تعیین شدت بیابان‌زایی بر اساس شاخص‌های طیفی با استفاده از تصاویر سنتینل-2 (منطقه مورد مطالعه: استان سیستان و بلوچستان)

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 12، دوره 13، شماره 1 - شماره پیاپی 46، اردیبهشت 1401، صفحه 108-126   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2022.683802

نویسندگان

فرهاد ذوالفقاری^* ؛ وحیده عبداللهی

استادیار، مجتمع آموزش عالی سراوان، ایران

چکیده

پیشینه و هدف سطوح مختلف پوشش گیاهی آلبدوی متفاوتی دارند. از طرفی آلبدوی سطحی یکی از مهم‌ترین مؤلفه‌های تعادل تابش سطحی است که با بررسی رفتار آن می‌توان به شدت تخریب و بیابان‌زایی پی برد. پوشش گیاهی به دلیل اینکه عاملی برای پایداری سطح زمین محسوب می‌شود می‌تواند یکی از مهم‌ترین مؤلفه‌های کلیدی در مناطق خشک برای کاهش اثرات فرسایش و بیابان‌زایی به‌حساب آید. گسترش بیابان‌زایی و تغییر در میزان پوشش گیاهی به‌نوبه خود ازجمله عوامل تغییر در آلبدو به شمار می‌روند. هدف از این مطالعه تعیین شدت بیابان‌زایی بر اساس شاخص‌های طیفی آلبیدو (Albedo)، اندازه دانه خاک سطحی (TGSI) و شاخص نرمال‌شده تفاضل پوشش گیاهی (NDVI) با استفاده از فناوری سنجش‌ازدور می‌باشد. شناسایی مناطق تخریب شده در کوتاه‌ترین زمان و با کمترین هزینه با استفاده از تصاویر سنتینل-2 با قدرت تفکیک مکانی 10 متری از اهداف این پژوهش می‌باشد. در این پژوهش برای اولین بار در منطقه سیستان و بلوچستان بر اساس شاخص‌های طیفی با استفاده از تصاویر سنتینل-2، بهترین شاخص برای پایش شدت بیابان‌زایی در مناطق خشک معرفی خواهد شد.
مواد و روش­ ها برای ارزیابی شدت بیابان‌زایی و شناخت شاخص مناسب برای تهیه نقشه شدت بیابان‌زایی گام‌های زیر انجام گرفت؛ 1) انتخاب تصاویر و انجام عملیات پیش‌پردازش تصاویر با استفاده از نرم‌افزار SNAP. 2) محاسبه شاخص‌های TGSI، NDVI و Albedo، 3) بررسی رابطه همبستگی بین شاخص‌ها با استفاده از نرم‌افزار SPSS^®24، 4) تهیه نقشه شدت بیابان‌زایی منطقه و به دست آوردن معادله شدت بیابان‌زایی با استفاده از نرم‌افزار ArcGIS^®10.3. در گام اول این پژوهش داده‌های ماهواره Sentinel-2A مربوط به سنسور MSIL-1C 20 اوت سال 2020 انتخاب شد. تصاویر به‌گونه‌ای انتخاب گردید که فصل رویش گیاهان یک‌ساله و موقتی نباشد و همچنین روزی انتخاب شد که پوشش ابری وجود نداشته باشد تصاویر مورد نیاز از سایت http://scihub.copernicus.eu/ دانلود و مورد استفاده قرار گرفت.
نتایج و بحث نتایج حاصل از مدل رگرسیون خطی بین دو شاخص NDVI و Albedo نشان داد که این دو شاخص با یکدیگر دارای همبستگی منفی می‌باشند و به ترتیب میزان ضریب همبستگی در منطقه سوران و زابل برابر با 0.76 و 0.63 بود. نتایج نشان داد که با افزایش میزان شاخص NDVI از میزان شاخص آلبدو کاسته می‌شود. همچنین نتایج حاصل از مدل رگرسیون خطی بین دو شاخص TGSI و Albedo نشان داد که این دو شاخص با یکدیگر رابطه قوی و مثبتی داشته و به ترتیب میزان ضریب همبستگی برای منطقه سوران و زابل برابر با 0.78 و 0.81 بود. نتایج نشان داد که با افزایش میزان شاخص TGSI بر میزان شاخص آلبدو افزوده می‌شود. شدت بیابان‌زایی در مناطق مورد مطالعه بر اساس معادله  تعیین گردید و با استفاده از روش شکست طبیعی جنکس (Natural Breaks Jenks) در نرم‌افزار ArcGIS شدت بیابان‌زایی به 5 درجه؛ مناطق بدون