Investigation of land use changes and its relationship with groundwater level (Case study: Ardabil plain)

Subject Areas : Applications in water resources management

Sayyad  Asghari Saraskanroud ¹ (Associate Professor, Department of Natural Geography, Faculty of Literature and Humanities, University of Mohaghegh Ardabili, Ardabil,, Iran)
Ehsan  Ghale ² (PhD Student of Geomorphology, Department of Natural Geography, Faculty of Literature and Humanities, University of Mohaghegh Ardabili, Ardabil, Iran)
Elhameh  Ebady ³ (PhD Student of Geomorphology, Department of Natural Geography, Faculty of Literature and Humanities, University of Mohaghegh Ardabili, Ardabil, Iran)

Received: 2020-01-12 Accepted : 2020-09-19 Published : 2021-03-21

Keywords: Geostatistical methods, land use, Object-oriented Classification, Groundwater,

Abstract :

Background and Objective Groundwater is the most important source of fresh water in the world. Drinking water for two billion people is supplied directly from groundwater and is used to irrigate the world's largest food supply. Improper harvesting of groundwater reservoirs has led to the fact that the amount of feeder feed is not responsive to harvesting and the groundwater level has dropped. The drop in groundwater levels has led to problems such as drying up water wells, declining river and lake discharge, lowering water quality, increasing pumping costs and water extraction and land subsidence. Awareness of water level changes is necessary to understand the status of groundwater aquifers and their optimal management. By assessing groundwater level fluctuations, it can be used to manage water resources. One of the major applications of remote sensing is the detection and determination of land use changes. Using remote sensing, it is possible to study and identify various phenomena. The aim of this study was to investigate the effect of different land use on groundwater using interpolation geostatistical methods as well as object-oriented classification methods for land use mapping. Materials and Methods Ardabil plain is a mountainous plain located in northwestern Iran and east of the Azerbaijani plateau. The plain covers an area of 990 km2 among the highlands around it and in terms of political divisions includes parts of the cities of Ardabil and Namin. The data used in this study included a Landsat 8 satellite image of the OLI surveyor for the 2015 land use map, as well as a Landsat TM 5 surveyor for the 1987 land use plan. Also, in this study, the groundwater depth data of 43 piezometer wells in Ardabil plain were used. In this research, after preparing the statistics of piezometric wells, the data reconstruction method was used to eliminate the deficiencies in the study data. Reconstruction, which was used only to correct deficiencies in the data, is an interpolation method performed by the Neural Power software (based on the artificial neural network). To normalize the data, logarithmic transformations were used in SPSS and GS+ software was used for geostatistical analysis. ENVI software was used for atmospheric and radiometric corrections and ArcGIS software was used to extract the layer map. Results and Discussion The largest area in 1987 belongs to the irrigated agricultural class with an area of 51840 hectares. The second area belongs to the rainfed agricultural class, which has the largest area with 48,790 hectares. The smallest area also belongs to the use of water with 88.65 hectares. Looking at the uses of 1394, the results showed significant differences in such a way that the use of irrigated agriculture with 10.17 hectares has increased significantly compared to 1987. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated and only the models that were more accurate than the other models were selected. The highest average water level was recorded in 1987 for agricultural agriculture and the lowest average water level was recorded for the forest area. Considering the land use map and the groundwater level map of 1394, the above analysis is confirmed and as it is known, the highest average water level this year belongs to the use of irrigated agriculture with 20.17 meters and the lowest average recorded water level is related to the use of the forest is 11.45 meters. Compared to 1987, water use has had a decrease in water level, which has reduced the water level of dams and also reduced the volume of water in rivers and even dried up several of these rivers. After water use, one of the most interesting uses that need to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 2015 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. Due to the fact that the Rain-fed crops in the study area are mostly wheat and do not need water or needless, but the amount of groundwater level in 2015 compared to 1987 has been accompanied by a significant decline. The use of pastures in 2015 compared to 1987 has dropped significantly, which indicates the critical situation of groundwater and excessive use of these resources. Conclusion In this study, in the first step, in order to classify and then examine the changes that occurred in a certain period of time in the study area. In order to classify the relevant images, An object-oriented classification method was used in eCognition software and the relevant outputs were extracted in ArcGIS software. Evaluation of classification accuracy for 2015 has a very high accuracy so that the overall accuracy and coefficient of the extracted Kapa at the highest possible level, the overall accuracy of 100% and the coefficient of Kapa 0.99 and for the year 1987 was extracted with less accuracy and general accuracy for In 1987, 98% and the Kappa coefficient was 0.95. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated. Due to ME and RMSE values, the curing method has higher accuracy than other methods. Among the various modes of the curing method, the Gaussian model has the highest accuracy. According to the results, the most changed use in this area has been the use of pastures in irrigated agriculture and Rain-fed agriculture. This change shows that the increase in the use of irrigated agriculture and Rain-fed agriculture in this area has been accompanied by a decrease in the use of rangelands, which indicates the destruction of pastures. According to the groundwater level map, the highest average water level was recorded in 1987 for irrigated agricultural use and the lowest average water level was recorded for the forest area. Also, the highest average water level in 2015 belongs to the use of irrigated agriculture with 20.17 meters and the lowest average recorded water level is related to forest use with 11.45 meters. One of the interesting uses that need to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 2015 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. In general, all uses in 2015 compared to 1366 have faced a decrease in water balance. As a result of these changes, farmers have made more use of groundwater resources, which has led to a drop in groundwater levels over a 28 years period in the study area. This overuse is enough to reduce the average level of the plain by 4.9 meters during the mentioned period. http://dorl.net/dor/20.1001.1.26767082.1400.12.1.5.6

References:

Abdullah AYM, Masrur A, Adnan MSG, Baky MAA, Hassan QK, Dewan A. 2019. Spatio-Temporal Patterns of Land Use/Land Cover Change in the Heterogeneous Coastal Region of Bangladesh between 1990 and 2017. Remote Sensing, 11(7): 790. doi:https://doi.org/10.3390/rs11070790.

Abijith D, Subbarayan S, Leelambar S, Jesudasan Jacinth J, Thiyagarajan S, Parthasarathy KSS. 2020. GIS-based multi-criteria analysis for identification of potential groundwater recharge zones - a case study from Ponnaniyaru watershed, Tamil Nadu, India. HydroResearch, 3: 1-14. doi:https://doi.org/10.1016/j.hydres.2020.02.002.

Adhikari RK, Mohanasundaram S, Sangam S. 2020. Impacts of land-use changes on the groundwater recharge in the Ho Chi Minh city, Vietnam. Environmental Research, 185: 109440. doi:https://doi.org/10.1016/j.envres.2020.109440.

Albhaisi M, Brendonck L, Batelaan O. 2013. Predicted impacts of land use change on groundwater recharge of the upper Berg catchment, South Africa. Water SA, 39(2): 211-220. doi:https://doi.org/10.4314/wsa.v39i2.4.

Asghari Saraskanrood S, DolatShahi z. 2018. Investigating the amounts of solutes and chemical elements found in the sources Drinking water in Khorramabad city. Journal of Applied researches in Geographical Sciences, 18(50): 141-154. doi:https://doi.org/10.29252/jgs.18.50.141. (In Persian).

Chowdhury A. 2016. Assessment of spatial groundwater level variations using geo-statistics and GIS in Haringhata Block, Nadia District, West Bengal. International Journal of Research in Engineering and Technology, 5(5): 276-280.

Dams J, Woldeamlak S, Batelaan O. 2007. Forecasting land-use change and its impact on the groundwater system of the Kleine Nete catchment, Belgium. Hydrology and Earth System Sciences Discussions, 4(6): 4265-4295.

Di Piazza A, Lo Conti F, Noto L, Viola F, La Loggia G. 2011. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation, 13(3): 396-408. doi:https://doi.org/10.1016/j.jag.2011.01.005.

Esfandyary F, Gharachorlu M, Ebadi E. 2018. Assessment and estimation the spatial variation of groundwater level by various interpolation methods in Sarab plain. Geography and Development Iranian Journal, 16(51): 65-80. doi:https://doi.org/10.22111/gdij.2018.3860. (In Persian).

Güler C, Mehmet Ali K, Reşit Nabi K. 2013. Assessment of groundwater vulnerability to nonpoint source pollution in a Mediterranean coastal zone (Mersin, Turkey) under conflicting land use practices. Ocean & Coastal Management, 71: 141-152. doi:https://doi.org/10.1016/j.ocecoaman.2012.10.010.

Güner S, Tüfekçioğlu A, Gülenay S, Küçük M. 2010. Land-use type and slope position effects on soil respiration in black locust plantations in Artvin, Turkey. African Journal of Agricultural Research, 5(8): 719-731. doi:https://hdl.handle.net/11494/542.

Johnson B, Tateishi R, Kobayashi T. 2012. Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9): 2619-2634. doi:https://doi.org/10.3390/rs4092619.

Jones D, Norm J, James G, Jim N. 2015. A cloud-based MODFLOW service for aquifer management decision support. Computers & Geosciences, 78: 81-87. doi:https://doi.org/10.1016/j.cageo.2015.02.014.

Kachhwala T. 1985. Temporal monitoring of forest land for change detection and forest cover mapping through satellite remote sensing. In: Proceedings of the 6th Asian Conference on Remote Sensing. Hyderabad, 1985. 21-26 November pp 77-83.

Khazaz L, Oulidi HJ, El Moutaki S, Ghafiri A. 2015. Comparing and Evaluating Probabilistic and Deterministic Spatial Interpolation Methods for Groundwater Level of Haouz in Morocco. Journal of Geographic Information System, 7(06): 631. doi:https://doi.org/10.4236/jgis.2015.76051.

Kumar P, Dasgupta R, Johnson BA, Saraswat C, Basu M, Kefi M, Mishra BK. 2019. Effect of land use changes on water quality in an ephemeral coastal plain: Khambhat City, Gujarat, India. Water, 11(4): 724. doi:https://doi.org/10.3390/w11040724.

Lamichhane S, Narendra Man S. 2019. Alteration of groundwater recharge areas due to land use/cover change in Kathmandu Valley, Nepal. Journal of Hydrology: Regional Studies, 26: 100635. doi:https://doi.org/10.1016/j.ejrh.2019.100635.

Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5): 823-870. doi:https://doi.org/10.1080/01431160600746456.

Owuor SO, Butterbach-Bahl K, Guzha AC, Rufino MC, Pelster DE, Díaz-Pinés E, Breuer L. 2016. Groundwater recharge rates and surface runoff response to land use and land cover changes in semi-arid environments. Ecological Processes, 5(1): 16. doi:10.1186/s13717-016-0060-6.

