محمدمهدی خوش گفتار

با توجه به رشد سریع شهرها در کشورهای در حال توسعه، نیاز به مدیریت و برنامه ریزی مناسب، به پرهیز از تأثیرات مخرب زیست محیطی و اجتماعی ـ اقتصادی آن، همواره احساس می شود. در این زمینه، طراحان و برنامه ریزان شهری به اطلاعات مکانی و زمانی مرتبط با الگو و میزان رشد، به منظور درک بهتر فرایند رشد شهری و تأثیرات آن نیاز دارند. تلفیق سامانه های اطلاعات مکانی و سنجش از دور، ابزار مؤثری را برای جمع آوری و آنالیز اطلاعات زمانی ـ مکانی فراهم می سازد. این تحقیق، ضمن بررسی و مدل سازی توسعة شهری در دو دهة گذشته، به پیش بینی توسعة شهر تهران طی دو دهة آینده می پردازد تا پایه و اساسی را برای مدیریت شهری فراهم سازد. در این تحقیق، مدل شبیه سازی و پیش بینی رشد شهری CA-Markov به کار برده شد و این مدل با استفاده از داده های تاریخیِ به دست آمده از مجموعه های زمانی تصاویر ماهواره ای لندست ـ مربوط به سال های 1988، 2000 و 2006 ـ کالیبره گردید. با توجه به نقشه های پوشش / کاربری زمین به دست آمده از طبقه بندی تصاویر ماهواره ای، منطقة شهری در این مدت با 11 درصد (حدود 56 کیلومترمربع) افزایش مواجه شده است. همچنین مدل CA-Markov به منظور شبیه سازی رشد شهری برای سال های 2015 و 2025 اجرا گردید و نتایج به دست آمده بیانگر رشد 3 درصدی (حدود 15 کیلومترمربع) در مناطق شهری از سال 2006 تا 2025 است. نتایج تحقیق حاکی از کارایی بالای مدل تلفیقی CA-Markov در پایش روند توسعة شهر در سال های گذشته و پیش بینی رشد شهری برای سال های آتی براساس الگوی رشد سال های گذشته است. همچنین کاربرد روش تصمیم گیری چندمعیاره در محیط نرم افزار Idrisi برای در نظر گرفتن پارامترهای توسعه و رشد شهری، از دیگر ویژگی های این تحقیق است.

خشکسالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحت تأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تأثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی ( ARIMA ) و مدل شبکه عصبی برای مدل سازی خشکسالی براساس داده های سنجش از دوری مورد استفاده قرار گرفته است . به همین منظور، شاخص بارش استانداردسازی شده ( SPI ) با استفاده از داده های هواشناسی به عنوان میزان شدت خشکسالی مورد استفاده قرار گرفت . تعدادی از ویژگی ها شامل شاخص اختلاف نرمال شده پوشش گیاهی ( NDVI ) ، شاخص وضعیت پوشش گیاهی ( VCI ) و شاخص پوشش گیاهی - دمایی ( TVX ) که از تصاویر MODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSE و MAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI ، TVX و VCI و شاخص هواشناسی SPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص های TVX و NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین از شاخص های TVX ، NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود .