سنجش از دور و GIS ایران

سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهه گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده ها و همچنین در توسعه و اجرای روش های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینه فنّاوری سنجش از دور ابرطیفی، بر طبقه بندی این تصاویر تأکید دارد. روش های طبقه بندی تصاویر ابرطیفی در دو دسته طبقه بندی طیفی یا مبتنی بر پیکسل و طبقه بندی طیفی– مکانی یا مبتنی بر شیء قرار می گیرند. در این تحقیق، به طبقه بندی طیفی – مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط های شهری، از نظر عناصر به کاررفته در آنها، ویژگی های پیچیده ای دارند، داده های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازنده آنها کمک مؤثری می کنند. شناسایی مواد گوناگون در محیط های شهری اهمیت بسیاری در زمینه کاربردهای گوناگون، همچون ارتباط تلفن های همراه، واقعیت مجازی، معماری و مدل سازی شهری و برنامه ریزی و مدیریت شهرها دارد.مواد و روش ها: در این تحقیق، برای ارزیابی روش پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزه سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم PCA کاهش می یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش یافته استخراج می شود. در ادامه، الگوریتم ژنتیک وزن دار بر ویژگی های طیفی و مکانی به دست آمده اعمال می شود و در انتها، ویژگی های حاصل به کمک الگوریتم MLP طبقه بندی می شود.نتایج و بحث: در آزمون های انجام شده در زمینه الگوریتم ژنتیک، کروموزوم ها دارای ژن هایی برابر با تعداد ویژگی های طیفی و مکانی اند. در این آزمون ها، میزان تقاطع و جهش به ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحله 100 نمی رسد و قبل از آن، الگوریتم به وضعیت پایدار می رسد و متوقف می شود. الگوریتم طبقه بندی MLP با سه لایه پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش طبقه بندی پیشنهادی بیان شده با الگوریتم های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشه حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم ها مناطق یکنواخت تری را دربرمی گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به ترتیب الگوریتم های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می تواند استفاده از اطلاعات نزدیک ترین همسایگی و دو مرحله کاهش ابعاد باشد.نتیجه گیری: در این تحقیق، روشی جدید به منظور طبقه بندی طیفی – مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش یافت و ده ویژگی، به منزله اطلاعات نزدیک ترین همسایگی ها، از باندهای کاهش یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن دار روی ویژگی های به دست آمده، به منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی که در الگوریتم ژنتیک وزن دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش ها برتری کمّی و کیفی به کارگیری این روش را نشان می دهد. کم بودن دقت نتایج در تصویر برلین می تواند به دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.

سابقه و هدف: تعیین نحوه اثرگذاری محتوای بیوشیمیایی برگ در بازتاب و رفتار طیفی آن، ازطریق سنجش از دور، می تواند به درک فرایند اکوسیستم و پارامترهای آن، همچون تنش آبی گیاه، کمک شایان توجهی کند. ویژگی های نوری تاج پوشش بسیار تحت تأثیر ویژگی های نوری برگ ها و خاک زمینه است. همچنین به دلیل دردسترس نبودن اطلاعات دقیق درباره ویژگی های نوری برگ ها، تفسیر اطلاعات طیفی را که ازطریق سنجش از دور گرد می آیند، با محدودیت هایی روبه رو کرده است. ساختار داخلی برگ میزان انعکاس و عبور را در کل طیف الکترومغناطیس، کنترل می کند اما، برای کسب اطلاعات دقیق و توصیف جامع درباره ویژگی های نوری