ارزیابی کمی بیابان زایی در دشت کاشان با استفاده از شاخص های حاصل از تصاویر ماهواره ای
محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطیزهرا اسلامیان 1 , فاطمه پناهی 2 * , عباسعلی ولی 3 , سید حجت موسوی 4
1 - دانشجوی دکتری بیابان‌زدایی، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
2 - استادیار دانشگاه کاشان
3 - دانشیار دانشکده منابع طبیعی و علوم زمین دانشگاه کاشان
4 - استادیار ژئومورفولوژی، گروه جغرافیا و اکوتوریسم، دانشکده منابع طبیعی و علوم زمین
کلید واژه: بیابانزایی, دشت کاشان, مدلسازی, سنجش از دور,
چکیده مقاله :
بیابانزایی یک مشکل زیستمحیطی در سراسر جهان است. دادهها و تکنیک سنجشازدور اطلاعات قابل‌توجهی را برای تهیه نقشه و ارزیابی بیابانزایی ارائه میدهد. برای بررسی دقیق بیابانزایی دشت کاشان ابتدا با استفاده از تصاویر ماهواره لندست 5 و 8 نقشه کاربری اراضی برای سال 2008 و 2020 تهیه گردید. سپس با استفاده از داده‌های تصاویر ماهوارهای شاخصهای TGSI (شاخص اندازه دانه سطحی خاک) و داده‌های Albedo (آل بدو سطح زمین) تهیه، سپس نقشه بیابانزایی DDI مدل‌های فضای Albedo-TGSI ایجاد و دقت استخراج این نقشه‌ها بررسی گردید. اراضی بایر و مراتع به ترتیب کاهش 75/7 و 80/1 درصدی داشته این در حالی است که شورهزار، مناطق انسانساخت و اراضی کشاورزی به ترتیب حدود 60/6، 61/1 و 43/1 درصد افزایش نشان داده است. بررسی صحت کلی و ضریب کاپا نقشه کاربری اراضی نشان داد که این شاخصها برای سال 2008 به ترتیب 95% و 91/0 و برای سال 2020 نیز 96 و 94/0 است. همچنین بررسی نقشه بیابانزایی سال 2008 نشان داد که بیشترین مساحت مربوط به کلاس متوسط و کم و بدون بیابانزایی بوده که حدود 69 درصد از دشت کاشان را پوشش داده است. این در حالی است که نتایج بیابانزایی در سال 2020 بیان داشت که کلاسهای بیابانزایی شدید و خیلی شدید حدود 42/55 درصد از مساحت این منطقه را دربر گرفتهاند. این نتایج بیانگر افزایش بیابانزایی و شرایط ایجاد اراضی بیابانی دشت کاشان است. نتایج صحت سنجی نشان داد که دقت کلی و ضریب کاپا نقشه تهیه‌شده به ترتیب 92/94 % و 52/93 % است. درحالیکه مدل Albedo-TGSI برای مناطق با پوشش گیاهی نسبتاً کم مناسب است. این مطالعه یک مرجع فنی برای بررسی بیابانزایی مناطق مختلف فراهم میکند.
Desertification is a worldwide environmental problem. Remote sensing data and techniques provide significant information for desertification mapping and assessment. In order to investigate the desertification of Kashan plain first, land use maps for 2008 and 2020 were prepared using Landsat satellite images 5 and 8. Then, using the data of satellite images, TGSI indices (surface soil grain size index) and Albedo data (ground surface albedo) were prepared, then the DDI desertification map of Albedo-TGSI space models was created and the accuracy of these maps was checked. Barren lands and pastures have decreased by 7.75% and 1.80%, respectively, while salt marshes, man-made areas, and agricultural lands have increased by 6.60%, 1.61%, and 1.43%, respectively. Examining the overall accuracy and kappa coefficient of the land use map showed that these indicators are 95% and 0.91 for 2008 and 96 and 0.94 for 2020, respectively. Also, the study of the desertification map of 2008 showed that the largest area was related to the medium and low class and without desertification, which covered about 69% of the Kashan plain. Meanwhile, the results of desertification in 2020 stated that severe and very severe desertification classes have covered about 55.42% of the area of this region. These results indicate the increase in desertification and the conditions for the creation of desert lands in the Kashan Plain. The validation results showed that the overall accuracy and kappa coefficient of the prepared map is 94.92% and 93.52%, respectively. While the Albedo-TGSI model is suitable for areas with relatively low vegetation cover. This study provides a technical reference for studying the desertification of different regions.
1) Amiri F, Tabatabaie T. 2022. The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr. Journal of RS and GIS for Natural Resources, 13(2), 130-147. doi: 10.30495/girs.2022.692349.
2) Aramesh M, vali A, Ranjbar A. 2022. Assessment of land cover change and desertification using remote sensing technology in north of Isfahan province (Case study: Kashan, Aran and Bidgol)., 29(2), 146-160. doi: 10.22092/ijrdr.2022.127221.
3) Basso F, Bove E, Dumontet S, Ferrara A, Pisante M, Quaranta G, Taberner M. 2000. Evaluating environmental sensitivity at the basin scale through the use of geographic information systems and remotely sensed data: an example covering the Agri basin (Southern Italy). Catena, 40(1), 19-35.
4) Cao H, Amiraslani F, Liu J, Zhou N. 2015. Identification of dust storm source areas in West Asia using multiple environmental datasets. Science of the Total Environment, 502, 224-235.
5) Chang S, Wu B, Yan N, Davdai B, Nasanbat E. 2017. Suitability assessment of satellite-derived drought indices for Mongolian grassland. Remote Sensing, 9(7), 650.
6) Chang XL, Gao YB. 2003. Quantitative Expression in Regional Desertification Study. Journal of Desert Research, 23(2), 106.
7) Elnashar A, Zeng H, Wu B, Gebremicael TG, Marie K. 2022. Assessment of environmentally sensitive areas to desertification in the Blue Nile Basin driven by the MEDALUS-GEE framework. Science of The Total Environment, 815, 152925.
8) Eskandari H, eskandari damaneh H, Khosravi H, cheraghi M, Adeli Sardooei M. 2023. Assessment of land degradation using Landsat satellite data in the period 2011-2021 (Case Study: Isfahan county). Journal of RS and GIS for Natural Resources, 14(1), 20-24. doi: 10.30495/girs.2023.686944.
9) Eskandari Damaneh H, Khosravi H, Habashi K, Eskandari Damaneh H, Tiefenbacher JP. 2022. The impact of land use and land cover changes on soil erosion in western Iran. Natural Hazards, 110(3), 2185-2205.
10) Eskandari Damneh H, Eskandari Damaneh H, Cheraghi M, Khosravi H, Adeli Sardooei M. 2021. The effect of land use change on the formation of heat islands using remote sensing (Case study: Kerman). Journal of Natural Environment, 74(3), 614-628. doi: 10.22059/jne.2022.327993.2258. (in persian).
11) Feng J, Ding JL, Wei WY. 2018. Research on soil salinization in Weikui Oasis based on the characteristic space of Albedo-MSAVI. J. China Rural Water Hydropower, 2, 147-152.
12) Gharaati Jahrami M, Vali A, Mousavi H, Panahi F, Khosravi H. 2013. monitoring land use changes in the Kashan Plain using remote sensing data, International Scientific-Research Journal of Geodynamics, vol. 4, no. 2, pp. 129. (in persian).
13) Hashem Geloogerdi S, Vali A, Sharifi MR. 2021. Application of TGSI - Albedo feature space model in assessing of desertification status in the center of Khuzestan province. Desert Management, 9(3), 49-66. doi: 10.22034/jdmal.2021.534364.1341. (in persian).
14) Jiang L, Jiapaer G, Bao A, Li Y, Guo H, Zheng G, De Maeyer P. 2019. Assessing land degradation and quantifying its drivers in the Amudarya River delta. Ecological Indicators, 107, 105595.
15) Lamchin M, Lee WK, Jeon SW, Lee JY, Song C, Piao D, Navaandorj I. 2017. Correlation between desertification and environmental variables using remote sensing techniques in Hogno Khaan, Mongolia. Sustainability, 9(4), 581.
