مدیریت بیابان

مدیریت بیابان

امکان‌سنجی برآورد درصد سنگفرش بیابان با استفاده از شاخص‌های تبدیل تسلدکپ مستخرج از تصاویر لندست 8

نوع مقاله : مقاله پژوهشی

نویسندگان
فرزانه فتوحی فیروزآباد 1
عاطفه جبالی 2
1 استادیار، گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران
2 دکتری تخصصی بیابان‌زدایی، اداره کل منابع طبیعی و آبخیزداری استان یزد، یزد، ایران.
10.22034/jdmal.2024.2031223.1467
چکیده
سنگفرش بیابان به‌­عنوان یکی از ناهموارهای مناطق بیابانی می‌­باشد که از جنبه­‌های مختلفی همچون توزیع مکانی شار گرمایی سطح زمین و مقاومت خاک سطحی در برابر فرسایش بادی اهمیت دارد. در پژوهش حاضر، درصد پوشش سنگی با روش پلات­‌گذاری میدانی اندازه­‌گیری شد. سپس تصویر سنجنده OLI ماهواره لندست8 هم‌زمان با تاریخ نمونه‌­برداری، دریافت شد. در مرحلۀ پردازش تصاویر با بهره‌­گیری از باندهای روشنایی، سبزینگی، رطوبت، چهارم، پنجم و ششم بر اساس ضرایب استاندارد تبدیل تسلدکپ (TCT) انجام ­شد. همبستگی آماری بین مقدار درصد پوشش سنگفرش زمینی و باندهای TCT با استفاده از ضریب همبستگی پیرسون محاسبه شد. برای تعیین متغیرهای مناسب برای تهیۀ مدل برآورد مقدار کمی سنگفرش از روش تحلیل عاملی استفاده شد و با ارتباط بین باندهای حاصل از تبدیل تسلدکپ و نقاط برداشت زمینی نقشۀ مقدار پوشش سنگفرش بیابان تهیه شد. نتایج همبستگی آماری بین مقادیر درصد سنگفرش و شش مؤلفۀ TCT به روش پیرسون، همبستگی معنی­‌داری در سطح یک درصد بین مؤلفه‌های درخشندگی، سبزینگی، تبدیل تسلدکپ 5 با درصد پوشش سنگفرش محاسبه شد. به‌طوری‌که بیشترین ضریب همبستگی بین درصد پوشش سنگفرش و مؤلفه‌های درخشندگی و تبدیل تسلدکپ 5 به ترتیب 0.64 و 0.62 و کمترین آن مربوط با مؤلفۀ رطوبت به مقدار 0.02 برآورد شد. با توجه به خوارزمیک (الگوریتم) تجزیۀ مؤلفه اصلی، خروجی داده­‌های ورودی، شاخص‌­های سبزینگی و روشنایی تشخیص داده شد. سپس، با استفاده از روش رگرسیون گام ­به ­گام ارتباط آنها با سنگفرش بیابان بررسی شد. مدل انتخابی، رابطۀ بین مقدار سنگفرش بیابان با متغیرهای سبزینگی و روشنایی را با ضریب همبستگی 0.61 و خطای استاندارد 23.2 نشان می‌­دهد. نتایج پژوهش حاضر نشان داد که امکان­ برآورد درصد سنگفرش بیابان با استفاده از شاخص­‌های تبدیل تسلدکپ مستخرج از تصاویر لندست 8 وجود دارد.
کلیدواژه‌ها
تحلیل عاملی
درصد سنگفرش
مدل‌سازی
رگرسیون
لندست 8

