درخت حوزه‌های تخصصی

سابقه و هدف: با رشد جمعیت در شهرها، توجه به امنیت و ایمنی شهری به یکی از اولویت های مدیران و برنامه ریزان شهری تبدیل شده است. بحران های شهری، به ویژه در بافت های تاریخی و فرسوده، می توانند تهدیدهایی جدی برای امنیت و زیست پذیری محله ها ایجاد کنند و موجب تخریب گسترده ای شوند. بافت های فرسوده شهری به دلیل ویژگی های خاصشان، همچون فرسودگی کالبدی، تراکم جمعیتی بالا، کمبود زیرساخت های مناسب و ضعف در خدمات شهری، در مواجهه با بحران های شهری همچون زلزله، سیل و سایر بلایای طبیعی یا اجتماعی، ازجمله آسیب پذیرترین مناطق به شمار می روند. طی سال های اخیر، پژوهش ها و برنامه های متعددی درراستای بهسازی و نوسازی این بافت ها و ارتقای کیفیت زندگی ساکنان آن ها انجام شده است. بااین حال توجه به زیست پذیری این بافت ها، در رویارویی با بحران های شهری و استفاده از آینده پژوهی برای پیش بینی و مدیریت بحران ها کمتر مورد توجه قرار گرفته است. ازسویی، تعریف فضاهای چندمنظوره و توزیع متناسب آن ها در محلات، به ویژه در بافت های فرسوده با ارزش تاریخی، می تواند به بهبود کیفیت زندگی قبل از بحران و بهبود مدیریت بحران ها، پس از وقوع آن ها، کمک کند. مواد وروش ها: ادغام نشدن آینده پژوهی با برنامه ریزی و مدیریت بحران یکی از شکاف هایی است که این پژوهش، با استفاده از تکنیک های آینده پژوهی و مدل های فضایی، به بررسی چگونگی بهبود شرایط مدیریت بحران در آینده می پردازد و این شکاف را با نوآوری مبتنی بر تحلیل های پیش بینی و سناریوهای محتمل، پر می کند. ازاین رو پژوهش حاضر، با هدف حفظ زیست پذیری بافت های فرسوده در بحران های شهری براساس روش آینده پژوهی، بر محله امام زاده یحیی تمرکز داشته و با استفاده از شیوه سناریونویسی، گزینه های ممکن برای آینده زیست پذیری این محله را بررسی کرده است. در این پژوهش، ضمن تحلیل معیارهای زیست پذیری در زمان بحران با استفاده از نرم افزار ArcGIS و تکنیک های تصمیم گیری چندمعیاره، از نرم افزار CommunityVIZ Scenario360 بهره گرفته شده و تأثیر متغیرها در سه سناریوی متفاوت بررسی و در نهایت، سناریوی بهینه، برای ایجاد فضاهای چندمنظوره پیشنهاد شده است. نتایج و بحث: یافته ها نشان می دهد که انتخاب سناریوی برتر و تحلیل لایه های گوناگون بر اهمیت فضاهای باز، شریان های ارتباطی و فضاهای خالی در بافت فرسوده محله امام زاده یحیی، درزَمینه مدیریت بحران های شهری، تأکید دارد. همچنین نتایج تحقیق با استفاده از ابزار CommunityVIZ Scenario 360 نشان داد نواحی شمالی و شمال غرب محله به منزله نقاط مناسب برای تعریف فضاهای چندمنظوره شناسایی شده اند که می توانند، در تجهیز فضایی و حفظ زیست پذیری پس از بحران، مؤثر باشند. یافته ها حاکی از آن است که استفاده از فضاهای چندمنظوره و تجمیع کاربری های خرد، حتی در شرایط بحرانی، می توانند به بازگرداندن و ارتقای زیست پذیری محلات تاریخی و فرسوده کمک کنند و فضاهای چندمنظوره، با عرضه خدمات متنوع و افزایش تاب آوری، در بهبود کیفیت زندگی و ارتقای رضایت ساکنان نقشی تأثیرگذار خواهند داشت. نتیجه گیری: نتایج این پژوهش نشان می دهد که توزیع ناعادلانه خدمات و امکانات می تواند مدیریت بحران های شهری را با چالش مواجه کند و تاب آوری شهر و کیفیت زندگی شهری را کاهش چشمگیری بدهد. هر محله، متناسب با جمعیت آن، نیازمند دسترسی به کاربری های ضروری مانند تجاری، آموزشی، فضای سبز، ورزشی و درمانی است تا، حداقل در ساعات ابتدایی وقوع بحران، نیازهای اولیه ساکنان برطرف شود. گذار از برنامه ریزی های سنتی به روش های نوین و بهره گیری از مدل ها و نرم افزارهای پیشرفته، همراه با آینده پژوهی شهری، می تواند بهبود شایان توجهی در شرایط پس از بحران ایجاد کند.

