Investigation of land use change in Qom province along with climatic parameters using satellite remote sensing technology
Subject Areas : Spatial data infrastructures and standardisationNima Rohani 1 , Afsaneh Moradi Faraj 2 , Barat Mojaradi 3 , Taher Rajaee 4 , Ehsan Jabbari 5
1 - PhD. Candidate of Civil Engineering-Water and Hydraulic Structures, Faculty of Civil Engineering, University of Qom, Qom, Iran
2 - MSc. of Geodesy, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran
3 - Assistant Professor, Civil Engineering, Faculty of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
4 - Associate Professor, Civil Engineering, Faculty of Civil Engineering, University of Qom, Qom, Iran
5 - Associate Professor, Civil Engineering, Faculty of Civil Engineering, University of Qom, Qom, Iran
Keywords: Meteorological parameters, Satellite Images, Land cover, Qom, Landsat,
Abstract :
Background and Objective Modeling and showing the coverage of the land changes, provides a comprehensive view to researchers in various fields, including environmental and natural resources experts. One of the main methods of environmental studies is to study the land cover/use and vegetation area change. In addition to showing spontaneous changes in nature, changes affected by human activities also fall into this category. Human construction has accelerated these changes in line with its development, especially in recent decades. Today, with the development of space-related sciences and remote sensing in general, and the production of more satellite products, it is possible to display the land use of different areas without the need for field visits and easily. The different behavior of the waves received by the satellite sensor from the various phenomena, known as a spectral signature is the basis for cognition and detection of the uses of the map. Such studies in Qom province have also been considered due to the very urban growth trend and the existence of several different types of climates in the not-so-wide area of this province. Qualitative and quantitative study and display of environmental and peripheral changes in Qom province over a period of about 30 years are one of the main objectives of the present study to help identify the trend of changes in different classes and complications and to model these changes in the future. Also, recognizing the changes in the outlook of Qom province, makes possible the ground for future planning.Materials and Methods In the present study, study times and time steps were selected based on changes in climatic/meteorological parameters. These steps were selected 5 years apart from 1989 to 2019. The study time point was considered to be the end of spring and the beginning of summer. The reason for this was the end of the rainy season in the area. Then the images of various Landsat satellite sensors were taken at specified time steps, and these images were pre-processed, processed, and classified into 11 classes. These 11 classes included; bare land, salty land, sandy land, tree, rock, urban areas, agricultural lands, and 3 different types of range. The results were also presented quantitatively and qualitatively. Based on the available real data, which was obtained visually and by sampling from different classes, the two maximum likelihood and minimum distance classification methods in Qom province were properly evaluated, which of the two, the maximum likelihood method yielded relatively better results considering the whole province with all classes and was used in the final classification. Finally, class changes between time steps were calculated and presented as a change matrix.Results and Discussion The results show that between 2014 and 2019, urban, water, agriculture, and ranges (types 1 and 3) have grown significantly. Also, between the two steps of 2009 to 2014, on average, about 30% of the total rangelands, ie three different types of classified rangelands, have become barren lands. Also, in this step, the main change observed was the largest change of sandy lands to bare lands, the reasons for which need further investigation. An examination of the changes between 2004 and 2009 shows that the negative growth in urban areas is mainly due to the poor quality of Landsat 7 satellite imagery and the similarity of the spectral behavior of salt lands and urban areas. The other negatively growing classes, including lakes, have become saltier lands and rocky areas have become barren, as well as salt lands have become barren and sandy. Examining the changes between 1999 and 2004, it is concluded that the negative changes in the tree class are due to the spectral behavior of vegetation, and this class has become mainly agricultural and rangeland classes. In the lake class, a 4 % change to the salt and rocky class has been detected. Major changes in the bare land class of about 12% have been detected in the rock and sand class. Also, more than 50% of the total area of range classes has been converted to bare land class, which is significant. The study of changes from 1994 to 1999 shows that only 3 classes had positive growth and the rest of the classes have negative growth, most of which was related to the urban class and the main changes were focused on bare lands. Vegetation classes all had negative growth and also due to the spectral similarity of these classes with each other, there was no proper separation between them. 12% of the bare land class has also been turned into a sandy land class. The classification of images and the display of changes from 1989 to 1994 show that sandy soils, range type 1, trees, salt lands, and lakes have grown negatively. In total, about 34% of different types of ranges have become bare lands, which seems reasonable due to the negative change in water areas (lake) and in a way indicates a faster drought. The extent to which other classes change to the bare land class, which includes relatively large numbers, also confirms this in some way.Conclusion Considering the geographical location of Qom province and a large area of this province, especially in the eastern half of it, which includes desert lands, including barren, saline, and sandy land classes, the selection of the classes mentioned in this research makes sense. Considering the major coverage of the province, one of the problems in the present study was that almost the majority of the pixels covering the province had a lot of similar spectral behavior and this issue made the classification process difficult. In general, the classification results related to the images taken in 2019, which is related to the recent time, show positive growth in urban, agricultural, range, and water areas according to the rainfall in early spring 2019 it was logical. Another important point related to this year is the extensive change and conversion of the class of rocky lands into different types of ranges. According to the original image taken from 2019 and the classified images, the error related to the degrees of gray is evident in those images. The software considers the similarity of the degrees of gray and the same spectrum of urban and salt classes as part of a class. These errors are also evident in bare and sandy classes.
Asakereh H. 2007. Spatio-temporal variations of Iran Earth's precipitation over recent decades. Geography and Development Iranian Journal, 10: 21-34. (In Persian).
Baaghideh M, Alijani B, Ziaian P. 2011. Investigation of the Use of NDVI Vegetation Index in Isfahan Drought Analysis. Journal of Geographical Studies of Arid Regions. 1(4):1-16. (In Persian).
Darabi H, Jafari A, Akhavan Farshchi K. 2016. Analysis of Climate Change Trend in Qom Province and its Consequences. Journal of Environmental Sciences Studies. 1(2):25-40. (In Persian).
Fattah MM. 2009. Survey of Desertification Process in Qom Province Using Remote Sensing Data with Emphasis on Land Use Changes and Quantitative and Qualitative Changes in Water Resources. Iranian Journal of Range and Desert Research, 16(2): 234-253. (In Persian).
Hernández-Guzmán R, Ruiz-Luna A, González C. 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13:318-327. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.
Mohammadi Farsani N, Karimi A, Mohammadi J, Naderi M. 2019. Extension of the amount of organic matter and distribution of soil particles in different uses using statistical land and remote sensing in the Bardeh watershed of Chaharmahal and Bakhtiari province. Soil Research (Soil and Water Sciences), 33(4): 497-511. (In Persian).
Makrouni S, Sabzqabaei GH, Yousefi Khaneghah SH, Soltanian S. 2016. Detection of land use changes in Hoor Al Azim wetland using remote sensing and geographic information system techniques. RS and GIS for Natural Resources (Remote Sensing and Geographic Information System in Natural Resources), 7(3): 89-99. (In Persian).
Mohammadyari F, Pourkhabbaz H, Tvakoly M, Aghdar H. 2018. Mapping vegetation and monitoring its changes using remote sensing techniques and GIS (Case study: Behbahan city). Scientific - Research Quarterly of Geographical Data, 9(18):223-238. (In Persian).
Monavari, M, Dimiadi A. 2018. Environmental assessment of the location of industrial towns in Qom province. Journal of Sustainability, Development and the Environment, 1(1):71-79. (In Persian).
Nazari Samani A, Khalighi Sigaroodi Sh, Abdolshahnejad M, Sayadi Lotf Abadi S, Habibi Nokhandan M. 2019. Determination the role of climate change and land use on future desertification status, case study: Sabzevar. Watershed Engineering and Management, 11(3): 806-818. (In Persian).
Omidvar K, Narngifard M, Abbasi H. 2015. Detection of land use changes and vegetation cover in Yasuj city using remote sensing. Geography and Urban Regional Planning, 5(16):1-16. (In Persian).
Rajaee, T. 2019. The study of dust (sources, trajectories, concentration, affected areas and etc.) centers in Qom, using satellite remote sensing technology & Geographic Information System. Qom Province Environmental Protection Agency. Qom, Iran. (In Persian).
Rahmatizadeh A. 2005. Determining the forms of unevenness, physical, chemical, and mineralogical characteristics of the country's sandstones - Qom. Ministry of Jihad and Agriculture, Research, Education and Agricultural Extension Organization, Forest Research Institute, Rangelands of the country. (In Persian).
Rahmatizadeh A, Jafari M. 2014. Investigating the Effects of Saveh and Ghadir Dams Construction on Desertification Process in Masileh Qom Plain. Iranian Journal of Range and Desert Research. 21(3): 494-506. (In Persian).
Sabzqabaei Gh, Jafarzadeh K, Dashti S, Yousefi Khaneghah Sh, Bazmara Balashti M. 2016. Detection of land use changes using remote sensing methods and geographic information system (Case study: Ghaemshahr city). Environmental Science and Technology, 19(3):143-157. (In Persian).
Shahbazi R, Gharib F. 2018. Dust National Plan (Preliminary Report of Qom Province). Geological Survey & Mineral Explorations of Iran report. (In Persian).
Shirazi M, Zehtabian Gh, Alavipanah K. 2010. Possibility of using IRS satellite images to study the water, soil and vegetation of Najmabad Savojbolagh area. Journal of Natural Environment. 63(2):33-51. (In Persian).
Song X, Feng Q, Xia F, Li X, Scheffran J. 2021. Impacts of changing urban land-use structure on sustainable city growth in China: A population-density dynamics perspective. Habitat International, 107, 102296.
Talebpour N, Safarrad T, Akbarinasab M, Rasoulian M. 2018. Investigating the appropriate index for detecting oil stains using Sentinel-2 satellite images (Case study: Persian Gulf, February 15, 2016). Journal of Oceanography, 9 (33): 31-40. (In Persian).
Tabari H, Sabziparvar A, Maroofi S. 2008. Investigation of the annual change trend of meteorological parameters in two hot and cold climates of Iran. Journal of Water, Soil, and Plants in Agriculture, 8(4): 161-174. (In Persian).
Zare khormizie H, Ghafarian Malamiri H R, Mortaz M. 2020. Evaluation of supervised classification capability of Landsat-8 and Sentinel-2A Satellite images in determining type and area of Pistachio Cultivars. RS and GIS for Natural Resources. 11(1): 84-103. (In Persian).
Zare khormizie H, Ghafarian Malamiri HR. 2020. Investigation of phenological components changes of Iranian vegetation in response to climate change using NDVI products of AVHRR sensor from 1982 to 2018. RS and GIS for Natural Resources. 11(4): 87-113. (In Persian).
_||_Asakereh H. 2007. Spatio-temporal variations of Iran Earth's precipitation over recent decades. Geography and Development Iranian Journal, 10: 21-34. (In Persian).
Baaghideh M, Alijani B, Ziaian P. 2011. Investigation of the Use of NDVI Vegetation Index in Isfahan Drought Analysis. Journal of Geographical Studies of Arid Regions. 1(4):1-16. (In Persian).
