پژوهشهای دانش زمین

پژوهشهای دانش زمین

تهیه نقشه فرسایش آبکندی با استفاده از فنون سنجش از دور (مطالعه موردی :منطقه لامرد استان فارس(

نوع مقاله : مروری

نویسندگان
اسدالله خورانی 1
احمد نوحه گر 2
ایوب کرمی 3
سید رشید فلاح شمسی 4
وحید موسوی 5
1 استادیار گروه علوم و مهندسی آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان
2 استاد دانشکده محیط زیست، دانشگاه تهران
3 کارشناس ارشد علوم و مهندسی آبخیزداری، دانشگاه هرمزگان
4 دانشیار گروه مدیریت مناطق بیابانی، دانشکده کشاورزی، دانشگاه شیراز
5 دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه یزد
چکیده
یکی از نیازهای تحقیقاتی برای اجرای اصول آبخیزداری و حفاظت خاک، شناسایی مناطق دارای خطر بالای فرسایش و تهیه نقشه رخساره­های فرسایشی از جمله آبکندها می­باشد. یکی از شیوه­های قابل اجرا برای تهیه نقشه فرسایش خاک با استفاده از سنجش از دور، استفاده از قابلیت­های توانمند الگوریتم­های طبقه­بندی تصاویر ماهواره­ای است. طبیعت پیچیده فرسایش آبکندی و نواحی مجاورآن (ناهمگنی) ثابت کرده­است که تهیه نقشه فرسایش آبکندی به وسیله روش­های پارامتریک مبتنی بر پیکسل متداول، در طبقه­بندی تصاویر ماهواره­­ای چالش برانگیز است. در این پژوهش تلاش شده تا با مقایسه روش­های مختلف طبقه­بندی مبتنی بر پیکسل بهترین و مناسب‌ترین روش به منظور تهیه دقیق­تر نقشه فرسایش آبکندی دشت لامرد انتخاب شود. در این راستا تصاویر سنجنده IRS منطقه لامرد با این روش­های مبتنی بر پیکسل - حداکثر احتمال و ماشین بردار پشتیبان- طبقه­بندی شد. نتایج تحقیق نشان داد که  روش طبقه­بندی ماشین بردار پشتیبان  نقشه را با دقت و صحت بالاتری (شاخص کاپا 63/0) نسبت به روش­ حداکثر احتمال (شاخص کاپا 54/0) تولید کرده است و برای مطالعات آینده تهیه نقشه فرسایش آبکندی در منطقه مورد مطالعه پیشنهاد می­شود. یکی از مهم­ترین دلایل این برتری این است که ماشین بردار پشتیبان یک طبقه­بندی­کننده غیر­پارامتریک است و تنها از بردارهای پشتیبان، که در محدوده­ی همپوشانی (مرز) کلاس­ها، قرار می­گیرند استفاده می­کند و متاثر از واریانس داخلی کلاس­ها نیست، بعلاوه تفکیک پذیری کلاس­ها را با استفاده از تغییر شکل­های مختلف افزایش می­دهد.
کلیدواژه‌ها
سنجش از دور
طبقه‌بندی مبتنی بر پیکسل
فرسایش آبکندی
لامرد
ماشین بردارپشتیبان
  1. - ابوالوردی، ز.، صوفی، م.، و نجابت م.، 1390. مقایسه نرخ رشد آبکند در منطقه علامرودشت شهرستان لامرد در استان فارس، پنجمین کنفرانس سراسری آبخیزداری ومدیریت منابع آب و خاک، اسفندماه، کرمان.
  2. - آرخی، ص.، و ادیب نژاد، م.، 1390. ارزیابی کارایی الگوریتم‌های ماشین بردار پشتیبان جهت طبقه‌بندی کاربری اراضی با استفاده ازداده‌های ماهواره‌ای ETM+ لندست (مطالعه موردی: حوزه سد ایلام)، فصلنامة علمی-پژوهشی تحقیقات مرتع و بیابان ایران، جلد18، شماره 3، ص440-420.
  3. - اکبری، ا.، نیرومند جدیدی، م.، صاحبی، م.، و قادری زاده، ه.، 1390. ارزیابی دقت طبقه بندی کننده های بیشترین شباهت و ماشین بردار پشتیبان(مطالعه موردی: استخراج تغییرات کاربری اراضی حوضه آبخیز طالقان)، هیجدهمین همایش ژئوماتیک، تهران.
  4. - رئوفی، م.، رفاهی، ح.، جلالی، ن.، و سرمدیان، ف.، ١٣٨٣. بررسی کارآئی رو شهای پردازش رقومی تصاویر ماهواره‌‌ای به منظور تهیه نقشه و شناسائی فرسایش خاک، مجله علوم کشاورزی ایران، جلد ٣٥، شماره ۴، ص ٧٩٧- ٨٠٧..
  5. - رئیسی نشاط، ا.، رفاهی، ح.، سرمدیان، ف.، و گرجی، م.، 1390. برآورد میزان فرسایش آبکندی و مقدار عقب نشینی دیواره‌های آبکند با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی در بخشی از حوضه آبخیز طالقان. مجله پژوهش‌های خاک (علوم خاک و آب)، الف، جلد 25، شماره 10، ص 25-40.
  6. - سازمان جغرافیایی نیروهای مسلح، تصاویر ماهواره ای IRS، گذر و ردیف 52-74.
  7. - سازمان نقشه برداری کشور، نقشه های توپوگرافی 1:25000، منطقه لامرد.
  8. - صوفی، م.،1384 .تعیین تأثیر پوشش گیاهی و توسعه شهری در گسترش آبکندها در جنوب استان فارس. مجموعه مقالات سومین همایش ملی فرسایش و رسوب. صفحات 355- 350.
  9. - فاطمی، س.ب.، و رضایی، ی.، 1389. مبانی سنجش از دور، انتشار‌ها آزاده، 250 ص.
  10. - قدیری، ح.، 1373. حفاظت خاک، ترجمه(نورمن هادسون)، انتشارات دانشگاه شهید چمران اهواز، دانشکده کشاورزی، 236 ص.
  11. - کشاورز، ا.، و قاسمیان یزدی، ح.،. 1384. یک الگوریتم سریع مبتنی بر ماشین بردار پشتیبان برای طبقه بندی تصاویر ابرطیفی با استفاده از همبستگی مکانی، نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال سوم شماره 1، ص37-44.
