتش‌ سوزی‌ های شدید به ‌طور کلی تمام لایه آلی سطح خاک از بین رفته است و به ‌مرور کربن کاهش داشته است. همچنین در بررسی همبستگی بین شاخص های طیفی و کربن آلی خاک مشخص گردید تنها شاخص HI با کربن آلی خاک در سایت شاهد معنی دار بوده است اما در سایت دچار آتش‌سوزی هیچ‌ گونه همبستگی مشاهده نشده است. این امر را می توان به بررسی طیف طول‌موج ‌های مریی آبی و سبز در رابطه ریاضی این شاخص بررسی کرد، زیرا تنها در این شاخص از طیف طول ‌موج سبز و آبی استفاده گردیده است. با توجه به نتایج سایر محققین به نظر می رسد تخمین کربن آلی خاک با استفاده از سنجش ‌از دور دارای پیچیدگی های خاصی است. ازآنجاکه کربن آلی خاک با بیشترین تاثیر خود را بر روی رنگ خاک می گذارد، لذا اگر مقدار آن کم باشد با استفاده از سنجش ‌از دور امکان تخمین آن ضعیف است.

    کلیدواژگان: آتش سوزی، مرتع، کربن آلی خاک، شاخص های طیفی، سنجش از دور
  • ناصر سلطانی، وحید محمدنژاد* صفحات 101-114
    پیشینه و هدف

     کاربری اراضی منعکس‌کننده ویژگی های تعاملی بین انسان و محیط‌ زیست و تشریح نحوه بهره برداری انسان برای یک یا چند هدف بر روی زمین است. کاربری اراضی، معمولا بر اساس استفاده انسان از زمین، با تاکید بر نقش کاربردی زمین در فعالیت های اقتصادی تعریف می شود. نقش کاربری اراضی یکی از فاکتورهای اساسی در مطالعات منابع طبیعی و مدیریت محیط ‌زیست است. اطلاع از تغییرات کاربری اراضی و بررسی علل و عوامل آن ‌ها در یک دوره زمانی می تواند مورد توجه برنامه ریزان و مدیران باشد. استفاده از داده های ماهواره ای به دلیل فراهم ساختن دید وسیع و یکپارچه از یک منطقه، قابلیت تکرارپذیری، دسترسی آسان، دقت بالای اطلاعات به ‌دست ‌آمده و سرعت ‌بالای تجزیه‌ و تحلیل ابزار مناسبی برای تهیه نقشه کاربری اراضی مخصوصا در مناطق جغرافیایی وسیع است. یکی از روش های پرکاربرد استخراج اطلاعات از تصاویر ماهواره ای، طبقه بندی است که به کاربران امکان تولید اطلاعات مختلف را می دهد. برای تفکیک پدیده های موضوعی و استخراج دقیق تر اطلاعات، با توجه به نوع روش طبقه بندی، منطقه موردمطالعه، ویژگی های نقاط تعلیمی نتایج متفاوتی حاصل می شود. سامانه گوگل ارث انجین (GEE)، سیستمی مبتنی بر وب و محاسبات ابری است که توسط شرکت گوگل و به‌منظور ذخیره ‌سازی و تحلیل حجم عظیمی از داده ها در مقیاس پتا بایت (ازجمله تصاویر مختلف ماهواره ای، مدل های رقومی ارتفاعی، داده های اقلیمی، داده های وکتوری)، راه‌ اندازی شده است. سرعت در پردازش و دسترسی به داده های متنوع از مسایل و مشکلات مطالعات مربوط به تغییرات کاربری اراضی است. این مشکلات به لطف سامانه گوگل ارث انجین، برطرف شده است. هدف مقاله حاضر طبقه بندی تصاویر ماهواره ‌ای با استفاده از روش یادگیری ماشین بردار در دو دوره 2000 و 2020 و تهیه نقشه کاربری اراضی این دو دوره در محیط سامانه گوگل ارث انجین است.

    مواد و روش ها

    در پژوهش حاضر شهر ارومیه به همراه نواحی اطراف آن (دشت ارومیه)، مورد ارزیابی قرارگرفته است. به‌منظور تهیه نقشه های کاربری اراضی و مطالعه تغییرات آن، تصاویر مربوط به سنجنده ETM+ ماهواره لندست 7 برای سال 2000 و سنجنده OLI لندست 8 مربوط به سال 2020 استفاده ‌شده است. از تصاویر مربوط به ماه جون، زمانی که پوشش گیاهی به حداکثر رشد رویشی رسیده است، استفاده گردید. روش های مختلفی برای پایش و اندازه گیری تغییرات پوشش زمین و کاربری اراضی توسعه پیداکرده است. در مقاله حاضر کارایی سامانه گوگل ارث انجین به ‌منظور گردآوری، مدیریت و پردازش داده های سنجش ‌از دور مورد ارزیابی قرار گرفته است تا بتوان سرعت و دقت این سامانه را اثبات و معرفی کرد. جهت تهیه نقشه کاربری اراضی، از روش طبقه ‌بندی ماشین بردار پشتیبان (Support Vector Machine)، استفاده‌ شده است. تفاوت عمده این مقاله با سایر پژوهش ها این است که مدیریت و پردازش تصاویر در سامانه گوگل ارث انجین صورت گرفته است که این امر سبب می شود تا محقق نیازی به نرم ‌افزارهای پرهزینه و سنگین مانند ENVI نداشته باشد و تنها با دسترسی به اینترنت بتواند پردازش های مورد نظر را انجام دهد. با توسعه کد مربوط به طبقه‌ بندی تصاویر با استفاده از روش ماشین بردار پشتیبان، اقدام به طبقه ‌بندی تصاویر سال های 2000 و 2020 شد. شش کلاس کاربری شامل زمین های بایر، اراضی انسان‌ساخت، باغات، کشاورزی آبی، کشاورزی دیم و پهنه های آبی مشخص گردید. پس از طبقه ‌بندی تصاویر ماهواره ای، نتایج کار در گوگل درایو ذخیره و برای تحلیل های بعدی آماده شد. نتایج طبقه ‌بندی وارد محیط نرم‌افزارArcGIS  شد و صحت طبقه‌ بندی با استفاده از نقاط کنترلی به‌ دست ‌آمده از تصاویر گوگل ارث و همچنین داده های مربوط به طرح آمایش سرزمین استان آذربایجان غربی مورد ارزیابی قرار گرفت. در مقاله حاضر علاوه بر تهیه نقشه کاربری اراضی در سامانه گوگل ارث انجین، به پیش‌بینی و مدل سازی کاربری ها برای سال 2040 با استفاده از تخمینگر انتقال مارکوف استفاده شد.