Pijanowski CB, Daniel GB, Bradley AS, Gaurav AM. 2002. Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems, 26(6): 553-575. doi:https://doi.org/10.1016/S0198-9715(01)00015-1.

Piri H, Bameri A. 2014. Investigating the quantity variation trend of ground water table using geostatistics and GIS (Case study: Sirjan Plain). Journal of RS and GIS for Natural Resources, 5(1): 29-44. (In Persian).

Rai SC, Kumari P. 2012. Assessment of groundwater contamination from land-use/cover change in rural-urban fringe of national capital territory of Delhi (India). Scientific Annals of" Alexandru Ioan Cuza" University of Iasi-Geography series, 58(1): 31-46. https://nbn-resolving.org/urn:nbn:de:0168-ssoar-319594.

Ranjan P, Gupta AD, Kazama S, Sawamoto M. 2007. Assessment of aquifer-land use composite vulnerability in Walawe River Basin, Sri Lanka. Asian Journal of Water, Environment and Pollution, 4(2): 1-10.

Robertson W, Russeland B, Cherry J. 1996. Attenuationn of Nitrate in Acquitted Sediments of Southern Ontario. Journal of Hydrology, 180: 267-281.

Rogan J, Chen D. 2004. Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in Planning, 61(4): 301-325.

Thomas A, John T. 2006. Modelling of recharge and pollutant fluxes to urban groundwaters. Science of The Total Environment, 360(1): 158-179. doi:https://doi.org/10.1016/j.scitotenv.2005.08.050.

Zhang Z, Li A, Lei G, Bian J, Wu B. 2014. Change detection of remote sensing images based on multi-scale segmentation and decision tree algorithm over mountainous area: a case study in Panxi region, Sichuan province. Acta Ecologica Sinica, 34(24): 7222-7232.

Full-Text:



 

بررسی تغییرات کاربری اراضی و ارتباط آن با سطح آب‌های زیرزمینی

مطالعه موردی: دشت اردبیل

 

 

 

چکیده

هدف اصلی از این تحقیق پایش سطح آب‌های زیرزمینی با استفاده از تصاویر ماهواره‌ای و رابطه‌ای که می‌تواند با کاربری اراضی داشته باشد، می‌باشد. به همین منظور ابتدا تصاویر ماهواره­ای مربوطه اخذ گردید و پیش‌پردازش‌های لازم بر روی هر کدام اعمال شد. سپس نسبت به مدل‌سازی و طبقه‌بندی تصاویر اقدام شد. ابتدا به منظور بررسی تغییرات کاربری اراضی، نقشه طبقه‌بندی شده کاربری ‌اراضی برای هر دو سال با استفاده از روش طبقه‌بندی شیءگرا استخراج شد و سپس به منظور بررسی تغییرات کاربری اراضی نقشه تغییرات کاربری ‌اراضی برای یک بازه زمانی 28 ساله (1987-2015) استخراج شد. در نهایت به منظور پایش سطح تراز آب‌های زیرزمینی نقشه سطح آب‌های زیرزمینی منطقه مورد مطالعه برای هر دو سال با روش گوسی(Gaussian) که دقیق­ترین روش شناخته شد، استخراج گردید. نتایج نشان داد که رابطه قوی بین کاربری اراضی و سطح آب‌های زیرزمینی وجود دارد. مناطق با پوشش گیاهی بالا دارای افت تراز آب کمتری بودند. همچنین کاربری کشاورزی آبی دارای بیشترین میانگین افت تراز آب نسبت به سایر کاربری­ها بود که نشان از استفاده بیش از حد از آب‌های زیرزمینی جهت آبیاری محصولات کشاورزی آبی در سطح منطقه مورد مطالعه است.

 

کلمات کلیدی: آب‌های زیرزمینی، روش­های زمین آمار، طبقه­بندی شیءگرا، کاربری اراضی.

 

 

مقدمه

آب­هاي زيرزميني مهم­ترين منبع آب شيرين جهان هستند. آب آشاميدني دو ميليارد نفر مستقیماً از آب­هاي زيرزميني تأمین مي­شود و براي آبياري بزرگ­ترين بخش تهيه غذا در جهان استفاده مي­شود. استفاده از آب زیرزمین در اين اواخر به واسطه افزايش تقاضاي آب، به دليل رشد سريع جمعيت و صنعتی شدن، چندين برابر افزايش يافته است(14). آب‌های زيرزميني يكي از مهم‌ترین منابع تأمين نيازهاي خانگي، صنعتي و كشاورزي به ويژه در مناطق خشك و نیمه‌خشک هستند (6). بهره­برداری بی­رویه از منابع آب زیرزمینی طی چند دهه اخیر علاوه بر محدودیت­های کمی، محدودیت­های کیفی را نیز موجب شده است(5). به طوری که امروزه منابع آب زیرزمینی با مسائل عدیده­ای از قبیل هدر رفت، افت تراز، ورود زه آب‌های شیمیایی صنایع و کشاورزی، شوری و ... روبروست. از طرفی پیامدهای منفی و زیان­بار ناشی از این امر به لحاظ جغرافیایی متفاوت بوده و به طور یکسان جوامع بشری را تهدید نمی­نماید. بالطبع در مناطق خشک و نیمه­خشک که وابستگی به منابع آب زیرزمینی بیشتر است، تمامی تهدیدها تشدید می­یابد(8 و 20). برداشت بی­رویه مخازن آب زیرزمینی موجب گردیده که میزان تغذیه آبخوان جواب­گوی برداشت نبوده و سطح آب زیرزمینی افت نماید. افت سطح آب زیرزمینی مشکلاتی همچون خشک شدن چاه‌های آب، کاهش دبی رودخانه و آب دریاچه­ها، تنزیل کیفیت آب، افزایش هزینه پمپاژ و استحصال آب و نشست زمین را به دنبال دارد. همچنین سبب می‌شود که آب از نقاط با پتانسیل بالا به سمت این نقاط سرازیر شود، که گاهی با برگشت جبهه آب شور به سمت مناطق دارای آب شیرین مواجه خواهیم شد. از طرف دیگر، افت سطح ایستایی موجب کف کنی‌های متعددی در چاه‌ها می­شود. در کشورهای در حال توسعه و جهان سوم، بیشترین توجه به یافتن سفره‌های آب زیرزمینی مناسب جهت تأمین آب مورد نیاز شرب و کشاورزی معطوف گردیده است و این در حالی است که کمتر به حفظ کیفی آبخوان‌ها توجه می‌شود(11 و 13). آگاهی از تغییرات تراز آب به منظور شناخت از وضعیت سفره‌های آب زیرزمینی و مدیریت بهینه آن ضرورت دارد. با ارزیابی نوسان سطح آب زیرزمینی می‌توان از آن در مدیریت منابع آب استفاده نمود(7 و 16).  یکی از کاربردهای عمده سنجش از دور کشف و تعیین تغییرات کاربری‌های اراضی است. با استفاده از ویژگی‌های سنجش از دور، امکان بررسی و شناسایی پدیده‌های مختلفی وجود دارد. از جمله ابزارهای مهم در زمینه شناخت وضع و نوع تغییرات در طی زمان نقشه و تصاویر ماهواره‌ای است. نقشه‌های کاربری اراضی نحوه استفاده انسان از زمین را در فعالیت‌های کشاورزی، جنگلداری، باغات، مرتع و ....نشان می‌دهد. که با رشد بیش از حد جمعیت، فشار بر عرصه‌های طبیعی بیشتر شده و باعث بهره‌برداری غیراصولی و تغییر کاربری‌ها گردیده است. این تحقیق بر آن است که با استفاده از اطلاعات مربوط با تصاویر ماهواره‌ای سنجنده­های TM(Thematic Mapper) و OLI(Operational Land Imager)، میزان تغییرات کاربری اراضی از عرصه‌های منابع طبیعی و زمین­های کشاورزی و مناطق انسان ساخت را آشکار سازد و با توجه به این تغییرات، میزان افت آب‌های زیرزمینی و یا میزان افزایش آن را مشخص سازد.

مطالعات بیشتری در کل جهان و ایران در زمینه بررسی تغییرات کاربری اراضی در ارتباط با آب زیرزمینی گرفته است که در ذیل به بعضی آن‌ها اشاره شده است:

