تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,095,014 |
تعداد دریافت فایل اصل مقاله | 97,200,904 |
ارزیابی روند تغییرات مقدار آب و نمک دریاچۀ ارومیه با پردازش شیءگرای تصاویر ماهوارۀ لندست | ||
نشریه محیط زیست طبیعی | ||
مقاله 2، دوره 74، شماره 2، شهریور 1400، صفحه 224-236 اصل مقاله (1.14 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jne.2021.321811.2206 | ||
نویسندگان | ||
لیلا ملکانی* 1؛ کیوان محمدزاده2؛ مریم ملکی3 | ||
1استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی مرند، دانشگاه تبریز، ایران | ||
2گروه سنجش از دور و GIS، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز، ایران | ||
3گروه سنجش از دور و GIS ، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
در سالهای گذشته تحت تأثیر عوامل مختلف، سطح آب دریاچۀ ارومیه کاهش چشمگیری یافته و در پی آن، پدیدار شدن پهنههای نمکی، موجب عواقب زیانباری شده که بررسی آن را ضرورت بخشیده است. این پژوهش با هدف بررسی میزان خشکشدگی آب دریاچۀ ارومیه و افزایش نمک انجام گرفت. برای این منظور از تصاویر ماهوارۀ لندست در طی دورههای زمانی مختلف (1998 تا 2019) استفاده شد. برای پردازش و شناسایی مقدار نمک مرطوب و مخلوط با خاک و میزان پسروی آب، از روش پردازش شیءگرا استفاده شد. مقیاس 15 برای تصاویر لندست 5 و 7 و مقیاس 150 برای قطعهبندی تصاویر لندست 8 بهکار برده شد و انواع مختلف شاخص شوری، روشنایی و پوشش گیاهی روی تصاویر اعمال شد. نتایج نشان میدهد که تغییرات سالانۀ سطح آب دریاچه و همچنین تغییرات نمک مرطوب و مخلوط با خاک در مقیاس سالانه چشمگیر است. وسعت پهنۀ آبی دریاچه در دورۀ 1998 تا 2015، 74/32 درصد کاهش داشت و از 5722/83 به 687/718 کیلومتر مربع رسید و مقدار نمک مرطوب و مخلوط با خاک 30/38درصد افزایش یافت. از سال 2015 به بعد بهدلیل افزایش بارش و اقدامات پیشگیرانه برای احیای دریاچه این روند معکوس شده و وسعت پهنههای آبی 3502/267 کیلومتر مربع افزایش و میزان شوری 20/198 درصد کاهش یافته است. دقت کلی 0/94 و ضریب کاپای 0/92 برای طبقهبندی تصاویر حاکی از توانایی زیاد پردازش شیءگرا در طبقهبندی پدیدههای سطح زمین و دقت نتایج است. | ||
کلیدواژهها | ||
پردازش شیءگرا؛ پهنههای آبی؛ دریاچۀ ارومیه؛ شوری | ||
مراجع | ||
Alesheikh A.A., Sadeghi Naeeni, F., Talebzadeh, A. 2003. Improving classification accuracy using external knowledge. GIM International 17(8), 12-15. Baatz, M., Benz, U., Dehghani, S., Heynen, M., Höltje, A., Hofmann, P., Lingenfelder, I., Mimler, M., Sohlbach, M., Weber, M., Willhauck, G., 2004. eCognition Professional User Guide 4. München: Definiens Imaging GmbH. Daempanah, R., Haghnia, G.H., Alizadeh A., Karimi A., 2011. Mapping salinity and sodicity of surface soil by remote sensing and geostatistic methods in south side of mah Valat County. Journal of Water and Soil. 25(3):446-458. (In Persian) Dastranj, H., Tavakoli, F., Soltanpour, A., 2018. Investigating the water level and volume variations of Lake Urmia using satellite images and satellite altimetry, Journal of Geographical Data 27(107), 149-163. (In Persian) Esmaeili Dahesht, L., Negarestan, H., Eimanifar, A., Mohebbi, F., Ahmadi, R., 2010. The fluctuations of physicochemical factors and phytoplankton populationsof Urmia Lake, Iran. Iranian Journal of Fisheries 9(3), 368-381. Feizizadeh, B., HajiMirrahimi, M., 2007. Change detection of green space area in Tabriz city using object based image analysis method (1989-2005), National Conference of Urban GIS, August 26-27. 2007. Amol, Iran. (In Persian) Feizizadeh, B., Helali, H., 2010. Comparison pixel-based, object-oriented methods and effective parameters in classification land cover/ land use of west province Azerbaijan. Journal of Physical Geography Research Quarterly 4 (71), 73-84. (In Persian) Feizizadeh, B., Shahabi, H., Seyfei, H., 2017. Application of fuzzy-object based image analysis approach for identifying and zoning salt-dust storms of Urmia lake eastern plain. Journal of Environmental Management Hazards 3(3):269-284. (In Persian) Feizizadeh, B., 2019. A comparative evaluation of pixel-based and object-oriented processing