برگ، مدل های فیزیکی توسعه یافته اند. مدل های برگشت پذیر همانند PROSPECT علاوه بر محاسبه پاسخ طیفی برگ، امکان محاسبه مقدار کمّی ویژگی های درونی برگ، مانند میزان کلروفیل، محتوای آب و ساختار برگ را فراهم می کنند. با استفاده از ویژگی برگشت پذیری، می توان براساس طیف جمع آوری شده ازطریق سنجنده ها، کمّیت آب برگ ها و زیست توده آنها را مشخص کرد. بنابراین استفاده از این مدل ها و تلفیق آن با داده های دورسنجی که برای گیاه غیرتخریبی است، امکان پایش در بُعد زمان و مکان را فراهم می آورد و می تواند راه گشای مطالعات و مدل سازی های مرتبط با ویژگی های درونی برگ گیاهان باشد.مواد و روش ها: در این پژوهش، اثر کمّی متغیرهای بیوفیزیکی – بیوشیمیایی برگ شامل محتوای کلروفیل برگ، ساختار برگ و محتوای آب آن در میزان بازتاب تحلیل شده است. برای این منظور، مدل انتقال تابش PROSPECT که برای شبیه سازی رفتار طیفی برگ گیاهان توسعه داده شده، به کار رفته است. در نتیجه، تأثیر کمّیت پارامترهای برگ شامل کلروفیل، محتوای آب و ساختار برگ در شکل منحنی طیفی برگ بررسی شده است. روش کار بدین ترتیب است که به منظور مطالعه تأثیرات ناشی از هریک از پارامترها، دو پارامتر دیگر ثابت در نظر گرفته می شوند و با تغییر مقدار پارامتر مورد نظر، منحنی های طیفی متناظر با مقادیر انتخاب شده، با به کارگیری مدل PROSPECT استخراج می شود. با مقایسه منحنی های حاصل و تحلیل آنها، تأثیر پارامتر مورد نظر در بازتاب طیفی برگ مطالعه و بررسی می شود.نتایج و بحث: نتایج تحقیق حاکی از آن است که افزایش کلروفیل، با اثر در کاهش انعکاس، به افزایش میزان شاخص های گیاهی مثلثی منجر می شود. براساس ساختار برگ و لایه های داخلی، در محدوده فروسرخ نزدیک، امکان تشخیص گیاهان تک لپه ای، دولپه ای و نیز گیاهان پیر وجود دارد. همچنین در محدوده فروسرخ نزدیک، میزان انعکاس در گیاهان پیر، گیاهان دولپه ای و تک لپه ای به ترتیب کاهش می یابد. در محدوده فروسرخ نزدیک، در گیاهان دولپه ای که دارای پارانشیم اسفنجی اند، بیشتر از گیاهان تک لپه ای انتظار بازتاب می رود. گیاهان تک لپه ای، به دلیل بازتاب کمترشان در محدوده 1400 تا 1900 نانومتر، از سایر گیاهان تفکیک پذیرند. اثرگذاری محتوای آب در بازتاب طیفی برگ از طول موج 1000 نانومتر آغاز می شود و تا پایان محدوده انعکاسی، 2500 نانومتر، ادامه دارد و با افزایش محتوای آب، کاهش بازتاب رخ می دهد. خشک شدن گیاه، تا مراحلی، تأثیر چندانی در بازتاب ندارد ولی خشکیدن آب برگ، بیشتر از مقداری معین (03/0 تا 04/0 گرم بر سانتی متر مربع) باعث افزایش چشمگیر بازتاب، به ویژه خارج از باندهای جذبی آب می شود. بنابراین با پیداکردن نقاط بحرانی منحنی بازتاب در مقابل محتوای آب می توان به تشخیص تنش های شدید آبی در گیاهان کمک کرد. با بررسی نمودارها می توان پی برد که نقطه بحرانی در حوالی محتوای آب 03/0 تا 04/0 گرم بر سانتی متر مربع اتفاق می افتد.نتیجه گیری: با یافتن نقاط بحرانی منحنی بازتاب در مقابل محتوای آب، می توان تنش های شدید آبی در گیاهان را تشخیص داد. در مدل PROSPECT، اثر خاک زمینه در بازتاب طیفی گیاهان در نظر گرفته نمی شود؛ بنابراین استفاده از مدل هایی مانند SAIL و SLC پیشنهاد می شود که برای این منظور ارتقا یافته اند. همچنین با توجه به اینکه خروجی مدل PROSPECT منحنی طیفی برگ گیاه است، می توان استفاده از مد ل های انتقال تابش تاج پوشش گیاه، مانند مدل SAIL و SLC را نیز بررسی کرد.