پیری و بامری(21) به تحقیقی با عنوان بررسی روند تغییرات کمی سطح ایستابی منابع آب زیرزمینی با استفاده از زمین آمار و سیستم اطلاعات جغرافیایی (مطالعه موردی: دشت سیرجان) پرداختند. هدف از این مطالعه بررسی تغییرات مکانی و زمانی سطح آب زیرزمینی دشت سیرجان با استفاده از روش‌های زمین آماری در دوره آماری 1375 تا 1385 است. نتایج مطالعه آن‌ها نشان داد که واریوگرام مدل گوسین با ضریب تبیین 7/0 به عنوان بهترین مدل برازش شده به ساختار فضایی داده‌ها و روش چندجمله‌ای محلی و روش کریجینگ معمولی به ترتیب با داشتن مجذور میانگین مربعات خطا 6/43 و 85/23، بهترین روش میان یابی می‌باشند. نتایج همچنین نشان داد که روش کریجینگ معمولی با تغییرنما گوسی در مقایسه با سایر روش‌های بکار رفته، برای برآورد عمق سطح ایستابی آب زیرزمینی در هر دو دوره آماری دقت بیشتری دارد. پهنه­بندی با روش کریجینگ معمولی نشان داد که سطح آب زیرزمینی در بیشتر نقاط دشت در دوره مطالعه افت داشته است. حداکثر این افت معادل 40 متر و به طور متوسط 15 متر می­باشد. در نقاط غربی دشت سطح آب افزایش پیدا کرده که باعث تغییر جهت آب از سمت سفره آب شور غرب به سمت سفره آب شیرین و کاهش کیفیت سفره آب زیرزمینی دشت سیرجان شده است. گولر و همکاران¹(10) در تحلیل تغییرات زمانی- مکانی سطح آب زیرزمینی در دشت‌های پایکوهی مرسین ترکیه از مقایسه روش‌های مختلف درون‌یابی بهره جستند. نتایج حاصل نشان‌دهنده برازش بهتر روش کریجینگ ساده نسبت به سایر روش‌های درون‌یابی است. اوور² و همکاران(19) در مطالعه­ای به بررسی میزان نرخ شارژ آب‌های زیرزمینی و پاسخ رواناب سطح به کاربری اراضی و تغییرات پوشش زمین در محیط­های نیمه‌خشک پرداختند. نتایج آن‌ها نشان داد که جنگل‌ها میزان شارژ مجدد آب زیرزمینی پایین­تر و رواناب بیشتری نسبت به سایر کاربری­های مورد بررسی در مناطق گرمسیری و نیمه‌خشک دارند. همچنین اگر جنگل­ها به مراتع تبدیل شوند، شارژ مجدد آب‌های زیرزمینی 8/7 تا 6/12 درصد افزایش می‌یابد. همچنین تبدیل اراضی بایر به زمین­های زراعی منجر به کاهش رواناب سطح آب بین 2/5 تا 7/7 درصد می‌شود. عبدالله³ و همکاران (1) در پژوهشی با عنوان الگوهای فضایی-زمانی کاربری اراضی/ پوشش زمین در منطقه ساحلی ناهمگن بنگلادش بین ساله­ای 1990 و 2017 به این نتیجه رسیدند که نقشه‌های چند زمانه LULC نشان می­دهد که مناطق ساحلی بنگلادش در طی 28 سال گذشته افزایش خالص در زمین‌های کشاورزی (44/5)، ساخته شده (91/4) و رودخانه (52/4) را تجربه کرده است. در حالی که پوشش گیاهی کاهش خالص (26/8) را تجربه کرده است. روند کاهش پوشش گیاهی در بازه زمانی مورد نظر عمدتاً به دلیل ابتکارات جنگل زدایی دولت بنگلادش در سراسر کمربندهای ساحلی جنوبی است. این یافته‌ها تصویری جامع از الگوهای LULC ساحلی ارائه می‌دهد که برای سیاست­گذاران و مدیران منابع برای استفاده در کاربری اراضی ساحلی و شیوه­های مدیریت محیط­زیست مفید خواهد بود. آبیجیت و همکاران (2) در پژوهشی با استفاده از تحلیل­های چند معیاره، مناطق پتانسیل­دار برای تغذیه آب‌های زیرزمینی را در حوضه آبریز پونانیارو در هند مورد بررسی قرار دادند. در این مطالعه از داده­های زمین­شناسی، ژئومورفولوژیکی و داده­های کاربری اراضی منطقه استفاده شده است. نتایج این تحقیق نشان داد که کاربری زمین­های سنگلاخی، پتانسیل بسیار ضعیفی در تغذیه آب‌های زیرزمینی دارد که نتایج تحقیق با نتایج مطالعات میدانی تطابق کامل داشته است. لامیچان و شاکیا (17) در تحقیقی اثر تغییرات کاربری اراضی بر آب‌های زیرزمینی را در دره کاتماندو در نپال مورد بررسی قرار دادند. در این مطالعه برای ارزیابی تغییرات کاربری اراضی از تصاویر ماهواره­ای لندست سال­های 2010 تا 2018، شیب، جهت شیب و DEM(Digital Elevation Model) 30 متری ماهواره Aster استفاده شد. نتایج نشان داد که در طول دهه گذشته، کاربری ساخته شده توسط انسان باعث غیرقابل نفوذ کردن منطقه و همچنین کاهش 6 درصدی تغذیه آب‌های زیرزمینی شده است. 

با توجه به منابع بررسی شده، محققان مختلف تأثیر تغییرات کاربری اراضی را بر روی تراز آب‌های زیرزمینی کار کرده­اند. نتایج این تحقیقات نشان می­دهد که کاربری­های مختلف تأثیرات بسیار زیادی بر روی سطح تراز آب‌های زیرزمینی دارند، به این دلیل که کاربری­های مختلف باعث مصرف متفاوتی از آب‌های زیرزمینی می­شود. نوآوری این تحقیق از دو جنبه قابل بررسی است؛ بدین صورت که در تحقیقات مشابه برای استخراج کاربری اراضی از روش­های پیکسل پایه استفاده می­شود در حالی که در این تحقیق برای استخراج کاربری اراضی از روش شیءگرا و الگوریتم نزدیکترین همسایه استفاده شده که دقت بسیار بالایی دارد. همچنین در این تحقیق اجزای واریوگرام کاملاً تجزیه و تحلیل شده است و با روش­های مختلف، نتایج کار صحت­سنجی شده است. بنابراین این تحقیق شامل دو فرضیه است؛ فرض اول بدین صورت که کاربری مسکونی بیشترین تغییرات را در بازه زمانی در منطقه مورد مطالعه داشته است و فرض دوم این است که کاربری کشاورزی آبی بیشترین میزان افت را خواهد داشت.

 

مواد و روش

معرفی منطقه مورد مطالعه

دشت اردبیل یک دشت میان کوهی که در شمال غرب ایران و در شرق فلات آذربایجان جای گرفته است. این دشت به وسعت 990 کیلومترمربع در بین ارتفاعات بلند اطرافش محصور شده است و از لحاظ تقسیمات سیاسی شامل قسمت‌هایی از شهرستان­های اردبیل و نمین می­شود. غرب آن به توده آتش‌فشانی سبلان (به ارتفاع 4811 متر)، شرق آن به رشته‌کوه تالش (باغرو داغ)، به ارتفاع 3300 متر، ادامه کوه‌های تالش که در اردبیل کوه‌های ارشق نامیده می‌شود و جنوب آن به کوه‌های کم ارتفاع که در حقیقت ادامه‌ی ارتفاعات بزقوش به شمار می‌آیند، محدود می‌گردد(شکل 1). رودهای متعددی در سطح دشت جریان دارند که مهم‌ترین آن‌ها رودخانه قره‌سو است و از ارتفاعات باغرو داغ در شرق اردبیل سرچشمه گرفته با روند جنوب شرقی – شمال شرقی دشت را زهکشی نموده‌، سرانجام از دشت خارج می‌شود. رودخانه بالخلی‌چای دیگر رودی است که با روند جنوب غربی – شمال شرقی شهر اردبیل به رودخانه قره‌سو می‌پیوندد و از دشت خارج می‌گردد. دشت اردبیل به عنوان یکی از دشت‌های ممنوعه به لحاظ آب‌های زیرزمینی محسوب می‌شود که در سال‌های اخیر افت قابل ملاحظه‌ای در سطح آب‌های زیرزمینی تجربه کرده است. 

 

شکل 1. موقعیت جغرافیایی دشت اردبیل در استان اردبیل و کشور

Fig 1. Geographical location of Ardabil plain in Ardabil province and the country

داده‌های مورد استفاده در این تحقیق شامل، تصویر ماهواره لندست 8 که از سنجنده OLI به منظور استخراج نقشه کاربری اراضی برای سال 2015 و همچنین از تصویر سنجنده TM لندست 5 به ‌منظور تهیه نقشه کاربری اراضی برای سال 1987 استفاده شد. تصاویر در اواخر فصل بهار و اوایل فصل تابستان به منظور نبود پوشش‌های ابری و برفی بالا و همچنین بالا بودن شدت تابش نور خورشید اخذ شد.

جدول 1. اطلاعات تصاویر ماهواره لندست 5 و 8. منبع: متادیتا تصاویر

Table 1. Landsat 5 and 8 satellite image information. Source: Metadata Images

نوع سنجنده	مسیر	گذر	درصد پوشش ابر	زاویه خورشید	زمان (گرینویچ)	تاریخ
لندست 8	167	33	0	90596367/124	7:25:10	23/06/2015
لندست 5	167	33	0	39188731/114	6:50:18	10/06/1987

همچنین در انجام این پژوهش از داده­های عمق آب زیرزمینی 43 حلقه چاه پیزومتر در سطح دشت اردبیل استفاده شد. به لحاظ زمانی با در نظر گرفتن آمار دقیق و در دسترس، به آمار سال 1394 و 1366 استناد شد. در تعیین حدود جغرافیای پهنه مورد مطالعه سعی گردید تا پراکنش خوب چاه­های پیزومتر در نظر گرفته شود. مراحل انجام تحقیق بدین ترتیب بود که پس از آماده­سازی آمار چاه­های پیزومتری جهت برطرف کردن نواقص موجود در داده­های مطالعاتی از روش بازسازی داده‌ها استفاده گردید. روش بازسازی استفاده شده که صرفاً برای برطرف کردن نواقص در داده‌ها استفاده شد، روش میان یابی می­باشد که توسط نرم‌افزار Neural Power (بر مبنای شبکه عصبی مصنوعی)، انجام گرفت. جهت نرمال سازی داده­ها از تبدیل‌های لگاریتمی در نرم­افزار SPSS 16 استفاده شد و از نرم‌افزار GS+  برای تحلیل­های زمین آماری استفاده شد. به منظور تصحیحات جوی و رادیومتریکی از نرم‌افزار ENVI 5.3 و جهت استخراج نقشه­های مورد نظر از نرم‌افزار GIS10.5 استفاده شد.

 

شکل 2. روند مراحل تحقیق

Figure 2. Process of research steps

به منظور طبقه­بندی کاربری‌های اراضی از روش طبقه­بندی شیءگرا در نرم‌افزار eCognition Developer 64 استفاده شد. در این طبقه‌بندی مهم‌ترین قسمت طبقه­بندی، قسمت قطعه­بندی(Segmentation) آن است(18). قطعه‌بندي یک تصویر بر تفکیک و جداسازي تصویر به نواحي مختلف به طوری که پیکسل‌های هر ناحیه دارای یک ویژگی خاص که می‌تواند متعلق به یک شیء(Object) مشترک باشد، دلالت دارد. در روش طبقه‌بندی شیءگرا، اطلاعات طیفی با اطلاعات مکانی ادغام گردیده و پیکسل‌ها بر اساس شکل، بافت و تن خاکستری در سطح تصویر با مقیاس مشخص، قطعه‌بندی شده و طبقه‌بندی تصویر بر اساس این قطعه‌ها انجام می‌شود. قبل از انجام طبقه‌بندی به روش شیءگرا لازم است که فرآیند تقسیم‌بندی تصویر صورت پذیرد. این تقسیم‌بندی بر اساس شکل پدیده، بافت و تن‌هایی که هر یک از مقدارها دارا می‌باشند انجام می‌پذیرد(27 و 25).

