نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

2 استاد ژئومورفولوژی،گروه ژئومورفولوژی,دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

10.22108/gep.2020.121458.1264

چکیده

پژوهش حاضر با هدف پایش روند بیابان‌زایی در محدودة پیرامونی دریاچة ارومیه در بازة 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 ماهوارة لندست 5 مربوط به سال 2000 میلادی با استفاده از نرم‌افزار QGIS و ENVI 5.3 پیش‌پردازش و پردازش، و شاخص‌های معرف بیابان‌زایی در قالب زوج شاخص‌های طیفی آلبدو – شاخص پوشش گیاهی تفاضلی نرمال‌شده، میزان سبزینگی- ضریب روشنایی و میزان رطوبت– ضریب روشنایی‌‌ استخراج شد. در مرحلة بعد روابط آماری موجود بین زوج شاخص‌های یادشده بررسی شد.
براساس نتایج حاصل، زوج شاخص‌های میزان سبزینگی– ضریب روشنایی و میزان رطوبت– ضریب روشنایی، با کسب همبستگی منفی به‌مثابة زوج شاخص‌های معرف بیابان‌زایی انتخاب و نقشة شدت خطر بیابان‌زایی برمبنای آنها تهیه شد. برای صحت‌سنجی نتایج به‌دست‌آمده، الگوریتم بیشترین درجة شباهت به کار رفت. الگوریتم یادشده با کسب درجة صحت 96/91 و ضریب کاپای 95/0 برای سال 2000 میلادی، درجة صحت 25/91 و ضریب کاپای 89/0 در سال 2018 نشان‌دهندة انطباق مناسب نتایج کسب‌شده با واقعیت‌های زمینی است. برای پایش روند وقوع پدیدة بیابان‌زایی، تغییر مساحت کلاس‌های خطر بیابان‌زایی در محدودة مطالعه‌شده بررسی شد. براساس نتایج به‌دست‌آمده، مساحت کلاس‌های خطر شدید (‌‌01/5 درصد)، نسبتاً شدید (‌‌47/11 درصد) و متوسط (12/6 درصد) رشد مثبت و مساحت کلاس‌های خطر ضعیف (17/9 درصد) و بدون بیابان‌زایی (‌‌43/13 درصد) رشد منفی دارد؛ بنابراین روند افزایشی درصد مساحت کلاس‌های خطر شدید، نسبتاً شدید، متوسط و کاهش مساحت کلاس‌های خطر ضعیف و بدون خطر بیابان‌زایی نشان‌دهندة روند صعودی وقوع بیابان‌زایی در محدودة مطالعه‌شده است. معیار آب زیرزمینی، اقلیم و درصد پوشش گیاهی، مهم‌ترین عوامل مؤثر در وقوع بیابان‌زایی در محدودة مطالعه‌شده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Monitoring the Desertification Trend in the Areas Surrounding Lake Urmia (2000-2018)

نویسندگان [English]

  • fatemeh khodaei Geshlag 1
  • shahram roostaei 2
  • Davod mokhtari 2

1 PhD Candidate in Geomorphology, University of Tabriz, Tabriz, Iran

2 Professor of Geomorphology, University of Tabriz, Tabriz, Iran (*Corresponding Author Email: roostaei@tabrizu.ac.ir)

چکیده [English]

 
Extended Abstract
Introduction
According to the First World Conference on Deserts and Desertification, desertification refers to the destruction and degradation of natural ecosystems in arid, semi-arid, and sub-humid arid regions, which results in lower biomass production and the emergence of soil erosion (Ekhtesasi et al., 2011). Desertification results from natural factors such as climate variables and anthropogenic activities (Binal et al, 2018; Claado et al, 2002) and its impact on ecological processes is enormous and complex. Therefore, counteracting desertification is necessary to maintain long-term soil fertility in arid areas of the world. The present study aimed at evaluating desertification trends in the areas surrounding Lake Urmia in the period from 2000 to 2018. The main objectives of this study were 1) identification of the most suitable spectral index pair of desertification in the study area during the study period, taking into account the statistical relations; 2) mapping the desertification risk for the study period and the assessment of desertification trend in the study area by using the spectral biophysical indices such as normalized difference vegetation index (NDVI), surface albedo, Tasseled cap along with three components of brightness, Wetness, and greenness, and 3) identifying the most important factor that caused desertification in the study area by using the logistic regression model.
 
Methodology
In the present study, first, three frames of Landsat 5 TM sensor and seven frames of Sentinel 2 images were downloaded and analyzed by ENVI5.3 and QGIS software for July 2000 and 2018. In the next step, spectral indices of desertification, including the normalized difference vegetation index (NDVI), surface albedo, Tasseled Cap (including three components of brightness coefficient, Wetness, and greenness) were extracted for the study period. Thereafter, using the statistical relations and the determination coefficient, the most suitable spectral index pair of desertification in the study area was identified. After the identification of suitable spectral index pairs, the selected spectral index pair was normalized and the desertification mapping was performed for the years 2000 and 2018 taking into account the obtained gradient by using the linear regression relation. Finally, by applying the statistical change detection method, changes in the class's risk were investigated and using the Logistic Regression model, the most effective factor ­in the occurrence of desertification was identified.
Discussion 
The normalized difference vegetation index (NDVI), wetness, and greenness were considered as the independent variables and surface albedo and brightness coefficient as dependent variables. The pairs of NDVI-Albedo spectral indicators have a positive correlation, but two spectral index pairs of humidity-brightness coefficient and brightness coefficient-greenness due to having a negative correlation were selected as the desertification index pairs and then normalized in the next step through the relevant relations. After mapping the desertification risk according to the index pairs of brightness coefficient-greenness and humidity-brightness, the combined map of desertification was obtained using line slope from the normalized relationship of the selected index pair and overlay function for the years 2000 and 2018 in 5 classes of non-desertification, weak, moderate, severe, and relatively severe desertification risks. To verify the results, using the classification algorithm, the Maximum Likelihood Algorithm and the Error Matrix were obtained, and the algorithm, with the accuracy of 91.96 and the kappa coefficient of 0.95 for 2000, and accuracy of 91.25 and a kappa coefficient of 0.89 for 2018 indicated a good correlation between the obtained results and the real-world data. 
 
Conclusion
The results of this study were as follows: A) The two spectral index pairs of humidity-brightness coefficient and brightness coefficient-greenness were selected as the most suitable desertification indices in the study area, and therefore, the desertification risk maps were obtained through using this spectral index pair, B) The classification algorithm showed the highest degree of similarity with the accuracy of 91.96 and the kappa coefficient of 0.95 for the maps of 2000, and accuracy of 91.25 and a kappa coefficient of 0.89 for the maps of 2018, which indicated a good correlation between the obtained results and the real-world data, C) According to the results of statistical change detection analysis method, the areas of ​​severe, relatively severe, and moderate desertification risk classes were increasing from 2000 to 2018, D) The desertification risk maps of 2000 and 2018 showed that the lands on the eastern coast, and especially on the southeast of the Lake Urmia, and the areas at the marginal edge of Tabriz Plain, overlooking the Lake Urmia were more sensitive to the desertification risk, and showed more severe degradation, compared to those on the west coast of Lake Urmia, F) Indicators such as underground water electric conductivity, chlorine index of underground water, Sodium adsorption ratio, drought index, Percentage of vegetation, had a high impact on the occurrence of desertification.
 
