Determining the desertification intensity based on spectral indices using Sentinel-2 images (Case study: Sistan and Baluchestan province)

Zolfaghari, Farhad; Abdollahi, Vahideh

doi:10.30495/girs.2022.683802

Manuscript ID : GIRS-2105-1915 (R1) Visit : 184 Page: 108 - 126

10.30495/girs.2022.683802

http://dorl.net/dor/20.1001.1.26767082.1401.13.1.6.4

Article Type: Original Research

Determining the desertification intensity based on spectral indices using Sentinel-2 images (Case study: Sistan and Baluchestan province)

Subject Areas : Natural resources and environmental management

Farhad Zolfaghari ¹ (Assistant Professor, Higher Education Complex of Saravan, Iran)
Vahideh Abdollahi ² (Assistant Professor, Higher Education Complex of Saravan, Iran)

Received: 2021-05-14 Accepted : 2021-08-10 Published : 2022-04-21

Keywords: Desertification, Sentinel-2, Spectral index, Albedo, Topsoil Grain Size Index (TGSI) and Normalized Difference Vegetation Index (NDVI),

Abstract :

Background and Objective Different vegetation covers have different albedo levels. On the other hand, surface albedo is one of the most important components of surface radiation balance, which can be used to identify severely degraded and desertified regions. Vegetation can be considered as one of the most important key components in arid regions to reduce the effects of erosion and desertification due to the effects of vegetation for land surface stability. Expansion of desertification and also changes in vegetation cover, could be change the surface Albedo. The purpose of this study is to determine the desertification intensity based on spectral indices, Albedo, Topsoil Grain Size Index (TGSI) and Normalized Difference Vegetation Index (NDVI) using remote sensing technology. Identification the damaged areas with the lowest cost in the shortest time, using Sentinel-2 images with a spatial resolution of 10 meters is one of the objectives of this study. Also, this study will introduce the best indicator for monitoring desertification intensity in arid regions for the first time in the Sistan and Baluchestan region based on spectral indices using Sentinel-2 images.Materials and Methods The following steps were performed to evaluate the intensity of desertification and identify the appropriate indicator in order to mapping the desertification intensity: 1) Selection the images and perform image preprocessing operations using SNAP software; 2) Calculation of TGSI, NDVI and Albedo indices; 3) Investigation the correlation between indices using SPSS®24 software. 4) Preparation of desertification intensity map of the region and obtaining the equation of desertification intensity using ArcGIS®10.3 software. In the first step of this research, Sentinel-2A satellite data related to MSIL-1C sensor was selected on August 20, 2020. The images were selected in such a way that the growing season of the plants is not annual and temporary, and also the day was selected when there is no cloud cover. The required images were downloaded and used from the URL address: http://scihub.copernicus.eu/. Results and Discussion The results of linear regression between NDVI and Albedo indices showed that, these two indices had negative correlation, and the correlation coefficient in Souran and Zabol was 0.76 and 0.63, respectively. The results showed that with increasing NDVI, decreased of the albedo index occurred. Also, the results of linear regression model showed strong and positive relationship between TGSI and Albedo indices, as the correlation coefficient of Souran and Zabol was 0.78 and 0.81, respectively. The results showed that the TGSI and the albedo simultaneously decreased or increased. Desertification intensity in the study areas was determined based on the equation I= a × Index ± Albedo and also by using Natural Breaks (Jenks) method in ArcGIS software, desertification intensity of study areas classified to 5 degrees, 1. Without desertification, 2. Low desertification, 3. Moderate desertification, 4. Severe desertification, and 5. Extremely desertification. In this study Albedo, NDVI and TGSI indices were extracted based on Sentinel-2 satellite data. The results of linear regression between NDVI and Albedo showed that there is strong negative relationship between these indices that was consistent with the results of similar studies. The high and negative correlation, means that any increase in the vegetation cover will lead to decrease the Albedo. On the other hands the areas with high Albedo, indicate degradation of vegetation cover and bare soil. In the regions with sever desertification intensity, the value of surface Albedo was high and the vegetation cover was low. Classification of desertification intensity in Sistan region based on Albedo-NDVI model showed that 27.73% of the area were in the class of without desertification intensity, 18.03% in the low class, 32.92% in the moderate class, 20.3% were in the severe class and only 1.02% of the area were in the very severe desertification intensity class. Also, the classification of desertification intensity in Souran based on Albedo-NDVI model showed 4.82% of the area without desertification, 8.44% in low class, 50.97% in moderate class, 34.48% in severe class and 1.3% of the area were in very severe desertification class. The highest percentage of desertification intensity of the area were in the moderate class. The results of linear regression between TGSI and Albedo indices also showed that there is a positive and strong relationship between these indices. The results showed that the relationship between TGSI and Albedo indices was stronger than the relationship between NDVI and Albedo indices and in both regions the correlation coefficient was higher. One of the main reasons for this is the dispersion of vegetation cover in arid areas. The relationship between TGSI and Albedo better shows the spatial characteristics of vegetation-free areas as well as areas with very low vegetation cover to determine the intensity of desertification. The TGSI index reflects the coarse particle size of the topsoil, which has a positive relationship with the fine sand content of the topsoil. Whatever the larger particle size of the topsoil, will have the greater desertification intensity. In the areas where the content of fine sand in the topsoil is high, the high range of TGSI index will be seen.Conclusion In this study, using Sentinel-2 multispectral images and remote sensing technique, we extracted the intensity of desertification in different arid regions of the Sistan and Baluchestan province, for the first time in Iran. Based on the spectral reflection that occurred from the ground and the spatial resolution of 10 meters, we studied the intensity of desertification in two areas. Based on the results of this research, we suggest to use the combination of Albedo-NDVI and Albedo-TGSI models in order to monitoring the desertification intensity in arid regions of Iran. The results of this study showed that areas without desertification and low intensity of desertification are better identified based on Albedo-TGSI model.

References:

Ait LA, Saber H, Pradhan B. 2018. Quantitative assessment of desertification in an arid oasis using remote sensing data and spectral index techniques. Remote Sensing, 10(12): 1862. doi:https://doi.org/10.3390/rs10121862.

Allen R, Tasumi M, Trezza R. 2002. Surface Energy Balance Algorithms for Land. Advanced Training and User’s Manual Idaho Implementation, 240 p.

Bernardo SBd, Braga AC, Braga CC, de Oliveira LM, Montenegro SM, Barbosa Junior B. 2016. Procedures for calculation of the albedo with OLI-Landsat 8 images: Application to the Brazilian semi-arid. Revista Brasileira de Engenharia Agrícola e Ambiental, 20: 3-8. doi:https://doi.org/10.1590/1807-1929/agriambi.v20n1p3-8

Cai G, Du M, Liu Y. 2011. Regional Drought Monitoring and Analyzing Using MODIS Data — A Case Study in Yunnan Province. In, Berlin, Heidelberg, Computer and Computing Technologies in Agriculture IV. Springer Berlin Heidelberg, pp 243-251. doi:https://doi.org/210.1007/1978-1003-1642-18336-18332_18329.

Cordeiro MC, dos Santos NA, Silva VMA, de Melo Luiz D, da Silva VdPR. 2015. Case study: identification of desertification in the years 1999, 2006 and 2011 in Mossoró-RN. Journal of Hyperspectral Remote Sensing, 5(4): 101-106. doi:https://doi.org/10.29150/jhrs.v5.4.p101-106.

Eftekhari R, Shahriyari A, Ekhtesasi M. 2015. Assessment and mapping of current and potential of desertification using MICD Model with emphasis on wind erosion criteria in southwest of Hirmand city. Journal of Development and Geography, 38: 139- 150. (In Persian).

Eskandari S. 2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image:(Case study: a part of Ilam province). RS & GIS for Natural Resources 10(1): 72-86. (In Persian).

Fozuni L. 2007. Evaluation of the current status of desertification Sistan plain using modify MEDALUS Model with emphasis on wind and water erosion criteria. Master degree of desertification, University of Zabol. 215 p. (In Persian).

Gillespie TW, Ostermann-Kelm S, Dong C, Willis KS, Okin GS, MacDonald GM. 2018. Monitoring changes of NDVI in protected areas of southern California. Ecological Indicators, 88: 485-494. doi:https://doi.org/10.1016/j.ecolind.2018.01.031.

Goudie AS, Middleton NJ. 2006. Desert dust in the global system. Springer Science & Business Media. 288 p.

Han L, Zhang Z, Zhang Q, Wan X. 2015. Desertification assessments in the Hexi corridor of northern China’s Gansu Province by remote sensing. Natural Hazards, 75(3): 2715-2731. doi:https://doi.org/10.1007/s11069-014-1457-0.

Houldcroft CJ, Grey WM, Barnsley M, Taylor CM, Los SO, North PR. 2009. New vegetation albedo parameters and global fields of soil background albedo derived from MODIS for use in a climate model. Journal of Hydrometeorology, 10(1): 183-198. doi:https://doi.org/10.1175/2008JHM1021.1.

Jahantigh M, Jahantigh M. 2020. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region). RS & GIS for Natural Resources 10(4): 57-73. (In Persian).

Kaffash A, Rouhimoghadam E, Afshari A, Zolfaghari F. 2018. Investigation the effects of Climate, Vegetation, Wind Erosion and Soil Criteria on desertification Potential Using GIS (Case Study: Moradabad Saravan Regio). Journal of Geographical New Studies Architecture and Urbanism, 2(14): 15-29. (In Persian).

Kang HS, Hong SY. 2008. An assessment of the land surface parameters on the simulated regional climate circulations: The 1997 and 1998 east Asian summer monsoon cases. Journal of Geophysical Research: Atmospheres, 113(D15). doi:https://doi.org/10.1029/2007JD009499.

Kariminazar M, Mosaaedi A, Moghadamnia A. 2010. Investigation of climatic factors affecting occurrence of drought (Case Study of Zabol Region). Journal of Water and Soil Conservation, 17(1): 145- 158. (In Persian).

Karnieli A, Qin Z, Wu B, Panov N, Yan F. 2014. Spatio-temporal dynamics of land-use and land-cover in the Mu Us sandy land, China, using the change vector analysis technique. Remote Sensing, 6(10): 9316-9339. doi:https://doi.org/10.3390/rs6109316.

