مدلسازی اثرات خشکی دریاچه ارومیه بر روند گسترش شوری در اراضی کشاورزی حاشیه شرقی دریاچه با استفاده از تکنیک فازی شیءگرا

محورهای موضوعی : توسعه سیستم های مکانی

کیوان محمدزاده ¹ (دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تبریز)
بختیار فیضی زاده ² (استادیار دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز)

تاریخ دریافت : 1395/12/19 تاریخ پذیرش : 1396/06/29 تاریخ انتشار : 1396/08/20

کلید واژه: شرق دریاچه ارومیه, تجزیه و تحلیل شیءگرای تصاویر ماهواره ای, پایش شوری خاک, اراضی کشاورزی,

چکیده مقاله :

تکنیک های تجزیه وتحلیل شیءگرای تصویر (OBIA) به عنوان یکی از روش های جدید پردازش تصاویر ماهواره ای در حوزه سنجش از دور مطرح هست که دارای پتانسیل قابل توجهی در مطالعات علوم خاک است. در این راستا OBIA به عنوان روشی شناخته شده است که جهت دستیابی به نتایج دقیق تر، الگوی طیفی و مکانی تصاویر ماهواره ای را با هم ادغام می کند. این رویکرد در برابر روش های پیکسل پایه که با چالش جدی تشابه خواص طیفی روبرو هستند، توسعه یافته است. هدف اصلی از این مطالعه بررسی شوری خاک و اعمال یک رویکرد یکپارچه از فازی شیءگرا جهت پایش تغییرات پوشش زمین در منطقه حاشیه شرق دریاچه ارومیه است که تحت تأثیر گسترش شوری بوده است. در همین راستا تصاویر ماهواره لندست 7 سنجنده +ETM مربوط به سال 2000 و تصویر ماهواره لندست 8، سنجنده OLI برای سال 2015 تهیه و پس از مرحله پیش‌پردازش، با اعمال شاخص های طیفی NDVI، روشنایی، NDSI روند شوری اراضی کشاورزی حاشیه شرقی دریاچه با استفاده از تکنیک فازی شیءگرا ارزیابی گردید. نتایج این مطالعه نشان داد که پیشرفت قابل‌توجهی در افزایش سطح شوری با نرخ بالای 54/21 درصد (18/833 کیلومترمربع) وجود دارد. با توجه به نتایج به دست آمده، زمین های بایر شور با شیب مثبت 7/19 درصد نشان‌دهنده نرخ رشد مثبت از 3/15 درصد به 05/35 درصد است. نتایج نشان داد که وضعیت بحرانی زیست‌محیطی برای اراضی کشاورزی شرقی دریاچه ارومیه نیاز به توجه جدی تصمیم‌گیرندگان و مسؤولین در استان آذربایجان شرق دارد.

چکیده انگلیسی:

Object based image analysis (OBIA) techniques are known as new methods in the domain of remote sensing image processing methods which are having significant potentialities for a variety of applications in pedology sciences. In this regard OBIA known as approach which integrate spectral and spatial pattern of satellite images for obtaining more accurate results. This approach has developed against of pixel based methods which are facing serious challenges due to the similarity index in spectral properties. The main objective of this study is to analyze soil salinity and apply an integrated approach of Fuzzy-object based for monitoring changes in soil characterize in the eastern area of Uremia Lake which has been under an environmental impact of lake drought. For this goal, Landsat 7 satellite images (ETM+) of 2000 and Landsat 8 (OLI) satellite image, for 2015 was prepared. In doing so, first pre-processing steps on satellite images were established. Accordingly, soil salinity trends of agricultural croplands in eastern area were evaluated using fuzzy object based image analysis approach. For this goal, we employed the object based features including: NDVI, spectral indices, brightness and NDSI. The results of this research indicated that, significant progress in increasing salinity areas while the soil salinity rate measured up about 21.54 % (833/18 Km2). According to the results, the salty barren lands with positive slope 19.7 % represent a positive growth rate while it has increased from 15.3 % to 35.05 %. Results indicated the critical environmental situation for the agriculture croplands located in the Eastern area of Uremia Lake which requires the attention of decision makers and authorizations in the East Azerbaijan province.