سابقه و هدف: پایش خشکسالی به دلیل تأثیرات گسترده آن در اقتصاد، محیط زیست و جامعه، مسئله ای حیاتی است. برای پایش دقیق خشکسالی، داده های جامع و یکپارچه هواشناسی و هیدرولوژیکی ضروری است؛ به ویژه در مناطقی مانند استان سیستان و بلوچستان که با خشکسالی شدید مواجه است. مطالعات اقلیمی نشان می دهد که استان سیستان و بلوچستان، به دلیل عوامل اقلیمی مانند بارندگی اندک، تبخیر بالا، بادهای شدید و پوشش گیاهی محدود، به منطقه ای خشک و بسیار مستعد خشکسالی های طولانی مدت تبدیل شده است.مواد و روش ها: در این پژوهش، برای ارزیابی جامع خشکسالی در استان سیستان و بلوچستان، از داده های ماهواره ای مادیس و گریس بهره گرفته شد و شاخص پوشش گیاهی VHI برای پایش تغییرات پوشش گیاهی و شاخص TSDI برای تحلیل تغییرات منابع آب زیرزمینی به کار رفت. برای اعتبارسنجی نتایج، داده های رطوبت خاک GLDAS به منزله داده مرجع در نظر گرفته شد. با توجه به محدودیت های داده ای گریس، دوره مشترک شانزده ساله (2002-2017) برای تحلیل انتخاب شد. همچنین، برای بررسی روندهای بلندمدت خشکسالی، شاخص SPEI طی دوره سی ساله (1987-2018) محاسبه شد.نتایج: از لحاظ جغرافیایی، نقشه های VHI نشان داد استان سیستان و بلوچستان، در تمامی سال ها، با خشکسالی متوسط و ملایم روبه رو بوده و در سال های منتهی به دوره مطالعاتی، بر شدت خشکسالی ها افزوده شده است. به منظور پایش خشکسالی هیدرولوژیکی، از محصول ماهواره ای گریس استفاده شده است که تغییر در مقدار آب زمینی را اندازه گیری می کند. نتایج مطالعه شاخص TSDI مفهوم کمّی خشکسالی را پوشش می دهد. این شاخص، با هدف پایش خشکسالی هیدرولوژیکی، در تمامی حوضه های آبریز درجه 3 (پنجاه حوضه) محاسبه شد. فرایند پایش خشکی، در گام نخست، با محاسبه کسری خشکسالی به منزله ماه هایی با TWSA منفی به صورت چهار ماه متوالی تعریف شد. نتایج میزان افزایش کسری خشکسالی، از جنوب به شمال استان مورد مطالعه را به خوبی به نمایش گذاشته است. تمامی حوضه ها، تقریباً از 2011، با کسری های بزرگی مواجه بودند. این مطالعه، ازطریق برآورد کسری و کاهش ذخیره کلی آب زمینی در ماه آوریل، نشان داد تمامی حوضه ها، در سال های منتهی به پایان دوره مطالعاتی، شاهد کمبود ذخیره آب، آن هم در محدوده خطرناک و استثنایی بوده اند.نتیجه گیری: نتایج حاصل از VHI نشان داد که استان مورد مطالعه، در سال های اخیر، دچار خشکسالی گسترده ای شده است. مناطق جنوبی و مرکزی استان با کلاس های شدیدتر خشکسالی مواجه بوده اند. تحلیل نمودارهای شاخص خشکسالی، در کلاس های متفاوت شدت خشکسالی، تأیید می کند که همه حوضه های آبریز با شرایط خشکسالی، به ویژه در سال های اخیر، روبه رو بوده اند. داده ها نشان می دهند که استان با بحران شدید آب مواجه است. اقدامات فوری و هماهنگ برای مقابله با این چالش ضروری است.

سابقه و هدف: تعیین مقدار ضریب رواناب یکی از بزرگ ترین مشکلات و منبع اصلی فقدان اطمینان در بسیاری از پروژه های منابع آب است. در بیشتر پژوهش هایی که در زمینه منابع آب انجام می شود، مقادیر ضریب رواناب از جدول های مقادیر با توجه به شرایط منطقه مورد مطالعه برداشته می شود. نگرانی اصلی، در این روش، انتخاب مقادیری است که به صورت ذهنی طبق روشی مبهم انتخاب می شوند و قضاوتی شخصی را درباره داده های مفید منعکس می کنند؛ ازاین رو برای تعیین ضریب رواناب باید روشی مناسب انتخاب شود.مواد و روش ها: به منظور اجرای این پژوهش، از داده هایی شامل اطلاعات مدل رقومی ارتفاعی، کلاس های کاربری اراضی، بافت خاک و آمار هواشناسی و هیدرولوژیکی (بارش و رواناب) مرتبط با منطقه مورد پژوهش، طی دوره آماری بیست ساله ای (1380-1400)، استفاده شد. با استفاده از نقشه کاربری اخذ شده اراضی، نقشه کاربری اراضی محدوده در نُه کاربری طبقه بندی شد. همچنین برای تهیه نقشه گروه های هیدرولوژیکی خاک، نقشه بافت خاک در عمق 200سانتی متری محدوده مطالعاتی سلسله به کار رفت و با توجه به نوع بافت خاک، گروه هیدرولوژیکی خاک مختص هر محدوده استخراج شد. در نهایت، گروه هیدرولوژیک خاک در سه دسته (A,B,C) قرار گرفت. نقشه لایه کاربری اراضی و گروه های هیدرولوژیکی خاک وارد محیط ابزار Arc CN – Runoff شد و در نهایت، عملیات تلفیق روی دو لایه اعمال و لایه کاربری اراضی – گروه هیدرولوژیکی (Land Soil) تهیه شد؛ این لایه جدید فقط سطح پوشیده شده با دو لایه را نشان می دهد و نقشه شماره منحنی رواناب، نگهداشت سطحی خاک، حجم، ارتفاع و ضریب رواناب براساس این لایه تهیه می شود. در نهایت، مقدار ضریب رواناب در سه حالت وضعیت رطوبتی خشک، متوسط و مرطوب برآورد شد و مقایسه ای صورت گرفت.