16) Lamchin M, Lee JY, Lee WK, Lee EJ, Kim M, Lim CH, Kim SR. 2016. Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia. Advances in Space Research, 57(1), 64-77.
17) Liu Q, Liu G, Huang C. 2018. Monitoring desertification processes in Mongolian Plateau using MODIS tasseled cap transformation and TGSI time series. Journal of arid land, 10(1), 12-26.
18) Ma Z, Xie Y, Jiao J, Wang X. 2011. The construction and application of an Albedo-NDVI based desertification monitoring model. Procedia Environmental Sciences, 10, 2029-2035.
19) Piña RB, Díaz-Delgado C, Mastachi-Loza CA, González-Sosa E. 2016. Integration of remote sensing techniques for monitoring desertification in Mexico. Human and Ecological Risk Assessment: An International Journal, 22(6): 1323-1340. doi:https://doi.org/10.1080/10807039.2016.1169914.
20) Qi X, Jia J, Liu H, Lin Z. 2019. Relative importance of climate change and human activities for vegetation changes on China's silk road economic belt over multiple timescales. Catena, 180, 224-237.
21) Rafei A, Danehkar A, Zandebasiri M, Bagherzadekarimi M. 2022. An analysis of the land use/land cover changes of Shadegan International Wetland in the last two decades. Journal of RS and GIS for Natural Resources, 13(2), 1-19. doi: 10.30495/girs.2022.684329.
22) Reynolds JF, Grainger A, Stafford Smith DM, Bastin G, Garcia‐Barrios L, Fernández RJ, Zdruli P. 2011. Scientific concepts for an integrated analysis of desertification. Land degradation & development, 22(2), 166-183.
23) Robinove CJ, PS Chavez Jr, Gehring D, Holmgren R. 1981. Arid land monitoring using Landsat albedo difference images. Remote Sensing of Environment, 11, 133-156.
24) Rui Z, Yongxiang Z, Shifeng Z. 2010. The application of spatial information technology in modern flood and disasters control. In The 2nd International Conference on Information Science and Engineering (pp. 6994-6997). IEEE.
25) Vendruscolo J, Perez Marin AM, dos Santos Felix E, Ferreira KR, Cavalheiro WC, Fernandes IM. 2021. Monitoring desertification in semiarid Brazil: using the desertification degree index (DDI). Land Degradation & Development, 32(2), 684-698.
26) Verstraete MM, Pinty B. 1996. Designing optimal spectral indexes for remote sensing applications. IEEE Transactions on Geoscience and Remote Sensing, 34(5), 1254-1265.
27) Wei H, Wang J, Cheng K, Li G, Ochir A, Davaasuren D, Chonokhuu S. 2018. Desertification information extraction based on feature space combinations on the Mongolian plateau. Remote Sensing, 10(10), 1614.
28) Wessels KJ, Van Den Bergh F, Scholes RJ. 2012. Limits to detectability of land degradation by trend analysis of vegetation index data. Remote sensing of Environment, 125, 10-22.
29) Yu X, Zhuo Y, Liu H, Wang Q, Wen L, Li Z, Wang L. 2020. Degree of desertification based on normalized landscape index of sandy lands in inner Mongolia, China. Global Ecology and Conservation, 23, e01132.
30) Zeng YN, Feng Z, Xiang N. 2006. Albedo-NDVI space and remote sensing synthesis index models for desertification monitoring. Scientia Geographica Sinica, 26(1), 75.
31) Zolfaqhari F, Abdulahi V. 2022. Determining the intensity of desertification based on spectral indices using Sentinel-2 images) Study area: Sistan and Baluchistan Province, Journal of Remote Sensing and Geographical Information System in Natural Resources, 108-126 :(1)13.
ارزیابی کمی بیابانزایی در دشت کاشان با استفاده از شاخصهای حاصل از تصاویر ماهوارهای
چکیده
بیابانزایی یک مشکل زیستمحیطی در سراسر جهان است. دادهها و تکنیک سنجشازدور اطلاعات قابل‌توجهی را برای تهیه نقشه و ارزیابی بیابانزایی ارائه میدهد. برای بررسی دقیق بیابانزایی دشت کاشان ابتدا با استفاده از تصاویر ماهواره لندست 5 و 8 نقشه کاربری اراضی برای سال 2008 و 2020 تهیه گردید. سپس با استفاده از داده‌های تصاویر ماهوارهای شاخصهای TGSI (شاخص اندازه دانه سطحی خاک) و داده‌های Albedo (آل بدو سطح زمین) تهیه، سپس نقشه بیابانزایی DDI مدل‌های فضای Albedo-TGSI ایجاد و دقت استخراج این نقشه‌ها بررسی گردید. اراضی بایر و مراتع به ترتیب کاهش 75/7 و 80/1 درصدی داشته این در حالی است که شورهزار، مناطق انسانساخت و اراضی کشاورزی به ترتیب حدود 60/6، 61/1 و 43/1 درصد افزایش نشان داده است. بررسی صحت کلی و ضریب کاپا نقشه کاربری اراضی نشان داد که این شاخصها برای سال 2008 به ترتیب 95% و 91/0 و برای سال 2020 نیز 96 و 94/0 است. همچنین بررسی نقشه بیابانزایی سال 2008 نشان داد که بیشترین مساحت مربوط به کلاس متوسط و کم و بدون بیابانزایی بوده که حدود 69 درصد از دشت کاشان را پوشش داده است. این در حالی است که نتایج بیابانزایی در سال 2020 بیان داشت که کلاسهای بیابانزایی شدید و خیلی شدید حدود 42/55 درصد از مساحت این منطقه را دربر گرفتهاند. این نتایج بیانگر افزایش بیابانزایی و شرایط ایجاد اراضی بیابانی دشت کاشان است. نتایج صحت سنجی نشان داد که دقت کلی و ضریب کاپا نقشه تهیه‌شده به ترتیب 92/94 % و 52/93 % است. درحالیکه مدل Albedo-TGSI برای مناطق با پوشش گیاهی نسبتاً کم مناسب است. این مطالعه یک مرجع فنی برای بررسی بیابانزایی مناطق مختلف فراهم میکند.
کلمات کلیدی: بیابانزایی، سنجشازدور، مدلسازی، دشت کاشان
مقدمه
بیابانزایی یک فرآیند پیچیده است که حاصل از تعامل بین عوامل محیطی و انسانی است (5). این پدیده را میتوان به نوعی فرآیند تخریب زمین تعریف کرد که اغلب در مناطق خشک، نیمه‌خشک و تا حدی مناطق نیمه‌مرطوب رخ میدهد (7). این پدیده مناطق بسیار وسیعی از جهان را تحت تأثیر قرار میدهد و میتواند باعث از دست دادن غیرقابل برگشت تولید زمین شود (10). این پدیده مخرب یکی از جدی‌ترین مسائل زیستمحیطی و اجتماعی-اقتصادی در مقیاس جهانی محسوب میشود و توجه جهانی را به خود جلب کرده است (2، 25). بیابانزایی را میتوان با روش‌های مختلفی ارزیابی کرد، به عنوان مثال، با مشاهده و اندازهگیری مستقیم، مدل‌های ریاضی و با استفاده از شاخصهای حاصل از سنجش از دور (RS) محاسبه کرد (23). به طور معمول برای ارزیابی درست خطرات بیابانزایی باید دو ویژگی فیزیکی مکان و الگوهای پراکنش کاربری زمین در منطقه را بررسی نمود. از دهه 1980، شاخصهای پوشش گیاهی، مانند شاخص نرمال سازی شده پوشش گیاهی (NDVI) به دلیل تخریب اراضی به طور گسترده برای برآورد بیابانزایی مورد استفاده قرار گرفته است (6، 29). با توسعه سریع فنآوری سنجش از دور و سیستم اطلاعات جغرافیایی به همراه سیستم موقعیتیابی جهان Rui این ارزیابی با دقت و سرعت بالایی انجام میشود. (1، 8 و 24) با گسترش علم سنجش از دور در سطح جهان تحقیقات در مورد پایش بیابانزایی رونق یافت (4). در ابتدا، محققان از تخریب اراضی که توسط شاخصهای پوشش گیاهی منعکس میشود برای نشان دادن بیابانزایی استفاده کردند (28، 4). در آغاز قرن بیست و یکم، تعدادی از مطالعات نشان دادند که ویژگی‌های بافت، محتوای رطوبت و آلبدو سطح با تغییر در کاربری زمین تغییر میکند (27). در همان زمان، برخی از محققان دریافتند که پایش تغییرات در پوشش گیاهی و کاربری اراضی راه مناسبی برای اندازهگیری بیابان‌زاییاند (20).