Keywords: Desertification Monitoring, Lake Urmia, ENVI 5.3, Logistic Regression, Maximum Likelihood Algorithm.
References:
- Binal A., Christian, P. S., & Dhinwa, A. (2018). Long-term Monitoring and Assessment of Desertification Processes Using Medium and High Resolution Satellite Data. Journal of Applied Geography, 97, 10-24. 
- Boali, A. H., Jafari, R., & Bashari, H. (2016). Boali, A. H., Jafari, R., & Bashari, H. (2017). Analyzing the Effect of Groundwater Quality on Desertification using Bayesian Belief Networks in Segzi Desertification Hotspot. JWSS-Isfahan University of Technology, 21(3), 205-218.
- Collado, A. D., Chuvieco, E., & Camarasa, A. (2002). Satellite Remote Sensing Analysis to Monitor Desertification Processes in the Crop-rangeland Boundary of Argentina. Journal of Arid Environments52(1), 121-133.
- Cui, G., Lee, W. K., Kwak, D. A., Choi, S., Park, T., & Lee, J. (2011). Desertification Monitoring by LANDSAT TM Satellite Imagery. Journal of Forest Science and Technology7(3), 110-116.
- Davri, S., Rashki, A. R., Akbari, M., Talebanfard, A.A. (2018). Monitoring of Spatio-Temporal Indices on Desertification in Arid Regions of South of Khorasan Razavi Province. Journal of RS & GIS for Natural Resources, (9)2, 17-30. 
- Ekhtesasi, M. R., & Sepehr, A. (2011). Methods and Models of Desertification Assessment and Mapping. Yazd: Yazd University Press. 
- Foody, G. M. (2002). Status of Land Cover Classification Accuracy Assessment. Journal of Remote Sensing of Environment, (80)1, 185-201.
- Hasheminasab, S. & Jafari, R. (2018). Evaluation of Land Use Changes to Desertification Monitoring Using Remote Sensing Techniques. Journal of Spatial Analysis Environmental Hazard, (5)3, 67-82.
- Jedari Eyvazi, J. (1982). Geomorphological Characters of Kabudan Desert. Journal of Research of geography, University of Tehran, 18, 1-27. 
- Kundu, A., Patel, N. R., Saha, S. K., & Dutta, D. (2014). Monitoring the Extent of Desertification Processes in Western Rajasthan (India) Using Geo-Information Science. Journal of Arab Geoscience, (8)8, 5727-5737.
- Lamqadem, A. A., Hafid, S., & Biswajeet, P. (2018). Quantitative Assessment of Desertification in an Arid, Oasis Using Remote Sensing Data and Spectral. Journal of Remote Sensing, 10, 1-18.
- Liangliang, J., Guli, J., Anming, B., Alishir, K., Hao, G., Guoxiong, Z., & Philippe De, M. (2019). Monitoring the Long-Term Desertification Process and Assessing the Relative Roles of Its Drivers in Central Asia. Ecological Indicators, 104(1), 195-208.
- Masoudi, M., Parviz, J., & Biswajeet, P. (2018). A New Approach for Land Degradation and Desertification Assessment Using Geospatial Techniques. Natural Hazards and Earth System Sciences, 18, 1133–1140.
- Rahimi, Hossein (2012), Spatial-Spatial Modeling of Land Cover Changes by Combining Markov Chain Analysis, Artificial Neural Networks, and Automated Cells (Case Study: Eastern Part of Tabriz Plain). PhD Thesis, Faculty of Planning and Environmental Sciences, University of Tabriz.
- Soltanian, M., & Halabian A. H. (2018). Application of Remote Sensing in the Environmental Science (Method of satellite Processing in ENVI). Isfahan: University of Isfahan Press. 
- Tavosi, T., Shojae, F., Akbari, E., & Asgari, E. (2016). Assessment of Land Use Change and Analysis Process Climate Desertification Wetland of Gavkhyny. Geographical Space Journal, (16)56, 79-94. 
- Xu, D., Kang, X., Qiu, D., Zhuang, D., & Pan, J. (2009). Quantitative Assessment of Desertification Using Landsat Data on a Regional Scale- A Case Study in the Ordos Plateau, China. Journal of Sensors, (9)3, 1738-1753.  
 
 

کلیدواژه‌ها [English]

  • Desertification monitoring
  • Lake Urmia
  • ENVI 5.3
  • Logistic Regression
  • Maximum likelihood algorithm
  1. مقدمه

براساس تعریف ارائه‌شده در نخستین کنفرانس جهانی بیابان و بیابان‌زایی[1]، پدیدة بیابان‌زایی فرایند تخریب و انهدام اکوسیستم‌های طبیعی در مناطق خشک، نیمه‌خشک و خشک نیمه‌مرطوب است که کاهش تولید زیست‌توده و ظهور آثار تخریب خاک یا فرسایش را در پی دارد (اختصاصی و سپهر، 1390: 14). بیابان‌زایی براثر عوامل طبیعی نظیر متغیرهای اقلیمی و فعالیت‌های انسانی روی می‌دهد (Binal et al., 2018: 10; Collado et al., 2002: 121) و تأثیر آن بر فرایندهای اکولوژیکی بسیار زیاد و پیچیده است؛ نظیر تأثیر منفی بر ویژگی‌های گیاهی (مانند بیومس، تراکم و مساحت اراضی زیر پوشش گیاهی)، کاهش و نقصان تنوع زیستی و باروری خاک و تغییر در الگوهای چشم‌اندازی نواحی خشک در مقیاس‌های مختلف جغرافیایی (Xu et al., 2009: 1738)؛ بنابراین مبارزه با بیابان‌زایی برای اطمینان از بهره‌وری طولانی‌مدت خاک و اراضی در مناطق خشک جهان ضروری است؛ از این رو ارزیابی و بررسی موجودیت مکانی وقوع پدیدة بیابان‌زایی و نظارت بر آن، پیش‌نیاز اصلی تدوین راهبردهای مرتبط با کاهش آثار بیابان‌زایی و افزایش پایداری و مقاومت محیطی دربرابر تهدید خطر تخریب زمین و بیابان‌زایی است (Binal et al., 2018: 11).

تاکنون پژوهشگران داخلی و خارجی مطالعات بسیاری دربارة پایش روند و شناسایی عوامل مؤثر بر وقوع بیابان‌زایی انجام داده‌اند.

کلاادو و همکاران[2] (2002) با استفاده از تکنیک مقایسة تغییرات چندزمانه و دو شاخص تغییرات بارندگی و کاربری اراضی، روند بیابان‌زایی را در بخش مرکزی سن لوییس[3] آرژانتین بررسی کرده‌اند. در این پژوهش از دو تصویر متعلق به سال‌های 1982 و 1992 برای شناسایی اراضی با درجة خطر زیاد بیابان‌زایی و همچنین شناسایی تغییرات به وقوع پیوسته در مساحت کلاس‌های اراضی استفاده شد.

کوی و همکاران[4] (2011) با استفاده از تصاویر ماهوارة لندست 7 و بررسی تغییرات دو شاخص پوشش گیاهی و خاک، روند بیابان‌زایی را طی 10 سال اخیر در صحرای گبی چین ارزیابی کرده و به این نتیجه رسیده‌اند که گسترش بیابان‌زایی به‌طور واضحی در منطقة شرق صحرای گبی و اراضی کشاورزی مجاور آن مشاهده می‌شود.

کوندو و همکاران[5] (2014) از تصاویر TM ماهوارة لندست 5 و 7 مربوط به سال‌های 1990- 1995- 1999 میلادی و تصاویر ETM لندست 7 مربوط به سال‌های 2003- 2009 میلادی برای بررسی تغییرات پوشش گیاهی و اراضی بایر براساس روش ترکیب طیفی خطی[6] در غرب ایالت راجستان[7] هند استفاده کرده‌اند. نتایج حاکی از کاهش پوشش گیاهی در بعضی نواحی و افزایش اراضی بایر به نفع بیابان‌زایی است.

لیانگلیانگ و همکاران[8] (2019) با استفاده از فرایند تحلیل سلسله‌مراتبی روند بیابان‌زایی را در خلال سال‌های 1982- 2012 در منطقة آسیای مرکزی بررسی کرده‌اند. براساس نتایج به‌دست‌آمده، متغیرهای اقلیم نظیر کاهش بارندگی، افزایش دما، خشکسالی و عوامل انسانی، مهم‌ترین عوامل ماشه‌ای بیابان‌زایی در کلاس‌های مختلف کاربری اراضی در محدودة مطالعه‌شده است.

هاشمی‌نسب و جعفری (1397) تغییرات 27سالة کاربری اراضی را در گسترش روند بیابانی‌شدن اراضی در منطقة شرق اصفهان و اراضی کشاورزی زاینده‌رود بررسی کرده‌اند. پژوهش یادشده با به‌کارگیری تکنیک‌های سنجش از دور و با استفاده از تصاویر سنجنده‌های TM و ETM+لندست 5 و 7 و 8 انجام شده است. نتایج نشان داد در دورة زمانی 27ساله، حاشیة زاینده‌رود تغییرات چشمگیری داشته است؛ به‌طوری که 43/86 درصد حاشیة رودخانه به دلیل گسترش فعالیت‌های کشاورزی در حریم رودخانه و خشک‌شدن رودخانه تخریب شده است.

