ارزیابی تخریب اراضی با استفاده از داده‌های سنجش‌از‌دور ماهواره لندست در بازۀ زمانی 1400-1390 (مطالعۀ موردی: شهرستان اصفهان)

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

هادی اسکندری دامنه ¹ , حامد اسکندری دامنه ² , حسن خسروی ³ , میثم چراغی ⁴ , محسن عادلی ساردوئی ⁵

1 - دکتری بیابان‌زدایی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، هرمزگان، ایران
2 - دکتری بیابان‌زدایی، دانشکده منابع طبیعی، دانشگاه تهران، تهران، ایران
3 - دانشیار گروه احیاء مناطق خشک و بیابانی، دانشکده منابع طبیعی، دانشگاه تهران، تهران، ایران
4 - دانشجوی دکتری علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران
5 - استادیار دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران

تاریخ دریافت : 1400/07/23 تاریخ پذیرش : 1400/09/21 تاریخ انتشار : 1401/11/01

کلید واژه: بیابان‌زایی, تغییرات اقلیمی, روند تخریب, شوری خاک,

چکیده مقاله :

پیشینه و هدف تخریب اراضی یکی از پدیده‌های مخرب است که ثبات و امنیت اکوسیستم‌ها به‌ویژه در مناطق خشک را تهدید می‌کند. تخریب اراضی می‌تواند منجر به کاهش حاصلخیزی و بهره‌وری خاک، مهاجرت و جابه جایی جمعیت، ناامنی غذایی و نابودی اکوسیستم‌ها شود. علیرغم اقدامات گسترده در زمینه مقابله با تخریب اراضی، این مشکل در دهه‌های اخیر نه‌تنها کاهش نیافته است، بلکه به تدریج تشدید شده است. بنابراین، پایش تخریب اراضی و آشکارسازی ویژگی‌های آن برای مدیریت و بازیابی کیفیت اراضی ضروری است و این پایش در مناطق خشک امکان مدیریت صحیح و مبارزه با این پدیده را تسهیل می‌کند. پایش تخریب اراضی در این مناطق با استفاده از داده‌های سنجش از دور امکان پذیر است، به نحوی که این دانش به‌طور گسترده‌ای برای پایش تخریب اراضی منطقه‌ای مورد استفاده قرار خواهد گرفت. باتوجه به اهمیت موضوع تخریب اراضی و نیاز به پایش اراضی جهت دستیابی به درک درستی از وضعیت شهرستان اصفهان و به‌دنبال آن ایجاد مدیریت مناسب و به موقع جهت جلوگیری از گسترش تخریب، این تحقیق با هدف بررسی وضعیت تخریب اراضی در این شهرستان با استفاده از مدل‌سازی شاخص‌های محیطی حاصل از داده‌های ماهواره‌ای در بازه زمانی 1390-1400، انجام شد.مواد و روش ها در این تحقیق به‌منظور بررسی روند تغییرات کاربری اراضی در حوزۀ مطالعاتی، از تصاویر ماهواره‌ای لندست، سنجنده‌های TM و OLI استفاده گردید و همچنین از داده‌های حاصل از بازدید میدانی به عنوان اطلاعات جانبی استفاده شد. پردازش و تحلیل تصاویر ماهواره‌ای در محیط نرم‌افزار ENVI صورت گرفت. به‌منظور تهیۀ نقشۀ تغییرات کاربری اراضی، روش طبقه‌بندی نظارت ‌شده حداکثر احتمال بکار گرفته شد. سپس تمامی کاربری‌های منطقۀ مورد مطالعه در چهار کاربری اراضی کشاورزی، مراتع، اراضی بایر و شوره‌زار و مناطق شهری و انسان ساخت تقسیم‌بندی شدند. در نهایت لایه‌های بدست آمده، جهت محاسبۀ مساحت کاربری‌ها و تهیۀ نقشۀ خروجی مناسب به نرم‌افزار ArcGIS منتقل گردید. پس از بررسی تغییرات کاربری اراضی با استفاده از روش حداکثر احتمال شاخص‌های شوری خاک SI و شاخص اقلیمی Albedo، شاخص پوشش گیاهی NDVI و LSM تهیه شدند. شاخص‌ شوری خاک SI یکی از شاخص‌های اصلی ارزیابی تخریب سرزمین است؛ این شاخص استخراج شده از تصاویر ماهواره‌ای، قادر به ارزیابی شوری خاک در مناطق خشک و نیمه‌خشک می‌باشد که با استفاده از رابطۀ SI=√(ρ_Blue×ρ_Red ) (ρBlue و ρRed به‌ترتیب باند قرمز و آبی در سنجنده‌های TM و OLI در ماهواره لندست) محاسبه گردید. شاخص