شهریار خالدی؛ قاسم کیخسروی؛ فرزانه احمدی براتی
چکیده
به منظور بررسی تغییرات پوشش زمین بر دمای رویه سطحی زمین، تصاویر مودیس مربوط به پوشش سطح زمین (MCD12Q1) در فاصله زمانی سال های 2001 تا 2019 میلادی دریافت شد. محصول پوشش سطح زمین بر اساس برنامه بین المللی ژئوسفر- زیست کره استخراج و با کمک الگوریتم درخت خوشه بندی تغییرات پوشش سطخ زمین مشخص شد. برای تهیه انواع مؤلفه های دمای سطحی، محصول ...
بیشتر
به منظور بررسی تغییرات پوشش زمین بر دمای رویه سطحی زمین، تصاویر مودیس مربوط به پوشش سطح زمین (MCD12Q1) در فاصله زمانی سال های 2001 تا 2019 میلادی دریافت شد. محصول پوشش سطح زمین بر اساس برنامه بین المللی ژئوسفر- زیست کره استخراج و با کمک الگوریتم درخت خوشه بندی تغییرات پوشش سطخ زمین مشخص شد. برای تهیه انواع مؤلفه های دمای سطحی، محصول دمای سطح زمین(MOD11) نیز در مقیاس روزانه در محیط سامانه گوگل ارث انجین تهیه شد. در مرحله آخر برای آشکارسازی تأثیر پوشش های زمین، بر مؤلفه های دمای سطحی از ابزار تحلیل خود همبستگی موران جهانی، شاخص انسلین موران محلی، همچنین ضریب همبستگی پیرسون ، رابطه رگرسیونی و مقدار معناداری بین متغیرها در محیط برنامه نویسی R اقدام شد. بر اساس نقشه های پوشش سطح زمین، پوشش بوته زارها، علفزارها، زمین های زراعی، پوشش گیاهان پراکنده و مناطق سکونتگاهی، پوشش های غالب منطقه را تشکیل می دهند. در طی 19 سال افزایش وسعت طبقه پوشش گیاهی پراکنده و بوته زارهای بی ثمر نشاندهنده تغییرات منفی در اکوسیستم منطقه است. بهگونهای که از مساحت طبقات دیگر همچون زمین های زراعی، و علف زارها کاسته و بر وسعت این طبقات افزوده شده است. دمای سطح زمین این منطقه، دارای ساختار فضایی بوده و به شکل خوشهای در 3 خوشه توزیع شده است. خوشه های داغ، مناطق کم ارتفاع، خوشه های سرد، مناطق پر ارتفاع و ناخوشه ها کوهپایه ها را دربر گرفتند. در بررسی اثرات پوشش های سطح زمین بر دمای رویه سطحی زمین، در طی 19 سال، دمای شبانه روزی لایه سکونتگاه ها حدود1.12 درجه و لایه زمین های زراعی0.41 درجه سانتی گراد افزایش یافته است. در مقیاس دمای روزانه، لایه سکونتگاه ها ازافزایش دمای حدود 1 درجه برخوردار است. در مقیاس دمای سطحی شبانه، پوشش های زمین های زراعی، پوشش های گیاهی پراکنده و لایه سکونتگاه ها به ترتیب 6.2، 0.8 و 0.6 درجه سانتی گراد، افزایش دما را بخود ثبت کردند.
حسین باقری؛ محمدحسن زالی
چکیده
در دهههای اخیر، سطح غلظت ذرات معلق در کلانشهر تهران افزایشیافته است که این امر، مخاطرات فراوانی را برای محیطزیست و سلامت شهروندان به همراه داشته است. یکی از خطرناکترین نوع آلودگیها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدلسازی، پایش و پیشبینی آن را بسیار حیاتی مینماید. برآورد غلظت این ذرات در سطح شهر تهران ...