طاووسی و همکاران (1395) تغییرات کاربری اراضی و تحلیل روند بیابانی‌شدن اراضی را با استفاده از دو عنصر اقلیمی دما و بارش در چالة گاوخونی با بهره‌گیری از تصاویر ماهوارة لندست 5 سنجندة TM مربوط به سال 1990 و تصاویر سنجندة ETM طی سال‌های 1999 تا 2014 شناسایی کرده‌اند. براساس نتایج به‌دست‌آمده به دلیل تخریب تالاب، پدیده‌های مرتبط با آن مانند تنوع و تراکم پوشش گیاهی و مساحت بخش آبگیر کاهش یافته است؛ از سوی دیگر روند افزایشی مؤلفه‌های تبخیر- تعرق و دما، شرایط بیابان‌زایی را در محدودة مطالعه‌شده تشدید کرده است.

داوری و همکاران (1397) برای پایش تغییرات زمانی- مکانی شاخص‌های مؤثر در بیابان‌زایی مناطق خشک جنوب خراسان رضوی با استفاده از مدل [9]IMDPA اقدام کرده‌اند. داده‌های اولیة پژوهش شامل پارامترهای اقلیمی، پوشش گیاهی، زمین‌شناسی، خاک‌شناسی، آب‌های زیرزمینی و سطحی، کشاورزی و اطلاعات اقتصادی- اجتماعی است. نتایج ارزیابی شدت خطر بیابان‌زایی نشان داد مساحت مناطق واقع در دو کلاس متوسط و شدید به ترتیب به مقدار 22 و 77 درصد از کل مساحت محدودة مطالعه‌شده است.

پژوهش حاضر با رویکرد ارزیابی روند وقوع بیابانی‌شدن اراضی و شناسایی عوامل مؤثر در وقوع آن، در محدودة پیرامونی دریاچة ارومیه در بازة زمانی سال 2000 تا 2018 میلادی انجام شده است. مهم‌ترین اهداف پژوهش حاضر بررسی روابط آماری موجود بین شاخص‌های طیفی مطالعه‌شده (پوشش گیاهی تفاضلی نرمال‌شده[10]، آلبدوی سطح زمین[11]، تسلدکپ به همراه سه مؤلفة ضریب روشنایی[12]، میزان رطوبت[13] و میزان سبزینگی[14])، شناسایی بهترین زوج شاخص طیفی معرف بیابان‌زایی، تهیة نقشة خطر وقوع بیابان‌زایی برای سال‌های بررسی‌شده، ارزیابی روند وقوع پدیدة بیابان‌زایی و شناسایی مهم‌ترین عوامل مؤثر در وقوع بیابان‌زایی در محدودة مطالعه‌شده است.

  1. روش‌شناسی پژوهش

2.‌1. منطقة پژوهش

محدودة پژوهش بخشی از حوضة آبریز ارومیه واقع در شمال غرب ایران با مختصات جغرافیایی 44 درجه و صفر دقیقه تا 47 درجه و صفر دقیقه طول شرقی و 37 درجه و صفر دقیقه تا 38 درجه و 20 دقیقه عرض شمالی است و مساحتی معادل 14395 کیلومترمربع دارد. پیوستگاه کوهستان به دشت مشخص‌کنندة مرزهای محدوده‌ است. دریاچة ارومیه، مهم‌ترین پیکرة آبی محدودة پژوهش است؛ در حالی که دامنه‌های جنوبی رشته‌کوه میشوداغ مشخص‌کنندة مرز شمالی محدوده‌ است، در سمت شرق آن رشته‌کوههایی با روند شمالی- جنوبی واقع شده‌اند که به دشت‌های آبرفتی و پست سواحل شرقی دریاچة ارومیه محدود می‌شوند. رودخانه‌های آجی‌چای، قلعه‌چای، صوفی‌چای، بهنق‌چای، مردوق‌چای، مردی‌چای، چرچر، گدار، باراندوزچای، شهرچای، قره‌قبی، ازبک‌چای، نازلوچای، زرینه‌رود، سیمینه‌رود و مهابادچای، شاخص‌ترین رودخانه‌های محدودة پژوهش هستند. شکل 1 نشان‌دهندة موقعیت جغرافیایی محدودة پژوهش است.

 

شکل 1. موقعیت جغرافیایی محدودة پژوهش (ترسیم: نویسندگان، 1398)

Figure 1. Geographical location of the study area (Source: Authors, 2019)

 

2.‌2. روش‌های استفاده‌شده

2.‌2.‌1. استخراج شاخص‌های طیفی

شاخص پوشش گیاهی تفاضلی نرمال‌سازی‌شده: این شاخص، یکی از روش‌های متداول برای استخراج پوشش گیاهی است (Maharani et al., 2013: 4; Masoudi et al., 2017: 1135‌‌). ارزش ‌‌(NDVI) بین 1- (بدنه‌های آبی) و 1+ (مناطق دارای پوشش گیاهی بسیار متراکم) تغییر می‌یابد و براساس رابطة 1 محاسبه می‌شود.

رابطة 1                                                                                              NDVI=NIR - R/NIR+R

‌‌ R و NIR= باندهای قرمز و مادون قرمز نزدیک تصاویر سنتینل-2 و لندست 5.

آلبدو: به‌منظور محاسبة میزان آلبدو برای داده‌های سنتینل-2 از فرمول لینگوس[15] (رابطة 2: Naegeli et al., 2017: 8) و برای تصاویر ماهوارة لندست 5 سنجندة TM از الگوریتم سبال استفاده شد.

Albedo (ά)= [(0.356×b2) + (0.130×b4) + (0.373×b8)= (0.85×b11) + (0.072×b12)-0.018)]/1.016                 رابطة 2

b1, b2, b3, … = باندهای یک تا سیزده ماهوارة سنتینل-2

 

تبدیلات تسلدکپ

تبدیل تسلدکپ سه شاخص موضوعی دارد؛ درجة روشنایی، میزان سبزینگی و میزان نمناکی. درجة روشنایی نشان‌دهندة خاک‌های روشن یا اراضی بایر و نبود پوشش گیاهی، میزان سبزینگی نشان‌دهندة انواع مختلف و میزان‌های مختلف تراکم پوشش گیاهی و میزان نمناکی نشان‌دهندة میزان رطوبت خاک است. تبدیلات تسلدکپ برای تصاویر لندست 5 با استفاده از الگوریتم موجود در نرم‌افزار ENVI 5.3 صورت می‌پذیرد؛ ولی در سنتینل-2 به ضرایب باندی خاصی نیاز دارد. جدول 1 نشان‌دهندة ضرایب استفاده‌شده در مطالعة حاضر برای استخراج تسلدکپ از تصاویر چندطیفی سنتینل-2 است.

جدول 1. ضرایب باندهای سیزده‌گانة سنتینل-2 برای محاسبة تسلدکپ (Lamqadem, 2018: 6)

Table 1. Coefficients of the transformation of Sentinel-2MSI image to tasselled cap transformation (TCT); (Lamqadem, 2018: 6)

باند 7

باند 6

باند 5

باند 4

باند 3

باند 2

باند 1

شاخص

3877/0

3338/0

2964/0

2611/0

1360/0

0822/0

0356/0

روشنایی

3302/0

0852/0

3303/0-

3480/0-

1680/0-

1128/0-

0365/0-

سبزینگی

0001/0-

1379/0

5288/0

3072/0

2820/0

1363/0

0649/0

رطوبت

 

باند 12

باند 11

باند 10

باند 9

باند 8 (A)

باند 8

شاخص

 

1366/0

3882/0

0009/0

949/0

3895/0

4750/0

روشنایی

 

4064/0-

4578/0-

0009/0-

0467/0

3165/0

3625/0

سبزینگی

 

5602/0-

4064/0-

0003/0

0302/0-

0807/0-

1389/0-

رطوبت

 

2.‌2.‌2. مدل رگرسیون لجستیک

مدل رگرسیون لجستیک، یکی از روش‌های آماری پیش‌بینی‌کنندة دوجزئی برای متغیرهای وابستة دارای ماهیت باینری است. حالت محتمل چنین متغیرهایی در دو حالت صفر و یک (وقوع و عدم وقوع) محدود می‌شود. روش رگرسیون لجستیک برای تشریح رابطة غیرخطی موجود میان یک یا چند متغیر مستقل با یک متغیر وابستة باینری به کار می‌رود.