آلبیدو سطحی بدست آمده از داده‌های سنجش از دور یک پارامتر فیزیکی است که ویژگی‌های بازتاب سطح و طول موج‌های کوتاه خورشید را بیان می‌کند. این پارامتر فیزیکی تحت تأثیر پوشش گیاهی، رطوبت خاک و سایر شرایط سطح زمین می‌باشد. بنابراین، با بررسی تغییرات آلبیدو می‌توان تغییرات در سطح زمین و نتیجه تخریب اراضی را به‌خوبی مورد بررسی قرار داد. برای محاسبه آلبدو سطح در سنجنده‌های TM و OLI در این مطالعه از رابطۀ AIbedo=0.356 ρ_Blue+0.130ρ_Red+0.373ρ_NIR+0.085ρ_SWIR1+0.072ρ_SWIR2-0.018 (ρ باند مربوط به تصاویر سنجنده TM و OLI ماهواره لندست) استفاده شد. برای بررسی پوشش گیاهی در این پژوهش، از شاخص NDVI که از تصاویر ماهواره لندست، سنجنده‌های TM و OLI به‌دست می‌آید، استفاده شد. این شاخص بیشترین حساسیت را به تغییرات پوشش گیاهی داشته و در مقابل اثرات جوی و زمینه خاک، به جز در مواردی که پوشش گیاهی کم باشد، حساسیت کمتری دارد. یکی دیگر از پارامتر‌های بسیار مهم برای بررسی تخریب اراضی، بررسی رطوبت سطحی خاک است که در این مطالعه با استفاده از تغییرات شاخص LSM مورد مطالعه قرار گرفت.در نهایت برای برآورد تخریب اراضی (LD) درسال‌های 1390، 1395 و 1400 از روش آنالیز مؤلفه‌های اولیه (PCA) بین شاخص‌های Albedo، SI، NDVI و LSM استفاده شد. ابتدا شاخص‌های مورد نظر نرمال‌سازی شدند و سپس مقدار تخریب اراضی برای هر سال برآورد گردید. به طوری که مقادیر زیاد تخریب اراضی نشان دهنده حداکثر تخریب اراضی می‌باشد.نتایج و بحث بررسی روند تغییرات کاربری اراضی شهرستان اصفهان در چهار کاربری اراضی کشاورزی، مراتع، اراضی بایر و شوره‌زار و مناطق شهری و انسان ساخت در بازه زمانی 1400-1390 نشان داد که بین سال‌های 1395-1390 اراضی کشاورزی و مراتع به ترتیب 7/5 و 06/5 درصد کاهش داشت؛ در حالی‌که اراضی بایر و شوره‌زار و مناطق شهری و انسان ساخت به ترتیب 10.45 و 1.51 درصد افزایش داشتند. ازطرفی، در بازه زمانی 1400-1395 اراضی کشاورزی و مراتع به‌ترتیب 0.75 و 1.25 درصد کاهش و اراضی بایر و شوره‌زار و مناطق شهری و انسان ساخت 1.51 و 0.5 درصد افزایش نشان داده‌اند. همچنین در باز زمانی 1400-1390 اراضی کشاورزی و مراتع به‌ترتیب کاهش 6.45 و 6.32 درصدی و کاربری‌های اراضی بایر و شوره‌زار و مناطق مسکونی و انسان ساخت به ترتیب افزایش 11.96 و 0.8 درصدی داشتند. بررسی روند تغییرات کاربری اراضی نشان داد که در این بازه زمانی 10 ساله، روند تخریب اراضی کشاورزی و مراتع، کاهشی بوده و اراضی بایر و شوره‌زار و همچنین مناطق شهری و انسان ساخت در حال افزایش بود. بررسی تغییرات کلاس‌های بیابان‌زایی نشان داد که در بازه زمانی مورد مطالعه، کلاس‌های متوسط، شدید و خیلی شدید بیابان‌زایی افزایش یافته به‌طوری‌که مساحت زمین‌های بیابانی به‌ترتیب از 3428، 2817 و 1340 در سال 1390 به 4079، 4276 و 4302 کیلومتر‌مربع در سال 1400 افزایش یافته است. کلاس‌های کم و خیلی کم نیز از 2826 و 5295 در سال 1390 به 574 و 2475 کیلومتر‌مربع در سال 1400 رسیده است. این تغییرات نشان دهنده افزایش بیابان‌زایی در شهرستان اصفهان است.نتیجه گیری با استفاده از شاخص‌های برآورد شده از تصاویر سنجش دور، می‌تواند با دقتی مناسب روند تخریب و بیابان‌زایی را پایش کرد و اقدامت لازم برای مقابله با این پدیده مخرب را در دستور کار قرار داد. با استفاده از نتایج حاصل از این پژوهش می‌توان روند تخریب اراضی شهرستان اصفهان را در گذر زمان برآورد کرد و برنامه‌ها و سیاست‌های لازم برای مقابله با این پدیده را اعمال نمود.