  12. - Boyd, D., Sanchez-Hernandez, C., and Foody, G. M., 2006. Mapping a specific class of interest forpriority habitats monitoring from satellite sensor data. International Journal of Remote Sensing,v.27(13), p. 2631-2644.
  13. - Daba, S., Rieger, W., and Strauss, P., 2003. Assessment of gully erosion in eastern Ethiopia using photogrammetric techniques. Catena, v. 50, p. 273-279.
  14. - Dwivedi, Kumar, R.S., A. B., andTewari, K. N., 1997. The utility of Multi – Sensor data for Mapping eroded Lands International Journal of RemoteSensing, v.18(11), p.2303-2310.
  15. - Foody, G. M., Mathur, A., Sanchez-Hernandez, C., and Boyd, D. S., 2006. Training set sizerequirements for the classification of a specific class. Remote Sensing of Environment, v.104(1), p.1-14.
  16. - Gabris, G., Kertez, Y. A., and Zambo, L., 2003. Land use change and gully formation over the last 200 years in a hilly catchments. Catena, v 50( 2-4), p.151-164.
  17. - Gualtieri, J.A., and Cromp, R.F., 1998. Support vectormachines for hyperspectral remote sensing classification.Proceedings of the 27th AIPR Workshop: Advances inComputer Assisted Recognition, Washington, DC, October 27, p. 221-232.
  18. - Huang, C., Davis, L. S., and Townshend, J. R. G., 2002. An assessment of support vector machinesfor land cover classification. International Journal of Remote Sensing, v.23 (4), p.725-749.
  19. - Kompani-Zare M., Soufi, M., Hamzehzarghani, H., and Dehghani, M., 2011. The effect of some watershed, soil characteristics and morphometric factors on the relationship between the gully volume and length in Fars Province, Iran. Catena, v.86, p.150–159.
  20. - Pal, M., and Mather, P.M., 2004. Assessment of the effectiveness of support vector Machines for hyperspectral data, FGCS 20, p.1215-1225.
  21. - Petropoulos, G. P., Knorr, W., Scholze, M., Boschetti, L., and Karantounias, G., 2010. CombiningASTER multispectral imagery analysis and support vector machines for rapid and cost-effective postfireassessment: a case study from the Greek wildland fires of 2007, National Hazards and Earth System Science, v.10,p. 305–317.
  22. - Posesen, J., Nachtorgale, J., and Verstrac, G., 2003. Gully erosion and environmental change: importance and research needs, Catena, v.50, p. 91-133.
  23. - Sanchez-Hernandez, C., Boyd, D. S., and Foody, G. M., 2007a. Mapping specific habitats fromremotely sensed imagery: Support vector machine and support vector data description basedclassification of coastal saltmarsh habitats. Ecological Informatics, v. 2(2), p. 83-88.
  24. - Sanchez-Hernandez, C., Boyd, D., and Foody, G. M., 2007b. One-class classification for mapping aspecific land cover class: SVDD classification of fenland, IEEE Transactions on Geoscience and Remote Sensing, v.45 (4), p.235-252.
  25. - Sidorchuk, A., Marker, M., Moretti S., and Rodolfi, G., 2003. Gully erosion modeling and landscape response in the Mbuluzi catchment of Swaziland, Catena, v.50 (2-4), p. 507-525.
  26. - Soufi, M., 2004. MORPHO-CLIMATIC CLASSIFICATION OF GULLIES IN FARS PROVINCE, SOUTHWEST OF I.R. IRAN. ISCO, 13th International Soil Conservation Organisation Conference – Brisbane, July 2004, Conserving Soil and Water for Society: Sharing Solutions, Paper No. 750.
  27. - Swain, P.H., and Davis, S.M., 1978. Remote Sensing: The Quantitative Approach.McGraw-Hill, NewYork, p.210-216.
  28. - Taruvinga, k., 2008.Gully Mapping using Remote Sensing (Case Study in KwaZulu-Natal, South Africa), M.Sc.thesis University of Waterloo, Ontario, Canada, 121 P.
  29. - Vandekerckhove, L., Poesen, J., and Gover, A., 2003. Medium term gully headcut retreat in south-east Spain determined from aerial photographs and ground measurements, Catena, v.50. p. 329-352
  30. - Vrieling, A., 2007. Mapping Erosion from Space, Doctoral Thesis Wageningen University, ISBN: 978-90-8504-587-8,167 p.