Lamchin M, Lee J-Y, Lee W-K, Lee EJ, Kim M, Lim C-H, Choi H-A, Kim S-R. 2016. Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia. Advances in Space Research, 57(1): 64-77. doi:https://doi.org/10.1016/j.asr.2015.10.006.

Lamchin M, Lee W-K, Jeon SW, Lee J-Y, Song C, Piao D, Lim CH, Khaulenbek A, Navaandorj I. 2017. Correlation between desertification and environmental variables using remote sensing techniques in Hogno Khaan, Mongolia. Sustainability, 9(4): 581. doi:https://doi.org/10.3390/su9040581.

Myhre G, Myhre A. 2003. Uncertainties in radiative forcing due to surface albedo changes caused by land-use changes. Journal of Climate, 16(10): 1511-1524. doi:https://doi.org/10.1175/1520-0442(2003)016<1511:UIRFDT>2.0.CO;2.

Naegeli K, Damm A, Huss M, Wulf H, Schaepman M, Hoelzle M. 2017. Cross-comparison of albedo products for glacier surfaces derived from airborne and satellite (Sentinel-2 and Landsat 8) optical data. Remote Sensing, 9(2): 110. doi:https://doi.org/10.3390/rs9020110.

Pan J, Li T. 2013. Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo-Vegetation feature space. Natural Hazards, 68(2): 915-927. doi:https://doi.org/10.1007/s11069-013-0665-3.

Parvariasl H, Pahlavanravi A, Moghaddamnia A. 2010. Assessing desertification hazard in Neiyatak region using ESAs Model. Journal of Iran Natural Resources, 2: 42- 54. (In Persian).

Piña RB, Díaz-Delgado C, Mastachi-Loza CA, González-Sosa E. 2016. Integration of remote sensing techniques for monitoring desertification in Mexico. Human and Ecological Risk Assessment: An International Journal, 22(6): 1323-1340. doi:https://doi.org/10.1080/10807039.2016.1169914.

Scott D, Smart M. 1999. Wetlands of the Sistan Basin, South Caspian and Fars, Islamic Republic of Iran, Ramsar Convention Monitoring Procedure Report No.26. 110 p.

Wei H, Wang J, Cheng K, Li G, Ochir A, Davaasuren D, Chonokhuu S. 2018. Desertification information extraction based on feature space combinations on the Mongolian plateau. Remote Sensing, 10(10): 1614. doi:https://doi.org/10.3390/rs10101614.

Wei H, Wang J, Han B. 2020. Desertification information extraction along the China–Mongolia railway supported by multisource feature space and geographical zoning modeling. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 392-402. doi:https://doi.org/10.1109/JSTARS.2019.2962830.

Wulder MA, Hilker T, White JC, Coops NC, Masek JG, Pflugmacher D, Crevier Y. 2015. Virtual constellations for global terrestrial monitoring. Remote Sensing of Environment, 170: 62-76. doi:https://doi.org/10.1016/j.rse.2015.09.001.

Xiao J, Shen Y, Tateishi R, Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27(12): 2411-2422. doi:https://doi.org/10.1080/01431160600554363.

Zolfaghari F, Shahriyari A, Fakhireh A, Rashki A, Noori S, Khosravi H. 2011. Assessment of desertification potential using IMDPA model in Sistan plain. Watershed Management Research (Pajouhesh & Sazandegi), 91: 97-107. (In Persian).

Zongyi M, Xie Y, Jiao J, li L, Wang X. 2011. The Construction and Application of an Aledo-NDVI Based Desertification Monitoring Model. Procedia Environmental Sciences, 10: 2029-2035. doi:https://doi.org/10.1016/j.proenv.2011.09.318.

_||_

Allen R, Tasumi M, Trezza R. 2002. Surface Energy Balance Algorithms for Land. Advanced Training and User’s Manual Idaho Implementation, 240 p.

Goudie AS, Middleton NJ. 2006. Desert dust in the global system. Springer Science & Business Media. 288 p.

Parvariasl H, Pahlavanravi A, Moghaddamnia A. 2010. Assessing desertification hazard in Neiyatak region using ESAs Model. Journal of Iran Natural Resources, 2: 42- 54. (In Persian).

Scott D, Smart M. 1999. Wetlands of the Sistan Basin, South Caspian and Fars, Islamic Republic of Iran, Ramsar Convention Monitoring Procedure Report No.26. 110 p.

Full-Text:

تعیین شدت بیابان‌زایی بر اساس شاخص‌های طیفی با استفاده از تصاویر سنتینل 2 (منطقه مورد مطالعه استان سیستان و بلوچستان)

چکیده

گسترش روز افزون پدیده بیابان‌زایی در مناطق خشک و نیمه‌خشک یکی از نگرانی‌های اساسی جوامع و دولت‌های درگیر مسئله بیابان‌زایی هست؛ بنابراین شناخت مناطق در معرض خطر پدیده بیابان‌زایی جهت مدیریت و کنترل این پدیده در کمترین زمان ممکن و حداقل هزینه ضروری هست. بخش عظیمی از کشور ایران مناطق خشک و نیمه‌خشک است که دسترسی میدانی به آن مقدور نیست. هدف ما در این مطالعه تهیه نقشه شدت بیابان‌زایی با استفاده از داده‌های MSIL-1C ماهواره Sentinel2 بر اساس شاخص‌های طیفی NDVI، TGSI و Albedo می باشد که در بخشی از دشت سیستان و دشت مرادآباد سوران واقع در منطقه بلوچستان مورد مطالعه قرار گرفت. رابطه رگرسیون خطی بین شاخص آلبدو و هریک از شاخص‌های فوق در نرم‌افزار Spss تشکیل گردید. در نهایت معادله شدت بیابان‌زایی بر اساس شاخص های مورد مطالعه استخراج گردید. نقشه شدت بیابان‌زایی در 5 کلاس مناطق فاقدبیابان‌زایی، کم، متوسط، شدید و خیلی شدید بر اساس ضریب شکست طبیعی Jenks در نرم‌افزار ArcGIS تهیه گردید. نتایج نشان داد که بین دو شاخص Albedo و NDVI همبستگی منفی وجود دارد، به‌طوری‌که ضریب همبستگی برای منطقه سوران و زابل به ترتیب برابر 76/0 و 63/0 بود. همچنین همبستگی بین دو شاخص Albedo و TGSI نشان‌دهنده یک رابطه قوی و مثبت بود، ضریب همبستگی برای این دو شاخص برای سوران و زابل به ترتیب به مقدار 78/0 و 81/0 می‌باشد. نتایج نشان داد که شاخص TGSI برای تهیه نقشه شدت بیابان‌زایی در مناطق خشک به دلیل پراکندگی زیاد پوشش گیاهی از جایگاه بالاتری برخوردار می‌باشد.

واژه‌های کلیدی: بیابان‌زایی، شاخص‌طیفی، NDVI، TGSI، Albedo، سنجش از دور

مقدمه

از عوامل مستقیم تخریب خاک می‌توان به کاهش میزان پوشش گیاهی و همچنین از دست رفتن زیست‌توده اشاره نمود. در مناطق با پوشش گیاهی اندک میزان آلبدو سطح افزایش می‌یابد؛ و به‌صورت کلی می‌توان گفت که میزان آلبدو سطح در مناطق تخریب یافته به دلیل از دست رفتن پوشش گیاهی و برهنه شدن سطح خاک افزایش می‌یابد (5). سطوح مختلف پوشش گیاهی آلبدو متفاوتی دارند و پوشش گیاهی و طول زبری نسبت به گروه‌های مختلف خاک نیز بر مؤلفه‌های اقلیمی تأثیر بیشتری دارد (15). از طرفی آلبدو سطحی یکی از مهم‌ترین مؤلفه‌های تعادل تابش سطحی است (3). پوشش گیاهی به دلیل اینکه عاملی برای پایداری سطح زمین محسوب می‌شود (10) می‌تواند یکی از مهم‌ترین مؤلفه‌های کلیدی در مناطق خشک برای کاهش اثرات فرسایش و بیابان‌زایی به‌حساب آید (4). گسترش بیابان‌زایی و تغییر در میزان پوشش گیاهی به‌نوبه خود ازجمله عوامل تغییر در آلبدو به شمار می‌روند. آلبدوی سطحی عبارت است از نسبت کل تابش خروجی از سطح زمین به کل تابش ورودی خورشیدی که غالباً دامنه طول موج آن بین 3/0 تا 3 میکرومتر می‌باشد و یکی از مهم‌ترین فاکتورهای کنترل مقدار انرژی قابل دسترس در طول روز با فرایندهای تغییرات سطح است (12). تغییر در پوشش گیاهی میزان آلبدوی سطحی را تحت تأثیر قرار داده و بیابان‌زایی از این جهت که باعث افزایش چشمگیر آلبدوی سطحی می‌شود حائز اهمیت می‌باشد (20). زونگی ما و همکاران در سال 2011 جهت پایش بیابان‌زایی مدل Albedo-NDVI را ارائه نمودند (30). آن‌ها در این مطالعه نشان دادند که این شاخص‌ها به خوبی می‌تواند منعکس کننده بیابان‌زایی پوشش سطح زمین، ترکیب آب- گرما و تغییرات آن‌ها باشد؛ و به‌راحتی می‌توان با استفاده از اطلاعات دورسنجی چند طیفی مناطق بیابانی شده را شناسایی نمود.