بیشتر
در دهههای اخیر، سطح غلظت ذرات معلق در کلانشهر تهران افزایشیافته است که این امر، مخاطرات فراوانی را برای محیطزیست و سلامت شهروندان به همراه داشته است. یکی از خطرناکترین نوع آلودگیها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدلسازی، پایش و پیشبینی آن را بسیار حیاتی مینماید. برآورد غلظت این ذرات در سطح شهر تهران بهدلیل وجود منابع گوناگون آلودگی و کمبود ایستگاههای هواشناسی و عدم توزیع مناسب ایستگاهها موضوعی چالشبرانگیز است. یکی از منابع جایگزین، استفاده از دادههای بهدستآمده از طریق تصاویر ماهوارهای شامل دادههای ایروسل با توان تفکیک مکانی بالاست. بااینحال تخمین مقادیر آلودگی سطحی از روی دادههای ایروسل ماهوارهای بهسادگی امکانپذیر نیست و نیازمند توسعه مدلهای مناسب نظیر مدلهای داده مبنا و استفاده از تکنیکهای یادگیری ماشینی میباشد. در این راستا هدف این مقاله ایجاد یک مدل بهمنظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از دادههای حاصل از مدلهای هواشناسی و دادههای ایروسل بهدستآمده از تصاویر ماهوارهای مودیس به کمک الگوریتمهای یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدلهای مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM2.5 با استفاده از دادههای زمینی و ماهوارهای جمعآوریشده، توسعه داده شد. سپس ارزیابی دقت مدلهای ایجادشده توسط شبکههای مذکور بر روی دادههای تست انجام شد و عملکرد آنها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیبشده با مدل بردار پشتیبان مبنا با همبستگی0.69 و دقت (RMSE) 10.34 میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدلها بهدست میدهد که میتواند بهمنظور مدلسازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.
ارسطو زارعی؛ رضا شاه حسینی؛ روناک قنبری
چکیده
در سالهای اخیر دمای سطح زمین (LST) اهمیت زیادی در مطالعات علوم زمین و محیطزیست پیدا کرده است. فناوری سنجشازدور، امکان پایش مکانی و زمانی این کمیت را در سطوح وسیع فراهم میآورد. این پارامتر از طریق تصاویر ماهوارهای با حداقل یک باند حرارتی فراهم میشود. در این مطالعه از روش پنجره مجزای غیرخطی توسط ماهواره سنتینل3 در طول فصول ...
بیشتر
در سالهای اخیر دمای سطح زمین (LST) اهمیت زیادی در مطالعات علوم زمین و محیطزیست پیدا کرده است. فناوری سنجشازدور، امکان پایش مکانی و زمانی این کمیت را در سطوح وسیع فراهم میآورد. این پارامتر از طریق تصاویر ماهوارهای با حداقل یک باند حرارتی فراهم میشود. در این مطالعه از روش پنجره مجزای غیرخطی توسط ماهواره سنتینل3 در طول فصول مختلف سال 1397 برای محاسبه دمای سطح زمین استفاده شد و همچنین یک روش اعتبارسنجی مستقیم و غیرمستقیم برای آن ارائه شده است. روش اعتبارسنجی برمبنای ارزیابی قطعی این محصول با داده میدانی، و ارزیابی نسبی آن با محصولات دمای مادیس و SLSTR میباشد. همچنین از روش برآورد گسیلمندی برمبنای شاخص پوشش گیاهی برای تخمین دما از روش پنجره مجزای غیرخطی باتوجه به دو باند حرارتی تصاویر سنتینل3 استفاده شد. برای اطمینان بیشتر، محصولات دمای مادیس و SLSTR نیز بهصورت مستقیم با داده میدانی ارزیابی قطعی شد. بهطور کلی نتایج حاصل از محصول دمای مادیس، SLSTR و دمای برآورد شده از روش پنجره مجزای غیرخطی روندی مشابه را برای تغییرات دما در طول فصول سال نشان دادند. بهطور خلاصه، با توجه به دو روش اعتبارسنجی مستقیم و غیرمستقیم برای دمای برآورد شده از روش پنجره مجزای غیرخطی، فصل تابستان با مقادیر بزرگ میانگین مربع خطاها (2/46)، و فصل زمستان با مقادیر کوچک میانگین مربع خطاها (0/86) بهترتیب کمترین و بیشترین نتایج را برای فصول در سال 1397 ارائه دادند. در نهایت، با توجه به نتایج بهدست آمده دمای برآورد شده هم بهصورت قطعی و هم بهصورت نسبی نتایج مطلوبی را برای تمام فصول در مقیاس زمانی و مکانی گسترده فراهم میکند که میتواند در مقیاسهای بزرگ برای برآورد دما در حل بحرانهای زیستمحیطی و همچنین تغییر اقلیم از آن استفاده نمود.