Darabi H, Jafari A, Akhavan Farshchi K. 2016. Analysis of Climate Change Trend in Qom Province and its Consequences. Journal of Environmental Sciences Studies. 1(2):25-40. (In Persian).
Fattah MM. 2009. Survey of Desertification Process in Qom Province Using Remote Sensing Data with Emphasis on Land Use Changes and Quantitative and Qualitative Changes in Water Resources. Iranian Journal of Range and Desert Research, 16(2): 234-253. (In Persian).
Hernández-Guzmán R, Ruiz-Luna A, González C. 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13:318-327. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.
Mohammadi Farsani N, Karimi A, Mohammadi J, Naderi M. 2019. Extension of the amount of organic matter and distribution of soil particles in different uses using statistical land and remote sensing in the Bardeh watershed of Chaharmahal and Bakhtiari province. Soil Research (Soil and Water Sciences), 33(4): 497-511. (In Persian).
Makrouni S, Sabzqabaei GH, Yousefi Khaneghah SH, Soltanian S. 2016. Detection of land use changes in Hoor Al Azim wetland using remote sensing and geographic information system techniques. RS and GIS for Natural Resources (Remote Sensing and Geographic Information System in Natural Resources), 7(3): 89-99. (In Persian).
Mohammadyari F, Pourkhabbaz H, Tvakoly M, Aghdar H. 2018. Mapping vegetation and monitoring its changes using remote sensing techniques and GIS (Case study: Behbahan city). Scientific - Research Quarterly of Geographical Data, 9(18):223-238. (In Persian).
Monavari, M, Dimiadi A. 2018. Environmental assessment of the location of industrial towns in Qom province. Journal of Sustainability, Development and the Environment, 1(1):71-79. (In Persian).
Nazari Samani A, Khalighi Sigaroodi Sh, Abdolshahnejad M, Sayadi Lotf Abadi S, Habibi Nokhandan M. 2019. Determination the role of climate change and land use on future desertification status, case study: Sabzevar. Watershed Engineering and Management, 11(3): 806-818. (In Persian).
Omidvar K, Narngifard M, Abbasi H. 2015. Detection of land use changes and vegetation cover in Yasuj city using remote sensing. Geography and Urban Regional Planning, 5(16):1-16. (In Persian).
Rajaee, T. 2019. The study of dust (sources, trajectories, concentration, affected areas and etc.) centers in Qom, using satellite remote sensing technology & Geographic Information System. Qom Province Environmental Protection Agency. Qom, Iran. (In Persian).
Rahmatizadeh A. 2005. Determining the forms of unevenness, physical, chemical, and mineralogical characteristics of the country's sandstones - Qom. Ministry of Jihad and Agriculture, Research, Education and Agricultural Extension Organization, Forest Research Institute, Rangelands of the country. (In Persian).
Rahmatizadeh A, Jafari M. 2014. Investigating the Effects of Saveh and Ghadir Dams Construction on Desertification Process in Masileh Qom Plain. Iranian Journal of Range and Desert Research. 21(3): 494-506. (In Persian).
Sabzqabaei Gh, Jafarzadeh K, Dashti S, Yousefi Khaneghah Sh, Bazmara Balashti M. 2016. Detection of land use changes using remote sensing methods and geographic information system (Case study: Ghaemshahr city). Environmental Science and Technology, 19(3):143-157. (In Persian).
Shahbazi R, Gharib F. 2018. Dust National Plan (Preliminary Report of Qom Province). Geological Survey & Mineral Explorations of Iran report. (In Persian).
Shirazi M, Zehtabian Gh, Alavipanah K. 2010. Possibility of using IRS satellite images to study the water, soil and vegetation of Najmabad Savojbolagh area. Journal of Natural Environment. 63(2):33-51. (In Persian).
Song X, Feng Q, Xia F, Li X, Scheffran J. 2021. Impacts of changing urban land-use structure on sustainable city growth in China: A population-density dynamics perspective. Habitat International, 107, 102296.
Talebpour N, Safarrad T, Akbarinasab M, Rasoulian M. 2018. Investigating the appropriate index for detecting oil stains using Sentinel-2 satellite images (Case study: Persian Gulf, February 15, 2016). Journal of Oceanography, 9 (33): 31-40. (In Persian).
Tabari H, Sabziparvar A, Maroofi S. 2008. Investigation of the annual change trend of meteorological parameters in two hot and cold climates of Iran. Journal of Water, Soil, and Plants in Agriculture, 8(4): 161-174. (In Persian).
Zare khormizie H, Ghafarian Malamiri H R, Mortaz M. 2020. Evaluation of supervised classification capability of Landsat-8 and Sentinel-2A Satellite images in determining type and area of Pistachio Cultivars. RS and GIS for Natural Resources. 11(1): 84-103. (In Persian).
Zare khormizie H, Ghafarian Malamiri HR. 2020. Investigation of phenological components changes of Iranian vegetation in response to climate change using NDVI products of AVHRR sensor from 1982 to 2018. RS and GIS for Natural Resources. 11(4): 87-113. (In Persian).
بررسی تغییر کاربری اراضی استان قم همراه با پارامترهای اقلیمی با استفاده از فناوری سنجش از دور ماهوارهای
چکيده
مدلسازی و نمایش پوشش اراضی مختلف دید جامعی به محققین حوزههای گوناگون ارائه مینماید. یکی از روشهای اصلی مطالعات محیط زیستی، بررسی تغییر پوشش زمین و کاربری اراضی است. علاوه بر نمایش تغییرات خود به خودی طبیعت، تغییرات متاثر از فعالیتهای انسانی نیز شامل این دسته مطالعات میگردد. امروزه با گسترش فرآوردههای ماهوارهای، امکان نمایش کاربری اراضی مناطق مختلف بدون نیاز به بازدیدهای میدانی و به آسانی فراهم شده است. رفتار متفاوت امواج رسیده به سنجنده ماهوارهای از عوارض و پدیدههای مختلف که به امضای طیفی معروف است، اساس تشخیص و آشکارسازی کاربریها در نقشه میباشد. مطالعات این چنین در استان قم نیز به سبب روند رشد بسیار شهری و نیز وجود چند نوع اقلیم، مورد توجه قرار گرفته است. در پژوهش حاضر ابتدا براساس تغییرات پارامترهای اقلیمی/هواشناسی، زمانها و گامهای زمانی مطالعه انتخاب شد. سپس تصاویر سنجندههای مختلف ماهوارههای لندست در گامهای زمانی مشخص شده و اخذ گردید. دخیل نمودن تغییرات پارامترهای اقلیمی در مطالعه کاربری اراضی سبب برازش و مدلسازی هرچه واقعیتر تغییرات محی زیستی در دوره پژوهش گردید. تصاویر ماهوارهای مورد استفاده که مربوط به سالهای 1989 تا 2019 میلادی با گامهای 5 ساله بودند، پیش پردازش، پردازش و در 11 کلاس طبقهبندی گردیدند. صحت سنجی روشهای مختلف طبقهبندی، سبب انتخاب دو روش کمترین فاصله و بیشترین احتمال شد. از جمله اهداف اصلی پژوهش حاضر ارائه تغییرات کلاسهای مختلف عوارض زیست محیطی به صورت کمی و کیفی ارائه شد. در نهایت برطبق دادهها و نمونههای حقیقی موجود، روش طبقهبندی حداکثر احتمال در استان قم مناسبتر ارزیابی گردید و در طبقهبندی نهایی بهکار رفت. در مرحله آخر، تغییرات کلاسها بین گامهای زمانی نیز محاسبه و به صورت ماتریس تغییرات ارائه گردید. براساس نتایج، بین گام زمانی سال 2014 میلادی تا سال 2019 میلادی، کلاسهای شهری، پهنههای آبی، کشاورزی و مراتع نوع 1 و 3 رشد قابل توجهی داشتهاند.
واژگان کليدي: پوشش زمین، تصاویر ماهواره، لندست، قم، پارامترهای هواشناسی
مقدمه
عوامل طبیعی و نیز دخالتهای انسانی در گذر زمان موجب تغییرات کوچک و بزرگ در طبیعت شده است. تابش آفتاب، حرکت موجها در ساحل، زلزله، رانش زمین و غیره، هریک موجب تغییراتی در محیط وقوع میگردد. همچنین عوامل انسانی نظیر ساخت انواع سازه، گسترش زمینهای کشاورزی، تغییر مسیر رودها توسط انسان نیز از جمله عوامل انسانی یا مصنوعی تغییرات محیط زیست میباشد (5). شناسایی و پایش دائمی این تغییرات، ما را نسبت به محیط زیست خود آگاهتر نموده و زندگی در این محیط را آسانتر مینماید و در مقابل تغییرات مخرب قدرتمندتر میکند. همچنین بهرهبرداری بهینه از محیط زیست و منابع آن از دیگر دلایل لزوم شناخت هرچه بیشتر از آن است. شناخت تغییرات محیط زیست برای بررسی و مدل سازی تغییرات و تاثیرات توام انسان و محیط بر یکدیگر جهت نیل به زندگی بهتر، یکی از شاخههای اصلی و پایهای علم محیط زیست است که روشهای متعددی را شامل میگردد (19). این تغییرات به شیوههای مختلفی حاصل میگردد. گاهی خود این تغییرات توسط بشر دیده شده و گاهی نتایج تغییرات بر زندگی بشر تاثیر گذار است. بررسی تغییرات ظاهری محیط پیرامونی، بخشی از پایش تغییرات محیط زیست است که در پژوهش حاضر نیز مورد توجه است و امروزه با گسترش صنعت فضایی عمدتا از طریق تصاویر ماهوارهای انجام میپذیرد (6 و 19). یکی از ضرورتیترین اطلاعات موردنیاز برای مطالعه تغییرات محیط زیستی استفاده از نقشههای کاربری اراضی (Land Use) ، پوششزمین (Land Cover) و پوشش گیاهی است که به نوعی تغییرات ظاهر پوسته زمین و آن قسمتی که دارای رخنمون میباشد را به نمایش میگذارد (16، 22 و 23). تهیه چنین نقشههایی با استفاده از روشهای سنتی، مطالعات و آزمایشهای میدانی و تفسیر عکسهای هوایی، مستلزم صرف زمان و هزینه زیادی است. دادههای ماهوارهای به دلیل دید وسیع، یکپارچه، تداوم و بهروز تصاویر، برای این مهم مناسب میباشند. در این پژوهش بمنظور تهیه نقشه کاربری اراضی/پوشش زمین استان قم از طریق طبقهبندی تصاویر ماهواره لندست (Landsat) به روشهای بیشترین شباهت (Maximum Likelihood) و کمترین فاصله (Minimum Distance) با استفاده از سریزمانی 30 ساله و پایش تغییرات این دوره مورد بررسی قرار گرفت. مطالعه تغییرات زمین در بسیاری از پژوهشهای مختلف استفاده شده است. محمدیاری و همکاران (9) بررسی تغییرات کاربری اراضی در بازه زمانی 1387 تا 1392 را در شهر بهبهان در دستور کار خود قرار دادند و روش حداکثر احتمال را نیز امتحان نمودند. سبزه قبایی و همکاران (16) نیز با استفاده از تکنیکهای سنجش از دوری اقدام به طبقهبندی تصاویر مربوط به شهرستان قائمشهر در دوره 15 ساله در 5 کلاس مختلف نمودند. این پژوهش دارای اهداف مدیریتی بوده است. امیدوار و همکاران (12) با استفاده از تصاویر لندست و روشهای بیشترین شباهت و حداقل فاصله اقدام به ارزیابی تغییرات کاربری و درصد پوشش گیاهی در شهر و نواحی پیرامون یاسوج نمودند. در این پژوهش روش بیشترین شباهت نتایج بهتری را منتج شد. بررسی پوشش گیاهی با فنون سنجش از دوری در مطالعات دیگر نظیر پژوهش باقیده و همکاران (2) نیز انجام گرفته است. مناطق مستعد تغییرات، همانند زمینهای در معرض عوامل محیطی و اقلیمی (11) و نیز تالابها از جمله نواحی حائز اهمیت در بررسیهای محیط زیستی پایش تغییرات هستند. در استان قم نیز دریاچه نمک و تالاب حوض سلطان به شکل ویژه مورد توجه قرار گرفتند. از دیگر مطالعات بررسی تغییرات تالابها، میتوان به پژوهش مکرونی و همکاران (8) اشاره نمود که تغییرات کاربری اراضی تالاب هورالعظیم را با استفاده از تکنیکهای سنجش از دوری مورد مطالعه قرار دادند. روش طبقهبندی در این پژوهش نیز حداکثر احتمال بوده است. این مطالعه کاهش سطح آب بین سالهای 1382 تا 1393 در حدود 46 درصد نشان داد. همچنین بررسی روند تغییرات پارامترهای هواشناسی با هدف مطالعه میزان تاثیرگذاری این کمیتها در بروز و تشدید تغییرات اقلیم و خشکسالی در استان قم انجام شده است (4). مطالعاتی این چنین میتواند بررسیهای فاز صفر برای پژوهشهای محیط زیستی قلمداد گردد. مطالعه تغییرات اقلیمی/هواشناسی به ویژه مربوط به بخش مرکزی و کویری ایران در بسیاری از پژوهشهای گذشته انجام شده است که در قسمت انتخاب زمانهای مطالعه به تفضیل بیان میشوند. به طور کلی روند تغییرات در تحقیقات گذشته و پژوهش حاضر همگرایی بسیاری را نشان میدهند (3).