پان و لی (22) بر اساس مدل آنالیز ترکیب طیفی سه گروه متفاوت شامل پوشش گیاهی، آب‌وخاک برهنه را انتخاب نمودند. ابعاد تصاویر ماهواره‌ای را به روش کسر حداقل نویز (Minimum Noise Fraction) کاهش دادند؛ و برای محدود کردن دامنه نهایی از شاخص خلوص پیکسل استفاده نمودند. آن‌ها در این مطالعه بر اساس ویژگی طیفی زمانی مؤلفه‌های پوشش گیاهی و آلبدوی سطح زمین که از تصاویر ماهواره لندست به دست آوردند برای ارزیابی وضعیت موجود بیابان‌زایی و تعین درجه آن استفاده کردند. کارنیلی و همکاران (17) برای درک بهتر پویایی زمانی – مکانی فرآیندهای زیست‌محیطی با استفاده از تکنیک آنالیز خطی تغییرات (Change Vector Analysis) تغییر شاخص‌های NDVI و Albedo را در چهار دوره زمانی بررسی نمودند. آن‌ها برای این منظور از چهار دوره مختلف تصاویر لندست استفاده کردند و تغییرات را برای هر گام زمانی در طول دوره مورد مطالعه به‌خوبی نشان دادند. کوردییرو و همکاران (5) برای ارزیابی بیابان‌زایی در شهرستان ناتال، ریو گراند دو نورث جهت برآورد شاخص‌های مؤثر در بیابان‌زایی با استفاده از الگوریتم سبال (Surface Energy Balance Algorithm for Land) شاخص‌های آلبدو، پوشش گیاهی و دمای سطح را با استفاده از فناوری سنجش‌ازدور بررسی نمودند. لامچین و همکاران (18) با توسعه یک مدل کمی در مقیاس محلی با کاربرد داده‌های دورسنجی به ارزیابی تغییرات پوشش زمین و بیابان‌زایی پرداختند. آن‌ها برای این منظور با شاخص‌های NDVI و TGSI و Albedo وضعیت سطح زمین را در خصوص زیست‌توده گیاهی، الگوی چشم‌انداز و آب و هواشناسی در مقیاس کوچک (micrometeorology) بررسی نمودند. پینا و همکاران (24) به کمک سنجش‌ازدور شاخص‌های NDVI و BSI و Albedo را از تصاویر ماهواره لندست استخراج نمودند. آن‌ها از مدل آنالیز خطی تغییرات برای بررسی تعیین جهت و اندازه این شاخص‌های برای تعین تخریب یا پیشرفت وضعیت زمین در دوره‌های زمانی مختلف استفاده نمودند. آن‌ها در این مطالعه با استفاده از ارتباط بین NDVI/Albedo شاخص درجه بیابان‌زایی را نشان دادند.

هان و همکاران (11) برای ارزیابی بیابان‌زایی به کمک تصاویر سنجنده لندست و کاربرد سیستم اطلاعات جغرافیایی شاخص‌های MSAVI, FVC, TVDI و همچنین درجه حرارت سطح زمین و آلبدوی سطح را محاسبه نمودند؛ و برای آنالیز الگوی مکانی – زمانی بیابان‌زایی در دوره‌های مختلف زمانی از این شاخص‌ها استفاده نمودند. در منطقه مورد مطالعه روش‌های مختلفی جهت ارزیابی بیابان‌زایی و طبقه‌بندی کلاس‌های شدت بیابان‌زایی صورت پذیرفته است (6، 8، 23 و 31) که غالب آن‌ها به دلیل صرف هزینه‌های زیاد و وسعت منطقه و همچنین عدم دسترسی به مناطق خارج از مرز سیاسی ایران به دلایل مسائل سیاسی و امنیتی با مشکلات عدیده‌ای روبرو بوده است. از طرفی مطالعات صورت گرفته قبلی که به کمک فناوری سنجش‌ازدور نیز صورت گرفته، بیشتر بر اساس شاخص NDVI و یا سایر شاخص‌های پوشش گیاهی به تنهایی بوده است. از طرفی در خصوص نقش و ارتباط بین تغییرات پوشش گیاهی و آلبدو از نگاه بیابان‌زایی در این منطقه و سایر مناطق مبتلابه در ایران صورت نگرفته و یا کمتر به آن پرداخته شده است. تالاب بین‌المللی هامون به‌صورت یک کمربند اطراف منطقه سیستان را در برمی‌گیرد. ضروری ست جهت پایش تغییرات اراضی و پوشش سطح زمین در این منطقه از روش‌های ارزان و سریع بهره جست. چرا که به دلیل افزایش سریع وسعت مناطق بیابانی شناخت این مناطق برای اجرای طرح‌های مدیریتی مناسب با حداقل هزینه و کمترین زمان از اهداف دولت‌ها و جوامع درگیر پدیده بیابان‌زایی می‌باشد. برای دستیابی به این هدف و شناخت مناطق بیابانی شده در دوره‌های مختلف زمانی، می‌توان با بهره‌گیری از شاخص‌های طیفی Albedo، TGSI و NDVI نسبت به پایش و تهیه نقشه شدت بیابان‌زایی اقدام نمود. این مدل به کمک فناوری سنجش‌ازدور و با توجه به سادگی و سهولت در شناسایی مناطق تخریب‌شده در کوتاه‌ترین زمان و با کمترین هزینه (28) می‌تواند به‌عنوان یک روش ساده و نوینی جایگزین بسیاری از متدهای شناسایی مناطق بیابانی شده که نیازمند عملیات گسترده میدانی است گردد. در این پژوهش با استفاده از فناوری سنجش از راه دور و سامانه اطلاعات جغرافیایی در منطقه سیستان و بلوچستان بر اساس شاخص‌های طیفی نقشه شدت بیابان زائی ارایه خواهد شد. استخراج شاخص های طیفی با استفاده از تصاویر سنتینل 2 با قدرت تفکیک مکانی 10 متر خواهد بود و شاخص مناسب برای پایش شدت بیابان‌زایی در این منطقه خشک از جغرافیای کشور را نشان داده خواهد شد.

روش تحقیق

منطقه مورد مطالعه

تالاب بین‌المللی هامون با مساحت حدود 15197 کیلومترمربع در جنوب شرق ایران واقع شده است. این منطقه شامل سرزمینی پست و هموار بوده و بین′ 5 ᵒ30 تا ′28 ᵒ31 عرض شمالی و ′15 ᵒ60 تا ′50 ᵒ61 طول شرقی از نصف‌النهار گرینویچ قرار دارد (16). تالاب بین‌المللی هامون یکی از مناطق با ارزش‌های اکولوژیک خاص می‌باشد (25)؛ و ازلحاظ شرایط اکولوژیکی جزء مناطق خشک و بحرانی کشور محسوب می‌گردد (13). منطقه مورد مطالعه انتخاب شده در منطقه سیستان بخشی از دشت سیستان به مساحت 14072 هکتار و ارتفاع 480 متر از سطح دریا در محدوده ′ 49 ᵒ30 تا ′40 ᵒ31 عرض شمالی و ′13 ᵒ61 تا ′32 ᵒ61 طول شرقی می‌باشد (شکل 1). بر اساس آماره‌های بلندمدت ایستگاه سینوپتیک شهرستان زابل میانگین بلندمدت بارش در این منطقه 01/61 میلی‌متر است که حدود 44 درصد بارندگی‌های آن در فصل زمستان اتفاق می‌افتد. متوسط بلندمدت درجه حرارت هوا 6/26 درجه سانتی‌گراد و گرم‌ترین ماه سال تیرماه با متوسط 4/41 درجه سانتی‌گراد و سردترین ماه سال دی‌ماه با 4/2 درجه سانتی‌گراد است. حداکثر سرعت بادهای غالب بر اساس دیده‌بانی‌های درازمدت در ماه‌های خرداد، تیر، مرداد و شهریور می‌باشد و حداقل متوسط سرعت باد در آذرماه اتفاق می‌افتد (31)؛ و محدوده انتخاب‌شده در منطقه بلوچستان بخشی از دشت مرادآباد به مساحت 9398 هکتار در بخش شمال غربی شهرستان سوران و ارتفاع 1265 متر از سطح دریا در محدوده بین′ 24 ᵒ27 تا ′38 ᵒ27 عرض شمالی و ′36 ᵒ61 تا ′13 ᵒ61 طول شرقی محدوده سراوان بزرگ می‌باشد (شکل 1).

شکل 1- منطقه موردمطالعه

Fig 1. The study area

روش کار

برای دستیابی به اهداف تعیین‌شده در این پژوهش برای پیش‌پردازش و پردازش تصاویر ماهواره‌ای سنتینل از نرم‌افزار SNAP استفاده گردید. همچنین تجزیه‌های آماری و رگرسیون از نرم‌افزار SPSS24 و برای خروجی و تهیه نقشه‌های شدت بیابان‌زایی از نرم‌افزار Arc GIS10.3 استفاده شده است.

در این پژوهش به‌طور خلاصه گام‌های زیر برای ارزیابی شدت بیابان‌زایی در دو منطقه از استان سیستان و بلوچستان صورت می‌گیرد.

گام اول تهیه تصاویر ماهواره‌ای و انجام عملیات آماده‌سازی تصاویر.

گام دوم محاسبه شاخص‌های TGSI، NDVI و Albedo

گام سوم تهیه نقشه شدت بیابان‌زایی منطقه و به دست آوردن معادله شدت بیابان زایی.

در گام اول این پژوهش داده‌های ماهواره Sentinel 2 مربوط به سنسور MSIL-1C 20 اوت سال 2020 انتخاب شد. تصاویر به‌گونه‌ای انتخاب گردید که فصل رویش گیاهان یک‌ساله و موقتی نباشد و همچنین روزی انتخاب شد که پوشش ابری وجود نداشته باشد تصاویر مورد نیاز از سایت http://scihub.copernicus.eu/ دانلود و مورد استفاده قرار گرفت. سنجنده چند طیفی سنتینل 2 دارای 13 باند طیفی بازتابی با رزولوشن 10 متر، 20 متر و 60 متر می‌باشد (7) که حدود 290 کیلومتر عرض برداشت آن با دوره زمانی 10 روز کل جهان را برداشت می‌نماید (1 و 15).

داده‌های مربوط به سطح C1 ماهواره سنتینل 2 بازتاب بالایی جو را در سیستم جهانی تولید می‌کند. داده‌های این سطح از ماهواره سنتینل 2 داده‌هایی استاندارد می‌باشد که بازتابش بالای جو را نشان می‌دهد و برای دست یافتن به داده‌های سطوح پایین سطح جو یا محصول 2A نیازمند یکسری پیش‌پردازش قبل از استفاده می‌باشد (1).

