برآورد کمی تپه‌های ماسه‌ای با استفاده از تصویربرداری با پهپاد در منطقه فراخشک سیستان
الموضوعات :
سعید پورمرتضی
1
,
حمید غلامی
2
,
علیرضا راشکی
3
,
نوازاله مرادی
4
1 - دانشجوی دکتری
2 - گروه مهندسی منابع طبیعی - دانشگاه هرمزگان
3 - گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد
4 - گروه مهندسی منابع طبیعی دانشگاه هرمزگان
الکلمات المفتاحية: تپه ماسه‌ای, دشت سیستان, پهپاد, کمی‌سازی,
ملخص المقالة :
دشت سیستان با داشتن اقلیم فراخشک تبخیر و تعرق بالا بارندگی کم و وزش بادهای 120 روزه زمینه لازم جهت فرسایش و رسوبات بادی را فراهم کرده است با توجه به شاخص بودن تپه‌های ماسه‌ای در منطقه ضرورت کمی سازی تپه‌ها جهت به دست آوردن حجم و مساحت سه‌بعدی که بستر ساز برنامه‌ریزی پروژه‌ای و مدیریت کنترل رسوبات است از اهداف این پژوهش است. پس از شناسایی و تصویربرداری با پهپاد منطقه مطالعاتی مدل ارتفاعی رقومی با وضوح 4 سانتی‌متر و تصویر آرتوفتوموزاییک با وضوح 1 سانتی‌متر به منظور استخراج اطلاعات کمی تپه‌ها تهیه گردید با کمک تصویر آرتوفتوموزاییک و مدل ارتفاعی رقومی محدوده تپه‌ها مشخص و حجم‌ها و مساحت سه‌بعدی به دست آمد جهت بررسی بیشتر اجزای تپه (بادخیز و باد پناه) در بررسی متقابل مدل ارتفاعی رقومی با درصد شیب، درصد زبری و جهت شیب نشان داد که در بادخیز و بادپناه بیشترین میانگین رسوب در شیب 70-100 درصد وجود دارد بیشترین میانگین رسوب در بادخیز در زبری 0-20 درصد و بیشترین در بادپناه در زبری 70-100 درصد وجود دارد در بررسی جهت شیب مشخص شد که بیشترین میانگین رسوب در بادخیز در جهت شمال‌شرقی و در بادپناه در جهت شرقی می‌باشد.
1) Aliabad FA. Shojaei S. 2019. The impact of drought and decline in groundwater levels on the spread of sand dunes in the plain in Iran. Sustainable Water Resources Management, 5(2), 541-555. doi: https://doi.org/10.1007/s40899-017-0204-6.
2) Abbasi H R, Opp C, Groll M, Rohipour H, Gohardoust A. 2019. Assessment of the distribution and activity of dunes in Iran based on mobility indices and ground data. Aeolian Research, 41, 100539. doi: https://doi.org/10.1016/j.aeolia.2019.07.005.
3( Azzaoui MA, Adnani M, El Belrhiti H, Chaouki I E, Masmoudi L. 2019. Detection of crescent sand dunes contours in satellite images using an active shape model with a cascade classifier. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 17-24. doi: https://doi.org/10.5194/isprs-archives-xlii-4-w12-17-2019.
4) Austrich A, Mapelli FJ, Mora MS, Kittlein MJ. 2021. Landscape Change and Associated Increase in Habitat Fragmentation During the Last 30 Years in Coastal Sand Dunes of Buenos Aires Province, Argentina. Estuaries and Coasts, 44(3), 643-656.. doi: https://doi.org/10.1007/s12237-020-00798-x.
5) Begum F, Bajracharya R M, Sharma S, Sitaula BK. 2010. Influence of slope aspect on soil physico-chemical and biological properties in the mid hills of central Nepal. International Journal of Sustainable Development World Ecology, 17(5), 438-443. doi: https://doi.org/10.1080/13504509.2010.499034.
6) Cao S, Wang T, Ge Y, Tamura Y. 2012. Numerical study on turbulent boundary layers over two-dimensional hills—effects of surface roughness and slope. Journal of wind engineering and industrial aerodynamics, 104, 342-349.
doi: https://doi.org/10.1016/j.jweia.2012.02.022.
7) Dong Z, Qian G, Lv P, Hu G. 2013. Investigation of the sand sea with the tallest dunes on Earth: China's Badain Jaran Sand Sea. Earth-Science Reviews, 120, 20-39. doi: https://doi.org/ 10.1016/j.earscirev.2013.02.003.
8) Dandabathula G. Sitiraju SR. Jha CS. 2021. Morphological Profiles of Sand Dunes from ICESat-2 Geolocated Photons. Journal of Geoscience and Environment Protection, 9(2), 71-91. doi: https://doi.org/10.4236/gep.2021.92005.
9) Fabbri S, Grottoli E, Armaroli C, Ciavola P. 2021. Using High-Spatial Resolution UAV-Derived Data to Evaluate Vegetation and Geomorphological Changes on a Dune Field Involved in a Restoration Endeavour. remote sensing, 13(10), 1987. doi: https://doi.org/10.3390/rs13101987.