نتایج: نتایج پژوهش نشان داد، در محدوده مطالعاتی سلسله، میزان ضریب رواناب (CR) در سه حالت وضعیت رطوبتی خشک، متوسط و تر، به ترتیب برابر با 26/0، 53/0 و 77/0 است. بنابراین حالت رطوبتی خشک، در قیاس با متوسط، 68% کاهش و حالت رطوبتی تر، در مقایسه با متوسط، 37% افزایش داشته است. بررسی همبستگی بین ضریب رواناب و مشخصات محدوده مطالعاتی نشان داد که در محدوده مطالعاتی سلسله، ضریب رواناب تحت تأثیر شش ویژگی فیزیوگرافی محدوده مطالعاتی مساحت، شیب، طول آبراهه و ضریب گراولیوس، حداکثر ارتفاع و تراکم آبراهه ای است. مقدار شماره منحنی رواناب (CN) در حالت رطوبتی خشک، متوسط و تر برای کل محدوده، به ترتیب برابر با 65، 81 و 92 برآورد شد. میزان نگهداشت سطحی خاک (S) در حالت رطوبتی خشک، متوسط و تر، درمورد کل محدوده، به ترتیب برابر با 74/138، 60/59 و 42/23 میلی متر به دست آمد. میزان ارتفاع رواناب (Q) در حالت رطوبتی خشک، متوسط و تر، درمورد کل محدوده، به ترتیب 78/27، 73/55 و 31/79 میلی متر برآورد شد. میزان حجم رواناب (V) در حالت رطوبتی خشک و متوسط و تر، درمورد کل محدوده، به ترتیب 64/3710، 03/7164 و 46/10070هزار مترمکعب حاصل شد.نتیجه گیری: این شرایط نیازمند اجرای اقدامات اساسی به منظور افزایش پوشش گیاهی، شامل عملیات چاله کندن و جویچه تراز همراه با طرح های افزایش پوشش گیاهی، اغلب به صورت بوته کاری و بذرپاشی گیاهان مرتعی در محدوده است و بارش منطقه می تواند رطوبت کافی را برای موفقیت آنها فراهم کند. استقرار سامانه جمع آوری آب باران نیز، با توجه به نفوذپذیری کم خاک منطقه، می تواند مؤثر باشد و از آن در افزایش پوشش گیاهی و دیگر مصارف استفاده شود.

سابقه و هدف: از مزایای دانش سنجش از دور و طیف سنجی مرئی – فروسرخ نزدیک، سرعت و سادگی و هزینه اندک آن، در مقایسه با روش قدیمی است. سنجش از دور دانش گردآوری داده ها، با حداقل تماس مستقیم فیزیکی با اشیای مورد اندازه گیری است. طیف سنجی مرئی – فروسرخ نزدیک دامنه ای از جذب را با سرعت آنالیز بالا، در مقایسه با روش سنتی، برآورد می کند. هدف از این تحقیق به کاربردن داده های ماهواره لندست 8 و طیف فروسرخ نزدیک، در کاربری های کشاورزی و جنگل در دشت گیان نهاوند، استان همدان، برای تخمین کربنات کلسیم خاک است.مواد و روش ها: 48 نمونه خاک از عمق 30- 0 سانتی متری برداشته و سپس هواخشک، و از الک دومیلی متری عبور داده شد. برخی ویژگی های فیزیکی و شیمیایی خاک ها اندازه گرفته شد. به منظور مطالعات سنجش از دور، تصویر لندست 8 متعلق به تاریخ نمونه برداری (سپتامبر 2019) به کار رفت. مقادیر محاسبه شده هریک از قطعات نمونه در محیط ERDAS imagine 9.1 ایجاد شد. ارزش هر باند، برای 48 نقطه، در محیط اکسل وارد و در نهایت، مراحل توصیف های آماری متغیرها انجام شد. در روش سنجش از دور، انعکاس طیفی نمونه ها روی ده باند اصلی استخراج و پردازش شد. سپس همبستگی بین ارزش باندهای اصلی، ترکیب باندها، و شاخص های کلسیت با مقدار کلسیت خاک انجام شد. با برازش انواع رگرسیون های چندمتغیره بدون حذف داده های پرت، بهترین مدل انتخاب شد. آنالیز طیفی خاک های مورد نظر با استفاده از دستگاه طیف سنج زمینی، با دامنه طول موج 2500-350 نانومتر، انجام شد. پس از ثبت طیف ها، انواع روش های پیش پردازش مورد ارزیابی قرار گرفت. همبستگی پیرسون و رگرسیون خطی در محیط SPSS 24.1 سنجیده شد.