سابقه و هدف: در سال های اخیر، پوشش زمین به منزله شاخصی کلیدی در بررسی تغییرات اقلیمی، سیستم های اکولوژیکی و مدیریت منابع طبیعی مورد توجه قرار گرفته است. محدودیت هایی که در مسیر تهیه داده های به روز و دقیق وجود دارد نیاز به استفاده از فنّاوری های نوین سنجش از دور را افزایش داده است. در این میان، تصاویر راداری سنتینل – ۱ که به سامانه رادار با روزنه مجازی (SAR) مجهز است، به دلیل فنّاوری مایکروویو فعال خود و با امکان عملکرد در هر شرایط جوّی، می تواند ابزاری مناسب برای تهیه نقشه های پوشش زمین به شمار آید. هدف این تحقیق بهبود طبقه بندی پوشش زمین، با استفاده هم زمان از تصاویر دریافتی از مدارهای بالارونده و پایین رونده سنتینل – ۱ و بررسی تأثیر تصحیح رادیومتریک توپوگرافی در صحت نتایج طبقه بندی است. مواد و روش ها: در این تحقیق سه منطقه متفاوت در ایران، شامل شهرهای مرند و ساری و چادگان، به دلیل ویژگی های متفاوت پوشش زمین و وجود نواحی کوهستانی، بررسی شد. داده های مورد استفاده، در این تحقیق، تصاویر ماهواره سنتینل – ۱ با قطبش های VV و VH در هر دو گذر بالارونده و پایین رونده است. پیش پردازش داده ها انجام شد که مراحلی همچون اعمال فایل مداری، حذف نویز حرارتی، حذف نویز حاشیه، کالیبراسیون، تصحیح رادیومتریک توپوگرافی، فیلتر اسپکل، تصحیح توپوگرافی رنج داپلر و تبدیل به دسی بل را دربرمی گرفت. همچنین با استفاده از روش نرمال سازی کمینه – بیشینه، داده ها به بازه ای مشخص تغییرمقیاس یافتند. سپس الگوریتم جنگل تصادفی (RF) برای طبقه بندی پوشش زمین به کار رفت. این طبقه بندی شامل پنج کلاس آب، خاک، پوشش گیاهی، مناطق شهری و کشاورزی است. در انتها، نتایج با استفاده از معیارهای صحت کلی، ضریب کاپا و صحت هر کلاس ارزیابی شد. نتایج و بحث: نتایج نشان می دهد که استفاده هم زمان از تصاویر بالارونده و پایین رونده، بدون اعمال تصحیح رادیومتریک توپوگرافی، باعث بهبود شایان توجه صحت طبقه بندی در تمامی مناطق مورد مطالعه می شود. برای نمونه، در مرند، صحت کلی طبقه بندی از 3/65% به 17/79% افزایش یافته که معادل با بهبود تقریبی 13% است. در ساری، ترکیب تصاویر به افزایش صحت کلی از 67/55% به 41/75% منجر شده است. همچنین در چادگان، افزایش حدود 12درصدی صحت کلی از 88/56% به 06/68% مشاهده شده است. ازنظر صحت کلاسی، در مرند، صحت کلاس پوشش گیاهی ارتقای چشمگیری از 41/43% به 64/69% داشته و در ساری، صحت کلاس خاک از 57/19% به 40/46% بهبود یافته است. تحلیل عددی نشان می دهد ترکیب تصاویر، از مدارهای گوناگون، دیدگاه های مکملی از سطح زمین ارائه می دهد که به کاهش اعوجاج های ناشی از زاویه دید و توپوگرافی کمک می کند. همچنین نتایج نشان می دهد که اعمال تصحیح رادیومتریک توپوگرافی تأثیر دوگانه ای دارد. در حالت تک تصویری، می تواند به بهبود صحت برخی کلاس ها کمک کند اما، در ترکیب دو تصویر، ممکن است باعث شباهت بیش ازحد بین برخی کلاس ها شود و در نهایت، عملکرد کلی را کاهش دهد. نتیجه گیری: این تحقیق تأکید می کند که به کارگیری هم زمان تصاویر سنتینل – ۱ از مدارهای بالارونده و پایین رونده، به ویژه بدون استفاده