Identification of Geomorphological Structures of Forest Areas Using Radar Images and Openness Analysis

Document Type : Research Paper

Authors

1 Assistant Professor, Department of Geography, Shahid Bahonar University of Kerman, Kerman, Iran

2 Associate Professor, Department of Geography, Shahid Bahonar University of Kerman, Kerman Iran

Abstract

Introduction:
The forest area of northern Iran is located in the Alborz structural zone. Because of active tectonics of the Alborz Zone, many morphotectonic structures have been developed in the forest area. Among these structures, we can mention the important faults that occurred in this region, such as the Caspian fault and the North Alborz fault, or numerous landslides. The study of geological and morphotectonic studies in forest areas is very difficult due to the presence of tree cover on the soil surface and the impediment to direct observation of the landform and the ground. Therefore, the use of conventional methods of geotechnical studies such as optical satellite image processing in these areas does not work. Compared to traditional methods, the use of radar data in ground-level studies is one of the relatively new approaches in the field of remote sensing science that takes advantage of more capabilities in this field. In addition to using radar data to determine the amount of displacement that occurred at the ground level due to various factors, this data can also be used to prepare a high-precision digital elevation model, a model that directly reflects bare surface properties and extracts very useful information, especially when the land is covered by forests and trees.
 
Methodology:
An openness technique expressing the degree of dominance or enclosure of a location on an irregular surface was developed by Yokoyama et al. (2002). This technique calculates an angular measure of the relationship between surface relief and horizontal distance. It uses the horizontal surface distance and elevation-related angle to compute the slope information of an irregular terrain surface at different positions, and the results can be used to identify the topographic features of the area. This method calculates the zenith and nadir angles at equally spaced locations in eight azimuth directions from the line of sight of the terrain. RRIM is a new 3D visualization approach proposed by Chiba et al. An RRIM is a multi-layered illumination-free image that can be used to simultaneously visualize topographic slopes, concavities, and convexities. The basic concept of an RRIM is to multiply three landform element layers: topographic slopes, positive openness, and negative openness. An RRIM is generated using an overlay of a red-colored slope map on the I-value map. The red color is used to describe the slope angle because it has been empirically demonstrated to provide the richest tone for human eyes. This overlay highlights the 3D topography on a single image, where the I-value performs an illumination role and the saturation of red describes the steepness of the topography.
 
Results and Discussion:
By performing radar interferometry technique on ALOS/PALSAR images, a digital elevation model of 12 meters from the study area was prepared. The shaded relief maps obtained from different elevation models have been compared. Based on the results, the RRIM model of an area along the North Alborz Fault shows evidence of displacement caused by this fault. The fault wall of the North Alborz fault has been identified. The fault line is marked with yellow arrows. It shows a range of 30 km that has been displaced. In order to identify the landslides occurring in the study area, a 12 m digital elevation model and the RRIM method were used. Landslide areas with yellow arrows are shown. These landslides occur mostly in areas close to the main waterways and in areas with a higher slope. The location of the 3 areas identified by this method is on the landslide map of the country and is approved. The red dots are the landslide ranges and the blue circles are the landslide positions identified in this study that are completely in agreement with the landslides.
 
Conclusions:
In forested areas, due to dense tree cover, the study of surface features and phenomena is limited. As a result, it is difficult to map topographically in these areas. But, radar images can be very helpful in such cases because they can capture data from under the cover of trees. The results of applying the interference method on the mentioned radar images led to the preparation of a digital elevation model of 12 meters above the ground in the study area. Since the common methods used in the display and analysis of geomorphology have shortcomings such as deformation of surface features, as a result of changes in the direction of lighting, in this study, the openness method and RRIM were used. These methods overcome the limitations of older methods and provide better capabilities. Field surveys conducted in the study area and adaptation of the identified landslides to the landslide location map of the country indicate the confirmation of the efficiency of the methods used in this study. Therefore, these methods can be used in similar areas.
 
Keywords: Radar Images, Openness Analysis, RRIM, Geomorphological Structures, Forest Area.
 