    نتایج و بحث

    پس از فراخوانی و اعمال طبقه ‌بندی در محیط گوگل ارث انجین با استفاده از روش SVM، نقشه کاربری اراضی برای سال های 2000 و 2020 تهیه شد. نقشه های تهیه ‌شده شامل کاربری های اراضی ساخته‌ شده، پهنه‌ های آبی، باغات، کشاورزی آبی، کشاورزی دیم و زمین های بایر است. مقایسه کاربری های مختلف بین سال های 2000 و 2020 نشان می دهد که تغییرات گسترده‌ ای در آن ‌ها رخ ‌داده است. برخی از این تغییرات افزایشی و برخی کاربری ها، منفی است. زمین های بایر در سال 2020 نسبت به سال 2000، در حدود 10 کیلومتر مربع، اراضی ساخته‌شده (انسان‌ساخت)، 42.62 کیلومترمربع، باغات 67 کیلومترمربع و پهنه های آبی 0.39 کیلومتر مربع افزایش مساحت را نشان می دهد. در مقابل کشاورزی دیم 39.45 و کشاورزی آبی 80 کیلومترمربع از مساحت خود را ازدست‌داده‌اند. دلیل افزایش باغات را می ‌توان در تغییر کاربری های کشاورزی آبی به باغی و همچنین توسعه شهری و ایجاد زیرساخت های انسانی مختلف دانست که در سال های اخیر بسیار مشهود است. بیشترین تغییرات مربوط است به کاربری باغات با روند مثبت که طی آن بسیاری از زمین های کشاورزی آبی تبدیل به اراضی باغی شده اند. همین تغییرات سبب شده تا میزان تولید محصولات باغی شهرستان ارومیه افزایش‌یافته و به یکی از قطب های تولید محصولات باغی به ‌ویژه سیب تبدیل بشود. از طرف دیگر مساحت زمین های انسان‌ساخت تقریبا دو برابر شده است که این امر معمولا در سایر نقاط کشور نیز اتفاق می ‌افتد و امری عادی است. معمولا با افزایش جمعیت شهرها و همچنین روستاها و نیاز به احداث ساختمان های جدید و امکانات زیرساختی مثل کارخانه ‌ها، زمین‌های ورزشی، جاده ها، فضاهای سرگرمی و غیره، کاربری های انسان ‌ساخت افزایش پیداکرده است. طبق نقشه پیش ‌بینی‌شده برای سال 2040 با استفاده از CA-Markov در نرم ‌افزار ادریسی، بیشترین رشد مربوط به کاربری کشاورزی دیم است. پیش ‌بینی می ‌شود طی این دوره مساحت زمین ‌های دیم به 73.40 کیلومترمربع برسد. زمین‌ساخته شده به 90.9 کیلومترمربع افزایش خواهد یافت. در حالی ‌که مقدار آن در سال 2020، 76.38 کیلومترمربع بوده است. از طرف دیگر مساحت باغات از 31.61 کیلومترمربع در سال 2020 به 72.15 کیلومترمربع افزایش خواهد یافت. زمین ‌های کشاورزی آبی نیز با روند افزایشی به 27.38 کیلومترمربع خواهد رسید.

    نتیجه گیری

     بررسی‌ ها نشانگر آن است که رشد اراضی ساخته ‌شده در شهر ارومیه و پیرامون آن، متناسب و همسو با سایر کاربری ها نیست و این مسئله منجر به پیشی گرفتن رشد مساحت کاربری اراضی ساخته ‌شده نسبت به سایر کاربری ‌ها شده است و این مسئله باعث ایجاد پدیده گستردگی در شهر ارومیه شده است. از طرف دیگر نتایج نشان می دهد که بررسی و مطالعه کاربری اراضی با استفاده از سری زمانی تصاویر ماهواره ‌ای، صرفه‌جویی در زمان و هزینه است و همان ‌طور که در مقاله اشاره ‌شده است، کاربری های مختلف برای سال ها 2000 و 2020 با استفاده از سامانه گوگل ارث انجین تهیه و تغییرات آن‌ ها مشخص شد.