روش تحقیق
منطقه مورد مطالعه
استان قم با جمعیتی حدود یک میلیون و سیصد هزار نفر و با وسعت 11613 کیلومتر مربع، حدود 6 درصد از مساحت کل کشور را داراست. این استان با استانهای تهران در شمال، سمنان در شرق، اصفهان در جنوب و مرکزی در غرب همسایه میباشد. مختصات جغرافیایى این استان از 50 درجه، 8 دقیقه و 52 ثانیه تا 51 درجه، 58 دقیقه و50 ثانیه شرقی برای طول جغرافیایى و عرض جغرافیایى 34 درجه، 8 دقیقه و10 ثانیه تا 35 درجه، 9 دقیقه و 10 ثانیه شمالی است. استان قم به طور متوسط 930 متر از سطح دریا ارتفاع دارد و حدود 25 درصد از وسعت استان را مناطق کوهستانی و کوهپایهای تشکیل داده و مابقی بصورت دشت است. با توجه به اختلاف زیاد ارتفاع در استان (از 800 تا3330 متر از سطح دریا) دارای آبوهوایی متفاوت و اقلیمهایی مختلف از اقلیم خشک کویری گرفته تا معتدل و کوهستانی است. استان قم دارای تابستانهای گرموخشک و زمستان سرد میباشد (17). پژوهش حاضر مربوط به استان قم بوده که معرفی محدوده مورد مطالعه، نمای هوایی و رنگ طبیعی استان به صورت تصاویر شکل 1 آمده است.
|
الف |
|
ب |
شکل 1. منطقه مورد مطالعه. الف: موقعیت قرارگیری استان قم در کشور ایران. ب: تصویر-نقشه نمای رنگ حقیقی استان قم در تصویر ماهواره لندست
Figure 1. Study area. A: The location of Qom province in Iran. B: Image-map of the true color of Qom province in the Landsat satellite image
انتخاب زمانهای مطالعه
بررسی تغییرات پارمترهای هواشناسی/اقلیمی شامل دما (کمینه، بیشینه و میانگین دما)، بارندگی، حداکثر سرعت باد، رطوبت نسبی (کمینه، بیشینه و میانگین)، تبخیر و تعداد روزهای گردوغباری به صورت سالانه برای بازههای مشخص زمانی در ایستگاههایی خاص از استان در گذشته انجام شده است (3). ایستگاههایی که دادههای آنها مورد استفاده قرار گرفت شامل ایستگاههای قم (شکوهیه)، کهک و سلفچگان بودند. بر طبق آخرین آمار رسمی سازمان هواشناسی (مورد تایید مرکز ملی آمار کشور) استان قم در کل دارای 10 ایستگاه هواشناسی میباشد که از این بین تنها سه ایستگاه ذکر شده سینوپتیک بوده و دارای دادههای اقلیمی/هواشناسی نسبتا بلند مدت و مناسب برای پژوهش حاضر بودند. موقعیت ایستگاه قم: 50 درجه و 51 دقیقه و 17 ثانیه طول شرقی و 34 درجه و 46 دقیقه و 27 ثانیه عرض شمالی، ایستگاه سلفچگان: 50 درجه و 28 دقیقه و 8 ثانیه طول شرقی و 34 درجه و 29 دقیقه و 4 ثانیه عرض شمالی و ایستگاه کهک: 50 درجه و 52 دقیقه و 11 ثانیه طول شرقی و 34 درجه و 24 دقیقه و 13 ثانیه عرض شمالی میباشند. دادههای ایستگاههای کهک و سلفچگان از سال 1382 شمسی و دادههای ایستگاه قم از سال 1365 در دسترس بودند. تعیین زمانهای بررسی کاربری اراضی از طریق تصاویر ماهوارهای مد نظر، با استفاده از مطالعه پارامترهای اقلیمی/هواشناسی انجام شده است. به نحوی که تغییرات این پارامترها اطمینان خاطر از بررسی روند معمول تغییر کاربری اراضی را در پی داشت. مطالعه تغییرات این پارامترها در روندهای اقلیمی و بررسی تغییرات ناگهانی و مقطعی با اهداف دیگر نیز به انجام رسیده است (12 و 13). در پژوهش حاضر ابتدا با استفاده از بررسی سال به سال تغییرات شاخصهای اقلیمی/هواشناسی در استان قم، نسبت به شناخت و انتخاب سالهای مناسب مطالعه تصمیم گیری شد. دادههای استفاده شده مربوط به سه ایستگاه قم، سلفچگان و کهک بودند. روش مطالعه نیز به کمک تحلیل نموداری و آماری (آزمون آماری) انجام پذیرفت. سالهایی که در آنها تغییرات خارج از معمول یا جهش اقلیمی مشاهده گردید، از دامنه بررسیها خارج گردید. علت این امر هم بررسی هرچه با دقت بیشتر روند معمول و بلند مدت تغییرات محیط زیستی و جلوگیری از دخیل بودن تغییرات آنی و غیر منطم در مطالعه روند واقعی بود.سپس همانند بسیاری از مطالعات مشابه سنجش از دوری و محیط زیستی با انتخاب سالهای مورد مطالعه و گام زمانی مطلوب 5 ساله، اقدام به طبقهبندی سطح استان قم در 7 سال انتخابی در بین این گامهای 5 ساله مختلف، یعنی سالهای 1989، 1994، 1999، 2004، 2009، 2014 و 2019 میلادی شد. هدف آن بررسی تغییرات در بازه زمانی مشخص و هرچه نزدیکتر به واقعیت است. سپس نمایش این تغییرات به صورت کمی و کیفی (بصری در تصاویر طبقه بندی شده) نتیجه گردید. دادههای مربوط به پارامترهای هواشناسی شامل دما، رطوبت نسبی، بارندگی، تبخیر، سرعت باد و تعداد روزهای گردوغباری از 3 ایستگاه هواشناسی استان قم (ایستگاه سلفچگان، ایستگاه شکوهیه/قم و ایستگاه کهک) از سازمان هواشناسی دریافت و مورد تحلیل قرار گرفت. تغییرات این پارامترها در بازه زمانی 1368 تا 1396 در نمودارهای مجزا به نمایش درآمد. به علت محدودیت تعداد صفحات و حجم مقاله، امکان نمایش نمودارها در متن وجود ندارد. با این حال این امکان وجود دارد که در صورت تمایل خوانندگان، این اطلاعات توسط مکاتبه با نویسنده مسئول مقاله، در اختیار آنها قرار گیرد. علاوه بر تحلیل نموداری هریک از این پارامترها، تحلیل آماری نیز با استفاده از آزمون من-کندال (Mann-Kendall) انجام گرفت. از آن جایی که برخی از تغییرهاي آبوهوایی بهطور کلی از توزیع نرمال پیروي نمیکنند و بررسی تغییرات آنها در دورههای زمانی مختلف بنا بر موضوع و محدوده زمانی و مکانی مطالعه، منطقی مینماید، لذا استفاده از آزمون رتبهای نظیر آزمون پرکاربرد من-کندال منطقی است. همچنین به دلیل اینکه استفاده از این روش نیاز به نرمال بودن توزیع دادهها ندارد، استفاده از این روش مورد علاقه محققان بسیاری بوده است. در پژوهش حاضر این روش نیز مورد توجه قرار گرفته است. به طور کلی، نتایج این قسمت از پژوهش بیان کننده این موضوع اثبات شده است که تحولات رخ داده در بررسی روندها، موید نوعی تغییر در روندهای اقلیمی است که کلیت آن عبارتست از افزایش دما، تغییر رطوبت نسبی، شیب نزولی میزان بارش توأم با افزایش وزش بادهای پر سرعت (3، 12، 13 و 14).
