تحليل طيفي روند گسترش تپه‌هاي شني در محدوده اشکذر يزد با استفاده از شاخص‌هاي طيفي و تجميع شاخص‌هاي فوق در قالب شاخص ASI در بازه زماني 2013، 2018 و 2023
الموضوعات :
1 - دانشيار، گروه جغرافيا ، دانشگاه زنجان، زنجان، ايران.
الکلمات المفتاحية: بيابان زايي, GSI, ASI, تپه‌هاي شني, اشکذر,
ملخص المقالة :
زمينه و هدف: تپه‌هاي شني يکي از عوارض طبيعي در منطقه غرب يزد و منطقه اشکذر مي‌باشد که سکونتگاه‌ها و مزارع را تهديد مي‌کند لذا هدف از اين تحقيق بررسي تغييرات و شناسايي تپه‌هاي شني با بهره‌گيري از شاخص‌هاي طيفي در اين منطقه مي‌باشد. در اين تحقيق براي ارزيابي ميزان گسترش تپه‌هاي شني و تغييرات آنها در بازه زماني 2013 تا 2023 از 6 شاخص طيفي CI، GSI، NDSI، BSI، NDSDI و NDSLI استفاده شده و از ترکيب اين شاخص‌ها و ميانگين‌گيري از آنها شاخص ASI معرفي گرديد.
روش پژوهش: در اين تحقيق ميزان و شدت گسترش تپه‌هاي شني در منطقه اشکذر با بهره‌گيري از 6 شاخص طيفي، شاخص پوسته (CI)، شاخص اندازه ذرات (GSI)، شاخص خاک باير (BSI)، شاخص تفاوت نرمال شده تپه‌هاي شني (NDSDI)، شاخص تفاوت نرمال شده شن (NDSI) و شاخص تفاوت نرمال شده خاک (NDSLI) ارزيابي شدند. سپس شاخص شني کل ASI با تجميع و ميانگين گيري از اين شاخص‌ها برآورد شد. مناظر شني با استفاده از روش Jenks به چهار گروه تپه‌هاي شني فعال، نيمه فعال، نيمه ثابت و ثابت طبقه‌بندي شدند.
يافته‌ها: نتايج نشان مي‌دهد که بر اساس شاخص ASI حدود 8/73 کيلومتر مربع از منطقه اشکذر در اشغال تپه‌هاي شني فعال بوده است که اين ميزان 2/48 درصد از کل منطقه را در بر گرفته است. از سال 2013 تا 2023 وسعت اين تپه‌ها حدود 8/4 درصد کاسته شده و حدود 4/2 درصد به وسعت تپه‌هاي شني نيمه فعال افزوده شده است. منطقه مورد مطالعه با استفاده از 6 شاخص طيفي، به 4 گروه تپه‌هاي ماسه‌اي فعال، نيمه فعال، نيمه ثابت و ثابت طبقه‌بندي شد. در بين شاخص‌هاي طيفي از نظر گستردگي و سرعت حرکت، تشابهاتي مشاهده شد. از سوي ديگر در بين طبقات مناظر شني، الگوهاي مکاني و زماني بسيار مشهود است. مفهوم اين الگوها اين است که مناطق نيمه خشک در يک دوره زماني طولاني مدت نسبت به عوامل اقليمي و انساني بسيار حساس هستند. مناطق شني فعال و نيمه فعال به طور مداوم در طول دوره مورد مطالعه تغيير يافته و در بعضي مناطق تثبيت شده‌اند. اين روند مناطق آبي و زمين‌هاي کشاورزي ديم را با خطر مواجه ساخته است. بر اساس شاخص همبستگي، مشاهده شد که شاخص ASI بيشترين همبستگي را با شاخص‌هاي NDSI، GSI و CI داشت که در اين بين شاخص NDSI و GSI با مقادير 98/0 و 96/0 بيشترين همبستگي را داشتند. در نهايت براي بررسي صحت و قابليت هر شاخص از ضريب کاپا استفاده شد. اما ضريب کاپا براي سال 2023 محاسبه شد. بر اين اساس مشاهده مي‌شود که شاخص ASI داراي بالاترين ضريب کاپا 0.95 و شاخص NDSI با ضريب کاپا 0.93 در رتبه دوم قرار دارد. کمترين ضريب کاپا با 0.62 متعلق به شاخص NDSDI بود. پس از آن شاخص NDSLI با ضريب کاپا 0.67 در رتبه دوم قرار دارد. مقادير ضريب کاپا بر اساس ماتريس سردرگمي در نرم افزار Arc GIS برآورد شد. يافته‌هاي اين تحقيق ضرورت تلاش هماهنگ براي کنترل بيابان زايي شن و ماسه در منطقه اشکذر يزد را نشان مي‌دهد. بهره‌برداري منطقي از ذخاير شن و ماسه اين منطقه و توسعه صنايع مرتبط با شن و ماسه راه مهمي براي معکوس کردن روند توسعه کوير است و با توسعه زيرساخت‌هاي اقتصادي باعث افزايش درآمد کشاورزان و دامداران مي‌شود. توسعه شن‌هاي روان را مي‌توان تا حدودي از طريق اقداماتي مانند جنگل کاري مصنوعي، انتخاب گياهان مقاوم به خشکي، تثبيت شن‌هاي روان، حصارکشي و حفاظت از خاک کنترل کرد.