سعید فرزانه؛ رضا شاه حسینی؛ ایمان کردپور
چکیده
در سالهای اخیر کشور ایران با خشکسالیهای متعددی مواجه بوده است، لذا برآورد دقیق میزان خشکسالی به منظور پیشبینی و مدیریت بهینه منابع طبیعی امری اجتنابناپذیر است. بدین منظور روشهای مرسوم برآورد خشکسالی که مبتنی بر مشاهدات ایستگاههای هواشناسی هستند، بهکار گرفته میشوند. یکی از مشکلات اصلی این روشها در نظر نگرفتن تغییر ...
بیشتر
در سالهای اخیر کشور ایران با خشکسالیهای متعددی مواجه بوده است، لذا برآورد دقیق میزان خشکسالی به منظور پیشبینی و مدیریت بهینه منابع طبیعی امری اجتنابناپذیر است. بدین منظور روشهای مرسوم برآورد خشکسالی که مبتنی بر مشاهدات ایستگاههای هواشناسی هستند، بهکار گرفته میشوند. یکی از مشکلات اصلی این روشها در نظر نگرفتن تغییر شرایط اقلیمی و آب و هوایی در مناطق بزرگ است و معمولاً این روشها در مناطق محلی جواب مناسبی بهدست میدهند. بهمنظور بهبود دقت برآورد میزان خشکسالی در سطوح وسیع، استفاده تلفیقی از دادههای حاصل از تصاویر ماهوارهای و ایستگاههای زمینی ضرورت خواهد داشت. در سالهای اخیر استفاده از روشهای ثقلسنجی ماهوارهای و تصاویر ماهوارهای بهعنوان ابزاری مفید برای پایش مکانی و زمانی خشکسالی در مناطق وسیع، مورد توجه محققین قرار گرفته است. هدف از این مطالعه استفاده از دادههای ماهواره بازیابی گرانش و آب و هوا (GRACE) و محصول شاخص پوشش گیاهی سنجنده MODIS و مشاهدات زمینی ایستگاههای سینوپتیک برای ارزیابی خشکسالی در بازه زمانی ۲۰۰۳ تا ۲۰۱۶ در کل کشور ایران است. بدین منظور در مقاله حاضر شاخصی کارا با عنوان شاخص خشکسالی دادههای ادغامشده (MDI) مبتنی بر تصاویر شاخص پوشش گیاهی یکنواخت شده (NDVI) حاصل از سنجنده مادیس، دادههای محتوی آب زمین (TWS) استخراج شده از ماهواره GRACE و دادههای بارندگی استخراج شده از ایستگاههای سینوپتیک ارائه شده است. نتایج بهدست آمده همبستگی ۷۵٪ با شاخص استاندارد جهانی شدت میزان خشکسالی پالمر (PDSI) را نشان میدهد. نتایج شاخص MDI و PDSI روند خشکسالی در سالهای ۲۰۰۸ تا ۲۰۱۵ در ایران را بهخوبی نشان میدهند.
الهه خصالی؛ محمدرضا مباشری
چکیده
سرمازدگی ازجمله پدیدههایی است که همه ساله خسارات بسیاری بر بخش کشاورزی وارد میسازد. از دیدگاه هواشناسی/اقلیمشناسی هنگامی که دمای هوا به کمتر از آستانه تحمل گیاهی میرسد، پدیده سرمازدگی اتفاق میافتد. این پژوهش به پیشبینی مناطق در خطر سرمازدگی با استفاده از روش NEAT[1] در ایالت جورجیای آمریکا میپردازد. روشNEATبرای ...
