تحلیلی بر تغییرات کاربری/پوشش اراضی تالاب بین المللی شادگان در دوهۀ اخیر
الموضوعات :اسما رافعی 1 , افشین دانه کار 2 , مهدی زندبصیری 3 , مسعود باقرزاده کریمی 4
1 - کارشناس ارشد محیط زیست، دانشکده منابع طبیعی، گروه محیط زیست، دانشگاه تهران، کرج، ایران
2 - استاد گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
3 - استادیار پژوهش، بخش تحقیقات منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی ومنابع طبیعی استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران استان چهارمحال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران
4 - رئیس حوزه آبریز دریاچه ارومیه، شرکت مدیریت منابع ایران، وزارت نیرو، تهران، ایران
الکلمات المفتاحية: تغییرات کاربری/پوشش اراضی, پایش تغییرات, تالاب شادگان, پناهگاه حیات وحش,
ملخص المقالة :
پیشینه و هدف تالاب ها بهعنوان یکی از حساسترین زیستبومهای کره زمین، همواره در گسترش گاه خود با تحولات متعددی روبرو هستند که تغییرات پوشش و کاربری از مؤثرترینهای این تغییرات محسوب میشود. گستره زمین همواره تحت اثر فعالیتها و کاربریهای انسان قرارگرفته است. آن دسته از فعالیتهای انسان که به مکانهای مشخصی محدود میشود و موقعیت به بالنسبه ثابتی پیدا میکند، کاربری های انسانی را پدید می آورد..ازاینرو تجزیهوتحلیل در زمینه تغییر تالاب ها تبدیل به یک اولویت مدیریتی تبدیل شده است. تغییرات کاربری/ پوشش سرزمین نقشی اساسی در مطالعات تحولات محیطی در سطح محلی، منطقه ای و جهانی دارد. فعالیت و تغییرات انسانی در سطح زمین منجر به تغییراتی در ساختار و فرایندهای بومشناختی سامانههای طبیعی زمین میشود. این تغییرات بهطور عمده جنبههای اصلی عملکردهای سرزمین (ازجمله تعادل انرژی، آب، خاک، شبکه غذایی) را تحت تأثیر قرار میدهد. علاوه بر این، فشار بر منابع طبیعی، که ناشی از نیاز انسان به منابع محیطی و اغلب تحت اثر پیشران افزایش جمعیت است، به تغییر در زمین سیمای سطح زمین می انجامد. تغییرات سیمای سرزمین تحت اثر مداخلات انسانی به تحولات و روندهای مختلف سیمای کاربری/ پوشش زمین منجر می شود. بنابراین تحلیل های پوشش/کاربری در بازه های زمانی، برای درک و روندیابی تغییرات مکانی گذشته تا حال و برنامهریزی برای آینده، اهمیت بسیار دارد. امروزه، داده های ماهواره ای چند طیفی و چند زمانی با وضوح بالا بهعنوان ابزاری اساسی برای تخمین جنبه هایی ازجمله پوشش گیاهی، تخریب جنگل و گسترش شهری مورد استفاده قرار می گیرند.سنجشازدور و GIS بستری برای مطالعه تغییر شکل چشمانداز در سراسر سطح زمین فراهم می کنند. داده های سنجشازدور اطلاعات ارزشمندی را در یک زمان نسبتاً کوتاه و بهصورت مقرون به صرفه ارائه می دهند. تصاویر ماهواره ای یا عکس های هوایی با وضوح بالا برای مطالعه تغییرات کاربری/پوشش اراضی در اکوسیستم ها و محدوده های متفاوت قابل بهره برداری هستند. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اینکه تالاب شادگان یکی از تالاب های بینالمللی کشور است که در حال حاضر به سبب مداخلات انسانی، در فهرست مونترو قرار دارد، سنجش تحولات پیرامون تالاب، به ویژه درروند و نوع تغییرات پوشش/کاربری میتواند، در شناخت پیشران های اصلی تأثیر بر این تالاب با اهمیت کاربردی و کمک به خروج این تالاب از فهرست مونترو همراه باشد، این مطالعه با چنین هدفی و برای یک دوره 20 ساله به انجام رسیده است تا با انطباق با سایر اطلاعات موجود، مانند تغییرات جمعیت و تنوع پرندگان آبزی و کنار آبزی بتواند برای تنظیم لایحه خروج این تالاب از فهرست مونترو به کار آید. در این مطالعه از روشهای یکپارچه سنجشازدور و GIS برای تشخیص تغییرات کاربری/ پوشش زمین در محدوده محاط و مؤثر بر تالاب شادگان استفاده شد.