جمیل امان اللهی

این تحقیق با هدف ارزیابی تخریب اکولوژیکی منطقه حفاظت شده کوسالان در شهرستان مریوان در استان کردستان با استفاده از فن آوری های سنجش ازدور و GIS انجام شده است. برای این منظور تصاویر دو دوره زمانی مربوط به سال های 1989 و 2020 تهیه گردید. پس از انجام تصحیحات رادیومتریک و اتمسفریک، تغییرات شاخص NDVI که بیان کننده تغییرات پوشش گیاهی در دو بازه زمانی موردبررسی است، مورد ارزیابی قرار گرفت. به منظور مدل سازی تخریب اکولوژیک از 4 معیار کلی پوشش گیاهی، زمین شناسی، فیزیوگرافی و فعالیت های انسانی و 8 زیر معیار شامل فاصله از روستا، فاصله از جاده، محدوده های زمین لغزش، شدت فرسایش، شیب، جهت، ارتفاع از سطح دریا و پوشش گیاهی استفاده گردید. زیر معیارها با مدل Fuzzy استاندارد شدند و با روش AHPوزن دهی گردیدند. تغییرات پوشش گیاهی در آستانه های مختلف شاخص NDVI شامل سه آستانه 1-3/0، 1-4/0 و 1-1/0 مورد ارزیابی قرار گرفت. نتایج این ارزیابی نشان می دهد که کیفیت و تراکم پوشش گیاهی دارای روند کاهشی در طول این 31 سال بوده است. نتایج مدل سازی پتانسیل تخریب اکولوژیکی نشان داد مؤثرترین معیار در ایجاد تخریب، فاصله از روستا است. به طورکلی 50 درصد از مساحت منطقه دارای پتانسیل بالای تخریب اکولوژیکی است. نتایج این مطالعه نشان داد استفاده از مدل های دقیق و تجزیه وتحلیل نتایج آن ها در محیط GIS می تواند روش دقیقی در برآورد پتانسیل تخریب اکولوژیکی مناطق حفاظت شده باشد.

تحقیق حاضر با هدف ارزیابی دقت داده های ماهواره ای سنجنده مادیس در پایش ریزگردها (ذرات PM 10 )، به منظور مقایسه با داده های ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدین ترتیب، میزان عملکرد داده های ماهواره ای در اندازه گیری ریزگردها، در ایستگاه زمینی سنندج، مشخص می شود. ابتدا داده های ماهواره ای عمق نوری (ذرات PM 10 ) سنجنده مادیس، متناظر با داده های PM 10 زمینی تهیه شده از ایستگاه زمینی پایش آلودگی واقع در شهر سنندج، به دست آمد؛ آنگاه ضریب همبستگی دو سری داده محاسبه شد. برای پیش بینی دقیق داده های PM 10 ، دو مدل آریما و شبکه عصبی مصنوعی به کار رفت. داده های AOD سنجنده مادیس با استفاده از روش حداکثر برآورد احتمال و وزن به دست آمده از ریشه میانگین مربعات خطا، به منظور استفاده در این دو مدل، ترکیب شدند. در نهایت، روش مقایسه منفرد برای هریک از مدل ها و نیز مقایسه مدل ها، با هدف شناسایی مدل بهتر در تشخیص و پیش بینی داده های PM 10 حاصل از سنجنده مادیس، اعتبارسنجی شد. در مدل شبکه عصبی، ضریب همبستگی در مرحله آموزش 52%، در مرحله آزمون 53%، RMSE برابر با 62/1 و MAE برابر 62/2 به دست آمد. طبق محاسبات، مدل آریمای 1-0-3 تنها مدل مورد قبول با R برابر با 46/0و 06/0MAE= و 69/0RMSE= است. این بیان می کند مدل آریما مدل مناسبی برای پیش بینی داده هاست اما دقت مدل شبکه عصبی، در ارزیابی میزان همبستگی بین داده ها، بیشتر تشخیص داده شد. نتایج تحقیق نشان داد که بین داده های عمق نوری ریزگرد سنجنده مادیس با داده های زمینی رابطه مستقیمی وجود دارد و این الگوریتم قادر به شناسایی گردوغبار است و می تواند جایگزین مناسبی برای محصولات PM 10 تولیدشده از سوی ایستگاه زمینی باشد.