رگرسیون لجستیک از روال برآوردکنندة حداکثر احتمال (‌‌MLE) برای یافتن بهترین برازش مجموعه‌پارامترها (ضرایب) بهره می‌گیرد (رحیمی، 1391: 23). تابع حداکثر احتمالی که با رگرسیون لجستیک استفاده می‌شود، به شکل رابطة زیر است:

رابطة 3                                                                                                          L= IINi=1 µyii × (1-µ)(1- yi)

در این رابطه L:‌‌ احتمال و  iµ: مقدار پیش‌بینی‌کنندة متغیر وابسته برای نمونة i است؛ به گونه‌ای که این پارامتر با استفاده از رابطة زیر محاسبه می‌شود:

رابطة 4                                                                      µi= exp (∑KK=0 bK XIK)/ (1+ exp ∑KK=0 bK Xik)

:Yi بیان‌کنندة مقدار مشاهدة متغیر وابسته برای نمونة i است.

در پژوهش حاضر، نگارندگان طی مراحل زیر وقوع پدیدة بیابان‌زایی و شناسایی عوامل مؤثر در وقوع این پدیده را بررسی کرده‌اند.

 مرحلة اول: سه فریم از تصاویر ماهوارة لندست 5 سنجندة TM و هفت فریم از تصاویر ماهوارة سنتینل-2 متعلق به ماه جولای سال‌های 2000‌‌ و 2018 تهیه و با استفاده از دو نرم‌افزار ENVI5.3 و کوانتوم جی‌آی‌اس[16] پیش‌پردازش شد. در این ماه از سال پوشش گیاهی طبیعی و فصلی در حداقل میزان خود است و از سوی دیگر تمام محصولات زراعی نیز برداشت می‌شوند (Lamqadem et al., 2018: 4).

 مرحلة دوم: شاخص‌های طیفی معرف بیابان‌زایی شامل پوشش گیاهی تفاضلی نرمال‌شده، آلبدوی سطحی و تسلدکپ (شامل سه مؤلفة ضریب روشنایی، میزان سبزینگی و میزان نمناکی) برای سال‌های مطالعه‌شده استخراج شد. درزمینة پایش وقوع بیابان‌زایی به دلیل استفاده از تکنیک‌های سنجش از دور، شاخص‌های طیفی پوشش گیاهی تفاضلی نرمال‌شده، میزان سبزینگی و میزان نمناکی به‌مثابة متغیرهای مستقل و شاخص میزان روشنایی و آلبدوی سطحی به‌مثابة متغیرهای وابسته تعیین می‌شوند.

مرحلة سوم: در مرحلة سوم و درزمینة پایش روند وقوع بیابان‌زایی، براساس مطالعات پیشین شاخص‌های طیفی به‌صورت متغیرهای مستقل و وابسته تعریف و پس از بررسی روابط آماری موجود بین زوج شاخص‌های طیفی با استفاده از نرم‌افزار SAGA_GIS و SPSS اقدام به شناسایی بهترین زوج شاخص‌های طیفی معرف بیابان‌زایی در محدودة پژوهش شد. پس از شناسایی زوج شاخص‌های طیفی مناسب، نرمال‌سازی زوج شاخص‌های طیفی منتخب انجام و مقدار شیب رابطة رگرسیون خطی محاسبه شد.

مرحلة چهارم: با استفاده از مقدار شیب روابط خطی موجود در میان زوج شاخص‌های طیفی نرمال‌شده، نقشة بیابان‌زایی برای سال‌های 2000 و 2018 تهیه شد.

مرحلة پنجم: در این مرحله با استفاده از نقاط کنترل مستخرج از Google-Earth صحت نقشه‌های خطر بیابان‌زایی بررسی شد.

مرحلة ششم: در مرحلة ششم با استفاده از روش آشکارسازی تغییرات آماری، تغییرات به وقوع پیوسته در مساحت کلاس‌های خطر بررسی و روند وقوع خطر بیابان‌زایی پایش شد.

مرحلة هفتم: در مرحلة هفتم (مرحلة شناسایی)، مهم‌ترین عوامل مؤثر در وقوع بیابان‌زایی براساس مطالعات صورت‌پذیرفته دربارة پدیدة بیابان‌زایی برمبنای ویژگی‌های طبیعی محدودة پژوهش تهیه و با استفاده از اجرای مدل رگرسیون لجستیک، یک مدل منطقه‌ای ایجاد و مهم‌ترین این عوامل شناسایی شد. در این بخش و با توجه به ماهیت این مرحله از پژوهش، معیارهایی نظیر اقلیم، پوشش گیاهی، آب‌های زیرزمینی، خاک، کاربری اراضی و فرسایش بادی و شاخص‌های مربوط به هر معیار به‌مثابة متغیر مستقل، و پهنه‌های بیابانی شناسایی‌شده در مرحلة پایش روند بیابان‌زایی به‌مثابة متغیر وابسته مطرح شد. شکل 2 نشان‌دهندة مراحل در پژوهش حاضر است.

داده‌های سنجش از دور

تهیة تصاویر خام ماهوارة سنتینل-2 و لندست-5

  1. پردازش تصاویر ماهواره‌ای با استفاده از نرم‌افزار QGIS و ENVI5.3

مرحلة پایش روند بیابان‌زایی

2. استخراج شاخص‌های طیفی NDVI-Albedo -Wetness-Greenness-Brightness

3. برقراری رابطة علت و معلولی میان شاخص‌های طیفی براساس مطالعات پیشین و بررسی رابطة آماری موجود در بین زوج شاخص‌های طیفی با استفاده از الحاقیة SAGA-GISو SPSS

3.‌1. تعیین بهترین زوج شاخص طیفی معرف بیابان‌زایی براساس وجود رابطة همبستگی منفی میان متغیر وابسته و مستقل

3.‌2. نرمال‌سازی و محاسبة مقدار شیب روابط رگرسیونی خطی

 

 

 

5. بررسی صحت و دقت نقشه‌های خطر بیابان‌زایی با استفاده از الگوریتم بیشترین درجة شباهت و ماتریس خطا

6. بررسی روند صعودی یا نزولی بودن روند بیابان‌زایی با استفاده از الگوریتم کشف تغییرات آماری

7.‌1. شناسایی عوامل مؤثر در مطالعات مربوط به بیابان‌زایی و براساس ویژگی‌های محدودة مطالعه‌شده

7.‌2. اجرای مدل رگرسیون لجستیک و شناسایی مهم‌ترین عوامل مؤثر در وقوع بیابان‌زایی در محدودة مطالعه‌شده

 

7. مرحلة شناسایی مهم‌ترین عوامل تأثیرگذار

4. تهیة نقشة خطر بیابان‌زایی براساس زوج شاخص طیفی منتخب

شکل 2. فلوچارت انجام مراحل پژوهش (نویسندگان، 1398)

Figure 2. Flowchart of research steps (Authors, 2019)

 

  1. یافته‌های پژوهش و تجزیه و تحلیل آنها

3.‌1. بررسی شاخص‌های طیفی معرف بیابان‌زایی در محدودة پژوهش

براساس نتایج حاصل از پژوهش‌های پیشین دربارة بررسی روند بیابان‌زایی، شاخص پوشش گیاهی تفاضلی نرمال‌شده، میزان نمناکی و میزان سبزینگی به‌مثابة متغیرهای مستقل و آلبدوی سطحی و ضریب روشنایی به‌مثابة متغیرهای وابسته در نظر گرفته می‌شود. میزان آلبدوی سطحی با کاهش پوشش گیاهی افزایش می‌یابد؛ به بیانی افزایش یا کاهش میزان آلبدوی سطحی، تابعی از افزایش یا کاهش میزان پوشش گیاهی است. تغییر در میزان آلبدو بر میزان بازتابش سطحی تأثیر می‌گذارد و سبب تغییر در دمای سطح زمین می‌شود. آشکار است تغییر در دمای سطح زمین به از دست رفتن میزان رطوبت بیشتر از سطح زمین منجر می‌شود (lamqadem et al., 2018: 6).