مواد و روش ها محدوده مورد مطالعه در ﺟﻨﻮب ﻏﺮﺑﯽ اﯾﺮان، در جلگه ﺧﻮزﺳﺘﺎن و محاط بر تالاب شادگان قرار دارد. این محدوده با توجه به عوارض انسان ساخت بلافصل تالاب شادگان، به ویژه نقش راهها و آبراهههای پیرامونی بر روی آخرین تصاویر ماهواره ای گوگل ارث بسته شد و سپس به لایه های مورد استفاده منتقل شد. در این محدوده ﺗﺎﻻب بینالمللی ﺷﺎدﮔﺎن حدفاصل طول شرقی 48 درجه و 19 دقیقه و 16 ثانیه تا 49 درجه و 3 دقیقه و 44 ثانیه و عرض شمالی 29 درجه و 55 دقیقه 44 ثانیه تا 38 درجه و 28 دقیقه و 42 ثانیه در فاصله حدود 60 کیلومتری جنوب شهر اهواز مرکز استان و 5 کیلومتری جنوب شهر شادگان واقع شده است. در این پژوهش از تصاویر دوره 20 ساله ماهواره لندست طی سال های 1999-2019 استفاده شده است. همچنین جهت طبقه بندی تصاویر از نرمافزار ENVI استفاده شد. پس از پیشپردازش و انجام تصحیحات مربوطه با استفاده از روش طبقهبندی نظارت شده و الگوریتم حداکثر احتمال پردازش و بارزسازی تصاویر صورت گرفت و همچنین صحت و ضریب کاپا هر لایه به منظور دقت بررسی برآورد شد. در ادامه تهیه نقشه پوشش و کاربری مشتمل بر طبقات مختلف پوشش های طبیعی سطح زمین و کاربریهای انسانی بود که طبقات آن با توجه به نیاز مطالعه و باهدف شناسایی تغییرات مؤثر بر تالاب شادگان مورد و سنجش تغییرات پوشش و کاربری، باهدف شناسایی و آشکارسازی، مهمترین تغییرات صورت گرفته پیرامون تالاب شادگان به انجام رسید، بنابراین در این فرایند، تغییرات عمده در طبقات موجود محور توجه قرار گرفت. جهت آشکارسازی تغییرات از روش پایش تغییرات (Change detection) در نرمافزار ENVI استفاده شد که قادر است اطلاعات کاملی از تغییرات انواع کاربری/پوشش اراضی به یکدیگر ارائه دهد. تغییرات کاربری اراضی در 5 دوره با بازه زمانی 20 (2019-1999) انتخاب شد.نتایج و بحث پنج دوره زمانی داده های ماهواره ای کاربری و پوشش تالاب شادگان در سالهای 1999، 2001، 2014، 2017 و 2019 تهیه و پس از پیشپردازش و انجام تصحیحات مربوطه با استفاده از روش طبقهبندی نظارتشده و الگوریتم حداکثر احتمال پردازش و بارزسازی تصاویر صورت گرفت. بهمنظور ارزیابی صحت نقشههای تولیدشده ضریب کاپا و ضریب صحت کلی استفاده شد و مطابق نتایج بهدستآمده و دادههای سال 2019 با بیشترین مقدار ضریب کاپا و بالاترین دقت صحت کلی برخورد دار بود. طبقات پوشش و کاربری اراضی، نقشه پوشش/کاربری محدوده موردمطالعه برای پنج دوره زمانی مورداشاره تهیه شد. یافتههای این تحقیق نشان داد اراضی تالابی شادگان طی 20 سال ختم به سال 2019، از حدود 90 هزار هکتار در سال 2001 تا حدود 150 هزار هکتار در سال 1999 تغییر وسعت داشته است، درواقع طی دو سال وسعت تالاب حدود 40 درصد کاهش داشت. پسازآن اراضی تالابی افزایش داشته که این افزایش تا به امروز نیز بهتدریج ادامه داشته است، بااینوجود بهرغم این افزایش هنوز وسعت تالاب در سال 1999، تأمین نشد و نسبت به این سال حدود 16 درصد کاهش مساحت نشان میدهد.نتیجه گیری با توجه به روند اراضی لخت بدون پوشش و اراضی شور میتوان نتیجهگیری کرد که این دو نمودار روندی معکوس نسبت به یکدیگر دارند که در این نقطه و یا تلاقی دو پوشش موردنظر تبدیل پوشش به پوشش دیده میشود. به این منظور ابتدا باید پوشش موردنظر حاصل شود که با رواناب ایجاد میشود به صورتی که در یک دورهای اراضی شروع به از دست دادن پوشش خودکرده و تبدیل به اراضی شور و حوضچه نمکی شدند. همچنین با توجه به افزایش اراضی لخت بدون پوشش در سال 2001 و با توجه به روند آب میتوان نتیجهگیری کرد