References:
- Amarjargal, S., Kato, T., & Furuya, M. (2013). Surface Deformations from Moderate-Sized Earthquakes in Mongolia Observed by InSAR. Journal of Earth, Planets, and Space, 65(7), 713-723.
- Bourgine, B., & Baghdadi, N. (2005). Assessment of C-Band SRTM DEM in a Dense Equatorial Forest Zone. Comptes Rendus Geosciences, 337(14), 1225-1234.
- Chiba, T., & Hasi, B. (2016). Ground Surface Visualization Using Red Relief Image Map for a Variety of Map Scales. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2, 393-397.
- Chiba, T., Kaneta, S. I., & Suzuki, Y. (2008). Red Relief Image Map: New Visualization Method for Three Dimensional Data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(2), 1071-1076.
- Chiba, T., Suzuki, Y., & Hiramatsu, T. (2007). Digital Terrain Representation Methods and Red Relief Image Map, a New Visualization Approach. Journal of the Japan Cartographers Association, 45(1), 27-36.
- Civico, R., Pucci, S., De Martini, P. M., & Pantosti, D. (2015). Morphotectonic Analysis of the Long-Term Surface Expression of the 2009 L’Aquila Earthquake Fault (Central Italy) Using ALOS/ PALSAR Data. Tectonophysics, 644, 108-121.
- Doneus, M. (2013). Openness as Visualization Technique for Interpretative Mapping of Airborne Lidar Derived Digital Terrain Models. International Journal of Remote Sensing, 5(12), 6427-6442.
- Eldhuset, K. (2017). Combination of Stereo SAR and InSAR for DEM Generation Using TanDEM-X Spotlight Data. International Journal of Remote Sensing, 38(15), 4362-4378.
- Ferretti, A., Colombo, D., Fumagalli, A., Novali, F., & Rucci, A. (2015). InSAR Data for Monitoring Land Subsidence: Time to Think Big. Proceedings of the International Association of Hydrological Sciences, 372, 331-334.
- Gabriel, A. K., Goldstein, R. M., & Zebker, H. A. (1989). Mapping Small Elevation Changes Over Large Areas: Differential Radar Interferometry. Journal of Geophysical Research: Solid Earth, 94(7), 9183-9191.
- Ghazifard, A., Akbari, E., Shirani, K., & Safaei, H. (2017). Evaluating Land Subsidence by Field Survey and D-InSAR Technique in Damaneh City, Iran. Journal of Arid Land, 9(5), 778-789.
- Hu, J., Ding, X. L., Zhang, L., Sun, Q., Li, Z. W., Zhu, J. J., & Lu, Z. (2016). Estimation of 3-D Surface Displacement Based on InSAR and Deformation Modeling. IEEE Transactions on Geoscience and Remote Sensing, 55(4), 2007-2016.
- Lin, C. W., Tseng, C. M., Tseng, Y. H., Fei, L. Y., Hsieh, Y. C., & Tarolli, P. (2013). Recognition of Large Scale Deep-Seated Landslides in Forest Areas of Taiwan Using High Resolution Topography. Journal of Asian Earth Sciences, 62, 389-400.
- Ozouville, N., Deffontaines, B., Benveniste, J., Wegmuller, U., Violette, S., & De Marsily, G. (2008). DEM Generation Using ASAR (ENVISAT) for Addressing the Lack of Freshwater Ecosystems Management, Santa Cruz Island, Galapagos. Journal of Remote Sensing of Environment, 112(11), 4131-4147.
- Pinheiro, M., Reigber, A., Scheiber, R., & Jaeger, M. (2014). DEM Generation Using Large-Baseline Airborne InSAR, EUSAR 2014. 10th European Conference on Synthetic Aperture Radar, 3-5 June 2014.
- Pourghasemi, H. R., Moradi, H. R., & Fatemi Aghda, S. M. (2015). Prioritizing Effective Factors in Landslide Occurrence and its Susceptibility Mapping Using Shannon’s Entropy Index. JWSS-Isfahan University of Technology, 18(70), 181-192.
- Yokoyama, R., Shirasawa, M., & Pike, R. J. (2002). Visualizing Topography by Openness: A New Application of Image Processing to Digital Elevation Models. Journal of Photogrammetric Engineering and Remote Sensing, 68, 257-265.
- Yu, J. H., & Ge, L. (2010, April). Digital Elevation Model Generation Using Ascending and Descending Multi-baseline ALOS/PALSAR Radar Images. In FIG Congress 2010 Facing the Challenges–Building the Capacity Sydney, Australia, 11-16 April 2010. 15pp.
 
 
 

Keywords

Main Subjects

Full Text

مقدمه

محدودة جنگلی شمال ایران در بخش ساختاری البرز قرار دارد؛ درنتیجة تکتونیک فعال زون البرز، ساختارهای مورفوتکتونیکی زیادی در محدودة جنگلی توسعه یافته است. ازجملة این ساختارها، گسل‌های مهم رخ‌داده در این منطقه نظیر گسل خزر و شمال البرز یا زمین‌لغزش‌های فراوان رخ‌داده در این مناطق است (طبسی و عباسی، 1381: 43). با توجه به اهمیت مطالعات مورفوتکتونیکی در ارزیابی خطرات محیطی، شناخت و بررسی پدیده‌های ژئومورفیک امری مهم به شمار می‌آید. بررسی مطالعات زمین‌شناسی و مورفوتکتونیکی در مناطق جنگلی به دلیل وجود پوشش درختی روی سطح خاک و ممانعت در مشاهدة مستقیم لندفرم و سطح زمین بسیار مشکل است؛ درنتیجه استفاده از روش‌های معمول مطالعات ژئوتکنیکی نظیر پردازش تصاویر ماهواره‌ای اپتیکی در این مناطق پاسخگو نیست. در مقایسه با روش‌های سنتی، استفاده از داده‌های راداری در مطالعات سطح زمین، یکی از روش‌های نسبتاً جدید در علم سنجش از دور است که از قابلیت‌های بیشتری در این زمینه بهره می‌برد (Ferretti et al., 2015: 1; Hu et al., 2017: 27). از داده‌های راداری ضمن استفاده در تعیین میزان جابه‌جایی‌های رخ‌داده در سطح زمین ناشی از عوامل مختلف (مهرابی و پورخسروانی، 1397: 62؛ Ghazifard et al., 2017: 778; Amarjargal et al., 2013: 713)، در تهیة مدل ارتفاع رقومی با دقت زیاد نیز بهره برده می‌شود (Ozouville et al., 2008: 4131; Yu and Ge, 2010: 124; Pinheiro et al., 2014: 78; Eldhuset, 2017: 4362)؛ مدلی که ویژگی‌های سطح لخت زمین را به‌طور مستقیم بازتاب می‌دهد؛ همچنین این مدل موجب استخراج اطلاعات بسیار مفیدی از سطح زمین در مناطق پوشیده از جنگل می‌شود (Bourgine and Baghdadi, 2005: 1225).

در فناوری رادار، امواج با عبور از پوشش جنگلی به سطح زمین می‌رسند و ویژگی سطح را بازتاب می‌دهند. این نفوذپذیری برای طول موج‌های مختلف رادار متفاوت است؛ برای نمونه نفوذ باند L (طول موج 15-30 سانتی‌متر) و P (طول موج 5/7-15 سانتی‌متر) از باند K (طول موج 9/3-5/7 سانتی‌متر) و X (طول موج 4/2-9/3 سانتی‌متر) بیشتر است؛ به همین منظور معمولاً برای مطالعة مناطق جنگلی از تصاویر فعال در باند L (مانند تصاویرAlos Palsar) استفاده می‌شود (Bourgine and Baghdadi, 2005: 1227).

مطالعات متعددی درزمینة استفاده از تصاویر رادار در مناطق جنگلی انجام شده است؛ برای نمونه لین و همکاران[1] (2013) با استفاده از تصاویر رادار اشکال مورفوتکتونیکی را در مناطق جنگلی تایوان بررسی کرده‌اند.