بیابان‌زایی، مناطق با شدت کم بیابان‌زایی، مناطق با شدت متوسط بیابان‌زایی، مناطق با شدت زیاد بیابان‌زایی، و مناطق با شدت خیلی زیاد بیابان‌زایی تقسیم گردید. در این پژوهش بر اساس داده‌های ماهواره سنتینل-2 شاخص‌های Albedo، NDVI و TGSI استخراج گردید. نتایج بررسی رگرسیون خطی بین دو شاخص NDVI و Albedo نشان داد که یک رابطه منفی و قوی بین این دو شاخص وجود دارد که با نتایج پژوهش‌های مشابه مطابقت دارد. نتایج حاصل از همبستگی بالا و منفی بر اساس این دو شاخص به این مفهوم است که هر گونه افزایش در مقدار شاخص پوشش گیاهی NDVI منجر به کاهش در میزان آلبدوی سطح خواهد شد. از طرفی مناطق با آلبدوی بالا بیانگر تخریب پوشش گیاهی و برهنه بودن خاک می‌باشد. در مناطقی که کلاس شدت زیاد بیابان‌زایی مشاهده گردید مقدار شاخص آلبدوی سطحی بالا می‌باشد و مقدار شاخص پوشش گیاهی کم است. طبقه‌بندی شدت بیابان‌زایی در منطقه سیستان بر اساس مدل  Albedo-NDVI نشان می‌دهد که 27.73 درصد منطقه در کلاس بدون شدت بیابان‌زایی، 18.03 درصد در کلاس کم شدت، 32.92 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط بیابان‌زایی، 20.3 درصد در کلاس شدید و تنها 1.02 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. همچنین طبقه‌بندی شدت بیابان‌زایی در سوران بر اساس مدل Albedo-NDVI نشان می‌دهد که 4.82 درصد منطقه بدون شدت بیابان‌زایی، 8.44 درصد در کلاس کم، 50.97 درصد از منطقه از نظر بیابان‌زایی در کلاس شدت متوسط، 34.48 درصد در کلاس شدید و 1.3 درصد از منطقه در کلاس خیلی شدید بیابان‌زایی قرار گرفته است. بیشترین درصد شدت بیابان‌زایی مربوط به کلاس شدت متوسط می‌باشد. نتایج رگرسیون خطی بین دو شاخص TGSI و Albedo نیز نشان داد که یک رابطه مثبت و قوی بین این دو شاخص وجود دارد. نتایج بیانگر این است که رابطه بین شاخص TGSI و Albedo نسبت به رابطه بین دو شاخص NDVI و Albedo قوی‌تر و از ضریب همبستگی بالاتری در هر دو منطقه برخوردار می‌باشد که از دلایل عمدۀ آن می‌توان به پراکندگی پوشش گیاهی در مناطق خشک اشاره نمود. رابطه شاخص TGSI با Albedo خصوصیات فضایی مناطق عاری از پوشش گیاهی و همچنین مناطق با پوشش گیاهی خیلی کم را برای تعیین شدت بیابان‌زایی بهتر نشان می‌دهد. شاخص TGSI منعکس کننده اندازه ذرات درشت خاک سطحی می‌باشد که رابطه مثبتی با ذرات ریز محتوای ماسه خاک سطحی دارد. هر چه اندازه ذرات خاک سطحی درشت دانه‌تر باشد میزان بیابان‌زایی شدت بیشتری خواهد داشت. در مناطقی که محتوای زیاد ماسه ریز در اندازه ذرات خاک سطحی وجود داشته باشد مقادیر بالای شاخص TGSI قابل مشاهده خواهد بود.
نتیجه ­گیری در این پژوهش ما با استفاده از تکنیک سنجش از راه دور و بر اساس تصاویر چند طیفی سنتینل-2 برای اولین بار در ایران به استخراج شدت بیابان‌زایی در دو منطقه متفاوت از استان خشک سیستان و بلوچستان پرداختیم. بر اساس بازتاب طیفی اتفاق افتاده از سطح زمین و قدرت تفکیک مکانی 10 متری شدت بیابان‌زایی را در دو منطقه مورد مطالعه قرار دادیم. بر اساس نتایج این پژوهش پیشنهاد می‌گردد به‌صورت ترکیبی از دو مدل Albedo-NDVI و Albedo-TGSI برای پایش و تهیه نقشه‌های شدت بیابان‌زایی در مناطق خشک ایران استفاده گردد. نتایج این پژوهش نشان داد که مناطق بدون بیابان‌زایی و شدت کم بیابان‌زایی بر اساس مدل Albedo-TGSI به نحو مطلوب‌تری نشان داده می‌شوند.