کاهش در میزان رطوبت خاک به معنی کاهش میزان آب دردسترس گیاه است. کاهش میزان سبزینگی خاک با میزان ضریب روشنایی خاک رابطة عکس دارد؛ به بیانی خاک‌های با ضریب روشنایی بیشتر، میزان سبزینگی کمتری دارند؛ زیرا این نوع خاک‌ها عموماً خاک‌های بایر و فاقد توان بیولوژیکی هستند؛ بنابراین روند کاهشی در متغیرهای مستقل و پیرو آن روند افزایشی در متغیرهای وابسته نشان از وقوع پدیدة بیابان‌زایی دارد. در محدودة پژوهش میزان پوشش گیاهی، میزان نمناکی و میزان سبزینگی در بازة زمانی مدنظر (2000- 2018 م) کاهش و میزان آلبدو و ضریب روشنایی افزایش یافته است؛ به بیان دیگر بر وسعت نواحی دارای ضریب روشنایی یا میزان آلبدوی سطحی بیشتر افزوده شده است؛ بدین ترتیب در مطالعات مرتبط با بیابان‌زایی که با استفاده از تکنیک‌های سنجش از دور انجام می‌پذیرد، با استفاده از تکنیک‌های آماری رابطة منفی موجود در بین آنها بررسی و زوج شاخص طیفی دارای همبستگی منفی (یعنی کاهش متغیر مستقل به افزایش مقدار متغیر وابسته می‌انجامد) به‌مثابة زوج شاخص معرف بیابان‌زایی انتخاب و نقشة بیابان‌زایی در محدودة پژوهش براساس آن زوج شاخص طیفی تهیه می‌شود. در پژوهش حاضر نیز ابتدا برای استخراج شاخص‌های طیفی اقدام شد (شکل 3).

   
 

شکل 3. شاخص‌های طیفی استفاده‌شده در پژوهش حاضر (نویسندگان، 1398)

Figure 3. Spectral indicators used in the present study (Authors, 2019)

3.‌2. بررسی روابط آماری موجود در بین شاخص‌های طیفی مطالعه‌شده

پس از استخراج شاخص‌های طیفی، روابط آماری موجود در بین متغیرهای مستقل و وابسته بررسی شد. شکل 4 نشان‌دهندة اسکاترپلات‌های به‌دست‌آمده در این مرحله است. براساس نمودارهای نشان داده شده در شکل 4 و روابط خطی یادشده در جدول 2، زوج شاخص‌های میزان سبزینگی- ضریب روشنایی و میزان نمناکی- ضریب روشنایی در سال‌های 2000 و 2018 م همبستگی منفی دارند و زوج شاخص آلبدو- پوشش گیاهی تفاضلی نرمال‌شده به دلیل داشتن رابطة رگرسیونی مثبت معرف خوبی برای بیابان‌زایی در محدودة پژوهش نیست.

 

شکل 4. اسکاترپلات‌های به‌دست‌آمده از به‌کارگیری الحاقیة  SAGAGIS(الف: سال 2000 ب: سال 2018)؛ (نویسندگان، 1398)

Figure 4. Scatter plots obtained from the use of the SAGA-GIS (A: 2000 - B: 2018); (Authors, 2019)

 

جدول 2. روابط خطی به‌دست‌آمده میان متغیرهای مستقل و وابسته (نویسندگان، 1398)

Table 2. Linear relationships obtained between independent and dependent variables (Authors, 2019)

رابطة رگرسیون خطی

زوج شاخص

سال آماری

Y= 48/0 - 62/0X

Brightness-Greenness

2000 م (1397)

 

 

Y=18/0 – 73/2X

Brightness-Wetness

Y=24/0 + 13/0X

Albedo-NDVI

Y= 39/0 – 5/2X

Brightness-Greenness

2018 م (1397)

Y=54/0 – 13/0X

Brightness-Wetness

Y= 19/0 + 14/0X

Albedo-NDVI

پس از انتخاب زوج شاخص‌های طیفی معرف بیابان‌زایی (زوج شاخص‌های دارای همبستگی منفی)، نرمال‌سازی زوج شاخص‌های یادشده براساس جدول 3 انجام شد. در مرحلة بعد و با استفاده از شیب خط به‌دست‌آمده از رابطة نرمال‌سازی‌شدة زوج شاخص‌های منتخب (جدول 5) و تابع Over layer در نرم‌افزار ArcGIS 10.6، نقشة تلفیقی بیابان‌زایی در 5 کلاس بدون خطر بیابان‌زایی، ضعیف، متوسط، شدید و نسبتاً شدید تهیه شد (شکل 6).

جدول 3. روابط استفاده‌شده برای نرمال‌سازی زوج شاخص‌های طیفی منتخب (Lamqadem et al., 2018: 9)

Table 3. Relationships used to normalize the pair of selected spectral indices (Lamqadem et al., 2018: 9)

رابطة 5

TCWnormalized= (TCW-TCWmin)/(TCWmin+TCWmax) ×100

 

رابطة 6

TCBnormalized= (TCB-TCBmin)/(TCBmin+TCbmax) ×100

رابطة 7

TCGnormalized = (‌‌TCG- TCGmin)/(TCGmin + TCGmax)×100

 

جدول 4. معادلات رگرسیونی به‌دست‌آمده پس از نرمال‌سازی (نویسندگان، 1398)

Table 4. Regression equations obtained after normalization (Authors, 2019)

رابطة رگرسیونی

زوج شاخص

سال آماری

-28/39+- 14/0X

Brightness-Greenness

2000

16/62+ -43/1X

Brightness-Wetness

-88/50+ -06/0X

Brightness-Greenness

2018

82/72+ -75/0X

Brightness-Wetness

 

جدول 5. ضرایب استفاده‌شده در تهیة نقشة شدت بیابان‌زایی (نویسندگان، 1398)

Table 5. Coefficients used in preparing the intensity map of desertification

(Authors, 2019)

شمارة رابطه

فرمول

شیب به‌دست‌آمده از برقراری رابطة رگرسیونی

سال آماری

(8)

 

DDI= a×TCW-TCB

‌TCW = نقشة میزان رطوبت

TCB= نقشة ضریب روشنایی

A= شیب حاصل از برقراری رابطة خطی

 

 

69/0- = (43/1-)÷1

 

 

2000

33/1- = (75/0-) ÷1

2018

 

 

 

(9)

DDI=a×TCG- TCB

TCB= نقشة ضریب روشنایی

TCG = نقشة میزان سبزینگی

A= شیب حاصل از برقراری رابطة خطی

14/7- = 14/-0÷1

2000

66/16- = (06/0-)÷1

2018

 

 

شکل 5. نقشة خطر بیابان‌زایی سال‌های 2000 و 2018 میلادی (نویسندگان، 1398)

Figure 5. Desertification risk map of 2000 and 2018 (Authors, 2019)

در مرحلة بعد صحت نتایج و به بیانی اعتبار و صحت نقشه‌های خطر بیابان‌زایی برای سال‌های 2000 و 2018 م با الگوریتم بیشترین درجة شباهت[17] بررسی شد. بدین منظور با استفاده از نرم‌افزار ENVI5.3 نمونه‌های مطالعاتی در قالب [18]ROI ایجاد شد؛ در ادامه با استفاده از Google- Earth نقاط کنترل زمینی برای سال‌های آماری 2000 و 2018 میلادی تهیه شد؛ سپس با استفاده از ابزار ماتریس خطا[19]‌‌ درجة صحت نتایج به‌دست‌آمده ارزیابی شد (شکل 6). صحت طبقه‌بندی معمولاً برای بررسی میزان تطابق نقشة طبقه‌بندی به‌دست‌آمده با واقعیت به کار گرفته و خطای طبقه‌بندی به‌صورت تناقضات و اختلافات موجود بین وضعیت به تصویر کشیده شده در نقشة موضوعی و واقعیت زمینی تعریف می‌شود (Foody, 2002: 186). کسب درجة صحت 96/91 و ضریب کاپای معادل 95/0 برای نقشة طبقه‌بندی سال 2000 میلادی و درجة صحت 25/91 و ضریب کاپای 89/0 برای نقشة طبقه‌بندی‌شدة سال 2018 میلادی نشان از انطباق خوب و مناسب نتایج به‌دست‌آمده با واقعیت‌های زمینی دارد.