چکیده انگلیسی:

Background and Objective Land degradation is one of the destructive phenomena that threaten the stability and security of ecosystems, especially in arid areas. Land degradation can lead to reduced soil fertility and productivity, population migration and displacement, food insecurity, and ecosystem destruction. Despite widespread efforts to combat land degradation, this problem has not only not diminished in recent decades but has gradually intensified. Therefore, monitoring land degradation and revealing its characteristics is essential for land management and recovery, and this monitoring in arid areas facilitates proper management and control of this phenomenon. Monitoring of land degradation in these areas is possible using remote sensing data so that this science will be widely used to monitor land degradation in areas. Considering the importance of land degradation and the need for land monitoring, this study was performed to understandthe degradation situation in Isfahan city properly. Also, this study tries to create appropriate and timely management for the spread of degradation using modeling of environmental indicators obtained from satellite data in the period 2011-2021.Materials and Methods In this study, Landsat satellite imagery, TM, and OLI sensors were used to study the trend of land-use change. In addition, the data from field visits were also used as ancillary information. Satellite images were processed and analyzed in ENVI software environment. The supervised maximum classification method was used to prepare a map of land-use changes. Then, all land uses in the study area were divided into agricultural lands, rangelands, barren and saline lands, and urban and man-made areas. Finally, the obtained layers were transferred to ArcGIS software to calculate the land use area and prepare a suitable output map. After investigating land-use changes, SI soil salinity indices and Albedo climatic index, NDVI, and the LSM vegetation index were designed using the maximum likelihood method. SI soil salinity index is one of the main indicators of land degradation assessment. This index extracted from satellite images can assess soil salinity in arid and semi-arid regions, calculated using Equation SI=√(ρ_Blue×ρ_Red ) (ρBlue and ρRed, are the red and blue bands on the TM and OLI sensors, respectively). The surface albedo index obtained from remote sensing data is a physical parameter that expresses the sun's surface reflection characteristics and short wavelengths. This physical parameter is affected by vegetation, soil moisture, and other surface conditions. Therefore, by studying the changes in Albedo, it is possible to look at the changes in the ground surface and the result of land degradation. Equation AIbedo = 0.356 ρ_Blue + 0.130ρ_Red +0.373ρ_NIR+0.085ρ_SWIR1+0.072ρ_SWIR2-0.018 (The ρ band corresponds to the Landsat TM and OLI sensor images) was used to calculate the surface albedo in TM and OLI sensors in this study. The NDVI index, which is obtained from Landsat satellite images, TM and OLI sensors, was used to study the vegetation in this study. This index is most sensitive to changes in vegetation and is less susceptible to the effects of climate and soil, except in cases where vegetation is low. Another important parameter for land degradation is soil moisture content, which was studied using changes in the LSM index. Finally, the primary component analysis (PCA) method between Albedo, SI, NDVI, and LSM indices was used to estimate