سنجش از دور و GIS ایران

اثر جزیره گرمایی شهری به دلیل تلاقی با چالش های محیط زیستی مهم قرن بیست و یکم یکی از مهم ترین بررسی ها در مورد پدیده های محیط زیستی است. در همین راستا، مطالعه دمای سطح زمین (LST)، چشم انداز واضحی از بررسی جزایر گرمایی در شهرها به دست می دهد که با توجه به اقلیم گرم و خشک شهر یزد، بررسی وضعیت و عوامل اثرگذار بر LST در این شهر را ضروری می نمایاند. این پژوهش با استفاده از تصویر فیوژن شده طیفی و مکانی لندست-8 برای ماه آگوست سال 2020 میلادی و با بهره گیری از الگوریتم های یادگیری ماشین سعی دارد تا تغییرات LST را با محاسبه پارامترهای مختلف مرتبط با چشم انداز سطح زمین شهری مدل کند. بر اساس نتایج این پژوهش، فیوژن طیفی-مکانی تصویر لندست-8 با سنتینل-2 به روش بارزسازی پن، موجب افزایش 10.7%ی دقت کلی و 16.5%ی ضریب کاپا در طبقه بندی این تصویر شد. این پژوهش همچنین نشان داد که اکثر پارامترهای مرتبط با همسایگی با پوشش اراضی در رده 1 تا 11 تأثیرگذاری بر LST شهر یزد قرار دارند. دراین بین، مجاورت با پوشش زمین های بایر در شعاع 100، 50 و 150 متر به ترتیب رتبه 1 تا 3 مهم ترین پارامترهای اثرگذار بر LST را از آن خود کردند. این پژوهش نشان داد که تغییر آرایش پوشش اراضی می تواند بر LST اثرگذار بوده و تغییر پوشش زمین های بایر به مناطق ساخته شده، تا °C 1.1، به پوشش گیاهی، تا °C 2.1 و تغییر 30% از زمین های بایر به پوشش گیاهی، تا °C 1.6 می تواند میانگین LST را در شهر یزد کاهش دهد. همچنین این پژوهش با بررسی دو رویکرد مختلف شبیه سازی ایجاد پوشش گیاهی در سطح شهر یزد نشان داد که رویکرد صرفه جویی در زمین می تواند میانگین LST را در شهر یزد تا 1.3 درجه و رویکرد تقسیم زمین تا °C 1.4 کاهش دهد.

معدن کاری سابقه ای طولانی دارد و در طیف گسترده ای از محیط های ژئومورفیک رخ می دهد. میزان تغییراتی که این فعالیت های معدن کاری در مورفولوژی و محیط معدنی به وجود می آورند گاه به اندازه ای است که محیط اطراف را دچار تغییرات اساسی و خسارات فراوانی می کند و ازاین رو این تغییرات نیازمند پایش دقیق است. از اوایل دهه ۱۹۹۰U تداخل سنجی راداری به صورت ابزاری مفید در مطالعه تمامی پدیده هایی که سبب تغییر سطح زمین می شوند، مطرح شده و به کار رفته است؛ بدین معنا که اگر سطح زمین بین دو تصویر راداری تغییرشکل بیابد، می توان نقشه جابه جایی سطحی را با وضوح و دقت میلی متری ایجاد کرد. این مقاله یافته های حاصل از اجرای روش SBAS روی سری زمانی مجموعه داده های سنتینل – 1 برای شناسایی تغییرشکل های سطحی، در معدن سنگ آهن سنگان – خواف به منزله یک معدن سطحی روباز را گزارش می دهد. معدن سنگ آهن سنگان از بزرگ ترین و غنی ترین ذخایر سنگ آهن در خاورمیانه و ایران است. این معدن، براَثر برداشت و استخراج سنگ آهن، دچار تغییرات فراوان توپوگرافی و ژئومورفولوژی شده است که این تغییرات می تواند سبب تشدید فرایندها و مخاطرات ژئومورفولوژیکی شود. برای تخمین و به دست آوردن مقدار تغییرشکل سطح زمین، از 48 تصویر SAR از معدن سنگ آهن سنگان استفاده شده است. این تصاویر با استفاده از ماهواره سنتینل – 1 آژانس فضایی اروپا به دست آمد. سری زمانی (2014-2020) حاصل از تغییرشکل در محدوده معادن پلاسری تجزیه وتحلیل شد. نتایج به دست آمده میزان متوسط جابه جایی 20- تا 35- میلی متر در سال و حداکثر میزان تجمعی تغییرات 120- میلی متر را نشان می دهد. بررسی نیم رخ عرضی در نواحی ابتدایی مخروط افکنه در معادن پلاسری، طی بازه زمانی 2014-2020، شدت تغییرات توپوگرافی را به خوبی نشان می دهد. برای ارزیابی قابلیت اطمینان نتایج، به دلیل نبود داده (ایستگاه GPS) در محدوده معادن پلاسری، نتایج مشتق از SBAS با مقادیر اندازه گیری شده ازطریق توتال استیشن مربوط به واحد ژئومورفولوژی کوهستان منطقه معدنی در سال های ۲۰۲۰ -۲۰۱۴ به کار رفته است. نتایج نشان داد که میزان تغییرات حاصل از داده های راداری با استفاده از روش SBAS، در مقایسه با داده های نقشه برداری زمینی، الگوی تقریباً مشابهی را طی کرده است اما تفاوت هایی نیز دارد که ممکن است ناشی از ماهیت متفاوت برداشت (در نقشه برداری زمینی، تغییرات ارتفاعی برای یک نقطه اندازه گیری می شود اما، در تداخل سنجی، مقدار میانگین از نقاط مجاور یکدیگر به دست می آید) و از همه مهم تر، وجودنداشتن داده های متوالی ترازیابی در سطح پلاسری ها به منظور ارزیابی دقیق تر نتایج است.