 

شکل 6. نقشه‌های طبقه‌بندی حاصل از به‌کارگیری الگوریتم بیشترین درجة شباهت (نویسندگان، 1398)

Figure 6. Classification maps resulting from the use of the Maximum likelihood algorithm (Authors, 2019)

3.‌3. پایش روند بیابان‌زایی

به‌منظور پایش روند بیابان‌زایی در محدودة مدنظر و ارزیابی میزان تغییرات به وقوع پیوسته در آن در خلال سال‌های آماری 2000 تا 2018 میلادی، از الگوریتم کشف تغییرات آماری[20] در نرم‌افزار ENVI 5.3 استفاده شد. جدول 6 نشان‌دهندة میزان تغییرات به وقوع پیوسته در میزان مساحت به درصد و کیلومترمربع است. براساس نتایج، مساحت کلاس خطر شدید از 704 کیلومترمربع در سال 2000 میلادی به 1425 کیلومترمربع در سال 2018 میلادی افزایش یافته است؛ علاوه بر آن مساحت کلاس خطر نسبتاً شدید از 2754 کیلومترمربع به 4405 کیلومترمربع و مساحت کلاس خطر متوسط از 4516 کیلومترمربع در سال 2000 میلادی به 5394 کیلومترمربع در سال 2018 روند افزایشی داشته است. به‌موازات افزایش مساحت کلاس‌های یادشده، دو کلاس خطر ضعیف و کلاس بدون خطر بیابان‌زایی روند نزولی داشته و به بیانی نشان‌دهندة کاهش مساحت اراضی است که در سال 2000 میلادی جزو مناطق بدون خطر یا دارای خطر ضعیف از منظر وقوع پدیدة بیابان‌زایی بوده است.

جدول 6. تغییر مساحت کلاس‌های خطر بیابان‌زایی از سال 2000 تا سال 2018 م (مساحت به کیلومترمربع)؛ (نویسندگان، 1398)

Table 6. Change in the area of desertification risk classes from 2000 to 2018.

(Area in square kilometers); (Authors, 2019)

سال 2018 م

سال 2000 م

 

درصد مساحت

مساحت به کیلومترمربع

درصد مساحت

مساحت به کیلومترمربع

کلاس

89/9

1425

88/4

704

شدید

60/30

4405

13/19

2754

نسبتاً شدید

48/37

5394

36/31

4516

متوسط

42/12

1789

59/21

3109

ضعیف

61/9

1382

04/23

3312

بدون بیابان‌زایی

برای ارزیابی روند صعودی یا نزولی بودن وقوع پدیدة بیابان‌زایی در محدودة پژوهش، افزایش یا کاهش مساحت کلاس‌های خطر بیابان‌زایی بررسی شد. شکل 7، نمودار تغییرات به وقوع پیوسته در کلاس‌های خطر را نشان می‌دهد.

 

شکل 7. نمودار رشد مساحت کلاس‌های خطر در سال 2018 نسبت به سال 2000 م (نویسندگان، 1398)

Figure 7. Growth Chart of the risk class area in 2018 compared to 2000 (Authors, 2019)

این نمودار نشان از 01/5 درصد افزایش در مساحت کلاس خطر شدید، 47/11 درصد افزایش در مساحت کلاس نسبتاً شدید و 12/6 درصد افزایش در مساحت کلاس متوسط دارد. علاوه بر مطالب بیان‌شده، با بررسی درصد مساحت کلاس‌های خطر ضعیف و بدون بیابان‌زایی به روند کاهشی مساحت کلاس‌های یادشده برابر با 17/9 درصد برای کلاس خطر ضعیف و 43/13 درصد برای کلاس خطر بدون بیابان‌زایی پی برده می‌شود؛ بنابراین روند افزایشی درصد مساحت کلاس‌های خطر شدید، نسبتاً شدید، متوسط و روند کاهشی مساحت مناطق واقع در کلاس‌های خطر ضعیف یا بدون خطر بیابان‌زایی به نفع وقوع پدیدة بیابان‌زایی تفسیر می‌شود؛ زیرا روند کاهشی مساحت کلاس‌های خطر بدون بیابان‌زایی و متوسط نشان‌دهندة افزایش وسعت اراضی است که از سال 2000 تا 2018 میلادی وضعیت رو به نقصانی را پشت سر گذاشته و خطر بیابان‌زایی در آنها با شدت بیشتری افزایش یافته است؛ از سوی دیگر افزایش مساحت کلاس‌های خطر شدید، نسبتاً شدید و متوسط به شکل آشکاری نشان از وضعیت رو به افول اراضی تحت اشغال دارد.

3‌.4. بررسی علل وقوع بیابان‌زایی در محدودة پژوهش

با مقایسة نقشه‌های خطر بیابان‌زایی و پیرو آن نقشه‌های طبقه‌بندی به‌دست‌آمده برای سال‌های 2000 (1379) و 2018 م (1397) و پس از بررسی نتایج حاصل از به‌کارگیری الگوریتم کشف تغییرات آماری درزمینة روند وقوع بیابان‌زایی به صعودی‌بودن آن طی بازة زمانی مدنظر (18ساله) پی برده می‌شود. با توجه به شاخص‌های طیفی منتخب برای تهیة نقشة خطر بیابان‌زایی، مناطقی که کمترین میزان سبزینگی را دارند به‌مثابة مناطق کلاس خطر شدید و نسبتاً شدید شناسایی شده‌اند. این نواحی کمترین میزان نمناکی و خاک آنها بیشترین درجة روشنایی را دارد و در زمرة خاک‌های بایر است. براساس نتایج، نیمة شرقی محدودة پژوهش به‌ویژه اراضی واقع در شمال شرق و جنوب شرق دریاچة ارومیه بیش از نیمة غربی از وقوع پدیدة بیابان‌زایی متأثر شده است. در شمال شرق (در فاصلة بندر شرفخانه در شمال و آبادی داش‌کسن) پس از حریم دریاچه، جلگة کویری وسیعی قرار دارد که به سمت شرق تا نزدیکی‌های تبریز کشیده شده که در بعضی منابع با نام «کویر کبودان» شناخته شده است (جداری عیوضی، 1361: 3). رنگ خاک عموماً در این نواحی خاکستری و جزو خاک‌های شور و قلیایی است. در این پهنه‌های خاکستری‌رنگ همانند پهنه‌های رسی، پوشش گیاهی زیادی وجود ندارد. فرسایش خاک در این جلگه با باد و باران و تشکیل تپه‌های ماسه‌ای، پیدایش تدریجی بیابان را نشان می‌دهد.

در جلگة رود گدار و در جهت جنوب و جنوب شرق دریاچة ارومیه در اثر نبود زهکشی مناسب و تراکم تدریجی نمک در خاک، کویرهای کوچکی وجود دارد که وسعت آنها در بازة زمانی مطالعه‌شده گسترش یافته است. اراضی حاصل از پس‌رفت دریاچة ارومیه در کلاس خطر بیابان‌زایی متوسط قرار گرفته‌اند. دلیل این امر ماهیت شاخص میزان نمناکی است. این اراضی به شکل شوره‌زاری پیرامون دریاچه تشکیل شده است و عرض آن متناسب با شیب و وسعت جلگه‌های ساحلی در جهات مختلف تغییر می‌کند. در فصل خشک قسمت‌هایی از این نوار با لایه‌ای از نمک غیرمتراکم پوشیده می‌شود که رنگ آن صورتی دیده می‌شود. انتظار می‌رود در فصول پرآبی از وسعت این اراضی کاسته شود. مناطق دارای میزان سبزینگی مناسب که غالباً کاربری کشاورزی و باغی دارند، همانند باغ‌های انگور میاندوآب (واقع در جنوب)، اراضی کشاورزی و مراتع واقع‌شده روی مخروط‌افکنه‌های شکل‌گرفته در پای میشوداغ (واقع در شمال) و بدنه‌های آبی حاضر در محدودة مطالعه‌شده مانند سد آبی تازه‌کند (واقع در جنوب غرب) در کلاس خطر بدون بیابان‌زایی یا در کلاس خطر بیابان‌زایی ضعیف قرار دارند.

شناسایی عوامل مؤثر در وقوع پدیدة بیابان‌زایی در هر محدوده‌ای نیازمند مدل‌سازی این پدیده براساس یک مدل منطقه‌ای مناسب است. برای شناسایی مهم‌ترین عوامل مؤثر در وقوع بیابان‌زایی با استفاده از مطالعات پیشین، مهم‌ترین معیارها و شاخص‌های مؤثر در بیابان‌زایی نظیر معیار اقلیم (با سه شاخص بارندگی، تبخیر- تعرق و شاخص خشکی)، معیار آب‌های زیرزمینی (با چهار شاخص میزان هدایت الکتریکی، میزان کلر، میزان نسبت جذب سدیمی و افت سطح ایستابی)، معیار خاک (با سه شاخص میزان هدایت الکتریکی، بافت و مواد آلی خاک)، معیار درصد پوشش گیاهی، معیار نوع کاربری اراضی و معیار فرسایش بادی شناسایی و پس از تهیة لایه‌های اطلاعاتی آنها به محیط نرم‌افزار ادریسی و مدل رگرسیون لجستیک وارد شد. برای مدل‌سازی و شناسایی مهم‌ترین عوامل وقوع بیابان‌زایی، پهنه‌هایی (نواحی) که در مرحلة پایش روند بیابان‌زایی به‌مثابة نواحی خط شدید و نسبتاً شدید شناسایی شده بودند، به‌مثابة متغیر وابسته و عوامل چهارده‌گانة بیان‌شده به‌مثابة متغیرهای مستقل در مدل رگرسیون لجستیک معرفی شدند.