که این افزایش به دلیل کاهش آب سطحی بوده است. با توجه به روند اراضی شور در بازه مربوطه و همسو بودن با روند آب اگر حقابه تالاب تأمین شود شورهزارها به اراضی طبیعی تبدیل میشود. همچنین با افزایش نسبی آب در سالهای اخیر و کاهش اراضی لخت بدون پوشش و افزایش اراضی شور نشاندهنده این موضوع است که آبی که جایگزین اراضی لخت بدون پوشش شده ،آبشور است. دو گروه کاربری اراضی ساختهشده و فعالیت کشاورزی تغییرات شدیدی در محدوده زمانی موردبررسی ایجاد نکردهاند و با توجه به جدول 4 میانگین درصد تغییرات این دو کاربری به ترتیب برابر با %4.5 و بیش از %1 درصد بوده که انتظار میرود تأثیر چشمگیری بر روند تخریب و نابودی اراضی اطراف تالاب نداشته باشد و درنتیجه نمیتواند بهعنوان یک عامل بحرانزا تلقی شود.
Al-Doski J, Mansor SB, Shafri HZM. 2013. Monitoring Land Cover Changes in Halabja City, Iraq. International Journal of Sensor and Related Networks (IJSRN) Volume, 1: 20-30. http://ijsrn.info/article/IJSRNV21I103.pdf.
Ansari A, Golabi MH. 2019. Prediction of spatial land use changes based on LCM in a GIS environment for Desert Wetlands – A case study: Meighan Wetland, Iran. International Soil and Water Conservation Research, 7(1): 64-70. doi:https://doi.org/10.1016/j.iswcr.2018.10.001.
Chavez PS. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3): 459-479. doi:https://doi.org/10.1016/0034-4257(88)90019-3.
Congalton RG, Green K. 2019. Assessing the accuracy of remotely sensed data: principles and practices. CRC press. doi:https://doi.org/10.1201/9780429052729.
Hansen MC, Egorov A, Potapov PV, Stehman SV, Tyukavina A, Turubanova SA, Roy DP, Goetz SJ, Loveland TR, Ju J, Kommareddy A, Kovalskyy V, Forsyth C, Bents T. 2014. Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD). Remote Sensing of Environment, 140: 466-484. doi:https://doi.org/10.1016/j.rse.2013.08.014.
Hossain F, Moniruzzaman DM. 2021. Environmental change detection through remote sensing technique: A study of Rohingya refugee camp area (Ukhia and Teknaf sub-district), Cox's Bazar, Bangladesh. Environmental Challenges, 2: 100024. doi:https://doi.org/10.1016/j.envc.2021.100024.
Islam K, Jashimuddin M, Nath B, Nath TK. 2018. Land use classification and change detection by using multi-temporal remotely sensed imagery: The case of Chunati wildlife sanctuary, Bangladesh. The Egyptian Journal of Remote Sensing and Space Science, 21(1): 37-47. doi:https://doi.org/10.1016/j.ejrs.2016.12.005.
Jamaat A, Safaie A. 2021. Detection of land use-land cover changes in Anzali Wetland using a remote sensing-based approach. In: EGU General Assembly Conference Abstracts. pp EGU21-12119. doi:https://doi.org/12110.15194/egusphere-egu12121-12119.
Kemarau RA, Eboy OV. 2021. Land Cover Change Detection in Kuching, Malaysia Using Satellite Imagery. Borneo Journal of Sciences & Technology, 3(1): 61-65. doi:http://doi.org/10.3570/bjost.2021.3.1-09.
Kumar A, Jayappa K, Deepika B. 2010. Application of remote sensing and geographic information system in change detection of the Netravati and Gurpur river channels, Karnataka, India. Geocarto International, 25(5): 397-425. doi:https://doi.org/10.1080/10106049.2010.496004.