برای انجام تصحیحات اتمسفری تصاویر Sentinel-2 با استفاده از جعبه ابزار تصحیح اتمسفریک Sen2cor اقدام گردید که درواقع یک الگوریتم داخلی در برنامه نرم‌افزار SNAP (Sentinel Application Platform) می‌باشد (1).

محاسبه شاخص‌های مورد مطالعه در تحقیق

شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI) یکی از روش‌های معمول برای استخراج پوشش گیاهی می‌باشد که به‌صورت نسبت بین انعکاس اندازه‌گیری شده در باند قرمز مرئی (Visible Red Radiation) و مادون‌قرمز نزدیک (Near-Infrared Reflectance) تعریف می‌گردد؛ و به دلیل اینکه بیشتر تحت تأثیر جذب کلروفیل در پوشش‌های سبز برگ‌دار و تراکم پوشش گیاهی بوده و همچنین در باندهای قرمز و مادون‌قرمز نزدیک، تناقض بین پوشش گیاهی و خاک در بیشترین سطح خود می‌باشد انتخاب گردید (4). مقادیر شاخص NDVI بین 1- که بیانگر سطوح پوشیده از آب و برف و 1+ که نشان‌دهنده مناطق دارای پوشش گیاهی هست متفاوت می‌باشد (9). بر اساس رابطه 1 برآورد گردید.

]1[

شاخص اندازه ذرات سطح خاک (Topsoil Grain Size Index)

اندازه‌گیری‌های طیفی آزمایشگاهی نشان می‌دهد که بازتاب طیفی سطح رابطهی نزدیکی با ترکیب اندازه ذرات سطح خاک دارد (29). در مقایسه بازتاب طیفی پوشش گیاهی، تمام منحنی‌های بازتاب طیفی سطح خاک از ویژگی‌های طیفی نسبتاً مشابهی برخوردار هستند، آن‌ها به‌تدریج در باند مرئی مادون‌قرمز نزدیک به‌جز مقدار کمی که در طول‌موج 675 نانومتر جذب می‌شود افزایش می‌یابند (29). به‌طور کلی به‌صورت گسترده‌ای مشخص شده است که بازتاب سطح خاک به‌تدریج با طول موج‌های مرئی و مادون‌قرمز نزدیک افزایش می‌یابد، همچنین مقدار جذب و پراکنش انرژی در ذرات خاک بستگی به اندازه ذرات خاک دارد که در مطالعات مختلف نشان داده‌شده است. شاخص اندازه ذرات سطح خاک با استفاده از رابطه 2 قابل محاسبه می‌باشد.

]2[

استفاده از شاخص اندازه ذرات سطح خاک با آلبدو خصوصیات فضایی مناطق عاری از پوشش گیاهی و پوشش‌های خیلی کم پوشش گیاهی را برای تعیین شدت بیابان‌زایی بهتر نشان می‌دهد (26). شاخص TGSI منعکس کننده اندازه ذرات درشت خاک سطحی می‌باشد که با رابطه مثبتی با ذرات ریز محتوای ماسه خاک سطحی دارد. هر چه اندازه ذرات خاک سطحی درشت دانه‌تر باشد میزان بیابان‌زایی شدت بیشتری خواهد داشت. در مناطق که محتوای زیاد ماسه ریز در اندازه ذرات خاک سطحی وجود داشته باشد مقادیر بالای شاخص TGSI قابل مشاهده خواهد بود. مقادیر بالای شاخص TGSI در مناطقی که ذرات ریز ماسه در خاک سطحی وجود دارد یا نسبت کمی از ذرات سیلت و رس وجود دارد دیده می‌شود.

شاخص آلبدوی سطح (Albedo)

آلبدو به‌صورت نسبت انرژی الکترومغناطیس انعکاس یافته از سطح خاک و گیاه بر انرژی فرودی بر آن سطح تعریف می‌شود (2). میزان آلبدوی سطح در این پژوهش بر اساس رابطه 3 محاسبه گردید (21).

]3[

در این رابطه b3 باند سبز با میانگین طول موج 56/0 میکرومتر و قدرت تفکیک مکانی 10 متر و b8 باند مادون‌قرمز نزدیک با میانگین طول‌موج 84/0 میکرومتر و قدرت تفکیک مکانی 10 متر در ماهواره سنتینل 2 می‌باشد.

در گام سوم جهت تهیه نقشه بیابان‌زایی در ابتدا میزان شاخص‌های NDVI، TGSI و Albedo بر اساس رابطه‌های (4، 5 و 6) نرمال‌سازی می‌شوند (24).

]4[

]5[

]6[

جهت دست‌یابی به معادله شدت بیابان‌زایی ضریب شیب خط حاصل از رگرسیون بین شاخص Albedo-NDVI و Albedo-TGSI محاسبه می‌گردد. بر اساس ضریب حاصل شده از رگرسیون خطی بین دو شاخص Albedo-NDVI و Albedo-TGSI برای هر یک از مناطق مورد مطالعه معادله شدت بیابان‌زایی بر اساس رابطه 7 تعیین میگردد.

]7[

در معادله تعیین شدت بیابان زایی نشان داده شده در رابطه 7 برای شاخص‌هایی که رابطه همبستگی مثبتی با Albedo دارند مثل شاخص TGSI از علامت + در رابطه 7 استفاده می‌شود و چنانچه همبستگی بین آلبدو و آن شاخص منفی باشد مانند شاخص NDVI در این پژوهش از علامت – در این رابطه استفاده می‌گردد.

از روش شکست طبیعی جنکس (Natural Breaks Jenks) در نرم‌افزار ArcMap 10.3 برای طبقه‌بندی ارزش داده‌ها به 5 درجه بیابان‌زایی استفاده میشود. در این تقسیم‌بندی 5 کلاس شامل 1- مناطق بدون تأثیر 2- شدت کم 3- شدت متوسط 4- شدت زیاد 5- شدت خیلی زیاد در بیابان‌زایی ارائه می‌شود. محققین زیادی با موفقیت از این مدل برای طبقه‌بندی پدیده‌های طبیعی استفاده کرده‌اند (11 و 24). این روش نقاط شکست را بین دسته‌بندی‌ها با الگوریتم بهینه‌شده جنکس، بر اساس طبیعت داده‌ها و گروه‌بندی ذاتی آن‌ها شناسایی می‌کند.

نتایج

نتایج حاصل از بررسی رابطه بین Albedo – NDVI به روش رگرسیون خطی در منطقه سوران و زابل

نتایج حاصل از مدل رگرسیون خطی بین دو شاخص NDVI و Albedo در دو منطقه سوران و زابل نشان داد که این دو شاخص با یکدیگر دارای رابطه همبستگی منفی می‌باشند. میزان ضریب همبستگی در منطقه سوران برابر با 764/0 حاصل گردید (شکل 2). همچنین میزان ضریب همبستگی در زابل مقدار 633/0 بدست آمد (شکل 3). نتایج بیانگر این است که با افزایش میزان شاخص NDVI از میزان شاخص آلبدو کاسته می‌شود.

شکل 2- رابطه رگرسیون خطی بین دو شاخص Albedo-NDVI در منطقه سوران

Fig 2. Linear regression between NDVI and Albedo in souran region

شکل 3- رابطه رگرسیون خطی بین دو شاخص Albedo-NDVI در منطقه زابل

Fig 3. Linear regression between NDVI and Albedo in zabol region

نتایج حاصل از بررسی رابطه بین Albedo – TGSI به روش رگرسیون خطی در منطقه سوران و زابل

نتایج حاصل از مدل رگرسیون خطی بین دو شاخص TGSI و Albedo برای دو منطقه مورد بررسی سوران و زابل نشان داد که این دو شاخص با یکدیگر رابطه قوی و مثبتی دارند؛ و به ترتیب میزان ضریب همبستگی برای منطقه سوران برابر با 782/0 (شکل 4) و در منطقه زابل برابر با 81/0 می‌باشد (شکل 5). نتایج بیانگر این است که با افزایش میزان شاخص TGSI بر میزان شاخص آلبدو نیز افزوده می‌شود. و رابطه خطی مثبتی بین این دو شاخص بر قرار می باشد.

شکل 4- رابطه رگرسیون خطی بین دو شاخص Albedo-TGSI در منطقه سوران

Fig 4. Linear regression between TGSI and Albedo in souran region

شکل 5- رابطه رگرسیون خطی بین دو شاخص Albedo-TGSI در منطقه زابل

Fig 5. Linear regression between TGSI and Albedo in zabol region

نتایج حاصل از بررسی تعیین شدت بیابان‌زایی در منطقه سوران و زابل

نتایج حاصل از رگرسیون خطی تشکیل شده بین شاخص Albedo و هر یک از شاخص‌های NDVI و TGSI نشان داد ضریب همبستگی بین شاخص Albedo-TGSI در هر دو منطقه از همبستگی قوی و مثبتی برخوردار می‌باشد که به ترتیب در منطقه زابل و سوران برابر بود با 81/0 و 78/0 بود که خلاصه نتایج در جدول 1 نشان داده شده است.

جدول 1. نتایج حاصل از رابطه رگرسیون بین شاخص‌های مورد بررسی

Table 1. Results of the regression relationship between the studied indicators

نام شاخص	رابطه رگرسیون خطی	ضریب همبستگی	منطقه مورد مطالعه
NDVI-Albedo	Albedo= -0.5437 × NDVI + 0.8967	63/0	زابل
TGSI-Albedo	Albedo= +0.1685 × TGSI - 0.0013	81/0	زابل
NDVI-Albedo	Albedo= -0.729 × NDVI + 0.6269	76/0	سوران
TGSI-Albedo	Albedo= +0.7643 × TGSI + 0.195	78/0	سوران

بر اساس ضریب حاصل شده از رگرسیون خطی بین دو شاخص Albedo-NDVI و Albedo-TGSI برای هر یک از مناطق مورد مطالعه معادله شدت بیابان‌زایی بصورت جدول (2) استخراج گردید.

جدول 2. نتایج حاصل از تشکیل معادله شدت بیابان‌زایی در مناطق مورد مطالعه

Table 2. Results of the formation of desertification intensity equation in the study areas

نتایج حاصل از طبقه بندی شدت بیابان‌زایی بر اساس دامنه تعیین شده به روش شکست طبیعی جنکس (Natural Breaks Jenks) برای منطقه سوران و زابل در جدول (3) ارایه شده است.