     
     
     
 

 

       

شکل 8. عوامل مؤثر در وقوع بیابان‌زایی در محدودة مطالعه‌شده (نویسندگان، 1398)

Figure 8. Effective factors on the occurrence of desertification in the study area (Authors, 2019)

شکل 9 ضریب تأثیرگذاری هریک از عوامل مؤثر را نشان می‌دهد. براساس نتایج به‌دست‌آمده از اجرای مدل رگرسیون لجستیک، معیار آب‌های زیرزمینی با شاخص‌هایی نظیر میزان هدایت الکتریکی آب (17/1)، میزان کلر (97/0)، میزان جذب سدیمی (84/0)، معیار اقلیم با شاخص خشکی (62/0) و درصد پوشش گیاهی (58/0)، بیشترین ضریب تأثیرگذاری را در وقوع بیابان‌زایی در محدودة مطالعه‌شده دارند.

.

شکل 9. ضریب تأثیرگذاری عوامل مطالعه‌شده در وقوع بیابان‌زایی در محدودة مطالعه‌شده (نویسندگان، 1398)

Figure 9. The coefficient of influence of the studied factors on the occurrence of desertification in the studied area (Authors, 2019)

آب‌های مناطق خشک و نیمه‌خشک حاوی مقدار زیادی کلر است که براثر مصرف این‌گونه آب‌ها مقدار زیادی کلر در خاک‌های زراعی متراکم می‌شود. افزایش بیش از حد مجاز کلر در خاک، علاوه بر سمی‌کردن گیاهان باعث متوقف‌شدن فعالیت بیولوژیکی می‌شود و از این راه در تخریب اراضی و بیابان‌زایی نقش دارد (بوعلی و همکاران، 1396: 214)؛ بنابراین میزان زیاد کلر موجود در آب‌های زیرزمینی ازجمله عوامل شوری خاک و عامل محدودکنندة رشد پوشش گیاهی در محدودة پژوهش است.

میزان هدایت الکتریکی آب‌های زیرزمینی در محدودة مطالعه‌شده نیز به دلیل کاهش بارندگی و افزایش میزان تبخیر زیاد است. همین امر به تخریب ساختمان خاک و ایجاد مشکلاتی در زهکشی اراضی منجر شده و پوشش گیاهی منطقه را ازلحاظ کمی دچار نقصان و کاهش کرده است؛ از سوی دیگر شوری آب در منطقة ریشه‌دوانی گیاهان به تمرکز نمک منجر شده و انتقال آب از خاک به گیاهان را کاهش داده و پیرو آن باعث کاهش سلامت گیاهان و بیابان‌زایی شده است. در چنین شرایطی کاهش سطح تراز آب دریاچة ارومیه سبب آزادشدن اراضی بستر دریاچه شده است. ماهیت ژئومورفولوژیکی اراضی حاصل از پس‌رفت آب دریاچه سبب افزایش وسعت اراضی بیابانی در محدودة پژوهش شده است.

 

فرسایش و اضمحلال بافت خاک (فرسایش آبی)

(دشت تبریز- شمال روستای مایان)

Erosion and decay of soil texture (water erosion)

(Tabriz plain - north of the villageMayan)

 

پهنه‌های رسی- نمکی ایجادشده در اطراف دریاچة ارومیه

(ساحل شرقی- مسیر تبریز- ارومیه)

Clay-salt zones created around Lake Urmia (East coast- of Tabriz-Urmia road)

 

اراضی بایر (اراضی انتهایی منطقة موسوم به کویر کبودان به دریاچة ارومیه: این اراضی فاقد توان بیولوژیکی است)

Barren lands - the end lands of the region called Kaboudan desert to Lake Urmia:

These lands lack biological potential

 

 

اراضی بایر با پوشش گیاهی نامناسب و دچار فرسایش آبی (قوم تپه)

Barren lands with inadequate vegetation and water erosion (kum Tape)

 

پهنه‌های رسی (تصویر سمت راست) و اراضی بایر دارای پوشش گیاهی ضعیف (تصویر سمت چپ)؛ (غرب شهرستان عجب‌شیر روستای رحمانلو)

Right: Clay Zones. Left: The lands with poor vegetation coverage

 

اراضی بایر واقع در شمال محدودة مطالعه‌شده (اطراف خامنه)

Barren lands located in the north of the study area (around Khamenei)

شکل 10. تصاویری از اراضی بایر و دارای چهرة بیابانی در محدودة مطالعه‌شده (نویسندگان، 1398)

Figure 10. Pictures of barren lands with desert faces in the study area (Authors, 2019)

  1. نتیجه‌گیری

پژوهش حاضر با هدف بررسی وقوع پدیدة بیابان‌زایی در محدودة پیرامونی دریاچة ارومیه با استفاده از مهم‌ترین شاخص‌های طیفی معرف بیابان‌زایی شامل پوشش گیاهی تفاضلی نرمال‌شده، آلبدوی سطحی و شاخص تسلدکپ با سه مؤلفة میزان نمناکی، ضریب روشنایی و میزان سبزینگی در قالب زوج شاخص‌های طیفی انجام شد و نتایج زیر به دست آمد:

  • دو زوج شاخص طیفی میزان سبزینگی- ضریب روشنایی، میزان رطوبت و ضریب روشنایی با داشتن ضریب همبستگی منفی، بهترین زوج شاخص‌های معرف بیابان‌زایی در محدودة پژوهش هستند؛ از این رو نقشه‌های شدت خطر بیابان‌زایی با استفاده از به‌کارگیری زوج شاخص طیفی یادشده به دست آمد.
  • صحت و دقت نقشه‌های به‌دست‌آمده در مرحلة‌ قبل با استفاده از الگوریتم طبقه‌بندی بیشترین درجة شباهت و ابزار ماتریس خطا بررسی شد و الگوریتم یادشده با کسب درجة صحت 96/91 و ضریب کاپای معادل 95/0 برای نقشة طبقه‌بندی سال 2000 میلادی و درجة صحت 25/91 و ضریب کاپای 89/0 برای نقشة طبقه‌بندی‌شدة سال 2018 میلادی نشان از انطباق خوب و مناسب نتایج به‌دست‌آمده با واقعیت‌های زمینی دارد.
  • براساس نتایج به‌دست‌آمده افزایش 01/5 درصدی مساحت کلاس خطر شدید، افزایش 47/11 درصدی مساحت کلاس نسبتاً شدید، افزایش 12/6 درصدی مساحت کلاس متوسط و کاهش 17/9 درصدی کلاس خطر ضعیف و کاهش 43/13 درصدی مساحت کلاس خطر بدون بیابان‌زایی به نفع وقوع پدیدة بیابان‌زایی تفسیر می‌شود؛ بدین ترتیب می‌توان نتیجه گرفت وقوع پدیدة بیابان‌زایی طی سال‌های آماری 2000 تا 2018 روند صعودی داشته و خطر بیابان‌زایی در محدودة پژوهش با شدت بیشتری افزایش یافته است.
  • نقشه‌های شدت خطر بیابان‌زایی در سال 2000 و 2018 میلادی نشان می‌دهد اراضی واقع در ساحل شرقی دریاچة ارومیه به‌ویژه اراضی واقع در جنوب شرق دریاچة ارومیه و اراضی واقع در منتهی‌الیه دشت تبریز و مشرف به دریاچة ارومیه در مقایسه با اراضی واقع در ساحل غربی دریاچة ارومیه حساسیت بیشتری دربرابر خطر بیابان‌زایی دارد و تخریب اراضی در این نواحی در بازة زمانی مطالعه‌شده با شدت بیشتری رخ داده است. این نواحی ویژگی‌هایی همانند فقدان پوشش گیاهی مؤثر، ظهور شکوفه‌های نمکی در سطح زمین، کمبود رطوبت خاک و درنتیجه وجود خاک‌های خشک و مستعد فرسایش بادی دارند.
  • مناطق دارای میزان زیاد پوشش گیاهی، خاک‌های مرطوب و زیر سیطرة پیکره‌های آبی نظیر دریاچة ارومیه یا سد آبی واقع در جنوب غرب دریاچه و مناطق واقع در شمال غرب، جزو مناطق واقع در کلاس خطر ضعیف یا بدون خطر بیابان‌زایی هستند.
  • براساس نتایج به‌دست‌آمده، معیار آب‌های زیرزمینی با شاخص‌هایی نظیر میزان هدایت الکتریکی آب (17/1)، میزان کلر آب زیرزمینی (97/0)، میزان جذب سدیمی آب زیرزمینی (84/0) و معیار اقلیم با شاخص خشکی (62/0) و درصد پوشش گیاهی (58/0)، بیشترین ضریب تأثیرگذاری را در وقوع بیابان‌زایی در محدودة مطالعه‌شده دارند.