Lambin EF, Turner BL, Geist HJ, Agbola SB, Angelsen A, Bruce JW, Coomes OT, Dirzo R, Fischer G, Folke C, George PS, Homewood K, Imbernon J, Leemans R, Li X, Moran EF, Mortimore M, Ramakrishnan PS, Richards JF, Skånes H, Steffen W, Stone GD, Svedin U, Veldkamp TA, Vogel C, Xu J. 2001. The causes of land-use and land-cover change: moving beyond the myths. Global Environmental Change, 11(4): 261-269. doi:https://doi.org/10.1016/S0959-3780(01)00007-3.
Lillesand T, Kiefer RW, Chipman J. 2015. Remote sensing and image interpretation. John Wiley & Sons. 736 p.
Mas J-F. 1999. Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing, 20(1): 139-152. doi:https://doi.org/10.1080/014311699213659.
Matlhodi B, Kenabatho PK, Parida BP, Maphanyane JG. 2019. Evaluating land use and land cover change in the Gaborone dam catchment, Botswana, from 1984–2015 using GIS and remote sensing. Sustainability, 11(19): 5174. doi:https://doi.org/10.3390/su11195174.
Nasser Mohamed Eid A, Olatubara CO, Ewemoje TA, Farouk H, El-Hennawy MT. 2020. Coastal wetland vegetation features and digital Change Detection Mapping based on remotely sensed imagery: El-Burullus Lake, Egypt. International Soil and Water Conservation Research, 8(1): 66-79. doi:https://doi.org/10.1016/j.iswcr.2020.01.004.
Odindi J, Mhangara P, Kakembo V. 2012. Remote sensing land-cover change in Port Elizabeth during South Africa's democratic transition. South African Journal of Science, 108(5): 1-7. doi:https://hdl.handle.net/10520/EJC120714.
Pourkhabbaz HR, Yusefi KS, Salehipour F. 2015. Study of land use changes trend in Shadegan wetland using remote sensing and GIS and offering management solutions. Journal of Wetland Ecobiology, 7(3): 55-66. https://www.sid.ir/en/Journal/ViewPaper.aspx?ID=529809. (In Persian).
Prakasam C. 2010. Land use and land cover change detection through remote sensing approach: A case study of Kodaikanal taluk, Tamil nadu. International Journal of Geomatics and Geosciences, 1(2): 150-158.
Rafei A, Danehkar A. 2021. An Analysis of Montreux List Wetlands. Zist Sepehr Student Magazine, 14(1): 26-36. (In Persian).
Rafei A, Danehkar A. 2021. The natural landscape and environmental features of Shadegan wetland. Iran Nature, 6(4): 135-146. doi:http://doi.org/10.22092/IRN.2021.353048.1322. (In Persian).
Rafei A, Danehkar A, Zandebasiri M, Bagherzadeh Karimi M. 2020. Application of Linear Planning in Measuring the Feasibility of Shadegan Wetland Indicative According to Ramsar Convention Criteria. Journal of Environmental Studies, 46(3): 421-436. (In Persian).
Rafei A, Danehkar A, Zandebasiri M, Bagherzadekarimi M. 2022. An analysis of the land use/land cover changes of Shadegan International Wetland in the last two decades. Journal of RS and GIS for Natural Resources, 13(2): 1-5. doi:http://dorl.net/dor/20.1001.1.26767082.1401.13.2.1.1. (In Persian).
Richards JA. 2022. Correcting and Registering Images. In: Richards JA (ed) Remote Sensing Digital Image Analysis. Springer International Publishing, Cham, pp 31-85. doi:https://doi.org/10.1007/1978-1003-1030-82327-82326_82322.
Shawul AA, Chakma S. 2019. Spatiotemporal detection of land use/land cover change in the large basin using integrated approaches of remote sensing and GIS in the Upper Awash basin, Ethiopia. Environmental Earth Sciences, 78(5): 1-13. doi:https://doi.org/10.1007/s12665-019-8154-y.
Sibanda S, Ahmed F. 2021. Modelling historic and future land use/land cover changes and their impact on wetland area in Shashe sub-catchment, Zimbabwe. Modeling Earth Systems and Environment, 7(1): 57-70. doi:https://doi.org/10.1007/s40808-020-00963-y.
Soffianian A, Madanian M. 2011. Comparison of maximum likelihood and minimum distance to mean classifiers in preparing land cover map (a case study: Isfahan area). Journal of Science and Technology of Agriculture and Natural Resources, 15(57 (B)): 253-264. (In Persian).
Vivekananda G, Swathi R, Sujith A. 2021. Multi-temporal image analysis for LULC classification and change detection. European Journal of Remote Sensing, 54(sup2): 189-199. doi:https://doi.org/10.1080/22797254.2020.1771215.