علت اصلی مطالعه تغییرات شاخصهای اقلیمی، جهت نیل به مطالعه محیط زیستی دقیقتر در بازه زمانی مشخص بود. به طور کلی این بخش از پژوهش انتخاب گامهای زمانی را در پی داشت. مطالعه در نقاط زمانی صحیح بررسی تغییرات را اعم از اقلیمی، محیط زیستی و کاربری اراضی به صورت صحیحتر و معتبرتر مینماید.بر این اساس روندیابی انجام گرفته برای پارامتر دما، سال 1390 هجری یا سال 2011 میلادی را از چند منظر میتوان نقطه حائز اهمیت در نظر گرفت. زیرا براساس مطالعات اقلیمی در استان، در این سال یک جهش اقلیمی با روند مثبت در محدوده بحرانی 99 درصد رخ داده است. همچنین این سال، نقطه کمینه محسوس دما در بازه ده ساله 1387 تا 1396 بوده است که به نوعی تغییرات ناگهانی و غیر منظم به حساب میآید. از این منظر سال 2011 نمیتواند سال خوبی جهت مطالعه روندیابی سالانه برای بررسیهای دقیقتر قلمداد شود. روند تغییرات حداقل دمای سالانه نیز همانند میانگین سالانه، برای تمام ایستگاههای مورد بررسی افزایشی بوده است. براساس مشاهدات، پارامتر حداقل دمای سالانه پس از یک جهش اقلیمی در سال 1375 هجری یا سال 1996 میلادی، به سرعت رو به افزایش میباشد. متوسط کلی شیب تغییرات افزایشی برای پارامتر کمینه دما، نسبت به میانگین دما، کمی بیشتر است. طبق آنچه برای میانگین کمینه دما گفته شد، سال 1996 میلادی نیز سال مناسبی جهت مطالعات روندیابی تغییرات نبوده است. روند تغییرات کمیت میانگین سالانه حداکثر دما یک جهش اقلیمی در سال 1374 هجری یا 1995 میلادی را نشان میدهد. طبق مباحث ذکر شده، میتوان گفت که سال 1995 میلادی نیز سال مناسبی جهت مطالعات تغییرات بلند مدت نمیباشد. تغییرات میانگین حداکثر سرعت باد و شیب خط روند آن در دوره آماری مورد مطالعه رو به افزایش است. براساس بررسیهای صورت گرفته، پس از سال 1387 شمسی یا 2008 میلادی، شکل تغییرات از نظم و روند قبلی فاصله گرفته و یک فاصله محسوس به ویژه در ایستگاه قم را به وجود آورده است. برای اطمینان بیشتر، این سال نیز از بازه مطالعه حذف شد. میانگین رطوبت نسبی سالانه نوسان زیادي داشته است و در سال 1389 هجری شمسی یا 2010 میلادی یک تغییر ناگهانی در آن رخ داده است که روندی افزایشی و معنی دار را در سطح 95 درصد اطمینان دنبال کرده است. به این دلیل، این سال نیز از بازه مطالعه خارج شده است. کمیتهای تبخیر و بارندگی جهش یا تغییر خاصی را نشان ندادهاند.
نتیجه حائز اهمیت در این قسمت، انتخاب سالهای مورد مطالعه در گامهای زمانی پژوهش حاضر است که سالهای 1995، 1996، 2008 و 2011 را برای گامهای مطالعه در بررسیهای بلند مدت مناسب ارزیابی نمینماید. از این رو با توجه به معرفی بازه 5 ساله برای گامهای زمانی، سال 1989 به عنوان سال ابتدایی در مطالعه با فواصل 5 ساله و سال 2019 میلادی به عنوان سال پایانی در نظر گرفته شد که با توجه به امکانات موجود اعم از دادههای هواشناسی و نیز تصاویر ماهوارهای قابل دسترس، بازهای منطقی و بهینه مینماید. براساس مطالعات این قسمت، تاریخهای مناسب جهت اخذ تصاویر ماهواره لندست انتخاب شد. با انتخاب سالهای مطالعه، جهت یکنواخت سازی زمانهای مطالعه، خردادماه به عنوان مبنا انتخاب شد. دلیل این امر، پایان فصل بارش در استان قم و رسیدن به تعادل میباشد. زمان تصاویر اخذ شده جهت تحلیل، طبقه بندی و استخراج کاربریها به شرح جدول 1 میباشد.
جدول 1. تاریخهای تصاویر اخذ شده جهت طبقهبندی
Table 1. Dates of images are taken for classification
ردیف | 1 | 2 | 3 | 4 | 5 | 6 | 7 | |
تاریخ (میلادی/ شمسی) | فریم اول | 13/06/2019 | 06/06/2014 | 24/06/2009 | 26/05/2004 | 06/06/1999 | 08/06/1994 | 25/06/1989 |
23/03/1398 | 16/03/1393 | 03/04/1388 | 06/03/1383 | 16/03/1378 | 18/03/1373 | 04/04/1368 | ||
فریم دوم | 04/06/2019 | 15/06/2014 | 01/06/2009 | 02/06/2004 | 29/06/1999 | 15/06/1994 | 10/06/1989 | |
14/03/1398 | 25/03/1393 | 11/03/1388 | 13/03/1383 | 08/04/1378 | 25/03/1373 | 20/03/1368 | ||
ماهواره | Landsat 8/ ETM+ | Landsat 8/ ETM+ | Landsat 5/ TM | Landsat 7/ OLI | Landsat 5/ TM | Landsat 5/ TM | Landsat 5/ TM | |
تحلیل تصاویر
بر روی تصاویر اخذ شده، در نرمافزار ENVI 5.3 تصحیح رادیومتریک که تنها روی گامهای خاکستری و با تغییر مقادیر آنها بصورت مجزا (پیکسل به پیکسل) انجام میگیرد، اِعمال شد. همچنین از مدل FLAASH برای تصحیح اتمسفری استفاده گردید. برای تصاویر LANDSAT7 از عملکرد GAPFILL نیز برای خطوط راهراهشدگی یا همان خطای striping استفادهشد. سپس تصاویر دو فریم با هم موزاییک و طبق شیپفایل کاربری اراضی استان قم تولید شده توسط وزارت جهاد کشاورزی، برش زده شد و سپس نمونهبرداری انجام گرفت. در پردازش تصاویر ماهوارهای یکی از مهمترین بحثها که باعث ایجاد اطلاعات جدید میشود، استفاده از تبدیلات است. تبدیلات، اطلاعات تصویر را به گونهای تغییر میدهند که میتوان اطلاعات جدید طیفی را از تصاویر استخراج کرد. در تحلیلهای بصری در عموم پژوهشها از سیستم رنگی RGB استفاده میشود و بقیه رنگها با ترکیبهای مختلف این سه رنگ ایجاد میگردد. اما تصاویر ماهوارهای که تهیه میشود در طیفخاکستری ایجاد میشود و در واقع در بحث تبدیلات سیستمهای رنگی است که میتوان این طیفها را رنگی نمود.
برای ساختن تصاویر رنگ کاذب بهمنظور استفاده از آن در طبقهبندی، باید سه نوار مختلف تصویر در فضای RGB با یکدیگر ترکیب شوند. در این تحقیق بهمنظور بدست آوردن بهترین ترکیبات نواری، از فاکتور شاخص بهینه (Optimal Index factor) یا OIF استفاده گردید (10 و 11). با توجه به ترکیبات مختلف نواری براساس فاکتور شاخص بهینه، ترکیب نواری 753 بهعنوان تشخیص بهتر پوششگیاهی انتخاب گردید. برای نمونهگیری از لایه کاربری اراضی که در سال 1392 توسط وزارت جهاد کشاورزی استخراج شده، استفاده گردید که البته دارای خطاهای بسیاری بود. فایل مورد ارزیابی از سازمان برنامه و بودجه استان قم اخذ شد و بنا به بررسیهای انجام گرفته از طرف تیم محققین طرح حاضر، توسط وزارت جهاد کشاورزی در قالب یک طرح کشوری تهیه شده است. کلاسهای این لایه با کلاسهای طبقهبندی شده در پژوهش حاضر دقیقا یکی میباشد.
براین اساس، نمونه برداری تحقیق حاضر، به صورتهای بصری، ترکیب رنگیهای کاذب، طبقهبندی نظارت نشده به روش Iso Data و نیز نمونههای برداشت شده از زمین به صورت عملی انجام گرفت. نمونه برداری انجام گرفته به صورت محدود در استان قم انجام شد. روش Visual یا دید بصری که عوارض قابل تشخیص با دید انسانی و رنگ حقیقی یا کاذب را بیان میکند و اولین گام در طبقهبندی و اعتبارسنجی آن است. مجموعه این مراحل، پیش پردازش تصاویر را شامل شد. جهت پردازش تصاویر و استخراج کلاسها، ابتدا طبقهبندی نظارت نشده برای ایجاد شناخت کلی طبقات پوشش زمین در منطقه مورد مطالعه و نیز به عنوان یک ابزار کمکی جهت تعیین نمونه برداریهای آتی انجام گرفت و همچنین در پردازش این تصاویر از طبقهبندی حداکثر احتمال (بیشترین شباهت) و کمترین فاصله برای تمامی تصاویر استفاده شد. طبقهبندی شبکه عصبی (Neural Network) و ماشین بردار پشتیبان (Support Vector Machines) یا SVM، هم برای تصاویر سال 2019 انجام پذیرفت. از آنجا که روشهای شبکه عصبی و ماشین بردار پشتیبان منجر به خطاهای زیادی شدند، ادامه کار برای روشهای حداکثر احتمال و کمترین فاصله، انجام گرفت. نمونههای انتخاب شده اولیه (Region of Interest) یا ROIها بر اساس استاندارد وزارت جهاد کشاورزی به 11 کلاس مختلف تقسیمبندی شد. کلاسهای طبقهبندی شده شامل: زمینهای بایر (Bare Land)، نمکی (Salt Land)، شنی (Sandy Land)، پهنههای آبی (Lake)، درخت (Tree)، زمینهای صخرهای و سنگی (Rock)، مناطق مسکونی (Urban)، زمینهای کشاورزی (Agriculture) و سه نوع مرتع پرند (Stipa)، شال دم (Siebberi) و دشتی (Pteropyron) بود. اعتبارسنجی روشهای طبقهبندی تحقیق حاضر با کمک تحلیل بصری برای همه کلاسها و همه زمانها به طور دائمی در دوره پژوهش انجام گرفت. همچنین از لایه کاربری اراضی اسانداری استان قم (واحد GIS سازمان برنامه و بودجه) نیز بهره گرفته شد. این درحالی بود که این لایه، خطاهای بسیاری داشت. همچنین نمونه برداری از همه کلاسها در استان انجام گرفت. البته لازم به ذکر است که نمونه برداری صورت گرفته پراکندگی جامعی در همه سطح استان نداشت و عموما مناطق مرکزی، غربی، جنوب غربی و بخش کوچکی از نیمه شرقی و شمالی استان را در بر گرفت. در تحلیلهای بصری از کارشناسان خبره سازمان حفاظت محیط زست و اداره کل هواشناسی استان کمک گرفته شد.
نتایج
نتایج طبقهبندی نهایی تصاویر اخذ شده از ماهواره لندست به روش حداکثر احتمال (بیشترین شباهت) در پژوهش حاضر در هفت گام زمانی حاصل شده است. در هریک از این گامها خروجی طبقهبندی به صورت تصویر برای کل استان قم ارائه شده است. همچنین درصد تغییرات بین گامهای زمانی نیز محاسبه شد و به صورت ماتریس و نمودار تغییرات در این مقاله ارائه شده است. براین اساس نتایج شامل دو شاخه الف) نتایج طبقهبندی و مشخص نمودن کاربری اراضی برای سالهای مختلف و ب) بررسی تغییرات بین گامهای متوالی، آمده است. شکل 2 نتایج طبقهبندی برای گامهای زمانی مطالعه را نشان میدهد.
