پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,957,508 |
| تعداد دریافت فایل اصل مقاله | 89,630,116 |
بررسی روند بیابانزایی در مرکز استان خوزستان با استفاده از داده‌های سری‌های زمانی سنجش از دور | ||
| تحقیقات آب و خاک ایران | ||
| دوره 52، شماره 11، بهمن 1400، صفحه 2843-2857 اصل مقاله (2.17 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2021.331741.669092 | ||
| نویسندگان | ||
| ساره هاشم گلوگردی1؛ عباسعلی ولی* 2؛ محمدرضا شریفی3 | ||
| 1دانشجوی دوره دکتری گروه بیابان زایی دانشکده ی منابع طبیعی و علوم زمین دانشگاه کاشان | ||
| 2دانشیار دانشکده:دانشکده منابع طبیعی و علوم زمین گروه:بیابان زدائی، دانشگاه کاشان، کاشان، ایران | ||
| 3استادیار گروه هیرولوژی و منابع آب، دانشکده‌ی مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| چکیده | ||
| مناطق خشک اغلب تحت تأثیر فرسایش سریع خاک، تخریب زمین و بیابانزایی قرار می‌گیرند. داده‌های سنجش از دور با داشتن اطلاعات مکانی و زمانی، ابزار مناسبی جهت ارزیابی و بررسی این پدیده‌ها می‌باشند. در پژوهش حاضر از سری‌های زمانی شاخص‌های سنجش از دوری TGSI و آلبدو جهت پایش روند بیابانزایی در مرکز استان خوزستان استفاده شد. پس از محاسبه‌ی شاخص‌های ذکر شده با استفاده از تصویر سنجنده‌ی ETM+ برای سال‌های 2019-1999، مقادیر 411 نمونه‌ی تصادفی انتخاب شده روی تصاویر، برای ساخت مدل فضای ویژگی Albedo-TGSI در هر سال به کار رفت و همبستگی بین متغیر‌ها به میزان 83/0-48/0 در سال‌های مختلف محاسبه گردید. سپس معادله‌ی درجات بیابانزاییDDI بر اساس شیب خط برازش داده شده بهدست آمد و مقدار شاخص بیابانزایی برای هر نقطه در هر سال محاسبه شد. در مرحله‌ی بعد با اعمال طبقه‌بندی شکست طبیعی بر روی شاخص DDI، درجات مختلف بیابانزایی و همچنین مقادیر شکست و حدی درجات مختلف برای نمونه‌های تصادفی حاصل شد. سپس میانگین این حدود برای هر طبقه در هر سال محاسبه شد و بهعنوان نماینده‌ی آن طبقه در همان سال در سری زمانی قرار گرفت. به این ترتیب 5 سری زمانی از درجات بیابانزایی در سال های 2019-1999 بهدست آمد و در نهایت آزمون روند من کندال، برای هر سری زمانی در سطح معنی داری 10% و 5% انجام شد. نتایج نشان داد هیچ یک ازسری‌ها، به غیر از سری زمانی بیابانزایی زیاد، در سطح 5% روند معناداری از خود نشان ندادند. ولی دو طبقه‌ی بیابانزایی شدید و بیابانزایی زیاد بهترتیب با مقادیر p-value، 90/0 و 50/0روند معناداری در سطح 10% از خود نشان دادند. همچنین نقشه‌ی توزیع مکانی میانگین تغییرات روند شاخص بیابانزایی در طبقات مختلف، نشان داد در مجموع، نزدیک 81% منطقه در طبقات بیابانزایی شدید و زیاد با روند افزایشی بیابانزایی معنادار قرار گرفت. | ||
| کلیدواژه‌ها | ||
| تصاویر +ETM؛ شاخص درجات بیابانزایی؛ طبقه‌بندی شکست طبیعی؛ آزمون روند من کندال | ||
| عنوان مقاله [English] | ||
| Investigation of Desertification Trend in the Center of Khuzestan province Using Remote Sensing Time Series Data | ||
| نویسندگان [English] | ||
| Sareh Hashem Geloogerdi1؛ Abbasali Vali2؛ Mohammad Reza Sharifi3 | ||
| 1Ph.D. student desert management and control department. university of Kashan.Iran | ||
| 2Associate Professor: Combating Desertification: Faculty of Natural Resources and Earth Sciences: University of Kashan: Kashan: Iran | ||
| 3Assistant Professor, Department of Hydrology and water resourses: Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| چکیده [English] | ||
| Aired areas are often affected by rapid soil erosion, land degradation, and desertification. Therefore, continuous monitoring of land cover changes is required. Remote sensing data with spatial and temporal information are suitable for this purpose. In the present study, the time series of TGSI and Albedo remotely sensed indexes were used to monitor desertification in the center of Khuzestan province. After constructing the above-mentioned indexes for the period of 1999-2019 using ETM+ sensor images, the values of 411 randomly selected samples on the images were used to construct the Albedo-TGSI feature space model for each year and the correlation between the variables was calculated 0/48-0/83 in different years. The DDI (Desertification Degree Index) was then obtained based on the slope of the fitted line, and the value of DDI was calculated for each sample in each year. By applying a natural break classification on DDI, different levels