از تصحیح رادیومتریک توپوگرافی، نقش کلیدی در افزایش صحت طبقه بندی پوشش زمین دارد. افزایش صحت کلی طبقه بندی به میزان ۱۳ تا ۲۰% در مناطق متفاوت، نشان از پتانسیل بالای این رویکرد در طبقه بندی پوشش زمین دارد. ازسوی دیگر، نتایج بیان می کند که نحوه پیش پردازش تصاویر سنتینل – 1 در صحت و کارآیی مدل تأثیر گذار است و استفاده از تصحیح رادیومتریک توپوگرافی، در برخی موارد، باعث کاهش صحت و کارآیی مدل می شود. به عبارت دیگر، ترکیب بهینه داده های سنتینل – 1 در مدارهای گوناگون می تواند به ارائه نقشه های دقیق تر و مورد اعتمادتر منجر شود. بنابراین رویکرد مطرح شده می تواند، به منزله مرجعی برای مطالعات آینده در حوزه سنجش از دور، بهبود طبقه بندی پوشش زمین و کاربردهای محیط زیستی و کشاورزی مطرح شود.

سابقه و هدف: ازآنجاکه ارزش و امکان استفاده از هر نقشه تولیدشده براساس تصاویر ماهواره ای با توجه به میزان صحت آن مشخص می شود، ارزیابی صحت روش طبقه بندی تصاویر ماهواره ای دارای اهمیت چشمگیری است. ازاین رو این پژوهش با هدف تحلیل کارآیی الگوریتم های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و حداکثر احتمال (MLC)، در شناسایی کاربری و پوشش اراضی (LULC) منطقه کلان شهری مشهد انجام شده است. تا به امروز الگوریتم های بسیار زیادی، به منظور طبقه بندی تصاویر ماهواره ای، توسعه یافته اند که عملکرد آن ها، در شرایط گوناگون، متفاوت است. به همین دلیل در این پژوهش، ابتدا با مروری بر پژوهش های پیشین، پرکاربردترین الگوریتم ها شناسایی شده و سپس، با سنجش ویژگی های انواع طبقه بندی کننده ها، سه الگوریتم ماشین بردار پشتیبان و جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به اینکه مطالعات متعدد نشان داده است دقت نقشه برداری LULC تحت تأثیر زمان و مکان قرار دارد و هریک از پژوهش های انجام شده نیز بر دقت الگوریتم های متفاوتی تأکید کرده اند، نتایج آن ها درمورد شرایط جغرافیایی ایران تعمیم پذیر نیست. ازطرفی، در شرایط ژئومورفولوژیک ایران، پژوهش های کافی به منظور سنجش دقت الگوریتم های طبقه بندی انجام نشده و اغلب مطالعات صحت سنجی الگوریتم ها در نمونه های موردی خارج از ایران انجام شده است. ازاین رو با توجه به تفاوت نتایج الگوریتم ها در شرایط گوناگون، بررسی دقت و عملکرد الگوریتم ها با تمرکز بر منطقه وسیع و متنوع کلان شهری مشهد می تواند نتایج بدیع و جالب توجهی به همراه داشته باشد. مواد و روش ها: روش تحقیق حاضر، ازمنظر هدف، کاربردی و ازمنظر ماهیت، توصیفی – تحلیلی است. گردآوری اطلاعات در این پژوهش به روش اسنادی – کتابخانه ای انجام شده است. در این مطالعه، تصویر سنجنده OLI در ماهواره لندست – 8 تهیه شده است. طبقه بندی تصاویر ماهواره ای در دو مرحله پیش پردازش و پردازش تصاویر انجام شده و پس از ارزیابی صحت طبقه بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختلاط، ضریب تغییرات و ضرایب User's accuracy و Producer's accuracy، بهترین الگوریتم در طبقه بندی کاربری های منطقه کلان شهری مشهد مشخص شد؛ این کاربری ها شامل پنج دسته و بدین قرار است: 1) مناطق ساخته شده؛ 2) اراضی