جدول 3. نتایج حاصل از طبقه بندی شدت بیابان‌زایی بر اساس شکست طبیعی جنکس

Table 3. Results of the classification of desertification intensity based on Natrural Break Jenks

نام شاخص	رابطه رگرسیون خطی	منطقه مورد مطالعه
DDI-NDVI-Albedo		زابل
DDI-TGSI-Albedo		زابل
DDI-NDVI-Albedo		سوران
DDI-TGSI-Albedo		سوران

نماد شدت	مفهوم نماد	دامنه تقسیم بندی بر اساس شکست طبیعی جنکس
نماد شدت	مفهوم نماد	زابل	سوران
null	مناطق بدون بیابان‌زایی	9/1 - 438/0	107/0 - 049/0-
low	مناطق با شدت کم بیابان‌زایی	438/0 - 282/0	049/0- - 068/0-
moderate	مناطق با شدت متوسط بیابان‌زایی	282/0 - 126/0	068/0- - 098/0-
sever	مناطق با شدت زیاد بیابان‌زایی	126/0 - 154/0-	098/0- - 182/0-
extreme	مناطق با شدت خیلی زیاد بیابان‌زایی	154/0- - 058/2-	182/0- - 49/0-

در این تقسیم‌بندی پنج کلاس شدت بیابان زایی بر اساس شکست طبیعی جنکس که برای طبقه بندی پدیده های طبیعی استفاده می گردد (11 و 24) نشان داده شده است، روش شکست طبیعی جنکس، نقاط شکست را بین دسته‌بندی‌ها با الگوریتم بهینه شده جنکس، بر اساس طبیعت داده‌ها و گروه‌بندی ذاتی آن‌ها شناسایی می‌کند.

نتایج حاصل از نقشه شدت بیابان‌زایی بر اساس طبقه بندی دامنه حاصل از شکست طبیعی جنکس در 5 کلاس بر اساس مدل Albedo-NDVI برای منطقه زابل نشان داد که بیشترین سطح منطقه با 92/32 درصد در کلاس بیابان زایی متوسط قرار گرفته است و تنها 73/27 درصد از منطقه فاقد کلاس بیابان زایی می باشد (شکل 6). و بر اساس مدل Albedo-TGSI در منطقه زابل بیشترین درصد سطح با 9/41 درصد در کلاس مناطق بدون بیابان زایی طبقه بندی شده است (شکل 7) و همچنین نقشه شدت بیابان‌زایی بر اساس مدل Albedo-NDVI در منطقه سوران نشان داد که 97/50 درصد از مساحت منطقه که بیشترین سطح منطقه می باشد در کلاس متوسط از نظر شدت بیابان زایی قرار گرفته و 3/1 درصد از منطقه در کلاس خیلی شدید بیابان زایی براساس این مدل قرار گرفته است (شکل 8). نقشه حاصل از مدل Albedo-TGSI نیز در منطقه سوران نشان داد که بیشترین سطح منطقه با 4/53 درصد در کلاس متوسط بیابان زایی قرار گرفته است و 1/1 درصد از منطقه در کلاس خیلی شدید بیابان زایی طبقه بندی گردیده است (شکل 9).

$D:\payannameSARAVAN\filePROJECT\zabol\DDI- NDVI.bmp$

شکل 6- نقشه شدت بیابان‌زایی بر اساس شاخص Albedo-NDVI در منطقه زابل

Fig 6. Desertification intensity map based on Albedo-NDVI in Zabol region

$D:\payannameSARAVAN\filePROJECT\zabol\DDI-TGSIzabol.bmp$

شکل 7- نقشه شدت بیابان‌زایی بر اساس شاخص Albedo-TGSI در منطقه زابل

Fig 7. Desertification intensity map based on Albedo-TGSI in Zabol region

$D:\phd.farhad\FARHAD CV\طرح پژوهشی مجتمع\فصلنامه سنجش از دور بوشهر\DDI-TGSI.bmp$

شکل 8- نقشه شدت بیابان‌زایی بر اساس شاخص Albedo-TGSI در منطقه سوران

Fig 8. Desertification intensity map based on Albedo-TGSI in Souran region

$D:\phd.farhad\FARHAD CV\طرح پژوهشی مجتمع\فصلنامه سنجش از دور بوشهر\ddi-ndvi.bmp$

شکل 9- نقشه شدت بیابان‌زایی بر اساس شاخص Albedo-NDVI در منطقه سوران

Fig 9. Desertification intensity map based on Albedo-NDVI in Souran region

نتایج حاصل از درصد کلاس شدت بیابان‌زایی بر اساس مدل Albedo و هریک از شاخص‌های NDVI و TGSI به تفکیک در دو منطقه مورد مطالعه در جدول 4 نشان داده شده است.

جدول 4. نتایج حاصل از بررسی شدت بیابان‌زایی در مناطق مورد مطالعه

Table 3. Results of the desertification intensity in the study areas

نماد شدت	مفهوم نماد	زابل DDI-AT%	زابل DDI-AN%	سوران DDI-AT%	سوران DDI-AN%
null	مناطق بدون بیابان‌زایی	9/41	73/27	7/16	82/4
low	مناطق با شدت کم بیابان‌زایی	3/14	03/18	1/15	44/8
moderate	مناطق با شدت متوسط بیابان‌زایی	6/10	92/32	4/53	97/50
sever	مناطق با شدت زیاد بیابان‌زایی	1/28	30/20	7/13	48/34
extreme	مناطق با شدت خیلی زیاد بیابان‌زایی	2/5	02/1	1/1	30/1

DDI-AT: شدت بیابان‌زایی بر اساس شاخص Albedo-TGSI DDI-AN: شدت بیابان‌زایی بر اساس شاخص Albedo-NDVI

بحث و نتیجه‌گیری

در این پژوهش جهت دستیابی به نقشه شدت بیابان‌زایی بر اساس داده‌های ماهواره سنتینل 2 پس از پیش‌پردازش و تهیه شاخص‌های Albedo، NDVI و TGSI به تجزیه و تحلیل این شاخص‌ها اقدام گردید. نتایج بررسی رگرسیون خطی بین دو شاخص NDVI و Albedo در هر دو منطقه مورد بررسی در استان سیستان و بلوچستان نشان داد که یک رابطه منفی و قوی بین این دو شاخص وجود دارد که مقدار ضریب همبستگی در منطقه زابل و سوران به ترتیب برابر با 63/0 و 76/0 به دست آمد که با نتایج پژوهش‌های مورد بررسی که به ارزیابی این دو شاخص پرداختند ازجمله پن و لی، 2013 که بر اساس مدل تجزیه و تحلیل ترکیب طیفی سه گروه متفاوت شامل پوشش گیاهی، آب و خاک برهنه را به کمک فناوری سنجش از دور، مورد ارزیابی قرار دادند و بر اساس ویژگی طیفی زمانی مولفه های پوشش گیاهی و آلبدوی سطح زمین را از تصاویر لندست استخراج و مطالعه نمودند و همبستگی منفی بین شاخص پوشش گیاهی و آلبدو را نشان دادند و درجه شدت بیابان زایی را تعین نمودند (22)، کارنیلی و همکاران، 2014 بر اساس تکنیک تحلیل بردار تغییر(Change Vector Analysis) شاخص های NDVI و Albedo در دوره های زمانی مختلف بررسی و رابطه بین این دو شاخص و شدت بیابان زایی را در دوره های مختلف زمانی نشان دادند (17) و پینا و همکاران، 2016 به کمک فناوری سنجش از دور و استخراج شاخص های NDVI و BSI و Albedo از تصاویر ماهواره لندست بر اساس مدل تحلیل بردار تغییرات، تخریب یا پیشرفت وضعیت زمین در دوره‌های زمانی مختلف را بررسی نمودند. در مطالعه خود با استفاده از ارتباط بین NDVI/Albedo درجه شدت بیابانزایی را در 5 کلاس بیان و رابطه قوی بین این دو شاخص را نشان دادند (24) مطابقت دارد. نتایج حاصل از همبستگی بالا و منفی بر اساس این دو شاخص به این مفهوم است که هرگونه افزایش در مقدار شاخص پوشش گیاهی NDVI منجر به کاهش در میزان آلبدوی سطح خواهد شد؛ و مناطق با آلبدوی بالا بیانگر تخریب پوشش گیاهی و برهنه بودن خاک می‌باشد؛ و در مناطق مورد مطالعه در بخش‌هایی که کلاس شدت زیاد بیابان‌زایی مشاهده گردید مقدار شاخص آلبدوی سطحی بالا و مقدار شاخص پوشش گیاهی مقدار اندکی می‌باشد.

طبقه‌بندی شدت بیابان‌زایی در منطقه سیستان بر اساس مدل Albedo-NDVI نشان می‌دهد که 73/27 درصد منطقه در کلاس بدون شدت بیابان‌زایی، 03/18 درصد در کلاس کم شدت، 92/32 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط بیابان‌زایی، 3/20 درصد در کلاس شدید و تنها 02/1 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. همچنین طبقه‌بندی شدت بیابان‌زایی در منطقه بلوچستان (سوران) بر اساس مدل Albedo-NDVI نشان می‌دهد که 82/4 درصد منطقه بدون شدت بیابان‌زایی، 44/8 درصد در کلاس کم، 97/50 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط، 48/34 درصد در کلاس شدید و 3/1 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است؛ و بیشترین درصد شدت بیابان‌زایی مربوط به کلاس شدت متوسط می‌باشد که با مطالعات کفاش و همکاران، 1397 که بر اساس مدل IMDPA شدت بیابان زایی منطقه مرادآباد سراوان را مورد ارزیابی قرار دادند و نشان دادند که بیشترین سطح منطقه در کلاس متوسط بیابان زایی قرار گرفته است، همخوانی دارد (14). بر اساس این مدل (Albedo-NDVI) بیش از 80 درصد از منطقه مورد مطالعه در بلوچستان دارای شدت متوسط و زیاد بیابان‌زایی می‌باشد. همچنین بر اساس این مدل بیش از 50 درصد اراضی در منطقه مورد مطالعه در سیستان نیز دارای کلاس متوسط و شدید بیابان‌زایی می‌باشند.