land degradation (LD) in 2011, 2016, and 2021. First, the desired indicators were normalized, and then the amount of land degradation for each year was estimated. So that large amounts of land degradation indicate the maximum land degradation.Results and Discussion The trend of land-use changes in Isfahan city in four uses of agricultural lands, rangelands, barren and saline lands, and urban and man-made areas in the period of 2011-2021 showed that between 2011-2016, agricultural lands and rangelands have decreased by 5.7 and 5.06, respectively. In contrast, barren and saline lands and urban and man-made areas increased by 10.45% and 1.51%, respectively. On the other hand, from 2016 to 2021, agricultural lands and rangelands have decreased by 0.75 and 1.25 percent, respectively, and barren and salty lands, urban and man-made areas have increased by 1.51 and 0.5 percent, respectively. Also, from 2011 to 2021, agricultural lands and rangelands decreased by 6.45 and 6.32 percent, respectively, and land use of barren and salty lands, urban and man-made areas increased by 11.96 and 0.8 percent, respectively. The study of the trend of land use changes showed that in this period of 10 years, the trend of destruction of agricultural lands and rangelands was decreasing, and barren and saline land and urban and man-made areas were increasing. The changes in desertification classes showed that the medium, high, and very high desertification classes have increased. The area of desert lands rose from 3428, 2817, and 1340 in 2011 to 4079, 4276, and 4302 Km2 in 1400, respectively. Low and very low classes have changed from 2826 and 5295 in 2011 to 574 and 2475 Km2 in 2021. These changes indicate an increase in desertification in Isfahan, which is due to land-use changes, especially the conversion of rangelands into agricultural lands and frequent droughts and drying of the Zayanderud River, which abandoned agricultural lands and turned them into barren and salty lands. On the other hand, with the dryness of the air, frequent droughts, and drying of the Zayanderud River, the soil moisture has decreased, which has caused salinization of the soil and increased unusable quality lands of this city. Also downstream of the Zayanderud River is Gavkhoni Wetland, one of the most important wetlands in Iran. Due to the reduction of incoming water, the surrounding beds have become barren and saline lands, which indicates the increasing desertification of this wetland.Conclusion It can be concluded that by using the indicators estimated from remote sensing images, it is possible to monitor the destruction and desertification process with reasonable accuracy and put the necessary measures to deal with this destructive phenomenon on the agenda. In this study, the process of land degradation in Isfahan city was estimated over time, based on which the necessary programs and policies can be applied to deal with this phenomenon.

منابع و مأخذ:

AbdelRahman MA, Natarajan A, Hegde R. 2016. Assessment of land suitability and capability by integrating remote sensing and GIS for agriculture in Chamarajanagar district, Karnataka, India. The Egyptian Journal of Remote Sensing and Space Science, 19(1): 125-141. https://doi.org/10.1016/j.ejrs.2016.02.001.

Ahmadaali K, Eskandari Damaneh H, Ababaei B, Eskandari Damaneh H. 2021. Impacts of droughts on rainfall use efficiency in different climatic zones and land uses in Iran. Arabian Journal of Geosciences, 14: 1-15. https://doi.org/10.1007/s12517-020-06389-1.

