سنتینل-2

پژوهش حاضر با هدف پایش روند بیابان زایی در محدوده پیرامونی دریاچه ارومیه در بازه زمانی 2000 تا 2018 میلادی انجام شده است. برای رسیدن به این هدف، نخست هفت فریم از تصاویر سنتینل-2 مربوط به سال 2018 و سه فریم از تصاویر ماهواره لندست 5 مربوط به سال 2000 میلادی با استفاده از نرم افزار QGIS و ENVI 5.3 پیش پردازش و پردازش، و شاخص های معرف بیابان زایی در قالب زوج شاخص های طیفی آلبدو – شاخص پوشش گیاهی تفاضلی نرمال شده، میزان سبزینگی- ضریب روشنایی و میزان رطوبت– ضریب روشنایی استخراج شد. در مرحله بعد روابط آماری موجود بین زوج شاخص های یادشده بررسی شد. براساس نتایج حاصل، زوج شاخص های میزان سبزینگی– ضریب روشنایی و میزان رطوبت– ضریب روشنایی، با کسب همبستگی منفی به مثابه زوج شاخص های معرف بیابان زایی انتخاب و نقشه شدت خطر بیابان زایی برمبنای آنها تهیه شد. برای صحت سنجی نتایج به دست آمده، الگوریتم بیشترین درجه شباهت به کار رفت. الگوریتم یادشده با کسب درجه صحت 96/91 و ضریب کاپای 95/0 برای سال 2000 میلادی، درجه صحت 25/91 و ضریب کاپای 89/0 در سال 2018 نشان دهنده انطباق مناسب نتایج کسب شده با واقعیت های زمینی است. برای پایش روند وقوع پدیده بیابان زایی، تغییر مساحت کلاس های خطر بیابان زایی در محدوده مطالعه شده بررسی شد. براساس نتایج به دست آمده، مساحت کلاس های خطر شدید ( 01/5 درصد)، نسبتاً شدید ( 47/11 درصد) و متوسط (12/6 درصد) رشد مثبت و مساحت کلاس های خطر ضعیف (17/9 درصد) و بدون بیابان زایی ( 43/13 درصد) رشد منفی دارد؛ بنابراین روند افزایشی درصد مساحت کلاس های خطر شدید، نسبتاً شدید، متوسط و کاهش مساحت کلاس های خطر ضعیف و بدون خطر بیابان زایی نشان دهنده روند صعودی وقوع بیابان زایی در محدوده مطالعه شده است. معیار آب زیرزمینی، اقلیم و درصد پوشش گیاهی، مهم ترین عوامل مؤثر در وقوع بیابان زایی در محدوده مطالعه شده است.

در سال های اخیر شاهد تقاضای بالا برای لیتیم به دلیل کاربردهای فراوانش هستیم، به عنوان مثال لیتیم در تولید باتری های قابل شارژ و عمدتاً در بازارهای جهانی ساخت وسایل نقلیه الکتریکی و در راستای دستیابی به محیط زیست سالم و حمل ونقل مناسب به کار می رود، از این رو شناسایی ذخایر لیتیم بسیار مهم است. بهره گیری از داده ها و تکنیک های سنجش از دور در تشخیص منابع لیتیم به دلیل کاهش هزینه های اکتشاف میدانی می تواند مفید واقع شود. در این تحقیق، از تصاویر سنجنده سنتینل-2 در محدوده 12 معدن شناخته شده لیتیم در سراسر جهان، به عنوان مناطق حضور لیتیم، استفاده شد و طی مراحلی، از این داده ها، متغیرهای مناسب برای مدل سازی تولید شد. در محدوده ی این معادن، نمونه هایی تولید و به عنوان ورودی الگوریتم مدل سازی استفاده شدند. برای مدل سازی توزیع نمونه های حضور لیتیم، از الگوریتم بیشینه انتروپی استفاده شد. از آنجا که وجود همبستگی میان متغیرهای ورودی باعث کاهش عملکرد مدل می شود و تفسیر نتایج مدل سازی را دشوار می نماید، ابتدا توسط شاخص VIF، همبستگی میان متغیرهای ورودی محاسبه و متغیرهایی که همبستگی بالایی داشتند حذف شدند. در نهایت یک مدل مناسب با معیار AUC برابر با 0.706 به دست آمد و توسط آن، منطقه مطالعاتی دق پترگان، واقع در استان خراسان جنوبی، ایران پهنه بندی شد که به موجب آن، دو منطقه محتمل حاوی منابع لیتیم شناسایی شدند. سپس با تکنیک های کلاسیک سنجش از دور شامل ترکیب رنگی و نسبت باندی و تجزیه و تحلیل مؤلفه اصلی و SAM نیز پهنه بندی انجام شد. نتایج پهنه بندی بررسی و توانایی بالای الگوریتم بیشینه آنتروپی مشخص شد،  این روش به عنوان یک رویکرد هوشمند و کلّی می تواند در مناطق دور افتاده و یا مناطق با مشکل دسترسی برای پتاسیل یابی های معدنی(خصوصاً لیتیم) به کار برده شود و در کاهش هزینه های نقشه برداری میدانی مفید واقع شود.