بایر؛ 3) مناطق کوهستانی؛ 4) فضاهای سبز؛ 5) پهنه های آبی. نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC با استفاده از الگوریتم های گوناگون نشان می دهد که اراضی بایر با دقت بیشتر و پهنه های آبی و فضاهای سبز با دقت کمتری طبقه بندی شده اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می دهد که به طور کلی، صحت طبقه بندی دسته ها در تمامی الگوریتم های مورد مطالعه، در بازه خوب تا عالی قرار می گیرد. اما بررسی دقیق تر این الگوریتم ها نشان می دهد که بیشترین چالش شناسایی طبقه ها درمورد مناطق ساخته شده، مناطق کوهستانی و فضاهای سبز وجود دارد و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نیز تنوع در دقت هر طبقه بندی کننده LULC را نشان می دهد. تفاوت در دقت طبقه بندی کننده های مورد استفاده جزئی است اما این تغییرات جزئی اهمیت بسیار چشمگیری درزَمینه برنامه ریزی LULC دارد. با توجه به اینکه این اختلافات جزئی در کاربری های حساسی، مانند مناطق ساخته شده و فضاهای سبز دیده می شود، انتخاب الگوریتمی دارای بیشترین دقت و کمترین خطا اهمیت ویژه ای دارد. نتیجه گیری: نتایج بررسی ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نشان می دهد که رویکرد SVM دقت کلی بیشتر و ضریب کاپای بالاتری از روش های RF و MLC دارد؛ به گونه ای که الگوریتم های SVM، RF و MLC به ترتیب، دقت کلی معادل 93/0، 88/0 و 80/0% را به دست آورده اند. بنابراین ماشین بردار پشتیبان بیشترین دقت و کمترین خطا را در بین طبقه بندی کننده های مورد مطالعه دارد. براین اساس که مطالعات متعدد گویای ارتباط میان دقت نقشه برداری LULC با زمان و مکان است، درمورد تحقیقات آینده، تحلیل دقت طبقه بندی کننده ها برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می شود.

مقدمه: استفاده بهینه از زمین های کشاورزی یکی از دغدغه های مسئولان است زیرا کشاورزی ازنظر اشتغال زایی، ارزآوری، تأمین امنیت غذایی کشور و وابستگی کمتر به ارز خارجی دارای اهمیت بسیار است. به دست آوردن اطلاعات درباره الگوی توزیع مکانی و سطح زیرکشت محصولات زراعی می تواند به استفاده کارآمد از آن ها کمک کند. ازجمله روش های مناسب به منظور حصول اطلاعات درمورد سطح زیرکشت محصولات زراعی، بهره گیری از تصاویر ماهواره ای است. حوزه سنجش از دور، با امکان ارائه تصاویر دارای قدرت تفکیک های مناسب و همچنین پوشش مکانی و زمانی وسیع، به رویکردی غالب برای استخراج سطح زیرکشت و پایش محصولات زراعی تبدیل شده است. یکی از داده های سنجش ازدوری که اخیراً در حوزه نقشه برداری نوع محصول زراعی مورد توجه قرار گرفته، تصاویر همدوسی تداخل سنجی رادار دریچه مصنوعی است که به دلیل حساسیت بالا به ساختار محصولات زراعی، به نظارت و نقشه برداری آن ها کمک بسیاری می کند. در منابع جهانی، تصاویر همدوسی  InSARکاربردی گسترده در تحقیقات مرتبط با محصولات زراعی داشته است. این درحالی است که در ایران، بهره گیری از داده های همدوسی برای پایش فنولوژی و تفکیک محصولات زراعی گوناگون، به ر غم توانایی های منحصربه فرد آن، چندان مورد توجه قرار نگرفته است. از این رو ارزیابی کارآیی