شکل 2 نتایج طبقهبندی برای سالهای 1989 تا 2019 را با فواصل زمانی 5 ساله به نمایش میگذارد. بر این اساس هر یک از کلاسها رنگ متفاوتی را به خود اختصاص دادهاند. در این تصاویر دو پهنه آبی عمده استان شامل دریاچه نمک و تالاب حوض سلطان به صورت واضح و به رنگ آبی مشخص هستند. همچنین رنگ سفید شورهزارهای استان را نمایش میدهد.
همانطور که مشخص است حاشیه این پهنههای آبی به عنوان شورهزار طبقه بندی شده که با توجه به اقلیم منطقه و نیز فصلی بودن منابع آب، منطقی مینمایند. کمربند تالابی استان قم که از شرق و جنوب شرق تالاب حوض سلطان تا غرب دریاچه نمک ادامه دارد و شامل تالابهای مُره و بند علیخان نیز میگردد، عمدتا به صورت پهنه سفید رنگ و نمکی طبقه بندی شده است. این پهنه تالابی نیز تنها در زمانهای کوتاهی آب دارد و بیشتر سال سطحی نمکی و بایر دارد. با توجه به زمانهای اخذ تصاویر که مربوط به انتهای فصل بهار و پس از فصل بارش در منطقه میباشد، مساحت کلاسهای زمینهای کشاورزی و مراتع نیز منطقی مینماید. همچنین منطقه شهری در مرکز استان نیز به صورت صحیح مشخص و طبقهبندی شده است. با توجه به کوهستانی بودن غرب و جنوب غرب استان قم، نکته حائز اهمیت دیگر طبقهبندی عمده این نواحی در کلاس سنگ و صخره است. این موضوع نیز از نکات مثبت و معقول طبقهبندی براساس نمونه برداریهای انجام شده است.
قسمت دیگر نتایج شامل تغییرات کلاسهای طبقهبندی شده به روش بیشترین شباهت بین گامهای زمانی پیدرپی میباشد. همانطور که گفته شد، یکی از متداولترین و بهترین روشهای طبقهبندی نظارتشده، روش حداکثراحتمال (بیشترین شباهت) میباشد. این روش بر مبنای احتمالات پایهریزی شده و از لحاظ آماری، منطق قویتری به همراه دارد. مقدار درصد احتمال تعلق هر سطر و ستون به هرطبقه محاسبه میشود و هر سطر و ستون براساس بیشترین میزان احتمال به یک طبقه اختصاص پیدا میکند.
در جداول، ادامه میزان تبدیل هر کلاس به سایر کلاسها در یک گام زمانی به صورت کمی و برحسب درصد محاسبه شده است.. در این روش، ابتدا به صورت مجزا برای هر کدام از تصاویر، نقشه موضوعی تهیه شد و سپس به پایش تغییرات انجام گرفت. جدول 2 میزان تغییرات کلاسها در بازه زمانی سال 2014 میلادی تا 2019 را به صورت درصد از مساحت در گام اول (سال 2014) نشان میدهد. جدول ماتریس تغییرات به طور کلی تغییرات هر کلاس و نیز میزان تبدیل شدن کلاسها به یکدیگر را بیان میکند. در جدول3، در ستون مربوط به کلاس زمینهای سنگی/صخرهای که عمدتاً نواحی کوهپایهای، دامنهای و زمینهای نسبتاً مرتفع استان را نمایش میدهد، در حدود 9/89 درصد از پیکسلهای معرفی شده به عنوان کلاس سنگی در سال 2014، دچار تغییر کلاس شدهاند. با توجه به تغییرات ثبت شده که عمدتاً مربوط به ردیف "مرتع 2" بوده است و با توجه به بارندگیهای ابتدای سال 1398 هجری شمسی یا سال 2019 میلادی، این تغییرِ محسوس، منطقی به نظر میرسد. در مورد کلاس شهری هم محاسبات تغییر حدود 88/3 درصدی و تبدیل به زمین بایر را نشان میدهد. با توجه به میزان طبقه بندی نشده، تغییر این کلاس چندان زیاد نبوده است. عمده تغییر زمینهای بایر استان نیز در این مدت، متوجه خود این کلاس بوده است. با توجه به بارندگیهای بهار سال 1398 شمسی یا 2019 میلادی، این موضوع نشان دهنده این است که زمینهای بایر استان چندان قابلیت رشد گیاه را حتی با وجود بارندگیهای مناسب ندارند. از دلایل احتمالی آن میتوان شوری خاک، عدم وجود بذر گیاهان مناسب و یا گرمای شدید دانست.
سال 1989 |
|
سال 1994 |
|
سال 1999 |
|
سال 2004 |
|
سال 2009 |
|
سال 2014 |
|
سال 2019 |
|
شکل 2. نتایج طبقهبندی تصاویر ماهواره لندست برای گامهای زمانی مطالعه
Figure 2. Landsat satellite image classification results for study time steps
جدول 2. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 2014 تا 2019 بر حسب درصد
Table 2. Matrix of changes in the classes of Qom province between the time steps of 2014 to 2019 in terms of percentage
2019-2014 | شهری | شوره زار | دریاچه | درخت | کشاورزی | سنگی | مرتع2 | مرتع3 | مرتع1 | ماسهای | بایر |
طبقه بندی نشده | 53/39 | 54/27 | 06/0 | 85/20 | 35/5 | 81/0 | 75/1 | 59/10 | 07/8 | 18/7 | 98/6 |
شهری | 72/55 | 58/0 | 0 | 01/0 | 002/0 | 01/0 | 001/0 | 18/0 | 02/0 | 08/0 | 06/0 |
شوره زار | 78/0 | 34/29 | 30/5 | 21/4 | 002/0 | 18/0 | 08/0 | 81/0 | 62/0 | 87/6 | 30/2 |
دریاچه | 0 | 85/1 | 62/94 | 31/0 | 005/0 | 16/0 | 004/0 | 002/0 | 08/0 | 005/0 | 001/0 |
درخت | 0 | 04/0 | 0 | 62/2 | 03/1 | 007/0 | 06/0 | 47/0 | 15/0 | 005/0 | 04/0 |
کشاورزی | 004/0 | 07/0 | 003/0 | 84/27 | 77/54 | 06/0 | 63/5 | 13/7 | 93/8 | 58/0 | 62/0 |
سنگی | 0 | 04/0 | 001/0 | 42/0 | 21/0 | 01/10 | 08/7 | 06/7 | 15/11 | 31/1 | 90/3 |
مرتع2 | 007/0 | 53/0 | 0 | 22/5 | 75/3 | 45/83 | 02/31 | 05/10 | 67/6 | 04/7 | 65/5 |
مرتع3 | 02/0 | 52/0 | 002/0 | 98/11 | 59/19 | 12/0 | 03/9 | 69/19 | 36/7 | 07/2 | 31/7 |
مرتع1 | 004/0 | 03/0 | 002/0 | 01/3 | 62/5 | 23/2 | 12/39 | 31/18 | 42/45 | 91/1 | 73/1 |
ماسه ای | 03/0 | 54/9 | 0 | 45/0 | 34/0 | 17/0 | 09/0 | 49/0 | 68/0 | 84/38 | 65/3 |
بایر | 88/3 | 87/29 | 001/0 | 01/23 | 31/9 | 74/2 | 08/6 | 18/25 | 80/10 | 07/34 | 72/67 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 27/44 | 65/70 | 37/5 | 37/97 | 23/45 | 98/89 | 97/68 | 30/80 | 57/54 | 16/61 | 27/32 |
جدول 3 میزان تغییرات کلاسها در بازه زمانی سال 2009 میلادی تا 2014 را به صورت درصد نشان میدهد. در تغییرات طبقهبندی بین سال 2014 و 2009، رشد منفی در کلاسهای مراتع نوع 1 و 2، زمینهای ماسهای، درخت، کشاورزی و شهری رخ داده است که به نظر میرسد در مناطق شهری به علت شباهت رفتارطیفی زمینهای نمکی و مناطقشهری در تصویر 2009 که از کیفیت پایینی برخوردار بوده است رشد منفی بهوجود آمده است. همچنین مناطق ماسهای بیشتر به زمینهای بایر تبدیل شده است. مناطق کشاورزی و درختی و مراتع نیز با وجود بهبود دقت طبقهبندی، به علت رفتارطیفی مشابه در طبقه کلاسهای یکدیگر قرار گرفتهاند.
جدول 3. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 2009 تا 2014 بر حسب درصد
Table 3. Matrix of changes in the classes of Qom province between the time steps of 2009 to 2014 in terms of percentage
2014-2009 | شهری | دریاچه | سنگی | شوره زار | ماسهای | درخت | بایر | مرتع 1 | کشاورزی | مرتع3 | مرتع2 |
طبقه بندی نشده | 19/12 | 05/0 | 14/0 | 22/5 | 69/0 | 02/4 | 33/1 | 34/0 | 59/1 | 88/4 | 26/0 |
شهری | 77/15 | 0 | 004/0 | 23/0 | 11/0 | 14/0 | 11/0 | 009/0 | 03/0 | 18/0 | 02/0 |
کشاورزی | 02/0 | 0 | 72/0 | 52/0 | 07/1 | 94/18 | 72/0 | 004/2 | 82/36 | 42/3 | 003/2 |
دریاچه | 039/3 | 71/95 | 001/0 | 08/7 | 0 | 004/0 | 0 | 002/0 | 002/0 | 0 | 0 |
سنگی | 43/10 | 76/2 | 14/78 | 02/7 | 12/5 | 24/8 | 16/10 | 61/27 | 51/1 | 32/1 | 07/17 |
شوره زار | 96/18 | 39/1 | 21/0 | 58/42 | 17/11 | 05/7 | 89/3 | 22/0 | 35/5 | 24/7 | 66/0 |
ماسه ای | 35/14 | 0 | 91/0 | 71/4 | 89/14 | 38/0 | 27/2 | 61/0 | 81/0 | 21/1 | 61/10 |
درخت | 30/0 | 001/0 | 06/0 | 84/1 | 54/0 | 23/6 | 69/0 | 61/0 | 28/8 | 20/1 | 73/0 |
بایر | 96/16 | 0 | 19/8 | 51/26 | 91/52 | 51/8 | 44/66 | 34/3 | 68/15 | 84/62 | 03/29 |
مرتع2 | 03/3 | 0 | 32/4 | 35/0 | 91/4 | 85/3 | 42/4 | 14/14 | 01/7 | 47/1 | 40/24 |
مرتع1 | 67/0 | 075/0 | 73/5 | 33/1 | 16/2 | 69/9 | 69/2 | 17/40 | 34/9 | 01/4 | 82/3 |
مرتع3 | 08/7 | 0 | 20/2 | 55/2 | 39/6 | 90/32 | 24/7 | 92/10 | 54/13 | 183/12 | 38/11 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 23/84 | 28/4 | 85/21 | 41/57 | 11/85 | 76/93 | 56/33 | 82/59 | 17/63 | 81/87 | 59/75 |
براساس جدول 4 که درصد تغییرات بین گامهای زمانی 2004 تا 2009 را نمایش میدهد، رشد منفی مناطقشهری مجدداً به علت کیفیت پایین تصاویر ماهوارهای لندست 7 و تشابه رفتار طیفی زمینهای نمکی و مناطقشهری ایجاد شده است. کلاسهای با رشد منفی دیگر از جمله دریاچه که بیشتر به مناطق زمینهای نمکی تبدیل شده و مناطقسنگی به مناطق بایر و همچنین مناطقنمکی به بایر و ماسهای تبدیل شده است.