نتایج و بحث: نتایج آزمایشگاهی نشان داد که میانگین کربنات کلسیم خاک، در کاربری کشاورزی و جنگل، به ترتیب 30 و 22/22% است. طبق نتایج، باندهای 10 و 11 رابطه معنی داری با کلسیت خاک در کاربری جنگل داشته اند (05/0>p). دوازده ترکیب باندی در سطح 5% و شش ترکیب باندی در سطح 1% با میزان کلسیت خاک، ارتباط معنی داری نشان دادند. همچنین شاخص R1 ((باند 2/ باند 5)/(باند 4/ باند 5))، با کلسیت خاک، رابطه معنی داری داشت (05/0>p). رگرسیون بین کلسیت محاسبه شده در آزمایشگاه و معادله حاصل از تصویر ماهواره ای، در کاربری های کشاورزی، برابر (45/0=r2) به دست آمد. در روش طیف سنجی، بیشترین همبستگی در طول موج 612 نانومتر (**85/0=r2) مشاهده شد. براساس مدل سازی با رگرسیون حداقل مربعات جزئی (PLSR)، مقدار ضریب تبیین در گروه کالیبراسیون درمورد کلسیت 8/0 و مقادیر RMSE برابر با 8/4%، مقدار ضریب تبیین در گروه اعتبارسنجی برابر با 5/0 و مقدار RMSE برابر با 8/7% محاسبه شد. از بین مدل های برازش یافته با رگرسیون چندمتغیره، در تصاویر ماهواره ای، مدل SMLR برای برآورد کلسیت مناسب به نظر می رسد. مدل رگرسیونی حداقل مربعات جزئی، برای برآورد کلسیت به روش طیف سنجی نیز، تقریباً مناسب بوده است.نتیجه گیری: نتایج کلی نشان داد که مدل برآوردشده از روش آماری رگرسیون، در سنجش از دور، توانسته است میزان کلسیت خاک را در اراضی کشاورزی برآورد کند و میزان به دست آمده براساس روش سنجش از دور و آزمایشگاه اختلاف ناچیزی با یکدیگر دارند. بنابراین می توان گفت روش سنجش از دور، در برآورد کلسیت خاک، موفق بوده است. نتایج طیف سنجی نیز نشان داد که مدل PLSR، در برآورد مقدار کلسیت خاک، مدل مناسبی است؛ به شرط آنکه تعداد نمونه ها بیشتر باشد. در برآورد کلی، می توان نتیجه گرفت روش طیف سنجی مرئی – فروسرخ نزدیک دارای صحت بیشتری از روش سنجش از دور و تیتراسیون است؛ منتها به تعداد نمونه های بیشتری نیاز دارد. توصیه می شود، برای افزایش صحت کار، تعداد نمونه های طیف سنجی افزایش یابد و برای مقایسه بهتر بین دو کاربری نیز، تعداد نمونه های انتخابی برابر باشد.

سابقه و هدف: درحال حاضر یکی از مهم ترین مسائل محیط زیستی جهان تغییرات کاربری اراضی و افزایش ناپایداری در اکوسیستم های طبیعی و مناطق تحت حفاظت است. جنگل های مانگرو در مناطق ساحلی گرمسیری رشد می کنند و یکی از آسیب پذیرترین و درمعرض خطرترین اکوسیستم های جهان شمرده می شوند. تغییرات کاربری اراضی به طورکلی در یکپارچگی این اکوسیستم های طبیعی تأثیر می گذارد و همچنین به تغییرات زیستگاه منجر می شود و تهدیدی برای زندگی گیاهان و حیوانات به شمار می رود. پیامدهای مستقیم این تغییرات و تأثیرات ناشی از آن شامل کاهش سلامت و مساحت جنگل های مانگرو، تشدید گرمایش جهانی و تغییرات اقلیمی، کاهش کیفیت آب ساحلی، کاهش تنوع زیستی، تکه تکه شدن زیستگاه های ساحلی و همچنین تخریب منابع زیستی خواهد بود. بنابراین پایش مکانی – زمانی تغییرات کاربری اراضی و مدل سازی و پیش بینی روند این تغییرات می تواند به مدیریت یکپارچه و برنامه ریزی صحیح درمورد جنگل های مانگرو کمک کند. بر این اساس، در مطالعه حاضر، تغییرات مکانی – زمانی کاربری های اراضی جنگل های مانگرو خمیر و قشم طی سال های 1989-2023 بررسی شد. علاوه براین به منظور مدل سازی و پیش بینی روند این تغییرات، مدل ترکیبی CA-ANN براساس متغیرهای توصیفی ارتفاع، شیب، تراکم جمعیت، فاصله از سکونتگاه ها مرکز شهر و جاده ها، برای سال 2060 مورد بررسی قرار گرفت.