| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,262 |
| تعداد مقالات | 36,058 |
| تعداد مشاهده مقاله | 55,181,868 |
| تعداد دریافت فایل اصل مقاله | 94,182,216 |
پایش پنجاه سال تغییرات اکوسیستم جنگل‌های کران رودی شهرستان گتوند با استفاده از تصاویر سنجش از دور | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 4، دوره 31، شماره 3 - شماره پیاپی 93، آذر 1402، صفحه 203-224 اصل مقاله (3.3 M) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2023.362063.2098 | ||
| نویسندگان | ||
| مرتضی شریف1؛ عطا عبدالهی* 2؛ سوسن حیدری3؛ ابوذر کیانی4 | ||
| 1دانش‌آموخته کارشناسی ارشد رشته سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران | ||
| 2دانشیار گروه سنجش از دور و GIS، دانشگاه تهران، تهران، ایران. | ||
| 3دانشجوی دکتری اقلیم‌شناسی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران | ||
| 4دانش‌آموخته کارشناسی ارشد رشته سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه یزد، یزد، ایران | ||
| چکیده | ||
| سابقه و هدف: تغییرات بوم‌سازگان‌های جنگلی کران‌رودی، چالش‌های قابل‌توجهی بر توان بوم‌شناختی و تنوع زیستی مناطق گرم و خشک دارند. همچنین، این جنگل‌ها به‌عنوان عاملی در جلوگیری از فرسایش اراضی کشاورزی و تغییرات بستر رودخانه‌ها، حائز اهمیت هستند. پایش تغییرات بلندمدت آن‌ها برای حفاظت از توان بوم‌شناختی و تنوع زیستی ضروری است. بوم‌سازگان‌های جنگلی کران‌رودی به‌طور مداوم تحت تأثیر تغییر اقلیم و تغییرات کاربری و پوشش زمین (LUCC) قرار می‌گیرند که بر محیط زیست، تنوع زیستی، امنیت غذایی و سلامت انسان اثر می‌گذارند. مواد و روش‌ها: در این مطالعه از آرشیو سری ماهواره‌های لندست برای شهرستان گتوند استفاده شد. اولین تصویر به‌دست‌آمده از منطقه مورد مطالعه، یک تصویر از سنجنده MSS (لندست 1) در سال 1972 میلادی است. پس‌ازآن، سنجنده‌های TM، ETM+ و OLI هستند که به‌ترتیب در تاریخ‌های 16/7/1982، 15/4/1999 و 11/2/2013 در مدار زمین قرار گرفتند. مقادیر پیکسل کالیبره‌شده خام با استفاده از ماژول تصحیح اتمسفر به بازتاب سطحی تبدیل شد. تصویر سنجنده MSS مربوط به سال‌های 1972 و 1981 به قدرت تفکیک مکانی 30 متر برای مطابقت با تصاویر دیگر، نمونه‌برداری شد. برای اعتبارسنجی نتایج نهایی طبقه‌بندی، داده‌های آموزشی به سه روش جمع‌آوری شد. همچنین، در روش طبقه‌بندی به‌صورت شیءمبنا، مقادیر مختلف برای مقیاس، شکل و فشردگی برای تفکیک قطعه‌های همسان اعمال شد تا با‌توجه‌به مقیاس تعیین‌شده، هر شیء با مرزبندی مناسب و یکسان ایجاد شود. برای ارزیابی نتایج نهایی طبقه‌بندی از معیارهای صحت‌سنجی شامل صحت کلی، ضریب کاپا، صحت تولیدکننده و صحت کاربر استفاده شد. نتایج: کمترین اختلاف بین باندهای Red و NIR برای سنجنده MSS و بیشترین اختلاف مربوط به سنجنده ETM+ مشاهده شد. صحت طبقه‌بندی برای سال‌هایی که شرایط داده‌های در دسترس به‌عنوان نمونه‌های زمینی از طریق تصاویر ماهواره‌ای صحت‌سنجی شد، نسبت به سال‌های دیگر کمتر بود. برای سال 2022، صحت کلی 9/98، ضریب کاپا 89/0 با صحت کاربر 97 درصد و صحت تولیدکننده 99 درصد برای طبقه جنگل به‌دست آمد. این نتایج نشان می‌دهد که با افزایش دقت مکانی و طیفی تصاویر ماهواره‌ای، نتایج صحت‌سنجی بهبود یافته است. نرخ تغییرات اراضی کشاورزی با رشد بیشتر از 4393 درصد در سال 2022 نسبت به سال 1972 روبرو بوده است. بین سال‌های 1972 تا 2000، بوم‌سازگان جنگلی کران‌رودی، طبقه غالب گیاهی در این منطقه بود که به‌ترتیب، مساحتی بین 6/3670 تا 2/2379 هکتار را پوشش می‌داد. این بوم‌سازگان در دوره زمانی مذکور حدود 35 درصد از مساحت خود را از دست داده بود. از سال 2000 تا 2022 (با مساحت 6/1569) نیز حدود 34 درصد دیگر از مساحت این بوم‌سازگان گیاهی از بین رفته است. نتیجه‌گیری کلی: با‌توجه‌به یافته‌های این پژوهش، طی نیم قرن گذشته 23/57 درصد از مساحت بوم‌سازگان جنگلی کران‌رودی مورد مطالعه کاهش یافته است. کمترین مساحت این جنگل‌ها در سال 2010 با 2/1279 هکتار برآورد شد. مساحت اراضی کشاورزی طی پنجاه سال گذشته حدود 45 برابر شده است. تغییرات پوشش سطح زمین در این منطقه حاکی از گسترش اراضی کشاورزی و کاهش جنگل‌ها است. همچنین، روند تغییرات سالانه پارامترهای آب و هوا شامل کاهش بارش به‌مقدار 5/1- میلی‌متر و دمای هوا به‌مقدار 04/0 درجه سانتی‌گراد به‌نوبه‌خود می‌تواند بوم‌سازگان‌های مورد مطالعه را تحت تأثیر قرار دهد. یافته‌های این پژوهش، معیاری برای مدیریت پایدار تغییرات پدیده‌های سطح زمین در جنگل‌های کران‌رودی پیرامون رودخانه کارون در شهرستان گتوند است. واژه‌های کلیدی: تنوع زیستی، توان بوم‌شناختی، لندست، OBIA، SVM | ||
| کلیدواژه‌ها | ||
| تنوع زیستی؛ توان بوم‌شناختی؛ لندست؛ OBIA؛ SVM | ||