همچنین بررسی رگرسیون خطی بین دو شاخص TGSI و Albedo نیز در هر دو منطقه سیستان و بلوچستان نشان داد که یک رابطه مثبت و قوی بین این دو شاخص وجود دارد که مقدار ضریب همبستگی در منطقه زابل و سوران به ترتیب برابر با 81/0 و 78/0 به دست آمد. نتایج بیانگر این است که رابطه بین شاخص TGSI و Albedo نسبت به رابطه بین دو شاخص NDVI و Albedo قوی‌تر و از ضریب همبستگی بالاتری در هر دو منطقه برخوردار می‌باشد که از دلایل عمده ی آن می‌توان به پراکندگی پوشش گیاهی در مناطق خشک اشاره نمود که با مطالعات وی و همکاران، 2020 که برای استخراج اطلاعات بیابان زایی در بخشی از راه آهن مونگلیای چین بر اساس منابع چندگانه طیفی و مدل منطقه ای جغرافیایی به مطالعه پرداختند و نشان دادند که به دلیل پراکنش پوشش گیاهی مدل Albedo-TGSI از کارائی بهتری برخوردار می باشد و بهتر است که در مناطق فاقد پوشش گیاهی و پوشش بسیار پراکنده مناطق خشک از ترکیبی از مدلهای Albedo-NDVI و Albedo-TGSI استفاده نمود، همخوانی دارد (27).

رابطه شاخص TGSI با Albedo خصوصیات فضایی مناطق عاری از پوشش گیاهی و همچنین مناطق با پوشش گیاهی خیلی کم را برای تعیین شدت بیابان‌زایی بهتر نشان می‌دهد. شاخص TGSI منعکس کننده اندازه ذرات درشت خاک سطحی، می‌باشد که رابطه مثبتی با ذرات ریز محتوای ماسه خاک سطحی دارد. هر چه اندازه ذرات خاک سطحی درشت دانه‌تر باشد میزان بیابان‌زایی شدت بیشتری خواهد داشت. در مناطق که محتوای زیاد ماسه ریز در اندازه ذرات خاک سطحی وجود داشته باشد مقادیر بالای شاخص TGSI قابل مشاهده خواهد بود. مقادیر بالای شاخص TGSI در مناطقی که ذرات ریز ماسه در خاک سطحی وجود دارد یا نسبت کمی از ذرات سیلت و رس وجود دارد دیده می‌شود (27).

طبقه‌بندی شدت بیابان‌زایی در منطقه سیستان بر اساس مدل Albedo-TGSI نشان می‌دهد که 9/41 درصد منطقه بدون شدت بیابان‌زایی، 3/14 درصد در کلاس کم شدت، 6/10 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط بیابان‌زایی، 1/28 درصد در کلاس شدید و 2/5 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. همچنین طبقه‌بندی شدت بیابان‌زایی در منطقه بلوچستان بر اساس مدل Albedo- TGSI نشان می‌دهد که 7/16 درصد منطقه بدون شدت بیابان‌زایی، 1/15 درصد در کلاس کم، 4/53 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط، 7/13 درصد در کلاس شدید و 1/1 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است که با نتایج ذوالفقاری و همکارن (31) همخوانی دارد. بر اساس این مدل (Albedo- TGSI) بیش از 31 درصد از منطقه مورد مطالعه در بلوچستان در طبقه مناطق بدون بیابان‌زایی و شدت کم بیابان‌زایی قرار می‌گیرد. همچنین بر اساس این مدل بیش از 55 درصد اراضی در منطقه مورد مطالعه در سیستان نیز در طبقه مناطق بدون بیابان‌زایی و شدت کم بیابان‌زایی طبقه‌بندی گردید. درصورتی‌که در مدل Albedo-NDVI در هر دو منطقه مورد مطالعه نتایج نشان داد که اراضی بدون شدت بیابان‌زایی و شدت کم بیابان‌زایی درصد پائین تری از سطح کل منطقه مورد مطالعه را به خود اختصاص می‌دهند که این امر به دلیل پراکندگی پوشش گیاهی در مناطق خشک می‌باشد. شاخص TGSI بر اساس مطالعات لامچین و همکاران (19) منعکس کننده ذرات درشت دانه در خاک سطحی می‌باشد که رابطه مثبتی با محتوای ذرات ماسه ریز در خاک سطحی دارد و هر چه اندازه ذرات سطحی خاک درشت دانه‌تر باشد، شدت بیابان‌زایی بیشتر خواهد بود. از طرفی مقادیر بالای شاخص TGSI در مناطقی دیده می‌شود که خاک سطحی حاوی ذرات ریز ماسه باشد و یا اینکه نسبت ذرات رس و سیلت در خاک سطحی اندک باشد (19).

در این پژوهش ما با استفاده از تکنیک سنجش از راه دور و بر اساس تصاویر چند طیفی سنتینل 2 به استخراج شدت بیابان‌زایی در دو منطقه متفاوت از استان خشک سیستان و بلوچستان پرداختیم؛ و بر اساس بازتاب طیفی اتفاق افتاده از سطح زمین و قدرت تفکیک مکانی 10 متری شدت بیابان‌زایی را در دو منطقه مورد مطالعه قرار دادیم. با توجه به رزولوشن بالای تصاویر سنتینل 2 در مطالعه و تهیه نقشه‌های شدت بیابان‌زایی و شناخت مناطقی که دچار بیابان‌زایی شده است، بر اساس مطالعات این پژوهش پیشنهاد می‌گردد به‌صورت ترکیبی از دو مدل Albedo-NDVI و Albedo-TGSI برای پایش و تهیه نقشه‌های شدت بیابان‌زایی در مناطق خشک ایران استفاده گردد. نتایج این پژوهش نشان می‌دهد که مناطق بدون بیابان‌زایی و شدت کم بیابان‌زایی بر اساس مدل Albedo-TGSI به نحو مطلوب‌تری نشان داده می‌شود. با توجه به اینکه پایش و کنترل مناطق تخریب یافته و بیابانی شده و تهیه نقشه‌های شدت بیابان‌زایی بر اساس مدل‌های رایج در مطالعات تهیه نقشه شدت بیابان‌زایی بر اساس شاخص‌ها و معیارهای بیابان‌زایی امری دشوار و هزینه‌بر می‌باشد و همچنین مستلزم انجام فعالیت‌های بسیار زیاد میدانی است. لذا استفاده از مدل‌هایی سریع و دقیق بسیار ضروری به نظر می‌رسد. از طرفی با توجه به اینکه در اغلب مطالعات برای تهیه نقشه‌های بیابان‌زایی از واحدهای ژئومورفولوژیک به‌عنوان واحدهای کاری استفاده می‌گردد، نمی‌توان گفت که نقشه شدت بیابان‌زایی حاصل از آن مدل‌ها به دلیل ویژگی خاص زمین، نوع پوشش و رطوبت خاک در مقیاس‌های کوچک از دقت کافی برخوردار می‌باشند.

در این تحقیق جهت کاهش میزان خطای ناشی از رطوبت سطحی خاک و همچنین عدم حضور گونه‌های یک‌ساله و موقت، فصل تابستان و ماه میانه آن یعنی مردادماه انتخاب گردید. به این دلیل که سطح خاک خشک بوده و همچنین فقط گونه‌های دائمی حضور داشته باشند که نقش بسیار مهمی در پایداری و حفاظت خاک دارند. به نظر می‌رسد که توسعه و استفاده از این مدل در آینده می‌تواند گامی نوین در راستای شناخت و پایش بیابان‌زایی در مناطق دور از دسترس و همچنین منابع تولید گردوغبار و مستعد فرسایش بادی از کارایی مناسبی برخوردار خواهد بود.

تقدیر و تشکر

بدین وسیله از حمایت مالی مجتمع آموزش عالی سراوان برای انجام این طرح پژوهشی تحت شماره 14201 تشکر و قدردانی می‌گردد.

منابع مورد استفاده

1. Ait Lamqadem A, Saber H, Pradhan B. 2018. Quantitative Assessment of Desertification in an Arid Oasis Using Remote Sensing Data and Spectral Index Techniques. Remote Sensing. 10(1862). DOI:10.3390/rs10121862.

2. Allen R, Tasumi M, Trezza R. 2002. Surface Energy Balance Algorithms for Land. Advanced Training and User’s Manual Idaho Implementation

3. Bernardo B da S, Alexandra C B, Célia C B, Leidjane M M de O, Suzana M G L M, Bernardo B J. 2016. Procedures for calculation of the albedo with OLI-Landsat 8 images: Application to the Brazilian semi-arid. Revista Brasileira de Engenharia Agrícola e Ambiental. Vol: 20. No: 1. Pp 3–8.

4. Cai G, Du M, Liu Y. 2010. Regional drought monitoring and analyzing using MODIS data—a case study in Yunnan Province. In Proceedings of the 4th IFIP International Federation for Information Processing. vol. 345. pp: 243–251.

5. Cordeiro M C, Santos N A, Silva V M A, Luiz D M, Silva V P R. 2015. Case Study: Identification of Desertification in the years 1999, 2006 and 2011 in Mossoró-rn. Journal of Hyperspectral Remote Sensing. Vol: 04 Pp: 101-106.

6. Eftekhari R, Shahriyari A R, Ekhtesasi M R. 2015. Assessment and mapping of current and potential of desertification using MICD Model with emphasis on wind erosion criteria in southwest of Hirmand city. Journal of Development and Geography, 38, 139- 150. (In Persian).

7. Eskandari S. 2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image: (Case study: a part of Ilam province). RS & GIS for Natural Resources (Vol. 10/ Issue 1). Pp:72-86. (In Persian).

8. Fozuni L. 2007. Evaluation of the current status of desertification Sistan plain using modify MEDALUS Model with emphasis on wind and water erosion criteria. Master degree of desertification, University of Zabol. (In Persian).