مواد و روش ها: جنگل های مانگرو خمیر و قشم (منطقه حفاظت شده حرا)، با مساحت 86,258 هکتار، در استان هرمزگان واقع شده است. در این مطالعه، تغییرات مکانی – زمانی کاربری های اراضی این منطقه، با استفاده از مجموعه تصاویر ماهواره ای لندست (1989-2023) در سامانه تحت وب گوگل ارث انجین (GEE) بررسی شد. علاوه براین، به منظور مدل سازی و پیش بینی این تغییرات، مدل ترکیبی شبکه عصبی مصنوعی و اتومای سلولی (CA-ANN)، براساس متغیرهای توصیفی ارتفاع، شیب، تراکم جمعیت، فاصله از سکونتگاه ها و مرکز شهر و جاده ها، بررسی شد و نقشه روند احتمالی تغییرات کاربری اراضی، برای سال 2060 نیز تهیه شد. در نهایت، با استفاده از مدل رگرسیونی حداقل مربعات معمولی (OLS)، میزان تأثیرگذاری این متغیرها در روند تغییرات کاربری های اراضی منطقه تحلیل شد.نتایج و بحث: مطابق نتایج، جنگل های مانگرو خمیر و قشم در سال 2023، در مقایسه با سال 1989، روندی کاهشی را نشان می دهند. نتایج پیش بینی تغییرات کاربری اراضی نیز نشان داد، در سال 2060، پهنه های جزرومدی و اراضی لخت افزایش و در مقابل، جنگل های مانگرو و پهنه های آبی کاهش خواهند یافت. همچنین بیشترین تغییرات به کاهش جنگل های مانگرو (در مناطق شمالی و جنوب شرق منطقه) و افزایش سایر مناطق غیرطبیعی (پهنه های جزرومدی و اراضی لخت در محدوده بندر خمیر، در شمال و شمال شرق منطقه و همچنین حاشیه روستاهای لافت تا گوران) بازمی گردد و با توجه به مقادیر احتمال انتقال، پوشش های جنگلی مانگرو مستعد تبدیل شدن به سایر مناطق غیرطبیعی هستند . برمبنای نتایج تحلیل مدل رگرسیونی نیز، عمده ترین متغیرهای توصیفی تأثیرگذار در تغییرات کاربری اراضی شامل فاصله از سکونتگاه ها و جاده ها است، زیرا در این رویشگاه های طبیعی، دسترسی و امکان توسعه فعالیت های انسانی بیشتر است. در این زمینه، تداوم افزایش تغییرات کاربری های اراضی، در جنگل های مانگرو خمیر و قشم، به نابودی و انقراض گستره وسیعی از این ذخایر ارزشمند زیستی در جنوب کشور منجر می شود. نتیجه گیری: با توجه به اینکه جنگل های مانگرو در خمیر و قشم جزء مناطق حفاظت شده محیط زیست و مرزهای مدیریتی محسوب می شوند، اجرای پروژه های پیشنهادی و احداث هرگونه زیرساخت و توسعه در این منطقه باید با توجه به طرح های مدیریتی (زون بندی) و ارزیابی های زیست محیطی انجام شود. از سویی، تغییرات کاربری ها باید در خارج از مرز مدیریتی منطقه محدود شود تا کاهش یکپارچگی و ازهم گسیختگی زیستگاه، در این رویشگاه های طبیعی، به حداقل برسد. بر این اساس، کاهش تأثیرات نامطلوب ناشی از تغییرات کاربری اراضی، در این منطقه، نیازمند برنامه ریزی مناسب و مدیریتی یکپارچه در بهره وری صحیح از این منابع طبیعی است. یافته های این مطالعه می تواند به ذی نفعان نیز، در ایجاد فرصتی برای توسعه راهبردهای مناسب به منظور حفاظت از جنگل های مانگرو خمیر و قشم و احیای این رویشگاه ها، یاری رساند.

سابقه و هدف: ازدست دادن تنوع زیستی تهدیدی جهانی برای انسان ها محسوب می شود. برای مقابله با این تهدیدها، سازمان های جهانی محیط زیستی اهداف و برنامه های استراتژیک ویژه ای را در قالب چارچوب جهانی تنوع زیستی کونمینگ – مونترال، به منظور درک چگونگی تغییرات تنوع زیستی در طول زمان و شناسایی عوامل تأثیرگذار در آنها، تصویب کردند. بدین منظور ابزارهای مدل سازی تنوع زیستی، به ویژه مدل های مطلوبیت زیستگاه (توزیع گونه ای) که از پرکاربردترین روش های شناخته شده برای مطالعات تنوع زیستی محسوب می شوند، نقشی اساسی دارند. با وجود پیشرفت های شگرف در توسعه روش های مدل سازی در کنار دسترسی روزافزون به داده های مکانی، مدل های فعلی در پیش بینی دقیق وضعیت و تغییرات تنوع زیستی محدودیت های جدی دارند؛ این مسئله به ناممکن بودن ایجاد چارچوبی مناسب برای پایش تنوع زیستی در طول زمان منجر می شود. یکی از مهم ترین محدودیت های کاربردی این مدل ها ناسازگاری داده های ثبت شده، به لحاظ فراوانی و گستره مکانی حضور گونه ها در بازه های زمانی متفاوت است. این شرایط امکان توسعه مدل های مکانی – زمانی را که در درک پویایی و تغییرات توزیع جغرافیایی گونه ها طی زمان ضروری اند، محدود می کند. هدف از این مطالعه بیان راه حلی برای غلبه بر مشکلات ناسازگاری داده های تنوع زیستی در طول زمان، و توسعه فرایند محاسباتی برای مدل سازی مکانی – زمانی مطلوبیت زیستگاه و سپس کمّی سازی تغییرات در توزیع مکانی است.