منابع و مأخذ:

1. احمدیان، م.، م. پاک­پرور و د. عاشورلو. 1389. بررسی تغییرات شوری خاک به کمک پردازش رقومی اطلاعات ماهواره لندست در دشت قهاوند (استان همدان). پژوهش ­های خاک (علوم خاک و آب)، 24(2): 179-191.


2. اخضری، د. و ا. اسدی می­آبادی. 1395. تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده­های سنجنده OLI و    داده­های میدانی (مطالعه موردی: جنوب دشت ملایر). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(2): 87-100.


3. پیشنماز احمدی، م.، م. ح. رضایی­مقدم.، و ب. فیضی زاده. 1396. بررسی شاخص­ها و تهیه نقشه شوری خاک با استفاده از داده­های سنجش از دور(مطالعه^ء موردی: دلتای آجی­چای). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(1): 96-85.


4. خادمی، ف.، ح. پیرخراطی و س. شاه­کرمی. 1391. مطالعه روند افزایش خاک­های شور اطراف دریاچه ارومیه با استفاده از GIS و RS. علوم زمین، 24(94): 93-98.


5. خنامانی، ع.، ر. جعفری، ح. سنگونی و ع. شهبازی. 1390. ارزیابی وضعیت خاک با استفاده از فن­آوری سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: دشت سگزی اصفهان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 2(3): 25-37.


6. رضایی­مقدم، م. ح.، م. رضایی بنفشه، ب. فیضی­زاده و ح. نظم­فر. 1389. طبقه­بندی پوشش اراضی/ کاربری اراضی بر اساس تکنیک شی­گرا و تصاویر ماهواره­ای، مطالعه موردی: استان آذربایجان غربی. پژوهش­های آبخیزداری، 23(2): 19-32.


7. سرمدیان، ف.، ح. متین فر، س. ک، علوی پناه .1386. "شناسایی خاکهای شور منطقه خشک ( کاشان ) بر مبنای پردازش رقومی داده های ماهواره IRS و مطالعات میدانی." مجله آب و آبخیز جلد2شماره3.


8. فتاحی، م. م. 1390. کاربرد سنجش از دور و GIS در ارزیابی و طبقه­بندی شوری­زایی به روش FAO-UNEP (مطالعه موردی: حوضه آبخیز قمرود). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 2(2): 111-121.


9. محرمی، م. 1395. مدلسازی تاثیرات پسروی دریاچه ارومیه بر روستاهای ساحل شرقی با پردازش شیءگرای تصاویر ماهواره­ای، پایاننامه کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز.


10. ﻣﺤﻤﻮدی، ف. ر. ﺟﻌﻔﺮی، ح. ر. ﻛﺮﻳﻢ و ، زاده  ن. رﻣﻀﺎﻧﻲ. 1394.ﭘﻬﻨﻪ ﺑﻨﺪی ﺷﻮری ﺧﺎک ﻫﺎی  ﻣﻨﻄﻘﻪ ﺟﻨﻮب  ﺷﺮق اﺳﺘﺎن اﺻﻔﻬﺎن ﺑﺎ اﺳﺘﻔﺎده از داده­ﻫﺎی زﻣﻴﻨﻲ و ﺳﻨﺠﻨﺪه­ای TM ﻣﺎﻫﻮاره. ﻋﻠﻮم آب و ﺧﺎک. .19(1): 31-45.


11. میرعلیزاده­فرد، س. ر. و س. م. علی­بخشی. 1395. پایش و پیش­بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف و مدلساز تغییر کاربری اراضی (مطالعة موردی: دشت برتش دهلران، ایلام). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(2): 33-46.


12. نوری، غ. ر. و و. آقائی. 1391. ارزیابی خطرات زیست­محیطی مناطق حاشیه دریاچه ارومیه ناشی از نوسانات مرز پیرامونی طی سال‌های 1985 تا 2010. مجله مخاطرات محیط طبیعی، 1(2): 79-94.
    
    
    
    1. Baatz M, Benz U, Dehghani S, Heynen M, Höltje A, Hofmann P, Lingenfelder I, Mimler M, Sohlbach M, Weber M & Willhauck G 2004. eCognition Professional User Guide 4. München: Definiens Imaging GmbH.
    
