نوع مقاله : مقاله پژوهشی
نویسندگان
1 استاد گروه جغرافیای طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران
2 دانشجوی دکتری ژئومورفولوژی گرایش ژئومورفولوژی دانشگاه محقق اردبیلی، اردبیل، ایران
3 دانشجوی دکتری ژئومورفولوژی دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Forests have an extremely important place in the ecosystem in terms of providing social and environmental balances. Fire is the greatest danger to forests. Therefore, estimating fire formation and its behavioral characteristics is very important to deal with this issue. Every year, large areas of forests in the Zagros region in western Iran are burned and destroyed. The extent and distribution of fires, the mountainous terrain, and the difficulty of crossing the predominantly forested areas of the Zagros Mountain Range have hampered managers’ abilities to obtain quantitatively reliable information about the burned areas, levels of damage, as well as their statistics and factual information. Utilizing appropriate and available satellite data and images can provide useful information about pre- and post-forest fire conditions. The aim of this study was to estimate fire affected areas and be aware of the efficiency and capability of Landsat satellite data and NBR and dNBR indices in identifying, evaluating, and mapping the burned forests of Zagros region. For this purpose, after preparing the required images, the fires that occurred in June 2016 in the forests of Zagros were investigated by using remote sensing techniques and the necessary processing. The results showed that NBR and dNBR indices provided good information about the impact of fire and its changes. 13685 hectares of Zagros forests were burned in this fire in 2016.
Introduction
Due to the location of Iran in the dry belt of the Earth and the high pressure area of the subtropical region, weather conditions are perfect for the occurrence of unexpected events. According to the surveys, our country is among the 10 most accident-prone countries in the world. One of these incidents that happen abundantly in Iran is the phenomenon of fire in forests and pastures. Forests are an important part of the Earth's ecosystem. They are a great resource for various purposes, including a genetic reservoir, water reservoir, carbon source, and a source of energy storage in nature. They play an essential role in improving the environment and keeping it in balance. At the same time, they are an important natural resource for proper development in the social economy; yet, this huge resource has been endangered by fires. Every year, thousands of hectares of forests are burned in different regions. Forest fire with natural or human origin has direct or indirect harmful and destructive effects on human life. In addition to the destruction of the environment and its pollution, it causes the destruction of wood reserves, livestock, agricultural and grazing lands, buildings, and human lives and property, besides having many economic, social, and psychological consequences.
Methodology
In this research, Landsat 8 Satellite images were used, which were obtained from the USGS (United States Geological Survey) website. Landsat 8 is the 8th satellite of this series. The most important role of Landsat program is monitoring and ensuring that the resources necessary for human livelihood, such as food, water, and forests will continue to exist. Landsat 8 satellite images were used by the OLI sensor to extract the land use map and the TIRS sensor was used to extract the surface temperature of the ground and fire-affected areas. In this study, the fires that occurred in Kermanshah, Ilam, and Kurdistan provinces were selected from among the fires in the forests and pastures of Zagros in June 2019. The fire in Kermanshah Province started on Thursday, June 8, 2019, and because it was not constrained in time, it spread to the borders of Ilam and Kurdistan provinces on June 9, 2019. The data used were case-by-case with descriptive information due to the extent of fires during this time period and limited access to satellite images. First, the areas with fires were identified and then, Landsat 8 Satellite images were prepared on a case-by-case basis before and after these two fires.
Discussions
According to the main objective of the study --determination of fire-affected areas -- after separation and identification of fire areas through the used indicators, classification and separation of the burnt areas from other areas were done. In this regard, the basic pixel method and the maximum likelihood algorithm were used for classification. The 3 classes of fire-affected areas, residential areas, and other land uses were used in the classification process. Using the results obtained from the classification map (Fig. 6), the extent of the fire areas in the study area was estimated to be 13,685 hectares.