9. Gillespie T W, Ostermann-Kelm S, Dong C, Willis K S, Okin G S, MacDonald G M. 2018. Monitoring changes of NDVI in protected areas of southern California. Ecol. Indic. 88, 485–494

10. Goudei A S, Middleton N J. 2006. Desert Dust in the Global System, Springer, pp 1-287.

11. Han L, Zhang Z, Zhang Q, Wan X. 2015. Desertification assessments in the Hexi corridor of northern China’s Gansu Province by remote sensing. Nat Hazards. 75:2715–2731. DOI 10.1007/s11069-014-1457-0.

12. Houldcroft C J, Grey W F, Barnsley M, Taylor C M, Los S O, North P R J. 2009. New Vegetation Albedo Parameters and Global Fields of Soil Background Albedo Derived from MODIS for Use in a Climate Model. Journal of hydrometeorology. Vol 10, pp 183-198.

13. Jahantigh M, Jahantigh M. 2019. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region). RS & GIS for Natural Resources (Vol. 10/ Issue 4). Pp:57-73. (In Persian).

14. Kaffash A, Rouhimoghadam E, Afshari A, Zolfaghari F. 2018. Investigation the effects of Climate, Vegetation, Wind Erosion and Soil Criteria on desertification Potential Using GIS (Case Study: Moradabad Saravan Regio).Journal of Geographical New Studies, Architecture and Urbanism. Vol 2 No 14 p 15-29. (In Persian).

15. Kang h, Hong S. 2008. An assessment of the land surface parameters on the simulated regional climate circulations: The 1997 and 1998 East Asian summer monsoon cases. Journal of geophysical research, Vol. 113.

16. Kariminazar M, Mosaaedi A, Moghadamnia A R. 2010. Investigation of climatic factors affecting occurrence of drought (Case Study of Zabol Region). Journal of Water and Soil Conservation. 17)1(. 145- 158. (In Persian).

17. Karnieli A, Qin Z, Wu B, Panov N, Yan F. 2014. Spatio-Temporal Dynamics of Land-Use and Land-Cover in the Mu Us Sandy Land, China, Using the Change Vector Analysis technique. Remote Sensing. Vol 6. Pp: 9316-9339.

18. Lamchin M, Lee J Y, Lee W K, Lee E J, Kim M, Lim C H, Choi H A, Kim S R. 2016. Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia. Advances in Space Research. Vol: 57. Pp: 64–77.

19. Lamchin M, et al. 2017. Correlation between Desertification and Environmental Variables Using Remote Sensing Techniques in Hogno Khaan, Mongolia. Sustainability Journal. 9, 581. doi:10.3390/su9040581.

20. Myhre G, Myhre A. 2003. Uncertainties in Radiative Forcing due to Surface Albedo Changes Caused by Land-Use Changes. Journal of Climate. Vol: 16. Pp: 1511-1524.

21. Naegeli K, Damm A, Huss M, Wulf H, Schaepman M, Hoelzle M. 2017. Cross-Comparison of Albedo Products for Glacier Surfaces Derived from Airborne and Satellite (Sentinel-2 and Landsat 8) Optical Data. Remote Sensing, 9,110. doi:10.3390/rs9020110.

22. Pan J, Li T. 2013. Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo- Vegetation feature space. Nat Hazards. Vol: 68. Pp: 915–927.

23. Parvariasl H, Pahlavanravi A, Moghaddamnia A R. 2010. Assessing desertification hazard in Neiyatak region using ESAs Model. Journal of Iran Natural Resources, 2, 42- 54. (In Persian).

24. Piña R B, Díaz-Delgado C, Mastachi-Loza C A, González-Sosa E. 2016. Integration of remote sensing techniques for monitoring desertification in Mexico, Human and Ecological Risk Assessment: An International Journal.

25. Scott D A, Smart M. 1999. Wetlands of the Sistan Basin, South Caspian and Fars, Islamic Republic of Iran, Ramsar Convention Monitoring Procedure Report No.26.

26. Wei H S, et al. 2018. Desertification information extraction based on feature space combinations on the Mongolian plateau. Remote Sens. vol. 10, no. 10.

27. Wei H, Wang J, Han B. 2020. Desertification Information Extraction Along the China–Mongolia Railway Supported by Multisource Feature Space and Geographical Zoning Modeling. IEEE Journal of selected topics in applied earth observations and Remote Sensing, Vol. 13, 392-402.

28. Wulder M A, Hilker T, White J C, Coops N C, Masek J G, Pflugmacher D, Crevier Y. 2015. Virtual constellations for global terrestrial monitoring. Remote Sens. Environ. vol 170, 62–76.

29. Xiao J, Shen Y, Tateishi Y, Bayaer. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing. Vol. 27, No. 12.p: 2411–2422.

30. Zongyi M, Yaowen X, Jizong J, Linlin l, Xiangqian W. 2011. The Construction and Application of an Aledo-NDVI Based Desertification Monitoring Model. Procedia Environmental Sciences. Vol(10), pp 2029 – 2035.

31. Zolfaghari F, Shahriyari A, Fakhireh A, Rashki A R, Noori S, and Khosravi H. 2011. Assessment of desertification potential using IMDPA model in Sistan plain. Watershed Management Research (Pajouhesh & Sazandegi) No 91 pp: 97-107. (In Persian).

Determining the desertification intensity based on spectral indices using Sentinel 2 images (case study Sistan & Baluchestan province)

Abstract

Nowadays increasing and extension of desertification in arid and semi-arid regions, is one of the main concerns of communities and governments involved in desertification. Therefore, identify the areas at risk of desertification is necessary to control and manage the phenomenon in the shortest time and lowest cost possible. A large part of Iran is arid and semi-arid regions that are not accessible by field. The aim of this study is preparing the desertification intensity carried out using MSIL-1C data of Sentinel2 satellite in a part of Sistan and Souran Moradabad plain located in Baluchistan region based on NDVI, TGSI and Albedo spectral indices. The linear regression between Albedo and each of the above indices was performed in SPSS. Finally, the desertification intensity equation was extracted based on the studied indicators. Desertification intensity map was classified into 5 class, based on natural breaks Jenks coefficient in ArcGIS, include without desertification, low desertification, moderate desertification, severe desertification and extreme desertification. The results showed that there is a negative correlation between Albedo and NDVI indices, as the correlation coefficient for Souran and Zabol regions was 0.76 and 0.63 respectively. Also, the correlation relationship between Albedo and TGSI indices was strong and positive, the correlation coefficient of these two indices for Souran and Zabol was 0.78 and 0.81, respectively. The results showed that the TGSI index has a higher status than the other indices for mapping the desertification intensity, due to the high dispersion of vegetation in arid areas.

Keywords: desertification, Spectral index, NDVI, TGSI, Albedo, Remote sensing.

چکیده مبسوط

طرح مسئله: سطوح مختلف پوشش گیاهی آلبدوی متفاوتی دارند. از طرفی آلبدوی سطحی یکی از مهم‌ترین مؤلفه‌های تعادل تابش سطحی است که با بررسی رفتار آن می‌توان به شدت تخریب و بیابان‌زایی پی برد. پوشش گیاهی به دلیل اینکه عاملی برای پایداری سطح زمین محسوب می‌شود می‌تواند یکی از مهم‌ترین مؤلفه‌های کلیدی در مناطق خشک برای کاهش اثرات فرسایش و بیابان‌زایی به‌حساب آید. گسترش بیابان‌زایی و تغییر در میزان پوشش گیاهی به‌نوبه خود ازجمله عوامل تغییر در آلبدو به شمار می‌روند.

هدف: هدف از این مطالعه تعیین شدت بیابان‌زایی بر اساس شاخص‌های طیفی Albedo، TGSI و NDVI با استفاده از فناوری سنجش‌ازدور می‌باشد. شناسایی مناطق تخریب شده در کوتاه‌ترین زمان و با کمترین هزینه با استفاده از تصاویر سنتینل 2 با قدرت تفکیک مکانی 10 متری از اهداف این پژوهش می‌باشد. همچنین در این پژوهش برای اولین بار در منطقه سیستان و بلوچستان بر اساس شاخص‌های طیفی با استفاده از تصاویر سنتینل 2، بهترین شاخص برای پایش شدت بیابان‌زایی در مناطق خشک معرفی خواهد شد.

روش تحقیق: برای ارزیابی شدت بیابان‌زایی و شناخت شاخص مناسب برای تهیه نقشه شدت بیابان‌زایی گام‌های زیر انجام گرفت.

1- انتخاب تصاویر و انجام عملیات پیش‌پردازش تصاویر با استفاده از نرم‌افزار SNAP.

2- محاسبه شاخص‌های TGSI، NDVI و Albedo

3- بررسی رابطه همبستگی بین شاخص‌ها با استفاده از نرم‌افزار SPSS24

4- تهیه نقشه شدت بیابان‌زایی منطقه و به دست آوردن معادله شدت بیابان‌زایی با استفاده از نرم‌افزار Arc GIS10.3.

در گام اول این پژوهش داده‌های ماهواره Sentinel 2A مربوط به سنسور MSIL-1C 20 اوت سال 2020 انتخاب شد. تصاویر به‌گونه‌ای انتخاب گردید که فصل رویش گیاهان یک‌ساله و موقتی نباشد و همچنین روزی انتخاب شد که پوشش ابری وجود نداشته باشد تصاویر مورد نیاز از سایت http://scihub.copernicus.eu/ دانلود و مورد استفاده قرار گرفت.

نتایج و بحث: نتایج حاصل از مدل رگرسیون خطی بین دو شاخص NDVI و Albedo نشان داد که این دو شاخص با یکدیگر دارای همبستگی منفی می‌باشند و به ترتیب میزان ضریب همبستگی در منطقه سوران و زابل برابر با 76/0 و 63/0 بود. نتایج نشان داد که با افزایش میزان شاخص NDVI از میزان شاخص آلبدو کاسته می‌شود.

همچنین نتایج حاصل از مدل رگرسیون خطی بین دو شاخص TGSI و Albedo نشان داد که این دو شاخص با یکدیگر رابطه قوی و مثبتی داشته و به ترتیب میزان ضریب همبستگی برای منطقه سوران و زابل برابر با 78/0 و 81/0 بود. نتایج نشان داد که با افزایش میزان شاخص TGSI بر میزان شاخص آلبدو افزوده می‌شود.

