
تعداد نشریات | 162 |
تعداد شمارهها | 6,619 |
تعداد مقالات | 71,525 |
تعداد مشاهده مقاله | 126,848,895 |
تعداد دریافت فایل اصل مقاله | 99,888,555 |
شناسایی پهنههای مستعد توفانهای نمکی دریاچة ارومیه با استفاده از پردازش فازی- شیءگرای تصاویر ماهوارهای | ||
مدیریت مخاطرات محیطی | ||
مقاله 7، دوره 3، شماره 3، مهر 1395، صفحه 269-284 اصل مقاله (612.72 K) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2016.62039 | ||
نویسندگان | ||
بختیار فیضی زاده* 1؛ هژار شهابی2؛ هوشنگ سفی2 | ||
1استادیار و عضو هیأت علمی سنجش از دور و GIS، گروه سنجش از دور و GIS، دانشگاه تبریز | ||
2دانشجوی کارشناسی ارشد سنجش از دور و GIS، گروه سنجش از دور و GIS، دانشگاه تبریز | ||
چکیده | ||
دریاچۀ ارومیه، بزرگترین سطح آبی کشور، بین دو استان آذربایجان غربی و شرقی قرار دارد. این دریاچه در خطر خشک شدن کامل قرار داشته و طی 13 سال گذشته تحولات بسیاری را پشت سر گذاشته است. اختصاص 90 درصد منابع آبی منطقه به بخش کشاورزی، تبخیر زیاد در پی گرم شدن هوا، احداث سدهای متعدد و برداشت غیرمجاز از آبهای زیرزمینی در پی حفر چاه، از دلایل خشک شدن این دریاچه است و شهرها و روستاهای پیرامون خود را بهشدت تحت تأثیر قرار داده است. هدف این پژوهش، بررسی تغییرات و تهدیدهای ناشی از خشک شدن دریاچۀ ارومیه با استفاده از تصاویر سنجش از دور است. نتایج این تحقیق نشان میدهد که مساحت آبی دریاچۀ ارومیه از 6/3120 کیلومتر مربع در سال 2010 به کمترین حد خود, یعنی 46/887 کیلومتر مربع در سال 2014 کاهش یافت و بعد از آن با روند افزایشی چشمگیر، به 8/2475 کیلومتر مربع رسید که یکی از دلایل این افزایش، بارش باران در اواخر زمستان 1394 و بهار 1395 بود. در طی این دورۀ هفتساله همزمان با کاهش مساحت آب دریاچه، مساحت سایر پهنه نیز دچار افزایش شد که در این میان پهنههای کمخطر (19/1312 کیلومتر مربع) سال 2015، خطرناک (24/856 کیلومتر مربع) سال 2014، پرخطر (98/1148 کیلومتر مربع) سال 2014 و بالقوه (85/445 کیلومتر مربع) در سال 2015 دارای بیشترین مقدار خود در دورۀ زمانی هفتساله بوده است. با توجه به نتایج حاصل از طبقهبندی، با کاهش آب دریاچه بهخصوص در سالهای 2014 و 2015، پهنههای نمکی پرخطر مساحت زیادی از نیمۀ جنوبی دریاچه را به خود اختصاص دادهاند که با توجه به جهت غالب بادهای منطقه که غربی- شرقی است، خطر بزرگی از نظر زیستمحیطی برای ساکنان و اکوسیستم شرق حوضۀ آبریز دریاچه محسوب میشود. در تحقیق حاضر، طبقهبندی شیءگرا بهخوبی توانسته بر مشکلات در روش پیکسلپایه فائق آید و نتایج بهمراتب بهتری ارائه دهد. دقت نهایی نقشۀ طبقهبندی را میتوان با انتخاب معیارهای دقیق سگمنتسازی، الگوریتمهای مناسب کلاسبندی و تصاویر با قدرت تفکیک مکانی زیاد بهبود بخشید و ابهامات نقشه را رفع کرد. | ||
کلیدواژهها | ||
پردازش شیءگرای فازی؛ دریاچۀ ارومیه؛ سنجش از دور؛ طبقهبندی تصاویر ماهوارهای؛ لندست | ||
مراجع | ||
[1]. اکبری مهین، مهدی؛ کرمی، جلال (1392). بررسی تغییرات سطح دریاچۀ ارومیه با استفاده از شبکههای عصبی مصنوعی، سومین کنفرانس برنامهریزی و مدیریت محیط زیست، تهران، دانشگاه تهران. [2]. رسولی، علیاکبر؛ عباسیان، شیرزاد؛ جهانبخش، سعید (1387). «پایش نوسانهای سطح آب دریاچة ارومیه با پردازش تصاویر ماهوارهای چندسنجندهای و چندزمانی». فصلنامة مدرس علوم انسانی، ش 2، 14- 5. [3]. فیضیزاده، بختیار (1386). «مقایسۀ روشهای پیکسلپایه و شیءگرا در تهیۀ نقشههای کاربری اراضی»، پایاننامۀ کارشناسی ارشد، مرکز GIS دانشگاه تبریز: 93-74 [4]. فیضیزاده، بختیار؛ هلالی، حسین (1388). «مقایسۀ روشهای پیکسلپایه، شیءگرا و پارامترهای تأثیرگذار در طبقهبندی پوشش/ کاربری اراضی استان آذربایجان غربی». مجلۀ پژوهشهای جغرافیای طبیعی، ش 71: 73-84. [5]. سلیمی ترکمانی، حجت (1389). بررسی مشکل زیستمحیطی دریاچۀ ارومیه از منظر حقوق بینالملل محیط زیست. فصلنامۀ مطالعات راهبرد،21 (58): 178-177. [6]. Al sheikh, A. Ali Mohamadi, A. Ghorbanali, A. (2005). “Urmia Lake shoreline monitoring using remote sensing”. Journal of Geographical Sciences, 4 )5(: 9-24. (In Persian)
[7]. Anderson, J. R (1976). “A land use and land cover classification system for use with remote sensor data” (964). US Government Printing Office.