با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه روز افزایش و عمومیت می یابد. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه گذشته، روش های بسیاری برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابرطیفی به کار رفته است؛ به گونه ای که ساختار شبکه بتواند، با استفاده از یک لایه کانولوشنی و یک لایه کپسول، بهترین حالت تولید ویژگی ها را داشته باشد و درعین حال از بیش برازش شبکه روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه بندی، رویکرد استخراج ویژگی ازطریق شبکه طراحی شده و طبقه بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی ازطریق شبکه عمیق سراسری مقایسه شد تا، علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی به روش پیشنهادی در طبقه بندی کننده های گوناگون، میزان توانایی شبکه های عمیق سراسری نیز، در کاربرد طبقه بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه اصلی است: 1)  Prime با کپسول هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده بعدی؛ 3) لایه تماماً متصل. نتایج بررسی دو رویکرد برای شبکه عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسه رویکرد پیشنهادی براساس پیکربندی هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده Indian Pines نیز، شامل شانزده کلاس متفاوت، به کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت 99% روی داده های آموزش و دقت 5/97% روی داده های تست انجام می شود.

با توجه به روند بی سابقه و رو به رشد جمعیت و گسترش شهری در دهه های اخیر، با افزایش نگران کننده ساخت وسازها و به ویژه موارد غیرمجاز در محدوده شهری مواجه بوده ایم و این مسئله نظام مدیریت و برنامه ریزی شهری را تحت الشعاع قرار داده است؛ ازاین رو جلوگیری از ساخت وسازهای غیرمجاز شهری یکی از مهم ترین مشکلات مدیران شهری شمرده می شود. روش کنونی کنترل تخلفات ساختمانی شامل بازرسی های میدانی برمبنای دانش انسانی است که صرف هزینه گزاف مالی، زمانی و انسانی را می طلبد و ممکن است حتی به شناسایی نشدنِ به موقع تخلفات ساختمانی بینجامد. درهمین زمینه طرح روشی هوشمند و دقیق برای شناسایی تخلفات ساختمانی و هدفمندکردن جست وجوی گشت های نظارت بر ساخت وسازها بیش ازپیش مورد نیاز است. پژوهش حاضر، با این هدف، به دنبال بیان مدل راهبردی هوشمندی در پایش تخلفات است. این پژوهش ازنظر هدف، کاربردی و ازلحاظ روش، توصیفی و علّی است و داده های آن به روش کتابخانه ای و میدانی جمع آوری شده است. در این تحقیق، از تصاویر ماهواره ای، تصاویر پهپاد، دوربین های نصب شده روی خودرو و AVL به منزله ورودی های سیستم مانیتورینگ هوشمند استفاده شده است. نتایج این تحقیق بیان می کند، با استفاده از سیستم مانیتورینگ هوشمند، امکان پایش هوشمند ساخت وسازهای غیرقانونی ازطریق فنون پردازش تصاویر و داده های مورد نیاز، با کمترین حضور عامل انسانی و در زمانی کوتاه تر، وجود دارد. دقت کلی 94% و ضریب کاپای 71% برای طبقه بندی تصویر در این سیستم، صحت نتایج یادشده را تأیید می کند و نشان می دهد، در این روش، سرعت و دقت طبقه بندی تصاویر، شناسایی ساختمان های درحال تغییر و شناسایی ساخت وسازهای غیرقانونی به مراتب بیشتر از روش های فیزیکی و موجود است.