    کلیدواژگان: گوگل ارث انجین، طبقه بندی، کاربری اراضی، ارومیه
|
  • Maryam Haghighi Khomami *, MohammadJavad Tajaddod, Mokaram Ravanbakhsh, Fariborz Jamalzad Fallah Pages 1-17
    Background and Objective

    Recently, a lot of studies have been done in Anzali wetland as one of the most important wetlands of Ramsar Convention, which has a high cost due to the nature and geographical location of the wetland. Advances in technology have made it possible to evaluate natural environments more accurately, fast, and low cost with remote sensing data due to their easy accessibility, high accuracy, extensive and reproducible coverage in terms of time and space, and information extraction in a relatively short time. Because one of the most important problems in studying vegetation changes is the lack of accurate spatial information over time. Satellite imagery and remote sensing technology make it possible to achieve a better program for environmental management by relying on the information produced by it.  In this study, the vegetation classification of Anzali wetland was done by using the technique of Object base classifications of Landsat image incorporation with fieldwork based on the wetland index of plants as well as the vegetation index (NDVI) of the study area were analyzed. Wetland vegetation classification maps can be used to identify the amount and type of cover and planning to maintain and rehabilitate the wetland.

    Materials and Methods

     In this study, a vegetation map based on the wetland index is considered as one of the required criteria for ecological demarcation of wetlands. First, the general vegetation areas of the wetland on the coast and around it were identified.  Then, vegetation data of wetland aquatic species were collected from different wetland areas in 0.25 m2 plots. In the land margin area, the wetland species of the wetland margin were collected with a 1 m2 plot. A total of 42 plots were collected during the spring and summer of 2019. After preparing the required images, their preprocessing including geometric, atmospheric, radiometric corrections and image enhancement were performed using ENVI. Landsat 8 Image on July 29, 1998, with a spatial resolution of 30 meters was used to classify vegetation and prepare a map of vegetation index (NDVI) and image of Sentinel-2 satellite (July 98) due to 10 m of the ground resolution was used to combine with Landsat 8 data as auxiliary data in image classification. The combining of these two images improves the spatial resolution also preserves the spectral values ​​of the multispectral image. The object-based classification was performed on the integrated Landsat 8 image using training data from field work. The classification accuracy was evaluated for each class using experimental samples as ground control points and the classification error matrix was extracted.

    Results and Discussion

     First, the dominant plants and representatives of their wetland index were identified by field work. Then, the relative percentage of dominant plant cover at the sampling site was calculated according to the standard list of identified plant species, and Plants were divided into two groups of wetland and non-wetland based on the wetland index. From the classification of plot species in 42 plots, 180 plant species were identified in 124 genera and 48 families. Also, four groups of wetland plants were: obligate wetland plants (OBL), facultative and obligate wetland plants (OBL & FACW), facultative upland, and facultative wetland plants (FACU & FACW), and facultative wetland plants (FACW). A vegetation map was prepared from a combination of terrestrial samples and object base classification of the 2019 Landsat satellite OLI image sensor.  The accuracy of the classified maps was evaluated based on the kappa coefficient and overall accuracy. The overall accuracy is 88.62% and the kappa coefficient is 84%. The Plant distribution was determined based on satellite image classification: OBL plants were observed in the water zone (west and Sorkhankol wetland margin), FACW plants were observed mostly in the dry margin and mainly in the southwest of the wetland (Siahkeshim wetland) and Choukam Wildlife Sanctuary in the eastern part of the wetland, OBL & FACW group with less uniform distribution was observed in the whole area and FACU & FACW group was observed in a small part in Choukam, north, and northwest of the wetland. The percentage of vegetation density map retrieved from the NDVI index shows the distribution of dense vegetation cover in different parts of the wetland and the limitation of the water level of the wetland bed.

    Conclusion

    The results of the satellite imagery study and their classification according to terrestrial samples showed that the spread and dispersal of obligate wetland species (OBL) were limited to water parts of the wetlands so that the highest distribution of these plants were in the west of the Anzali wetland and Sorkhankol. The spread of facultative wetland species (FACW) was in the arid areas of the wetland, which indicates the upland areas of the wetland in Siahkeshim (southwest) and Choukam (east). The result of image classification showed the percentage of plant group in each class: the agricultural class (with a present level of 23.9%) and the group of facultative species (FACW) (with a present level of 23.6% and mostly Phragmites, Alnus, and Salix species) have the top percentage of image classification classes of ​​Anzali Wetland. This indicates more presence of facultative species compared to obligate species of wetland (OBL) (with a present level of 10.1%) and the level of agricultural land occupation, showed the wetland drying. The percentage of vegetation at the wetland level was assessed with the vegetation index (NDVI), most of which belongs to dense vegetation. Due to the fact that the satellite image is related to the summer season, this map shows the distribution of vegetation in different parts and the water level of the wetland bed, which has reduced the amount of water levels in the wetland. Periodic review of vegetation and its ecological changes provides useful information on changes in the water and ecological resources of the wetland to plan for its maintenance as an important ecosystem in the region.