Conclusions
The changes after the fire and burn severity were analyzed using the NBR index. As a general conclusion, it could be said that according to the accuracy of the classification results in distinguishing the burned areas from other areas with high confidence, the power and capability of Landsat Satellite images and NBR and dNBR indices in separating and distinguishing the burned forest areas could be emphasized. Based on the results of the fire intensity maps obtained from this study, it could be claimed that the spatial and spectral resolutions of Landsat images could be a good enough for preparing correct statistics and information about fire areas, especially for preparing a map of burned areas in the Zagros forests of Iran. According to the results obtained from the maps of ground surface temperatures related to before and after the fire, which indicated an increase of 9◦C in the studied area, and by extracting the fire-affected areas by using the NBR and dNBR indices and simultaneously performing fire classification via the supervised method (maximum likelihood algorithm), as well as aligning these areas, it was possible to estimate the size of the areas affected by fire in the study area (13,685 hectares) with high confidence.
Keywords: fire, NBR and dNBR indices, classification, Zagros
References
-Aboelnour, M., & Engel, B. (2018). Application of remote sensing techniques and Geographic Information Systems to Analyze Land Surface Temperature in Response to Land Use/Land Cover Change in Greater Cairo Region, Egypt. Journal of Geographic Information System, 10, 57-88.
- Ardakani, A., Valadanzooj, M., Mansourian, A. (2010). Spatial Analysis of Fire Potential in Iran Different Region by Using RS and GIS. Journal of Environmental Studies, 35(52), 25-34.
- Chen, Y., Lara, M.J., & Hu, F.S. (2020). A robust visible near-infrared index for fire severity mapping in Arctic tundra ecosystems. ISPRS Journal of Photogrammetry and Remote Sensing, 159, 101–113.
- Darvishi, S., Solaimani, K., Rashidpour, M. (2019). Impact of vegetation indices and urban surface characteristics on land surface temperature changes (Case study: Sanandaj city). Journal of RS and GIS for Natural Resources, 10(1), 17-35.
- Gondwe, S.V.C., Muchena, R., & Boys, J. (2018). Detecting land Use and Land Cover and Land Surface Temperature Change in Lilongwe City, Malawi. Journal of Remote Sensing and GIS, 9(2), 17-26.
- Hussaina, M., Chen, D., Cheng, A., Wei, H.,& Stenley, D. (2013). Change Detection fromRemotely SensedImages: From Pixel basedto Object-based Approaches.Journal of Photogrammetry and RemoteSensing, 80, 91–106.
- Kakehmami, A., Ghorbani, A., AsghariSarasekanrood, S., Ghale, E., Ghafari, S. (2020). Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County. Journal of RS and GIS for Natural Resources, 11(2), 27-48.
- Kaufman, Y.J., Ichoku, C., & Giglio, L. (2003). Fire and Smoke Observation from the Earth Observation System MODIS Instrument-Products, Validation, and Operational Use. International Journal of Remote Sensing, 24(8), 1765-1781.
- Kurnaz, B., Bayik, C., & Abdikan, S. (2019). Determination of Forest Fire Area by Using Satellite Images: Muğla Case. 3rd International Conference on Advanced Engineering Technologies, 19-21.
- Labib, S. M., & Harris, A. (2018). The potentials of Sentinel-2 and LandSat-8 data in green infrastructure extraction, using object based image analysis (OBIA) method. European Journal of Remote Sensing, 51(1), 231-240.
- Niu, R., & Zhai, P. (2012). Study on forest fire danger over Northern China during the recent 50 years. Climatic Change, 111(3-4), 723-736.
- Novelli, A., Aguilar, M.A., Nemmaoui, A., Auilar, F.J., & Tarantino, E. (2016). Performance evaluation of object based greenhouse detection fromSentinel-2 MSI and Landsat 8 OLI data: A case study from Almería(Spain). International Journal of Applied Earth Observation and Geoinformation, 52, 403–411.
- Parks, S.A., Dillon, G.K., & Miller, C. (2014). A New Metric for Quantifying Burn Severity: The Relativized Burn Ratio. Remote Sensing, 6, 1827-1844.
- Quintano, C., Fernández-Manso, A., & Fernández-Manso, O. (2018). Combination of Landsat and Sentinel-2 MSI data for initial assessing of burn severity. International Journal Applied Earth Observation Geoinformation, 64, 221–225.
- Sobrino, J.A., Jiménez-Muñoz, J.C., & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Journal of Remote Sensing of Environment, 90(4), 434-440.