بیشتر
سرمازدگی ازجمله پدیدههایی است که همه ساله خسارات بسیاری بر بخش کشاورزی وارد میسازد. از دیدگاه هواشناسی/اقلیمشناسی هنگامی که دمای هوا به کمتر از آستانه تحمل گیاهی میرسد، پدیده سرمازدگی اتفاق میافتد. این پژوهش به پیشبینی مناطق در خطر سرمازدگی با استفاده از روش NEAT[1] در ایالت جورجیای آمریکا میپردازد. روشNEATبرای تخمین دمای هوا در نزدیکی سطح بکار گرفته شد. بدین منظور از دادههای سنجنده مادیس مستقر بر سکوهای ترا و آکوا و دادههای ایستگاههای هواشناسی شبکه AEMN[2] استفاده شده است. جهت پیادهسازی مدل، دو بازه زمانی 3 تا 9 دسامبر سال 2006 و 3 تا 11 آپریل 2007 انتخاب شدند. در این دوبازه، سرمازدگی خسارات زیادی به محصولات کشاورزی در جنوب شرق آمریکا وارد کرده است. ابتدا با استفاده از دادههای شبکه AEMN ضرائب مدل NEAT برای برونیابی دمای هوا به ساعات بعد محاسبه شده و مورد ارزیابی قرار گرفت. سپس دمای هوای نزدیک سطح با استفاده از محصولات مادیس برای لحظه گذر شبانه دو سنجنده مادیس مستقر بر سکوهای آکوا و ترا استخراج گردید. در نهایت مدل NEAT بر روی دمای هوای استخراج شده از تصاویر ماهوارهای اعمال گردیده و دمای شبانه از حدود ساعت 22:30 شب تا 7:30 صبح در بازههای زمانی 15 دقیقهای پیشبینی شده است. جهت ارزیابی، دادههای 68 ایستگاه شبکه AEMN در این دو بازه زمانی مورد استفاده قرار گرفت. در نهایت مقادیرRMSE و تغییرات پارامترهای دقت کلی و دقت کاربر در مورد پیشبینی سرمازدگی در طول شب مورد بررسی قرار گرفت. مقدار RMSE کل برای تعداد 13840 داده ، 5/2 درجه بدست آمد. پارامتر RMSE از لحظه گذر تا 6 ساعت پس از آن، دارای روند افزایشی میباشد و با دور شدن از لحظه گذر از 1/0 تا 5/2 درجه سلسیوس تغییر میکند. نتایج حاصل میتواند تا حد زیادی در شناسایی و پیشبینی مناطق در خطر سرمازدگی مفید باشد. [1]- Near-surface Estimated Air Temperature (NEAT) [2]- Automated Environmental Monitoring Network (AEMN; www.georgiaweather.net)
مرضیه دیراوی پور؛ حسین محمد عسگری؛ سعید فرهادی؛ ایمان نجفی
چکیده
امروزه پدیدههای گرد وغباری در ردیف مهمترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی(خشک و نیمه خشک)، رخداد پدیدههای گرد وغباری است. تشخیص توفانهای ...