سیویکو و همکاران[2] (2015) با استفاده از تصاویر ALOS/ PALSAR مدل رقومی ارتفاعی تهیه و ساختارهای مورفوتکتونیکی ناشی از گسل عامل زلزلة لاکولای ایتالیا را در سال 2009 بررسی کرده‌اند. به‌منظور نمایش بهتر و استفادة بیشتر از مدل ارتفاع رقومی به‌تازگی دو روش آنالیز بازشدگی[3] و نقشة تصویر قرمز برجسته[4] (RRIM) به کار گرفته شده است (Doneus, 2013: 6428; Chiba and Hasi, 2016: 393). در این روش‌ها، توپوگرافی منطقه بدون سایه و با جزئیات زیاد به نمایش درآمده است و درنتیجه برای نمایش اشکال مورفوتکتونیکی بسیار مفید و مناسب هستند.

هدف این پژوهش، استفاده از تصاویر راداری ALOS/ PALSAR به‌منظور تهیة مدل ارتفاع رقومی با دقت مناسب و استفاده از این مدل در آنالیز بازشدگی و RRIM برای بررسی اشکال مورفوتکتونیکی مناطق جنگلی شمال کشور ازجمله گسل شمال البرز و زمین‌لغزش‌های رخ‌داده در منطقه است؛ موضوعی که با استفاده از روش‌های سنتی به دلیل پوشش جنگلی به‌خوبی قابل مطالعه نیست.

 

منطقة پژوهش

محدودة پژوهش شامل بخش‌هایی از منطقة جنگلی شمال کشور واقع در عرض جغرافیایی 36 درجه تا 36 درجه و 30 دقیقة شمالی و طول جغرافیایی 52 درجه تا 53 درجه و 30 دقیقة شرقی است. به‌لحاظ ساختاری این محدوده در زون البرز مرکزی قرار گرفته است (شکل 1). منطقة پژوهش در استان مازندران قرار دارد. در این محدوده دو گسل اصلی خزر و البرز شمالی فعالیت دارند.

 

شکل 1. محدودة پژوهش

Figure 1. Study area

 

داده‌ها و روش پژوهش

ماهوارة ALOS[5] را آژانس تحقیقات هوافضای ژاپن در سال 2006 به فضا پرتاب کرد. سنجندة راداری آن به نام PALSAR فعال در باند L در روز و شب و تمامی شرایط آب‌وهوایی تصویربرداری می‌کند. برای انجام این پژوهش، یک جفت تصویر راداری سنجندة PALSAR از ماهوارة ALOS به آژانس هوافضای ژاپن سفارش داده شد و در اختیار قرار گرفت. دلیل انتخاب تصاویر این سنجنده، فعالیت آن در باند L است و از آنجایی که امواج در این طول موج بیشترین نفوذ را در سطح زمین به‌ویژه در مناطق جنگلی دارند، برای پژوهش حاضر از دیگر انواع تصاویر راداری مناسب‌تر است. این جفت تصویر به تاریخ‌های 25/03/2008 و 07/05/2008 مربوط هستند. در روش تداخل‌سنجی همواره تصویر اول را تصویر پایه[6] و تصویر بعدی را تصویر پیرو[7] می‌نامند. یکی از تصاویر به‌صورت بالارو[8] و دیگری به‌صورت پایین‌رو[9] تصویربرداری شده‌اند. سعی شد تصاویر استفاده‌شده خط مبنای (فاصله بین مسیرهای پرواز ماهواره) مناسب برای استخراج مدل رقومی ارتفاع داشته باشند؛ زیرا در تکنیک تداخل‌سنجی، تصاویر با فاصلة مبنای مکانی کم برای تعیین تغییرات جابه‌جایی سطح زمین و تصاویر با فاصلة مبنای بیشتر برای تولید مدل ارتفاع رقومی مناسب هستند (Ozouville et al., 2008: 4131)؛ همچنین فاصلة زمانی بین دو تصویر نیز کم انتخاب شد که فاز جابه‌جایی تأثیری بر کار نگذارد. اطلاعات مربوط به تصاویر و فاصلة مبنای آنها در جدول 1 ارائه شده است. پردازش‌ها و تکنیک تداخل‌سنجی با افزونة Sarscape 4.3 مربوط به نرم‌افزار ENVI 4.8 صورت پذیرفت و در این زمینه از نرم‌افزار ArcGIS 10.3 نیز استفاده شد.

جدول 1. اطلاعات مربوط به تصاویر و فاصلة مبنای آنها

Table 1. Information about images and their base Line

زوج تصویر

فاصلة مبنا (متر)

فاصلة مبنای

بحرانی (متر)

ابهام ارتفاعی (متر)

جابه‌جایی رنج (متر)

جابه‌جایی آزیموت (متر)

مرکز داپلر (متر)

مرکز داپلر

بحرانی (متر)

25/03/2008 (تصویر پایه)

07/05/2008 (تصویر پیرو)

2/349

5/930

2/10

8/43

2/543

7/86

4/1652

 

تداخل‌سنجی رادار

نخستین‌بار گابریل و همکاران[10] (1989) با استفاده از 3 تصویر، از فناوری تداخل‌سنجی راداری (InSAR) استفاده کردند. این فناوری امکان تشخیص تغییرات بسیار کوچک را در مقیاس روزانه تا سالانه در سطح زمین و در ابعاد جهانی با دقت میلی‌متر و با قابلیت اعتماد زیاد در شب و روز و در هر شرایط آب‌وهوایی فراهم می‌کند. از این روش، علاوه بر بررسی تغییرات و جابه‌جایی‌های رخ‌داده روی سطح زمین ناشی از عوامل مختلف، در تهیة مدل ارتفاع رقومی (DEM) نیز استفاده می‌شود. در روش InSAR، دو تصویر SAR اخذشده با آنتن‌های مخصوص نصب‌شده روی ماهواره یا هواپیما با هم ترکیب می‌شوند تا نقشة سه‌بعدی پوستة زمین حاصل شود (Ferretti et al., 2015: 372). تداخل نگاشت‌ها با ضرب تصویر اول به‌مثابة پایه در مزدوج تصویر دوم پیرو که به‌صورت اعداد مختلط هستند، حاصل می‌شود. نتیجة این حاصل‌ضرب شامل اختلاف فاز دو تصویر خواهد بود. همان‌طور که از رابطة زیر مشخص می‌شود، فاز تداخل‌نگاشت مشاهده‌شده مجموع چند مؤلفه است (Yu and Ge, 2010: 378).