Wang Y, Mitchell BR, Nugranad-Marzilli J, Bonynge G, Zhou Y, Shriver G. 2009. Remote sensing of land-cover change and landscape context of the National Parks: A case study of the Northeast Temperate Network. Remote Sensing of Environment, 113(7): 1453-1461. doi:https://doi.org/10.1016/j.rse.2008.09.017.
Yuan T, Yiping X, Lei Z, Danqing L. 2015. Land use and cover change simulation and prediction in Hangzhou city based on CA-Markov model. International Proceedings of Chemical, Biological and Environmental Engineering, 90: 108-113. doi:https://doi.org/10.7763/IPCBEE.2015.V90.17.
_||_Al-Doski J, Mansor SB, Shafri HZM. 2013. Monitoring Land Cover Changes in Halabja City, Iraq. International Journal of Sensor and Related Networks (IJSRN) Volume, 1: 20-30. http://ijsrn.info/article/IJSRNV21I103.pdf.
Ansari A, Golabi MH. 2019. Prediction of spatial land use changes based on LCM in a GIS environment for Desert Wetlands – A case study: Meighan Wetland, Iran. International Soil and Water Conservation Research, 7(1): 64-70. doi:https://doi.org/10.1016/j.iswcr.2018.10.001.
Chavez PS. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3): 459-479. doi:https://doi.org/10.1016/0034-4257(88)90019-3.
Congalton RG, Green K. 2019. Assessing the accuracy of remotely sensed data: principles and practices. CRC press. doi:https://doi.org/10.1201/9780429052729.
Hansen MC, Egorov A, Potapov PV, Stehman SV, Tyukavina A, Turubanova SA, Roy DP, Goetz SJ, Loveland TR, Ju J, Kommareddy A, Kovalskyy V, Forsyth C, Bents T. 2014. Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD). Remote Sensing of Environment, 140: 466-484. doi:https://doi.org/10.1016/j.rse.2013.08.014.
Hossain F, Moniruzzaman DM. 2021. Environmental change detection through remote sensing technique: A study of Rohingya refugee camp area (Ukhia and Teknaf sub-district), Cox's Bazar, Bangladesh. Environmental Challenges, 2: 100024. doi:https://doi.org/10.1016/j.envc.2021.100024.
Islam K, Jashimuddin M, Nath B, Nath TK. 2018. Land use classification and change detection by using multi-temporal remotely sensed imagery: The case of Chunati wildlife sanctuary, Bangladesh. The Egyptian Journal of Remote Sensing and Space Science, 21(1): 37-47. doi:https://doi.org/10.1016/j.ejrs.2016.12.005.
Jamaat A, Safaie A. 2021. Detection of land use-land cover changes in Anzali Wetland using a remote sensing-based approach. In: EGU General Assembly Conference Abstracts. pp EGU21-12119. doi:https://doi.org/12110.15194/egusphere-egu12121-12119.
Kemarau RA, Eboy OV. 2021. Land Cover Change Detection in Kuching, Malaysia Using Satellite Imagery. Borneo Journal of Sciences & Technology, 3(1): 61-65. doi:http://doi.org/10.3570/bjost.2021.3.1-09.
Kumar A, Jayappa K, Deepika B. 2010. Application of remote sensing and geographic information system in change detection of the Netravati and Gurpur river channels, Karnataka, India. Geocarto International, 25(5): 397-425. doi:https://doi.org/10.1080/10106049.2010.496004.
Lambin EF, Turner BL, Geist HJ, Agbola SB, Angelsen A, Bruce JW, Coomes OT, Dirzo R, Fischer G, Folke C, George PS, Homewood K, Imbernon J, Leemans R, Li X, Moran EF, Mortimore M, Ramakrishnan PS, Richards JF, Skånes H, Steffen W, Stone GD, Svedin U, Veldkamp TA, Vogel C, Xu J. 2001. The causes of land-use and land-cover change: moving beyond the myths. Global Environmental Change, 11(4): 261-269. doi:https://doi.org/10.1016/S0959-3780(01)00007-3.
Lillesand T, Kiefer RW, Chipman J. 2015. Remote sensing and image interpretation. John Wiley & Sons. 736 p.
Mas J-F. 1999. Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing, 20(1): 139-152. doi:https://doi.org/10.1080/014311699213659.