| عنوان مقاله [English] | ||
| Monitoring fifty-year changes in riparian forests of Gotvand County, Iran, using remote sensing images | ||
| نویسندگان [English] | ||
| M. Sharif1؛ A. A. Kakroodi2؛ S. Heidari3؛ A Kiani4 | ||
| 1MSc. Graduate, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| 2Corresponding author, Associate Prof., Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| 3Ph.D. Students of Climatology, Department of Physical Geography, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| 4MSc. Graduate, Department of Remote Sensing and GIS, Faculty of Geography, Yazd University, Yazd, Iran | ||
| چکیده [English] | ||
| Background and objectives: Riparian forest ecosystems play a crucial role in maintaining ecological resilience and biodiversity in hot and arid regions. Additionally, these forests serve as vital safeguards against agricultural land erosion and alterations in riverbeds. Long-term monitoring is imperative to preserve the ecological capacity and biodiversity of riparian forests, which are continually impacted by climate change and land use/cover changes (LUCC). These changes have far-reaching implications for the environment, biodiversity, food security, and human health. Methodology: This study utilized the Landsat satellite series archive for Gotvand County in Iran. The analysis commenced with an image from the MSS sensor (Landsat 1) in 1972, followed by images from the TM, ETM+, and OLI sensors placed in orbit on 7/16/1982, 4/15/1999, and 11/2/2013, respectively. Raw calibrated pixel values underwent conversion to surface reflectance through atmospheric correction. Classification input layers included spectral bands and two indices (NDVI, SAVI for vegetation cover, and MNWDI, NDWI2 for water class), derived from available spectral bands for each year. Object-based classification, employing the SVM algorithm, was implemented to extract forest areas, water bodies, agricultural lands, and other phenomena. Various values for scale, shape, and compression were applied in the object-based classification method to enhance separation. Evaluation metrics such as Overall Accuracy, Producer’s Accuracy, User’s Accuracy, and Kappa Coefficient were employed to assess classification results. Results: The study observed the lowest difference between Red and NIR bands for the MSS sensor and the highest difference for the ETM+ sensor. Classification accuracy was lower for years when ground sample conditions were validated through satellite images compared to other years. In 2022, with improved spatial and spectral accuracy, the overall accuracy reached 98.9%, the Kappa coefficient was 0.89, and user and producer accuracies for the forest class were 97% and 99%, respectively. Agricultural land changes witnessed a staggering growth of over 4393% from 1972 to 2022. Riparian forest ecosystems, dominant in the area between 1972 and 2000 (ranging from 3670.6 to 2379.2 hectares), experienced a 35% loss. From 2000 to 2022 (covering 1569.6 hectares), an additional 34% of this plant ecosystem's area was lost. Conclusion: The research findings highlight a 57.23% decrease in riparian forests over the past fifty years, reaching its lowest point of 1279.2 hectares in 2010. Concurrently, agricultural land area expanded by 45 times from 1972 to 2022, indicating a significant shift in land cover from forests to agriculture. The observed changes align with shifting precipitation (-1.5 mm/yr) and temperature (0.04 °C/yr) trends, impacting the studied ecosystems. This study serves as a crucial benchmark for the sustainable management of riparian forests along the Karun River in Gotvand County. | ||
| کلیدواژه‌ها [English] | ||
| Biodiversity, ecological capability, Landsat, OBIA, SVM | ||
| مراجع | ||
|
- Ahmadi, F., Koshafar, A. and Attarroshan, S., 2021. Investigation of destruction of Popoulus euphratica Oliv. forests along the Karun River in a 20-year period using Landsat satellite images. Journal of Plant Ecosystem Conservation, 9(18): 325-341 (In Persian with English Summary).