(1)

 

 

مؤلفه‌های این معادله به ترتیب عبارت‌اند از: اثر فاز مؤلفة توپوگرافی ( )، فاز جابه‌جایی پوسته ( )، اثر مؤلفة اتمسفر ( )، اثر مؤلفه‌مداری و نویز ( ). در اینجا هدف اصلی، یافتن مؤلفة توپوگرافی است که با از بین بردن یا کاهش آثار مؤلفه‌های دیگر انجام می‌شود. اثر مدار با استفاده از پارامترهای دقیق مدار ماهواره نظیر پارامترهای مداری کاهش می‌یابد؛ همچنین میزان باقی‌ماندة خطای مداری نیز ممکن است به‌صورت روندی کلی از نتایج حذف شود. اثر اتمسفر در مناطق گرم و خشک به دلیل نبود رطوبت معمولاً صفر در نظر گرفته می‌شود. اثر مؤلفة جابه‌جایی نیز با انتخاب تصاویر با اختلاف زمانی کوتاه خودبه‌خود قابل چشم‌پوشی است؛ بنابراین درنهایت تنها فازی که می‌ماند، فاز توپوگرافی است؛ درنهایت DEM تولیدی از پیچش‌زدایی فاز توپوگرافی و تبدیل این فاز به مقادیر ارتفاعی ایجاد می‌شود (Eldhuset, 2017: 4362).

 

آنالیز بازشدگی

از مدل ارتفاع رقومی به‌دست‌آمده از تصاویر راداری ALOS/PALSAR برای تهیة نقشة سایه- برجسته و شیب استفاده می‌شود. نقشة سایه- برجسته استفاده‌های فراوانی دارد؛ به دلیل اینکه این نقشه ظاهر طبیعی سطح زمین را نمایش می‌دهد؛ ولی در این نقشه‌ها با تغییر جهت نورپردازی، شکل عوارض سطحی تغییر می‌کند و این یکی از ویژگی‌های منفی این نوع نقشه‌هاست؛ از سویی نقشة شیب نیز با وجود اینکه مستقل از جهت نورپردازی است، درک واقعی از اشکال سطح زمین را برای ما ایجاد نمی‌کند و پستی‌ها و بلندی‌ها را به‌خوبی نشان نمی‌دهد؛ بنابراین مدل‌های نمایش سه‌بعدی زمین با وجود انتقال اطلاعات سطحی فراوان، ویژگی‌های توپوگرافی سطح زمین را به‌خوبی نمایش نمی‌دهند؛ اما آنالیز بازشدگی تصاویر راداری در مقایسه با مدل‌های سنتی نمایش سه‌بعدی، به‌خوبی آثار نور خورشید را در حین تفسیر تصاویر از بین می‌برد و مدل بهتری را برای نمایش توپوگرافی سطح زمین ایجاد می‌کند. این تکنیک را نخست یوکویاما و همکاران[11] (2002) طراحی و ابداع کردند. مبنای این روش بر محاسبة مقدار زاویه‌ای در ارتباط با میزان برجستگی و کشیدگی سطوح است؛ به طوری که با استفاده از دو فاکتور زاویه و فاصلة افقی سطوح، اطلاعات مربوط به شیب یک سطح نامنظم را در جهات مختلف محاسبه و درنتیجه کمک زیادی به شناخت اشکال توپوگرافی سطح زمین می‌کند. همان‌طور که در شکل 2 دیده می‌شود، در این روش زاویة زنیتی و نادیر در 8 جهت مختلف از نقطة A (جهات صفر، 45، 90، 135، 180، 225، 270 و 315 درجه) به فاصلة L اندازه‌گیری شده و علاوه بر آن با استفاده از معادلات 2 و 3 نیز زوایای زنیتی ( ) و نادیر ( ) قابل محاسبه است.

(2)

 

 

 

(3)

 

 
     

درنهایت زاویة متوسط مربوط به همة جهات با استفاده از معادلات 4 و 5 محاسبه می‌شود و درنتیجه مقادیر بازشدگی مثبت ( ) و منفی ( ) به دست می‌آید که هر کدام به ترتیب نشان‌دهندة توپوگرافی ستیغ و دره هستند (شکل 2). بازشدگی به دو پارامتر منفی و مثبت تقسیم می‌شود که نشان‌دهندة انحنای شیب زمین است. بازشدگی مثبت نشان‌دهندة تحدب سطح و بازشدگی منفی نشان‌دهندة مقعربودن سطح است. مدل نهایی آنالیز بازشدگی برمبنای ارزش I و با استفاده از فرمول 6 محاسبه می‌شود.

(4)

  

 

(5)

  

 

(6)

 

 

 

شکل 2. نمودار مفهومی نحوة اندازه‌گیری پارامترهای آنالیز بازشدگی(Yokoyama et al., 2002: 257)

Figure 2. Conceptual diagram of how to measure openness analysis parameters

 

نمایش سه‌بعدی به روش نقشة تصویر قرمز برجسته (RRIM)

RRIM، نوعی مدل نمایش سه‌بعدی داده‌های راداری است که چیبا و همکاران[12] (2007, 2008) ارائه کرده‌اند. RRIM، یک تصویر چندلایه و بدون نورپردازی است که برای نمایش همزمان شیب توپوگرافی و پستی‌ها و بلندی‌ها استفاده می‌شود. مفهوم پایة RRIM بر تلفیق سه لایه استوار است: شیب توپوگرافی، بازشدگی مثبت و بازشدگی منفی. این مدل با روی‌هم‌اندازی نقشة شیب قرمزرنگ[13] و نقشة ارزش I ایجاد می‌شود. طراحی نقشة شیب براساس رنگ قرمز به دلیل این است که به‌لحاظ تجربی ثابت شده این رنگ بهتر تغییرات را نشان می‌دهد. در این مدل، ارزش I نقش نمایش عوارض را دارد و درجة اشباع رنگ قرمز، میزان تغییرات شیب توپوگرافی را نشان می‌دهد.