موضوعات

  1. Ahmadi, H., (2009). Applied Geomorphology: Desert - Wind Erosion (Volume 2). University of Tehran Press. [In Persian]
  2. Akbari Nasab, M., Safarrad, T., & Akbarzadeh, M. (2018). Detection of Coastline Using Satellite Image-Processing Technique. Environmental Erosion Research Journal, 7(4), 58-81.[In Persian]‎
  3. Alavi Panah, S.K. (2000). Landsat TM spectral bands effectiveness evaluation in the studies of the deserts of Iran, Iranian Journal of Natural Resources, 53(1), 67-78. [In Persian]
  4. Amiri doumari, S., Tazeh, M., Sadeghinia, M. & Ghaneii Bafghi, M.J. (2017). Investigation of the capability of remote sensing and geostatistic in grain size assessment of desert pavement. M.Sc. Thesis in Natural Resources Engineering Desertification. Ardakan University. [In Persian]
  5. Amiri doumari, S., Tazeh, M., Sadeghinia, M. & Ghaneii Bafghi, M.J. (2018). Investigating the capability of Sentinel satellite images in estimating the percentage of desert pavement coverage. The first national conference on agriculture, natural resources and veterinary medicine, Ardakan University, Ardakan, Iran. [In Persian]
  6. Ara, H., kianiyan, M. K., Sohrabi, H., & Ahmadabadi, A. (2020). Studying Effectiveness of Landsat ETM+ Satellite Images Classification Methods in Identification of desert pavements (Case study: South of Semnan). Environmental Erosion Research Journal, 10(2), 1-20. DOI: 1001.1.22517812.1399.10.2.1.4 [In Persian]
  7. Arehki, S. & Niazi, Y. (2014). Comparison of Different Vegetation Land Use Monitoring Techniques Using RS and GIS (Case Study: Valley city watershed, Ilam Province). Journal of the Application of Remote Sensing and GIS in Natural Resources Sciences, 5(3), 13-28. [In Persian]
  8. Azimzadeh, H.R. & Fotouhi, F. (2013). The study on the effects of desert pavement on wind erodibility (Case study: Yazd- Ardakan plain). Iranian Journal of Range and Desert Reseach, 20(4), 695-705. DOI: https://doi.org/10.22092/ijrdr.2014.5809 [In Persian]
  9. Baig, M.H.A., Zhang, L., Shuai, T & Tong, Q. (2014) Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance, Remote Sensing Letters, 5(5), 423-431. DOI: https://doi.org/10.1080/2150704X.2014.915434
  10. Balcik, F. B. & Ergene, E. M. (2016). Determining the impacts of land cover/use categories on land surface temperature using Landsat8-OLI. The International Archives of the Photogrammetry, Remote Sensing Spatial Information Sciences Volume XLI-B8, XXIII ISPRS Congress, Prague, Czech Republic. DOI: 5194/isprsarchives-XLI-B8-251-2016
  11. David, P.A., Staid, M.I., Plescia, J.B. & Johnson, J.R. (2002). Evaluation of airborne image data for mapping riparian vegetation within the Grand Canyon. Report 02-470. U.S. Geological Survey, Flagstaff, USA.
  12. Fotouhi firoozabad, F. (2022). Presenting Prediction Equation of Soil Erodibility Amount Based on Physicochemical Properties Affecting It (Case Study: Crosssection of Yazd-Ardakan Plain), Journal of Environmental Erosion Research, 12(1), 129-144. [In Persian]
  13. Fotouhi, F., Azimzadeh, H.R., Talebi, A. & Ekhtesasi, M.R. (2011). Effect of Pavement Cover Variation on Erodibility Factor of USLE Model Using Geostatistics Technique (Case Study: Yazd-Ardakan plain), Iranian Journal of Watershed Management Science and Engineering, 5(16), 1-12. [In Persian]
  14. Fotouhi, F. (2010). Zonation of the soil erodibility index of USLE in Yazd-Ardakan plain faces (Khezrabad-Elahabad transect).Sc. Thesis. Faculty of Natural Resources, Yazd University. [In Persian]