بیشتر
امروزه پدیدههای گرد وغباری در ردیف مهمترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی(خشک و نیمه خشک)، رخداد پدیدههای گرد وغباری است. تشخیص توفانهای گردوغبار، اولین و مهم ترین روش جهت پیشگیری و کاهش آثار مخرب آن میباشد. از این رو هدف تحقیق حاضر تشخیص و بارزسازی گردوغبار با استفاده از شاخصهای NDDI و BTD و شبکههای عصبی در نرم افزار MATLAB میباشد. در این تحقیق نتایج مربوط به پدیدههای گرد وغبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI به تنهایی قادر به تفکیک پیکسل های گرد وغبار موجود در اتمسفر از پیکسلهای غیرگرد وغبار و ماسه زمینی نبوده و عملکرد ضعیفی دارد. شاخص BTD، گرد وغبار اکوسیستم خشکی را به خوبی بارزسازی کرد ولی BTD(20-31) و BTD(23-31) بارزسازی بهتری در اکوسیستم آبی داشت. بنابراین، باید با دقت زیاد آستانه را تعیین کرد. همچنین، بارزسازی در زمینهای شنی و ماسهای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60% و برای تصاویر شبانه با 59%، دقت و عملکرد نسبتاً خوبی را نشان داد. بنابراین، شبکه عصبی نسبت به شاخصهای NDDI و BTD، روش مناسب تری برای تشخیص و بارزسازی گرد وغبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونههای آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق میتواند در راستای تشخیص خودکار گرد وغبار در طول روز و شب و در اکوسیستمهای آبی و خشکی مورد استفاده قرار گیرد.
محمد رضایی؛ الهام قاسمی فر؛ چنور محمدی
چکیده
الگوهای جوّی بر تغییرات پوشش گیاهی مؤثرند. اندکی تغییر در عناصر اقلیمی منجر به واکنش سریع گیاه و تغییر در رشد آن میشود. هدف این مطالعه تحلیل ارتباط پوشش گیاهی ماه می (انبوهترین ماه به لحاظ پوشش گیاهی) در ایران با الگوی پیوند از دور نوسان اطلس شمالی طی ماههای ژانویه تا می است. بدین منظور از دادههای مقادیر پوشش گیاهی نرمال شده سنجنده ...
بیشتر
الگوهای جوّی بر تغییرات پوشش گیاهی مؤثرند. اندکی تغییر در عناصر اقلیمی منجر به واکنش سریع گیاه و تغییر در رشد آن میشود. هدف این مطالعه تحلیل ارتباط پوشش گیاهی ماه می (انبوهترین ماه به لحاظ پوشش گیاهی) در ایران با الگوی پیوند از دور نوسان اطلس شمالی طی ماههای ژانویه تا می است. بدین منظور از دادههای مقادیر پوشش گیاهی نرمال شده سنجنده مودیس، طی دوره 2001 تا 2014 استفاده شده است. ابتدا ناحیهای از ایران که دارای متوسط NDVIبالاتر از 2/0 بود، بهعنوان ناحیه دارای پوشش گیاهی جدا گردید. سپس با توجه به شدت و ضعف مقادیرNDVI و به منظور سنجش میزان حساسیت هر طبقه با الگوی پیوند از دور نوسان اطلس شمالی به سه طبقه با پوشش گیاهی تنک، متوسط و انبوه تقسیم گردید. نتایج نشان داد در طبقات ذکر شده، پراکندگی مقادیر همبستگی مثبت و منفی از الگوی مکانی خاصی پیروی نمیکند. به منظور ارزیابی بهتر نتایج در هر کدام از نواحی، نقاط با بیشترین و کمترین ضریب همبستگی هر طبقه انتخاب گردید. بالاترین ارتباط معکوس مقادیر ضریب همبستگی در ناحیه تنک مشاهده گردید که حاکی از حساسیت بالای پوشش گیاهی منطقه تنک به الگوهای جوّی میباشد. کاربری اراضی نقاط انتخاب شده نشان میدهد در بیشتر موارد، مناطق با همبستگی منفی و مثبت به ترتیب مربوط به زمینهای با پوشش علفزار (پوشش طبیعی) و زمینهای زراعی (پوشش انسان ساخت) است. از آنجا که در فازهای منفی الگوی نوسان اطلس شمالی وضعیت پوشش گیاهی انبوهتر از فازهای مثبت الگوی نوسان اطلس شمالی است و با توجه به بالاترین ضریب تعیین بهدستآمده (77/0، در ماه فوریه واقع در استان آذربایجان شرقی)، میتوان با استفاده از وضعیت نوسان اطلس شمالی در ماههای زمستان مقادیر پوشش گیاهی ماه می را برای نقاط شاخص واقع در استانهای شمالغرب و غرب تخمین زد.