روش‌های استفاده شده در این پژوهش به منظور درون‌یابی داده‌های عمق آب زیرزمینی شامل مدل‌های جبری و زمین آماری بوده که توضیحات آن‌ها به شرح زیر می‌باشد:

- روش عکس فاصله وزنی (Inverse Distance Weighting)

از مهم­ترین روش­های درون­یابی، روش عکس فاصله وزنی می­باشد. در این روش وزن نقاط نمونه بر روی نقطه مجهول بر اساس فاصله­ی بین نقاط مجهول محاسبه می­شود. این اوزان توسط توان وزن دهی کنترل می­شود. به طوری که توان­های بزرگ­تر، نقاط دورتر از نقطه­ی مورد تخمین را کاهش می­دهند و توان­های کوچک­تر، وزن­ها را به طول یکنواخت­تری بین نقاط همسایه توزیع می­کنند(15). برای محاسبه ارتباط فاصله­ای، می­توان به این نکته اشاره داشت که مقادیر نقاط نزدیک­تر از نقاطی که دورترند، وزن بزرگ­تری را به خود می­گیرند. معادله عمومی به صورت زیر است:

]1[                                                                                                                                                                                                                                                

که در آن،  (s0) ẑ ، مقدار پیش‌بینی شونده برای موقعیت s0؛ N، تعداد نقاط نمونه‌برداری شده؛ λi ، وزن اختصاص داده شده برای هر نقطه ؛ و Z (si)، مقدار مشاهده شده در موقعیت si می­باشد.

- روش توابع شعاع محور  (Radial Basis Function) 

توابع پایه­ی شعاعی این توانایی را به ما می­دهند که سطوحی را ایجاد نماییم که هم روند­های عام در آن‌ها در نظر گرفته شده­اند و هم تغییرات محلی در آن‌ها لحاظ شده باشند(4). این روش می­تواند روی داده­های نویز­داری که به طور نامنظم در یک منطقه پخش شده­اند اعمال شده و یک درون­یابی چند متغیره هموار روی داده­ها انجام دهد. به عبارت دیگر روش RBF تابعی را می­یابد که مشابه یک ورقه فلزی نازک است که به طور همواری خم شده است و مقید به گذشتن از تمامی داده­ها می­باشد. این روش یک تابع ( x,y)f را می­یابد که این تابع نه تنها از تمامی داده­های موجود می­گذرد، بلکه مقدار یک تابع انحنا را که میزان هموار بودن تابع (x,y)f را می­سنجد، را نیز کمینه می‌کند. در روش RBF تابعی که میزان تابع انحنا برای آن مینیمم می­شود به شکل عمومی زیر می­باشد و تفاوت روش­های RBF مختلف در نحوه تعریف تابع RBF  در رابطه زیر می­باشد:

]2[                                                                                 

به طوری که ، بیانگر طول بردار؛ x و y، متغیرهای مکانی؛ (xj , yj) مختصات مکانی j امین نقطه مشاهده­ای پارامتر zj و E یک RBF می‌باشد. aj, b0, b1, b2، ، ضرایبی هستند که باید تعیین شوند تا تابع f به طور صریح مشخص شود.

- روش­ زمین آمار (کریجینگ)

در روش­های زمین آماری علاوه بر عامل فاصله که در روش­های مبتنی بر آمار مرسوم حائز اهمیت است، به موقعیت مکانی و همبستگی تغییرات مکانی نقاط نمونه نیز توجه می­گردد. کریجینگ، بهترین تخمین­گر خطی نا اریب است و عاری از خطای سیستماتیک می­باشد. شرط استفاده از این تخمین­گر این است که متغیر Z دارای توزیع نرمال باشد. در غیر این صورت یا باید از کریجینگ غیرخطی استفاده کرد و یا این که با تبدیل­های مناسب توزیع متغیر را به نرمال تبدیل کرد. کریجینگ از این حیث که در آن وزن­های مقادیر اندازه­گیری ­شده مجاور را برای استنتاج پیش­بینی در هر موقعیتی به کار می­برد، شبیه روش IDW است. اگر چه، وزن­ها تنها مبتنی بر فاصله بین نقاط اندازه­گیری­شده و موقعیتی که قرار است پیش­بینی صورت گیرد، نیست، بلکه مبتنی بر آرایش مکانی سرتاسری میان نقاط اندازه­گیری ­شده نیز می­باشد. برای استفاده از آرایش مکانی در وزن دهی­ها، کمیت خود همبستگی مکانی باید تعیین شود. از بین توابع همبستگی، کوواریانس و نیم­ تغییر­نما برای نشان دادن پیوستگی مکانی داده­ها، نیم ­تغییرنما بیشترین کاربرد را به خود اختصاص می­دهد. رابطه نیم ­تغییرنما به صورت زیر می­باشد:

]3[                                                                                          

که در این رابطه (h)γ، مقدار نیم ­تغییرنما برای جفت نقاطی است که به فاصله h از هم قرار دارند؛ n (h)، تعداد زوج نقاطی است که به فاصله h از هم قرار دارند؛ z (xi)، مقدار مشاهده­ای متغیر x در موقعیت i و، مقدار مشاهده­ای متغیر در فاصله h از xi است.

شرط استفاده از این تخمین­گر این است که متغیر z دارای توزیع نرمال باشد، بنابراین:

]4[                                                             

که در رابطه فوق z (xi)، مقدار مشاهده­ای متغیر در نقطه iام با مختصات معلوم؛ z *(xi)، مقدار تخمینی در همان نقطه iام؛ λi ، وزن داده­های مشاهده­ای؛ و E، امید ریاضی است. بنابراین شرط نا اریبی کریجینگ بیانگر آن است که مجموع ضرایب وزنی تخمین باید مساوی واحد باشد.

پس از اعمال روش­های مختلف درون­یابی بر روی داده­های عمق آب زیرزمینی در چاه­های مشاهده­ای، جهت رسیدن به مدل بهینه برآورد تغییرات فضایی سطح آب زیرزمینی در منطقه مورد مطالعه، مقایسه­ای بین این روش­ها با استفاده از روش اعتبار­سنجی متقاطع(Cross-Validation) صورت گرفت. این روش به این صورت می­باشد که برای هر یک از نقاط مشاهده­ای به وسیله روش­های درون­یابی تخمینی انجام می­شود و سپس مقدار تخمین­زده شده با مقدار مشاهده­ای مورد مقایسه قرار می­گیرد. در نهایت، مدلی که کمترین مقدار خطا را در تخمین داشته باشد، به عنوان بهترین مدل شناخته می­شود. از معیارهای پرکاربرد اعتبارسنجی متقاطع که در این تحقیق نیز از آن‌ها استفاده شد، عبارت­اند از:

1- میانگین خطای اریب (Mean Bias Error) که از رابطه زیر محاسبه می­شود:

]5[                                                                                       

2- ریشه دوم میانگین مربعات خطا (Root Mean Square Error) که هر چقدر کمتر باشد، نشانگر خطای کمتر مدل بوده و فرمول عمومی آن به صورت زیر می­باشد:

]6[                                                                            

در روابط فوق z (xi)، مقدار برآوردی متغیر در xi؛ (xi) ẑ ، مقدار مشاهده­ای متغیر در xi؛ n، تعداد نقاط با متغیر مشاهده­ای می­باشد (23).

MBE، نشانگر میانگین انحراف مقدار برآوردی از مقدار مشاهده­شده است که مسلماً هر چه کمتر باشد، بهتر است این آماره می­تواند مثبت و یا منفی باشد که اگر برآورد بیشتر صورت گرفته باشد، مثبت و برعکس، منفی خواهد شد (24).

ارزیابی صحت (Accuracy assessment)

جهت ارزیابی صحت و مقایسه نقشه‌‌های حاصل، از ماتریس خطا، صحت کلی (رابطه 7) و آماره‌‌ی کاپا (رابطه 8) استفاده شد(22).

در رابطه‌ی فوق، OA نشان‌دهنده‌ی صحت کلی و N معرف تعداد کل پیکسل‌های طبقه‌بندی شده و   نمایه‌ی مجموع پیکسل‌های قطر اصلی ماتریس خطا (تعداد کل پیکسل‌های درست طبقه‌بندی شده) می‌باشد(12).

­[7]

]8[	احتمال توافق – 1 / (احتمال توافق) – (دقت مشاهده شده) = آماره کاپا

 

نتایج 

لازمه استفاده از هر نوع اطلاعات موضوعی، آگاهی از میزان صحت ­و درستی آن است(26). به همین منظور برای ارزیابی دقت طبقه‌بندی، به محاسبه دقت کاربر، صحت کلی و ضریب کاپا پرداخته شد. برای ارزیابی صحت نقشه‌‌های کاربری اراضی تولید شده از 100 نقطه‌‌ی کنترلی GPS (بازدید میدانی مورخ خرداد ماه 1394) کاملاً تصادفی و دارای دسترسی برای کنترل صحت نقشه‌‌های طبقه‌بندی شده استفاده شد. دقت طبقه‌بندی در سال 1394 در دقیق‌ترین نوع خود یعنی 100% صحت ‌کلی و 99/0 ضریب ‌کاپا استخراج شده است. درحالی‌که طبقه‌بندی در سال 1366 با صحت کلی 98% و ضریب کاپای 95/0 به نسبت دقت پایین‌تری را ارائه داده است که دلیل این پایین بودن دقت، توان تفکیک رادیومتریکی تصویر سال 1366 می‌باشد. چرا که تصاویر TM از توان تفکیک پایین‌تری (8 بیت) نسبت به تصاویر OLI (12بیت) برخوردار می‌باشند.

در این پژوهش به منظور پایش تغییرات سطح آب‌های زیرزمینی و بررسی رابطه کاربری اراضی با تغییرات سطح آب‌های زیرزمینی با استفاده از تصاویر سنجنده OLI و TM ماهواره لندست اقدام شد. در ابتدا به منظور بررسی تغییرات کاربری اراضی، نقشه کاربری اراضی محدوده مورد مطالعه برای سال‌های 1366 و 1394 تهیه شد. لازم به ذکر می‌باشد که تهیه نقشه کاربری اراضی در نرم‌افزار eCognition Developer 64 و به روش طبقه­بندی شیءگرا صورت پذیرفت و خروجی‌های مورد نظر نیز در نرم‌افزار ArcGIS 10.5 تهیه شد. شکل 3 و 4 نقشه کاربری اراضی مربوط به بازه‌های زمانی مشخص را نمایش می‌دهد. همچنین مساحت هر یک از کاربری­ها نیز در جدول (2) برای هر سال نمایش داده شد.