    
    2. Ben-Dor E. 2002. Quantitative remote sensing of soil properties. Advances in Agronomy, 75: 173-243.
    
    
    3. Bertani, T. C., Novack, T., Hayakawa, E. H., & Zani, H. (2010). Detection of Saline and Non-Saline Lakes on The Pantanal of Nhecolândia (Brazil) Using Object-Based Image Analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38
    
    
    4. Campbell JB, Wynne RH. 2002. Introduction to Remote Sensing. 5^th ed. London: Taylor and Francis Ltd. 667 pp.
    
    
    5. Dale P, Hulsman K, Chandica A. 1986. Classification of reflectance on colour infrared aerial photographs and sub-tropical salt-marsh vegetation types. International Journal of Remote Sensing, 7(12): 1783-1788.
    
    
    6. Dehaan R, Taylor G. 2002. Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization. Remote Sensing of Environment, 80(3): 406-417.
    
    
    7. Dwivedi R, Sreenivas K, Ramana K. 1999. Inventory of salt-affected soils and waterlogged areas: a remote sensing approach. International Journal of Remote Sensing, 20(8): 1589-1599.
    
    
    8. Fan G, Qiang H, Xiaoyi S, Zhenglong Y. 2011. Study on dynamic changes of the soil salinization in the upper stream of the Tarim river based on RS and GIS. Procedia Environmental Sciences, 11: 1135-1141.
    
    
    9. Farifteh J, Farshad A, George R. 2006. Assessing salt-affected soils using remote sensing, solute modelling, and geophysics. Geoderma, 130(3): 191-206.
    
    
    10. Hall O, Hay GJ, Bouchard A, Marceau DJ. 2004. Detecting dominant landscape objects through multiple scales: An integration of object-specific methods and watershed segmentation. Landscape Ecology, 19(1): 59-76.
    
    
    11. Hoffmann A, Van der Vegt J. 2001. New sensor systems and new classification methods: laserand digital camera-data meet object-oriented strategies. GeoBIT/GIS, 6: 18-23.+17
    
    
    12. Lees B. 2006. The spatial analysis of spectral data: Extracting the neglected data. Applied GIS, 2(2): 14.11-14.13.
    
    
    13. Metternicht G. 2001. Assessing temporal and spatial changes of salinity using fuzzy logic, remote sensing and GIS. Foundations of an expert system. Ecological Modelling, 144(2): 163-179.
    
    
    14. Milewski R, Chabrillat S, Behling R. 2017. Analyses of Recent Sediment Surface Dynamic of a Namibian Kalahari Salt Pan Based on Multitemporal Landsat and Hyperspectral Hyperion Data. Remote Sensing, 9(2): 170-194.
    
    
    15. Pei W, Yao S, Knight JF, Dong S, Pelletier K, Rampi LP, Wang Y, Klassen J. 2017. Mapping and detection of land use change in a coal mining area using object-based image analysis. Environmental Earth Sciences, 76(3): 125-137.
    
    
    16. Schiewe J, Tufte L, Ehlers M. 2001. Potential and problems of multi-scale segmentation methods in remote sensing. GeoBIT/GIS, 6(1): 34-39.
    
    
    17. Scudiero E, Skaggs TH, Corwin DL. 2014. Regional scale soil salinity evaluation using Landsat 7, western San Joaquin Valley, California, USA. Geoderma Regional, 2: 82-90.
    
    
    18. Stals, J. P. (2007). Mapping potential soil salinization using rule based object-oriented image analysis (Doctoral dissertation, Stellenbosch: University of Stellenbosch).
    
    
    19. Stocking 1995. Soil erosion and land degradation. In O’Riordan T (ed) Environmental Science for Environmental Management, pp223-242. Harlow: Longman.
    
    
    20. Yan, GAO., 2003, Pixel Based and Object Oriented Image for Coal Fire Research.
    
    
    21. Zhang Y, Maxwell T. 2006. A fuzzy logic approach to supervised segmentation for object-oriented classification. In: ASPRS 2006 Annual Conference Reno, Nevada. May 1-5.