10) Hugenholtz C H, Levin N, Barchyn TE, Baddock MC. 2012. Remote sensing and spatial analysis of aeolian sand dunes: A review and outlook. Earth-science reviews, 111(3-4), 319-334. doi:https://doi.org/10.1016/j.earscirev.2011.11.006.
11) Laporte-Fauret Q, Marieu V, Castelle B, Michalet R, Bujan S, Rosebery D. 2019. Low-cost UAV for high-resolution and large-scale coastal dune change monitoring using photogrammetry. Journal of Marine Science and Engineering, 7(3), 63. doi: https://doi.org/ 10.3390/jmse7030063.
12) Luo W, Shao M, Che X, Hesp PA, Bryant RG, Yan C, Xing Z. 2020. Optimization of UAVs‐SfM data collection in aeolian landform morphodynamics: a case study from the Gonghe Basin, China. Earth Surface Processes and Landforms, 45(13), 3293-3312. doi: https://doi.org/ 10.1002/esp.4965.
13) Laporte-Fauret Q, Lubac B, Castelle B, Michalet R, Marieu V, Bombrun L, Rosebery D. 2020. Classification of atlantic coastal sand dune vegetation using in situ, uav, and airborne hyperspectral data. Remote Sensing, 12(14), 2222. doi: https://doi.org/ 10.3390/rs12142222.
14) Moghaddamnia A, Gousheh MG, Piri J, Amin S, Han D. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources, 32(1), 88-97. doi: https://doi.org/ 10.1016/j.advwatres.2008.10.005.
15) Marzolff I, Ries JB, Poesen J. 2011. Short‐term versus medium‐term monitoring for detecting gully‐erosion variability in a Mediterranean environment. Earth Surface Processes and Landforms, 36(12), 1604-1623. doi: https://doi.org/10.1002/esp.2172.
16) Madurapperuma B, Lamping J, McDermott M, Murphy B, McFarland J, Deyoung K, Mitchell S. 2020. Factors Influencing Movement of the Manila Dunes and Its Impact on Establishing Non-Native Species. Remote Sensing, 12(10), 1536. doi: https://doi.org/ 10.3390/rs12101536.
17) Pineux N., Lisein J, Swerts G, Bielders CL, Lejeune P, Colinet G, Degré A. 2017. Can DEM time series produced by UAV be used to quantify diffuse erosion in an agricultural watershed?. Geomorphology, 280, 122-136. doi: https://doi.org/ 10.1016/j.geomorph.2016.12.003.
18) Rashki A, Middleton NJ, Goudie AS. 2021. Dust storms in Iran–Distribution, causes, frequencies and impacts. Aeolian Research, 48, 100655. doi: https://doi.org/ 10.1016/j.aeolia.2020.100655.
19) Sewerniak P. 2016. Differences in early dynamics and effects of slope aspect between naturally regenerated and planted Pinus sylvestris woodland on inland dunes in Poland. iForest-Biogeosciences and Forestry, 9(6), 875. doi: https://doi.org/10.3832/ifor1728-009.
20) Sofia G, Hillier JK, Conway SJ. 2016. Frontiers in Geomorphometry and Earth Surface Dynamics: possibilities, limitations and perspectives. Earth Surface Dynamics, 4(3), 721-725. doi: https://doi.org/ 10.5194/esurf-4-721-2016, 2016.
21) Solazzo D, Sankey JB, Sankey TT, Munson SM. 2018. Mapping and measuring aeolian sand dunes with photogrammetry and LiDAR from unmanned aerial vehicles (UAV) and multispectral satellite imagery on the Paria Plateau, AZ, USA. Geomorphology, 319, 174-185. doi: https://doi.org/ 10.1016/j.geomorph.2018.07.023.
22) Tsoar H. 2005. Sand dunes mobility and stability in relation to climate. Physica A: Statistical Mechanics and its Applications, 357(1), 50-56. doi: https://doi.org/ 10.1016/j.physa.2005.05.067.
23) Varma S. Shah VA. Banerjee B. Buddhiraju KM. 2014. Change Detection of Desert Sand Dunes: A Remote Sensing Approach. ARS, 03, 10-22. doi: https://doi.org/10.4236/ARS.2014.31002.
24) Zhang C, Li Q, Zhou N, Zhang J, Kang L, Shen Y, Jia W. 2016. Field observations of wind profiles and sand fluxes above the windward slope of a sand dune before and after the establishment of semi-buried straw checkerboard barriers. Aeolian research, 20, 59-70. doi: https://doi.org/ 10.1016/j.aeolia.2015.11.003.
25) Zhao Y, Gao X. 2021. Morphodynamics of shadow dunes. Earth-Science Reviews, 222, 103840. doi: https://doi.org/ 10.1016/j.earscirev.2021.103840.
26) Zheng Z, Du S, Taubenböck H, Zhang X. 2022. Remote sensing techniques in the investigation of aeolian sand dunes: A review of recent advances. Remote Sensing of Environment, 271, 112913. doi: https://doi.org/ 10.1016/j.rse.2022.112913.