 

شکل 3. نقشه طبقه­بندی کاربری اراضی سال 1366

Fig 3. Land use classification map of 1987

 

شکل 4. نقشه طبقه­بندی کاربری اراضی سال 1394

Fig 4. Land use classification map for 2015

جدول 2. مساحت کاربری‌های اراضی در سال 1366 و 1394

Table 2. Area of land use in 1987 and 2015

نوع کلاس	1366(هکتار)	1394(هکتار)
کشاورزی دیم	48790	50800
جنگل	1822	5/931
کشاورزی آبی	51840	62010
مرتع	35900	21280
مسکونی	6953	9990
آب	65/88	15/382
جمع کل	65/145393	65/145393

 

همانطور که از جدول (3) مشخص می‌باشد بیشترین مساحت در سال 1366 متعلق به کلاس کشاورزی آبی با 51840 هکتار مساحت می‌باشد. دومین مساحت مربوط به کلاس کشاورزی دیم می‌باشد که با 48790 هکتار بیشترین مساحت را دارا می‌باشد. کمترین مساحت نیز متعلق به کاربری آب با 65/88 هکتار است. با نگاهی به کاربری‌های سال 1394 نتایج به دست آمده تفاوت‌های چشمگیری را نشان داد به صورتی که کاربری کشاورزی آبی با 170/10 هکتار افزایش نسبت به سال 1366 افزایش چشمگیری را داشته است. همچنین کاربری‌های کشاورزی دیم، مسکونی و آب به ترتیب دارای 010/2، 037/3 و 5/293 هکتار افزایش مساحت بوده‌اند. از سوی دیگر کاربری مرتع با 620/14 هکتار و کاربری جنگل با 5/890 هکتار کاهش مساحت مواجه بوده‌اند. افزایش مساحت کاربری شهری همزمان با کاهش کاربری مرتع و کاربری جنگل نشان از جایگزینی کاربری‌ها و تغییرات آن‌ها می‌باشد.

 

شکل 5. نقشه تغییرات کاربری اراضی منطقه مورد مطالعه

Fig 5. Map of land use changes in the study area

جدول 3. مساحت کاربری­های تغییریافته

Table 3. Areas of modified uses

کاربری‌های تغییریافته	مساحت(هکتار)	کاربری‌های تغییریافته	مساحت(هکتار)
کشاورزی دیم به جنگل	441/0	کشاورزی آبی به مسکونی	764/1057
کشاورزی دیم به کشاورزی آبی	702/6286	کشاورزی آبی به آب	1076/14
کشاورزی دیم به مرتع	748/2419	مرتع به کشاورزی دیم	815/7014
کشاورزی دیم به مسکونی	607/1568	مرتع به جنگل	0956/0
کشاورزی دیم به آب	1793/133	مرتع به کشاورزی آبی	444/9115
جنگل به کشاورزی دیم	6252/38	مرتع به مسکونی	339/2305
جنگل به کشاورزی آبی	9967/436	مرتع به آب	6015/101
جنگل به مرتع	7094/417	مسکونی به کشاورزی دیم	827/317
جنگل به مسکونی	0237/0	مسکونی به کشاورزی آبی	175/1286
کشاورز آبی به کشاورزی دیم	4/5050	مسکونی به مرتع	7596/243
کشاورزی آبی به مرتع	5632/839	مسکونی به آب	6187/47
آب به مسکونی	0543/0	---	---

 

همانطور که از جدول 3 بر می‌آید بیشترین میزان تغییرات کاربری مربوط به کلاس مرتع به کشاورزی آبی و مرتع به کشاورزی دیم به ترتیب 444/9115 و 815/7014 هکتار است که نشان‌دهنده تخریب هرچه بیشتر مراتع می‌باشد. در میان کاربری‌های تغییریافته، کاربری جنگل کمترین میزان افزایش را داراست در حالی که میزان تغییر کاربری جنگل به دیگر کاربری­ها به مراتب بیشتر است و این امر نیز نشان­دهنده سرعت تخریب جنگل­ها نسبت به میزان احیای آن است.

بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون­یابی از بین مدل­های مختلف، تمامی مدل­ها مورد ارزیابی قرار گرفتند و تنها مدل­هایی انتخاب شدند که دارای دقت بیشتری نسبت به سایر مدل­ها بودند(جدول 4).

جدول 4. آماره­های RMSE   و ME  در روش­های مختلف درون­یابی

Table 4. RMSE and ME statistics in different interpolation methods

روش زمین آمار	سال	مدل واریوگرام	RMSE	ME
	1366	Inverse Multiquadric	26/0	0009/0-
RBF	1394	Inverse Multiquadric	274/0	005/0
	1366	----	301/0	0091/0-
IDW	1394	----	277/0	008/0-
		گوسی Gaussian	26/0	002/0
	1366	دایره­ای Circular	27/0	0003/0-
Kriging Ordinary		نمایی Exponential	266/0	001/0-
		گوسی Gaussian	244/0	001/0
	1394	دایره­ای Circular	286/0	008/0-
		نمایی Exponential	292/0	011/0-

 

نتایج حاصل از اجرای هر سه مدل درون­یابی در جدول 4 آمده است. ریشه میانگین مربعات خطا (RMSE) نسبت به داده­های پرت حساس است. کوچک­تر بودن این شاخص دلیلی بر دقت بالاتر تخمین­ها و یا اختلاف کم بین مقادیر واقعی و مقادیر تخمین زده شده است. در صورتی که RMSE مدل به‌کاررفته بالاتر از 71 درصد باشد، به معنی عدم دقت قابل‌قبول برای آن مدل می­باشد. اطلاعات مندرج در جدول 4 نشان می­دهد که با توجه به مقادیر ME و RMSE روش کریجینگ از دقت بالاتری نسبت به سایر روش­ها برخوردار است که از بین حالت­های مختلف روش کریجینگ نیز مدل گوسی دارای بیشترین دقت می­باشد.

با استفاده از نرم­افزار GS+  نیز مدل­های مختلف روش کریجینگ مورد تحلیل و ارزیابی قرار گرفت. همان طور که در جدول 5 مندرج شده، از میان روش­های مختلف مدل کریجینگ، روش گوسی (Gaussian) برای هر دو سال 1366 و 1394 به ترتیب با ضریب تبیین 989/0 و 984/0 به عنوان بهترین مدل انتخاب‌شده و با استفاده از این مدل، عمل درون­یابی برای هر دو سال 1366 و 1394 انجام شد.

جدول 5. پارامترهای مربوط به مدل­های واریوگرامی تراز آب

Table 5. Parameters related to water level variogram models

مجموع مربعات باقیمانده (RSS)	ضریب تبیین (R2)	تناسب مکانی Proportion C/(CO+C)	دامنه تأثیر Effective Range	آستانه Sill(Co+C)	اثر قطعه­ای Nugget Variance (CO)	مدل Model	سال Year	متغیر Variable
261/5	974/0	873/0	68100	278/0	035/0	کروی Spherical
780/6	967/0	930/0	13300	471/0	033/0	نمایی Exponential
084/0	97/0	803/0	29545	186/0	036/0	خطی Linear	1366
17/4	976/0	896/0	62670	355/0	037/0	خطی آستانه­ای Linear to Sill
167/2	989/0	789/0	52740	278/0	058/0	گوسی Gaussian
41/2	95/0	939/0	64560	511/0	031/0	کروی Spherical		تراز آب
49/2	949/0	974/0	9700	924/0	024/0	نمایی Exponential
356/0	946/0	896/0	29529	342/0	035/0	خطی Linear	1394
73/2	968/0	946/0	62700	685/0	037/0	خطی آستانه­ای Linear to Sill
369/1	984/0	827/0	33099	354/0	061/0	گوسی Gaussian

 

 

شکل 6. نیم تغییرنمای همه جهته تراز آب سال­های 1366(الف) و 1394(ب)

Fig 6. All-way variogram of water level in 1987 (a) and 2015 (b)

پس از انتخاب بهترین مدل درو­ن­یابی، نسبت به استخراج نقشه درون­یابی برای سال­های 1366 و 1394 اقدام شد و نقشه حاصل از آن‌ها نیز استخراج شد(شکل 7 و 8).

 

شکل 7.  نقشه درون­یابی سال 1366

Fig 7. Interpolation map of 1987

 

شکل 8.  نقشه درون­یابی سال 1394

Fig 7. Interpolation map of 2015

تحلیل رابطه کاربری اراضی و تراز آب زیرزمینی

نقشه تراز آب زیرزمینی در شکل­های 7 و 8، نمایش داده شده است. همانطور که از نقشه فوق مشخص می‌باشد بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. باملاحظه نقشه کاربری اراضی و نقشه تراز آب زیرزمینی سال 1394 نیز، تحلیل فوق ثابت می‌شود و همانطور که مشخص می‌باشد بیشترین میانگین تراز آب در این سال نیز متعلق به کاربری کشاورزی آبی با 17/20 متر می‌باشد و کمترین میانگین تراز آب ثبت‌شده نیز مربوط به کاربری جنگل با 45/11 متر می‌باشد.

جدول 6. مشخصات آماری تراز آب زیرزمینی کاربری‌ها سال 1366

Table 6. Statistical specifications of groundwater levels for users in 1987

کاربری	تراز آب حداقل(m)	تراز آب حداکثر (m)	میانگین تراز آب (m)	انحراف معیار
کشاورزی دیم	52/2	96/16	74/6	72/2
جنگل	34/4	44/6	59/5	29/0
کشاورزی آبی	52/2	58/21	23/9	36/5
مرتع	52/2	99/16	78/7	64/3
مسکونی	59/2	12/21	41/8	42/2
آب	67/8	15/9	83/8	12/0

 

جدول7. مشخصات آماری تراز آب زیرزمینی کاربری‌ها سال 1394

Table 7. Statistical specifications of groundwater levels for users in 2015

کاربری	تراز آب حداقل(m)	تراز آب حداکثر (m)	میانگین تراز آب (m)	انحراف معیار
کشاورزی دیم	94/2	65/66	38/15	48/13
جنگل	41/5	22/19	45/11	17/3
کشاورزی آبی	00/3	29/68	17/20	68/16
مرتع	97/2	91/67	71/18	62/11
مسکونی	02/3	16/67	22/9	30/8
آب	76/3	55/33	86/14	91/10

 

همانطور که از جداول (6 و 7) مشخص می‌باشد در صورت مقایسه تراز آب هردو سال مربوط به منطقه مورد مطالعه چنین برداشت می‌شود که کاربری آب نسبت به سال 1366 دارای کاهش تراز سطح آب بوده است که این کاهش تراز آب باعث کاهش سطح آب سدها شده است و همچنین باعث کاهش حجم آب رودخانه‌ها بوده و حتی باعث خشک شدن چندین مورد از این رودخانه‌ها گردیده است. بعد از کاربری آب، از جمله کاربری‌های جالب ‌توجه که لازم به تحلیل و علت­جویی آن می‌باشد، کاربری کشاورزی آبی است. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می‌توان در عامل برداشت بیش از حد از آب‌های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. با توجه به اینکه محصولات دیمی محدوده مورد مطالعه اغلب گندم بوده و نیازی به آب ندارند یا نیاز کمتری دارند ولی میزان تراز آب زیرزمینی سال 1394 نسبت به سال 1366 با افت قابل‌توجهی همراه بوده است. کاربری مرتع نیز در سال 1394 نسبت به سال 1366 افت چشمگیری داشته که این امر نشان‌دهنده وضعیت بحرانی آب‌های زیرزمینی و استفاده بیش از حد از این منابع می­باشد. در مجموع می­توان گفت که تمامی کاربری­ها در سال 1394 نسبت به سال 1366 با کاهش میزان تراز آب مواجه بوده­اند که این امر باعث تسریع در تخریب این منابع شده و مخاطرات هولناکی در پی خواهد داشت که از مهم‌ترین آن‌ها می­توان به بحث فرونشست زمین اشاره کرد.