    Keywords: Wetland plants index, Classification, Normalized difference vegetation index (NDVI), remote sensing, Anzali Wetland
  • Mohsen Ghods, Hossein Aghamohammadi Zanjirabad *, Alireza Vafaeinezhad, Saeed Behzadi, Alireza Gharagozlo Pages 18-39
    Background and Objective

    A method to reduce the absorption of solar radiation and prevent the creation of urban heat islands is to increase shade by vegetation. A shadow creating on buildings, causes houses to cool down, reduces energy consumption and costs, increases the value of houses, and creates a proper visual effect and a sense of well-being and vitality. Although economically, the amount of savings due to shade and cooling of the air for a tree during its lifetime in different climatic regions is different and depends on the type of tree, the amount of shade during the day and in different seasons of the year, but its effect on energy savings and costs are definite.  The subject of the present study is strategic planning to increase the shade coverage of trees in urban residential areas. A simple way to create plenty of shade is to plant numerous trees around buildings. However, this method is impractical in many areas that face water shortages due to its high costs. In addition, the presence of additional shadows on the rooftop of the buildings will reduce the ability to be exposed to sunlight and the potential of using solar panels to generate electricity. So the main challenge is using a method that can provide maximum shade coverage on the facade surface and minimum shadow coverage on the rooftop with a few trees in optimal locations. The issue of locating trees with the aim of optimizing shade coverage, i.e. maximizing shade coverage on facades and opening components, and minimizing shadow coverage on the rooftop, is a Non-deterministic Polynomial hard (NP-hard) problem and has no exact solution. Therefore, the 3D Geographic Information System and the Ant Colony Optimization algorithm have been used for this purpose. Previous studies have often examined the effects of tree canopy shade on a single building. But in most cities in Iran, buildings are connected together and form a building block. So, instead of a single building, a building block is examined. In addition, in most previous studies, the effect of shade coverage of a maximum of two trees on the building has been investigated; while in this study, we examine the effect of shade coverage of 15 trees on the building block. None of the studies on optimizing the shade of trees on the facade of the building has used the meta-heuristic optimization methods and its combination with GIS. In this study, a hybrid model of GIS in a three-dimensional environment and ACO is used for maximizing the shade of trees on the facade and opening components of buildings, and minimizing the shade of trees on the rooftop.

    Materials and Methods

     Two types of data are required to perform the analysis; The building block properties, for example, dimensions, position, and size of the facade, rooftop, and opening components, and the tree properties (height and position). 3D GIS and ACO algorithms have been used to model tree shade coverage optimization. 3D GIS provides abilities for storing, analyzing, and creating 3D topologies, and ACO is used to summarize real-world conditions in a mathematical problem. GIS and trigonometric rules have been used to store geographical information and spatial topology. After storing the position, composition, and description information of 2D and 3D objects by topological data, Duffie and Beckman relations (2013) is used to extract the position of the shadow. Then, according to Church and Revelle, the Maximal Covering Location Problem (MCLP) is defined. For the following 3 reasons, ACO has been used for three-dimensional optimization; 1) The complex trigonometric rules in calculating the shadow coverage on buildings, 2) There is no deterministic solution for optimization problems because of nonlinear constraints including trigonometric functions, 3) The existence of continuous space around the building block that It is possible to place a tree in any position. The details of the steps are; 1) Define the set of possible locations for the tree based on the height, diameter of the canopy, and around space of the building block, 2) Use a method to place the first tree in all possible places around the building block during hot hours on certain days of the summer and calculate the maximum shade coverage on the building block based on the weight of the building components, 3) Remove the places that may be done in the tree canopy to prevent overlapping of tree canopies, 4) Repeat steps 2 and 3 to place the next trees in the possible places around the building block until the number of trees reaches the desired number of trees to create shade. Considering the infinite possible positions, a simplification step is required to limit the number of available positions. Therefore, the constant space is reduced to possible positions for locating Ni trees with two-meter spacing in the N-S and E-W directions. Further, the possible tree positions in front of the opening components are eliminated to make daylight available, have an outlook from the building, and comment through the doors. The minimum spacing of two meters between the trees and the building is set to prevent unnecessary shading on the rooftop.

    Results and Discussion

    MATLAB environment is used to optimize the shade coverage of trees using the ACO algorithm. For this purpose, properties of the buildings block such as length, width, height, are modeled in a struct in MATLAB. This struct has separate matrices for the north, east, south, and west views of the building block. Another matrix is also used to model the rooftop. Each element of the mentioned matrices is equal to 10× 10 cm from the surface of the building block and has a value of zero. To model the dimensions and location of doors and windows in each facade, another struct includes separate matrices for each facade is used. In these matrices, the amount of elements in the location of doors and windows is one. The characteristics of the sun in the study area are used, including azimuth and altitude of the sun on the studied days in 15-minute intervals from 9 to 15 hours.  The shadow is created on building components, by placing the tree in any of the possible locations, and movement of the sun. The elements of the matrices equivalent to the shaded building components change from zero to one. The sum of the values of the matrix elements determines the amount of shadow created by the tree on each component of the building. The sum of the point multiplication of the door/window matrix elements in the facade matrix elements determines the amount of shadow created on the doors/windows. The objective function is defined and the ACO algorithm is used to maximize the shadow coverage of trees on the facade, doors/windows, and minimize the shadow coverage on the rooftop. The results of the ACO show that the optimal shade coverage on the buildings block, which creates the most shade on the facade and doors and windows and the least shade on the roof, depends on the number of trees and the position of the doors and windows in buildings block. In general, as the number of trees increases, the amount of shadow created on the building block components increases.