داده های همدوسی و قابلیت های آن ها برای اتخاذ سیاست های مدیریت کشاورزی بهینه در ایران می تواند بسیار کارساز باشد. روش شناسی: هدف اصلی مطالعه حاضر ارزیابی کارآیی داده های همدوسی مبتنی بر یادگیری ماشین، به منظور نقشه برداری نوع محصول زراعی است. بدین منظور سری زمانی یک ساله ای متعلق به سال زراعی 1398 (2019 میلادی)، از داده های همدوسی دارای اطلاعات فاز ماهواره سنتینل – 1، درمورد بخشی از اراضی دشت اردبیل واقع در غرب و شمال غرب شهر اردبیل، تهیه شد. در این راستا زنجیره ای از جفت تصاویر راداری، با خط مبناهای مکانی و زمانی کوتاه، برای تولید داده های همدوسی به کار رفت. داده های میدانی از 1358 قطعه زمین با محصولات متفاوت برداشت شد. در مرز قطعات زراعی، حریمی ده متری برای جلوگیری از پیکسل های مخلوط در نظر گرفته شد. درمجموع، 156026 پیکسل از تصاویر همدوسی، برای نمونه، برداشت و به صورت تصادفی به سه دسته آموزشی (70%)، اعتبارسنجی (15%) و آزمایشی (15%) تقسیم شد. به منظور انتخاب بازه زمانی مناسب برای استفاده از تصاویر همدوسی، پاسخ فنولوژیکی محصولات به همدوسی تحلیل شد. در بازه زمانی انتخابی، سیگنال های فنولوژیکی محصولات مورد بررسی، با سیگنا ل های مناطق شاهد ساخته شده و خاک لخت، مقایسه شد تا درمورد اختلاط نیافتن آن ها اطمینان به دست آید. بدین ترتیب داده های همدوسی چندزمانه در بازه انتخابی، به منزله ورودی طبقه بندی کننده ماشین بردار پشتیبان با کرنل های متفاوت، برای تفکیک و شناسایی نوع محصولات زراعی استفاده شدند. نتایج: بررسی مقادیر سری زمانی همدوسی، در مناطق شاهد انتخابی، حاکی از تمایز رفتار همدوسی محصولات زراعی متفاوت، درمقایسه با هم و نیز درقیاس با مناطق ساخته شده و خاک لخت است. بر این اساس داده های همدوسی انطباق خوبی با مراحل فنولوژیکی اصلی محصولات زراعی نشان می دهند. از میان کرنل های گوناگون طبقه بندی کننده ماشین بردار پشتیبان، کرنل تابع پایه شعاعی بیشترین میزان صحت کلی برابر را با 69/59%، با ترکیب متفاوتی از پارامترهای c و گاما در مرحله اعتبارسنجی نشان داد. صحت کلی نقشه نوع محصول زراعی تولید شده با استفاده از طبقه بندی کننده ماشین بردار پشتیبان و کرنل تابع پایه شعاعی، در مرحله آزمایش، برابر با 6/60% است که بهترین عملکرد را در شناسایی گندم و بدترین را درمورد یونجه داشته است. صحت کاربر، برای گیاهان گندم و سیب زمینی، بالاتر و برای گیاهان ذرت، باقلا و یونجه، پایین تر است. جمع بندی: به طور کلی، می توان گفت تصاویر همدوسی اطلاعات ارزشمندی به منظور شناسایی و تفکیک محصولات زراعی در ایران ارائه می دهند. استفاده از قابلیت های یادگیری ماشین می تواند، در پایش و تفکیک انواع محصولات زراعی، به داده های همدوسی کمک کند. در این راستا، عواملی همچون تعداد نمونه های آموزشی هر محصول، تعداد ویژگی های همدوسی، استفاده از داده های مکمل، اختلاف منظر سنجنده (خط مبنای مکانی)، ویژگی های توپوگرافیکی (شیب و جهت)، فاصله زمانی بین تصاویر رادار و نوع الگوریتم طبقه بندی تصویر، کارآیی تصاویر همدوسی و طبقه بندی کننده را تحت تأثیر قرار می دهند که باید مورد توجه قرار گیرند.

