بررسی و پیش‌بینی تغییرات کاربری اراضی متأثر از تپه‌های ماسه‌ای در شرق شهر بشرویه با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه تهران

چکیده

تپه­های ماسه­ای فعال و متحرک از جمله تهدیدات جدی اجتماعات انسانی مجاور می­باشند. بنابراین تعیین چگونگی گسترش و میزان فعالیت و جابه­جایی این تپه­های از مهم­ترین اهداف مطالعات فرسایش بادی است. استفاده از فناوری سنجش از دور به دلیل دید یکپارچه، کم هزینه و سریع یک روش کارآمد برای مطالعه و پایش تغییرات محیطی محسوب می­شود. بنابراین از اهداف اصلی این تحقیق بررسی میزان تغییرات و جابه­جایی تپه­های ماسه­ای در شرق شهر بشرویه، پیش­بینی تغییرات کاربری اراضی منطقه تا سال ۲۰۳۱ و پیش­بینی تغییرات مساحت کاربری تپه­های ماسه­ای تا سال ۲۰۴۸ با استفاده از سنجش از دور می­باشد. در تحقیق حاضر از تصاویر ماهواره­ای لندست طی سال­های ۲۰۰۱، ۲۰۰۸ و ۲۰۱۶ استفاده شده است. برای طبقه­بندی تصاویر از الگوریتم ماشین بردار پشتیبان استفاده شده است. در مرحله­ی بعد تغییرات ایجاد شده در کاربری­های اراضی با استفاده از مدل کراس­تب مورد بررسی قرار گرفت. سپس با استفاده از روش زنجیره­ی مارکوف، روند تغییرات آینده­ی کاربری اراضی تا سال ۲۰۳۱ و تغییرات مساحت کاربری تپه­های ماسه­ای تا سال ۲۰۴۸ مورد پیش­بینی قرار گرفت. نتایج حاصل بیانگر این است که وسعت زمین­های ماسه­ای از سال 2001 تا 2016 روند کاهشی داشته است؛ که مهمترین علت آن اجرای طرح­های بیایان­زدایی در قالب تاغ­کاری و رویش طبیعی تاغ روی تپه­های ماسه و نواحی اطراف آن بوده است. همچنین نتایج حاصل از پیش­بینی تغییرات کاربری اراضی برای 15 سال آینده نشان داد که 79/2468 هکتار از تپه­های ماسه­ای به کاربری اراضی بایر و شوره­زار، 22/365 هکتار به اراضی زراعی و 900 هکتار به اراضی ساخته­شده تبدیل خواهد شد. از دیگر نتایج این پژوهش پیش­بینی مساحت تپه­های ماسه­ای تا سال 2048 می­باشد که نشان داد مساحت تپه­های ماسه­ای از 26/8668 هکتار در سال 2016 به مساحتی برابر36/4041 هکتار خواهد رسید.
 

کلیدواژه‌ها


عنوان مقاله [English]

Investigation and prediction of land use changes for lands under the influence of sand dunes in the eastern of the city of Boshrooyeh using Remote Sensing and Geographic Information System

چکیده [English]

Introduction
The importance of studies of sand dunes is due to their effects on water and soil resources, plant life and animals, and facilities and ways of communication. Due to the fact that the studied sandstone hills in this study are located adjacent to residential areas and agricultural lands, slightest changes in their nature and dynamics can have minor or major effects of relatively Sustain the local communities in these areas. The issues caused by storms, such as the outbreak of diseases, are due to the transmission of pathogens, transport disturbances, damages to residential areas and the destruction of livestock, including these effects. By considering the significant damage brought about by the movement and development of sand dunes, and the extensive application of remote sensing in the process of making these changes, the main objectives of this study are to investigate the changes of sand dunes in the studied area, to predict land use variations by 2031, and to predict changes in the area of ​​sand dunes until 2048.
 
Research Methodology
In this study, sandstone changes obtained from Landsat satellite data (TM5-ETM + -OLI), developed from the USGS website, have been used. In this research, the geometric correction of these images has been discarded due to the fact that the images on the United States Geological Survey refer to less than 12 meters of ground. the images were taken using the FLAASH atmospheric correction. For images categorization, after selecting suitable bands, educational samples were taken and then the image classification was obtained. After classification, grading accuracy was evaluated. Finally, the trend analysis was carried out using a cross-sectional model and a change modifier and prediction of changes through the Markov chain. Landsat images of TM5, ETM + and OLI were used to study the morphological changes in sand dunes in a 15-year period (2001-2016). The topographic map and data related to Google Earth have been used to assess the classification accuracy. ArcGIS, ENVI, EDRISI and ERDAS software are also used for data interpretation, processing and analysis.
 