زنگ و همکاران (30) از Albedo و NDVI برای بررسی فضایی Albedo-NDVI برای مطالعه در مورد بیابانزایی استفاده کرد. آنها دریافتند که داده‌های سنجشازدور چند طیفی دارای اهمیت بیوفیزیکی واضحی هستند و می‌توانند پوشش سطح، ترکیب گرمابی و تغییرات در بیابانزایی زمین را منعکس کنند. فنگ و همکاران (11) پیشنهاد مدل فضای Albedo-MSAVI با جایگزینی NDVI با MSAVI و استفاده از آن در مطالعه شوری خاک را پپیشنهاد دادند. بیابان‌زدایی بهتر با ترکیب شاخص پوشش گیاهی و بررسی ترکیب ذرات سطحی خاک است؛ بنابراین، TGSI (شاخص اندازه دانه سطحی خاک) به عنوان شاخص ارزیابی تخریب زمین توصیه میشود (18). لامچین و همکاران (16) به ترتیب از NDVI، TGSI و Albedo به عنوان شاخصهای معرف زیست توده پوشش گیاهی، الگوی چشم‌انداز و میکرو اقلیم استفاده کردند. سپس، استخراج اطلاعات بیابانزایی در ذخیره‌گاه طبیعی هوگنو خان در مغولستان برای تکمیل یک تحلیل پویا از بیابانزایی انجام شد. در سال 2017 لامچین و همکاران (15) دریافتند که در سطحی که بیابانزایی صورت گرفته است بیشترین همبستگی بین TGSI و Albedo وجود دارد که این مبنایی برای ساخت مدل فضای ویژگی Albedo-TGSI فراهم کرد. ذوالفقاری و عبدالهی (31 ) در بررسی نتایج خود دریافتند رابطه شاخصTGSI با Albedo خصوصيات فضايي مناطق عاري از پوشش گياهي و همچنين مناطق با پوشش گياهي خيلي كم را براي تعيين شدت بيابانزايي بهتر نشان ميدهد. پينـا و همكاران (19) به كمك سنجشازدور به استخراج شـاخصهـايNDVI ،BSI و Albedo از تصاوير ماهواره لندست پرداختند. آنها از مدل آناليز خطي تغييرات براي بررسي اندازه اين شاخصها براي تعيین تخريب يا پيشرفت وضعيت زمين در بازههای زماني مختلف استفاده نمودند. آنها در ايـن مطالعه با استفاده از ارتباط بين Albedo /NDVI شاخص درجه بيابانزايي را نشان دادند.
دشت کاشان به‌دلیل موقعیت جغرافیایی که در قسمت مرکزی ایران دارد در سال‌های اخیر به دلیل افزایش حفر چاه‌های آب زیر‌زمینی، برداشت بيرويه از منابع آب زيرزميني، افزایش سطح زیر کشت محصولات کشاورزی و روش‌های آبياري‌هاي غيراصولی و همچنین تغییرات اقلیمی سبب خشک شدن این دشت گردیده و نیاز به مدیریت و برنامه‌ریزی مدون جهت جلوگیری از تخریب سرزمین هر چه بیشتر این منطقه است که این مهم، نیازمند آگاهی از روند بیابانزایی درمنطقه مورد مطالعه است که توسط علم سنجشازدور این عمل امکانپذیر است. لذا با توجه به اهمیت موضوع، در این پژوهش به کمیسازی بیابانزایی در دشت کاشان با استفاده از شاخصهای حاصل از داده‌های سنجشازدور پرداخته شد که تاکنون تحقیقی با این سطح و حجم در این منطقه با این موضوع صورت نپذیرفته است و این تحقیق برای اولین بار به این مبحث میپردازد.
مواد و روش‌‌ها
منطقه مورد مطالعه
دشت کاشان در دامنه کوههای کرکس و حاشیه کویر مرکزی ایران در حدود 240 کیلومتری جنوب تهران و بین طول‌های جغرافیائی 54/51 و 05/51 و عرضهای 45/33 و 23/34 قرار دارد. دشت کاشان، به وسعت 699837 هکتار، شهر کاشان و بخش مرکزی آن و شهر آران و بیدگل و همه بخشهای آن و اراضی کشاورزی واقع در دشت را شامل میشود. حداکثر ارتفاع دشت کاشان از سطح دریا 3556 متر در قسمت حاشیه غربی دشت و حداقل ارتفاع آن 753 متر در حاشیه کویر است (شکل1). این منطقه، به علت مجاور با کویر و دوری از دریاها، با بارش کمتر از 150 میلیمتر در اطراف شهر کاشان، یکی از مناطق کم باران ایران است. دوربودن از سایر منابع رطوبتی و قرارگرفتن در ناحیة کویری اصولا باعث کمبودِ رطوبت مطلق هوا شده است. ضمنا بالا بودن دما هوا باعث افزایش ظرفیت رطوبتی هوا و در نتیجه کاهش رطوبت نسبی میشود. اقلیم منطقة کاشان، بر طبق روش دومارتن، با ضریب خشکی 8/4، جزو مناطق خشک یا بیابانی شدید است و نواحی کوهستانی جنوب دشت کاشان جزو مناطق نیمه خشک به شمار میرود. به علت آب و هوای خشک و کمبود ریزشهای جوی، این منطقه فاقد رودخانه‌های بزرگ و دائمی است و جریانهای سطحی آن از چندین رودخانة فصلی تشکیل شده است.
شکل 1. موقعیت دشت کاشان در استان اصفهان
Fig 1. Location of Kashan plain in Isfahan province
داده‌های مورد استفاده
شکل 2 مراحل مختلف انجام تحقیق را نشان میدهد. درابتدا در این مطالعه از داده‌های‌سنجشازدوری ماهواره لندست برای بررسی، فرآیندهای بیابانزایی و محاسبه شاخصهای مورد مطالعه در بازه زمانی 2008 تا 2020 استفاده شد. تصاویر ماهواره لندست 5 و 8 به ترتیب برای سال‌های 2008 و 2020 از سایت زمین شناسی آمریکا (http://earthexplorer.usgs. gov/) تهیه شدند؛ که جزییات این دادهها در جدول 1 آورده شده است. پس از اعمال پیش پردازش‌های لازم نقشه طبقهبندی کاربری اراضی برای دشت کاشان در سال‌های 2008 و 2020 با استفاده از روش حداکثر احتمال در نرم افزار ENVI5.3 تهیه گردید (21، 9). در نهایت نقشه کاربری در 5 کلاس اراضی بایر، مراتع، شورهزار، اراضی کشاورزی و مناطق انسان ساخت تهیه گردید. جزییات هر کدام از این کاربری‌ها در جدول 2 آورده شده است.
شکل2. فرآیند تحقیق
Fig 2. The research process
جدول 1. مشخصات مربوط به تصاویر استفاده شده در تحقیق حاضر
Table 1. Specifications related to the images used in this research
تاریخ میلادی | تاریخ خورشیدی | ماهواره | سنجنده | گذر/ ردیف | قدرت تفکیک مکانی (متر) |
2008 | 1387 | لندست 5 | TM | 160/39 | 30 |
2020 | 1399 | لندست 8 | OLI | 160/39 | 30 |
جدول 2. جزییات کاربری‌های استفاده شده در تحقیق حاضر
Table2. Details of the applications used in this research
کاربری اراضی | توضیحات |
مناطق و انسان ساخت، | مناطق مسکونی، تجاری، شبکه‌های حمل و نقل ماننده جاده‌ها و شبکه ریلی |
اراضی کشاورزی | اراضی کشاورزی، باغی، زراعی |
مراتع | مراتع، مناطق کوهستانی |
اراضی بایر | اراضی با پوشش گیاهی کم و پراکنده، |
شوره زار | اراضی شور، ماسه زارها، اراضی لخت و بدون پوشش گیاهی |
برآورد شاخصهای TGSI و Albedo
پس از بررسی تغییرات کاربری اراضی با استفاده از روش حداکثر احتمال شاخصهای NDVI، TGSI و Albedoتهیه شدند. این شاخصها را با استفاده از داده‌های باندهای قرمز، مادون قرمز نزدیک، آبی، سبز و باند مادون قرمز کوتاه محاسبه گردید.