 

یافته‌های پژوهش

با انجام تکنیک تداخل‌سنجی راداری روی تصاویر ALOS/PALSAR، مدل ارتفاع رقومی 12 متر از محدودة مطالعه‌شده تهیه شد (شکل 3). برای مقایسة دقت مدل ارتفاع رقومی به‌دست‌آمده از این روش با مدل‌های رقومی دیگر، مقایسه‌ای بین یک بخش کوچک از این مدل با مدل‌های به‌دست‌آمده از تصاویر SRTM و ASTER انجام شده است (شکل 4). در شکل 4، نقشه‌های سایه‌برجستة به‌دست‌آمده از مدل‌های ارتفاع رقومی مختلف با هم مقایسه شده است. تصویر A، تصویر ماهواره‌ای برگرفته از Google Earth مربوط به بخشی از منطقة مطالعه‌شده است؛ تصویر B، نقشة سایه‌برجستة تهیه‌شده از مدل ارتفاع رقومی 90متری ماهوارة SRTM است؛ تصویر C، مدل ارتفاع رقومی 30متری ASTER و درنهایت تصویر D، نقشة سایه‌برجستة تهیه‌شده از مدل ارتفاع رقومی 12متری به‌دست‌آمده در این پژوهش است. گفتنی است جهت آزیموت و زاویة میل نورپردازی در تصویر B و C، 315 و 45 درجه و در تصویر D، 75 و 45 درجه است.

همان‌طور که در شکل 4 مشخص است، میزان نمایش جزئیات توپوگرافی در مدل ارتفاع رقومی استخراج‌شده از تصاویر راداری ALOS/PALSAR بسیار بهتر از دیگر مدل‌هاست. درنتیجه از این مدل برای انجام آنالیزهای بعدی به‌منظور شناسایی پدیده‌های مورفوتکتونیکی در محدودة جنگلی استفاده شد.

 

شکل 3. نقشة سایه‌برجستة 12متری به‌دست‌آمده از تکنیک تداخل‌سنجی راداری (نویسندگان، 1399)

Figure 3. 12-meter hills hade map obtained from radar interferometry technique (Authors, 2020)

 

شکل 4. تصویر ماهواره‌ای و نقشه‌های سایه‌برجستة به‌دست‌آمده از مدل‌های ارتفاعی رقومی مختلف؛ الف: تصویر ماهواره‌ای برگرفته از Google Earth؛ ب: مدل ارتفاع رقومی 90متری؛ ج: مدل ارتفاع رقومی 30متری؛ د: مدل ارتفاع رقومی 12متری (نویسندگان، 1399)

Figure 4. Satellite image and hillshade maps obtained from various digital elevation models; A: Satellite image from Google Earth; B: 90-meter digital elevation model; C: 30-meter digital elevation model; D: 12-meter digital elevation model (Authors, 2020)

برای انجام تحلیل‌های مورفوتکتونیکی منطقه از روش تحلیل بازشدگی استفاده شد. تحلیل بازشدگی روی مدل ارتفاع رقومی 12متری محدودة مطالعه‌شده انجام شد. زوایای زنیتی ( ) و نادیر ( ) از 12 درجه تا 84 درجه به دست آمد؛ همچنین درنتیجة اعمال فرمول شماره 6، ارزش I برای محدودة مطالعه‌شده بین 27 درجه تا 56 درجه به دست آمد. در شکل 5 نمونه‌ای از نتیجة اعمال این تحلیل روی DEM منطقه و تصویر به‌دست‌آمده به نمایش درآمده است. تصویر A ناشی از تحلیل بازشدگی منفی و تصویر B ناشی از تحلیل بازشدگی مثبت است.

 

شکل 5. نمونه‌ای از تصاویر حاصل از آنالیز بازشدگی روی مدل ارتفاع رقومی 12متری؛ الف: آنالیز بازشدگی منفی؛ ب: آنالیز بازشدگی مثبت (نویسندگان، 1399)

Figure 5. An example of the images obtained from the openness analysis on a 12- meters digital elevation model; A: Negative openness analysis; B: Positive openness analysis (Authors, 2020)

 

به‌منظور بررسی شواهد مورفوتکتونیکی رخ‌داده در منطقه، مدل سه‌بعدی RRIM از مناطق جنگلی تهیه شد. با توجه به ویژگی خاص این مدل در نمایش دقیق تغییرات توپوگرافی سطح زمین و با توجه به وجود گسل البرز شمالی به‌مثابة یکی از پدیده‌های تکتونیکی مهم در منطقه، شواهد مورفوتکتونیکی گسل اشاره‌شده بررسی شد. گسل البرز شمالی در دامنة شمالی البرز به طول تقریبی 550 کیلومتر، از لاهیجان تا جنوب گنبد کاووس به موازات ساحل خزر کشیده و در ناحیة البرز مرکزی حدود طول جغرافیایی 53 درجه شرقی خمیده شده است (طبسی و عباسی، 1381: 25). شکل A6 نشان‌دهندة مدل RRIM از منطقه‌ای در طول گسل البرز شمالی است که شواهد جابه‌جایی رخ‌دادة ناشی از این گسل در شکل مشخص است. مسیر رودخانه با خط آبی مشخص شده است؛ همان‌طور که در شکل دیده می‌شود، جابه‌جایی به‌صورت راستالغز و حدود 400 متر در راستای رودخانه روی داده است؛ همچنین آن‌طور که نقاط سبزرنگ نشان می‌دهند، امتداد ستیغ مشرف به رودخانه بریده و جابه‌جا شده است؛ شواهدی که مؤید نتایج مطالعات پیشین دربارة این گسل بوده است که این گسل را گسلی معکوس با مؤلفة راستالغز راست‌بر معرفی می‌کنند (طبسی و عباسی، 1381: 27؛ سعیدیان و همکاران، 1394: 2657).