مقدمه و هدف: تولید داده های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی، برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست محیطی و دیگر موارد، تقاضای چشمگیری دارد. تقریباً 60 تا 75% کره زمین در هر لحظه با ابرها پوشیده می شود؛ بنابراین ابرها، با ایجاد مانعی، باعث جذب بخشی از انرژی حرارتی بازتاب یافته از زمین می شوند و با تأثیر در انرژی فروسرخ حرارتی، سبب ایجاد داده های از دست رفته و نامعتبر در سری های زمانی LST می شوند. رفع اثر پوشش ابر همواره مسئله ای رایج درزَمینه استفاده از تصاویر ماهواره ای است. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد – چندکاناله (M-SSA)، به منظور بازسازی داده های ازدست رفته و دورافتاده با استفاده از پوشش ابر در سری زمانی LST ساعتی ماهواره Meteosat-9 است. مواد و روش ها: منطقه مطالعاتی، در پژوهش حاضر، کشور ایران در نظر گرفته شد و نیز از سری زمانی LST ساعتی سنجنده SEVIRI از ماهواره زمین ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا، با استفاده از نرم افزار SSA و آزمون مونت کارلو، اندازه پنجره و تعداد مؤلفه های معنی دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مؤلفه های معنی دار شناسایی شده و نیز الگوریتم M-SSA، سری های زمانی LST بازسازی شد. خطای بازسازی در شرایط آسمان صاف، با داده های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری، ازطریق ایجاد داده های ازدست رفته مصنوعی (ابر مصنوعی) با شدت های 10، 20، 30، ...، 90% در سری زمانی، با استفاده از آماره های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R 2 ) اندازه گیری شد.  نتایج: به طور میانگین، در سطح ایران، 5/25% از سری زمانی LST ساعتی در سال 2022 به دلیل پوشش ابر از دست رفته است که بیشترین میزان داده های ازدست رفته در حاشیه دریای خزر مشاهده شد. نتایج تحلیل سری زمانی LST ساعتی سالیانه در اندازه پنجره 96ساعته با آزمون مونت کارلو نشان داد مؤلفه های 1 تا 5 جزء مؤلفه های معنی دار این سری زمانی اند. این مؤلفه ها 5/97% از تغییرات سری زمانی LST را در کنترل دارند. فرکانس مربوط به مؤلفه های اول، دوم با سوم، چهارم با پنجم به ترتیب 0، 042/0 و 083/0 سیکل بر تصویر است. مؤلفه اول تغییرات دوره ای سالیانه، مؤلفه دوم با سوم تغییرات دوره ای 24ساعته یا روزانه دما، و مؤلفه چهارم با پنجم تغییرات دوره ای 12ساعته دما را نشان می دهد. براساس نتایج، RMSE و R 2 بین داده های موجود و داده های بازسازی شده سری زمانی LST ساعتی با استفاده از الگوریتم M-SSA، در شرایط آسمان صاف، به ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری، خطای RMSE تا سطح 80% داده ازدست رفته به صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود. بحث و نتیجه گیری: کلید اصلی بازسازی سری های زمانی، با رفتار دوره ای، شناسایی مؤلفه های معنی دار دوره ای و روندهاست. در سری های زمانی LST ساعتی، دوره های سالیانه، 24، 12 و 8ساعته از مهم ترین مؤلفه های سری زمانی اند. این مؤلفه ها از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می گیرند. بنابراین، این مؤلفه ها اغلب برای بازسازی سری های زمانی LST ساعتی در بیشتر بخش های کره زمین، یکسان اند. براساس یافته ها، الگوریتم M-SSA با توجه به در نظر گرفتن مؤلفه های دوره ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی، می تواند در بازسازی داده های ازدست رفته دارای فاصله بزرگ در سری های زمانی LST مؤثر باشد. یکی از موارد شایان توجه در بازسازی اثر پوشش ابر، در پژوهش حاضر و بسیاری از پژوهش های دیگر، بازسازی دمای سطح زمین با شرط آسمان صاف است. بنابراین بازسازی دمای سطح زمین زیر پوشش ابر می تواند چالش و پیشنهادی برای مطالعات بیشتر در آینده باشد.