NDVI با استفاده از رابطه 1 محاسبه میشود (14):
NIR در این معادله = باند مادون قرمز نزدیک، R = باند قرمز
TGSI نیز با استفاده از رابطه 2 بدست می‌آید:
[2]
که در آن B باند آبی و G باند سبز
آلبدو یکی از مهم‌ترین پارامترهای تعادل انرژی تشعشعی بر روی زمین است و مقادیر آن را میتوان با رطوبت خاک، پوشش گیاهی، پوشش برف و سایر شرایط سطح زمین تغییر داد. راستی‌آزمایی میدانی نشان میدهد که با افزایش درجه بیابانزایی، مورفولوژی سطح تغییر میکند، زبری سطح کاهش می‌یابد و آلبدو سطح به طور مداوم افزایش می‌یابد (29). رابطه آلبدو به صورت زیر است.
[3]
که در آن SWIR1 و SWIR2 باندهای مادون قرمز کوتاه هستند.
با توجه به نتایج تحقیقاتی که توسط ورستریت و پینتی (26) در سال 1996 انجام شد، بیابانزایی را میتوان به طور مؤثر با استفاده از رابطه چند بعدی Albedo-NDVI محاسبه کرد. علاوه بر این، مکان جهت عمودی در فضای چند بعدی Albedo-NDVI را میتوان به خوبی با یک عبارت چند جمله‌ای خطی ساده به شرح زیر برازش داد (رابطه 4):
که در آن DDI (Desertification Divided Index) شاخص تقسیم بیابانزایی است و K توسط شیب خط مستقیم منطبق‌شده در فضای چند بعدی تعیین شد. با توجه به نتایج تحقیق انجام شده توسط ما و همکاران (18) در سال 2011، مقادیر DDI را میتوان با طبقهبندی شکست طبیعی جنکس (Natural Breaks Jenks) به پنج سطح مختلف تقسیم کرد. این پنج سطح بیابانزایی عبارتند از: بیابانزایی شدید، بیابانزایی زیاد، بیابانزایی متوسط، بیابانزایی کم و بدون بیابانزایی.
روش طبقهبندی شکست طبیعی جنکس بر اساس گروه‌بندی طبیعی ذاتی دادهها است و طبقه آن در موقعیتی تنظیم میشود که مقادیر دادهها نسبتاً متفاوت هستند. این روش هر نوع موقعیت طبقهبندی را محاسبه میکند و به طور خودکار وضعیت طبقهبندی را با حداقل مقادیر واریانس انتخاب میکند تا به نتیجه طبقهبندی بهینه دست یابد.
ارزیابی دقت و مقایسه مدل DDI و داده‌های واقعی
برای تأیید صحت مدل سال 2020، به طور میانگین برای هر کلاس با استفاده از روش مورد مطالعه هاشم گلوگردی و همکاران (13) در سال 1400 در سراسر دشت کاشان انتخاب شد. سپس، نقاط تأیید با تفسیر بصری بر اساس تصاویر رنگی و واقعی لندست 8 و نقشه گوگل ارث تفسیر شدند. در نهایت، ماتریس خطا، دقت کلی و همچنین ضریب کاپا را به دست آمد.
نتایج
بررسی روند تغییرات کاربری دشت کاشان
بررسی تغییرات کاربری اراضی دشت کاشان در شکل3 و جدول 3 نشان میدهد که در بازه زمانی 2008 تا 2020 بیشترین مساحت کاربری به ترتیب متعلق به کاربری اراضی بایر، مراتع، شورهزار، اراضی کشاورزی و مناطق انسان ساخت بوده که در سال 2008 حدود 22/68، 43/15، 96/8 ، 29/ 6 و 08/1 در سال 2020 بیشترین مساحت به ترتیب متعلق به کاربری اراضی بایر، شورهزار، مراتع، اراضی کشاورزی و مناطق انسان ساخت است که به ترتیب حدود 46/60، 57/15، 64/13، 64/7 و 69/2 درصد از مساحت دشت کاشان را در بر گرفته است. براساس جدول 3 در این بازه زمانی 12 ساله اراضی بایر و مراتع به ترتیب کاهش 75/7 و 80/1 درصدی داشته این در حالی است که، شورهزار، مناطق انسان ساخت و اراضی کشاورزی به ترتیب حدود 60/6، 61/1 و 43/1 درصد افزایش نشان داده است. بررسی صحت کلی و ضریب کاپا نقشه کاربری اراضی نشان داد که این شاخصها برای سال 2008 به ترتیب 95% و 91/0 و برای سال 2020 نیز 96 و 94/0 است.
شکل3. تغییرات کاربری سال 2008 و 2020
Fig 3. land Use changes in 2008 and 2020
جدول 3. تغییرات کاربری اراضی دشت کاشان در بازه 2020- 2008 بر حسب هکتار و درصد
Table 3. Land use changes in Kashan plain in the period 2017-2018 in terms of hectares and percentage
کاربری اراضی | 2008 | 2020 | 2008-2020 | 2008-2020 | ||
مساحت(هکتار) | مساحت(%) | مساحت(هکتار) | مساحت(%) | مساحت(هکتار) | مساحت(%) | |
اراضی بایر | 44/478181 | 22/68 | 81/423844 | 46/60 | 63/54336- | 75/7- |
مراتع | 24/108212 | 44/15 | 55/95583 | 64/13 | 69/12628- | 80/1- |
شوره زار | 32/62904 | 97/8 | 08/109156 | 57/15 | 75/46251 | 60/6 |
مناطق مسکونی و انسان ساخت | 28/7559 | 08/1 | 46/18853 | 69/2 | 18/11294 | 61/1 |
اراضی کشاورزی | 39/44119 | 29/6 | 78/53538 | 64/7 | 38/9419 | 43/1 |
کل | 67/700976 |
| 67/700976 | 100 |
|
|
روابط کمی و فضایی بین متغیرها
محاسبه شاخصهایTGSI و Albedo برای سال‌های 2008 و 2020 در شکل 4 و 5 آورده شده است. براساس شکل3 قسمت الف و ب به ترتیب متوسط شاخص TGSI 2/0 و 35/0 بوده این در حالی است در شکل 4 قسمت الف و ب مقدار متوسط شاخص آلبدو برای سال‌های 2008 و 2020 حدود 38/0 و 41/0 است. فرمول خطی و نتایج ضریب همبستگی بین دو متغییر TGSI و Albedo برای سال‌های 2008 و 2020 به ترتیب در شکل 6 قسمت الف و ب نشان داده شده است. همچنین این شکل نشان میدهد که در هر دو سال Albedo با TGSI دارای همبستگی مثبت بوده که ضریب تبیین بین این دو شاخص در سال 2008 و 2020 به ترتیب حدود 70/0 و 71/0 است.