- Chi, Y., Sun, J., Liu, W., Wang, J. and Zhao, M., 2019. Mapping coastal wetland soil salinity in different seasons using an improved comprehensive land surface factor system. Ecological Indicators, 107: 105517.
- Deluigi, N. and Lambiel, C., 2013. PERMAL: a machine learning approach for alpine permafrost distribution modeling. Jahrestagung der Schweizerischen Geomorphologischen Gesellschaft. Saint Niklaus, Switzerland, 29 Jun.-1 Jul. 2011: 47-62.
- Ghadiripour, P. and Bavi, S., 2018. Riparian forests of Khuzestan province, the forgotten forest ecosystems in Iran. Journal of Iran Nature, 2(6): 16-23 (In Persian with English Summary).
- Hamzeh, S., Naseri, A.A., Alavipanah, S.K., Mojaradi, B., Bartholomeus, H.M., Clevers, J.G.P.W. and Behzad, M., 2013. Estimating salinity stress in sugarcane fields with spaceborne hyperspectral vegetation indices. International Journal of Applied Earth Observation and Geoinformation, 21: 282-290.
- Healey, S.P., Yang, Z., Cohen, W.B. and Pierce, D.J., 2006. Application of two regression-based methods to estimate the effects of partial harvest on forest structure using Landsat data. Remote Sensing of Environment, 101(1): 115-126.
- Hossain, M.D. and Chen, D., 2019. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150: 115-134.
- Huang, K., Zhang, Y., Tagesson, T., Brandt, M., Wang, L., Chen, N., ... and Fensholt, R., 2021. The confounding effect of snow cover on assessing spring phenology from space: A new look at trends on the Tibetan Plateau. Science of the Total Environment, 756: 144011.
- Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X. and Ferreira, L.G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2): 195-213.
- Huete, A., Justice, C. and Liu, H., 1994. Development of vegetation and soil indices for MODIS-EOS. Remote Sensing of Environment, 49(3): 224-234.
- Hussain, M., Chen, D., Cheng, A., Wei, H. and Stanley, D., 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80: 91-106.
- Jafari, S., 2020. Effects of dam construction and the Karoon River’s change of hydrology regime on soil salinity and dust storms of Khuzestan Plain. Irrigation Sciences and Engineering, 43(1): 157-172 (In Persian with English Summary).
- Karimi, M., Heidari, S. and Rafati, S., 2021. The trend of atmospheric water cycle components (precipitation and precipitable water) in catchments of Iran TT. Journal of Spatial Analysis Environmental Hazarts, 8(2): 33-54 (In Persian with English Summary).
- Koda, S., Zeggada, A., Melgani, F. and Nishii, R., 2018. Spatial and structured SVM for multilabel image classification. IEEE Transactions on Geoscience and Remote Sensing, 56(10): 5948-5960.
- Liu, R., Shang, R., Liu, Y. and Lu, X., 2017. Global evaluation of gap-filling approaches for seasonal NDVI with considering vegetation growth trajectory, protection of key point, noise resistance and curve stability. Remote Sensing of Environment, 189: 164-179.
- McFeetrs, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7): 1425-1432.
- Meroni, M., D’Andrimont, R., Vrieling, A., Fasbender, D., Lemoine, G., Rembold, F., ... and Verhegghen, A., 2021. Comparing land surface phenology of major European crops as derived from SAR and multispectral data of Sentinel-1 and -2. Remote Sensing of Environment, 253: 112232.