نتايج: نتايج نشان مي‌دهد که بر اساس شاخص ASI حدود 8/73 کيلومتر مربع از منطقه اشکذر در اشغال تپه‌هاي شني فعال بوده است که اين ميزان 2/48 درصد از کل منطقه را در بر گرفته است. از سال 2013 تا 2023 وسعت اين تپه‌ها حدود 8/4 درصد کاسته شده و حدود 4/2 درصد به وسعت تپه‌هاي شني نيمه فعال افزوده شده است. بر اساس شاخص همبستگي نيز مشاهده شد که شاخص ASI با شاخص‌هاي NDSI، GSI و CI از بيشترين همبستگي برخوردار بوده که در آن بين شاخص NDSI و GSI با مقادير 98/0 و 96/0 بيشترين همبستگي را داشته‌اند. در نهايت به منظور صحت‌سنجي و قابليت هر يک از شاخص‌ها از ضريب کاپا استفاده شد. ليکن ضريب کاپا براي سال 2023 محاسبه گرديد. بر اين اساس مشاهده مي‌شود که شاخص ASI از بيشترين ميزان ضريب کاپا به ميزان 95/0 برخوردار بوده و شاخص NDSI با ضريب کاپاي 93/0 در جايگاه دوم قرار دارد. کمترين ضريب کاپا به ميزان 62/0 متعلق به شاخص NDSDI بوده است. پس از آن شاخص NDSLI با ضريب کاپاي 67/0 در جايگاه دوم قرار دارد. مقادير ضريب کاپا بر اساس ماتريس سردرگمي در نرم افزار Arc GIS برآورد شد. يافته‌هاي اين تحقيق نياز به تلاش‌هاي هماهنگ براي کنترل بيابان‌زايي شني در منطقه اشکذر يزد را نشان مي‌دهد. بهره‌برداري منطقي از منابع شني اين منطقه و توسعه صنايع مرتبط با شن راه مهمي براي معکوس ساختن روند توسعه بيابان بوده و با توسعه زيرساخت‌هاي اقتصادي باعث افزايش درآمد کشاورزان و دامداران مي‌گردد. از طريق اقداماتي مانند جنگل کاري مصنوعي، انتخاب گياهان مقاوم به خشکي، تثبيت شن‌هاي روان، حصارکشي و حفاظت از خاک تا حدودي مي‌توان توسعه شن‌هاي روان را کنترل کرد. همچنين نتايج نشان داد که پوشش گياهي، مراتع، اراضي آبي، اراضي کشاورزي ديم، سکونتگاه‌ها و زيرساخت‌ها در معرض خطر بيابان‌زايي هستند.
Adnani, M., Azzaoui, M., Elbelrhiti, H., Ahmamou M., Masmoudi, L., & Chiban, M. (2016). Yerdi sand dunes (Erfoud area, southeastern of Morocco): color, composition, sand’s provenance, and transport pathways. Arab J Geosci 9(5): 366- 375.
Ahmady-Birgani, H., McQueen, K.G., Moeinaddin, M., & Naseri, H. (2017). Sand Dune Encroachment and Desertification Processes of the Rigboland Sand Sea, Central Iran. Scientific Reports 7: 1523. [in persian].
Aydda, A., Althuwaynee, O., Algouti, A., & Algouti, A. (2019). Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laˆayoune-Tarfaya basin of Morocco. Geocarto Int 34 (13): 1514–1529.
Aydda, A., Althuwaynee, O., & Pokharel, B. (2020). An easy method for barchan dunes automatic extraction from multispectral satellite data. In: IOP Conference Series: Earth and Environmental Science, vol. 419. IOP Publishing.