شکل4. شاخص TGSI سال 2008(الف) و سال 2020 (ب)
Fig 4. TGSI index of 2008 (a) and 2020 (b)
شکل5. شاخص Albedo سال 2008(الف) و سال 2020 (ب)
Fig 5. Albedo index of 2008 (a) and 2020 (b)
شکل6. مدل فضایی Albedo-TGSI سال 2008 (الف) و 2020(ب)
Fig 6. Albedo-TGSI spatial model of 2008 (a) and 2020 (b)
برآورد شاخص بیابانزایی (DDI)
بررسی رابطه بین TGSI و آلبدو در شکل 6 در سال‌های 2008 و 2020 نشان داده که این شاخصها با یکدیگر رابطه مستقیم داشته به طوری که مقادیر زیاد آلبدو مربوط به جاهایی بوده که شاخص TGSI حداکثر مقدار خود را داشته است. همچنین همبستگی بین این دو شاخص نشان داد که این دو شاخص از همبستگی مناسبی برخوردار هستند و شاخص TGSI شاخص مناسبی برای برآورد بیابانزایی است. براساس شکل 6 رابطه بین TGSI و شاخص آلبدو در سال‌های 2008 و 2020 به ترتیب در رابطه 5 و 6 به صورت زیر است:
در ادامه با استفاده از معادلات 5، 6 و شیب خط برازش داده شده معادله رابطه بیابانزایی برای سال 2008 و 2020 در رابطه‌های 7 و 8 بدست آمد.
[7]
[8]
با استفاده از این رابطه‌ها درجه بیابانزایی برای هر پیکسل دشت کاشان تهیه و در نهایت نقشه بیابانزایی برای هر سال بدست آمد (شکل7). بررسی مساحت و درصد کلاسهای مختلف بیابانزایی حاصل از شاخص DDI در جدول 4 آورده شده است. نتایج حاصل از این جدول نشان داد که در سال 2008 بیشترین کلاس بیابانزایی مربوط به سه کلاس بیابانزایی متوسط، کم و بدون بیابانزایی است که حدود 87/69 درصد از مساحت که حدود 78/4896 کیلومتر‌مربع از مساحت دشت را به خود اختصاص داده‌اند. همچنین در این سال بیشترین مساحت کلاس بیابانزایی متعلق به بیابانزایی با کلاس متوسط است. درحالیکه نتایج بررسی کلاس بیابانزایی سال 2020 نشان داد که بیشترین مساحت بیابانزایی مربوط به کلاسهای بیابانزایی شدید و خیلی شدید بود که حدود 42/55 درصد و مساحتی حدود 25/3884 کیلومتر‌مربع از دشت کاشان را در بر گرفتهاند. همچنین این نتایج نشان داد که کلاس بیابانزایی شدید بیشترین درصد مساحت حدود 80/31 درصد از این دشت را به خود اختصاص داده است.
شکل7. نقشه درجه بیابانزایی دشت کاشان سال 2008 (الف) و 2020 (ب)
Fig 7. Desertification degree map of Kashan plain in 2008 (a) and 2020 (b)
جدول 4. تغییرات کلاسهای بیابانزایی دشت کاشان در بازه 2020- 2008 بر حسب هکتار و درصد
Table 4. Changes in the desertification classes of Kashan plain in the period 2008-2020 in terms of hectares and percentage
کاربری اراضی | 2008 | |
مساحت(کیلومتر‌مربع) | مساحت(%) | |
25/726 | 36/10 | |
بیابانزایی شدید | 42/1385 | 17/19 |
بیابانزایی متوسط | 43/2197 | 35/31 |
بیابانزایی کم | 85/1698 | 24/24 |
بدون بیابانزایی | 50/1000 | 28/14 |
کل | 45/7008 | 100 |
| 2020 | |
مساحت(کیلومتر مربع) | مساحت(%) | |
بیابانزایی بسیار شدید | 90/2228 | 80/31 |
بیابانزایی شدید | 27/1655 | 62/23 |
بیابانزایی متوسط | 28/1574 | 46/22 |
بیابانزایی کم | 75/1191 | 17 |
بدون بیابانزایی | 16/358 | 11/5 |
کل | 45/7008 | 100 |
بررسی صحت نقشه بیابانزایی (DDI)
بررسی نقشه بیابانزایی سال 2020 محاسبه گردید که در جدول 5 نتایج حاصل از این صحت‌سنجی آورده شده است. نتایج صحت‌سنجی نشان داد که دقت کلی و ضریب کاپا نقشه تهیه شده به ترتیب 92/94 % و 52/93 % است.
جدول 5: ماتریس خطا جهت بررسی صحت نقشه بیابانزایی سال 2020 Table 5: Error matrix to check the accuracy of the desertification map of 2020 | |||||
| بدون بیابانزایی | بیابانزایی کم | بیابانزایی متوسط | بیابانزایی شدید | بیابانزایی بسیار شدید |
بدون بیابانزایی | 160 | 2 | 0 | 0 | 0 |
بیابانزایی کم | 2 | 156 | 2 | 0 | 0 |
بیابانزایی متوسط | 0 | 4 | 100 | 1 | 0 |
بیابانزایی شدید | 1 | 0 | 6 | 95 | 3 |
بیابانزایی بسیار شدید | 1 | 0 | 2 | 2 | 69 |
دقت کلی | 92/94 % | ||||
ضریب کاپا | 52/93 % | ||||
بحث و نتیجه‌گیری
برای تعیین کمیت فرآیند بیابانزایی بسیاری از مطالعات مفهوم درجه بیابانزایی را معرفی کردند (22). در این مطالعات تلاش شده است تا با استفاده از بررسی تغییرات پوشش سطحی زمین در گذر زمان به بررسی بیابانزایی و درجه بیابانزایی بپردازند. از این رو در این پژوهش برای بررسی بیابانزایی و درجات آن سعی گردید با استفاده از آرشیو تصاویر ماهوارهای لندست تغییرات کاربری اراضی دشت کاشان در بازه زمانی 2008 و 2020 مورد مطالعه قرار گیرد سپس با استفاده از رابطه دو شاخص مانندAlbedo و TGSI و همچنین قانون توزیع فضایی بین این دو شاخص مدل بیابانزایی DDI برای بازه زمانی مورد مطالعه تهیه گردد. نتایج بررسی تغییرات پوشش گیاهی نشان داد که به ترتیب با کاهش 75/7 و 80/1 درصدی اراضی بایر و مراتع، سایر کاربری‌های شورهزار، مناطق انسانساخت و اراضی کشاورزی به ترتیب حدود 60/6، 61/1 و 43/1 درصد افزایش پیدا کنند. قرائتی جهرمی و همکاران (12) در سال 1393 در مطالعه تغییرات کاربری اراضی دشت کاشان با استفاده از داده دور سنجی بیان کردند که این داده بخوبی تأیید کننده تغییرات کاربری در دشت کاشان است. نتایج این مطالعه استفاده نامناسب از اراضی به منظور توسعه فعالیت‌های انسانی از قبیل شهرسازی و کشاورزی را نشان میدهد. همچنین نتایج پژوهش نشان داد که صحت کلی و ضریب کاپا در هر کاربری بالاتر از 95 % و 91% است که اسکندری دامنه و همکاران (8) در نتایج مطالعه خود بیان داشتند که تهیه نقشه تغییرات کاربری با ضریب کاپا و دقت کلی بیش از 87 و 90 درصد نشان‌دهندۀ دقت کافی در طبقهبندی است. همچنین بررسی نقشه بیابانزایی سال 2008 نشان داد که بیشترین مساحت مربوط به کلاس متوسط و کم و بدون بیابانزایی بوده که حدود 69 درصد از دشت کاشان را پوشش داده این در حالی است که نتایج بیابانزایی این دشت در سال 2020 بیان داشت که کلاسهای بیابانزایی شدید و خیلی شدید حدود 42/55 درصد از منطقه را دربر گرفتهاند. این نتایج بیانگر افزایش بیابانزایی و شرایط ایجاد اراضی بیابانی دشت کاشان است. وی و همکاران (27) درسال 2018 در مطالعه بیابانزایی دشت مغولستان با استفاده از تصاویر لندست از رابطه Albedo-TGSI بیان کردند که حدود 99/86 منطقه مورد مطالعه را دربرگرفته است. همچنین نتایج مطالعه آنها نشان داد که مدل Albedo-TGSI برای مناطق با پوشش گیاهی بسیار کم و اراضی لخت صحرای گبی مناسباند. همچنین مطالعه هاشم گلوگردی و همکاران (13) در سال 1400 وضعیت بیابانی شدن مرکز استان خوزستان با استفاده از مدل Albedo-TGSI بیان کردند که این مدل فضایی ابزاری سودمند و قوی برای استخراج اطلاعات بیابانزایی در اراضی بدون پوشش گیاهی یا بدون پوشش گیاهی است. از طرفی دیگر نتایج بررسی دقت و صحت نشان داد که دقت کلی و ضریب کاپا نقشه تهیه شده به ترتیب 92/94 % و 52/93 % است که این بیانگر دقت بالای این مدل است که مطالعه وی همکاران (27) در سال 2018 و هاشمگلوگردی و همکاران (13) درسال 1400 نیز این نتایج را تأیید میکنند. به طور کلی میتوان نتیجه گرفت که مدل‌های حاصل از شاخصهای سنجشازدور میتواند بیابانزایی حاصل از تغییرات کاربری، تغییرات اقلیم و تغییرات اقلیمی و همچنین خصوصیات بیوفیزیکی را به‌خوبی مشخص کند. از طرفی دیگر این مدل به راحتی میتواند با سرعت، با کارایی بالا و به صورت کمی بیابانزایی مناطق مختلف را پایش کند. باتوجه به حساس و شکننده بودن دشت کاشان و همچنین اهمیت آگاهی از فرآیند بیابانزایی و تخریب اراضی در این منطقه با استفاده از علم سنجشازدور، پیشنهاد میگردد در تحقیقات آینده از تصاویر ماهوارهای با پیکسل سایز کمتر مانند ماهواره سنتینل استفاده گردد و مدلسازی مربوطه صورت پذیرد.