جدول 4. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 2004 تا 2009 بر حسب درصد
Table 4. Matrix of changes in the classes of Qom province between the time steps of 2004 to 2009 in terms of percentage
2009-2004 | شهری | دریاچه | سنگی | شورهزار | ماسهای | درخت | بایر | مرتع1 | کشاورزی | مرتع3 | مرتع2 |
طبقهبندی نشده | 35/17 | 009/0 | 33/0 | 18/9 | 67/4 | 40/0 | 57/0 | 43/1 | 45/0 | 67/1 | 99/2 |
شهری | 16/10 | 0 | 01/0 | 06/1 | 41/0 | 02/0 | 03/0 | 07/0 | 01/0 | 14/0 | 26/0 |
کشاورزی | 15/0 | 0 | 04/0 | 88/0 | 33/0 | 59/23 | 38/2 | 85/4 | 58/52 | 09/13 | 25/9 |
دریاچه | 0 | 14/87 | 05/0 | 11/0 | 0 | 0 | 0 | 0 | 0 | 0 | 001/0 |
سنگی | 11/0 | 001/0 | 47/90 | 98/0 | 58/3 | 57/0 | 95/2 | 13/17 | 35/0 | 37/0 | 25/8 |
شورهزار | 49/11 | 84/12 | 75/0 | 31/40 | 09/2 | 58/17 | 44/4 | 08/2 | 29/2 | 81/3 | 20/6 |
ماسهای | 31/36 | 0 | 95/0 | 59/15 | 68/30 | 97/0 | 26/12 | 09/9 | 44/4 | 52/3 | 74/13 |
درخت | 11/0 | 0 | 02/0 | 07/0 | 03/0 | 54/37 | 68/0 | 37/2 | 45/10 | 29/4 | 89/3 |
بایر | 82/15 | 0 | 94/3 | 25/18 | 79/29 | 03/8 | 27/50 | 52/18 | 33/9 | 8/22 | 04/26 |
مرتع 1 | 03/0 | 0 | 07/1 | 09/0 | 82/0 | 59/1 | 81/0 | 25/27 | 71/2 | 01/4 | 73/9 |
مرتع3 | 1/8 | 0 | 23/0 | 76/12 | 64/2 | 49/8 | 32/20 | 86/4 | 17/12 | 33/35 | 71/8 |
مرتع2 | 33/0 | 0 | 08/2 | 68/0 | 91/24 | 17/1 | 24/5 | 31/12 | 18/5 | 92/10 | 9/10 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 83/89 | 85/12 | 52/9 | 69/59 | 31/69 | 45/62 | 72/49 | 74/72 | 42/47 | 66/64 | 1/89 |
جدول 5. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 1999 تا 2004 بر حسب درصد
Table 5. Matrix of changes in the classes of Qom province between the time steps of 1999 to 2004 in terms of percentage
2004-1999 | شهری | کشاورزی | سنگی | شورهزار | ماسهای | درخت | دریاچه | بایر | مرتع1 | مرتع2 | مرتع3 |
طبقهبندی نشده | 53/35 | 68/0 | 03/0 | 33/15 | 83/6 | 85/0 | 05/0 | 12/6 | 16/0 | 97/1 | 75/3 |
شهری | 14/12 | 008/0 | 0 | 06/1 | 58/0 | 03/0 | 0 | 27/0 | 004/0 | 04/0 | 07/0 |
کشاورزی | 17/0 | 002/42 | 03/0 | 31/0 | 62/0 | 55/33 | 03/0 | 61/0 | 40/4 | 66/3 | 62/9 |
سنگی | 10/3 | 61/0 | 28/95 | 28/6 | 42/6 | 94/0 | 36/4 | 09/12 | 22/43 | 88/12 | 17/1 |
شورهزار | 68/14 | 73/0 | 26/0 | 57/56 | 18/4 | 08/0 | 10/4 | 65/5 | 44/0 | 96/5 | 37/3 |
ماسهای | 76/23 | 16/1 | 57/0 | 63/5 | 72/50 | 41/0 | 0 | 61/12 | 87/1 | 21/18 | 39/1 |
درخت | 01/0 | 42/5 | 01/0 | 004/2 | 03/0 | 95/15 | 01/0 | 20/0 | 65/1 | 58/0 | 22/2 |
دریاچه | 0 | 006/0 | 11/0 | 15/0 | 0 | 001/0 | 39/91 | 0 | 006/0 | 002/0 | 0 |
بایر | 81/5 | 53/14 | 74/0 | 59/6 | 64/21 | 88/7 | 01/0 | 95/48 | 30/6 | 18/14 | 07/31 |
مرتع1 | 49/0 | 69/3 | 60/1 | 23/1 | 92/1 | 69/4 | 0 | 22/2 | 61/30 | 11/11 | 99/1 |
مرتع3 | 24/1 | 16/19 | 08/0 | 92/0 | 12/1 | 59/18 | 01/0 | 46/5 | 51/4 | 71/14 | 21/32 |
مرتع2 | 02/3 | 96/11 | 23/1 | 88/3 | 88/5 | 99/16 | 01/0 | 78/5 | 79/6 | 65/16 | 09/13 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 85/87 | 99/57 | 71/4 | 42/43 | 27/49 | 04/84 | 61/8 | 04/51 | 38/69 | 34/83 | 78/67 |
جدول 5، مربوط به میزان تغییرات از سال 1999 به سال 2004 میباشد. در این طبقهبندی رشد مثبت بیشتری در کلاسها مشاهده میشود. تغییرات منفی کلاس درخت به علت رفتارطیفی پوششگیاهی به نظر میرسد و به کلاسهای کشاورزی و مراتع تبدیل شده است. در کلاس دریاچه نیز، تغییرات 4 درصدی به کلاس زمین نمکی و سنگی تشخیص داده شده است. عمده تغییرات در کلاس زمینهای بایر در حدود 12 در صد به کلاسسنگی و ماسهای تشخیص داده شده است. همچنین بیش از 50 درصد از مجموع مساحت کلاس مراتع به کلاس زمینهای بایر تبدیل شده که قابل توجه میباشد.
جدول 6. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 1994 تا 1999 بر حسب درصد
Table 6. Matrix of changes in the classes of Qom province between the time steps of 1994 to 1999 in terms of percentage
1999-1994 | شهری | کشاورزی | سنگی | ماسهای | درخت | دریاجه | بایر | شورهزار | مرتع1 | مرتع2 | مرتع3 |
طبقهبندی نشده | 24/24 | 52/2 | 02/0 | 57/25 | 01/4 | 14/0 | 82/2 | 06/20 | 71/0 | 79/4 | 40/3 |
شهری | 1/2 | 04/0 | 001/0 | 60/1 | 07/0 | 001/0 | 06/0 | 62/0 | 01/0 | 18/0 | 07/0 |
کشاورزی | 50/0 | 14/28 | 01/0 | 24/0 | 47/10 | 002/0 | 59/0 | 07/0 | 64/1 | 41/0 | 34/8 |
سنگی | 44/0 | 04/1 | 79/96 | 21/0 | 84/5 | 84/1 | 97/3 | 35/0 | 26/26 | 11/29 | 64/4 |
ماسهای | 97/14 | 91/2 | 03/0 | 73/35 | 99/1 | 0 | 72/12 | 12/4 | 60/6 | 43/2 | 79/8 |
درخت | 19/0 | 65/9 | 01/0 | 05/0 | 52/11 | 0 | 12/0 | 02/0 | 88/0 | 40/0 | 91/2 |
دریاچه | 001/0 | 01/0 | 62/0 | 001/0 | 35/10 | 61/96 | 006/0 | 21/1 | 001/0 | 93/10 | 001/0 |
بایر | 09/41 | 18/13 | 80/1 | 28/25 | 81/18 | 01/0 | 52/68 | 93/22 | 11/17 | 12/10 | 40/26 |
شورهزار | 82/6 | 21/1 | 02/0 | 39/7 | 09/3 | 32/1 | 93/1 | 62/41 | 24/0 | 08/6 | 77/0 |
مرتع1 | 08/0 | 05/8 | 35/0 | 03/0 | 51/2 | 008/0 | 21/0 | 01/0 | 41/10 | 26/24 | 91/1 |
مرتع2 | 41/2 | 81/8 | 19/0 | 85/2 | 53/8 | 04/0 | 97/2 | 32/3 | 53/29 | 86/8 | 60/12 |
مرتع3 | 11/7 | 39/24 | 11/0 | 99/0 | 75/22 | 0 | 03/6 | 61/5 | 56/6 | 39/2 | 14/30 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 9/97 | 85/71 | 20/3 | 26/64 | 47/88 | 38/3 | 47/31 | 37/58 | 59/89 | 13/91 | 86/69 |
جدول 7. ماتریس تغییرات کلاسهای ناحیه استان قم بین گامهای زمانی 1989 تا 1994 بر حسب درصد
Table 7. Matrix of changes in the classes of Qom province between the time steps of 1989 to 1994 in terms of percentage
1994-1989 | شهری | کشاورزی | دریاچه | سنگی | شورهزار | درخت | ماسهای | بایر | مرتع1 | مرتع2 | مرتع3 |
طبقهبندی نشده | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
شهری | 91/37 | 91/2 | 0 | 59/0 | 76/12 | 37/9 | 25/11 | 31/6 | 99/0 | 51/3 | 78/4 |
کشاورزی | 92/1 | 18/22 | 01/0 | 28/0 | 31/1 | 34/7 | 49/0 | 49/1 | 14/4 | 47/5 | 42/8 |
دریاچه | 0 | 002/0 | 08/64 | 001/0 | 11/1 | 0 | 001/0 | 0 | 0 | 0 | 0 |
سنگی | 32/1 | 66/0 | 91/12 | 42/28 | 24/0 | 06/1 | 99/0 | 31/3 | 33/18 | 97/0 | 04/6 |
شورهزار | 42/5 | 03/2 | 51/1 | 13/1 | 53/32 | 03/10 | 46/5 | 40/3 | 07/0 | 21/0 | 23/0 |
درخت | 58/1 | 41/8 | 88/4 | 57/0 | 66/1 | 33/7 | 6/0 | 89/0 | 44/2 | 62/2 | 36/3 |
ماسهای | 02/6 | 80/0 | 0 | 35/1 | 84/11 | 11/1 | 91/16 | 01/4 | 46/0 | 49/5 | 51/0 |
بایر | 91/37 | 56/21 | 005/0 | 003/38 | 38/26 | 52/40 | 33/47 | 59/71 | 8/21 | 32/33 | 05/46 |
مرتع1 | 97/0 | 57/4 | 001/0 | 32/8 | 36/0 | 35/1 | 5/3 | 45/1 | 74/37 | 92/20 | 16/5 |
مرتع2 | 87/0 | 68/1 | 58/16 | 07/18 | 71/6 | 91/2 | 35/5 | 98/0 | 70/2 | 89/0 | 62/0 |
مرتع3 | 03/6 | 13/35 | 01/0 | 22/3 | 42/5 | 92/18 | 08/8 | 54/6 | 28/8 | 56/26 | 78/24 |
Class Total | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
Class Changes | 08/62 | 81/77 | 91/35 | 57/71 | 46/67 | 6/92 | 08/83 | 40/28 | 25/62 | 10/99 | 21/75 |
بر طبق جدول 6 که نمایشگر تغییرات بین گامهای زمانی 1994 تا 1999 میباشد، فقط 3 کلاس رشد مثبت داشتهاند و مابقی کلاسها رشد منفی داشتهاند که بیشترین آن مربوط به کلاس شهری میباشد و عمده تغییرات معطوف به زمینهای بایر بوده است. در صورت مقایسه با تصیر اصلی، مناطقشهری در دهههای گذشته به علت بافت کاهگلی و خاکی که داشتند رفتار طیفی آن شبیه به رفتارطیفی خاک و زمینهای بایر تشخیص داده شده است. کلاسهای پوششگیاهی همگی رشد منفی داشتند و همچنین به دلیل شباهت طیفی این کلاسها با یکدیگر، تفکیک مناسبی بین آنها انجام نگرفته است. 12 درصد کلاس زمینهای بایر نیز به کلاس زمینهای ماسهای تبدیل شده است.