کلیدواژه‌ها

بیابان‌زایی؛ شاخص‌های طیفی؛ آلبیدو؛ اندازه دانه خاک سطحی (TGSI)؛ شاخص نرمال‌شده تفاضل پوشش گیاهی (NDVI)؛ سنتینل-2

مراجع

Ait LA, Saber H, Pradhan B. 2018. Quantitative assessment of desertification in an arid oasis using remote sensing data and spectral index techniques. Remote Sensing, 10(12): 1862. doi:https://doi.org/10.3390/rs10121862.

Allen R, Tasumi M, Trezza R. 2002. Surface Energy Balance Algorithms for Land. Advanced Training and User’s Manual Idaho Implementation, 240 p.

Bernardo SBd, Braga AC, Braga CC, de Oliveira LM, Montenegro SM, Barbosa Junior B. 2016. Procedures for calculation of the albedo with OLI-Landsat 8 images: Application to the Brazilian semi-arid. Revista Brasileira de Engenharia Agrícola e Ambiental, 20: 3-8. doi:https://doi.org/10.1590/1807-1929/agriambi.v20n1p3-8

Cai G, Du M, Liu Y. 2011. Regional Drought Monitoring and Analyzing Using MODIS Data — A Case Study in Yunnan Province. In, Berlin, Heidelberg,  Computer and Computing Technologies in Agriculture IV. Springer Berlin Heidelberg, pp 243-251. doi:https://doi.org/210.1007/1978-1003-1642-18336-18332_18329.

Cordeiro MC, dos Santos NA, Silva VMA, de Melo Luiz D, da Silva VdPR. 2015. Case study: identification of desertification in the years 1999, 2006 and 2011 in Mossoró-RN. Journal of Hyperspectral Remote Sensing, 5(4): 101-106. doi:https://doi.org/10.29150/jhrs.v5.4.p101-106.

Eftekhari R, Shahriyari A, Ekhtesasi M. 2015. Assessment and mapping of current and potential of desertification using MICD Model with emphasis on wind erosion criteria in southwest of Hirmand city. Journal of Development and Geography, 38: 139- 150. (In Persian).

Eskandari S. 2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image:(Case study: a part of Ilam province). RS & GIS for Natural Resources 10(1): 72-86. (In Persian).

Fozuni L. 2007. Evaluation of the current status of desertification Sistan plain using modify MEDALUS Model with emphasis on wind and water erosion criteria. Master degree of desertification, University of Zabol. 215 p. (In Persian).

Gillespie TW, Ostermann-Kelm S, Dong C, Willis KS, Okin GS, MacDonald GM. 2018. Monitoring changes of NDVI in protected areas of southern California. Ecological Indicators, 88: 485-494. doi:https://doi.org/10.1016/j.ecolind.2018.01.031.

Goudie AS, Middleton NJ. 2006. Desert dust in the global system. Springer Science & Business Media. 288 p.

Han L, Zhang Z, Zhang Q, Wan X. 2015. Desertification assessments in the Hexi corridor of northern China’s Gansu Province by remote sensing. Natural Hazards, 75(3): 2715-2731. doi:https://doi.org/10.1007/s11069-014-1457-0.

Houldcroft CJ, Grey WM, Barnsley M, Taylor CM, Los SO, North PR. 2009. New vegetation albedo parameters and global fields of soil background albedo derived from MODIS for use in a climate model. Journal of Hydrometeorology, 10(1): 183-198. doi:https://doi.org/10.1175/2008JHM1021.1.

Jahantigh M, Jahantigh M. 2020. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region). RS & GIS for Natural Resources 10(4): 57-73. (In Persian).

Kaffash A, Rouhimoghadam E, Afshari A, Zolfaghari F. 2018. Investigation the effects of Climate, Vegetation, Wind Erosion and Soil Criteria on desertification Potential Using GIS (Case Study: Moradabad Saravan Regio). Journal of Geographical New Studies Architecture and Urbanism, 2(14): 15-29. (In Persian).