 

بحث و نتیجه­گیری

اطلاع از نسبت كاربري­ها و نحوه تغييرات آن در گذر زمان يكي از مهم­ترين موارد در برنامه­ريزي و سياست­گذاري می­باشد. به همین دلیل در این پژوهش در اولین قدم به منظور طبقه‌بندی و سپس بررسی تغییرات حادث‌شده در یک بازه زمانی مشخص در منطقه مورد مطالعه اقدام شد. به منظور طبقه‌بندی تصاویر مربوطه از روش طبقه‌بندی شیءگرا در نرم‌افزار eCognition Developer 64 استفاده شد و خروجی‌های مربوطه در نرم‌افزار ARCGIS10.5 استخراج شد. ارزیابی صحت طبقه‌بندی برای سال 1394 از دقت بسیار بالایی برخوردار می‌باشد به طوری که صحت کلی و ضریب کاپای استخراج‌شده در بالاترین سطح ممکن یعنی صحت کلی 100 درصد و ضریب کاپای 99/0 و برای سال 1366 نیز با دقت کمتر استخراج شد و صحت کلی برای سال 1366، 98 درصد و ضریب کاپای 95/0 انجام شد که در به دست آوردن این دقت عواملی همچون وضوح بالای تصویر و همچنین به‌کارگیری الگوریتم‌هایی اعم از شکل، بافت، خاک، پوشش گیاهی و نقاط GPS شاهد دخیل می‌باشند. بعد از طبقه‌بندی به منظور بررسی تغییرات حادث‌شده در سطح منطقه در یک بازه زمانی 28 ساله اقدام شد و نقشه تغییرات کاربری اراضی برای سطح محدوده مورد مطالعه ایجاد(شکل 5) و همچنین تغییرات حادث‌شده در هر کاربری نیز در جدول 3 بر حسب هکتار استخراج شد. بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون­یابی از بین مدل­های مختلف، تمامی مدل­ها مورد ارزیابی قرار گرفتند و تنها مدل­هایی انتخاب شدند که دارای دقت بیشتری نسبت به سایر مدل­ها بودند. اطلاعات مندرج در جدول 4 نشان می­دهد که با توجه به مقادیر ME و RMSE روش کریجینگ از دقت بالاتری نسبت به سایر روش­ها برخوردار است که از بین حالت­های مختلف روش کریجینگ نیز مدل گوسی(Gaussian) دارای بیشترین دقت می­باشد. با استفاده از نرم­افزار GS+  نیز مدل­های مختلف روش کریجینگ مورد تحلیل و ارزیابی قرار گرفت. همان طور که در جدول 5 مندرج شده، از میان روش­های مختلف مدل کریجینگ، روش گوسی برای هر دو سال 1366 و 1394 به ترتیب با ضریب تبیین 989/0 و 984/0 به عنوان بهترین مدل انتخاب‌شده و با استفاده از این مدل، عمل درون­یابی برای هر دو سال 1366 و 1394 انجام شد. پس از انتخاب بهترین مدل درو­ن­یابی، نسبت به استخراج نقشه درون­یابی برای سال­های 1366 و 1394 اقدام شد و نقشه حاصل از آن‌ها نیز استخراج شد(شکل 7 و 8). طبق نتایج به دست آمده بیشترین کاربری تغییریافته در این محدوده، کاربری مرتع به کشاورزی آبی و کشاورزی دیم بوده است. این تغییر نشان می‌دهد که افزایش کاربری کشاورزی آبی و کشاورزی دیم در این محدوده با کاهش کاربری مرتع همراه بوده است که نشان‌دهنده تخریب مراتع است. از طرف دیگر افزایش تخریب و فعالیت­های انسانی در منطقه موجب تغییرات کاربری­های اراضی و به دنبال آن تشدید افت سطح آب زیرزمینی منطقه مورد مطالعه شده است. از طرف دیگر مناطق با کاربری کشاورزی آبی و کشاورزی دیم با افزایش مساحت روبرو بوده است. افزایش طبقات مذکور در هر منطقه­ای نماینده افزایش تخریب و وضعیت ناپایدار حاکم بر آن منطقه می­باشد که بدون شک از عوامل مستقیم تأثیرگذار بر وضعیت سطح تراز آب در منطقه مورد مطالعه می­باشد. طبق نقشه تراز آب زیرزمینی در شکل 7، بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. همچنین بیشترین میانگین تراز آب در سال 1394 نیز متعلق به کاربری کشاورزی آبی با 17/20 متر می‌باشد و کمترین میانگین تراز آب ثبت‌شده نیز مربوط به کاربری جنگل با 45/11 متر می‌باشد. از جمله کاربری‌های جالب‌توجه که لازم به تحلیل و علت­جویی آن می‌باشد، کاربری کشاورزی آبی می‌باشد. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می‌توان در عامل برداشت بیش از حد از آب‌های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. در مجموع تمامی کاربری­ها در سال 1394 نسبت به سال 1366 با کاهش میزان تراز آب مواجه بوده­اند. در نتیجه تغییرات رخ داده موجب استفاده بیشتر کشاورزان از منابع آب زیرزمینی شده که افت سطح آب زیرزمینی را طی دوره 28 ساله در منطقه مورد مطالعه را به دنبال داشته است. این استفاده بیش از حد مجاز به اندازه­ای بوده که در طی دوره مذکور 9/4 متر از سطح تراز میانگین دشت کاسته شده است.

با توجه به نتایج به دست آمده، هر دو فرضیه تایید می­شوند. در ارتباط با فرضیه اول بایستی اشاره کرد که مساحت کاربری مسکونی در سال 1366 برابر با 6953 هکتار بوده است که در سال 1394 به 9990 هکتار افزایش یافته است که به نسبت سال 1366 به میزان 67/43 درصد افزایش یافته است، بنابراین فرضیه اول تایید می­شود. نقشه­های بدست آمده از تراز آب زیرزمینی نشان می­دهند که کشاورزی آبی در هر دو سال 1366 و 1394 دارای بیشترین افت تراز آب بوده است که نشان دهنده تایید فرضیه دوم نیز می­باشد.

اسفندیاری و همکاران (9) به ارزيابي و برآورد تغييرات مكاني سطح آب زيرزميني در دشت سراب با استفاده از روش‌های مختلف درون‌یابی پرداختند. مطالعات آن‌ها نشان داد که روش کریجینگ(مدل Rational Quadratic) با خطای RMSE و MBE به ترتیب 79/9 و 76/0- و R2 برابر با 31/0 در مقایسه با سایر مدل­های مورد آزمون از بيشترين دقت و كارايي در برآورد مكاني سطح آب زيرزميني برخوردار است؛ بنابراين روش كريجينگ را به عنوان روش بهينه، براي پهنه بندي سطح آب زيرزميني محدوده مورد مطالعه توصيه کردند. با توجه به نقشه‌های پهنه­بندي مشخص شد كه سطح آب‌های زيرزميني در قسمت جنوبي محدوده مورد مطالعه نسبت به بخش‌های ديگر بالاتر بوده؛ بنابراين از لحاظ مديريت بهینه منابع آب زيرزميني درخور توجه اساسي است. آدیکاری و همکاران(3) در مطالعه­ای به اثر کاربری اراضی بر روی تغذیه آب‌های زیرزمینی در ویتنام پرداختند. مطالعات آن‌ها نشان داد که سناریوی کم شهرنشینی باعث افزایش 10 درصدی تغذیه آب‌های زیرزمینی، سناریوی متوسط شهرنشینی باعث کاهش 30 درصدی و سناریوی بالای شهرنشینی باعث کاهش 52 درصدی تغذیه آب‌های زیرزمینی شده است. بنابراین مشاهده شد که تغییر در مناطق ساخته شده تأثیر معنی­داری در شارژ آب‌های زیرزمینی در منطقه مورد مطالعه را دارد. لامیچان و شاکیا (17) در تحقیقی اثر تغییرات کاربری اراضی بر آب‌های زیرزمینی را در دره کاتماندو در نپال مورد بررسی قرار دادند. نتایج نشان داد که در طول دهه گذشته، کاربری ساخته شده توسط انسان باعث غیرقابل نفوذ کردن منطقه و همچنین کاهش 6 درصدی تغذیه آب‌های زیرزمینی شده است

 

منابع

1.                      Abdullah A.Y.M, Masrur A, Adnan M.S.G, Baky M, Al A, Hassan Q.K, Dewan A. 2019. Spatio-temporal patterns of land use/land cover change in the heterogeneous coastal region of Bangladesh between 1990 and 2017. Remote Sensing, 11: 790-802.

2.                      Abijith D, Saravanan S, Singh L, Jennifer J, Saranya T. 2020. GIS-based multi criteria analysis for identification of potential groundwater recharge zones- a case study from Ponnaniyaru watershed, Tamil Nadu, India. Journal of Pre-proof, 22: 92-82.

3.                      Adhikari R.K, Mohanasundaram S,  Shrestha S. 2020. Impacts of land-use changes on the groundwater recharge in the Ho Chi Minh City, Vietnam. Environmental Research, 185: 1-10.

4.                      Albhaisi M, Brendonck L, Batelaan O. 2013. Predicted impact of land use change on groundwater recharge of the upper Berg catchment, South Africa. Water SA, 39(2): 211-220.