    Conclusion

    The results of the ACO showed that for buildings, in the northern hemisphere, the trees in the north of the buildings have no effect on casting shadows on the components of the building. Due to the fact that in arid and tropical regions there are restrictions on planting trees, finding a suitable position for trees plays an important role in optimizing the shade coverage. Due to the high heat transfer through the doors and windows compared to the facade and rooftop, the higher weight is considered for these components in the objective function. Finding the optimal position of the trees depends a lot on the position of the doors and windows in the building to create the most shadow on these components. For a buildings block with the number and dimensions of buildings assumed in the research and according to the dimensions and position of doors and windows, planting a tree in one of the positions K10, K16, K22, or K28 creates the most optimal shade. These positions are 2 meters from south of the buildings and in the middle of two windows. On average, this tree provides 7.48, 9.22, and 0.85% shade respectively on the facade, doors /windows, and rooftop from 9 to 15 o'clock in four days studied. In the case of planting two trees, two positions from positions K10, K16, K22, or K28 still provide the optimal shade. On average, these two trees provide 13.88%, 18.64%, and 1.69% of shade respectively on the whole facade, doors /windows, and rooftop at 9:00 AM to 3:00 PM. In the case of three trees, positions K8, K18, and K22, in the case of four trees, positions K14, K20, K26, and K32, in the case of five trees, positions K8, K14, K20, K26, and K32 create the optimal shadow. Shading coverage in the case of three trees, is 21.07, 28.54, and 2.54%, respectively on the facade, doors/windows, and rooftop, in the case of four trees, is 24.96, 35.36 and 3.39% respectively on the façade, doors/windows, and rooftop and in the case of five trees is 33.26, 44.70 and 3.95% respectively on the facade, doors/windows, and rooftop. By planting five trees, more than 88% of the south façade and more than 90% of the south façade doors/windows of the building will be covered with shade. However, due to the goal of optimizing the shadow on the building and the greater weight of the doors and windows, the ACO has optimized the position of the trees in such a way that more surfaces of the doors and windows are exposed to the shadows. Due to the fact that in the case of five trees, 90% of the southern facade is in the shade of trees, in the case of six trees, in addition to the southern facade, the eastern and western facades are also considered for planting trees. So that the positions K8, K14, K20, and K30 are chosen in the distance of 2 meters from the south and the position of H2 is chosen in the distance f 2 meters from the west, and the position of H36 is chosen in the distance of 2 meters from the east. On average, these trees provide 33.95%, 42.29%, and 3.64% shade respectively on the facade, doors/windows, and rooftop.

    Keywords: Optimization, tree shade coverage, 3D geographic information system (3D GIS), Ant Colony Optimization (ACO) algorithm
  • Saeid Gharechelou *, Hesam Akbari Ghoochani, Saeed Golian, Kamran Ganji Pages 40-61
    Background and Objective

    In recent year’s groundwater pomping in the Mashhad plain and decreasing of rainfall in the Mashhad, plain is cause subsidence and creat damage to province infrastructure. This problem is causing more application for deep well water in agriculture, industries, and drinking water. Follow by this demand the number of illegal wells dicking by customers is increasing, therefore the water level of groundwater in Mashhad plain decreasing and the subsidence rate is growing. Mashhad plain is one of the significant plains in the Khorasan Razavi province which is the main water source to support the cropland and industries. High pressure in Groundwater pumping and rainfall is decreasing it causes aquifer recharge reduction.  Groundwater depletion induced a variety of inadequate in the Mashhad plain such as reducing well discharge, Qanat destructive, Water quality decreasing and land subsidence, etc. In this research, the rate of land subsidence by satellite radar data of ALOS-1 and Sentinel-1 and its relationship with groundwater depletion are investigated. For this purpose the time-series InSAR with multiple SAR data in L and C- bands are used for land subsidence analysis for ten years from 2007 to 2018.

    Materials and Methods

    The main goal of this research is to find the land subsidence rate in relationship with groundwater depletion of the Mashhad plain for a period of 2007-2018 using the InSAR technique. For achieving the research goal the three pairs of SAR images of ALOS data and three pairs of Sentinel-1 data are used. For analyzing the water delation with land subsidence the ten years piezometric well data for a period of 2006-2017 are modeled to create the groundwater table contour line. This map is used for finding the relationship with land subsidence. The final result of the subsidence map was assessed with field observation and previous work.

    Results and Discussion

     InSAR result of ALOS-1 data in this research is shown the subsidence maximum rate of 5.2 cm in the period of 2007.10.16 to 2008.10.16 for 92 days, subsidence maximum rate of 3.8 cm in the period of 2008.01.16 to 2008.03.02 for 46 days, and subsidence maximum rate of 4.7 cm in the period of 2008.03.02 to 2008.06.02 for 92 days. In addition, the Sentinel-1 data processing for InSAR analysis has shown the subsidence maximum rate of 16.1 cm between 2015.05.28 to 2016.05.22 for a year, subsidence maximum rate of 17.4 cm from 2016.05.22 to 2017.05.29 for 372 days, and subsidence maximum rate of 20.3 cm from 2017.05.29 to 2018.05.24 in a year. The spatial distribution of the subsidence area is mostly in the central and southeast of Mashhad plain. The subsidence area is extended in the area with a 39 km length and 8 km wide. The Mashhad plain does not have a permanent river therefore most of the water demand in agriculture, industries, and drink water is supplying by groundwater pumping. The correlation between the subsidence map and groundwater level contour map obviously has shown that groundwater depletion affects land subsidence. Field observation was also confirmed the subsidence by wall and building crack, wellhead uplifting in the test site.

    Conclusion

    The result showed that the area with the maximum rate of subsidence is the counterpart to cropland and garden which have more influence on groundwater pumping. In addition, the piezometric well date is shown the groundwater table continuously decreasing. According to the result of this research, the main reason for subsidence is a force to groundwater pumping. The field observation approved that the subsidence is happening in the Mashhad plain by some cracks in the wall, bridge, road, well destructive.