مواد و روش ها: در این مطالعه، برای توسعه مدل مکانی – زمانی تنوع زیستی، از داده های حضور گونه نوعی بز کوهی (Hippotragus equinus) استفاده شد. داده های سری زمانی بلندمدت حضور این گونه بین سال های ۱۹۰۱ تا ۲۰۲۰ از پایگاه داده جهانی GBIF، به منظور توسعه مدل های مکانی – زمانی، و همچنین داده های سری زمانی تنوع زیستی (فراوانی گونه) در پایگاه های اطلاعاتی LPI و BioTime برای اعتبارسنجی ارزیابی تغییرات تنوع زیستی به کار رفت. به علاوه، داده های اقلیمی از پایگاه داده CRUTS استخراج شدند که براساس آنها، لایه های اطلاعاتی نوزده گانه زیست اقلیمی به صورت سالیانه تولید شد. پس از پاک سازی و آماده سازی داده های گونه و انتخاب متغیرهای مناسب در حین آزمایش چندخطی گری، داده های سری زمانی به صورت یکپارچه در جدول داده واحد یا استخر داده گردآوری شدند. در این رویکرد، داده های حضور گونه متعلق به هر سال به اطلاعات اقلیمی همان سال و مکان پیوند داده شد. سپس برای توسعه مدل مکانی – زمانی و به منظور بهبود کارآیی و کاهش عدم قطعیت مدل ها، ده الگوریتم مرسوم یادگیری ماشینی انتخاب و مدل های مکانی – زمانی کالیبره شدند. پس از اعتبارسنجی مدل ها، الگوی مکانی توزیع گونه با ترکیب پیش بینی های حاصل از مدل های گوناگون، با استفاده از میانگین گیری وزنی (انسمبل) برای هر سال، پیش بینی شد؛ این کار به تولید سری زمانی ۱۲۰ساله شامل پیش بینی های توزیع مکانی گونه ای منجر شد. در گام بعدی، با استفاده از تابع تخمینگر شیب سن، روند تغییرات مطلوبیت زیستگاهی در طول ۱۲۰ سال در هر پیکسل محاسبه شد.نتایج و بحث: نتایج اعتبارسنجی مدل ها نشان داد که تمامی روش های مدل سازی از عملکرد بسیار خوبی برخوردار بودند؛ به گونه ای که شاخص AUC برای این مدل ها بین 996/0 و 926/0 محاسبه شد. تحلیل نقشه های روند تغییرات تنوع زیستی در طول زمان نشان داد که در عرض های جنوبی، احتمال حضور گونه به تدریج کاهش یافته است؛ درحالی که در کمربند میانی افریقا، افزایش احتمال حضور این گونه مشاهده می شود. صحت سنجی نتایج، با استفاده از داده های سری زمانی توزیع و فراوانی گونه از منابع BioTime و LPI، نشان داد که به ترتیب در 88% و 84% نقاط کاهش مطلوبیت زیستگاهی، مدل با داده های واقعی هم پوشانی دارد؛ این مسئله دقت بالای مدل را در پیش بینی توزیع و تغییرات گونه ای در طول زمان تأیید می کند.نتیجه گیری: راه حل ارائه شده در این مطالعه، افزون بر اینکه امکان مدل سازی مکانی – زمانی برای تحلیل الگوهای توزیع گونه ها و تغییرات آنها را فراهم می آورد، با افزایش دقت در کمّی سازی آشیان بوم شناختی، به بهبود پیش بینی الگوهای توزیع مکانی و کاهش عدم اطمینان در ارزیابی ها کمک می کند. این رویکرد با ارتقای پوشش و اندازه نمونه ها، چالش های در زمینه ناسازگاری زمانی داده ها را حل می کند و استفاده بهینه از تمامی رکوردهای اطلاعاتی موجود را ممکن می سازد. این مطالعه بر اهمیت بُعد زمانی در مدل های توزیع گونه ای تأکید دارد و این رویکرد، به ویژه در مناطقی با تغییرات اقلیمی بیشتر، از اهمیت فراوانی برخوردار است و می تواند در راستای اهداف توسعه پایدار، حفاظت از تنوع زیستی و چارچوب جهانی KM-GBF به مدیران برای تصمیم گیری حفاظتی کمک کند. 