در شکل B6 دیوارة گسل معکوس البرز شمالی به‌صورت یک پرتگاه گسله آشکار شده است. همان‌طور که در شکل دیده می‌شود، امتداد و راستای گسل با فلش‌های زردرنگ مشخص شده است. این شکل محدوده‌ای به طول 30 کیلومتر را نشان می‌دهد که دچار جابه‌جایی شده است. موقعیت جابه‌جایی رخ‌داده در مسیر رودخانه و پرتگاه گسلی ناشی از گسل البرز شمالی در شکل 6 نشان داده شده است.

 

شکل 6. A: جابه‌جایی رخ‌داده در مسیر رودخانه با گسل البرز شمالی؛ B: پرتگاه گسلی ناشی از گسل البرز شمالی (نویسندگان، 1399)

Figure 6. A: Displacement occurred along the river by the North Alborz Fault; B: Fault precipice caused by North Alborz fault (Authors, 2020)

 

در مناطق جنگلی به دلیل شرایط آب‌وهوایی ویژه، پدیدة زمین‌لغزش بیشتر روی می‌دهد؛ به طوری که فقط در محدودة چهارگوش قزوین- رشت، تاکنون 338 زمین‌لغزش ثبت شده است (پاشا و همکاران، 1396: 90)؛ اما بررسی و شناسایی این محدوده‌ها به دلیل پوشش جنگلی متراکم به‌خوبی امکان‌پذیر نیست. به‌منظور شناسایی زمین‌لغزش‌های رخ‌داده در محدودة مطالعه از مدل ارتفاع رقومی 12متری و روش RRIM استفاده شد. با انجام این روش، سه محدودة دچار زمین‌لغزش شناسایی شد (شکل 7). محدوده‌های زمین‌لغزشی با فلش‌های زردرنگ در شکل 7 مشخص است. همان‌طور که در این شکل دیده می‌شود، توده‌های لغزشی یادشده بیشتر در محدوده‌های نزدیک به آبراهه‌های اصلی و در مناطق با شیب بیشتر روی داده‌اند؛ دو عاملی که در بسیاری از مطالعات گذشته از آنها به‌مثابة عوامل مؤثر در ایجاد زمین‌لغزش یاد شده است (محمدزایی و همکاران، 1392: 2؛ پاشا و همکاران، 1396: 91؛ Pourghasemi et al., 2015: 182).

به‌منظور صحت‌سنجی نتایج حاصل از پژوهش، موقعیت محدوده‌های لغزشی شناسایی‌شده بازدید میدانی شد؛ شکل 8 تصاویری از زمین‌لغزش‌های یادشده را نشان می‌دهد؛ علاوه بر اینکه انطباق موقعیت این محدوده‌ها روی نقشة موقعیت زمین‌لغزش‌های کشور نیز صحت نتایج را نشان می‌دهد (شکل 9). در شکل 9 نقاط قرمزرنگ، محدوده‌های زمین‌لغزش و دایره‌های آبی، موقعیت زمین‌لغزش‌های شناسایی‌شده در این پژوهش را نشان می‌دهند که کاملاً با محدوده‌های لغزشی منطبق هستند.

 

شکل 7. زمین‌لغزش‌های شناسایی‌شده به روش RRIM(نویسندگان، 1399)

Figure 7. Landslides identified by the RRIM method (Authors, 2020)

 

 

شکل 8. عکس‌هایی از زمین‌لغزش‌های شناسایی‌شده در محدودة مطالعه

Figure 8. Images of landslides identified in the study area

 

شکل 9. انطباق محدوده‌های لغزشی شناسایی‌شده با نقشة موقعیت زمین‌لغزش‌های شمال کشور

(سازمان زمین‌شناسی کشور)، (نویسندگان، 1399)

Figure 9. Adaptation of identified landslide areas with landslide map of northern Iran (Geological Survey of the country)̦ (Authors, 2020)

 

نتیجه‌گیری

در مناطق جنگلی به دلیل پوشش متراکم درختی سطح زمین، مطالعة عوارض و پدیده‌های سطحی با محدودیت روبه‌روست؛ درنتیجه تهیة نقشة توپوگرافی در این مناطق به‌سختی امکان‌پذیر است؛ اما تصاویر راداری به دلیل اینکه قابلیت برداشت داده از زیر سطح پوشش درختان را دارند، در اینگونه مواقع بسیار کمک‌کننده‌اند. با توجه به اینکه امواج استفاده‌شده در تصاویر راداری ALOS/PALSAR بیشترین قدرت نفوذ را در پدیده‌های سطح زمین دارند، در این زمینه از آنها استفاده می‌شود.

نتایج حاصل از اعمال روش تداخل‌سنجی روی تصاویر راداری یادشده موجب تهیة مدل ارتفاع رقومی 12متری از سطح زمین در منطقة مطالعه شد؛ در حالی که مدل‌های ارتفاع رقومی موجود و تهیه‌شده از روش فتوگرامتری قدرت تفکیک مکانی کمتری دارند؛ بنابراین با توجه به قدرت تفکیک مکانی بهتر مدل ارتفاع رقومی حاصل از روش تداخل‌سنجی تصاویر راداری، می‌توان از آن در تحلیل‌های ژئومورفولوژیک سطح زمین استفاده کرد. از آنجایی که روش‌های معمول و استفاده‌شده در نمایش و تحلیل‌های ژئومورفولوژی نواقصی چون تغییر شکل عوارض سطحی درنتیجة تغییر در جهت نورپردازی دارند، در این پژوهش از روش بازشدگی و RRIM استفاده شد. روش‌های یادشده محدودیت‌های روش‌های قدیمی را رفع و قابلیت‌های بهتری ارائه می‌کنند. اعمال روش بازشدگی و RRIM روی مناطق جنگلی شمال کشور و درنتیجه شناسایی ساختارهای ژئومورفولوژی نظیر گسل و زمین‌لغزش، کارایی این روش‌ها را به اثبات می‌رساند. بازدیدهای میدانی انجام‌شده در منطقه و تطبیق زمین‌لغزش‌های شناسایی‌شده با نقشة موقعیت زمین‌لغزش‌های کشور همگی بر تأیید کارایی روش‌های استفاده‌شده در این پژوهش دلالت دارند؛ بنابراین می‌توان از این روش‌ها در مناطق مشابه استفاده کرد.