    Keywords: InSAR, Land subsidence, Groundwater depletion, Mashhad Plain
  • Ali Dastranj *, Hamzeh Noor Pages 62-81
    Background and Objective

    Among many natural hazards, landslides are one of the most widespread and destructive. Due to the high mountainous topography, tectonic activity, high seismicity, diverse geological and climatic conditions, basically, Iran has a natural condition for creating a wide range of landslides and these landslides annually cause both life loss and financial damage to the country. Since it is difficult to predict the timing of landslides, identifying susceptible areas to landslides, and zoning these areas based on potential risk are highly important. Therefore landslide-prone areas need to be identified in order to reduce such damage. In this respect, landslide susceptibility assessment can provide valuable information essential for hazard mitigation. The main goal of landslide susceptibility analysis is to identify dangerous and high-risk areas and thus reduce landslide damage through suitable mitigation measures. Since the exact prediction of landslides occurrence isn’t possible by human sciences, thus, we can prevent the damages of this phenomenon by identification of landslide susceptible areas and prioritizing them. Binalood Mountain in Khorasan Razavi Province, Due to its geological location, geomorphology, topography, climate, vegetation, has kinds of mass movement. The results of these studies can be used as fundamental information by environmental managers and planners. Landslide hazard zonation was challenged by several researchers in recent years. In order to provide landslide hazard, zonation maps various methods such as Fuzzy logic, statistic methods and Analytic Hierarchy Process (AHP) can be used. Since the early 1970s, many scientists have attempted to assess landslide hazards and produced hazard zonation maps portraying their spatial distribution by applying many different GIS-based methods. Different models and methods have been proposed to produce Landslide hazard zonation. The aim of this study is to develop and compare detailed landslide susceptibility maps (LSM) for Binalood Mountain, using Fuzzy and AHP methods in the framework of the GIS.

    Materials and Methods

     The study area is the northern and southern slopes of the Binalood Mountains that are located in the Khorasan Razavi Province. The present study area fallows under 36 ° 1' to 36 ° 15' north latitudes and 58° 38' to 59 ° 35' east longitudes. According to Geological, Geomorphologic, Hydrological, Climatic, Human and Environmental characteristics of the study area and using comparative studies and results of other researchers, 20 criteria and sub-criteria were identified to achieve the goals. The needed Layers of landslide hazard zonation were prepared using ArcGIS software. These layers are slope, aspect, altitude classes, geology, distance from the river, river density, distance from the road, road density, distance from the fault, fault density, morphological units, topographic indexes (stream power index (SPI), topographic wetness index (TWI) and slope length index (LS)), geomorphological indexes (topographic position index (TPI), topographic roughness index (TRI) and surface curvature index, land use, isothermal lines, and Rainfall lines. Thun, The landslide inventory map has been created in the study area. Subsequently, landslide susceptibility maps were produced using Fuzzy Logic and Analytical Hierarchy Process (AHP) models. After preparing the layers, the next step was to assign weight values to the raster layers, and to the classes of each layer, respectively. This step was realized with the use of the AHP method. So, the landslide hazard zonation map of the study area was presented using weight exertion of factors in their layers and integration of them by Arc GIS software. In the Fuzzy method, after fuzzyizing the layers in the ArcGIS environment, the landslide risk zoning was performed using fuzzy gamma 0.8. For verification, the receiver operating characteristic (ROC) curves were drawn and the areas under the curve (AUC) were calculated. Finally, the ratio of the percentage of landslides was in each zone to the percentage of the total area of the zone was calculated.

    Results and Discussion

     The results of weighting the parameters affecting the landslide using the Analytic Hierarchy Process (AHP) showed that geological, slope, and fault factors have the greatest impact on the occurrence of landslide risk in the study area, respectively. The class of very high and high susceptibility covers 47.8% of the total area in the landslide susceptibility map generated with the AHP model. Low and moderate susceptible classes make up 13.4 and 38.8% of the total area, respectively. According to the landslide susceptibility map based on the Fuzzy Method, 27.7% of the total area was determined to be very high and high susceptibility to landslide. Low and moderate susceptible classes constitute 56.8%, and 15.5% of the area, respectively. The AUC values were 0.817 and 0.752 for AHP and Fuzzy models and the training accuracy was 81.7 and 75.2%, respectively. It can be concluded that both models utilized in this study showed reasonably good accuracy in predicting the landslide susceptibility of the study area. Finally, the ratio of the percentage of landslides was ineach zone to the percentage of the total area of zone showed the NRi values in each susceptible class for the AHP model more than the Fuzzy method. The larger ratio in the AHP method indicates its better consistency than the Fuzzy method, implying more coverage of landslides in a smaller area by the AHP method. This result represents the better accuracy of the AHP method than the Fuzzy method in the landslide susceptibility map.

    Conclusion

    In this study, the most widely accepted models, AHP and Fuzzy were used for producing Landslide Susceptibility Map (LSM) and their performances were compared. The LSMs were divided into five landslide susceptibility classes. The performance of the resulting LSMs was verified by the ROC curves and Numerical Ratio (NRi). The results show that the AHP and Fuzzy models are successful estimators. The map produced by the AHP model exhibited a slightly better result for landslide susceptibility mapping in the study area. These two techniques may be characterized by incorporating a wide range of conditioning factors. Also, they can discriminate the causative factors for understanding the importance of each factor. The interpretation of the susceptibility map indicates that geological, slope, and fault play major roles in landslide occurrence and distribution in the study area. The landslide susceptibility maps like the one produced in this study should provide a valuable tool for the use of planners and engineers for reorganizing or planning new programs.