Asghari Sarasekanrood S, Asadi B. 2021. Analysis of land use changes and their effects on the creation of thermal islands in Isfahan City. The Journal of Geographical Research on Desert Areas, 8(2): 217-246. http://dorl.net/dor/20.1001.1.2345332.1399.8.2.9.6. (In Persian).

Bai ZG, Dent DL, Olsson L, Schaepman ME. 2008. Proxy global assessment of land degradation. Soil Use and Management, 24(3): 223-234. https://doi.org/10.1111/j.1475-2743.2008.00169.x.

Cheng W, Xi H, Sindikubwabo C, Si J, Zhao C, Yu T, Li A, Wu T. 2020. Ecosystem health assessment of desert nature reserve with entropy weight and fuzzy mathematics methods: A case study of Badain Jaran Desert. Ecological Indicators, 119: 106843. https://doi.org/10.1016/j.ecolind.2020.106843.

Damaneh HE, Gh Z, Salajeghe A, Ghorbani M, Khosravi H. 2018. Assessing the effect of land use changes on groundwater quality and quantity (Case study: west basin of Jazmoryan wetland). Journal of Range and Watershed Management, 71(3): 563-578. (In Persian).

Eskandari Damaneh H, Eskandari Damaneh H, Khosravi H, Gholami H. 2019. Analysis and monitoring of drought using NDVI index (Case study: the west basin of Jaz Murian wetland). Rangeland, 13(3): 461-475. http://rangelandsrm.ir/article-1-785-en.html. (In Persian).

Eskandari Damaneh H, Jafari M, Eskandari Damaneh H, Behnia M, Khoorani A, Tiefenbacher JP. 2021. Testing possible scenario-based responses of vegetation under expected climatic changes in Khuzestan Province. Air, Soil and Water Research, 14: 1-17. https://doi.org/10.1177/11786221211013332.

Eskandari Damaneh H, Jafari R, Soltani S. 2018. Assessment of land degradation indices obtained from remote sensing data. Desert Management, 5(10): 43-56. (In Persian).

Eskandari Damaneh H, Zehtabian G, Khosravi H, Azarnivan H, Barati A. 2020. Investigation of vegetation changes trend affected by drought in arid and semi-arid regions using remote sensing technique (Case study: Hormozgan province). Desert Ecosystem Engineering Journal, 9(28): 25-34. (In Persian).

Foster RH. 2006. Methods for assessing land degradation in Botswana. Earth and Environment, 1: 238-276.

Gisladottir G, Stocking M. 2005. Land degradation control and its global environmental benefits. Land degradation & development, 16(2): 99-112. https://doi.org/10.1002/ldr.687.

Jafari R, Hasheminasab S. 2017. Assessing the effects of dam building on land degradation in central Iran with Landsat LST and LULC time series. Environmental Monitoring and Assessment, 189: 1-15. https://doi.org/10.1007/s10661-017-5792-y.

Jiang L, Bao A, Jiapaer G, Guo H, Zheng G, Gafforov K, Kurban A, De Maeyer P. 2019. Monitoring land sensitivity to desertification in Central Asia: Convergence or divergence? Science of the Total Environment, 658: 669-683. https://doi.org/10.1016/j.scitotenv.2018.12.152.

Khan NM, Sato Y. 2001. Environmental land degradation assessment in semi-arid Indus basin area using IRS-1B LISS-II data. In: IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No. 01CH37217). IEEE, pp 2100-2102. https://doi.org/2110.1109/IGARSS.2001.977916.

Khedri Gharibvand L, Ghahrudi Tali M, Sabokkhiz F, Sepehr A. 2018. Investigation of evolution in Gavkhouni wetland muddy zones by using fractal model. Geography and Environmental Planning, 29(2): 113-128. https://doi.org/10.22108/GEP.2018.98241.0. (In Persian).