  15. Ghiasvand Nanji, H., Tashayo, B., Momeni, M., & Yazdanpanah, H. (2021). Modelling the Effective Factors on Temporal and Thermal Island Distribution of Qom applying Tasseled Cap Transformation (TCP). Geography and Environmental Sustainability, 11(1), 73-91. DOI: 22126/GES.2021.5922.2322 [In Persian]
  16. Ghorbani, A. & Sadeghi, V. (2022). Unsupervised change detection of water, soil and vegetation covers using multi-sensor remote sensing images based on Tasseled Cap transformation. Iranian Journal of EchoHydrology, 8 (4), 1173-1187. [In Persian]
  17. Gohari, Z., Ara, H., & Memarian, H. (2019). Comparison of Performance in Image Classification Algorithms of Satellite in Detection of Sarakhs Sandy zones. Environmental Erosion Research, 9 (2), 19-36. [In Persian]
  18. Hakimzadeh, M.A., Mahdavi Ardakani, S.R. Jebali, A. & Esfandiari, M. (2014). Evaluation of soil salinity by using satellite images and statistical methods: A case study of Chah-Afzal area, Ardakan. The Journal of Geographical Research on Desert Areas, 3 (2), 25-46. [In Persian]
  19. Liu, Q., Guo, Y., Liu, G. & Zhao, J. (2014). Classification of Landsat 8 OLI image using support vector machine with Tasseled Cap Transformation. Paper presented at the 2014 10th International Conference on Natural Computation (ICNC), 10, 665-669.
  20. McCormack, D. E., Young, K. K. & Darby, G. M. (1984). Rock fragments and the K factor of the Universal Soil Loss Equation. In: J. D. Nichols, P. L. Brown, and W. J. Grant (Eds.), Erosion and Productivity of Soils Containing Rock Fragments. SSSA Special Publication No. 13, Madison, WI. pp. 73-81.
  21. Mokhtari, M.H., Adnan, R. & Busu, I. (2013). A new approach for developing comprehensive agricultural drought index using satellite-derived biophysical parameters and factor analysis method. Natural Hazards, 65, 1249–1274. DOI: https://doi.org/10.1007/s11069-012-0408-x
  22. Noroozi, A.A., Homaee, M., & Farshad, A. (2014). Estimating Topsoil Salinity from LANDSAT Data: A Comparison between Classic and Spatial Statistics, Journal of Range and Watershed Management, 66(4), 609-620. DOI: https://doi.org/10.22059/jrwm.2014.50034 [In Persian]
  23. Potter, C. (2016). Mapping changes in desert pavement surfaces of the lower colorado desert of southern california using landsat time series analysis. International Journal of Advanced Remote Sensing and GIS, 5(6), 1747-1754.
  24. Rahman, S., & Mesev, V. (2019). Change Vector Analysis, Tasseled Cap, and NDVI-NDMI for Measuring Land Use/Cover Changes Caused by a Sudden Short-Term Severe Drought: 2011 Texas Event. Remote sensing, 11(19), 1-21. DOI: https://doi.org/10.3390/rs11192217
  25. Sohrabi, H., Ara, H., Ahmadabadi, A. & kianiyan, M.K. (2016). Comparing the effectiveness of vector machine classification methods and parallel planes of satellite images in preparing the desert pavement map. The first research congress on the application of modern sciences in geographical studies of Iran, Mashhad. [In Persian]
  26. Vidhya, S., Balaji, M., & Kamaraj, V. (2024). Satellite Image Classification using CNN with Particle Swarm Optimization Classifier, Procedia Computer Science. 233, 979-987. DOI: https://doi.org/10.1016/j.procs.2024.03.287
  27. Zare Chahouki, M.A. (2014). Data analysis in natural resources research using SPSS software. Tehran: Publications of Daneshgahi Jahad. [In Persian]
مدیریت بیابان
دوره 12، شماره 2 - شماره پیاپی 30
6 مقاله
تابستان 1403
صفحه 15-32

  • تاریخ دریافت 15 خرداد 1403
  • تاریخ بازنگری 26 مرداد 1403
  • تاریخ پذیرش 27 مرداد 1403