- Veysi, S., Naseri, A., Hamzeh, S., Moradi, P. (2016). Estimation of sugarcane field temperature using Split Window Algorithm and OLI LandSat 8 satellite images. Journal of RS and GIS for Natural Resources, 7(1), 27-40.
- Wan, Z., & Dozier, J. (1996). A generalized split-window algorithm for retrieving land-surface temperature from space. Journal of Geoscience and Remote Sensing, 34(4), 892-905.
کلیدواژهها [English]
مقدمه
به دلیل قرارگرفتن کشور ایران در کمربند خشک کرۀ زمین و ناحیۀ پرفشار جنب حارهای، شرایط جوی برای وقوع حوادث غیرمترقبه بهطور کامل فراهم است. مطابق بررسیهای انجامشده، کشور ما جزو 10 کشور حادثهخیز دنیاست. یکی از این حوادث که به وفور در ایران اتفاق میافتد، پدیدۀ آتشسوزی جنگلها و مراتع است. جنگلها، بخش مهمی از سیستم زیستبوم زمین و منبع بزرگی برای مقاصد مختلف ازجمله مخزن ژنتیک، مخزن آب، منبع کربن و یک سرچشمۀ ذخیرۀ انرژی در طبیعت است. جنگلها در بهترکردن محیطزیست و در تعادل نگهداشتن آن نقش اساسی دارد و همزمان برای ارتباط با توسعۀ مناسب در اقتصاد اجتماعی یک منبع مهم طبیعی است (سرکارگر اردکانی و همکاران، 1388: 26)؛ اما این منابع عظیم با آتشسوزیها به خطر افتاده است. هرساله در مناطق مختلف، هزاران هکتار از جنگلها طعمۀ حریق میشود. آتشسوزی جنگل با منشأ طبیعی یا انسانی، اثرهای زیانبار و ویرانگری به شکل مستقیم یا غیرمستقیم بر زندگی بشر به جای میگذارد. علاوه بر تخریب محیطزیست و آلودگی آن، موجب نابودی ذخایر چوب، احشام، زمینهای کشاورزی و چرایی، ساختمانها و جان و مال انسانها میشود و پیامدهای اقتصادی، اجتماعی و روانی زیادی در پی دارد (Niu & Zhai, 2012: 724). براساس گزارش سازمان جنگلها، مراتع و آبخیزداری کشور، عرصههای منابع طبیعی ایران شامل جنگل، مرتع، بیابان، بیشهزار و درختچهزارها، معادل 48/83 درصد از مساحت کشور است که از این بین، سهم جنگلها و مراتع 82/61 درصد است و عمدۀ آتشسوزی ایران در این عرصهها اتفاق میافتد. مهمترین عواملی که زمینۀ آتشسوزی را در جنگلها و مراتع فراهم میکند، کاهش رطوبت نسبی هوا و در دسترس بودن مواد سوختی است. مادۀ سوختی، از خشکشدن شاخ و برگ گیاهان به دلیل خشکسالی یا یخبندان در فصل زمستان فراهم میشود؛ همچنین در فصل پاییز که سطح جنگل را برگهای خشکشده میپوشاند، گرمشدن هوا زمینۀ مناسبی را برای آتشسوزی مواد سوختی فراهم میکند و انباشت مواد سوختی در جنگل، خطر آتشسوزی را افزایش میدهد. نگهداری درختان خشکشده در فصولی که خطر آتشسوزی وجود دارد نیز بر ریسک حریق میافزاید (Niu & Zhai, 2012: 725). از طرف دیگر، بیاحتیاطی ساکنان یا مسافران و نبودِ امکان دستیابی به مناطق آتشگرفته، باد، توپوگرافی و شکل زمین و مدیرت آتش از عوامل اثرگذار در شدت و گسترش آتشسوزی است (محمدی، 2008: 31). آتش، یک پدیدۀ جهانی است که از مؤثرترین فاکتورها در