دما مهم ترین پارامتر اقلیمی در مطالعه تغییرات مکانی و زمانی فنولوژی گیاهان است؛ ازاین رو مطالعه حاضر با هدف بررسی پتانسیل داده های دمایی سنجنده مودیس در تهیه نقشه های درجه روزرشد (GDD) و مراحل گوناگون فنولوژی، درمورد گونه های مرتعی Astragalus effusus و Bromus tomentllus، در استان چهارمحال و بختیاری انجام شد. نقشه های دمایی (حداکثر، حداقل و میانگین)، GDD و مراحل متفاوت فنولوژی گونه های یادشده از داده های مودیس متعلق به فصل رویش در سال های 1396 و 1397 استخراج و با استفاده از داده های ایستگاه های هواشناسی و همچنین داده های فنولوژی میدانی در سه سایت مرتعی در منطقه با ارتفاع های متفاوت، ازطریق آزمون پیرسون مقایسه و صحت سنجی شد. نتایج حاکی از آن بود که تولیدات دمایی و GDD حاصل از تصاویر مودیس، به ترتیب، با داده های دمایی ایستگاه های هواشناسی و نیز GDD محاسبه شده در سایت ها بیش از 91 و 99% همبستگی دارد (p<0.001). نقشه ها مقدار GDD را، در اوایل فصل رویش، کمتر از 16 و در اواخر این دوره، بیش از 5200 نشان دادند که به ترتیب، بیانگر یک مرحله و تمامی مراحل فنولوژی گونه های مطالعاتی در منطقه بود. یافته های تحقیق نشان داد که مراحل فنولوژی گونه های مورد بررسی را می توان با استفاده از داده های مودیس، ازلحاظ مکانی و زمانی، از هم تفکیک کرد. با توجه به اینکه حفظ بقای گونه ها و بهره برداری پایدار از مراتع مستلزم آگاهی از مراحل گوناگون فنولوژی است، نقشه فنولوژی گونه ها می تواند ابزار کارآمدی، در مدیریت مراتع در سازمان های مرتبط، محسوب شود.

آتش سوزی در پوشش های جنگلی سطح جهان باعث واردشدن خسارات شدید به پوشش های گیاهی، خاک و زیستگاه های طبیعی می شود که تأثیرات زیست محیطی منفی مستقیم و غیرمستقیم را به همراه دارد؛ ازجمله جنگل زدایی، تغییرات آب وهوا و خشکسالی. ازاین رو تشخیص و تعیین خطرها، برای پوشش های گیاهی که دچار آتش سوزی می شوند، به منظور مدیریت و توسعه آنها بسیار مهم است. گسترش تصاویر سنجش از دوری، همچون محصولات آتش فعال دو ماهواره ترا (Terra) و آکوا (Aqua)، طی دو دهه گذشته، از روش های مهم در تشخیص این آتش سوزی ها بوده است. بااین حال محصول آتش فعال سنجنده مودیس، طی مطالعات گذشته، نشان داده است که این موارد به تنهایی نتایج مناسبی از مناطق تحت تأثیر آتش به دست نمی دهند. ازاین رو نیاز است با نقشه های پایه پوشش های گیاهی ارزیابی شوند. این تحقیق با هدف بررسی دو نوع محصولات گیاهی و کشف آتش فعال سنجنده مودیس و نقشه پوشش های جنگلی و غیرجنگلی FNF-JAXA، برای تفکیک بهتر مناطقی که دچار آتش سوزی شده اند، در پوشش های گیاهی کشور ایران بین روزهای ژولیوسی 1 تا 160 (یازدهم دی 1398 تا هجدهم خرداد 1399) در سال 2020 انجام شد. نتایج بیانگر بیشترین مساحت آتش سوزی در روز ژولیوسی 144 (سوم خرداد 1399)، با بیش از 49هزار هکتار و روز ژولیوسی 128 (هجدهم اردیبهشت 1399)، با بیش از 45هزار هکتار است. اما بیشترین مساحت آتش سوزی پوشش های جنگلی در روزهای 120 تا 160 (دهم اردیبهشت تا هجدهم خرداد 1399)، با بیش از 14هزار هکتار برآورد شده است. استان خوزستان بیشترین مساحت آتش سوزی را در دوره زمانی مورد مطالعه، داشته است که بیشتر این مناطق در اراضی کشاورزی قرار داشتند. سه استان فارس، کهگیلویه و بویراحمد و بوشهر بیشترین مساحت آتش سوزی ها را در پوشش های جنگلی داشته اند. بیشترین فراوانی آتش سوزی ها در اراضی کشاورزی مشاهده شد که مهم ترین دلایل آن می تواند دخالت های انسانی باشد. همچنین ارزیابی نهایی نتایج نشان داد استفاده از محصول FNF-JAXA (با صحت نهایی 4/87% و ضریب کاپای 85/0)، در قیاس با محصولات مودیس (با صحت نهایی3/80% و ضریب کاپای 78/0)، در تفکیک مناطق جنگلی قابلیت بهتری دارد. بااین همه توانایی محصولات مودیس در تفکیک نوع پوشش گیاهی مرتع و کشاورزی مزیتی مهم به شمار می رود که محصول FNF-JAXA چنین ویژگی ای ندارد. به طور کلی، یافته های تحقیق بیانگر قابلیت مناسب تصاویر محصولات گیاهی مودیس و نقشه های FNF-JAXA است که می توانند، به منزله نقشه های مرجع برای تفکیک پوشش های گیاهی گوناگون که دچار آتش سوزی می شوند، در ارزیابی خسارت و مدیریت آنها به کار روند.