[1]. Lin et al.

[2]. Civico et al.

[3]. Opennes analysis

[4]. Red Relief Image Map

[5]. Advance Land Observation Satellite Data

[6].Master

[7]. Slave

[8].Descending

[9].Ascending

[10]. Gabriel et al.

[11]. Yokoyama et al.

[12]. Chiba et al.

[13]. Red Color Slope Map

References

منابع
پاشا، امیرحسین، سربی، علی، بهزادی، سعید، (1396). ارزیابی خطر زمین‌لغزش در منطقة چهارگوش قزوین- رشت (شمال ایران)، فصلنامة علوم زمین، سال 27، شمارة 106، صص 89-98.
سعیدیان، مهدی، حافظی مقدس، ناصر، رمضانی اومالی، رمضان، (1394). ارزیابی خطر گسلش و رده‌بندی گسل‌های فعال اطراف سد شهید رجایی ساری براساس میزان فعالیت، نشریة زمین‌شناسی مهندسی، جلد 9، شمارۀ 1، صص 2653-2674.
طبسی، هدیه، عباسی، محمدرضا، (1381). الگوی دگرریختی و هندسۀ پهنۀ گسل شمال البرز بین طول‌های 52 تا 54 درجة خاوری، فصلنامۀ علوم زمین، دورة 11، شمارۀ 43-44، صص 35-24.
محمدزایی، سمانه، حسینی، سید عطاءالله، نصیری، مهران، (1392). مطالعه و ارزیابی زمین‌لغزش و تأثیر آن بر وضعیت رویشگاه؛ مطالعة موردی: سری خال خیل، هشتمین همایش انجمن زمین‌شناسی مهندسی و محیط زیست ایران، دانشگاه فردوسی مشهد.
مهرابی، علی، پورخسروانی، محسن، (1397). اندازه‌گیری میزان جابه‌جایی سطح زمین ناشی از زلزلة 1383 داهوییة (زرند) استان کرمان و شناسایی گسل عامل آن با استفاده از تکنیک تداخل‌سنجی راداری، مجلة‌ پژوهش‌های ژئومورفولوژی کمی، دورة 7، شمارة 1، صص 61-73.
Amarjargal, S., Kato, T., Furuya, M., (2013). Surface deformations from moderate-sized earthquakes in Mongolia observed by InSAR, Earth, Planets and Space, 65 (7): 713-723. doi:10.5047/eps.2012.12.015.
Bourgine, B., Baghdadi, N., (2005). Assessment of C-band SRTM DEM in a dense equatorial forest zone, Comptes Rendus Geosciences, 337 (14), 1225-1234. doi.org/10.1016/j.crte.2005.06.006.
Chiba, T., Suzuki, Y., Hiramatsu, T., (2007). Digital terrain representation methods and Red Relief Image Map, J. Jpn. Cartogr. Assoc. 45, 27–36. DOI: 10.5194/ica-proc-2-17-2019.
Chiba, T., Kaneta, S.I., Suzuki, Y., (2008). Red relief image map-new visualization method for three, Int. Arch. Photogramm, Remote Sens. Spat. Inf. Sci. 37, 1071–1076.
Chiba, T., Hasi, B., (2016). Ground Surface Visualization Using Red Relief Image Map for a Variety of Map Scales. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B2, 2016, pp. 393-397. DOI: 10.5194/isprsarchives-XLI-B2-393-2016.
Civico, R., Pucci, S., de Martini, P.M., Pantosti, D., (2015). Morphotectonic analysis of the long-term surface expression of the 2009 L’Aquila earthquake fault (Central Italy) using ALOS/ PALSAR data, Tectonophysics, 644–645, 108–121. DOI:10.1016/j.tecto.2014.12.024.
Doneus, M., (2013). Openness as Visualization Technique for Interpretative Mapping of Airborne Lidar Derived Digital Terrain Models, Remote Sensing 2013, 5 (12), 6427-6442. https://doi.org/10.3390/rs5126427.
Eldhuset, K., (2017). Combination of stereo SAR and InSAR for DEM generation using TanDEM-X spotlight data, International Journal of Remote Sensing Volume 38, 2017 - Issue 15. 4362-4378. https://doi.org/10.1080/01431161.2017.1320452.
Ferretti, D., Colombo, A., Fumagalli, F., Novali, B., Rucci, A., (2015). InSAR data for monitoring land subsidence, time to think big-proc-iahs.net. doi: 10.5194/piahs-372-347.
Gabriel, A.K., Goldstein, R.M., Zebker, H.A., (1989). Mapping small elevation changes over large areas: Differential radar interferometry, J. Geophys. Res., 94 (B7), 9183-9191. https://doi.org/10.1029/JB094iB07p09183.
Ghazifard, A., Akbari, E., Shirini, K., Homayon, S., (2017). Evaluating land subsidence by field survey and D-InSAR technique in Damaneh City, Iran, J Arid Land (2017) 9 (5): 778–789. DOI: 10.1007/s40333-017-0104-5.
Hu, J., Ding, X., Zhang, L., Sun, Q., Li, Z., Zhu, J., Lu, Z., (2017). Estimation of 3-D surface displacement based on inSAR and deformation modeling, IEEE Transaction on Geoscience and remote sensing, 55 (4): 2007-2016.DOI: 10. 1109/ TGRS. 2016. 2634087.
Lin, C.W., Tseng, C.M., Tseng, Y.H., Fei, L.Y., Hsieh, Y.C., Tarolli, P., (2013). Recognition of large-scale deep-seated landslides in forest areas of Taiwan using high resolution topography,J. Asian. Earth Sci. 62, 389– 400. https:// doi. org/ 10. 1016/ j. jseaes.2012.10.022.
Ozouville, N., Deffontaines, B., Benveniste, J., Wegmuller, U., Violette, S., de Marsily, G., (2008). DEM generation using ASAR (ENVISAT) for addressing the lack of freshwater ecosystems management, Santa Cruz Island, Galapagos, Remote Sensing of Environment, 112 (11), 4131-4147. doi.org/10.1016/j.rse.2008.02.017.
Pinheiro, M., Reigber, A., Scheiber, R., Jaeger, M., (2014). DEM generation using large-baseline airborne InSAR, EUSAR 2014; 10th European Conference on Synthetic Aperture Radar, 3-5 June 2014.