اکوسیستمهای خاکی کرۀ زمین به شمار میرود. به دلیل قرارگرفتن کشور ایران در کمربند خشک کرۀ زمین و ناحیۀ پرفشار جنب حارهای، شرایط جوی لازم برای وقوع آتشسوزی در جنگلها و مراتع فراهم است و گاهی اوقات خسارات زیادی را به جنگلها و مراتع وارد میکند. در راستای نگهداری از جنگلها و حفظ منابع طبیعی، راهبردها و راهکارهای متفاوتی در دنیا استفاده میشود (Kaufman et al, 2003: 1767). برای مبارزه با آتشسوزی جنگل باید همزمان رفتار آتش و نیز نحوۀ مبارزه با آن را در یک دنیای مجازی، قبل، حین و بعد از وقوع آتشسوزی بازسازی و رفتار گسترش آتش، استراتژیها و روشهای مبارزه با آن را بررسی کرد. سنجندههای ماهوارههای سنجش از دور با قدرت تفکیک مکانی و زمانی مناسب، اطلاعات مهمی را برای هشدارهای زودهنگام آتشسوزی در دسترس قرار میدهد؛ همچنین فرصتهایی را برای آنالیز کیفی جنگل و دیگر اکوسیستمها در مقیاسهای مکانی، جغرافیایی، تکنولوژی و ژئومکانی فراهم میکند و اطلاعات و ابزارهای ضروری را برای ایجاد یک نقشۀ حساسیت آتشسوزی از طریق شناسایی، کلاسهبندی و تهیۀ نقشۀ خطر آتشسوزی ایجاد میکند (Labib & Harris 2018: 234). با تکیه بر پتانسیلهای یادشده از دادههای سنجش از دور در زمینۀ تهیۀ نقشۀ خطر آتشسوزی جنگل و بررسی عوامل مؤثر در ایجاد و گسترش آتشسوزی، پژوهشهایی در داخل و خارج از کشور انجام شده است. Quintano et al (2018) شدت سوختگی را با استفاده از سه شاخص dNBR، RdNBR و نسبت سوختگی نسبیشده (RBR) را با استفاده از تصاویر ماهوارهای سنتینل 2 و لندست 8 بررسی کردند. نتایج نشاندهندۀ آن بود که شاخص RdNBR مبتنی بر ماهوارۀ Landsat به بیشترین دقت رسیده است. Garcia-Llamas et al (2019) آتشسوزی جنگلی را بررسی کردند که در منطقۀ کوهستانی کابرر (Cabrere) در شمال غربی اسپانیا در آگوست 2017 با استفاده از دادههای ماهوارهای Landsat-8، Sentinel-2 و Deimos-1 رخ داد. آنها شاخصهای انعکاسی، حرارتی و ترکیبی را روی تصاویر اعمال کردند و به این نتیجه رسیدند که Sentinel-2 نشاندهندۀ نتایج بهتری است و شاخصهای مبتنی بر NBR همبستگی بیشتری را برای تجزیهوتحلیل شدت سوختگی، پوشش گیاهی و خاک ارائه میکند. Chen et al (2020) در پژوهشی، شدت آتشسوزی را با اعمال ده شاخص بر روی دادههای Landsat شناسایی کردند و نتیجه گرفتند که شاخص dGEMI و dNBR قویترین رویکرد را در منطقۀ موردمطالعه ارائه میدهد. Kurnaz et al (2019) در پژوهشی، هفت شاخص dNBR، RBR، RdNBR، dNDVI، dGNDVI، BAI و GEMI را برای شناسایی مناطق گرفتار حریق استفاده کردند که از بین شاخصهای مورداستفاده، شاخص dNBR و RdNBR بیشترین دقت و عملکرد را در شناسایی مناطق گرفتار حریق داشت.
هدف از پژوهش حاضر، کشف آتش و تعیین وسعت مناطق گرفتار حریق در آتشسوزی اتفاقافتاده در خردادماه سال 1399 در کوهستان زاگرس شامل بخشهایی از استانهای کرمانشاه، ایلام و کردستان با استفاده از تصاویر ماهوارهای لندست 8 است.