1. United Nation Conference on Combating Desertification (UNCCD)

[2]. Collado et al.

3. San Luis Province

4. Cui et al.

5. Kundu, A. Patel, N. Saha, S. Dutta, D

6. linear spectral unmixing (LSU) method

7. Rajasthan

1. Liangliang et al.

2 Iranian Model of Desertification Potential Assessment

[10]. Normalized Different Vegetation Index

[11]. Albedo

[12]. Brightness (TCT)

[13]. Wetness (TCT)

[14]. Greenness (TCT)

[15]. Liang’s formula

[16]. QGIS

[17]. Maximum Likelihood

2. Region of Interest

3. Confusion Matrix using Ground Truth ROI

1. Change detection statistic

منابع

اختصاصی، محمدرضا، سپهر، عادل، (1390). روش‌ها و مدل‌های ارزیابی و تهیة نقشة بیابان‌زایی، چاپ 1، یزد، انتشارات دانشگاه یزد.

بوعلی، عبدالحسین، جعفری، رضا، بشری، حسن، (1396). بررسی تأثیر برخی شاخص‌های کیفیت آب زیرزمینی بر بیابان‌زایی اراضی دشت سگزی اصفهان با استفاده از Bayesian Belief Networks، نشریة علوم آب و خاک، سال 21، شمارة 3، 205-218.

جداری عیوضی، جمشید، (1361). کویر کبودان، ویژگی‌های ژئومورفولوژی، مؤسسة جغرافیای دانشگاه تهران، انتشارات جغرافیایی، شمارة 18، 1-27.

جهاد کشاورزی، انتشارات مؤسسة آب و خاک، (1342).‌‌ نقشة خاک‌شناسی ایران، مقیاس 2500000/1.

داوری، سرور، راشکی، علیرضا، اکبری، مرتضی، طالبان‌فرد، علی‌اصغر، (1397). پایش تغییرات زمانی مکانی شاخص‌های مؤثر در بیابان‌زایی مناطق خشک جنوب استان خراسان رضوی، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، سال 9، شمارة 2، 17-32.

رحیمی، حسین، (1391). مدلسازی زمانی- مکانی تغییرات پوشش زمین با تلفیق تحلیل زنجیرة مارکوف، شبکه‌های عصبی مصنوعی و سلول‌های خودکار؛ مطالعة موردی: بخش شرقی دشت تبریز، پایان‌نامة کارشناسی ارشد، استاد راهنما: رستم‌زاده، هاشم، دانشگاه تبریز، دانشکدة برنامه‌ریزی و علوم محیطی.

طاووسی، تقی، شجاع، فائزه، اکبری، الهه، عسکری، الهه، (1395). ارزیابی تغییرات کاربری اراضی و تحلیل روند بیابان‌زایی اقلیمی چالة گاوخونی، فصلنامة علمی- پژوهشی فضای جغرافیایی اهر، سال 16، شمارة 56، 94-79.

هاشمی‌نسب، نگار، جعفری، رضا، (1397). ارزیابی تغییرات کاربری اراضی به‌منظور پایش بیابان‌زایی، نشریة تحلیل فضایی مخاطرات محیطی، سال 5، شمارة 3، 59-74.

Binal A., Christian, P.S., Dhinwa, A., (2018). Long term monitoring and assessment of desertification processes using medium & high resolution satellite data, Applied Geography, (97), 10- 24.

Boali, A.H., Jafari, R., Bashari, H., (2016). Analyzing the Effect of Groundwater Quality on Desertification using Bayesian Belief Networks in Segzi Desertification Hotspot, Water and Soil Science (Sci. & Technol. Agric. & Natur. Resour), (21) 3, 205-2018.

Collado, A.D., Chuvieco, E., Camarasa, A., (2002). Satellite remote sensing analysis to monitor desertification processes in the crop- rangeland boundary of Argentina, Journal of Arid Environmental, (52) 1, 121- 133.

Cui, Guishan, L., woo-kyun, K., Doo-Ahn, C., Sungho, P., Taeijin, E., Jongyeol, L., (2011). Desertification monitoring by Landsat TM satellite imagery, (7) 3, 110- 116.

Davri, S., Rashki, A.R., Akbari, M., Talebanfard, A.A., (2018). Monitoring of spatio-temporal indices on desertification in arid regions of south of Khorasan Razavi province, RS & GIS for Natural Resources, (9) 2, 17- 30.

Ekhtesasi, M.R., Sepehr, A., (2011). Methods and Models of Desertification Assessment and Mapping, first edition, Yazd: Yazd University Press.

Foody, G.M., (2002). Status of land cover classification accuracy assessment, Remote Sensing of Environment, (80) 1, 185- 201.

Hasheminasab, S., Jafari, R., (2018). Evaluation of Land Use Changes order to Desertification Monitoring Using Remote Sensing Techniques, Journal of Spatial Analysis Environmental Hazard, (5) 3, 67- 82.

Jedari Eyvazi, J., (1982). Geomorphological character of Kabudan desert, Research of geography, University of Tehran, (18), 1- 27.

Kundu, A., Patel, N.R., Saha, S.K., Dutta, D., (2014). Monitoring the extent of desertification processes in western Rajasthan (India) using geo- information science, Arab Geoscience, (8) 8, 5727- 5737.

Lamqadem, A.A., Hafid, S., Biswajeet, P., (2018). Quantitative Assessment of Desertification in an Arid, Oasis Using Remote Sensing Data and Spectral, Remote Sens, (10) 1862, 1- 18.

Liangliang, J., Guli, J., Anming, B., Alishir, K., Hao, G., Guoxiong, Z., Philippe De, M., (2019). Monitoring the long-term desertification process and assessing the relative roles of its drivers in Central Asia, Ecological Indicators, (104) 1, 195- 208.

Masoudi, M., Parviz, J., Biswajeet, P., (2018). A new approach for land degradation and desertification assessment using geospatial techniques, Nat, Hazards Earth Syst Science, (18), 1133- 1140.

Ministry of Agriculture –Jahad, Soil and Water Research Institute, Soil map of Iran, 1/25000000 Scale.

Moharani, P.C., Shalu, S., Bhatt, R.K., (2013). NDVI based assessment of desertification in Jaiaslmer district of Rajashan to regional climate variability, Conference: xxx III INCA international congress at Jodhpur, (3), 1- 10.

Negli, K., Damm, A., Huss, M., Wulf, H., Scheapman, M., Hoelzle, M., (2017). Cross-comparison of albedo products for glacier surface derived from air born and satellite sentinel-2 and landsat-8: optical data,Remote sensing, (9) 2, 1- 22.

Rahimi, Hossein, (2012). Spatial-spatial modeling of land cover changes by combining Markov chain analysis, artificial neural networks and automated cells (Case study: Eastern part of Tabriz plain), Thesis for master's degree. Supervisor: Hashem Rostamzadeh, Faculty of Planning and Environmental Sciences, University of Tabriz.

Tavosi, T., Shojae, F., Akbari, E., Asgari, E., (2016). Assessment of land use change and Analysis process climate desertification wetland Gavkhyny, Geographical Space Journal, (16) 56, 79- 94.

Xu, D., Kang, X., Qiu, D., Zhuang, D., Pan, J., (2009). Quantitative Assessment of desertification Using Landsat Data on a Regional Scale- A case study in the Ordos Plateau, China, Sensors, (9) 3, 1738- 1753.