Pourghasemi, H.R., Moradi, H.R., Fatemi Aghda, S.M., (2015). Prioritizing Effective Factors in Landslide Occurrence and its Susceptibility Mapping Using Shannon’s Entropy Index, J. Sci. and Technol. Agric. and Natur. Resour, Water and Soi Sci., 18 (70).
Yokoyama, R., Shirasawa, M., Pike, R.J., (2002). Visualizing topography by openness: A new application of image processing to digital elevation models, Photogramm, Eng. Remote Sens. 68, 257–265.
Yu, J., Ge, L., (2010). Digital Elevation Model generation using ascending and Descending multi-baseline ALOS/PALSAR radar images, FIG Congress 2010 Facing the Challenges Building the Capacity Sydney, Australia, 11-16 April.
References:
- Amarjargal, S., Kato, T., & Furuya, M. (2013). Surface Deformations from Moderate-Sized Earthquakes in Mongolia Observed by InSAR. Journal of Earth, Planets, and Space, 65(7), 713-723.
- Bourgine, B., & Baghdadi, N. (2005). Assessment of C-Band SRTM DEM in a Dense Equatorial Forest Zone. Comptes Rendus Geosciences, 337(14), 1225-1234.
- Chiba, T., & Hasi, B. (2016). Ground Surface Visualization Using Red Relief Image Map for a Variety of Map Scales. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2, 393-397.
- Chiba, T., Kaneta, S. I., & Suzuki, Y. (2008). Red Relief Image Map: New Visualization Method for Three Dimensional Data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(2), 1071-1076.
- Chiba, T., Suzuki, Y., & Hiramatsu, T. (2007). Digital Terrain Representation Methods and Red Relief Image Map, a New Visualization Approach. Journal of the Japan Cartographers Association, 45(1), 27-36.
- Civico, R., Pucci, S., De Martini, P. M., & Pantosti, D. (2015). Morphotectonic Analysis of the Long-Term Surface Expression of the 2009 L’Aquila Earthquake Fault (Central Italy) Using ALOS/ PALSAR Data. Tectonophysics, 644, 108-121.
- Doneus, M. (2013). Openness as Visualization Technique for Interpretative Mapping of Airborne Lidar Derived Digital Terrain Models. International Journal of Remote Sensing, 5(12), 6427-6442.
- Eldhuset, K. (2017). Combination of Stereo SAR and InSAR for DEM Generation Using TanDEM-X Spotlight Data. International Journal of Remote Sensing, 38(15), 4362-4378.
- Ferretti, A., Colombo, D., Fumagalli, A., Novali, F., & Rucci, A. (2015). InSAR Data for Monitoring Land Subsidence: Time to Think Big. Proceedings of the International Association of Hydrological Sciences, 372, 331-334.
- Gabriel, A. K., Goldstein, R. M., & Zebker, H. A. (1989). Mapping Small Elevation Changes Over Large Areas: Differential Radar Interferometry. Journal of Geophysical Research: Solid Earth, 94(7), 9183-9191.
- Ghazifard, A., Akbari, E., Shirani, K., & Safaei, H. (2017). Evaluating Land Subsidence by Field Survey and D-InSAR Technique in Damaneh City, Iran. Journal of Arid Land, 9(5), 778-789.
- Hu, J., Ding, X. L., Zhang, L., Sun, Q., Li, Z. W., Zhu, J. J., & Lu, Z. (2016). Estimation of 3-D Surface Displacement Based on InSAR and Deformation Modeling. IEEE Transactions on Geoscience and Remote Sensing, 55(4), 2007-2016.
- Lin, C. W., Tseng, C. M., Tseng, Y. H., Fei, L. Y., Hsieh, Y. C., & Tarolli, P. (2013). Recognition of Large Scale Deep-Seated Landslides in Forest Areas of Taiwan Using High Resolution Topography. Journal of Asian Earth Sciences, 62, 389-400.
- Ozouville, N., Deffontaines, B., Benveniste, J., Wegmuller, U., Violette, S., & De Marsily, G. (2008). DEM Generation Using ASAR (ENVISAT) for Addressing the Lack of Freshwater Ecosystems Management, Santa Cruz Island, Galapagos. Journal of Remote Sensing of Environment, 112(11), 4131-4147.
- Pinheiro, M., Reigber, A., Scheiber, R., & Jaeger, M. (2014). DEM Generation Using Large-Baseline Airborne InSAR, EUSAR 2014. 10th European Conference on Synthetic Aperture Radar, 3-5 June 2014.
- Pourghasemi, H. R., Moradi, H. R., & Fatemi Aghda, S. M. (2015). Prioritizing Effective Factors in Landslide Occurrence and its Susceptibility Mapping Using Shannon’s Entropy Index. JWSS-Isfahan University of Technology, 18(70), 181-192.
- Yokoyama, R., Shirasawa, M., & Pike, R. J. (2002). Visualizing Topography by Openness: A New Application of Image Processing to Digital Elevation Models. Journal of Photogrammetric Engineering and Remote Sensing, 68, 257-265.
- Yu, J. H., & Ge, L. (2010, April). Digital Elevation Model Generation Using Ascending and Descending Multi-baseline ALOS/PALSAR Radar Images. In FIG Congress 2010 Facing the Challenges–Building the Capacity Sydney, Australia, 11-16 April 2010. 15pp.
 

Files

History

  • Receive Date: 12 October 2020
  • Revise Date: 11 February 2021
  • Accept Date: 05 April 2021

Share

How to cite

Statistics