Matlhodi B, Kenabatho PK, Parida BP, Maphanyane JG. 2019. Evaluating land use and land cover change in the Gaborone dam catchment, Botswana, from 1984–2015 using GIS and remote sensing. Sustainability, 11(19): 5174. doi:https://doi.org/10.3390/su11195174.
Nasser Mohamed Eid A, Olatubara CO, Ewemoje TA, Farouk H, El-Hennawy MT. 2020. Coastal wetland vegetation features and digital Change Detection Mapping based on remotely sensed imagery: El-Burullus Lake, Egypt. International Soil and Water Conservation Research, 8(1): 66-79. doi:https://doi.org/10.1016/j.iswcr.2020.01.004.
Odindi J, Mhangara P, Kakembo V. 2012. Remote sensing land-cover change in Port Elizabeth during South Africa's democratic transition. South African Journal of Science, 108(5): 1-7. doi:https://hdl.handle.net/10520/EJC120714.
Pourkhabbaz HR, Yusefi KS, Salehipour F. 2015. Study of land use changes trend in Shadegan wetland using remote sensing and GIS and offering management solutions. Journal of Wetland Ecobiology, 7(3): 55-66. https://www.sid.ir/en/Journal/ViewPaper.aspx?ID=529809. (In Persian).
Prakasam C. 2010. Land use and land cover change detection through remote sensing approach: A case study of Kodaikanal taluk, Tamil nadu. International Journal of Geomatics and Geosciences, 1(2): 150-158.
Rafei A, Danehkar A. 2021. An Analysis of Montreux List Wetlands. Zist Sepehr Student Magazine, 14(1): 26-36. (In Persian).
Rafei A, Danehkar A. 2021. The natural landscape and environmental features of Shadegan wetland. Iran Nature, 6(4): 135-146. doi:http://doi.org/10.22092/IRN.2021.353048.1322. (In Persian).
Rafei A, Danehkar A, Zandebasiri M, Bagherzadeh Karimi M. 2020. Application of Linear Planning in Measuring the Feasibility of Shadegan Wetland Indicative According to Ramsar Convention Criteria. Journal of Environmental Studies, 46(3): 421-436. (In Persian).
Rafei A, Danehkar A, Zandebasiri M, Bagherzadekarimi M. 2022. An analysis of the land use/land cover changes of Shadegan International Wetland in the last two decades. Journal of RS and GIS for Natural Resources, 13(2): 1-5. doi:http://dorl.net/dor/20.1001.1.26767082.1401.13.2.1.1. (In Persian).
Richards JA. 2022. Correcting and Registering Images. In: Richards JA (ed) Remote Sensing Digital Image Analysis. Springer International Publishing, Cham, pp 31-85. doi:https://doi.org/10.1007/1978-1003-1030-82327-82326_82322.
Shawul AA, Chakma S. 2019. Spatiotemporal detection of land use/land cover change in the large basin using integrated approaches of remote sensing and GIS in the Upper Awash basin, Ethiopia. Environmental Earth Sciences, 78(5): 1-13. doi:https://doi.org/10.1007/s12665-019-8154-y.
Sibanda S, Ahmed F. 2021. Modelling historic and future land use/land cover changes and their impact on wetland area in Shashe sub-catchment, Zimbabwe. Modeling Earth Systems and Environment, 7(1): 57-70. doi:https://doi.org/10.1007/s40808-020-00963-y.
Soffianian A, Madanian M. 2011. Comparison of maximum likelihood and minimum distance to mean classifiers in preparing land cover map (a case study: Isfahan area). Journal of Science and Technology of Agriculture and Natural Resources, 15(57 (B)): 253-264. (In Persian).
Vivekananda G, Swathi R, Sujith A. 2021. Multi-temporal image analysis for LULC classification and change detection. European Journal of Remote Sensing, 54(sup2): 189-199. doi:https://doi.org/10.1080/22797254.2020.1771215.
Wang Y, Mitchell BR, Nugranad-Marzilli J, Bonynge G, Zhou Y, Shriver G. 2009. Remote sensing of land-cover change and landscape context of the National Parks: A case study of the Northeast Temperate Network. Remote Sensing of Environment, 113(7): 1453-1461. doi:https://doi.org/10.1016/j.rse.2008.09.017.
Yuan T, Yiping X, Lei Z, Danqing L. 2015. Land use and cover change simulation and prediction in Hangzhou city based on CA-Markov model. International Proceedings of Chemical, Biological and Environmental Engineering, 90: 108-113. doi:https://doi.org/10.7763/IPCBEE.2015.V90.17.