    Keywords: Landslide susceptibility, Analytical Hierarchy Process (AHP), fuzzy logic, Geographic Information System (GIS), Binalood
  • Somayeh Saati Zarei, Behnaz Attaeian * Pages 82-100
    Background and Objective

    Rangelands are one of the natural ecosystems that have an important part of soil carbon reservoirs and also, as very diverse genetic reservoirs guarantee the dynamics of the ecosystem. Fire is a natural factor in rangelands burning most of the existing natural cover. Rangeland fires directly alter soil microbial activity by burning soil microorganisms and indirectly by reducing organic matter, altering soil organic matter quality and other soil properties. Investigating the positive and negative effects of fire on ecosystems, especially on soil properties, has led researchers to look for alternative methods, instead of direct methods, which are generally very costly and time-consuming. One of the new methods and technologies that are very useful in the field of natural resources is satellite remote sensing. The purpose of this study was to investigate the short-term effect of fire on organic carbon, acidity, and electrical conductivity of rangeland soils in the Gonbad region of Hamadan, and to investigate the capability of remotely sensed data in the indirect estimation of soil surface carbon in semi-arid rangelands after the fire.  

    Materials and Methods

     In this study, 20 soil samples were taken from each site from a depth of 0-10 cm (40 samples in total) and the coordinates of each sampling point were recorded with a GPS device. Sampling was performed 15 to 20 days after the fire in early October. After transferring to the laboratory, the samples were used to measure the amount of soil organic carbon. Then, the statistical relationship between non-burned areas and burned areas was examined and analyzed by an independent t-test. Indirect estimation of soil surface organic carbon at non-burned and burned sites was also investigated and their changes were evaluated using remote sensing satellite imagery. For this purpose, after performing the pre and post-processing on satellite data, the corresponding values ​​of spectral reflectance of each pixel with sampling points at different wavelengths and spectral indices were extracted, and the correlation and regression equation of indices with the Carbon reservoirs were analyzed.

    Results and Discussion

     The results of the Pearson correlation test showed that among all spectral indices, only the HI index was correlated with soil organic carbon in the short time and in the non-burned site. Besides, among all indices, BI, NDBI, NDVI, SAVI, VCI, and VHI indices were correlated with the EC value in the non-burned site. At the non-burned site, there was a significant correlation between most spectral indices and soil EC, which was eliminated after the fire at the burned site. Regarding the correlation between pH and spectral indices, it was observed that there is a correlation between some spectral indices and pH. As a matter of fact, it can be concluded that the fire has caused a large change in the rate of reflection and propagation of waves from the soil surface so that in the non-burned site, the indices were correlated with EC, but in the burned site, the correlation between indices and EC was completely eliminated, and instead, a correlation has been established between the indices and the pH. Furthermore, none of the spectral indices in April 2017 at the non-burned site had a significant positive or negative correlation with soil organic carbon, and the results showed that after six months of the fire, the soil carbon changes were not such that the spectral indices could be examined its process. Comparing the results of October 2016 with the results of April 2017 on the non-burned site, it was found that after six months, the NBR index has found a significant correlation with the EC rate, but the BI and VHI indices have lost their correlation. According to the NBR index and the SWIR2 band, it seems that after six months from the occurrence of the fire, changes have occurred in the control site, which has led to a correlation between this index and soil EC. Since the amount of reflected energy from the earth's surface depends on several factors such as soil moisture, changes in soil organic matter content, and surface cover, so the effect of these factors on the soil reflectance should be considered in the growing season. Failure to change these results after six months can prove that the positive and negative effects of the fire have not disappeared in a short period of six months and a longer time is needed for the situation to return to normal.

    Conclusion

     According to the results, it was found that soil organic carbon reservoirs in burned rangelands in comparison with non-burned rangelands is not significantly different. Deformation and stabilization of soil organic matter due to fire have been studied by many researchers, but the transformation of soil organic matter by fire has often led to heterogeneous and different results. At a depth of 10-20 cm, the fire was found to have no effect on soil organic carbon content, but other researchers found that 6 months after the fire, the amount of carbon in the burned soils increased compared to the non-burned soils. It was also found that the percentage of soil organic carbon decreased significantly three months after the fire. Moreover, in another study on the effect of fire on soil organic carbon, it was found that in the area affected by the fire compared to the control area in one year and two years after the fire, the amount of soil organic carbon has decreased significantly. Since the effect of fire on the physical and chemical properties of soil is strongly influenced by fire intensity, soil moisture, climate, and vegetation, so all these factors have led to different results in investigating the effect of fire on soil organic carbon. Due to environmental conditions, climate, the slope of the area, soil texture and structure, and factors related to fire such as its intensity and duration, the amount of soil carbon has changed. For example, in the event of a medium-sized fire, the conditions for vegetation regrowth are faster, but in the event of a severe fire, the entire organic layer of the soil surface is generally removed and carbon is reduced over time. Also, in examining the correlation between spectral indices and soil organic carbon, it was found that only the HI index with soil organic carbon was significant at the non-burned site, but no correlation was observed at the burned site. This can be examined by examining the spectrum of visible blue and green wavelengths in the mathematical relationship of this index because only in this index the green and blue wavelength spectrum have been used. According to the results of other researchers, it seems that estimating soil organic carbon using remote sensing has certain complexities. Since soil organic carbon has the greatest impact on soil color, it is difficult to estimate it using remotely sensed data if its amount is low. The occurrence of fire in the region has a major impact on the spectral reflectance of surface soil so that after the fire in a short time the correlation of HI index with soil organic carbon is lost. According to the results of the present research, it seems that the main point about the impact of fire on soil organic carbon is the time and the opportunity for soil to change.