Chen, W., & Liangyun Liu, L. (2004). Monitoring the seasonal bare soil areas in Beijing using multi-temporal TM images, IGARSS '04. Proceedings 5: 3379 – 3382.
Dakir, D., Rhinane, H., Saddiqi, O., El Arabi, E., & Baidder. L. (2016). Automatic extraction of dunes from Google Earth images new approach to study the dunes migration in the Laˆayoune city of Morocco. Int. Arch. Photogram. Rem. Sens. Spatial Inf. Sci. 42
Deng, Y., Wu, C., Li, M., & Chen, R. (2015). RNDSI: a ratio normalized difference soil index for remote sensing of urban/suburban environments. Int. J. Appl. Earth Obs. Geoinf 39: 40–48.
Dong, G R., Shen, J Y., & Jin, J. (1988) Conceptions of desertif ication and deser tiz ation (in Chine se). Arid L and Geogr 11: 58–61
Fadhil Al-Quraishi, A.M. (2009). Land Degradation Detection Using Geo-Information Technology for Some Sites in Iraq. Al-Nahrain. J. Sci 12: 94–108.
Fadhil, A. M. (2011). Drought mapping using Geoinformation technology for some sites in the Iraqi Kurdistan region, International Journal of Digital Earth 4(3): 239-257.
Fadhil, A.M. (2013). March. Sand dunes monitoring using remote sensing and GIS techniques for some sites in Iraq. In: PIAGENG 2013: Intelligent Information, Control, and Communication Technology for Agricultural Engineering, vol. 8762. International Society for Optics and Photonics, p. 876206.
Karnieli, A. (1997). Development and implementa tion of spectral crust index over dune sands. Int J Remote Sensing 18(6): 1207–1220.
Koch, M. (2000). Geological controls of land degradation as detected by remote sensing: A case study in Los Monegros, north-east Spain. Int J Remote Sensing 21 (3): 457–473.
Mohammadpoor, M., & Eshghizadeh, M. (2021). Introducing an intelligent algorithm for extraction of sand dunes from Landsat satellite imagery in terrestrial and coastal environments. J. Coast Conserv. 25 (1), 1–12. [in persian].
Ndabula, C., Jidauna, G.G., Oyatayo, K., & Ati, O.F. (2018). Micro-Climatic Patterns of Land Degradation/Desertification Status in a Part of North-Eastern Sudano-Sahelian Zone of Nigeria. FUDMA Journal of Science (FJS)2 (1): 116-129.
Nguyen, C.T., Chidthaisong, A., Kieu Diem, P., & Huo, L.Z. (2021). A modified bare soil index to identify bare land features during agricultural fallow-period in Southeast asia using Landsat 8. Land 10 (3), 231.
Pan, X., Zhu, X., Yang, Y., Cao, C., Zhang, X., & Shan, L. (2018). Applicability of downscaling land surface temperature by using normalized difference sand index. Sci. Rep 8 (1): 1–14.
Rogers, A.S., & Kearney, M.S. (2004). Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices, International Journal of Remote Sensing 25 (12): 2317-2335.
Sahar, A.A., Alhadithi, A.A., Hassan, M.A., & Jasim, A.A. (2021). Integrated remote sensing and GIS for developed new spectral index for estimating Sandy land and its potential hazards. Case study: north-east Al-Muthanna Province area, south of Iraq. Arabian Journal of Geosciences 14 (3): 1–11.
Wand, T., Wu, W., Xue, X., Sun, Q., & Chen, G., (2004). Study of spatial distribution of sandy desertification in North China in recent 10 years. Earth Sciences 47: 78-88.
Wang, X. (2013). Sandy desertification: Borne on the wind. Chinese Science Bulletin 58 (20): 2395 – 2403.
Wang, Y. (2010). Typical agricultural areas of China _Dezhou city’s structure changes based on past Decade data. Journal of Geography and Geology 2 (1): 93-97
Wu, Z. (2003). Superficial review about the desertification in the North zone of China (in Chinese). Acta Geogr Sin 46: 266–276 27
Xiao, J., Shen, Y., Tateishi, R., & Bayaer, W. (2006). Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. Int J Remote Sensing 12: 2411–2422.
Yang, G S., Liu, Y X., & Shi P J. (1986). Several problems on desertification in China. Arid Zone Res 3: 73–78.
Zhu Z D. (1994). Current situation and prospect of land desertif ication problem (in Chinese). Geogr Res 13:105–113.
Zhu, Z D., & Chen, G T. (1994). Sandy De ser tificati on in China (in Chine se). Beijing: Science Press 7: 15- 22.
