وا کاوی تغییرات بیابان زایی با تأ کید بر اقلیم بارش در استان قم

حلبیان, امیرحسین; جمشیدیان, زهره

وا کاوی تغییرات بیابان زایی با تأ کید بر اقلیم بارش در استان قم

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

¹ دانشیار دانشگاه پیام نور

² جغرافیا، دانشکده علوم اجتماعی، دانشگاه پیام نور، اصفهان، ایران

چکیده

بیابان زایی پس از دو چالش تغییر اقلیم و کمبود آب شیرین سومین چالش مهم جهانی در قرن بیست و یکم به شمار میرود. این پدیده حاصل فرایندهایی است که دو عامل تغییرات اقلیمی و رفتار زیست محیطی انسان در زمره ی مهم ترین آ نها محسوب می شود. بنابراین، شناخت و ارزیابی روند بیابان زایی در مدیریت بهینه ی منطق های ضرورتی اجتناب ناپذیر است. بر این اساس، هدف از این پژوهش ارزیابی تغییرات بیابان زایی در استان قم با استفاده از تصاویر ماهواره‌ای لندست، سنجنده‌های 1 TM 5 و 2LDCM 8 در دوره ی آماری (1984 - 2013) و با تأ کید بر فراسنج اقلیمی بارش است. شاخص های مورد استفاده در این پژوهش را نیز شاخص پوشش گیاهی (3 NDVI) و شاخص شوری خاک (s1,s2,s3) تشکیل می دهند. کاربرهای اراضی نیز بر اساس روش طبقه بندی نظارت شده Fuzzy ARTMAP شناسایی و تغییرات کاربری اراضی در بازه ی زمانی (1984 - 2013) بر اساس مدل شبکه ی عصبی مصنوعی (4MLP) در محیط نرم افزار TERRSET ارزیابی گردید. برای بررسی تأثیر بارش بر بیابان زایی از داده های پایگاه بارش جهانی (5GPCC) استفاده و با آزمون منکندال به واکاوی مکانی و زمانی بارش و تحلیل روند سالانه‏‌ی این نهاده‌ی مهم اقلیمی مبادرت ورزیده شد. نتایج این پژوهش نشان داد که اراضی شور و بیابانی نسبت به سال نخست مطالعه 15 % افزایش و پوشش گیاهی 5% کاهش داشته است. بیشینه افزایش اراضی شور در بخش غربی استان قم مشاهده می شود که جایگزین پوشش گیاهی شده است. میزان افزایش اراضی شور و بیابانی در دوره‌ی مورد مطالعه حدود 1751 کیلومتر مربع است. بررسی تغییرات کاربری اراضی نیز آشکار ساخت که اراضی شور و شهری رو به افزایش و پوشش گیاهی، دریاچ هی حوض سلطان، دریاچه‌ی نمک و سایر (اراضی بایر) رو به کاهش است. تحلیل روند مکانی و زمانی بارش سالانه نیز حکایت از روند کاهشی در سطح اطمینان 95 % دارد. نتایج پژوهش حاضر بستری مناسب را برای شناخت و مقابله‌ی شایسته با پدیده ی بیابان زایی در منطقه‌ی مورد مطالعه ارائه می‌دهد.

کلیدواژه‌ها

20.1001.1.23453915.1397.7.2.8.9

عنوان مقاله [English]

Analysis of desertification changes with emphasis on precipitation in Qom province

نویسندگان [English]

Amirhossein Halabian ¹
Zohreh Jamshidian ²

¹ Associate professor, Payame Noor University

² Geography Department, Social science faculty, Payame Noor University, Isfahan, Iran

چکیده [English]