    Keywords: Firing, Rangeland, Soil organic carbon, Spectral indices, remote sensing
  • Naser Soltani, Vahid Mohammadnejad * Pages 101-114
    Background and Objective

    Land use reflects the interactive features between humans and the environment and describes how humans are exploited for one or more purposes on earth. Land use is usually defined based on human use of land, with an emphasis on the functional role of land in economic activities. Land use map is one of the main factors in the study of natural resources and environmental management. Knowing the changes in land use and examining their causes and factors in a period of time can be of interest to planners and managers. The use of satellite data is a good tool for land use mapping, especially in large geographical areas, due to the provision of a wide and integrated view of an area, reproducibility, easy access, high accuracy of information obtained, and high-speed analysis. One of the most widely used methods of extracting information from satellite images is image classification, which allows users to generate different information. Google Earth Engine (GEE) is a web, cloud-based system developed by Google to store and analyze large amounts of data at the petabyte scale (including various satellite imagery, digital models, climatic and vector data). Speed in processing and access to diverse data is one of the issues and problems of land use change studies. The purpose of this paper is to classify satellite images using the support vector machine learning method in the two periods of 2000 and 2020 and to produce a land use map of these two periods in the Google Earth engine system.

    Materials and Methods

    In this paper, Urmia city and its surrounding areas (Urmia plain) have been evaluated. In order to prepare land use maps and study its changes, Landsat 7 ETM+ sensor for 2000 and Landsat OLI 8 for 2020 have been used. Images from June were used, when vegetation reached its maximum vegetative growth. Various methods have been developed to monitor and measure land cover and land use changes. In this paper, the efficiency of the Google Earth Engine system for collecting, managing, and processing remote sensing data has been evaluated in order to prove and introduce the speed and accuracy of this system. In order to produce the land use map, the Support Vector Machine classification method has been used. The main difference between this paper and other research is that the management and processing of images have been done in the Google Earth Engine system, which means that the researcher does not need expensive and licensed software such as ENVI and only by access to the Internet can do the processing. By developing the code for image classification using the support vector machine method, the images of 2000 and 2020 were classified. Six land use classes were identified, including barren lands, man-made lands, orchards, irrigated agriculture, rainfed agriculture, and irrigated areas. After classifying images, the results were stored in Google Drive and prepared for further analysis. The classification results were entered into ArcGIS software and the classification accuracy was evaluated using control points obtained from Google Earth images as well as data related to the land use management plan of West Azerbaijan province. In this paper, in addition to preparing a land use map in the Google Earth Engine system, it was used to forecast and model land uses for 2040 using the CA-Markov transfer estimator.

    Results and Discussion

     After calling and classification of images in the Google Earth engine environment using the SVM method, land use map for 2000 and 2020 was produced. The prepared maps include man-made lands, orchards, irrigated agriculture, rainfed agriculture, and barren lands. A comparison of different land use in 2000 and 2020 shows that extensive changes have taken place in them. Some of these changes are positive and some are negative. The area of barren lands in 2020 compared to 2000 has increased by about 10 square kilometers, man-made lands, 42.62 square kilometers, orchards 67 square kilometers, and water bodies 0.39 square kilometers. In contrast, rainfed agriculture has lost 39.45 and irrigated agriculture has lost 80 square kilometers. The reason for the increase in orchards can be seen in the change of irrigated agricultural uses to orchards, as well as urban development and the creation of various human infrastructures, which is very evident in recent years. Most of the changes are related to the use of orchards with a positive trend during which many irrigated agricultural lands have become garden lands. These changes have increased the production of horticultural products in Urmia and become one of the hubs of horticultural production, especially apples. the area of man-made land has almost doubled, which usually happens in other parts of the country and is normal. Usually, with the increase in the population of cities as well as villages and the need to build new buildings and infrastructure facilities such as factories, sports fields, roads, entertainment spaces, etc., man-made uses have increased. According to the forecast for 2040 using the CA-Markov method in Idrisi software, the highest growth is related to rainfed agricultural use. It is predicted that during this period, the area of rainfed lands will reach 73.40 square kilometers. The man-made land will increase to 90.9 square kilometers. While its value in 2020 was 76.38 square kilometers. On the other hand, the area of orchards will increase from 31.61 square kilometers in 2020 to 72.15 square kilometers. Irrigated agriculture will increase to 27.38 square kilometers with an increasing trend.

    Conclusion

     Studies show that the growth of man-made lands in Urmia city and its surroundings is not commensurate with other land uses and this has led to the growth of land use area of ​​the man-made lands compared to other uses and this issue has caused the phenomenon of expansion has become in Urmia city. On the other hand, the results show that the study of land use using the time series of satellite images is a time saver and cost, and as mentioned in the paper. different land uses for the years 2000 and 2020, prepared using the Google Earth system, and their changes were identified. Another important result of this paper is the high efficiency of the GEE system in processing large volumes of satellite images. Using this system does not require any specialized remote sensing software and the user can easily process various data using a computer browser or even a smartphone. Another important point is that in this system, there is no need to download different images, but the user can only download the processing result. This is very useful in terms of time and processing speed. The GEE system is able to process large volumes of time series data (here satellite imagery), different regions of the world with very high speed and very low time, and present the results in the form of various maps and graphs.

    Keywords: Google Earth Engine, Classification, Landuse, Urmia