منابع مورد استفاده
1) Amiri F, Tabatabaie T. 2022. The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr. Journal of RS and GIS for Natural Resources, 13(2), 130-147. doi: 10.30495/girs.2022.692349.
2) Aramesh M, vali A, Ranjbar A. 2022. Assessment of land cover change and desertification using remote sensing technology in north of Isfahan province (Case study: Kashan, Aran and Bidgol)., 29(2), 146-160. doi: 10.22092/ijrdr.2022.127221.
3) Basso F, Bove E, Dumontet S, Ferrara A, Pisante M, Quaranta G, Taberner M. 2000. Evaluating environmental sensitivity at the basin scale through the use of geographic information systems and remotely sensed data: an example covering the Agri basin (Southern Italy). Catena, 40(1), 19-35.
4) Cao H, Amiraslani F, Liu J, Zhou N. 2015. Identification of dust storm source areas in West Asia using multiple environmental datasets. Science of the Total Environment, 502, 224-235.
5) Chang S, Wu B, Yan N, Davdai B, Nasanbat E. 2017. Suitability assessment of satellite-derived drought indices for Mongolian grassland. Remote Sensing, 9(7), 650.
6) Chang XL, Gao YB. 2003. Quantitative Expression in Regional Desertification Study. Journal of Desert Research, 23(2), 106.
7) Elnashar A, Zeng H, Wu B, Gebremicael TG, Marie K. 2022. Assessment of environmentally sensitive areas to desertification in the Blue Nile Basin driven by the MEDALUS-GEE framework. Science of The Total Environment, 815, 152925.
8) Eskandari H, eskandari damaneh H, Khosravi H, cheraghi M, Adeli Sardooei M. 2023. Assessment of land degradation using Landsat satellite data in the period 2011-2021 (Case Study: Isfahan county). Journal of RS and GIS for Natural Resources, 14(1), 20-24. doi: 10.30495/girs.2023.686944.
9) Eskandari Damaneh H, Khosravi H, Habashi K, Eskandari Damaneh H, Tiefenbacher JP. 2022. The impact of land use and land cover changes on soil erosion in western Iran. Natural Hazards, 110(3), 2185-2205.
10) Eskandari Damneh H, Eskandari Damaneh H, Cheraghi M, Khosravi H, Adeli Sardooei M. 2021. The effect of land use change on the formation of heat islands using remote sensing (Case study: Kerman). Journal of Natural Environment, 74(3), 614-628. doi: 10.22059/jne.2022.327993.2258. (in persian).
11) Feng J, Ding JL, Wei WY. 2018. Research on soil salinization in Weikui Oasis based on the characteristic space of Albedo-MSAVI. J. China Rural Water Hydropower, 2, 147-152.
12) Gharaati Jahrami M, Vali A, Mousavi H, Panahi F, Khosravi H. 2013. monitoring land use changes in the Kashan Plain using remote sensing data, International Scientific-Research Journal of Geodynamics, vol. 4, no. 2, pp. 129. (in persian).
13) Hashem Geloogerdi S, Vali A, Sharifi MR. 2021. Application of TGSI - Albedo feature space model in assessing of desertification status in the center of Khuzestan province. Desert Management, 9(3), 49-66. doi: 10.22034/jdmal.2021.534364.1341. (in persian).
14) Jiang L, Jiapaer G, Bao A, Li Y, Guo H, Zheng G, De Maeyer P. 2019. Assessing land degradation and quantifying its drivers in the Amudarya River delta. Ecological Indicators, 107, 105595.
15) Lamchin M, Lee WK, Jeon SW, Lee JY, Song C, Piao D, Navaandorj I. 2017. Correlation between desertification and environmental variables using remote sensing techniques in Hogno Khaan, Mongolia. Sustainability, 9(4), 581.
16) Lamchin M, Lee JY, Lee WK, Lee EJ, Kim M, Lim CH, Kim SR. 2016. Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia. Advances in Space Research, 57(1), 64-77.
17) Liu Q, Liu G, Huang C. 2018. Monitoring desertification processes in Mongolian Plateau using MODIS tasseled cap transformation and TGSI time series. Journal of arid land, 10(1), 12-26.
18) Ma Z, Xie Y, Jiao J, Wang X. 2011. The construction and application of an Albedo-NDVI based desertification monitoring model. Procedia Environmental Sciences, 10, 2029-2035.
19) Piña RB, Díaz-Delgado C, Mastachi-Loza CA, González-Sosa E. 2016. Integration of remote sensing techniques for monitoring desertification in Mexico. Human and Ecological Risk Assessment: An International Journal, 22(6): 1323-1340. doi:https://doi.org/10.1080/10807039.2016.1169914.
20) Qi X, Jia J, Liu H, Lin Z. 2019. Relative importance of climate change and human activities for vegetation changes on China's silk road economic belt over multiple timescales. Catena, 180, 224-237.
21) Rafei A, Danehkar A, Zandebasiri M, Bagherzadekarimi M. 2022. An analysis of the land use/land cover changes of Shadegan International Wetland in the last two decades. Journal of RS and GIS for Natural Resources, 13(2), 1-19. doi: 10.30495/girs.2022.684329.
22) Reynolds JF, Grainger A, Stafford Smith DM, Bastin G, Garcia‐Barrios L, Fernández RJ, Zdruli P. 2011. Scientific concepts for an integrated analysis of desertification. Land degradation & development, 22(2), 166-183.
23) Robinove CJ, PS Chavez Jr, Gehring D, Holmgren R. 1981. Arid land monitoring using Landsat albedo difference images. Remote Sensing of Environment, 11, 133-156.
24) Rui Z, Yongxiang Z, Shifeng Z. 2010. The application of spatial information technology in modern flood and disasters control. In The 2nd International Conference on Information Science and Engineering (pp. 6994-6997). IEEE.
25) Vendruscolo J, Perez Marin AM, dos Santos Felix E, Ferreira KR, Cavalheiro WC, Fernandes IM. 2021. Monitoring desertification in semiarid Brazil: using the desertification degree index (DDI). Land Degradation & Development, 32(2), 684-698.
26) Verstraete MM, Pinty B. 1996. Designing optimal spectral indexes for remote sensing applications. IEEE Transactions on Geoscience and Remote Sensing, 34(5), 1254-1265.
27) Wei H, Wang J, Cheng K, Li G, Ochir A, Davaasuren D, Chonokhuu S. 2018. Desertification information extraction based on feature space combinations on the Mongolian plateau. Remote Sensing, 10(10), 1614.
28) Wessels KJ, Van Den Bergh F, Scholes RJ. 2012. Limits to detectability of land degradation by trend analysis of vegetation index data. Remote sensing of Environment, 125, 10-22.