روششناسی پژوهش
پهنۀ رویشی زاگرس شامل رشتهکوههای زاگرس، وسیعترین و اصلیترین رویشگاه گونههای مختلف بلوط در ایران بوده است و به همین دلیل این منطقه اهمیت بسیار ویژهای دارد. جنگلهای بلوط منطقۀ زاگرس از منتهیالیه شمال غربی ایران استان آذربایجان غربی آغاز شده است و تا غرب ایران (استانهای کردستان، کرمانشاه، ایلام، چهارمحال و بختیاری، خوزستان و لرستان و جنوب غرب ایران استانهای کهگیلویه، بویر احمد و فارس) ادامه دارد. جنگلهای زاگرس با گستردگی در ۱۱ استان کشور با ۶ میلیون هکتار مساحت، ۴۰ درصد جنگلهای ایران را تشکیل میدهد که حدود ۷۰ درصد تیپ گونههای جنگلی زاگرس را بلوطها شامل میشود. پوشش گیاهی در نواحی غربی شامل گیاهان سردسیری و در نواحی شرقی شامل گیاهان گرمسیری است. بخش عمدهی پوشش گیاهی زیستگاه جنگلی زاگرس را درختان بلوط تشکیل میدهد. در ارتفاعات بالاتر از مرز جنگل (حدود 2300 متر) علفزارها و بوتهزارهای انبوه مشاهده میشود. بارندگی این ناحیه از ۶۰۰ میلیمتر در قسمتهای شمالی تا ۳۰۰ میلیمتر در جنوب غرب در نوسان است. اقلیم منطقه نیز مدیترانهای نیمه خشک با زمستانهای سرد است. فرم غالب جنگلشناسی در زاگرس، جنگلهای شاخه زاد بوده است و این دلالت بر تخریب ناشی از حضور طولانی مدت جوامع انسانی دارد. زاگرس شامل زاگرس شمالی، میانی و جنوبی است که تفاوت آنها بیشتر در قسمت شمالی- جنوبی بهلحاظ تفاوت در چینخوردگیها مشهود است. زاگرس مرکزی اغلب کوهستانی و در دامنۀ ارتفاعی ۸۳۰ تا ۴۴۱۶ متر از سطح دریا قرار گرفته است. میانگین ارتفاع محدوده ۲۳۳۲ متر است. ۳۴ درصد از محدوده، ارتفاع ۲۴۰۰– ۲۱۰۰ متر و کمتر از یک درصد آن، ارتفاع کمتر از ۱۰۰۰ متر دارد. متأسفانه به دلیل رشد جمعیت در قرن اخیر و نیاز جنگلنشینان به سوخت، منبع غذایی برای دامها و زمینهای کشاورزی و بهرهبرداری غیراصولی از این جنگلها، بهکلی چهرۀ آنها را دگرگون کرده است و بهجز در نقاط معدودی، نشانی از انبوهی سابق این جنگلها نیست.
شکل (1) موقعیت جغرافیایی منطقۀ موردمطالعه(منبع: نویسندگان، 1400)
Figure (1) Geographical location of the studied area (source: authors, 1400)
در این پژوهش، از تصاویر ماهوارۀ لندست 8 استفاده و این تصاویر از سایت USGS (سازمان زمینشناسی ایالات متحده) اخذ شد. لندست 8، هشتمین ماهواره از این مجموعه است و اطمینان حاصل میشود که مهمترین نقش برنامۀ لندست در تعیین و نظارت بر منابع لازم برای معیشت انسان مانند غذا، آب و جنگلها ادامه خواهد داشت. از تصویر ماهوارۀ لندست 8، سنجندۀ OLI برای استخراج نقشۀ کاربری اراضی و از سنجندۀ TIRS برای استخراج دمای سطح زمین و مناطق دچار حریق استفاده شد.
