نوع مقاله : علمی- پژوهشی

نویسندگان

1 دانشگاه هرمزگان

2 دانشگاه گلستان

چکیده

اهداف: پایش تغییرات کاربری‌ها و درک پویایی آن در یک حوضۀ آبخیز، از جایگاه خاصّی در مدیریت پایدار آن حوضه برخوردار است. هدف تحقیق حاضر، استفاده از سنجش از دور و GIS جهت تهیۀ نقشۀ تغییرات و شناسایی انتقالات کاربری اراضی و پوشش زمین با به‌کارگیری ماتریس انتقال و تصاویر ماهوارۀ لندست در حوضۀ آبخیز دریاچۀ ارومیه می‌باشد.
روش: جهت انجام تحقیق، از تصاویر ماهوارۀ لندست در دورۀ زمانی 2015 ـ 1988 استفاده گردید. بدین‌منظور پس از انجام پیش‌پردازش‌های موردنظر، جهت انجام طبقه‌بندی از روش‌های ماشین‌بردار پشتیبان و روشیءگرا استفاده و سپس اعتبارسنجی گردیدند. همچنین جهتِ برآورد میزان انتقالات و دیگر ویژگی‌های حوضۀ آبخیز دریاچۀ ارومیه، ابتدا ماتریس انتقالی استخراج شده و سپس طبقه‌بندی شئ‌گرا بین دوره‌های زمانی 2015ـ1988 ارائه شد. سپس با استفاده از فرمول‌های موردنظر، میزان پایداری، افزایش، کاهش، تغییرات کل، تغییرات خالص و مبادلۀ همزمان کاربری‌های اراضی و پوشش زمین مشخّص گردید.
یافته‌ها/ نتایج: پس از ارزیابی صحت، صحت کلّی برای نقشه‌های حاصل از ماشین بردار پشتیبان و روش شئ‌گرا به‌ترتیب برابر با 94 و 92 درصد و مقدار کاپای آنها به‌ترتیب 92 و 89 برآورد شد که نشان‌دهندۀ برتری روش شئ‌گرا در مقایسه با روش ماشین بردار پشتیبان است. در کل، هر دو روشِ طبقه‌بندی توانستند صحت قابل‌قبولی برای نقشه‌های کاربری اراضی و پوشش زمین ارائه دهند. نتایج حاصل از انتقالات نشان داد به‌طور میانگین، 59 درصد از چهرۀ زمین در حوضۀ آبخیز دریاچۀ ارومیه در فاصلۀ زمانی 2015ـ 1988 پایداری پوشش داشته است، که بیشترین میزان این تداوم براساس مقدار این کاربری در فاصلۀ زمانی 2015ـ1988 مربوطه به مناطق مسکونی می-باشد. حدود 14 درصد از سطح حوزۀ آبخیز دریاچۀ ارومیه به‌صورت تبادل همزمان بوده است. همچنین سطوح آبی حوضۀ آبخیز دریاچۀ ارومیه در دورۀ زمانی فوق، بیشترین ازدست‌دادگی و کمترین تبادل همزمان را تجربه کرده است.
نتیجه‌گیری: حوضۀ آبخیز دریاچۀ ارومیه در این فاصلۀ زمانی (2015ـ1988) تغییرات و انتقالات شدیدی را تجربه کرده است، تاجایی‌که تنها 59 درصد از چهرۀ زمین، ثابت مانده و قسمت‌های دیگر، انواعی از انتقال‌ها را تجربه کرده‌اند. همچنین سطوح آبی و سپس مراتع، بیشترین آسیب-پذیری را تجربه کرده‌اند که نشان از افزایش اراضی فاقد پوشش و اراضی زراعی (کشاورزی) می-باشد. این تجزیه‌وتحلیل ما را به سنجش و تجسّم میزان انتقالات عمدۀ LULC درجهت برنامه‌ریزیِ آیندۀ حوضۀ آبخیز دریاچۀ ارومیه توصیه می‌کند.