29) Yu X, Zhuo Y, Liu H, Wang Q, Wen L, Li Z, Wang L. 2020. Degree of desertification based on normalized landscape index of sandy lands in inner Mongolia, China. Global Ecology and Conservation, 23, e01132.
30) Zeng YN, Feng Z, Xiang N. 2006. Albedo-NDVI space and remote sensing synthesis index models for desertification monitoring. Scientia Geographica Sinica, 26(1), 75.
31) Zolfaqhari F, Abdulahi V. 2022. Determining the intensity of desertification based on spectral indices using Sentinel-2 images) Study area: Sistan and Baluchistan Province, Journal of Remote Sensing and Geographical Information System in Natural Resources, 108-126 :(1)13.
Quantitative evaluation of desertification in Kashan plain using indicators obtained from satellite images
Abstract
Desertification is a worldwide environmental problem. Remote sensing data and techniques provide significant information for desertification mapping and assessment. In order to investigate the desertification of Kashan plain first, land use maps for 2008 and 2020 were prepared using Landsat satellite images 5 and 8. Then, using the data of satellite images, TGSI indices (surface soil grain size index) and Albedo data (ground surface albedo) were prepared, then the DDI desertification map of Albedo-TGSI space models was created and the accuracy of these maps was checked. Barren lands and pastures have decreased by 7.75% and 1.80%, respectively, while salt marshes, man-made areas, and agricultural lands have increased by 6.60%, 1.61%, and 1.43%, respectively. Examining the overall accuracy and kappa coefficient of the land use map showed that these indicators are 95% and 0.91 for 2008 and 96 and 0.94 for 2020, respectively. Also, the study of the desertification map of 2008 showed that the largest area was related to the medium and low class and without desertification, which covered about 69% of the Kashan plain. Meanwhile, the results of desertification in 2020 stated that severe and very severe desertification classes have covered about 55.42% of the area of this region. These results indicate the increase in desertification and the conditions for the creation of desert lands in the Kashan Plain. The validation results showed that the overall accuracy and kappa coefficient of the prepared map is 94.92% and 93.52%, respectively. While the Albedo-TGSI model is suitable for areas with relatively low vegetation cover. This study provides a technical reference for studying the desertification of different regions.
Keywords: Desertification, Remote Sensing, Modeling, Kashan Plain.
ارزیابی کمی بیابانزایی در دشت کاشان با استفاده از شاخصهای حاصل از تصاویر ماهوارهای
طرح مسئله:
بیابانزایی یک فرآیند پیچیده است که حاصل از تعامل بین عوامل محیطی و انسانی است. این پدیده را میتوان به نوعی فرآیند تخریب زمین تعریف کرد که اغلب در مناطق خشک، نیمه‌خشک و تا حدی مناطق نیمه‌مرطوب رخ میدهد این پدیده مناطق بسیار وسیعی از جهان را تحت تأثیر قرار میدهد و میتواند باعث از دست دادن غیرقابل برگشت تولید زمین شود. این پدیده مخرب یکی از جدی‌ترین مسائل زیستمحیطی و اجتماعی-اقتصادی در مقیاس جهانی محسوب میشود و توجه جهانی را به خود جلب کرده است. بیابانزایی را میتوان با روش‌های مختلفی ارزیابی کرد، به عنوان مثال، با مشاهده و اندازهگیری مستقیم، مدل‌های ریاضی و با استفاده از شاخصهای حاصل از سنجشازدور (RS) محاسبه کرد. با توسعه سریع فنآوری سنجشازدور و سیستم اطلاعات جغرافیایی به همراه سیستم موقعیتیابی جهان Rui این ارزیابی با دقت و سرعت بالایی انجام میشود. با گسترش علم سنجشازدور در سطح جهان تحقیقات در مورد پایش بیابانزایی رونق یافت. در ابتدا، محققان از تخریب اراضی که توسط شاخصهای پوشش گیاهی منعکس میشود برای نشان دادن بیابانزایی استفاده کردند.
هدف:
با توجه به تغییرات اقلیمی و فعالیت‌های انسانی اخیر در دشت کاشان هدف از مطالعه حاضر برآورد بیابانزایی دشت کاشان با استفاده از مدل فضایی Albedo-TGSI است. برای تعیین کمیت فرآیند بیابانزایی بسیاری از مطالعات مفهوم درجه بیابانزایی را معرفی کردند. در این مطالعات تلاش شده است تا با استفاده از بررسی تغییرات پوشش سطحی زمین در گذر زمان به بررسی بیابانزایی و درجه بیابانزایی بپردازند.
روش تحقیق:
دشت کاشان در دامنه کوههای کرکس و حاشیه کویر مرکزی ایران در حدود 240 کیلومتری جنوب تهران و بین طول‌های جغرافیائی 54/51 و 05/51 و عرضهای 45/33 و 23/34 قرار دارد. دشت کاشان، به وسعت 699837 هکتار، شهر کاشان و بخش مرکزی آن و شهر آران و بیدگل و همه بخشهای آن و اراضی کشاورزی واقع در دشت را شامل میشود. حداکثر ارتفاع دشت کاشان از سطح دریا 3556 متر در قسمت حاشیه غربی دشت و حداقل ارتفاع آن 753 متر در حاشیه کویر است.
در این مطالعه از داده‌های‌سنجش از دوری ماهواره لندست برای بررسی، فرآیندهای بیابانزایی و محاسبه شاخصهای مورد مطالعه در بازه زمانی 2008 تا 2020 استفاده شد. تصاویر ماهواره لندست 5 و 8 به ترتیب برای سال‌های 2008 و 2020 از سایت زمین شناسی آمریکا (http://earthexplorer.usgs. gov/) تهیه شدند. پس از اعمال پیش پردازش‌های لازم نقشه طبقهبندی کاربری اراضی برای دشت کاشان در سال‌های 2008 و 2020 با استفاده از روش حداکثر احتمال در نرم افزار ENVI5.3 تهیه گردید در نهایت نقشه کاربری در 5 کلاس اراضی بایر، مراتع، شورهزار، اراضی کشاورزی و مناطق انسانساخت تهیه گردید. پس از بررسی تغییرات کاربری اراضی با استفاده از روش حداکثر احتمال شاخصهای NDVI، TGSI و Albedoتهیه شدند. این شاخصها را با استفاده از داده‌های باندهای قرمز، مادون قرمز نزدیک، آبی، سبز و باند مادون قرمز کوتاه محاسبه گردید. سپس با استفاده از شاخصDDI بیابان زایی به پنج سطح تقسیم گردید که این پنج سطح بیابانزایی عبارتند از: بیابانزایی شدید، بیابانزایی زیاد، بیابانزایی متوسط، بیابانزایی کم و بدون بیابانزایی روش طبقهبندی شکست طبیعی جنکس بر اساس گروه‌بندی طبیعی ذاتی دادهها است و طبقه آن در موقعیتی تنظیم میشود که مقادیر دادهها نسبتاً متفاوت هستند. این روش هر نوع موقعیت طبقهبندی را محاسبه میکند و به طور خودکار وضعیت طبقهبندی را با حداقل مقادیر واریانس انتخاب میکند تا به نتیجه طبقهبندی بهینه دست یابد. و در نهایت ارزیابی دقت و مقایسه مدل DDI و داده‌های واقعی برای تأیید صحت مدل سال 2020، به طور میانگین برای هر کلاس با استفاده از روش مورد مطالعه هاشم گلوگردی و همکاران در سال 1400 در سراسر دشت کاشان انتخاب شد. سپس، نقاط تأیید با تفسیر بصری بر اساس تصاویر رنگی و واقعی لندست 8 و نقشه گوگل ارث تفسیر شدند. در نهایت، ماتریس خطا، دقت کلی و همچنین ضریب کاپا را به دست آمد.