of desertification and the break values were obtained and considered as the representative of the class in each year. Therefore, five time series of five desertification degrees were formed. Finally, a Man Kendall trend test was carried out with %95 and %90 confidence levels. The results showed that none of the series, except for the high desertification degree, showed a significant trend at the level of 5%. However, severe and high desertification degrees time series with p-value, 0.090 and 0.050 values showed a significant trend at the level of 10%, respectively. Also, the spatial distribution map of the average changes in the trend of desertification index in different classes, showed that in total, about 81% of the region was in severe and high desertification classes with a significant increasing trend of desertification.The results showed a high desertification degree at %5 significant level, and a sever desertification degree at %10 significant levels, showing increasing desertification trend. Furthermore, the spatial distribution of average DDI index indicated that about %81 of the study area was in severe and high desertification classes with a significant increasing trend. | ||
| کلیدواژه‌ها [English] | ||
| ETM+ image, DDI Index, Natural break classification, Man-Kendall trend test | ||
| مراجع | ||
|
Alijani, B., Mahmoudi, P. and Doust, M. K. (2015). Statistical Analysis of Climatic Histories of Desertification in Iran, Geographic Space, 15 (51). 1-18. (In Farsi). Bagherpoor, M., Seyedian, S. M., Fathabadi, A. H. and Mohamadi, A. (2017). Study of Mann-Kendall Test Performance in Detecting the Series of Autocorrelation. Iran-Watershed ManagementScience & Engineering, 11 (36). 11-21. (In Farsi). Bernstein, L. S., Jin. X., Gregor, B. and Adler-Golden, S. M. (2011). Quick atmospheric correction code: algorithm description and recent upgrades. Optical Engineering, 51(11), 111719-1-111719-11. Guan, Y., He, B., Li, X., Yin, C. and Qiu, S. (2017). Desertification assessment and trend analysis using modis data. IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, TX, USA, 5739-5742. Heidarian, P., Joudaki, M., Darvishi Khatoni, J., & Shahbazi, R. (2015). Recognized Dust Sources in Khuzestan Province: Ministry of Industry, Mine and Trade Geological Survey of Iran South West Regional Center. Helsel, D. R. and Frans, L. M. (2006). Regional Kendall Test for Trend. Environmental Science and Technology, 40 (13), 4066–4073. Hirsch, R. M. and Slack, J. R. (1984). A nonparametric trend test for seasonal data with serial dependence. Water Resources Research 20 (6),727-732. https://earthexplorer.usgs.gov https://www.harrisgeospatial.com/Software-Technology/ENVI 5.3. https://www.unccd.int/actions/united-nations-decade-deserts-2010-2020-and-fight-against- desertification https://yceo.yale.edu/how-fill-gaps-landsat-etm-image. https://www.xlstat.com/en/ (2016). Khodaei Gheshlagh, F., Roostaei, S. and Mokhtari, D. (2020). Monitoring the Desertification Trend in the Areas Surrounding Lake Urmia (2000-2018). Geography and Environmental Planning, 31 (3), 21-40. (In Farsi). Lamchin, M., Lee, J. Y., Lee, W. K., Lee, E. J., kim, M., Lim, C. H., Choi, H. A. and Kim. S. R. (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. Lamchin, M., Lee, W. K., Jeon, S. W., Lee, J. Y., Song, C., Piao, D., Lim, C.H., Khaulenbek, A. and Navaandorj, I. (2017). Correlation between Desertification and Environmental Variables Using Remote Sensing Techniques in Hogno Khaan, Mongolia. sustainability, 9(4), 581. Lamqadem, A. A., Saber, H. and Pradhan, B. (2018). Quantitative Assessment of Desertification in an Arid Oasis Using Remote Sensing Data and Spectral Index Techniques. Remote Sensing, 10 (12), 1-18. Lanfredi, M., Lasaponara, R., Simoniello, T., Cuomo, V., and Macchiato. M. (2003). Multiresolution spatial characterization of land degradation phenomena in southern Italy from 1985 to 1999 using NOAA-AVHRR NDVI data. Geophysical Research Letters, 30 (2), 