Desertification after climate changes and deficiency of fresh water is the third important global challenge during
the 21st century. This phenomenon is the consequence of a series of processes in which climate change
and human activities are more important factors than others. Therefore, recognition and assessment of the desertification
trend are very important issues for better region management. Hence, the aim of this study is the
assessment of desertification changes in Qom province using Landsat satellite images, TM5 and LCDM8 sensors
in(1984-2013) with emphasis on the precipitation. Indicators used in this study are Normalized Difference Vegetation
Index (NDVI) and Soil Salinity Index (s1, s2, s3). According to Fuzzy ARTMAP method, the land use during
the period of (1984-2013) recognized and the land use changes were evaluated based on the Multilayer Perceptron
Neural Network (MLP) Model in software TERRSET. To study the effect of precipitation on desertification, the
monthly data of GPCC have been used and the spatial-temporal trend of annual precipitation was evaluated using
the Mann-Kendall nonparametric test at 0.95 level of significance. The results showed that the salinity and the
desert lands have been increased relative to the first year of study period from 3% to 18% and about 15% growth.
The vegetation has arrived from 7% to 2% that about was reduced 5%. The greatest increase of saline land is seen
in the western part of Qom, which replaces the vegetation. The increasing amount in saline and desert lands is
about 1751 km2. Study of land use changes illustrated that saline lands and city are growing whereas vegetation,
Sultan-Houz Lake, Salt Lake, and arid lands are reducing. The analysis of precipitation spatial-temporal trend
revealed a decreasing trend on annual time series at the 0.95 level of significance. Obtained results provide a basis
for better recognition and proper combating desertification in the studied region.

کلیدواژه‌ها [English]

Desertification
Fuzzy ARTMAP
Remote Sensing
Multilayer Perceptron(MLP)
Precipitation
Qom

مراجع

1. Ghosi, T.K. (1993). Environmental impacts analysis desertification
through remote sensing and land based
GIS, Journal of arid environments, 25, 141-150.
2. Carlson, n., & Sanchez- Azfifa. G. A. (1999). Satellite
Remote sening of land use changes in aground
Senjose, Costarica. Remote sensing of environment. 17,
247-256.
3. Sugumaran, R.( 2001). Forest land cover classification
using statistical and artificial neural network approaches
applied to IRS LISS - III sensor. Geocarto
International, 2, 39-44.
4. Xia. L & Anthony, C. (2004), Analyzing spatial restructuring
of land use patterns in a fast growing region
using remote sensing and GIS, Landscape and Urban
planning, 69, 335-354.
5. Topa M. E, Iavazzo, P., Terracciano, S., Adamo, P., Coly, A.,
De Paola, F., Giordano, S., Giugni, M., & Traoré, S.E.
(2013). Evaluation of sensitivity to desertification by a
modified ESAs method in two sub-Saharan peri-urban
areas: 6-Ouagadougou (Burkina Faso) and Saint Louis
(Senegal). Geophysical Research Abstracts, 15, EGU2013-
2229.