نتایج و بحث:
نتایج حاصل از تغییرکاربری نشان داد که اراضی بایر و مراتع به ترتیب کاهش 75/7 و 80/1 درصدی داشته این درحالیاست که شورهزار، مناطق انسانساخت و اراضی کشاورزی به ترتیب حدود 60/6، 61/1 و 43/1 درصد افزایش نشان داده است. همچنین بررسی نقشه بیابانزایی سال 2008 نشان داد که بیشترین مساحت مربوط به کلاس متوسط و کم و بدون بیابانزایی بوده که حدود 69 درصد از دشت کاشان را پوشش داده است. این درحالیاست که نتایج بیابانزایی این دشت در سال 2020 بیان داشت که کلاسهای بیابانزایی شدید و خیلی شدید حدود 42/55 درصد از منطقه را دربر گرفتهاند. این نتایج بیانگر افزایش بیابانزایی و شرایط ایجاد اراضی بیابانی دشت کاشان است. بررسی صحت کلی و ضریب کاپا نقشه کاربری اراضی نشان داد که این شاخصها برای سال 2008 به ترتیب 95% و 91/0 و برای سال 2020 نیز 96 و 94/0 است. درحالیکه مدل Albedo-TGSI برای مناطق با پوشش گیاهی نسبتاً کم مناسب است.
نتیجه‌گیری:
برای تعیین کمیت فرآیند بیابانزایی بسیاری از مطالعات مفهوم درجه بیابانزایی را معرفی کردند. در این مطالعات تلاش شده است تا با استفاده از بررسی تغییرات پوشش سطحی زمین در گذر زمان به بررسی بیابانزایی و درجه بیابانزایی بپردازند. از این رو در این پژوهش برای بررسی بیابانزایی و درجات آن سعی گردید با استفاده از آرشیو تصاویر ماهوارهای لندست تغییرات کاربری اراضی دشت کاشان در بازه زمانی 2008 و 2020 مورد مطالعه قرار گیرد سپس با استفاده از رابطه دو شاخص مانندAlbedo و TGSI و همچنین قانون توزیع فضایی بین این دو شاخص مدل بیابانزایی DDI برای بازه زمانی مورد مطالعه تهیه گردد. به طور کلی میتوان نتیجه گرفت که مدل‌های حاصل از شاخصهای سنجشازدور میتواند بیابانزایی حاصل از تغییرات کاربری، تغییرات اقلیمی و همچنین خصوصیات بیوفیزیکی را به‌خوبی مشخص کند. از طرفی دیگر این مدل به راحتی میتواند با سرعت، با کارایی بالا و به صورت کمی بیابانزایی مناطق مختلف را پایش کند. در انتها میتوان پیشنهاد کرد که با توجه به حساس و شکننده بودن دشت کاشان و همچنین اهمیت آگاهی از فرآیند بیابانزایی و تخریب اراضی در این منطقه با استفاده از علم سنجشازدور، پیشنهاد میگردد در تحقیقات آینده از تصاویر ماهوارهای با پیکسل سایز کمتر مانند ماهواره سنتینل استفاده گردد و مدلسازی مربوطه صورت پذیرد.
واژگان کلیدی:
بیابانزایی، سنجشازدور، مدلسازی، دشت کاشان
Quantitative evaluation of desertification in Kashan plain using indicators obtained from satellite images
Statement of the Problem: Desertification is a complex process resulting from the interaction between environmental and human factors; this phenomenon can be defined as a land degradation process that often occurs in dry, semi-arid and partially humid areas. This phenomenon affects extensive regions of the world and can cause irreversible loss of land production; this destructive phenomenon is considered one of the most severe environmental and socio-economic issues on a global scale and has attracted international attention. Desertification can be evaluated by different methods, for example, by direct observation and measurement, mathematical models and calculated using indices derived from remote sensing (RS). With the rapid development of remote sensing technology, geographic information system, and Rui's global positioning system, There are assessments quickly and accurately. Research on desertification monitoring has flourished with the spread of remote sensing science worldwide. Initially, researchers used land degradation reflected by vegetation indices to indicate desertification.
Purpose: This study uses the Albedo-TGSI spatial model to estimate the desertification of Kashan Plain based on recent climate changes and human activity. Many studies have introduced the concept of desertification degree to quantify the desertification process. This study aimed to examine how desertification has evolved over time and how much desertification has taken place.
Methodology: Kashan Plain is located in the foothills of the Karaks Mountains and the edge of the central desert of Iran, about 240 km south of Tehran, between the longitudes of 51.54 and 51.05 and latitudes of 33.45 and 34.23. Kashan Plain, with an area of 699,837 hectares, includes the city of Kashan and its central part, the cities of Aran and Bidgol and all its parts and the agricultural lands located in the plain. The maximum height of Kashan plain from the sea level is 3556 meters on the western edge of the plain and the minimum height is 753 meters on the edge of the desert.
The present study used Landsat satellite data to calculate desertification indicators and study desertification processes from 2008 to 2020. Landsat 5 and 8 satellite images for 2008 and 2020 were obtained from the United States Geological Survey. (http://earthexplorer.usgs.gov/). After applying the necessary pre-processing, the land use classification map for Kashan Plain in 2008 and 2020 was prepared using the maximum likelihood method in ENVI5.3 software. Finally, a land use map was prepared in 5 classes of barren lands, pastures, salt marshes, agricultural lands and manufactured areas. After examining land use changes, NDVI, TGSI and Albedo indices were prepared using the maximum likelihood method. After examining land use changes, NDVI, TGSI and Albedo indices were prepared using the maximum likelihood method. These indices were calculated using the data of red, near-infrared, blue, green and short infrared bands. Then, using the DDI index, desertification was divided into five levels, and these five levels of desertification are: severe desertification, high desertification, moderate desertification, low desertification, and no desertification. The Natural Breaks Jenks classification method is based on the inherent natural grouping of data, and its class is set in a situation where the data values are relatively different. This method calculates each type of classification position and automatically selects the classification position with the minimum variance values to achieve the optimal classification result. and finally evaluating the accuracy and comparing the DDI model and real data to verify the accuracy of the 2020 model. We calculated each class's average for each class using the method studied by Hashem Glougerdi et al. in 1400 throughout the Kashan Plain. Then, the verification points were interpreted by visual interpretation based on real colour Landsat 8 images and Google Earth map. Finally, the error matrix, the overall accuracy and also the Kappa coefficient were obtained.
Results and discussion: The results of the change of use showed that barren lands and pastures decreased by 75.7 and 80.1 per cent, respectively. In contrast, salt marshes, manufactured areas, and agricultural lands decreased by 60.6, 61.1, and 43.1, respectively. The percentage has shown an increase. Also, the study of the desertification map of 2008 showed that the most significant area was related to the medium and low. No desertification class covered about 69% of the Kashan plain, while the desertification results of this plain in 2020 stated that the desertification classes were severe and very. They cover approximately 55.42% of the region. These results indicate the increase in desertification and the conditions for creating desert lands in the Kashan Plain. The land use map's overall accuracy and Kappa coefficient showed that these indicators are 95% and 0.91 for 2008 and 96 and 94% for 2020, respectively. At the same time, the Albedo-TGSI model is suitable for areas with relatively low vegetation cover.
Conclusion: To quantify the desertification process, many studies introduced the concept of degree of desertification. In these studies, an attempt has been made to investigate desertification and the degree of desertification by examining the changes in land surface cover over time. Therefore, in this research, in order to investigate desertification and its degrees, it was tried to study the land use changes of Kashan Plain between 2008 and 2020 by using the Landsat satellite image archive, then by using the relationship between two indices such as Albedo and TGSI, as well as the distribution law. A space between these two indicators of the DDI desertification model should be prepared for the studied time period. In general, it can be concluded that the models obtained from remote sensing indicators can reasonably determine the desertification resulting from land use, climate, and biophysical characteristics. On the other hand, this model can easily monitor the desertification of different areas quickly, with high efficiency and quantitatively. In the end, it can be suggested that due to the sensitivity and fragility of the Kashan plain and also the importance of knowing about the process of desertification and land degradation in this region using remote sensing, it is suggested to use satellite images with smaller pixel size in future research. It should be used like the Sentinel satellite and the corresponding modeling should be done.
Keywords: Desertification, Remote Sensing, Modeling, Kashan Plain.
-
بررسی منشأ و نحوه گسترش مکانی غلظت های بالای گردوغبار و تحلیل همدیدی آن در حوزه گاوخونی
تاریخ چاپ : 1399/10/01 -