کلیدواژه‌ها

1. آرخی، ص. (1394). آشکارسازی تغییرات پوشش/کاربری اراضی با پردازش شیءگرای تصاویر ماهواره‌ای با استفاده از نرم‌افزار Idrisi selvi (مطالعۀ موردی: منطقۀ آبدانان). فصلنامۀ علمی پژوهشی اطّلاعات جغرافیایی «سپهر»، 24(95)، 51-62.‎
2. آرخی، ص.؛ اصفهانی، م. (1393). آموزش تصویری نرم‌افزار ایدریسی سلوا. چاپ اوّل. انتشارات دانشگاه گلستان.
3. زهتابیان، غ.؛ طباطبایی، غ. (1387). بررسی روند بیابان-زائی در استان خوزستان با استفاده از پردازش تصاویر ماهواره‌ای. همایش منطقه‌ای توسعۀ پایدار در زیست‌بوم‌های بیابانی، یزد. 57ـ70.
4. علوی‌پناه، س. (1392). کاربرد سنجش از دور در علوم زمین(علوم خاک). چاپ چهارم. انتشارات دانشگاه تهران.
5. علوی‌پناه، ک.؛ متین‌فر، ح. ر.؛ و سرمدیان، ف. (1383). ارزیابی کاربری داده‌های ماهواره‌ای ازنظر صرفه‌جویی وقت. کنفرانس ملّی بهره‌وری، فرهنگستان علوم ایران، 425ـ439.
6. فاطمی نصیرآبادی، س. (1385). آموزش نرم‌افزار ENVI (نرم‌افزار پردازش تصاویر ماهواره‌ای). چاپ اوّل. تهران: سازمان نقشه‌برداری کشور.
7. Alo, C. A., & Pontius, R. G. (2008). Identifying systematic land-cover transitions using remote sensing and GIS: The fate of forests inside and outside the protected areas of southwestern Ghana. Environment and Planning B: Planning and Design, 35(2), 280-295.
8. Bauer, T., & Steinnocher, K. (2001). Per-parcel land use classification in urban areas applying a rule-based technique. GeoBIT/GIS, 6, 24-27.
9. Braimoh, A. K. (2006). Random and systematic land-cover transitions in northern Ghana. Agriculture, Ecosystems & Environment, 113(1), 254-263.
10. Briones, P. S., & Sepúlveda-Varas, A. (2017). Systematic transitions in land use and land cover in a pre-Andean subwatershed with high human intervention in the Araucania region, Chile. Ciencia e Investigacion Agraria, 43(3), 396-407.‏
11. Definiens the image intelligence company. (2006). Definiens professional user guide. Retrieved from http://www.definiens.com/Userguide.pdf
12. Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91-106.
13. Karami, A., Khoorani, A., Nohegar, A., Shamsi, S. R. F., & Moosavi, V. (2015). Gully erosion mapping using object-based and pixel-based image classification methods. Environmental & Engineering Geoscience, 21(2), 101-110.
14. Lambin, E. F., Geist, H. J., & Lepers, E. (2003). Dynamics of land-use and land-cover change in tropical regions. Annual Review of Environment and Resources, 28(1), 205-241.
15. Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12), 2365-2401.
16. Mackie, R. I. (2013). Dynamic analysis of structures on multicore computers: Achieving efficiency through object-oriented design. Advances in Engineering Software, 66, 3-9.
17. Manandhar, R., Odeh, I. O., & Pontius, R. G. (2010). Analysis of twenty years of categorical land transitions in the Lower Hunter of New South Wales, Australia. Agriculture, Ecosystems & Environment, 135(4), 336-346.‏
18. Matinfar, H. R., Sarmadian, F., Alavipanah, S. K., & Heck, R., (2008). Characterizing land use/land cover types by Landsat7 data based on object-oriented approach in Kashan region. Iranian Journal of Range and Desert Research, 14(4), 589-602.
19. Petropoulos, G. P, Kalaitzidis, C., Vadrevu, K. P. (2012). Support vector machines and object-based classification for obtaining land use/cover cartography from Hyperion hyperspectral imagery. Computers & Geosciences, 41, 99-107.
20. Pontius, R. G., Shusas, E., & McEachern, M. (2004). Detecting important categorical land changes while accounting for persistence. Agriculture, Ecosystems & Environment, 101(2), 251-268.
21. Puissant, A., Rougier, S., & Stumpf, A. (2014). Object-oriented mapping of urban trees using random forest classifiers. International Journal of Applied Earth Observation and Geoinformation, 26, 235-245.‏
22. Puissant, A., Rougier, S., & Stumpf, A. (2014). Object-oriented mapping of urban trees using Random Forest classifiers. International Journal of Applied Earth Observation and Geoinformation, 26, 235-245.
23. Roostaei, S., Alavi, S., Nikjoo, M., & Kamran, K. V. (2012). Evaluation of object-oriented and pixel-based classification methods for extracting changes in urban areas. International Journal of Geomatics and Geosciences, 2(3), 738-749.
24. Singh, A. (1989). Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 10(6), 989-1003.‏
25. Tso, B., & Mather, P. M. (2009). Classification methods for remotely-sensed data. New York: Taylor and Francis.
26. Tucker, C. J., Dregne, H. E., & Newcomb, W. W. (1991). Expansion and contraction of the Sahara Desert. Science, 253, 299-301.
CAPTCHA Image