6. اکبری، مرتضی؛ کریم زاده، حمیدرضا؛ خواجه الدین، جمال؛ کریمیان اقبال،
مصطفی ) 1383 (. کاربرد RS و GIS در بررسی روند تغییرات بیابا نزایی
)مطالعه ی موردی: منطق هی خشک شمال اصفهان(. همایش ژئوماتیک،
سازمان نقشه برداری کشور، تهران.
7. ربیعی، حمیدرضا؛ ضیائیان، پرویز؛ عل یمحمدی، عباس ) 1384 (. کشف و
بازیابی تغییرات کاربری و پوشش اراضی شهر اصفهان به کمک سنجش از
دور و سیستم اطلاعات جغرافیایی. مجله ی مدرس علوم انسانی، شماره ی
4، 32-19 .
8. فتاحی، محمدمهدی ) 1388 (. بررسی روند بیابا نزایی در استان قم با استفاده
از داد ههای سنجش از دور با تأ کید بر تغییرات استفاده از اراضی و تغییرات
کمی و کیفی منابع آب. فصلنام هی علمی پژوهشی تحقیقات مرتع و بیابان
ایران، شماره ی 2، 234 - 253 .
9. احدنژاد روشنی، محسن؛ حسینی، احمد ) 1390 (. ارزیابی و پی شبینی تغییرات
و پراکنش افقی شهرها با استفاده از تصاویر ماهوار های چندزمانه و سیستم
اطلاعات جغرافیایی )نمونه ی موردی: شهر تبریز در مقطع زمانی 1363 -
1389 (. مجله ی پژوهش و برنامه ریزی شهری، شماره ی 4، 1- 20 .
10 . زائری امیرانی، آزاده؛ سفیانیان، علیرضا ) 1391 (. استفاده از روش های فازی
آرت مپ و شبکه ی عصبی پرسپترون چند لایه برای تهیه ی نقشه ی
پوشش اراضی )مطالعه ی موردی: شهر اصفهان(. پژوهش های جغرافیای
طبیعی، شماره ی 79 ، 143 - 127 .
11 . غلامعل یفرد، مهدی؛ جورابیان شوشتری، شریف؛ حسینی کهنوج، حمزه؛
میرزایی، محسن ) 1391 (. مدل سازی تغییرات کاربری اراضی سواحل
استان مازندران با استفاده از LCM در محیط GIS . مجل هی محی طشناسی،
شماره ی 4، 109 - 124 .
12 . ضیائیان فیروزآبادی، پرویز؛ تلخابی، حمیدرضا؛ حسینخانی، لیلا ) 1392 (.
آشکارسازی تغییرات حوز هی کویر میقان با استفاده از تصاویر MSS و TM
و ETM + و داد ههای اقلیمی در دوره ی 2011 - 1973 . نشریه ی تحقیقات
کاربردی علوم جغرافیایی، شماره ی 31 ، 2- 18 .
13 . موسوی، حجت؛ ولی، عباسعلی؛ معیری، مسعود؛ رنجبر، ابوالفضل
) 1392 (. پایش وضعیت بیابا نزایی کویر حاج علی قلی ) 2006 - 1987 (.
پژوهش های ژئومورفولوژی کمی، شماره ی 4، 85 - 102 .
14 . سیلاخوری، اسماعیل؛ اونق، مجید؛ سعدالدین، امیر ) 1393 (. ارزیابی
خطر و ریسک بیابان زایی منطقه ی سبزوار با استفاده از مدل MICD . دو
فصلنامه ی مدیریت بحران، شماره ی 1، 99 - 89 .

15. http://glovis.usgs.gov
16. http://landsat.gsfc.nasa.gov
17. Haibin, S., Jin, Z., Shuqing, Y., Liang, L. (2010). Study
of regional evapotranspiration of Hetao irrigation
district based on TM Images. In: Proceedings of the
18. Douaoui, A.E.K., Nicolas, H, & Walteer, Ch. (2006).
Detecting salinity hazards within a semiarid context
by means of combining soil and remote sensing data,
Journal of Geoderma, 134, 217-230.
19. Ronald Eastman, J. (2009). IDRISI Tutorial, Clark
labs, Clark University. Shetabi, Sh. and Abdi, A.,
2007, Mapping Land Use in Mountainous Regions of
Zagros Using Sensor Data from ETM+ (Study Area:
the Area of Lorestan, Khorram Sorkhab Region), Agricultural
Sciences and Natural Resources, No. 14,
PP. 1-12.
20. Collobert, R. (2004). Links between Perceptrons,
MLPs and SVMs. International Conference on Machine
learning, ICML, IdIAP-RR-06-2004, Switzerland.
21. Zhang, P.& Min, G. (2005). Neural network forecasting
for seasonal and trend Time series. European Journal
of Operational Research, 160, 501–514.
22. Vivekanandan, N. (2007). Analysis of trend in rainfall
using Non Parametric statistical methods, international
symposium on rainfall rate and radio wave
propagation, American institute of physics, 101-113.