5.                      Asghari Sarasekanrood S, Dolatshahi Z. 2018. Investigating the amounts of solutes and chemical elements found in the sources Drinking water in Khorramabad city. Researches in Geographical Sciences, 18(50):141-154. (In Persian).

6.                      Chowdhury A. 2016. Assessment of spatial groundwater level variations using Geostatistics and GIS in Haringhata Block, Nadia District, West Bengal. International Journal of Research in Engineering and Technology, 5(5): 276-280.

7.                      Dams J, Woldeamlak S, Batelaan O. 2007. Forecasting landuse change and its impact on the groundwater system of the Kleine Nete catchment Belgium. Hydrology and Earth system sciences, 4(6): 4265-4295.

8.                      Di Piazza F, Lo Conti L.V, Noto F, Viola G, Loggia L. 2011. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation, 13: 396–408.

9.                      Esfandiari F, Gharachorlu M, Ebadi E. 2018. Assessment and estimation the spatial variation of groundwater level by various interpolation methods in Sarab plain. Geography and Development Iranian Journal, 16(51): 65-80. doi: 10.22111/gdij.2018.3860. (In Persian).

10.                      Guler C, Kurt, M.A, Korkut R.N. 2013. Assessment of groundwater Vulnerability to nonpoint source Pollution in a Mediterranean coastal zone (Mersin. Turkey) under conflicting Land use practices. Ocean & Coastal Management, 71: 141-152.

11.                      Guner S, Tufekcioglu A, Gulenay S, Kucuk M. 2010. Landuse type and slope Position effects on soil respiration in black locust Plantations in artvin turkey. Journal of agricultural research, 5(7): 719-731.

12.                      Johnson B, Tateishi R, Kobayashi T. 2012. Remote Sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 9(4): 2619- 2634.

13.                      Jones, D, Jones N, Greer J. Nelson J. 2015. A Cloud-based MODFLOW service for aquifer management decision support. Computers & Geosciences, 78: 81-87.

14.                      Kachhwala T. 1985. Temporal monitoring of forest land for change detection and forest cover mapping through satellite remote sensing, 6 Th Asian Conf. on Remote Sensing. 21-26 November 1985. 77-83.

15.                      Khazaz L, Oulidi H.J, El Moutaki S, Ghafiri A. 2015. Comparing and Evaluating Probabilistic and Deterministic Spatial Interpolation Methods for Groundwater Level of Haouz in Morocco. Geographic Information System, 7: 631-642.

16.                      Kumar P, Dasgupta R, Johnson B, Saraswat C, Basu M, Kefi M, Mishra B. 2019. Effect of Landuse Changes on Water Quality in an Ephemeral Coastal plain: Khambhat City, Gujarat India. Journal of Water, 11(724): 1-15.

17.                      Lamichhane S, Shakya N. 2019. Alteration of groundwater recharge areas due to land use/cover change in Kathmandu Valley, Nepal. Journal of Hydrology, 2(1): 1-16.

18.                      Lu D. Weng Q. 2008. A survey of image classification methods and techniques for improving classification performance.

19.                      Owuor S.O, Butterbach-Bahl K, Guzha A.C, Rufino M.C, Pelster D.E, Díaz-Pinés E, Breuer L. 2016. Groundwater recharge rates and surface runoff response to land use and land cover changes in semi-arid environments. Ecology, 5: 1-16. https://doi.org/10.1186/s13717-016-0060-6.

20.                      Pijanowski B.C, Brown D.G, Shellito B.A, Manik G.A. 2002. Using neural networks and GIS to forecast land use change; A Land Transformation Model. Computers Environment and Urban Systems, 26: 553-575.

21.                      Piri H, Bameri A. 2014. Investigating the quantity variation trend of ground water table using Geostatistics and GIS (Case study: Sirjan Plain). Journal of RS and GIS for Natural Resources, 5(1), 29-44. (In Persian).

22.                      Rai S.C, Kumari P. 2012. Assessment of groundwater contamination from land use /cover change in rural-urban fringe of national capital territory of Delhi (India). Geography, 8(2): 31-46.

23.                      Ranjan P, Das G.A, Kazama S, Sawamoto, M. 2007. Assessment of aquifer- Land use composite vulnerability in Walawe river basin, Sri Lanka. Asian Journal of water, Environment and Pollution, 4(2): 1-10.

24.                      Robertson W.D, Russeland B.M, Cherry J.A. 1996. Attenuationn of Nitrate in Acquitted Sediments of Southern Ontario. Journal of Hydrology, 180: 267-281.

25.                      Rogan J. Chen D. 2004. Remote sensing technology for mapping and monitoring land cover and landuse change, Plann. 61: 301-325.

26.                      Thomas A, Tellam J. 2005. Modelling of recharge and pollutant fluxes to urban groundwater. Science of the Total Environment, 14(7), 179-158.

27.                      Zhenjiang Z. 2014. Change detection of remote sensing images based on multiscale segmentation and decision tree algorithm over mountainous area: a case study in Panxi region, Sichuan Province. Acta Ecological, 34(24): 7222-7232.

 

 

Study of Land Use Change and its Relationship with Groundwater Level

Case study: Ardabil plain

 

Abstract

The main objective of this study is to monitor groundwater levels using satellite imagery and land-use interface. For this purpose, the relevant images were first obtained and the necessary preprocesses were applied to each one. Then it was compared to modeling and classification of images. Firstly, in order to study land use change, land use classification map was extracted for each two years using object-oriented categorization method. Then, in order to study the land use change, the land use change map was extracted for a period of 28 years (1987-2015). Became Finally, in order to monitor the level of groundwater level, the map of the groundwater level of the studied area was extracted for Gaussian methods, which became the most accurate method for each two years. The results showed that there is a strong relationship between land use and groundwater level. High vegetation areas had lower water scarcity. Also, the use of aquaculture has the highest mean water level compared to other uses, which indicates the excessive use of groundwater for irrigation of agricultural crops in the study area.

 

Keywords: Groundwater, Land Use, Land Statistics Methods, Object-oriented Classification.

 

 

 

بررسی تغییرات کاربری اراضی و ارتباط آن با سطح آب‌های زیرزمینی

مطالعه موردی: دشت اردبیل

چکیده مبسوط

طرح مسئله: آب­هاي زيرزميني مهم­ترين منبع آب شيرين جهان هستند. آب آشاميدني دو ميليارد نفر مستقیماً از آب­هاي زيرزميني تأمین مي­شود و براي آبياري بزرگ­ترين بخش تهيه غذا در جهان استفاده مي­شود. برداشت بی­رویه مخازن آب زیرزمینی موجب گردیده که میزان تغذیه آبخوان جواب­گوی برداشت نبوده و سطح آب زیرزمینی افت نماید. افت سطح آب زیرزمینی مشکلاتی همچون خشک شدن چاه‌های آب، کاهش دبی رودخانه و آب دریاچه­ها، تنزیل کیفیت آب، افزایش هزینه پمپاژ و استحصال آب و نشست زمین را به دنبال دارد. آگاهی از تغییرات تراز آب به منظور شناخت از وضعیت سفره‌های آب زیرزمینی و مدیریت بهینه آن ضرورت دارد. با ارزیابی نوسان سطح آب زیرزمینی می‌توان از آن در مدیریت منابع آب استفاده نمود.  یکی از کاربردهای عمده سنجش از دور کشف و تعیین تغییرات کاربری‌های اراضی است. با استفاده از ویژگی‌های سنجش از دور، امکان بررسی و شناسایی پدیده‌های مختلفی وجود دارد.

هدف: هدف از این تحقیق بررسی تأثیر کاربری­های مختلف بر روی سطح تراز آب‌های زیرزمینی با استفاده از روش­های زمین آماری درونیابی و همچنین روش طبقه­بندی شیءگرا برای استخراج نقشه کاربری اراضی می­باشد.

روش تحقیق: دشت اردبیل یک دشت میان کوهی که در شمال غرب ایران و در شرق فلات آذربایجان جای گرفته است. این دشت به وسعت 990 کیلومترمربع در بین ارتفاعات بلند اطرافش محصور شده است و از لحاظ تقسیمات سیاسی شامل قسمت‌هایی از شهرستان­های اردبیل و نمین می­شود. داده‌های مورد استفاده در این تحقیق شامل، تصویر ماهواره لندست 8 که از سنجنده OLI به منظور استخراج نقشه کاربری اراضی برای سال 2015 و همچنین از تصویر سنجنده TM لندست 5 به ‌منظور تهیه نقشه کاربری اراضی برای سال 1987 استفاده شد. همچنین در انجام این پژوهش از داده­های عمق آب زیرزمینی 43 حلقه چاه پیزومتر در سطح دشت اردبیل استفاده شد. مراحل انجام تحقیق بدین ترتیب بود که پس از آماده­سازی آمار چاه­های پیزومتری جهت برطرف کردن نواقص موجود در داده­های مطالعاتی از روش بازسازی داده‌ها استفاده گردید. روش بازسازی استفاده شده که صرفاً برای برطرف کردن نواقص در داده‌ها استفاده شد، روش میان یابی می­باشد که توسط نرم‌افزار Neural Power (بر مبنای شبکه عصبی مصنوعی)، انجام گرفت. جهت نرمال سازی داده­ها از تبدیل‌های لگاریتمی در نرم­افزار SPSS 16 استفاده شد و از نرم‌افزار GS+  برای تحلیل­های زمین آماری استفاده شد. به منظور تصحیحات جوی و رادیومتریکی از نرم‌افزار ENVI 5.3 و جهت استخراج نقشه­های مورد نظر از نرم‌افزار GIS10.5 استفاده شد.