جدول 7، مربوط به میزان تغییرات از سال 1989 به سال 1994 میباشد. بر طبق تغییرات بدست آمده، در طبقههای زمینهای ماسهای، مرتع نوع 1، درخت، زمینهای با خاک نمکی و دریاچه رشد منفی وجود داشته است. در مجموع حدود 34 درصد انواع مختلف مراتع به زمینهای بایر تبدیل شده است که با توجه به تغییر منفی در پهنههای آبی (دریاچه) منطقی مینماید و به نوعی بیانگر بیشتر خشک شدن هرچه بیشتر است. میزان تغییرات سایر طبقهها، به طبقه زمینهای بایر (سطر بایر در جدول 7) که اعداد به نسبت بزرگی را شامل میگردد نیز به نوعی موید همین موضوع است.
بحث و نتیجهگیری
برطبق آنچه گفته شد، کاربری اراضی/پوشش زمین استان قم در بازه زمانی 30 ساله با فواصل زمانی 5 ساله بدست آمد. این کاربریها در 11 کلاس مختلف طبقهبندی شدند و سپس تغییرات این 11 کلاس نیز محاسبه گردید. با توجه به اقلیم قالب استان قم که گرم و خشک بوده و در قسمت میانه کشور در مجاورت بیابان مرکزی ایران قرار گرفته است، طبیعی و منطقی به نظر میرسد که سطح زیادی از استان به ویژه در نیمه شرقی آن را زمینهای بیابانی شامل طبقههای زمینهای بایر، نمکی و ماسهای در بر گرفته باشد که همینطور نیز میباشد. در پژوهشی مشابه که توسط وزارت جهاد کشاورزی در سال 1392 انجام گرفته است، اشکالاتی وجود دارد. به عنوان نمونه در طبقه زمینهای صخرهای که منطقه شمال غربی شهر قم را به در این کلاس طبقهبندی نموده درحالی که عمده سطح این منطقه زمینهای کشاورزی، زمینهای بایر و انواع مرتع تشکیل میدهد. همچنین بر طبق پژوهشهای رحمتی زاده (14) و نیز رحمتیزاده و جعفری، (15) که عمدتا مربوط به مناطق شرقی استان بوده است، به نظر میرسد این مناطق به خوبی طبقهبندی و کلاسبندی شدهاند.
در واقع با توجه به اینکه قسمت اعظمی از استان قم در یک منطقه بیابانی قرار گرفته است و همچنین بخاطر اقلیم یکنواخت بیابانی طبیعی آن و نزدیکی بسیار زیاد کلاسهای مختلف آن به یکدیگر، تقریباً قریب به اکثریت پیکسلهای پوشش دهنده استان، دارای تشابه رفتار طیفی زیادی هستند. به طور کلی نتایج طبقهبندی مربوط به تصاویر اخذ شده در سال 2019 میلادی (1398 شمسی) که مربوط به زمانی نزدیک است، رشد مثبت مشهود در کلاسهای شهری، کشاورزی، انواع مرتع و پهنههای آبی را نشان میدهد که با توجه به بارندگیهای ابتدای بهار 1398 منطقی مینمود. از دیگر نکات حائز اهمیت مربوط به این سال، تغییر گسترده و تبدیل کلاس زمینهای سنگی یا صخره به انواع مرتع میباشد. با توجه به تصویر اصلی اخذ شده از سال 2019 و همچنین تصاویر طبقهبندی شده، خطای مربوط به درجات خاکستری در آن مشهود است که تشابه درجات خاکستری و طیف یکسان کلاسهای شهری و زمینهای نمکی تقریباً توسط نرمافزار به عنوان یک عارضه در نظر گرفته شده و همچنین این خطاها در کلاسهای زمینهای بایر و ماسهای نیز مشهود است. توجه ویژه به این نکته و تغییرات کلاسهای مشابه و عمده در استان قم نظیر ماسه، بایر و نمکی سیار حائز اهمیت مینماید. پیشنهاد میگردد در پژوهشهای آتی مرتبط، این موضوع مورد توجه قرار گیرد و با استفاده از نمونه برداری از این مناطق، خطای ذکر شده کاهش یابد. در پژوهش اداره کل منابع طبعی استان قم (1393) نیز مناطقی که به عنوان منشا گردوغبار از دیدگاه فرسایش بادی بدست آمده است نیز در تحقیق حاضر عمدتا در کلاسهای زمینهای بایر، نمکی و ماسهای طبقهبندی شده است. پژوهش حاضر با گزارش سازمان زمین شناسی و اکتشافات معدنی کشور شهبازی و قریب (17) نیز مقایسه گردید که تشابهات بسیاری مشهود بود.
تقدیر و تشکر
این پژوهش با استفاده از اعتبارات مالی استانداری و سازمان حفاظت محیط زیست استان قم اجرا شده است که از همکاری آنها صمیمانه تشکر و قدردانی میگردد.
منابع مورد استفاده
Investigation of Land Use Change in Qom Province along with Climatic Parameters Using Satellite Remote Sensing Technology
Abstract
Modeling and showing the coverage of lands changes, provides a comprehensive view to researchers in various fields. One of the main methods of environmental studies is to study land cover/use change. In addition to showing spontaneous changes in nature, changes affected by human activities also fall into this category. Today, with the development of satellite products, it is possible to display land use in different regions without the need for field visits and easily. The different behavior of the waves received to the satellite sensor from the various phenomena, known as spectral signature is the basis for cognition and detection the uses on the map. Such studies in Qom province have also been considered due to the trend of very urban growth and the existence of several types of climate. In present study, based on changes in climatic / meteorological parameters, study times and time steps were selected. Then the images of various Landsat satellite sensors were taken at specified time steps, and these images were pre-processed, processed, and classified into 11 classes. The results were also presented quantitatively and qualitatively. Based on the available real data, the two maximum likelihood and minimum distance classification methods in Qom province were properly evaluated. Among these two, the maximum likelihood method was used in the final classification. Finally, class changes between time steps were calculated and presented as a change matrix. According to the results, between 2014 and 2019 A.D, urban, water, agriculture and ranges (types 1 and 3) have grown significantly.
Keywords: Land cover, Satellite Images, Landsat, Qom, Climate Change
بررسی تغییر کاربری اراضی استان قم همراه با پارامترهای اقلیمی با استفاده از فناوری سنجش از دور ماهوارهای
چکیده مبسوط
طرح مسئله: مدلسازی و نمایش پوشش اراضی مختلف دید جامعی به محققین حوزههای گوناگون از جمله متخصصین محیط زیست و منابع طبیعی ارائه مینماید. یکی از روشهای اصلی مطالعات محیط زیستی، بررسی تغییر پوشش زمین، کاربری اراضی و نیز پوشش گیاهی منطقه است. علاوه بر نمایش تغییرات خود به خودی طبیعت، تغییرات متاثر از فعالیتهای انسانی نیز شامل این دسته مطالعات میگردد. ساخت و ساز بشر در راستای توسعه خود به ویژه در دهههای اخیر این تغییرات را سرعت بخشیده است. امروزه با گسترش علوم مرتبط با فضا و به طور کلی سنجش از دور و نیز تولید بیش از پیش محصولات ماهوارهای، امکان نمایش کاربری اراضی مناطق مختلف بدون نیاز به بازدیدهای میدانی و به آسانی فراهم شده است. رفتار متفاوت امواج رسیده به سنجنده ماهوارهای از عوارض و پدیدههای مختلف که به امضای طیفی معروف است، اساس تشخیص و آشکارسازی کاربریها در نقشه میباشد. مطالعات این چنین در استان قم نیز به سبب روند رشد بسیار شهری و نیز وجود چند نوع اقلیم متفاوت در گستره نه چندان وسیع این استان، مورد توجه قرار گرفته است.
هدف: بررسی و نمایش کیفی و کمی تغییرات محیط زیستی و پیرامونی در استان قم طی بازه زمانی حدودا 30 ساله از جمله اهداف اصلی پژوهش حاضر است تا به کمک آن بتوان روند تغییرات کلاسها و عوارض مختلف را شناخت و بتوان در آینده این تغییرات را مدلسازی نمود. همچنین شناخت تغییران رخنمون استان قم، زمینه برای برنامهریزیهای آتی را ممکن میسازد.