جدول (1) اطلاعات تصاویر ماهوارۀ لندست 5 و 8. (منبع: متادیتا تصاویر)
Table (1) information of Landsat 5 and 8 satellite images. (Source: image metadata)
|
نوع سنجنده |
مسیر |
گذر |
درصد پوشش ابر |
زاویۀ خورشید |
زمان (گرینویچ) |
تاریخ |
|
لندست 8 |
167 |
36 |
0 |
90596367/124 |
07:26:34 |
04/06/2020 |
|
لندست 8 |
167 |
36 |
0 |
39188731/114 |
07:26:28 |
19/05/2020 |
در این پژوهش، آتشسوزیهای رخداده در استانهای کرمانشاه، ایلام و کردستان از آتشسوزیهای جنگلها و مراتع زاگرس در خردادماه 1399 انتخاب شد. آتشسوزی در استان کرمانشاه از روز پنجشنبه 8 خردادماه 1399 آغاز شد و به علت اینکه به موقع مهار نشد، در 9 خردادماه 1399 به محدودۀ استانهای ایلام و کردستان سرایت کرد و گسترش یافت. دادههای استفادهشده با توجه به گستردگی آتشسوزیها در طول این دورۀ زمانی و محدودیت دسترسی به تصاویر ماهوارهای بهصورت موردی همراه با اطلاعات توصیفی است. ابتدا نواحی دارای آتشسوزی شناسایی و سپس بهصورت موردی تصاویر ماهوارهای لندست 8 برای پیش و پس از این دو آتشسوزی تهیه شد. به دلیل شرایط متفاوت اخذ تصاویر سنجش از دور ازجمله حضور اتمسفر در فاصلۀ بین سنجنده و زمین و ...، خطاهایی در تصویر به وجود میآید؛ به همین دلیل، قبل از استفاده از این تصاویر، برخی پیشپردازشها (Pre-Processing) ازجمله تصحیح اتمسفری، تصحیح رادیومتریکی و توپوگرافی برای بهبود کیفیت تصاویر انجام شد
محاسبۀ دمای سطح زمین
بسیاری از روشهای بازیابی دمای سطح زمین از پژوهشهای سنجش از دور ارائهشده از سوی چند کانال مادونقرمز دادههای حرارتی استفاده میکند و این روش بهطور تقریبی به سه گروه تقسیم میشود: الگوریتم تک کانال، الگوریتم چند کانال به عنوان مثال، الگوریتم پنجره مجزا و روش چند زمانه. پژوهشها نشاندهندۀ آن است که نقش سنجش از دور حرارتی در مطالعه و برآورد دمای سطح زمین بسیار حائز اهمیت است. دادههای سنجش از دور حرارتی، امکان بررسی و تخمین دمای سطح زمین و همچنین جزایر حرارتی را فراهم میکند. از بین دادههای حرارتی سنجش از دور، تصاویر ماهوارهای جایگاه خاصی دارد و تصاویری همچون لندست، استر، مودیس و ... در برآورد دمای سطح زمین به دلیل داشتن باندهای حرارتی مفید واقع میشود. دمای سطح زمین بهعنوان نمایهای از شدت گرما، از عناصر اساسی شناخت آبوهواست (درویشی و همکاران، 1398: 20). در سنجش از دور، دمای سطح زمین که بالای جو با سنجندهها به دست میآید، دمای روشنایی نامیده میشود. این دما به علت پدیدههای جذب و پخش جوی به نظر کمتر از دمای واقعی در سطح زمین است. برای استخراج دمای سطح زمین، روشهای مختلفی توسعه داده شده است که هرکدام از این روشها مزایا و معایب خاص خود را دارد. روشهای مختلف استخراج دمای سطح زمین عبارت است از: روشهای تک کانالی، توازن انرژی برای سطح زمین (سبال)، روش دفتر علوم لندست، روش استفان بولتزمن و روش پنجرۀ مجزا (کاکه ممی و همکاران، 1399: 30). در این پژوهش، از روش پنجرۀ مجزا استفاده شد که مراحل آن بهصورت زیر است.
برآورد دمای روشنایی
دمای روشنایی، تشعشع الکترومغناطیسی انتقالی رو به بالا از لایۀ بالای اتمسفر زمین است که با استفاده از ثابتهای حرارتی ارائهشده در فایل مرجع تصویر رادیانس طیفی به دمای روشنایی تبدیل شد. فرایند تبدیل حرارتی با تبدیل مقادیر ارزش رقومی باندهای حرارتی خام باندهای حرارتی سنجندۀ TIRS به رادیانس طیفی لایۀ بالای اتمسفر انجام شد و سپس با استفاده از رابطۀ (1) (رابطۀ پلانک) دمای روشنایی محاسبه شد. درواقع در این مرحله، واریانس طیفی به دمای جسم سیاه در سطح سنجنده تبدیل شد (Aboelnour & Engel, 2018: 60).
|
رابطۀ (1) |
|
که:
T= دمای روشنایی ماهواره برحسب کلوین؛ K2- K1= ثابت حرارتی برای هر دو باند حرارتی موجود درمتادیتا؛ Lλ= درخشندگی جو بالاست.