نتایج و بحث: بیشترین مساحت در سال 1366 متعلق به کلاس کشاورزی آبی با 51840 هکتار مساحت می‌باشد. دومین مساحت مربوط به کلاس کشاورزی دیم می‌باشد که با 48790 هکتار بیشترین مساحت را دارا می‌باشد. کمترین مساحت نیز متعلق به کاربری آب با 65/88 هکتار است. با نگاهی به کاربری‌های سال 1394 نتایج به دست آمده تفاوت‌های چشمگیری را نشان داد به صورتی که کاربری کشاورزی آبی با 170/10 هکتار افزایش نسبت به سال 1366 افزایش چشمگیری را داشته است. بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون­یابی از بین مدل­های مختلف، تمامی مدل­ها مورد ارزیابی قرار گرفتند و تنها مدل­هایی انتخاب شدند که دارای دقت بیشتری نسبت به سایر مدل­ها بودند. بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. باملاحظه نقشه کاربری اراضی و نقشه تراز آب زیرزمینی سال 1394 نیز، تحلیل فوق ثابت می‌شود و همانطور که مشخص می‌باشد بیشترین میانگین تراز آب در این سال نیز متعلق به کاربری کشاورزی آبی با 17/20 متر می‌باشد و کمترین میانگین تراز آب ثبت‌شده نیز مربوط به کاربری جنگل با 45/11 متر می‌باشد. که کاربری آب نسبت به سال 1366 دارای کاهش تراز سطح آب بوده است که این کاهش تراز آب باعث کاهش سطح آب سدها شده است و همچنین باعث کاهش حجم آب رودخانه‌ها بوده و حتی باعث خشک شدن چندین مورد از این رودخانه‌ها گردیده است. بعد از کاربری آب، از جمله کاربری‌های جالب ‌توجه که لازم به تحلیل و علت­جویی آن می‌باشد، کاربری کشاورزی آبی است. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می‌توان در عامل برداشت بیش از حد از آب‌های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. با توجه به اینکه محصولات دیمی محدوده مورد مطالعه اغلب گندم بوده و نیازی به آب ندارند یا نیاز کمتری دارند ولی میزان تراز آب زیرزمینی سال 1394 نسبت به سال 1366 با افت قابل‌توجهی همراه بوده است. کاربری مرتع نیز در سال 1394 نسبت به سال 1366 افت چشمگیری داشته که این امر نشان‌دهنده وضعیت بحرانی آب‌های زیرزمینی و استفاده بیش از حد از این منابع می­باشد.

نتیجه­گیری: در این پژوهش در اولین قدم به منظور طبقه‌بندی و سپس بررسی تغییرات حادث‌شده در یک بازه زمانی مشخص در منطقه مورد مطالعه اقدام شد. به منظور طبقه‌بندی تصاویر مربوطه از روش طبقه‌بندی شیءگرا در نرم‌افزار eCognition Developer 64 استفاده شد و خروجی‌های مربوطه در نرم‌افزار ARCGIS10.5 استخراج شد. ارزیابی صحت طبقه‌بندی برای سال 1394 از دقت بسیار بالایی برخوردار می‌باشد به طوری که صحت کلی و ضریب کاپای استخراج‌شده در بالاترین سطح ممکن یعنی صحت کلی 100 درصد و ضریب کاپای 99/0 و برای سال 1366 نیز با دقت کمتر استخراج شد و صحت کلی برای سال 1366، 98 درصد و ضریب کاپای 95/0 انجام شد. بعد از استخراج نقشه تغییرات کاربری اراضی به منظور انتخاب بهترین مدل درون­یابی از بین مدل­های مختلف، تمامی مدل­ها مورد ارزیابی قرار گرفتند که با توجه به مقادیر ME و RMSE روش کریجینگ از دقت بالاتری نسبت به سایر روش­ها برخوردار است که از بین حالت­های مختلف روش کریجینگ نیز مدل گوسی(Gaussian) دارای بیشترین دقت می­باشد. طبق نتایج به دست آمده بیشترین کاربری تغییریافته در این محدوده، کاربری مرتع به کشاورزی آبی و کشاورزی دیم بوده است. این تغییر نشان می‌دهد که افزایش کاربری کشاورزی آبی و کشاورزی دیم در این محدوده با کاهش کاربری مرتع همراه بوده است که نشان‌دهنده تخریب مراتع است. طبق نقشه تراز آب زیرزمینی، بیشترین میانگین تراز آب در سال 1366 برای کاربری کشاورزی آبی ثبت شده است و کمترین میانگین تراز آب نیز برای محدوده جنگل ثبت شده است. همچنین بیشترین میانگین تراز آب در سال 1394 نیز متعلق به کاربری کشاورزی آبی با 17/20 متر می‌باشد و کمترین میانگین تراز آب ثبت‌شده نیز مربوط به کاربری جنگل با 45/11 متر می‌باشد. از جمله کاربری‌های جالب‌توجه که لازم به تحلیل و علت­جویی آن می‌باشد، کاربری کشاورزی آبی می‌باشد. این کاربری در سال 1366 بیشترین افت تراز را دارا بوده است و در سال 1394 نیز با بیشترین افت تراز آب مواجه شده است. علت آن را می‌توان در عامل برداشت بیش از حد از آب‌های زیرزمینی برای محصولاتی آبی که نیاز بیشتری به آبیاری دارند، دانست. در مجموع تمامی کاربری­ها در سال 1394 نسبت به سال 1366 با کاهش میزان تراز آب مواجه بوده­اند. در نتیجه تغییرات رخ داده موجب استفاده بیشتر کشاورزان از منابع آب زیرزمینی شده که افت سطح آب زیرزمینی را طی دوره 28 ساله در منطقه مورد مطالعه را به دنبال داشته است. این استفاده بیش از حد مجاز به اندازه­ای بوده که در طی دوره مذکور 9/4 متر از سطح تراز میانگین دشت کاسته شده است.

واژگان کلیدی: آب‌های زیرزمینی، روش­های زمین آمار، طبقه­بندی شیءگرا، کاربری اراضی.

 

Study of Land Use Change and its Relationship with Groundwater Level

Case study: Ardabil plain

 

Abstract

Statement of the Problem: Groundwater is the world's most important freshwater source. Drinking water for two billion people is supplied directly from groundwater and is used to irrigate the world's largest food supply. Improper harvesting of groundwater reservoirs has led to the fact that the amount of feeder feed is not responsive to harvesting and the groundwater level has dropped. The drop in groundwater levels has led to problems such as drying up water wells, declining river and lake discharge, lowering water quality, increasing pumping costs and water extraction and land subsidence. Awareness of water level changes is necessary to understand the status of groundwater aquifers and their optimal management. By assessing groundwater level fluctuations, it can be used to manage water resources. One of the major applications of remote sensing is the detection and determination of land use changes. Using remote sensing features, it is possible to study and identify various phenomena.

Purpose: The aim of this study was to investigate the effect of different land use levels on groundwater using interpolation geostatistical methods as well as object-oriented classification methods for land use mapping.

Methodology: Ardabil plain is a mountainous plain located in northwestern Iran and east of the Azerbaijani plateau. The plain covers an area of 990 (km2) among the highlands around it and in terms of political divisions includes parts of the cities of Ardabil and Namin. The data used in this study included a Landsat 8 satellite image of the OLI surveyor for the 2015 Land Use Map, as well as a Landsat 5TM surveyor for the 1987 Land Use Plan. Also, in this study, the groundwater depth data of 43 piezometer wells in Ardabil plain were used. The research process was such that after preparing the statistics of piezometric wells, the data reconstruction method was used to eliminate the deficiencies in the study data. Reconstruction, which was used only to correct deficiencies in the data, is an interpolation method performed by the Neural Power software (based on the artificial neural network). To normalize the data, logarithmic transformations were used in SPSS 16 software and GS + software was used for statistical analysis of geography. In order to make atmospheric and radiometric corrections, ENVI 5.3 software was used and GIS10.5 software was used to extract the desired maps.

Results and discussion: The largest area in 1987 belongs to the irrigated agricultural class with an area of 51840 hectares. The second area belongs to the rainfed agricultural class, which has the largest area with 48,790 hectares. The smallest area also belongs to the use of water with 88.65 hectares. Looking at the uses of 1394, the results showed significant differences in such a way that the use of irrigated agriculture with 10.107 hectares has increased significantly compared to 1987. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated and only the models that were more accurate than the other models were selected. The highest average water level was recorded in 1987 for agricultural agriculture and the lowest average water level was recorded for the forest area. Considering the land use map and the groundwater level map of 1394, the above analysis is confirmed and as it is known, the highest average water level this year belongs to the use of irrigated agriculture with 20.17 meters and the lowest average recorded water level is related to the use of the forest is 11.45 meters. Compared to 1987, water use has had a decrease in water level, which has reduced the water level of dams and also reduced the volume of water in rivers and even dried up several of these rivers. After water use, one of the most interesting uses that needs to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 1394 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. Due to the fact that the rainfed crops in the study area are mostly wheat and do not need water or need less, but the amount of groundwater level in 1394 compared to 1987 has been accompanied by a significant decline. The use of pastures in 1394 compared to 1987 has dropped significantly, which indicates the critical situation of groundwater and excessive use of these resources.

Conclusion: In this study, in the first step, in order to classify and then examine the changes that occurred in a certain period of time in the study area. In order to classify the relevant images, object-oriented classification method was used in eCognition Developer 64 software and the relevant outputs were extracted in ARCGIS10.5 software. Evaluation of classification accuracy for 1394 has a very high accuracy so that the overall accuracy and coefficient of the extracted capa at the highest possible level, the overall accuracy of 100% and the coefficient of capa 0.99 and for the year 1366 was extracted with less accuracy and general accuracy for In 1987, 98% and the Kappa coefficient was 0.95. After extracting the land use change map to select the best intrusion model from among the various models, all models were evaluated. Due to ME and RMSE values, the curing method has a higher accuracy than other methods. Among the various modes of the curing method, the Gaussian model has the highest accuracy. According to the results, the most changed use in this area has been the use of pastures in irrigated agriculture and rainfed agriculture. This change shows that the increase in the use of irrigated agriculture and rainfed agriculture in this area has been accompanied by a decrease in the use of rangelands, which indicates the destruction of pastures. According to the groundwater level map, the highest average water level was recorded in 1987 for irrigated agricultural use and the lowest average water level was recorded for the forest area. Also, the highest average water level in 1394 belongs to the use of irrigated agriculture with 20.77 meters and the lowest average recorded water level is related to forest use with 11.45 meters. One of the interesting uses that needs to be analyzed and the reason for its search is the use of irrigated agriculture. This land use has the highest water level drop in 1987 and in 1394 it has faced the highest water level drop. The reason can be attributed to the over-harvesting of groundwater for irrigated crops that need more irrigation. In general, all uses in 1394 compared to 1366 have faced a decrease in water balance. As a result of these changes, farmers have made more use of groundwater resources, which has led to a drop in groundwater levels over a 28-year period in the study area. This overuse is enough to reduce the average level of the plain by 4.9 meters during the mentioned period.

Keywords: Groundwater, Land Use, Land Statistics Methods, Object-oriented Classification.

---

[1] Guler

[2]  Owuor

[3]  Abdullah