فاطمه جهانی چهره برق؛ مهدی آخوندزاده هنزائی
چکیده
هواویزها[1] ذرات کوچک معلق در هوا در حالت جامد یا مایع هستند که ریشه پیدایش آنها در اثر عوامل طبیعی یا انسانی میباشند. امروزه تخمین عمق نوری[2] هواویزها به کمک دادههای ماهوارهای قابل حصول است اما بدست آوردن آن به دلیل بازتابشهای اتمسفری کار راحتی به شمار نمی رود. زیرا نور خورشید توسط سیستم اتمسفر بازتاب میشود و تمام آن به سطح ...
بیشتر
هواویزها[1] ذرات کوچک معلق در هوا در حالت جامد یا مایع هستند که ریشه پیدایش آنها در اثر عوامل طبیعی یا انسانی میباشند. امروزه تخمین عمق نوری[2] هواویزها به کمک دادههای ماهوارهای قابل حصول است اما بدست آوردن آن به دلیل بازتابشهای اتمسفری کار راحتی به شمار نمی رود. زیرا نور خورشید توسط سیستم اتمسفر بازتاب میشود و تمام آن به سطح زمین برخورد نمی کند. از جمله روشهای موجود برای بدست آوردن پارامتر هواویز، روشهای DDV(Dark Dense Vegetation) ،Deep Blue Algorithm و روش SYNegry of Terra and Aqua Modis) SYNTAM)میباشند. روش SYNTAM با ادغام دادههای سنجنده MODIS دو سکوی AQUAوTERRA توانسته است محدودیتهای موجود در بدست آوردن ضخامت نوری هواویز را از بین ببرد و نتایج درستی را در اختیار قرار میدهد. در این مقاله با استفاده از روش SYNTAM نقشه ضخامت نوری هواویزها، برای منطقهای از ایران تهیه شده است. مقایسه نتایج بدست آمده از این تحقیق با محصول AOT ناسا برای زمان و موقعیت یکسان رضایت بخش میباشد. مقدارRMSE حاصل از مقایسه دادههای NASA و روش SYNTAM به کمک الگوریتم تکرار نیوتن برای طول موج mm0.55 برابر 253/0 میباشد. بنابراین روش SYNTAM به عنوان روشی قوی برای بدست آوردن نقشه ضخامت نوری هواویز در مناطقی که فاقد ایستگاههای زمینی AERONET هستند معرفی میگردد. در قسمت بعد روش SYNTAM با سرشکنی مدل پارامتریک غیر خطی تلفیق میشود که نتایج حاصل از آن دارای دقت بیشتری نسبت به روش پیاده سازی روش SYNTAM به تنهایی است. مقدارRMSEحاصل از مقایسه دادههای NASA و روش SYNTAM به کمک سرشکنی مدل پارامتریک غیر خطی، برای طول موج mm0.55 برابر 207/0 میباشد. [1]- Aerosols [2]- Optical Thickness
سحرناز شکوهی زادگان؛ حسن خسروی؛ حسین آذرنیوند؛ غلامرضا زهتابیان؛ بهزاد رایگانی
چکیده
بیابانزاییپسازدوچالشتغییراقلیموکمبودآبشیرین،سومینچالشمهمجامعهجهانیدرقرنبیستویکم میباشد، کهبهعنوانیکیازبارزترینوجوهتخریبمحیط زیستوانهداممنابعطبیعیدرجهان مطرحگردیده است. این پدیدهباتأثیربرپوشش گیاهی،آبوخاک، عامل جدّی تهدید کننده پارکهای ملی در مناطق خشک و نیمهخشک از جمله ایران است.اقداماتاجرایی دررابطهباکنترلبیابانزاییبایدمتکیبرشناختوضعیتفعلیبیابانی ...