روش تحقیق: در پژوهش حاضر ابتدا براساس تغییرات پارامترهای اقلیمی/هواشناسی، زمانها و گامهای زمانی مطالعه انتخاب شد. این گامها به فاصله 5 ساله از سال 1989 میلادی تا 2019 انتخاب گردید. نقطه زمانی مطالعات نیز انتهای فصل بهار و ابتدای فصل تابستان در نظر گرفته شد. دلیل این امر هم پایان فصل بارش در منطقه مورد نظر بود. سپس تصاویر سنجندههای مختلف ماهوارههای لندست در گامهای زمانی مشخص شده، اخذ گردید و این تصاویر پیش پردازش، پردازش و در 11 کلاس طبقهبندی گردید. این 11 کلاس شامل: زمینهای بایر، زمینهای نمکی، زمینهای شنی، درخت، صخره و سنگ، مناطق مسکونی و شهری، زمینهای کشاورزی و 3 نوع مرتع مختلف بودند. همچنین نتایج به صورت کمی و کیفی ارائه شد. برطبق دادههای حقیقی موجود که به صورت بصری و نمونهبرداری از کلاسهای مختلف حاصل شد، دو روش طبقهبندی حداکثر احتمال و کمترین فاصله در استان قم مناسب ارزیابی گردید که از بین این دو، روش حداکثر احتمال نتایج نسبتا بهتری را با در نظر گرفتن کل استان با همه کلاسها در پی داشت و در طبقهبندی نهایی بهکار رفت.
نتایج و بحث: در مرحله آخر طبقهبندی، تغییرات کلاسها بین گامهای زمانی نیز محاسبه و به صورت ماتریس تغییرات ارائه گردید. براساس نتایج، بین گام زمانی سال 2014 میلادی تا سال 2019 میلادی، کلاسهای شهری، پهنههای آبی، کشاورزی و مراتع نوع 1 و 3 رشد قابل توجهی داشتهاند. همچنین بین دو گام زمانی 2009 تا 2014 میلادی، به طور میانگین حدود 30 درصد از کل مراتع یعنی 3 نوع مرتع مختلف طبقهبندی شده به زمینهای بایر تبدیل شدهاند. همچنین در این گام زمانی عمده تغییر مشاهده شده تغییر زیاد پهنههای ماسهای به زمینهای بایر بود که دلایل این امر نیاز به بررسیهای بیشتر دارد. بررسی تغییرات بین سال های 2004 تا 2009 نشان میدهد که رشد منفی مناطقشهری عمدتا به علت کیفیت پایین تصاویر ماهوارهای لندست 7 و تشابه رفتار طیفی زمینهای نمکی و مناطقشهری ارزیابی میگردد. کلاسهای با رشد منفی دیگر از جمله دریاچه که بیشتر به زمینهای نمکی تبدیل شده و مناطقسنگی به مناطق بایر و همچنین مناطقنمکی به بایر و ماسهای تبدیل شده است. در بررسی تغییرات بین بازه زمانی 1999 تا 2004 این نتیجه حاصل میگردد که تغییرات منفی کلاس درخت به علت رفتارطیفی پوششگیاهی میباشد و این کلاس عمدتا به کلاسهای زمینهای کشاورزی و مراتع تبدیل شده است. در کلاس دریاچه نیز، تغییرات 4 درصدی به کلاس زمینهای نمکی و سنگی تشخیص داده شده است. عمده تغییرات در کلاس زمینهای بایر در حدود 12 درصد به کلاسسنگی و ماسهای تشخیص داده شده است. همچنین بیش از 50 درصد از مجموع مساحت کلاس مراتع به کلاس زمینهای بایر تبدیل شده که قابل توجه میباشد. مطالعه تغییرات از سال 1994 تا 1999 نشان میدهد که فقط 3 کلاس رشد مثبت دشتهاند و مابقی کلاسها رشد منفی را شاهد بودهاند که بیشترین آن مربوط به کلاس شهری میباشد و عمده تغییرات معطوف به زمینهای بایر بوده است. کلاسهای پوششگیاهی همگی رشد منفی داشتند و همچنین به دلیل شباهت طیفی این کلاسها با یکدیگر، تفکیک مناسبی بین آنها انجام نگرفته است. 12 درصد کلاس زمینهای بایر نیز به کلاس زمینهای ماسهای تبدیل شده است. طبقهبندی تصاویر و نمایش تغییرات از سال 1989 به سال 1994 نشان میدهد که زمینهای ماسهای، مرتع نوع 1، درخت، زمینهای نمکی و دریاچه رشد منفی داشتهاند. در مجموع حدود 34 درصد انواع مختلف مراتع به زمینهای بایر تبدیل شده است که با توجه به تغییر منفی در پهنههای آبی (دریاچه) منطقی مینماید و به نوعی بیانگر روند سریعتر خشکسالی است. میزان تغییرات سایر طبقهها، به طبقه زمینهای بایر که اعداد به نسبت بزرگی را شامل میگردد نیز به نوعی موید همین موضوع است.
نتیجهگیری: با توجه به موقعیت جغرافیایی استان قم و سطح زیادی از این استان به ویژه در نیمه شرقی آن را که زمینهای بیابانی شامل کلاسهای زمینهای بایر، نمکی و ماسهای در بر گرفته است، انتخاب کلاسهای ذکر شده در این تحقیق منطقی مینماید. با توجه به پوشش عمده استان یکی از معضلات حاکم بر پژوهش حاضر این موضوع بود که تقریباً قریب به اکثریت پیکسلهای پوشش دهنده استان، دارای تشابه رفتار طیفی زیادی بودند و این موضوع روند طبقهبندی را دچار مشکل میکرد. به طور کلی نتایج طبقهبندی مربوط به تصاویر اخذ شده در سال 2019 میلادی (1398 شمسی) که مربوط به زمانی نزدیک است، رشد مثبت مشهود در کلاسهای شهری، کشاورزی، انواع مرتع و پهنههای آبی را نشان میدهد که با توجه به بارندگیهای ابتدای بهار 1398 منطقی مینمود. از دیگر نکات حائز اهمیت مربوط به این سال، تغییر گسترده و تبدیل کلاس زمینهای سنگی یا صخره به انواع مرتع میباشد. با توجه به تصویر اصلی اخذ شده از سال 2019 و همچنین تصاویر طبقهبندی شده، خطای مربوط به درجات خاکستری در آن مشهود است که تشابه درجات خاکستری و طیف یکسان کلاسهای شهری و زمینهای نمکی تقریباً توسط نرمافزار به عنوان یک عارضه در نظر گرفته شده و همچنین این خطاها در کلاسهای زمینهای بایر و ماسهای نیز مشهود است.
واژگان کلیدی: پوشش زمین، تصاویر ماهواره، لندست، قم، پارامترهای هواشناسی
Investigation of Land Use Change in Qom Province along with Climatic Parameters Using Satellite Remote Sensing Technology
Abstract
Statement of the Problem: Modeling and showing the coverage of lands changes, provides a comprehensive view to researchers in various fields, including environmental and natural resources experts. One of the main methods of environmental studies is to study land cover/use and vegetation area change. In addition to showing spontaneous changes in nature, changes affected by human activities also fall into this category. Human construction has accelerated these changes in line with its development, especially in recent decades. Today, with the development of space-related sciences and remote sensing in general, as well as the production of more satellite products, it is possible to display the land use of different areas without the need for field visits and easily. The different behavior of the waves received to the satellite sensor from the various phenomena, known as spectral signature is the basis for cognition and detection the uses on the map. Such studies in Qom province have also been considered due to the very urban growth trend and the existence of several different types of climates in the not so wide area of this province.
Purpose: Qualitative and quantitative study and display of environmental and peripheral changes in Qom province over a period of about 30 years is one of the main objectives of the present study to help identify the trend of changes in different classes and complications and to model these changes in the future. Also, recognizing the changes in the outlook of Qom province, makes possible the ground for future planning.
Methodology: In present study, based on changes in climatic / meteorological parameters, study times and time steps were selected. These steps were selected 5 years apart from 1989 to 2019. The study time point was considered to be the end of spring and the beginning of summer. The reason for this was the end of the rainy season in the area. Then the images of various Landsat satellite sensors were taken at specified time steps, and these images were pre-processed, processed, and classified into 11 classes. These 11 classes included: bare land, salt land, sandy land, tree, rock, urban areas, agricultural lands and 3 different types of range. The results were also presented quantitatively and qualitatively. Based on the available real data, which was obtained visually and by sampling from different classes, the two maximum likelihood and minimum distance classification methods in Qom province were properly evaluated, which of the two, the maximum likelihood method yielded relatively better results considering the whole province with all classes and was used in the final classification.
Results and discussion: Finally, class changes between time steps were calculated and presented as a change matrix. According to the results, between 2014 and 2019 A.D, urban, water, agriculture and ranges (types 1 and 3) have grown significantly. Also, between the two steps of 2009 to 2014, on average, about 30% of the total rangelands, ie three different types of classified rangelands, have become barren lands. Also, in this step, the main change observed was the large change of sandy lands to bare lands, the reasons for which need further investigation. An examination of the changes between 2004 and 2009 shows that the negative growth in urban areas is mainly due to the poor quality of Landsat 7 satellite imagery and the similarity of the spectral behavior of salt lands and urban areas. Other negatively growing classes, including lakes, have become saltier lands and rocky areas have become barren, as well as salt lands have become barren and sandy. Examining the changes between 1999 and 2004, it is concluded that the negative changes in the tree class are due to the spectral behavior of vegetation, and this class has become mainly agricultural and rangeland classes. In the lake class, 4% changes to the salt and rocky class have been detected. Major changes in the bare land class of about 12% have been detected in the rock and sand class. Also, more than 50% of the total area of range classes has been converted to bare land class, which is significant. The study of changes from 1994 to 1999 shows that only 3 classes had positive growth and the rest of the classes have negative growth, most of which was related to the urban class and the main changes were focused on bare lands. Vegetation classes all had negative growth and also due to the spectral similarity of these classes with each other, there was no proper separation between them. 12% of the bare land class has also been turned into a sandy land class. The classification of images and the display of changes from 1989 to 1994 show that sandy soils, range type 1, trees, salt lands and lakes have grown negatively. In total, about 34% of different types of ranges have become bare lands, which seems reasonable due to the negative change in water areas (lake) and in a way indicates a faster drought. The extent to which other classes change to the bare land class, which includes relatively large numbers, also confirms this in some way.
Conclusion: Considering the geographical location of Qom province and a large area of this province, especially in the eastern half of it, which includes desert lands including barren, saline and sandy land classes, the selection of the classes mentioned in this research makes sense. Considering the major coverage of the province, one of the problems in the present study was that almost the majority of the pixels covering the province had a lot of similar spectral behavior and this issue made the classification process difficult. In general, the classification results related to the images taken in 2019 (1398 solar year), which is related to the recent time, show a positive growth in urban, agricultural, range and water areas, which according to the rainfall in early spring 1398 it was logical. Another important point related to this year is the extensive change and conversion of the class of rocky lands into different types of ranges. According to the original image taken from 2019, as well as the classified images, the error related to the degrees of gray is evident in those images. The similarity of the degrees of gray and the same spectrum of urban and salt classes is considered by the software as part of a class. These errors are also evident in bare and sandy classes.
Keywords: Land cover, Satellite Images, Landsat, Qom, Meteorological parameters