Discussion and results
The trend of changes in the use of sand dunes during the period from 2001 to 2008 shows a decreasing trend. The results derived through reviewing the trend of changes in the second time period (2008-2016) show that the area of ​​10511.91 ha in 2008 was 1865.43 ha in dry and sandy areas and 68.31 hectares in the lands where the crop has become. An important point is that during this time period, the area of ​​sand dunes has not been built into lands, because sand dunes can be dangerous for human settlements. Also, during this time period, the area of ​​poor pasture land, dry land and saline lands and agricultural lands that are equivalent to 0.09, 87.66 and 2.34 hectares, are used for sand dunes it has become. The results of predicting land use changes for the next 15 years based on past changes indicate that the decline in sand dunes will continue in upcoming years so that 2468.79 hectares in the area of ​​Bayer and Dandies, 365.22 hectares will be converted into agricultural lands and 900 hectares of land will be built.
 
Conclusion
the results show that the area of ​​sand dunes has decreased from 2001 to 2016, with an area of ​​12715.20 hectares in 2001 to 8668.26 hectares in 2016. The main reason for this change can be the conversion of sand dunes to land use and insecticide land at a rate of 3621.42 hectares and agricultural use of 5422.5 hectare. According to the field observations in the area and the survey of satellite images, The main reason for the decline in the sand dunes has been desertification plans implemented in the past decades, as well as the natural growth of Haloxylon on sand dunes and surrounding areas, and have had positive effects on biological desertification initiatives in sand hills stabilization. The other results of this study are prediction of the area of ​​sand dunes by 2048, which predicted the results showed that the area of ​​sand dunes from 8668.26 hectares in 2016 will receive to 4041.36 hectares in 2048.
 

 
 

کلیدواژه‌ها [English]