بیشتر
بیابانزاییپسازدوچالشتغییراقلیموکمبودآبشیرین،سومینچالشمهمجامعهجهانیدرقرنبیستویکم میباشد، کهبهعنوانیکیازبارزترینوجوهتخریبمحیط زیستوانهداممنابعطبیعیدرجهان مطرحگردیده است. این پدیدهباتأثیربرپوشش گیاهی،آبوخاک، عامل جدّی تهدید کننده پارکهای ملی در مناطق خشک و نیمهخشک از جمله ایران است.اقداماتاجرایی دررابطهباکنترلبیابانزاییبایدمتکیبرشناختوضعیتفعلیبیابانی شدنوشدتآنباشد. در این پژوهش به منظور ارزیابی و پایش بیابانزایی پارک ملی بمو- شیراز، روند تغییرات سالانه پوشش گیاهی در بازه زمانی(2014-2000) مورد بررسی قرار گرفت. فرضبرایناستکهباتحلیلسریهایزمانیبلندمدتدادههایماهوارهای و با استفاده از شاخصهای پوشش گیاهی (NDVI و (EVI، میتوان چنین تغییراتی را پایش نمود. لذا در این پژوهش، پروفیل و نقشهتغییرات سالانه مقادیر NDVI و EVIدر طی14 سال، بااستفادهازمحصول MOD13A1 سنجندهMODISماهواره Terra سیستم Aqua،در محیط نرمافزاری IDRISI Selva تهیه و مورد تحلیل قرارگرفت. در نهایت با بهکارگیری منطق فازی، پروفیل و نقشه شدت بیابانزایی در بازه زمانی مذکور، تهیه گردید. نتایج به دست آمده نشان دهنده تخریب پوششگیاهی وافزایش شدت بیابانزایی در قسمت شمال غربی است. این تخریب شکل جدیدی از بیابانزایی به نام بیابانزایی تکنوژنیکی میباشد که دلیل آن احداث شهر جدید صدرا در قسمت شمال غربی و غرب این پارک بودهاست به طوریکه با احداث شهر صدرا در محدوده غربی این پارک، عملاً حفاظت از این قسمت نا ممکن گردیدهاست.
منیر دارستانی فراهانی؛ مهدی آخوندزاده هنزائی؛ فرهنگ احمدی گیوی
چکیده
شوری آب، یکی از عوامل مهم محیطی دریا محسوب میشود و نقش بسزایی در بررسی و پیشبینی جریانهای سطحی اقیانوسی، تحلیل مکانیابی تجمیع ماهیها، تعیین چگالی و بررسی تغییرات آن دارد. این پارامتر به شدت با تغییرزمان و مکان، در تغییر بوده و شناخت مناسب از آن مستلزم اندازهگیریهایی به فواصل زمانی کوتاه (ماهانه) در تعداد نقاط متعدد از منطقهی ...
بیشتر
شوری آب، یکی از عوامل مهم محیطی دریا محسوب میشود و نقش بسزایی در بررسی و پیشبینی جریانهای سطحی اقیانوسی، تحلیل مکانیابی تجمیع ماهیها، تعیین چگالی و بررسی تغییرات آن دارد. این پارامتر به شدت با تغییرزمان و مکان، در تغییر بوده و شناخت مناسب از آن مستلزم اندازهگیریهایی به فواصل زمانی کوتاه (ماهانه) در تعداد نقاط متعدد از منطقهی مورد مطالعه است. در روشهای سنتی، بررسی و ارزیابی یک یاچندفاکتور خاص موردنظر از کیفیت آب اغلب پرهزینه و زمانبراست و همچنین نمیتواند معرف خوبی برای تمام مساحت یک منطقه وسیع باشد. اما در سالهای اخیر فناوری ماهوارهای و علم سنجش از دور به عنوان یک ابزار مناسب برای ارزیابی برخی پارامترهای کیفیت آب مطرح شده است زیرا با توجه به رقومی بودن این دادهها، در دسترس بودن وسیع آنها،اندازهگیری منظم، تکراری بودن آنها در پریودهای زمانی کوتاه، هزینه و زمان کمتر میتوان طیف وسیعی از پروژهها را به نتیجه رساند. هدف از انجام این مطالعه، تهیه نقشه شوری سطحی آب منطقه خلیج فارس در ایران و خلیج سنت لورنس در کانادا با استفاده از تصاویر ماهوارهایMODIS میباشد، که در این راستا نرم افزاری برای نخستین بار در ایران تولید شده است که میتوان با پردازشهای لازم بر روی تصاویر ماهوارهایMODIS ودادههای میدانیCTD، نقشه دما، شوری و چگالی سطحی آب را با سه مدل متفاوت با دقت مناسب تهیه نمود.قابلیت و انعطاف بالای شبکه عصبی مصنوعی در تقریب توابع غیرخطی و خطی پیوسته در فضای ترکیبی باعث شد که در این مطالعه، یک روش جدید بر مبنای استفاده از این شبکه ارائه شود که در آن نقشه شوری توسط یک شبکه پرسپترون چندلایه تعیین میشود.