برآورد قابلیت انتشار سطح زمین
به دلیل تفاوت قابلیت انتشار یک مادۀ واقعی در مقایسه با جسم سیاه، بسته به نوع مادۀ تشکیلدهندۀ پدیدههای مختلف، در طول موجهای مختلف ناحیۀ مادونقرمز حرارتی با یکدیگر، پدیدههای مختلف با وجود دمای یکسان، با استفاده از این پارامتر تشخیص داده میشود. هنگامی که قابلیت انتشار انرژی از اجسام واقعی در طول موجهای مختلف اندازهگیری شود، مقادیر متفاوتی حاصل خواهد شد که این امر وابسته به طول موج است (ویسی و همکاران، 1395: 31). برای محاسبۀ دمای سطح زمین برآورد قابلیت انتشار در سطح زمین ضروری است که این معیار بهصورت جداگانه در باندهای حرارتی سنجندۀ TIRS ماهوارۀ لندست 8 (باند 10 و 11) محاسبه شود که رابطۀ آن بهصورت زیر است (Gondwe et al, 2018: 20).
رابطۀ (2)
که:
LSE= قابلیت انتشار سطح زمین؛ Es-v= انتشار گیاه و خاک برای باندهای حرارتی طبق جدول (2)؛ FVC= نسبت پوشش گیاهی است.
جدول (2) قابلیت انتشار برای گیاه و خاک
Table (2) Emissivity for plant and soil
|
قابلیت انتشار |
باند 10 |
باند 11 |
|
خاک |
971/0. |
977/0 |
|
گیاه |
987/0 |
989/0 |
محاسبۀ نهایی دمای سطح زمین (LST) با روش پنجرۀ مجزا
این الگوریتم ازجمله روشهای مؤثر در برآورد دمای سطح زمین است و نسبتبه سایر روشها صحت بیشتری دارد (Sobrino et al, 2004: 436). ویژگی مهم این روش، حذف اثرهای جوی است. با توجه به اینکه این الگوریتم، اطلاعات دقیقی دربارۀ نمایۀ جوی کسب ماهوارهای نیاز ندارد، برای بازیابی LST از دو سنسور چند طیفی و حرارتی استفاده میکند که از رابطۀ زیر به دست میآید (Wan & Dozier, 1996, p. 895).
|
رابطۀ (3) |
|
که:
TB10-TB11= دمای روشنایی؛C0…C6 = ضرایب الگوریتم دیدنی در جدول (3)؛ W= مقدار بخار آب موجود در جو (رابطۀ 4)؛ Δε= اختلاف قابلیت انتشار سطح زمین؛ ε= میانگین قابلیت انتشار سطح زمین است.
رابطۀ (4) W= C0 + C1 * (Tj / Ti) + C2* (Tj/ Ti)2
که: Tj / Ti = میانگین دمای روشنایی؛ C0 = 674/9-؛ C1 = 653/0؛ C2 = 087/9 است.
جدول (3) مقادیر ضرایب
Table (3) values of coefficients
|
ضرایب ثابت و محاسبهشده |
ارزشها |
|
268/0- |
C0 |
|
378/1 |
C1 |
|
183/0 |
C2 |
|
3/54 |
C3 |
|
238/2- |
C4 |
|
2/129- |
C5 |
|
4/16 |
C6 |
شاخص نسبت سوختگی نرمالشده ((Normalized Burn Ratio
شاخص نسبت سوختگی نرمالشده (NBR) یکی از شاخصهای پرکاربرد در مطالعات مشاهدۀ آتش است که با مطالعات سنجش از دور انجام میشود. شاخص NBR، برای برجستهکردن مناطق سوزاندهشده در مناطق بزرگ آتشسوزی طراحی شده است. مقادیر شاخص NBR، از مادونقرمز نزدیک (NIR) و باندهای مادونقرمز موج کوتاه (SWIR) با تناسب تفاوتها و مجموع آنها اعمال میشود. شاخص NBR، در مقادیر بین 1- و 1+ بیان میشود. از آنجایی که کاهش پوشش گیاهی در فرایند پس از آتشسوزی رخ میدهد، بازتاب نوار مادونقرمز نزدیک بهشدت کاهش مییابد. پوشش گیاهی سالم بهطور کلی ارزش بالایی دارد؛ درحالیکه زمین خالی یا مناطق تازه سوخته، ارزش شاخص پایینی دارند. معادلۀ شاخص نسبت سوختگی نرمالشده در رابطۀ 5 آورده شده است (Novelli et al, 2016: 405).