سابقه و هدف: بیابان زایی یکی از چالش های مهم دنیای امروز است که پایداری محیط زیست را تهدید می کند. این پدیده از تخریب زمین در مناطق خشک و نیمه خشک ناشی می شود و می تواند پیامدهای جدی برای محیط زیست، اقتصاد و جامعه داشته باشد. ایران، به دلیل موقعیت جغرافیایی اش در کمربند خشک و نیمه خشک جهان، درمعرض خطر بیابان زایی قرار دارد. برای مقابله با این پدیده، شناسایی و ارزیابی عوامل مؤثر، تعیین مناطق آسیب پذیر و استفاده از مدل هایی به منظور ارزیابی این پدیده ضروری است. در این راستا، استفاده از علم سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) می تواند در ارزیابی و نظارت بر بیابان زایی مفید باشد. این فنّاوری ها امکان بررسی گسترده و دقیق تغییرات پوشش زمین را فراهم می آورند و به مدیریت و حفاظت از مناطق درمعرض خطر کمک می کنند. هدف این پژوهش شناسایی مناطق مستعد بیابان زایی در کمربند شرقی ایران (سوچرزون سیستان و بلوک افغان)، با استفاده از مدل تحلیل های تصمیم گیری چندمعیاره، مبتنی بر رویکرد اولویت ترتیبی (OPA) است. مواد و روش ها: زون زمین شناسی سیستان و بلوک افغان، با مساحت بیش از 106هزار کیلومترمربع، در کمربند شرقی ایران قرار دارد و شامل بخش هایی از استان سیستان و بلوچستان و خراسان جنوبی می شود. این منطقه، براساس طبقه بندی اقلیمی دومارتن، در اقلیم خشک و فراخشک قرار می گیرد. وجود چنین شرایطی در این منطقه، همراه با تخریب پوشش گیاهی و خشک شدن منابع آبی، آن را مستعد بیابان زایی کرده است. در این پژوهش برای به دست آوردن نقشه مناطق مستعد بیابان زایی، در ابتدا، نقشه پتانسیل فرسایش بادی و فرسایش آبی، به ترتیب با استفاده از مدل های RWEQ و RUSLE در منطقه مورد مطالعه حاصل شد. سپس نتایج این مدل ها به همراه سایر شاخص ها، ازقبیل پوشش گیاهی، شوری خاک، کاربری اراضی، درجه حرارت، رده بندی خاک، جرم مخصوص ظاهری خاک و طبقه بندی اقلیمی، با استفاده از مدل تصمیم گیری چندمعیاره مبتنی بر اولویت ترتیبی (OPA) وزن دهی شدند و در نهایت، نقشه مناطق مستعد بیابان زایی در کمربند شرقی ایران به دست آمد. نتایج و بحث: نتایج این مطالعه نشان داد که میانگین پتانسیل فرسایش بادی، در کمربند شرقی ایران، 64 کیلوگرم بر مترمربع است. این درحالی است که 16% این منطقه، که اغلب در بخش های شرقی و جنوب شرق قرار دارد و شامل شهرستان های زابل، سراوان و خاش می شود، دارای پتانسیل فرسایش بادی بیش از 512 کیلوگرم بر مترمربع است. در مقابل، میانگین فرسایش آبی 24/36 تن در هکتار به دست آمده است؛ بیشترین میزان فرسایش آبی بیش از 40 تن در هکتار و در 5/34% از مساحت منطقه مورد مطالعه رخ می دهد که اغلب در شمال منطقه، شامل شهرستان نهبندان در استان خراسان جنوبی و بخش های مرکزی منطقه واقع شده است. در نهایت، نتایج مدل تصمیم گیری چندمعیاره مبتنی بر اولویت ترتیبی نشان داد که مهم ترین شاخص ها ازمنظر متخصصان، در شناسایی مناطق مستعد بیابان زایی در این منطقه، شاخص های فرسایش بادی و پوشش گیاهی و شوری خاک است و بخش های شرقی و جنوب شرق ناحیه به شدت تحت تأثیر بیابان زایی قرار دارند. بحث و بررسی: فرسایش در کمربند شرقی ایران پیامدهای منفی متعددی دارد؛ ازجمله کاهش حاصلخیزی خاک و تهدید معیشت، امنیت غذایی و سلامت مردم. تخریب پوشش گیاهی، از بین رفتن منابع آبی و تبدیل این مناطق به زمین های بایر، به خصوص در نیمه شرقی ایران که در سال های اخیر با پدیده خشکسالی گسترده ای مواجه شده اند، بیشترین تأثیر را در بیابان زایی داشته است. برای مقابله با این مشکل، به ابتکارات مدیریتی مانند مدیریت منابع آب، توسعه کشاورزی پایدار و حفاظت از تنوع زیستی نیاز است. این ابتکارها باید، با توجه به شرایط خاص هر منطقه و با مشارکت جوامع محلی و متخصصان، طراحی و اجرا شوند. نتایج این مطالعه نشان داد که استفاده از مدل های مبتنی بر رویکرد اولویت ترتیبی می تواند، در شناسایی مناطق آسیب پذیر به منظور تدوین برنامه های مدیریتی، مؤثر باشد. همچنین استفاده از شاخص هایی مانند مدیریت چرا، جمعیت و سطح آب های زیرزمینی، در مطالعات آتی، امکان ارزیابی بهتر وضعیت بیابان زایی را فراهم می کند.