techniques, used for the classification of Aster satellite imageries and extracting agricultural and orchard maps in the eastern margin of Urmia Lake. Journal of Scientific - Research Quarterly of Geographical Data 28(109), 167-183. (In Persian) Hoffmann, A., Van der Vegt, J.W., 2001. New sensor systems and new classification methods: laser- and digital camera-data meet object-oriented strategies. Geo informations systeme (GIS), 6:18-23. James, D., Hurad. Daniel, L., Civco Martha, S., Gilmore Emily, H., 2006. Tidal Wetland Classification from Landsat Imagery Using an Integrated Pixel-based and Object-based Classification Approach. ASPRS 2006 Annual Conference Reno, Nevada. May 1-5, 2006. Khademi, F., Pirkharrati, H., Shahkarami, S., 2015. Investigation of increasing trend of saline soils around Urmia Lake and its environmental impact, using RS and GIS. Quarterly Journal of Geoscience, 24(94):93-98. (In Persian) Metternicht, G., Zinck, A., 2008. Remote sensing of soil salinization: Impact on land management. Translators: Alavipanah k., Matinfar H. R., and Abdolazimi H. 2014. Tehran University Press, Tehran. (In Persian) Moharrami, M., Rasuly, A.A., Rostamzadeh, H. 2016. Modeling the impacts of Urmia lake retrogression upon the east coast villages by object-based image analysis procedure. Journal of Spatial Analysis Environmental Hazards. 3(3): 81-95. (In Persian with English abstract) Nasiri, N., Oskouei, M., Madani, Y., Ghahremani, A. 1996. Lake Urmia National Park. Press of Western Azerbaijan province department of environment. (In Persian) Pacifici, F., Chini M., Emery, W.J. 2009. A neural network approach using multi-scale textural metrics from very high-resolution panchromatic imagery for urban land-use classification. Journal of Remote Sensing of Environment 113(6), 1276-1292. Rasouli, A.A., Abbasian, S., Jahanbakhsh, S., 2008. Monitoring of Urmia lake water surface fluctuations by processing of multi- sensors and multi-temporal imageries. Journal of Spatial Planning, 12(2):53-71. (In Persian) Rasouli, A.A., Mahmoudzadeh, H. 2010. Fundamentals of remote sensing, basic sciences, Elmiran publications, Tabriz. (In Persian) Rengasamy, P. 2006. World salinization with emphasis on Australia. Journal of Experimental Botany 57(5), 1017-1023. Sanaeinejad, S.H., Astaraei, A., Ghaemi M., Mirhosseini, P., 2011. Assessment of satellite images for soil salinity studies (case study: Neyshabur region). Iranian Journal of Field Crops Research 9(3), 348-355. (In Persian). Schiewe, J., Tufte, L., Ehlers, M., 2001. Potential and problems of multi–scale segmentation methods in remote sensing. Geo Information System (GIS) 6(1), 34-39. Sehat, M., Mohammadi, A., 2017. Evaluation of Lake Urmia area and its relation to water level using remote sensing and artificial neural network. 16th Iranian Hydraulics Conference in date 2017-09-06. University of Mohaghegh Ardabili., Ardabil, Iran. (In Persian) Sharifikia, M., Afzali, A. 2012. Soil salinity increasing procedure assessment in damghan fan with remote sensing method and field data. Journal of Geography and Environmental Hazards, 1(3), 73-86. (in Persian with English abstract) Valizadeh, K., Khorrami, B. 2018. Change detection and prediction of Urmia Lake and its surrounding environment during the past 60 years applying geobased remote sensing analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-3/W4, 2018 GeoInformation for Disaster Management (Gi4DM), 18–21 March. 2018. Istanbul, Turkey. Winarso, G., Budhiman, S., 2001. The potential application of remote sensing data for coastal study, Proc. 22nd Asian Conference on Remot Sensing. Singapore. 5-9 November. 2001. Singapore. Yan, G., 2003. Pixel based and object oriented image for coal fire research (Doctoral dissertation, Thesis (MSc). ITC, Netherlands). | ||
آمار تعداد مشاهده مقاله: 336 تعداد دریافت فایل اصل مقاله: 177 |