Khosroshahi M, Ebrahimi Khusfi Z, Gohardoust A, Lotfi Nasab Asl S, Dargahian F, Zenouzi L. 2020. Monitoring the physical surface changes of the Gavkhoni Wetland and its relation with dust and its surrounding sand dunes activity. Desert Management, 8(15): 139-160. https://doi.org/10.22034/jdmal.2020.44935. (In Persian).

Kouchoukos N, Smith R, Gleason A, Thenkabail P, Hole F, Barkoudah Y, Albert J, Gluhosky P, Foster J. 1997. Monitoring the distribution, use, and regeneration of natural resources in semi-arid Southwest Asia. Proceedings of the Transformations of Middle Eastern Natural Environments: Legacies and Lessons, Oct: 467-491.

Liang S, Shuey CJ, Russ AL, Fang H, Chen M, Walthall CL, Daughtry CS, Hunt Jr R. 2003. Narrowband to broadband conversions of land surface albedo: II. Validation. Remote Sensing of Environment, 84(1): 25-41. https://doi.org/10.1016/S0034-4257(02)00068-8.

Luo L, Ma W, Zhuang Y, Zhang Y, Yi S, Xu J, Long Y, Ma D, Zhang Z. 2018. The impacts of climate change and human activities on alpine vegetation and permafrost in the Qinghai-Tibet Engineering Corridor. Ecological Indicators, 93: 24-35. https://doi.org/10.1016/j.ecolind.2018.04.067.

Mariano DA, dos Santos CA, Wardlow BD, Anderson MC, Schiltmeyer AV, Tadesse T, Svoboda MD. 2018. Use of remote sensing indicators to assess effects of drought and human-induced land degradation on ecosystem health in Northeastern Brazil. Remote Sensing of Environment, 213: 129-143. https://doi.org/10.1016/j.rse.2018.04.048.

Shan W, Jin X, Ren J, Wang Y, Xu Z, Fan Y, Gu Z, Hong C, Lin J, Zhou Y. 2019. Ecological environment quality assessment based on remote sensing data for land consolidation. Journal of Cleaner Production, 239: 118126. https://doi.org/10.1016/j.jclepro.2019.118126.

Sommer S, Zucca C, Grainger A, Cherlet M, Zougmore R, Sokona Y, Hill J, Della Peruta R, Roehrig J, Wang G. 2011. Application of indicator systems for monitoring and assessment of desertification from national to global scales. Land Degradation & Development, 22(2): 184-197. https://doi.org/10.1002/ldr.1084.

Symeonakis E, Karathanasis N, Koukoulas S, Panagopoulos G. 2016. Monitoring sensitivity to land degradation and desertification with the environmentally sensitive area index: The case of lesvos island. Land Degradation & Development, 27(6): 1562-1573. https://doi.org/10.1002/ldr.2285.

Yang C, Li Q, Chen J, Wang J, Shi T, Hu Z, Ding K, Wang G, Wu G. 2020. Spatiotemporal characteristics of land degradation in the Fuxian Lake Basin, China: Past and future. Land Degradation & Development, 31(16): 2446-2460. https://doi.org/10.1002/ldr.3622.

Yu T, Jiapaer G, Bao A, Zheng G, Jiang L, Yuan Y, Huang X. 2021. Using synthetic remote sensing indicators to monitor the land degradation in a salinized area. Remote Sensing, 13(15): 2851. https://doi.org/10.3390/rs13152851.

Zhang F, Yushanjiang A, Jing Y. 2019. Assessing and predicting changes of the ecosystem service values based on land use/cover change in Ebinur Lake Wetland National Nature Reserve, Xinjiang, China. Science of the Total Environment, 656: 1133-1144. https://doi.org/10.1016/j.scitotenv.2018.11.444.

Zhao Y, Wang X, Novillo CJ, Arrogante‐Funes P, Vázquez‐Jiménez R, Berdugo M, Maestre FT. 2019. Remotely sensed albedo allows the identification of two ecosystem states along aridity gradients in Africa. Land Degradation & Development, 30(12): 1502-1515. https://doi.org/10.1002/ldr.3338.