حسین شفیع زاده مقدم

سابقه و هدف: رطوبت غلاف پارامتر مهمی در طول دوره رشد نیشکر است که از منظر تنش آبی و مدیریت آبیاری مزرعه اهمیت فراوانی دارد. بااین حال اندازه گیری میزان رطوبت محصول در گیاهان به طور سنتی از طریق به دست آوردن وزن تر و وزن خشک و سپس محاسبه میزان رطوبت محصول تعیین شده است. اما این روش وقت گیر، هزینه بر و در مناطق وسیع غیرقابل اجراست. در سال های اخیر، توسعه سریع فنّاوری سنجش ازدور برای نظارت بر میزان آب بافت گیاه در مزارع گسترده به کار برده می شود. داده های سنجش ازدور ظرفیت بالایی برای به روز کردن سیستم های پایش رشد محصول دارند. در این راستا، می توان از تصاویر ماهواره ای که اطلاعات متنوعی در اختیار کاربران قرار می دهند، بهره برد. هدف از این پژوهش ارزیابی رطوبت غلاف برگ نیشکر با استفاده از تصاویر ماهواره ای و تهیه نقشه های رطوبت براساس بهترین مدل است.مواد و روش ها: مزارع نیشکر که بزرگ ترین مزارع خوزستان هستند، بیش از 84000 هکتار مساحت دارند. حدوداً 9670 هکتار از مزارع تحت کشت متعلق به کشت و صنعت امیرکبیر است که این پژوهش در آن اجرا شد. منطقه مورد مطالعه در عرض جغرافیایی 31 درجه و 00 دقیقه و 20 ثانیه شمالی و طول جغرافیایی 48 درجه و 15 دقیقه و 22 ثانیه شرقی قرار گرفته است. برای پژوهش حاضر، 18 مزرعه از واریته CP69-1062 نیشکر انتخاب شد که از هر مزرعه 5 نقطه برگزیده و مختصات نقاط با دستگاه GPS ثبت شد، لذا این پژوهش از تیر تا شهریور ماه اجرا شد. برای این منظور، تلاش شد که داده برداری زمینی هم زمان با تصویربرداری ماهواره سنتینل-2 از منطقه مورد نظر صورت گیرد. سپس رطوبت غلاف هر نمونه در آزمایشگاه اندازه گیری شد. برای هر تصویر شاخص ها و باندهای طیفی با نرم افزار QGIS محاسبه و خروجی به صورت فایل اکسل و TIF ذخیره شد. در این پژوهش از شاخص های NDWI، NDII، SRWI، SIWSI، Clgreen و GVMI و باندهای حاصل از تصاویر ماهواره ای سنتینل-2 برای برآورد و پایش وضعیت رطوبت غلاف برگ نیشکر استفاده شد. در گام بعدی، از تحلیل VIF به منظور بررسی هم خطی بین شاخص ها و باندها استفاده شد. در نهایت شاخص های NDVI، EVI، SRWI، Clgreen و تک باندهای B2، B3، B4، B5، B6، B11 و B12 به عنوان ورودی به چهار مدل GRNN، RF، SVR و PLSR وارد شدند. شایان ذکر است که الگوریتم بیز به منظور بهینه سازی پارامترهای مدل استفاده شد.نتایج و بحث: نتایج نشان داد که مدل SVR در مقایسه با سایر مدل ها توانایی بالاتری در تخمین رطوبت غلاف برگ داشت. همچنین طبق تحلیل حساسیت، پارامترهای SRWI، Clgreen، NDVI، B5، B12، B11، B4، B3، EVI و B2 به ترتیب به عنوان پارامترهای مؤثر در فرایند مدل سازی رطوبت انتخاب شدند. در مرحله نهایی رطوبت غلاف برگ به ترتیب مقدار از کم تا زیاد، به 5 کلاس تنش، زمان آبیاری، رطوبت کم، رطوبت متوسط و رطوبت بالا طبقه بندی شد. با توجه به نتایج نقشه های رطوبتی و با توجه به برنامه زمان بندی آبیاری مربوط به هر تاریخ، می توان نتیجه گرفت خروجی حاصل ترکیبی از شاخص ها و باندهای B2، B3، B4، B5، B6، B11، B12، NDVI، EVI، SRWI و Clgreen عملکرد بهتری در تهیه نقشه های آبیاری داشتند. این روش با هدف ارزیابی پتانسیل شاخص های طیفی S2 MSI برای برآورد رطوبت غلاف برگ در مرحله رشد نیشکر به کار گرفته شد.نتیجه گیری: طبق تحلیل حساسیت، پارامتر SRWI به عنوان مؤثرترین شاخص در فرایند مدل سازی قرار گرفت. بنابراین می توان نتیجه گرفت که در میان ورودی های داده شده به مدل، ترکیبی از شاخص ها و باندهای NDVI، EVI، SRWI، Clgreen، B2، B3، B5، B4، B11و B12 تخمین بهتری از رطوبت غلاف نیشکر به دست می دهند. این پژوهش در پی بهبود روش های نظارت بر رطوبت غلاف نیشکر در مزارع وسیع است.

یکی از پیامدهای اجتناب ناپذیر رشد روزافزون جمعیت جهان، گسترش شهرنشینی است؛ ازاین رو ارائه چشم اندازی از توسعه فضایی شهرها با هدف درک الگوی صحیح رشد شهر و فراهم آوردن زیرساخت های لازم از اهمیت بسیاری برخوردار است. ازآنجاکه کلان شهر قم یکی از شهرهای درگیر با مسئله رشد شهری بوده و آمار 95 درصد شهرنشینی را ثبت کرده است، تمرکز این پژوهش بر واکاوی توسعه فضایی اراضی شهری پیرامون این کلان شهر است. برای نیل به هدف مذکور، ابتدا ورودی های مدل که همان نقشه های کاربری/پوشش اراضی و نقشه شایستگی رشد شهری منطقه هستند، تولید شدند. نقشه های کاربری/پوشش اراضی منطقه برای سال های 2000، 2010 و 2020 با روش جنگل تصادفی در محیط سامانه Google Earth Engine و نقشه شایستگی رشد شهری منطقه برای سال های 2000 و 2010 به کمک تحلیل های MCDM مبتنی بر GIS به صورت مجزا تولید شد. درنهایت این نقشه ها وارد الگوریتم های ترکیبی ANN-CA-Markov و  SVM-CA-Markov شد و دو نقشه برای کاربری/پوشش اراضی منطقه در سال 2020 شبیه سازی شد. اعتبارسنجی مدل ها نشان داد که الگوریتم SVM-CA-Markov با مساحت زیر منحنی ROC معادل 96/0 از صحت بیشتری برخوردار بود و برای مدل سازی افق 2040 به عنوان الگوریتم بهینه انتخاب شد. نتایج حاکی از توسعه فضایی روزافزون این کلان شهر است؛ به طوری که وسعت اراضی شهری این منطقه از 62/139 کیلومتر مربع در سال 2020 به بیش از 183 کیلومترمربع در سال 2040 افزایش خواهد یافت. ارزیابی نتایج می تواند به مدیران مربوط در راستای اتخاذ سیاست های لازم برای مدیریت هرچه بهتر شرایط پیش رو یاری رساند. این امر مهم می تواند از طریق برنامه ریزی برای توسعه منظم شبکه معابر، گسترش فضا های سبز شهری و... محقق شود. در این راستا سازمان ها و مسئولان محلی باید ضمن اشراف کامل بر جهات توسعه این کلان شهر، نظارت های هدفمند بر این مسئله داشته باشند.