پوشش گیاهی نقش مهمی در حفاظت از منابع آب و خاک، تثبیت کربن و بهبود کیفیت هوا دارد. در زاگرس میانی، پوشش گیاهی جنگلی و مرتعی و تأثیر آن در حفاظت از منابع خاک و آب و پایداری فعالیت های اقتصادی، دارای اهمیت بسیار است. در این پژوهش، با استفاده از پلتفرم گوگل ارث انجین و تصاویر ماهواره لندست – 7، خشکسالی زاگرس میانی (استان لرستان) با شاخص های گیاهی NDVI، SAVI و VCI و همچنین شاخص خشکسالی هواشناسیSPI ، متعلق به دوره آماری 2020-2000 پایش شد. برای محاسبه شاخص SPI از داده های بارش نُه ایستگاه هواشناسی سینوپتیک، با پراکنش مکانی مناسب و طول دوره آماری (2020-2000) استفاده شد و پردازش ها در نرم افزار DPI انجام شد. به منظور محاسبه شاخص های گیاهی، ابتدا تمامی تصاویر ماهواره ای تصحیح هندسی شده سنجنده ETM+ ماهواره لندست برای استان لرستان، متعلق به هر سال، فراخوانی شد. در این مرحله، به طور متوسط درمورد هر سال 52 تصویر فراخوانی شد. سپس تصاویر با پوشش ابری کمتر از 5% انتخاب و پردازش شدند. نتایج شاخص VCI نشان داد منطقه مورد مطالعه، در طول دوره آماری 2020-2000، اغلب تحت تأثیر خشکسالی خفیف بوده و بین سال های مورد مطالعه، در سال 2008، بیشترین میزان مساحت خشکسالی مربوط به طبقه متوسط را با 6/5880 هکتار، دارا بوده است. نتایج شاخص SPI نشان داد در سال 2010 خشکسالی متوسط، در سال های 2008 و 2017 خشکسالی شدید، در 2006 ترسالی ملایم و سال 2019 ترسالی شدید رخ داده است. نتایج شاخص های NDVI و SAVI نیز گویای افزایش طبقات پوشش گیاهی تنک و مناطق فاقد پوشش گیاهی، به ترتیب، 1/331679 و 115164 هکتار و کاهش پوشش گیاهی نرمال و متراکم، به ترتیب، 7/446160 و 4/682 هکتار در سال 2008، در قیاس با سال های 2006 و 2007 بود. براساس نتایج، هر سه شاخص مورد بررسی شرایط مساعد پوشش گیاهی و ترسالی اکولوژیک در سال های 2016، 2019 و 2020 به دست آمد. بیشترین میزان این هماهنگی میان خشکسالی هواشناسی SPI و شاخص های گیاهی در سال های 2008 و 2010 و تاحدودی ترسالی سال 2019 مشاهده شد. به طور کلی، نتایج نشان می دهد که افزایش یا کاهش پوشش گیاهی می تواند ناشی از رخداد یا نبود خشکسالی باشد؛ ضمن آنکه دیگر عوامل، مانند تغییرات کاربری اراضی نیز، باید درنظر گرفته شود.