شدت بیابان‌زایی در مناطق مورد مطالعه بر اساس معادله تعیین گردید و با استفاده از روش شکست طبیعی جنکس (Natural Breaks Jenks) در نرم‌افزار ArcMap10.3 شدت بیابان‌زایی به 5 درجه 1) مناطق بدون بیابان‌زایی 2) مناطق با شدت کم بیابان‌زایی 3) مناطق با شدت متوسط بیابان‌زایی 4) مناطق با شدت زیاد بیابان‌زایی و 5) مناطق با شدت خیلی زیاد بیابان‌زایی تقسیم گردید.

نتیجه‌گیری: در این پژوهش بر اساس داده‌های ماهواره سنتینل 2 شاخص‌های Albedo، NDVI و TGSI استخراج گردید. نتایج بررسی رگرسیون خطی بین دو شاخص NDVI و Albedo نشان داد که یک رابطه منفی و قوی بین این دو شاخص وجود دارد که با نتایج پژوهش‌های مشابه مطابقت دارد. نتایج حاصل از همبستگی بالا و منفی بر اساس این دو شاخص به این مفهوم است که هر گونه افزایش در مقدار شاخص پوشش گیاهی NDVI منجر به کاهش در میزان آلبدوی سطح خواهد شد. از طرفی مناطق با آلبدوی بالا بیانگر تخریب پوشش گیاهی و برهنه بودن خاک می‌باشد. در مناطقی که کلاس شدت زیاد بیابان‌زایی مشاهده گردید مقدار شاخص آلبدوی سطحی بالا می‌باشد و مقدار شاخص پوشش گیاهی کم است.

طبقه‌بندی شدت بیابان‌زایی در منطقه سیستان بر اساس مدل Albedo-NDVI نشان می‌دهد که 73/27 درصد منطقه در کلاس بدون شدت بیابان‌زایی، 03/18 درصد در کلاس کم شدت، 92/32 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط بیابان‌زایی، 3/20 درصد در کلاس شدید و تنها 02/1 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. همچنین طبقه‌بندی شدت بیابان‌زایی در سوران بر اساس مدل Albedo-NDVI نشان می‌دهد که 82/4 درصد منطقه بدون شدت بیابان‌زایی، 44/8 درصد در کلاس کم، 97/50 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط، 48/34 درصد در کلاس شدید و 3/1 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. بیشترین درصد شدت بیابان‌زایی مربوط به کلاس شدت متوسط می‌باشد که با مطالعات کفاش و همکاران (1397) همخوانی دارد. نتایج رگرسیون خطی بین دو شاخص TGSI و Albedo نیز نشان داد که یک رابطه مثبت و قوی بین این دو شاخص وجود دارد. نتایج بیانگر این است که رابطه بین شاخص TGSI و Albedo نسبت به رابطه بین دو شاخص NDVI و Albedo قوی‌تر و از ضریب همبستگی بالاتری در هر دو منطقه برخوردار می‌باشد که از دلایل عمدهٔ آن می‌توان به پراکندگی پوشش گیاهی در مناطق خشک اشاره نمود که با مطالعات وی و همکاران (2020) همخوانی دارد.

رابطه شاخص TGSI با Albedo خصوصیات فضایی مناطق عاری از پوشش گیاهی و همچنین مناطق با پوشش گیاهی خیلی کم را برای تعیین شدت بیابان‌زایی بهتر نشان می‌دهد. شاخص TGSI منعکس کننده اندازه ذرات درشت خاک سطحی می‌باشد که رابطه مثبتی با ذرات ریز محتوای ماسه خاک سطحی دارد. هر چه اندازه ذرات خاک سطحی درشت دانه‌تر باشد میزان بیابان‌زایی شدت بیشتری خواهد داشت. در مناطقی که محتوای زیاد ماسه ریز در اندازه ذرات خاک سطحی وجود داشته باشد مقادیر بالای شاخص TGSI قابل مشاهده خواهد بود.

در این پژوهش ما با استفاده از تکنیک سنجش از راه دور و بر اساس تصاویر چند طیفی سنتینل 2 برای اولین بار در ایران به استخراج شدت بیابان‌زایی در دو منطقه متفاوت از استان خشک سیستان و بلوچستان پرداختیم. بر اساس بازتاب طیفی اتفاق افتاده از سطح زمین و قدرت تفکیک مکانی 10 متری شدت بیابان‌زایی را در دو منطقه مورد مطالعه قرار دادیم. بر اساس نتایج این پژوهش پیشنهاد می‌گردد به‌صورت ترکیبی از دو مدل Albedo-NDVI و Albedo-TGSI برای پایش و تهیه نقشه‌های شدت بیابان‌زایی در مناطق خشک ایران استفاده گردد. نتایج این پژوهش نشان داد که مناطق بدون بیابان‌زایی و شدت کم بیابان‌زایی بر اساس مدل Albedo-TGSI به نحو مطلوب‌تری نشان داده می‌شوند.

واژگان کلیدی: بیابان‌زایی، شاخص‌های طیفی، NDVI، TGSI، Albedo، سنتینل 2

Determining the desertification intensity based on spectral indices using Sentinel 2 images (case study Sistan & Baluchestan province)

Abstract

Statement of the Problem: Different vegetation covers have different albedo levels. On the other hand, surface albedo is one of the most important components of surface radiation balance, which can be used to identify severely degraded and desertified regions. Vegetation can be considered as one of the most important key components in arid regions to reduce the effects of erosion and desertification due to the effects of vegetation for land surface stability. Expansion of desertification and also changes in vegetation cover, could be change the surface Albedo.

Purpose: The purpose of this study is to determine the desertification intensity based on spectral indices, Albedo, TGSI and NDVI using remote sensing technology. Identification the damaged areas with the lowest cost in the shortest time, using Sentinel 2 images with a spatial resolution of 10 meters is one of the objectives of this study. Also, this study will introduce the best indicator for monitoring desertification intensity in arid regions for the first time in the Sistan and Baluchestan region based on spectral indices using Sentinel 2 images.

Methodology: The following steps were performed to evaluate the intensity of desertification and identify the appropriate indicator in order to mapping the desertification intensity.

1. Selection the images and perform image preprocessing operations using SNAP software.

2. Calculation of TGSI, NDVI and Albedo indices.

3. Investigation the correlation between indices using SPSS24 software.

4. Preparation of desertification intensity map of the region and obtaining the equation of desertification intensity using Arc GIS10.3 software.

In the first step of this research, Sentinel 2A satellite data related to MSIL-1C sensor was selected on August 20, 2020. The images were selected in such a way that the growing season of the plants is not annual and temporary, and also the day was selected when there is no cloud cover. The required images were downloaded and used from the URL address: http://scihub.copernicus.eu/.

Results and discussion: The results of linear regression between NDVI and Albedo indices showed that, these two indices had negative correlation, and the correlation coefficient in Souran and Zabol was 0.76 and 0.63, respectively. The results showed that with increasing NDVI, decreased of the albedo index occurred. Also, the results of linear regression model showed strong and positive relationship between TGSI and Albedo indices, as the correlation coefficient of Souran and Zabol was 0.78 and 0.81, respectively. The results showed that the TGSI and the albedo simultaneously decreased or increased. Desertification intensity in the study areas was determined based on the equation I = a * Index ± Albedo and also by using Natural Breaks (Jenks) method in ArcMap10.3 software, desertification intensity of study areas classified to 5 degrees, 1. Without desertification, 2. Low desertification, 3. Moderate desertification, 4. Severe desertification, and 5. Extremely desertification.

Conclusion: In this study Albedo, NDVI and TGSI indices were extracted based on Sentinel 2 satellite data. The results of linear regression between NDVI and Albedo showed that there is strong negative relationship between these indices that was consistent with the results of similar studies. The high and negative correlation, means that any increase in the vegetation cover will lead to decrease the Albedo. On the other hands the areas with high Albedo, indicate degradation of vegetation cover and bare soil. In the regions with sever desertification intensity, the value of surface Albedo was high and the vegetation cover was low. Classification of desertification intensity in Sistan region based on Albedo-NDVI model showed that 27.73% of the area were in the class of without desertification intensity, 18.03% in the low class, 32.92% in the moderate class, 20.3% were in the severe class and only 1.02% of the area were in the very severe desertification intensity class. Also, the classification of desertification intensity in Souran based on Albedo-NDVI model showed 4.82% of the area without desertification, 8.44% in low class, 50.97% in moderate class, 34.48% in severe class and 1.3% of the area were in very severe desertification class. The highest percentage of desertification intensity of the area were in the moderate class, which is consistent with the studies of Kaffash et al (2018). The results of linear regression between TGSI and Albedo indices also showed that there is a positive and strong relationship between these indices.

The results showed that the relationship between TGSI and Albedo indices was stronger than the relationship between NDVI and Albedo indices and in both regions the correlation coefficient was higher. One of the main reasons for this is the dispersion of vegetation cover in arid areas, which is consistent with the studies of Wei et al (2020). The relationship between TGSI and Albedo better shows the spatial characteristics of vegetation-free areas as well as areas with very low vegetation cover to determine the intensity of desertification. The TGSI index reflects the coarse particle size of the topsoil, which has a positive relationship with the fine sand content of the topsoil. Whatever the larger particle size of the topsoil, will have the greater desertification intensity. In the areas where the content of fine sand in the topsoil is high, the high range of TGSI index will be seen. In this study, using Sentinel 2 multispectral images and remote sensing technique, we extracted the intensity of desertification in different arid regions of the Sistan and Baluchestan province, for the first time in Iran. Based on the spectral reflection that occurred from the ground and the spatial resolution of 10 meters, we studied the intensity of desertification in two areas. Based on the results of this research, we suggest to use the combination of Albedo-NDVI and Albedo-TGSI models in order to monitoring the desertification intensity in arid regions of Iran. The results of this study showed that areas without desertification and low intensity of desertification are better identified based on Albedo-TGSI model.

Keywords: desertification, Spectral index, NDVI, TGSI, Albedo, Remote sensing.

Share To

Article Url

Determining the desertification intensity based on spectral indices using Sentinel-2 images (Case study: Sistan and Baluchestan province)

Sanad

Links

Related Centers

Technical Support

Official pages