1069. Lanfredi, M., Coppola, R., Simoniello, T., Coluzzi, R., D'Emilio, M., Imbrenda , V. and Macchiato, M. (2016). Early Identification of Land Degradation Hotspots in Complex Bio-Geographic Regions. Remote Sensing, 7(6), 8154-8179. Leu, J. (1977). Visible and near-infrared reflectance of beach sands: a study on the spectral reflectance/grain size relationship. Remote Sensing of Environment, 6 (3), 169–182. Liang. S. (2001). Narrowband to broadband conversions of land surface albedo I Algorithms. Remote Sensing of Environment, 76(2), 213-238. Ma, Z., Xie, Y., Jiao, J., li, L. and Wang, X. (2011). The Construction and Application of an Aledo-NDVI Based Desertification Monitoring Model. Procedia Environmental Sciences, 10, 2029-2035. Manjur Gebru, K., Lee, W, K., Khamzina, A., Wang, S. W., Cha, S., Song, c. and Lamchin, M. (2021). Spatiotemporal multi‑index analysis of desertification in dry Afromontane forests of northern Ethiopia. Environment, Development and Sustainability, 3 (21), 23-50 Maroofnezhad, A. and Ghasemi, Sh. (2017). Analysis of changes Using the method of Mann-Kendall (Case Study of Four townships of Chaharmahal and Bakhtiari Province). Quarterly Journal of Enviromental Based Territorial Planning. 10 (37). 149-166. (In Farsi). Paisley, E., Lancaster, N., R.Gaddis, L. and Greeley, R. (1991). Discrimination of active and inactive sand from remote sensing: Kelso dunes, Mojave desert, California. Remote Sensing of Environment, 37(3), 153-166. Pan, J. and Li, T. (2013). Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo-Vegetation feature space. Natural Hazards, 68 (2), 915-927. Rajbanshi, J. and Das, S. (2021). Monitoring land sensitivity to desertification using the ESAI approach and evaluation of the key indicators: A spatio-temporal study in India. Land Degradation and Development, 32 (10), 3045-3061. Soheili, E., Malekinezhad, H. and Ekhtesasi, M. R. (2017). Analysis of the trend of meteorological and hydrological droughts in semi-arid regions of Iran (Case study: Doroodzan Dam basin). Desert Management, 9, 31-45. (In Farsi). Tomasella, J., Silva Pinto Vieirab, R., Barbosa, A, A., Rodriguez, D, A., de Oliveira Santana, M. and Sestini, M. F. (2018). Desertification trends in the Northeast of Brazil over the period 2000–2016. International Journal of Applied Earth Observation, 73, 197-206. United State Geological Survey, https://earthexplorer.usgs.gov/. (Available on January 2020). Verbesselt, J., Hyndman, R., Newnham, G. and Culvenor, D. (2010). Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114 (1), 106-115. Verstraete, M. M. and pinty, B. (1996). Designing Optimal Spectral Indexes for Remote Sensing Applications. Transactions on Geoscience and Remote Sensing, 34 (5), 1254-1265. Wang, Y., Zhang, J., Tong, S. and Guo, E. (2017). Monitoring the trends of aeolian desertified lands based on time-series remote sensing data in the Horqin Sandy Land, China. Catena, 157, 289-298. Wei, H., Wang , J., Cheng. K., Li, G., Ochir, A., Davaasuren, D. and Chonokhuu, S. (2018). Desertification Information Extraction Based on Feature Space Combinations on the Mongolian Plateau. remote sensing, 10 (10), 1614. Wei, H., Wang, J. and Han, B. (2020). Desertification Information Extraction Along the China–Mongolia Railway Supported by Multisource Feature Space and Geographical Zoning Modeling. Feature Space and Geographical Zoning Modeling. Selected Topic in Applied Earth Observation and Remote Sensing, 13, 392- 402. Williams, A. T., Wiltshire, R. J. and Thomas, M. C. (1998). Sand grain analysis: image processing, textural algorithms and neural nets. Computers and Geosciences, 24 (2), 111–118. Xiao, J., Shen, Y., Tateishi, R., & Bayaer. W. (2006). Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27 (12), 2411-2422. Zhang, Y., Cabilio, P. and Nadeem, K. (2016) Improved Seasonal Mann–Kendall Tests for Trend Analysis in Water Resources Time Series: Advances in Time Series Methods and Applications. (pp. 215-229). New York: Springer.
| ||
|
آمار تعداد مشاهده مقاله: 306 تعداد دریافت فایل اصل مقاله: 238 |
||