- Miao, N., Jiao, P., Tao, W., Li, M., Li, Z., Hu, B. and Moermond, T.C., 2020. Structural dynamics of Populus euphratica forests in different stages in the upper reaches of the Tarim River in China. Scientific Reports, 10(1): 3196.
- Moradi, B., Ravanbakhsh, H., Meshki, A. and Shabanian, N., 2016. The effect of fire on vegetation structure in Zagros forests (Case Study: Sarvabad, Kurdistan province). Iranian Journal of Forest, 8(3): 381-392 (In Persian with English Summary).
- Najafi, A., Azizi Ghalati, S. and Mokhtari, M.H., 2017. Assessment kernel support vector machines in classification of landuses (Case study: Basin of Cheshmeh Kileh-Chalkrod). Journal of Watershed Management Research, 8(15): 92-101 (In Persian with English Summary).
- Najafi, Z., Darvishsefat, A.A., Fatehi, P. and Attarod, P., 2020. Time series analysis of vegetation dynamic trend using Landsat data in Tehran Megacity. Iranian Journal of Forest, 12(2): 257-270 (In Persian with English Summary).
- Omati, M. and Sahebi, M.R., 2016. Change detection in polarimetric SAR images based on improved watershed algorithm. Journal of Geomatics Science and Technology, 6(2): 63-78 (In Persian with English Summary).
- Șerban, R.D., Șerban, M., He, R., Jin, H., Li, Y., Li, X., … and Li, G., 2021. 46-year (1973–2019) permafrost landscape changes in the Hola Basin, Northeast China using machine learning and object-oriented classification. Remote Sensing, 13(10): 1910.
- Sharif, M. and Attarchi, S., 2021. Investigation the effect of environmental parameters on mangrove ecosystems using satellite images. Nivar, 45(114-115): 97-107 (In Persian with English Summary).
- Sharif, M., Attarchi, S. and Kakroudi, A.A., 2022. Investigating the phenology changes of three plant species in different ecosystems using radar and optical data. Journal of Physical Geography Research, 54(1): 111-133 (In Persian with English Summary).
- Sharif, M. and Hamzeh, S., 2022. Investigating the effect of Gotvand Dam on changes in soil salinity and vegetation cover of downstream lands of the dam using satellite imagery and spectral indices. Environmental Sciences, 19(4): 225-248 (In Persian with English Summary).
- Sharif, M. and Kiani, A., 2023. Estimation of fire area in Iranian vegetation using MODIS and Alos-2 data. Iranian Journal of Remote Sensing and GIS, 15(3): 103-124 (In Persian with English Summary).
- Shu, W. and Cai, K., 2019. A SVM multi-class image classification method based on DE and KNN in smart city management. IEEE Access, 7: 132775-132785.
- Thanh Noi, P. and Kappas, M., 2018. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 18(2): 18.
- van der Werf, G.R., Randerson, J.T., Giglio, L., van Leeuwen, T.T., Chen, Y., Rogers, B.M., ... and Kasibhatla, P.S., 2017. Global fire emissions estimates during 1997–2016. Earth System Science Data, 9: 697-720.
- Veysi, R., Fattahi, B. and Khosrow Beigi, S., 2022. Predicting and preparing a risk map of rangeland fires using random forest algorithms and support vector machine (Case study: Arak rangelands). Journal of Rangeland, 16(1): 413-426 (In Persian with English Summary).
- Viana, C.M., Oliveira, S., Oliveira, S.C. and Rocha, J., 2019. Land use/land cover change detection and urban sprawl analysis: 621-651. In: Pourghasemi, H.R. and Gokceoglu, C. (Eds.). Spatial Modeling in GIS and R for Earth and Environmental Sciences. Elsevier, Amsterdam, Netherlands, 770p.
- Xu, F., Li, Z., Zhang, S., Huang, N., Quan, Z., Zhang, W., ... and Prishchepov, A.V., 2020. Mapping winter wheat with combinations of temporally aggregated Sentinel-2 and Landsat-8 data in Shandong Province, China. Remote Sensing, 12(12): 2065.
- Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14): 3025-3033.
- Zhu, Z., Woodcock, C.E. and Olofsson, P., 2012. Continuous monitoring of forest disturbance using all available Landsat imagery. Remote Sensing of Environment, 122: 75-91.
| ||
|
آمار تعداد مشاهده مقاله: 1,195 تعداد دریافت فایل اصل مقاله: 886 |
||