  • Monitoring Spatial – Temporal
  • Sand unes
  • Chain Markov
  • Remote Sensing
  • Boshrooyeh
  • اکبری، الهه و شکاری، علی، 1392، پردازش و استخراج اطلاعات از داده­های ماهواره­ای با استفاده از نرم­افزار ENVI با نمونه­های کاربردی در علوم زمین، نقشه­برداری، جغرافیا و محیط زیست، چاپ اول، انتشارات ماهواره، تهران.
  • ایمانی، رسول؛ عبدالهی، مهدی؛ ولی، عباسعلی؛آلبوعلی، علی، 1392، بررسی تغییرات مورفومتری تپه ماسه­ای با استفاده از روش سنجش از دور (مطالعه موردی: جنوب شرقی عشق آباد)، پژوهش­های ژئومورفولوژی کمی، سال دوم، شماره 3، صص، 140-129.
  • رامشت، محمدحسین؛ سیف، عبدالله؛ محمودی، شبنم، 1392، بررسی میزان گسترش تپه­های ماسه­ای شرق جاسک در بازه­ی زمانی (1383- 1369) با استفاده از GIS و RS، مجله جغرافیا و توسعه، شماره 31، صص. 136- 121.
  • سایت شهرداری بشرویه، روابط عمومی، ۱۳۹۵. http://boshrooyeh.ir/index.php/city-introduction/climatic-conditions
  • علوی­پناه، سیدکاظم. 1387، کاربرد سنجش­از­دور در علوم زمین (علوم خاک)، چاپ اول، انتشارات دانشگاه تهران، تهران.
  • غریب­رضا؛ محمدرضا، معتمد، احمد، 1382، بررسی تغییرات تپه­های ماسه­ای ساحلی استان سیستان و بلوچستان (از سال 1346 تا 1372)، مجله پژوهش­های جغرافیایی، دوره 36. شماره 50، صص. 47-35.
  • فاطمی، سیدباقر و رضایی، یوسف، 1389، مبانی سنجش­از­دور، تهران، انتشارات آزاده، چاپ دوم.
  • معماریان خلیل­آباد، هادی؛ صفدری، علی­اکبر؛ اختصاصی، محمدرضا، 1387، منشأیابی رسوبات بادی منطقه فدیشه نیشابور. فصلنامه­ی علمی- پژوهشی تحقیقات مرتع و بیابان ایران، جلد 15، شماره 1، صص. 41- 26.
  • مقصودی، مهران، 1385، شناخت فرآیندهای مؤثر بر توسعه و تحول عوارض ماسه­ای (مطالعه­ی موردی: عوارض ماسه­ای چاله­ی سیرجان)، مجله پژوهش­های جغرافیایی، شماره 56، صص. 160-149.
  • نقشه­ی زمین­شناسی بشرویه، 1347، مقیاس ۱:۲۵۰۰۰۰، سازمان نقشه­برداری کشور، تهران.
  • یمانی، مجتبی، 1379، ارتباط قطر ذرات ماسه و فراوانی سرعت­های آستانه بادهای فرساینده در منطقه بند ریگ کاشان، مجله­ی پژوهش­های جغرافیایی، دوره 32، شماره 38، صص. 132-115.
    • Al-Harthi, A., 2002. Geohazard assessment of sand dunes between Jeddah and Al-Lith, western Saudi Arabia, Environmental Geology, 42(4), pp. 360-369.
    • Burges, C. J., 1998. A tutorial on support vector machines for pattern recognition, Data mining and knowledge discovery, 2, pp. 121-167.
    • Chi, M. Feng, R. and Bruzzone, L., 2008. Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem, Advances in space research, 41(11), pp.1793-1799.
    • Gu, B., and Sheng, V. S., 2017. A robust regularization path algorithm for $nu $-support vector classification. IEEE Transactions on neural networks and learning systems, 28(5), pp. 1241-1248.
    • Zhao, H. L., Yi, X. Y., Zhou, R. L., Zhao, X. Y., Zhang, T. H., and Drake, S., 2006. Wind erosion and sand accumulation effects on soil properties in Horqin Sandy Farmland, Inner Mongolia, Catena, 65(1), pp. 71-79.
    • Hermas, E., Leprince, S., and El-Magd, I. A., 2012. Retrieving sand dune movements using sub-pixel correlation of multi-temporal optical remote sensing imagery, northwest Sinai Peninsula, Egypt. Remote sensing of environment, 121, pp. 51-60.
    • Hixon, R. F., Ramirez, M. S., and Villoch, M., 1980. Aspects of morphometrics and reproduction of the squid Ommastrephes pteropus Steenstrup 1885 in the western Gulf of Mexico, Bull. Amer. Malacol. Un., Inc., Ann. meet, pp. 46, 54-60.
    • Hugenholtz, C. H., Bender, D., and Wolfe, S. A., 2010. Declining sand dune activity in the southern Canadian prairies: historical context, controls and ecosystem implications, Aeolian Research, 2(2-3), pp. 71-82.
    • Jiang, G., Zhang, F., and Kong, X., 2009. Determining conversion direction of rural residential land consolidation in Beijing mountainous areas, Transactions of the Chinese Society of Agricultural Engineering, 25(2), pp. 214-221.
    • Jiménez‐Muñoz, J. C., and Sobrino, J. A., 2003. A generalized single‐channel method for retrieving land surface temperature from remote sensing data, Journal of Geophysical Research: Atmospheres, 108(D22).
    • Jiménez-Muñoz, J. C., and Sobrino, J. A., 2010. A single-channel algorithm for land-surface temperature retrieval from ASTER data, IEEE Geoscience and Remote Sensing Letters, 7(1), pp. 176-179.
    • Langford, R. P., Gill, T. E., & Jones, S. B., 2016. Transport and mixing of eolian sand from local sources resulting in variations in grain size in a gypsum dune field, White Sands, New Mexico, USA, Sedimentary Geology, 333, pp. 184-197.
    • Maghsoudi, M., Navidfar, A., and Mohammadi, A., 2017. The sand dunes migration patterns in Mesr Erg region using satellite imagery analysis and wind data, Natural Environment Change, 3(1), pp. 33-43.
    • Paola, J. D., and Schowengerdt, R. A., 1995. A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery. International Journal of remote sensing, 16(16), 3033-3058.
    • Pease, P. P., Bierly, G. D., Tchakerian, V. P., & Tindale, N. W., 1999. Mineralogical characterization and transport pathways of dune sand using Landsat TM data, Wahiba Sand Sea, Sultanate of Oman, Geomorphology, 29(3-4), pp. 235-249.
    • Redsteer, M. H., Bogle, R., and Vogel, J. M., 2011. Monitoring and analysis of sand dune movement and growth on the Navajo Nation, southwestern United States, US Geological Survey, (No. 2011-3085, pp. 1-2).
    • Richards, J. A., 1995. Remote sensing digital image analysis, Springer, Berlin.
    • Şatır, O., and Berberoğlu, S., 2012. Land use/cover classification techniques using optical remotely sensed data in landscape planning, In Landscape Plannin, InTech.
    • Srivastava, S. K., and Gupta, R. D., 2003. Monitoring of changes in land use/land cover using multi-sensor satellite data, GIS Development., Map India.
    • Van der Linden, S., Rabe, A., Okujeni, A., & Hostert, P., 2009. Image SVM classification. Application Manual: image SVM version, 2.
    • Voogt, J. A., and Oke, T. R., 2003. Thermal remote sensing of urban climates, Remote sensing of environment, 86(3), pp. 370-384.
    • Weng, Q., 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends, ISPRS Journal of Photogrammetry and Remote Sensing, 64(4), pp. 335-344.
    • Yang, G. Q., Liu, Y. L., and Wu, Z. F., 2007. Analysis and simulation of land-use temporal and spatial pattern based on CA-Markov model, Geomatics and information science of Wuhan University, 32(5), pp. 414-418.