حسین ملکی نژاد

در این تحقیق با استفاده از تصاویر MODIS و الگوریتم سبال، مقدار تبخیر و تعرق برای مروست استان یزد در چهار ماه (نوامبر، فوریه، می، آگوست)سال 2017 برآورد گردید. حداکثر میزان تبخیر و تعرق هم زمان با فصل گرم یعنی ماه اگوست و رسیدن گیاه به بیشینه سبزینگی رخ داده است که میزان آن 582 میلی متر می باشد. سپس با کاهش تراکم گیاهی، روند تبخیروتعرق کاهشی بوده است که حداقل میزان تبخیر و تعرق در ماه فوریه (بهمن) بوده است. استخراج ضریب گیاهی انگور با روش فائو نشان داد، مقدار آن در ماه می (23/1) و آگوست (14/1) برآورده شده است. با توجه به بالا بودن میزان تبخیر و تعرق و گرما در این دوماه نیاز گیاه به آب بیشتر بوده است. میزان ضریب گیاهی در فصل پاییز(ماه نوامبر25/0) و زمستان (فوریه 29/0) به دلیل کاهش پوشش سطح برگ و کاهش تبخیر و تعرق مقادیر کمتری از دوره های رشد داشته است. سپس مقادیر تبخیر و تعرق و نیاز آبی انگور با 5 روش دیگر محاسبه شد و با استفاده از شاخص های آماری میانگین خطای مطلق (MAE) با روش فائو مقایسه شدند. نتایج نشان داد مدل تجربی هارگریوز-سامانی و بلانی-کریدل عملکرد مطلوبتری در برآورد تبخیر تعرق مرجع و نیازآبی دارند، اما در این تحقیق روش هارگریوز-سامانی به عنوان روش برتر و سایر روش ها در رتبه های بعدی قرار گرفتند. روش تراجکویک و برتی نتایج مناسبی بخصوص در ماه گرم از خود نشان ندادند.

یکی از ضروری ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه های کاربری اراضی می باشد. داده های ماهواره ای، به جهت ارایه ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش در تهیه ی نقشه های کاربری اراضی از اهمیت بالایی برخوردارند. از سویی دیگر در سال های اخیر به طور وسیع و گسترده جهت طبقه بندی تصاویر ماهواره ای از روش های طبقه بندی پیشرفته از قبیل شبکه های عصبی مصنوعی، مجموعه های فازی و سیستم های هوشمند استفاده می شود. هدف اصلی این تحقیق مقایسه ی دو روش مختلف جهت طبقه بندی کاربری اراضی با استفاده از تصاویر ASTER می باشد. بدین منظور با استفاده از تصویر ماهواره ای ASTER و دو الگوریتم طبقه بندی نظارت شده شامل حداکثر احتمال و شبکه ی عصبی مصنوعی، نقشه ی کاربری اراضی تهیه گردید. در طبقه بندی با استفاده از الگوریتم شبکه ی عصبی از یک شبکه ی پرسپترون با یک لایه ی پنهان و 14 نرون ورودی، 9 نرون میانی و 6 نرون خروجی استفاده شده است که تعداد نرون های ورودی همان تعداد باندهای تصویر ماهواره ای ASTER و تعداد نرون های خروجی همان تعداد کلاس های نقشه ی کاربری اراضی می-باشد. برای آموزش شبکه نیز از الگوریتم انتشار برگشتی استفاده شده است. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از تعیین ضریب کاپا نشان داده است که الگوریتم شبکه ی عصبی با ضریب 86/0 نسبت به الگوریتم حداکثر احتمال با ضریب 69/0 از دقت بیشتری برخوردار است. نتایج این مطالعه همچنین نشان می دهد الگوریتم های سنتی طبقه-بندی مانند روش های آماری به خاطر انعطاف پذیری پایین و انواع پارامتریک آن مانند روش حداکثر احتمال به خاطر وابستگی به مدل آمار گوسی نمی توانند نتایج بهینه ای، در صورت نرمال نبودن داده های آموزشی فراهم آورند در حالیکه دلیل موفقیت الگوریتم شبکه ی عصبی مصنوعی در سنجش از دور این است که می تواند داده هایی با منابع مختلف را با هم تلفیق نماید.

بروز پدیده زمین لغزش می تواند ناشی از عوامل متعدد زمین شناسی، ژئومورفولوژیکی، هیدرولوژیکی، بیولوژیکی و انسانی باشد. با وجود این، نقش اساسی در شروع زمین لغزش را عمدتاً عاملی ماشه ای ایفا می کند. بارندگی، به عنوان متداول ترین عامل ماشه ای وقوع زمین لغزش ها شناخته شده است. از این رو، مهمترین بخش در مدل سازی تجربی، آماری و یا فیزیکی زمین لغزش، بخش هیدرولوژیکی آن خواهد بود. در پژوهش حاضر کوشش شده است با بررسی پژوهش های صورت گرفته (کتاب ها و مقالات پُراستناد از پژوهشگران شناخته شده در زمینه مدل سازی هیدرولوژیکی زمین لغزش)، در بازه زمانی 1975 (معرفی مفهومی به نام آستانه بارندگی برای شروع زمین لغزش به وسیله کمبل) تا 2008 میلادی (ارائه مدل فیزیکی HSB-SM از سوی طالبی و همکاران)، مفاهیم به کار رفته در این پژوهش ها معرفی و دستاوردهای حاصل از آنها بررسی شود. اغلب مدل های فیزیکی، مقدار بارندگی مورد نیاز برای وقوع زمین لغزش را به صورت دینامیک (در هر لحظه از رخداد بارندگی) برآورد می کنند، اما محدودیت بزرگ مدل های فیزیکی (به خصوص در کشورهایی مانند ایران) نیاز آنها به اطلاعات مفصل و دقیق از خصوصیات خاک، هیدرولوژی و مورفولوژی دامنه است، که البته جمع آوری آنها معمولاً دشوار و پرهزینه است. بنابراین با توجه به در دسترس بودن داده های بارندگی در اغلب مناطق کشور، پیشنهاد می شود برای تعیین آستانه بارندگی وقوع لغزش در مناطق مستعد کشور، مدل های تجربی ـ آماری در نظر گرفته شود و برای هر منطقه رابطه قابل اطمینانی بین خصوصیات بارش و وقوع زمین لغزش ارائه گردد. ورودی این مدل ها اغلب داده های بارندگی در پایه های زمانی مختلف است که باعث سهولت استفاده از آنها می گردد. از طرفی با توجه به تحقیقات انجام شده در نقاط مختلف جهان و نمونه ای در ایران (به وسیله نگارندگان)، نتایج این مدل ها از دقت مناسبی برخوردار است.