[8]. Anedrson, J.R (1977), “Land use and land cover changes – a framework for monitoring”. Journal of Research of the U.S. Geological Survey, 5, pp.143–153.
[9]. Anuta, P. ; Bauer, M. (1973), “An Analysis of Temporal Data for Crop Species Classification and Urban Change Detection”. LARS Information Note 110873 (West Lafayette, IN:Laboratory for Applications of Remote Sensing). [10]. Aplin, P (2004), Remote sensing: land cover. Progress in Physical Geography, 28: 283-293.
[11]. Benz, U. C; Hofmann, P; Willhauck, G; Lingenfelder, I; Heynen, M (2004). “Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information”. ISPRS Journal of Photogrammetry and Remote Sensing, 58: 239–258
[12]. Blaschke, T. (2010). “Object based image analysis for remote sensing”. ISPRS journal of photogrammetry and remote sensing, 65(1) : 2-16.
[13]. Blaschke, T; Lang, S; Lorup, E; Strobl, J.; Zeil, P. (2000). “Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications”. In A. Cremers, & K. Greve (Eds.), Environmental information for planning,politics and the public,2 : 555–570.
[14]. Blaschke.T, Lang.S (2006). “Bridging remote sensing and GIS-what are the main supportive pillsrs?”. International Conference on Object-based Image Analysis (OBIA 2006), university of Salzburg, Austria,pp.20
[15]. Bohme, Beate (2006). “Geomorphology, hydrology, and ecology of Lake Urema, central Mozambique, with focus on lake extent changes”. Physics and Chemistry of the Earth. 31 (2006):745–752
[16]. Borri.D; M. Caprioli, E. Tarantino (2005). Spatial Information Extraction from VHR Satellite Data to Detect Land Cover Transformations. Polytechnic University of Bari, Italy. pp.105[MO1]
[17]. Chavez, P. S. (1988). “An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data”. Remote sensing of environment, 24(3): 459-479.
[18]. Chen, M. ; Su, W.; Li, L.; Zhang, C.; Yue, A.; Li, H (2009). “Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery”. WSEAS Transactions on Information Science and Applications, 6(3): 477-489.
[19]. Coppin, P.; Jonckheere, I.; Nackaerts, K.; Muys, B.; Lambin, E (2004). “Digital change detection methods in ecosystem monitoring: A review”. International Journal of Remote Sensing, 25: 1565-1596.
[20]. Erdas imaging 14, (2016), User guide.
[21]. Gao,Y.; Mas.J.F.; Navarrete.A (2009). “The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data”, International Journal of Digital Earth, Volume 2, Issue 3 September 2009 : 219 - 236.
[22]. Gilmore, M. S; Wilson, E. H; Barrett, N; Civco, D. L; Prisloe, S; Hurd, J. D; et al. [MO2] (2008).”Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh”. Remote Sensing of Environment, 112: 4048-4060.
[23]. Hofmann, T.; Puzicha, J.; Buhmann, J (1998). “Unsupervised texture segmentation in a deterministic annealing framework”. IEEE Transactions on Pattern Analysis and Machine Intelligence, NO20: 803-818.
[24]. Huang, L.; Ni, L (2008). “Object-oriented classification of high resolution satellite image for better accuracy”. In Proceedings of the 3rd International Symposium on Spatial Accuracy Assessmen in Natural Resources and Environmental Sciences, Shanghai, China: 211 218.
[25]. Karimi, N.; Mobasheri, M. R (2011). “Shoreline change analysis of Urmia Lake using multi-temporal satellite images”. In Eighteenth National Conference on Geomatics, Iran, Tehran: 88-96.
[26]. Lillesand, T.; Kiefer, R,W.; Chipman, J (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
[27]. Lu, D.; Mausel, P.; Brondizio, E.; Moran, E (2004). “Change detection techniques”. International Journal of Remote Sensing, 25: 2365-2407. [28]. Nelson, R.F. (1983). “Detecting forest canopy change due to insect activity using Landsat MSS”. Photogrammetric Engineering and Remote Sensing, 49: 1303-1314.
[29]. Ranjbar, H.; Honarmand, M (2004). “Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification”. International Journal of Remote Sensing, 25(21: 4729-4741
[30]. Rokni, K.; Ahmad, A.; Selamat, A.; Hazini, S (2014).”Water feature extraction and change detection using multitemporal Landsat imagery”. Remote Sensing, 6(5): 4173-4189.
[31]. Winarso, G.; Budhiman, S (2001). “The potential application of remote sensing data for costal study, proc”. 22 Asian conference on remote sensing, Singapore.
[32]. Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda: 1-93
[33]- Zuzek, P.J; Nairn, R.B; Thieme, S.J; (2003). “Spatial and temporal consideration for calculating shoreline change rates in the Great Lakes Basin.” J. Coast. Res. 38: 125–146.
| ||
آمار تعداد مشاهده مقاله: 1,004 تعداد دریافت فایل اصل مقاله: 598 |