Kang HS, Hong SY. 2008. An assessment of the land surface parameters on the simulated regional climate circulations: The 1997 and 1998 east Asian summer monsoon cases. Journal of Geophysical Research: Atmospheres, 113(D15). doi:https://doi.org/10.1029/2007JD009499.

Kariminazar M, Mosaaedi A, Moghadamnia A. 2010. Investigation of climatic factors affecting occurrence of drought (Case Study of Zabol Region). Journal of Water and Soil Conservation, 17(1): 145- 158. (In Persian).

Karnieli A, Qin Z, Wu B, Panov N, Yan F. 2014. Spatio-temporal dynamics of land-use and land-cover in the Mu Us sandy land, China, using the change vector analysis technique. Remote Sensing, 6(10): 9316-9339. doi:https://doi.org/10.3390/rs6109316.

Lamchin M, Lee J-Y, Lee W-K, Lee EJ, Kim M, Lim C-H, Choi H-A, Kim S-R. 2016. Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia. Advances in Space Research, 57(1): 64-77. doi:https://doi.org/10.1016/j.asr.2015.10.006.

Lamchin M, Lee W-K, Jeon SW, Lee J-Y, Song C, Piao D, Lim CH, Khaulenbek A, Navaandorj I. 2017. Correlation between desertification and environmental variables using remote sensing techniques in Hogno Khaan, Mongolia. Sustainability, 9(4): 581. doi:https://doi.org/10.3390/su9040581.

Myhre G, Myhre A. 2003. Uncertainties in radiative forcing due to surface albedo changes caused by land-use changes. Journal of Climate, 16(10): 1511-1524. doi:https://doi.org/10.1175/1520-0442(2003)016<1511:UIRFDT>2.0.CO;2.

Naegeli K, Damm A, Huss M, Wulf H, Schaepman M, Hoelzle M. 2017. Cross-comparison of albedo products for glacier surfaces derived from airborne and satellite (Sentinel-2 and Landsat 8) optical data. Remote Sensing, 9(2): 110. doi:https://doi.org/10.3390/rs9020110.

Pan J, Li T. 2013. Extracting desertification from Landsat TM imagery based on spectral mixture analysis and Albedo-Vegetation feature space. Natural Hazards, 68(2): 915-927. doi:https://doi.org/10.1007/s11069-013-0665-3.

Parvariasl H, Pahlavanravi A, Moghaddamnia A. 2010. Assessing desertification hazard in Neiyatak region using ESAs Model. Journal of Iran Natural Resources, 2: 42- 54. (In Persian).

Piña RB, Díaz-Delgado C, Mastachi-Loza CA, González-Sosa E. 2016. Integration of remote sensing techniques for monitoring desertification in Mexico. Human and Ecological Risk Assessment: An International Journal, 22(6): 1323-1340. doi:https://doi.org/10.1080/10807039.2016.1169914.

Scott D, Smart M. 1999. Wetlands of the Sistan Basin, South Caspian and Fars, Islamic Republic of Iran, Ramsar Convention Monitoring Procedure Report No.26. 110 p.

Wei H, Wang J, Cheng K, Li G, Ochir A, Davaasuren D, Chonokhuu S. 2018. Desertification information extraction based on feature space combinations on the Mongolian plateau. Remote Sensing, 10(10): 1614. doi:https://doi.org/10.3390/rs10101614.

Wei H, Wang J, Han B. 2020. Desertification information extraction along the China–Mongolia railway supported by multisource feature space and geographical zoning modeling. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 392-402. doi:https://doi.org/10.1109/JSTARS.2019.2962830.

Wulder MA, Hilker T, White JC, Coops NC, Masek JG, Pflugmacher D, Crevier Y. 2015. Virtual constellations for global terrestrial monitoring. Remote Sensing of Environment, 170: 62-76. doi:https://doi.org/10.1016/j.rse.2015.09.001.

Xiao J, Shen Y, Tateishi R, Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27(12): 2411-2422. doi:https://doi.org/10.1080/01431160600554363.

Zolfaghari F, Shahriyari A, Fakhireh A, Rashki A, Noori S, Khosravi H. 2011. Assessment of desertification potential using IMDPA model in Sistan plain. Watershed Management Research (Pajouhesh & Sazandegi), 91: 97-107. (In Persian).

Zongyi M, Xie Y, Jiao J, li L, Wang X. 2011. The Construction and Application of an Aledo-NDVI Based Desertification Monitoring Model. Procedia Environmental Sciences, 10: 2029-2035. doi:https://doi.org/10.1016/j.proenv.2011.09.318.