سابقه و هدف: تشخیص تغییرات، در داده های سنجش از دور، وظیفه ای بسیار مهم در علوم محیط زیست، مدیریت منابع طبیعی، برنامه ریزی شهری و مدیریت بحران هاست. با وجود پیشرفت های اخیر در این زمینه، بسیاری از روش های موجود صرفاً به چالش های خاصی می پردازند و قادر به دادن راه حلی جامع، برای انواع متفاوت داده ها و کاربردها نیستند. این محدودیت ها شامل ناتوانی در مدیریت داده های چندطیفی، فراطیفی و راداری، و نیز ناتوانی در بیان نتایج دقیق و سریع با استفاده از پردازش موازی و بهینه سازی منابع پردازشی می شود. علاوه براین، روش های فعلی اغلب به تشخیص تغییرات باینری محدود می شوند و قادر به شناسایی دقیق نوع ویژگی های تغییریافته نیستند. بنابراین هدف اصلی این تحقیق توسعه روشی نوآورانه و جامع برای تشخیص تغییرات است که بتواند این محدودیت ها را برطرف کند و در دنیای واقعی، کاربردهای مؤثری داشته باشد.مواد و روش ها: در این مطالعه، روش جدیدی مبتنی بر ترکیب شبکه ترانسفورمر و مدل توجه خودکار مطرح می کنیم که قادر به پردازش و تحلیل داده های سنجش از دور، با دقت و کارآیی بالاست. این روش از داده های چندطیفی، فراطیفی و راداری بهره می برد که از ماهواره های سنتینل – 2، QuickBird و TerraSAR-X به دست آمده اند. این داده ها در بازه های زمانی متفاوتی جمع آوری شده و شامل اطلاعات گوناگون، ازجمله تغییرات پوشش گیاهی، کاربری زمین و تغییرات ساختاری اند. روش پیشنهادی از تکنیک های ادغام ویژگی ها بهره می برد که با استفاده از لایه های کانولوشن و ترانسفورمر، اطلاعات موجود در داده ها را ترکیب می کند و دقت تشخیص تغییرات را افزایش می دهد. علاوه براین استفاده از مکانیسم توجه فضایی به شناسایی روابط مکانی بین ویژگی ها کمک می کند و با تمرکز بر نواحی کلیدی، دقت تشخیص تغییرات را بهبود می بخشد. شبکه مبتنی بر ترانسفورمر که برای تعیین شباهت توسعه یافته است، با مکانیسم های توجه خودکار تقویت شده که امکان دریافت روابط پیچیده بین ویژگی ها را در دنباله های زمانی فراهم می کند. این ویژگی، به ویژه برای تشخیص تغییرات جزئی که ممکن است در سایر روش ها نادیده گرفته شوند، اهمیت دارد. در بستر عملیاتی، روش پیشنهادی روی سیستمی با کارآیی بالا، شامل یک CPU 24 هسته ای Xeon E5-2697 v2، 28 گیگابایت حافظه، دیسک SSD با ظرفیت 200 گیگابایت و یک کارت گرافیک RTX 2080 Ti با 11 گیگابایت RAM و CUDA 11 اجرا و ارزیابی شد.نتایج و بحث: نتایج این تحقیق برتری روش پیشنهادی را در مقایسه با روش های موجود نشان می دهند. ارزیابی ها براساس معیارهای دقت، بازخوانی، F1-score، دقت کلی (OA) و هم پوشانی متقاطع (IoU) انجام شد. این روش توانست، در تمامی این معیارها، عملکردی بهتر از روش های دیگر نشان دهد. به طورخاص دقت کلی افزایش چشمگیری یافت و در برخی مجموعه داده ها، به بیش از 95% رسید. این نتایج حاکی از آن است که روش پیشنهادی نه تنها قادر به تشخیص دقیق تغییرات باینری است بلکه می تواند نوع ویژگی های تغییریافته را نیز با دقت بالا شناسایی کند. این قابلیت ها به دلیل استفاده از تکنیک های پیشرفته یادگیری عمیق و پردازش موازی به دست آمده اند. همچنین استفاده از چارچوب SoFRB باعث بهبود کارآیی روش پیشنهادی شده و امکان پردازش داده های حجیم را، در زمان کمتر، فراهم کرده است. تحلیل های ما بیان می کند که روش پیشنهادی می تواند، با مجموعه داده های متفاوت، انطباق بالایی نشان دهد و در شرایط گوناگون کارکرد مؤثری داشته باشد. به علاوه، این روش می تواند ابزار کارآمدی در زمینه های متفاوت، ازجمله نظارت بر محیط زیست، برنامه ریزی شهری، کشاورزی دقیق و مدیریت بحران ها باشد.نتیجه گیری: روش پیشنهادی ترکیبی از تکنیک های مدرن یادگیری عمیق و پردازش موازی است که دقت و کارآیی تشخیص تغییرات در داده های سنجش از دور را بهبود چشمگیری بخشیده است. نتایج این تحقیق نشان می دهد که روش پیشنهادی نه تنها در شرایط آزمایشگاهی بلکه در کاربردهای عملی نیز مورد اعتماد است. به طورخاص این روش می تواند در نظارت بر تغییرات محیط زیست، شناسایی تغییرات در زیرساخت های شهری و مدیریت بحران های طبیعی و انسانی، نقش مؤثری داشته باشد. این نتایج نویدبخش کاربردهای گسترده این روش در حوزه های گوناگون است. همچنین تحقیقات آینده می تواند شامل بهبودهای بیشتری در زمینه های گوناگون، مانند بهینه سازی مدل، استفاده از داده های بیشتر و متنوع تر و بررسی تأثیر استفاده از تکنیک های جدیدتر یادگیری عمیق و پردازش موازی باشد.