سابقه و هدف: تعیین تغییرات مقدار کربن آلی در مزرعه، به دلیل اهمیت و نقش مقدار کربن آلی در خاک، ازجمله نقش مؤثر آن در افزایش مقاومت خاک در برابر فرسایش باد و آب، از اهمیت ویژه ای برخوردار است. در این پژوهش، توانایی روش طیف سنجی Vis/NIR بازتابی به منظور سنجش و پیش بینی مقدار کربن آلی نمونه های خاک، در هفت تیمار رطوبتی و همچنین اثر پیش پردازش های گوناگون طیفی در دقت مدل های چندمتغیره پیش بینی کننده، مطالعه شد. مواد و روش ها: طیف گیری از نمونه های خاک در هفت تیمار رطوبتی، در مد اندازه گیری برهم کنش و محدوده طیفی 350-2500 نانومتر و به صورت تماسی، از پنج ناحیه متفاوت انجام شد. داده های طیفی به دست آمده از اسپکترومتر، افزون بر اطلاعات نمونه، شامل اطلاعات ناخواسته پس زمینه و نویزها نیز می شوند. به همین دلیل برای دستیابی به مدل های واسنجی پایدار و دقیق و مورد اعتماد، به پیش پردازش داده های طیفی پیش از تدوین مدل های رگرسیون نیاز است. بدین منظور، این پردازش ها برای سنجش و پیش بینی مقدار کربن آلی خاک انجام شد: تدوین مدل های واسنجی چندمتغیره رگرسیون حداقل مربعات جزئی (PLS) برپایه اندازه گیری های مرجع و اطلاعات طیف های پیش پردازش شده، با ترکیب روش های گوناگون هموارسازی (میانگین گیری متحرک (MA)، ساویتزکی – گولای (SG))، نرمال سازی (تصحیح پخش افزاینده (MSC)، توزیع نرمال استاندارد (SNV)) و افزایش قدرت تفکیک طیفی (مشتق های اول و دوم (D 1 و D 2 )). نتایج و بحث: نتایج نشان داد که از روش طیف سنجی می توان برای سنجش مقدار کربن آلی خاک بهره برد. مدل PLS، برپایه ترکیب SG+MSC، بهترین پیش بینی را در مقدار کربن آلی (OC) نمونه های خاک داشت؛ به گونه ای که پیش پردازش SG+MSC (81/0R 2 c =، 239/0RMSEC=، 79/0R 2 p =، و 252/0RMSEP=) با دقت مناسبی (17/2SDR=) توانست مقدار OC را پیش بینی کند. بررسی نتایج نشان داد که با افزایش رطوبت، مقدار بازتاب کاهش پیدا می کند و از توانایی مدل PLS برپایه روش های گوناگون پیش پردازش در سنجش مقدار کربن آلی نمونه ها کاسته می شود. همچنین مقادیر شاخص های تعیین شده و معیارهای اعتبارسنجی نشان داد که مدل PLS برپایه ترکیب های SG+D1+MSC، SG+MSC، SG+MSC، SG+D1+MSC، SG+SNV و SG+SNV بهترین نتایج پیش بینی مقدار کربن آلی را به ترتیب، برای تیمارهای رطوبتی 6، 12، 18، 24، 30 و 36% دارد. نتیجه گیری: طیف سنجی Vis/NIR را می توان، به منزله روشی جایگزین برای روش های مرسوم آزمایشگاهی، در تعیین مقدار کربن آلی خاک به کار برد. نتایج پژوهش ها حاکی از آن است که استفاده از طیف سنجی Vis/NIR در تعیین مقدار کربن آلی خاک می تواند، در مدیریت موضعی مزارع، مورد توجه قرار گیرد و این کار به صرفه جویی در نهاده ها و کاهش فشار بر محیط زیست منجر می شود.