علی اکبر دماوندی؛ محمد رحیمی؛ محمدرضا یزدانی؛ علی اکبر نوروزی
چکیده
خشکسالی پدیده ای است طبیعی که تقریباً در تمامی اقالیم جهان رخ میدهد. اثرات این پدیده خزنده و آرام در مناطق خشک و نیمه خشک به دلیل بارندگی سالانه کمتر شان، بیشتر است. در تحقیق حاضر برای پایش مکانی خشکسالی، از سریهای زمانی NDVIو LSTسنجنده MODISماهواره Terraدر ماههای فصول رشد (فروردین تا شهریور) سالهای 1379 الی 1393 در استان مرکزی استفاده شد. ...
بیشتر
خشکسالی پدیده ای است طبیعی که تقریباً در تمامی اقالیم جهان رخ میدهد. اثرات این پدیده خزنده و آرام در مناطق خشک و نیمه خشک به دلیل بارندگی سالانه کمتر شان، بیشتر است. در تحقیق حاضر برای پایش مکانی خشکسالی، از سریهای زمانی NDVIو LSTسنجنده MODISماهواره Terraدر ماههای فصول رشد (فروردین تا شهریور) سالهای 1379 الی 1393 در استان مرکزی استفاده شد. برای این منظور، شاخص VCIو TCIبترتیب بر اساس سریهای زمانی 15 ساله NDVIو LSTبه صورت ماهانه ایجاد گردید و در ادامه شاخص VHIبر اساس ترکیب دو شاخص مذکور استخراج شد. درنتیجه نقشههای درجات شدت خشکسالی بر اساس شاخص VHIدر پنج طبقه:1- خیلی شدید 2- شدید 3- متوسط 4- ملایم 5- بدون خشکسالی، استخراج گردیده و تغییرات این طبقات در سریهای زمانی VHIمورد بررسی قرار گرفت. بررسی سریهای زمانی حاصل از VCIو TCIنشان داد که ارتباط معنی داری میان تغییرات NDVIو LSTوجود دارد. مطابق نتایج نقشههای طبقه بندی شدت خشکسالی، شاخص VHI، سال 1379 و 1380 دارای بیشترین شدت و سالهای 1383 و 1386 دارای کمترین شدت خشکسالی بوده اند. همچنین ماه اردیبهشت دارای بیشترین شدت خشکسالی و شهریور دارای کمترین شدت خشکسالی بوده است. بیشترین درصد مساحت طبقات خشکسالی بترتیب مربوط به طبقه بدون خشکسالی (56%)، ملایم (19%)، متوسط (%15)، شدید (8%) و خیلی شدید (2%) بوده است. مقایسه نتایج حاصل از این تحقیق و گزارش سازمان هواشناسی، دقت بسیار خوب روش استفاده از شاخص سنجش از دوری VHI درپایش خشکسالی کشاورزی را نشان میدهد. نتیجه آنکه شاخصهای سنجش از دوری پایش خشکسالی (مانند VHI) میتوانند با برطرف کردن نقاط ضعف روشهای نقطهای، در پایش خشکسالی کشاورزی به تصمیم سازان و برنامه ریزان کمک شایانی نمایند.