رابطۀ (5)
شاخص اختلاف نسبت سوختگی نرمالشده (Differenced Normalized Burn Ratio)
شاخص اختلاف نسبت سوختگی نرمالشده (dNBR)، اختلاف نواحی سوخته را با استفاده از تفاوت NBR محاسبهشده از تصاویر قبل و بعد از رویداد تعیین میکند. از آنجایی که مقادیر خاکستری در شاخص NBR قبل از آتشسوزی بزرگتر از مقادیر خاکستری در مناطق سوخته پس از آتشسوزی است، نتیجه گرفته میشود که آتشسوزی در مناطق با مقادیر خاکستری مثبت رخ داده است؛ درحالیکه مناطق با مقادیر منفی بر آتشسوزی اثر نمیگذارد. (Parks et al, 2014: 1831).
رابطۀ (6)
طبقهبندی نظارتشده
یکی از روشهای قدرتمند در ارتباط با تولید نقشههای موضوعی، استفاده از روشهای طبقهبندی پیکسل مبنا از طریق چند باند طیفی متفاوت است. بهصورت کلی، ساختار الگوریتم طبقهبندی پیکسل مبنا در دو مرحله خلاصه میشود: خوشههای طیفی ایجادشده در فضای ویژگی و اختصاص داده شدن هر یک از پیکسلها به یک کلاس (Hussaina et al, 2013: 94). طبقهبندی نظارتشده بهطور معمول بهدنبال وجه تشابهی با پیکسلهای معلوم هر کلاس است. این پیکسلهای معلوم را اشیای نمونۀ تعلیمی مینامند. برای انجام طبقهبندی نظارتشده، انتخاب نمونههای تعلیمی لازم از کلاسهای مختلف با شناخت از منطقه، استفاده از اطلاعات جانبی و بر مبنای DN پیکسلهای تصویر رنگی تصاویر ماهوارۀ لندست صورت گرفت. روش بیشترین احتمال (Maximum Likelihood) از میان روشهای طبقهبندی نظارتشده، تاکنون بهعنوان دقیقترین و پراستفادهترین روشها شناخته شده است. در روش مذکور، فرض بر این است که همۀ مناطق آموزشی دارای پراکنش نرمال است. درحقیقت نمونههای کلاسهای آموزشی باید معرف آن کلاس باشد (مختاری و نجفی، 1394: 38).
شکل (2) فلوچارت مراحل تحقیق (منبع: نویسندگان، 1400)
Figure (2) flowchart of the research steps (source: authors, 1400)
یافتههای پژوهش و تجزیهوتحلیل آنها
نقشههای خروجی دمای سطح زمین با استفاده از تصویر ماهوارۀ لندست 8 سنجندۀ TIRS باند 10 در شکل (3) نشان داده شده است. با توجه به نقشههای استخراجشده، دمای سطح زمین برای تصویر قبل از آتشسوزی کمترین و بیشترین دما بهترتیب 6 و 32 درجۀ سانتیگراد و برای تصویر بعد از آتشسوزی بهترتیب 6 و 41 درجۀ سانتیگراد است که افزایش دمای 9 درجۀ سانتیگرادی در بازۀ زمانی قبل و بعد از آتشسوزی حاکی از وجود آتشسوزی در منطقۀ موردمطالعه است.
|
|
|
شکل (3) نقشۀ دمای سطح زمین قبل از آتشسوزی (سمت راست) و بعد از آتشسوزی (سمت چپ)
Figure (3) Earth surface temperature map before the fire (right side) and after the fire (left side)
پس از انتخاب الگوریتمهای شناسایی آتشسوزی، به پیشپردازش (تصحیحات هندسی، رادیومتریک و اتمسفری)، پردازش (اعمال روابط و فرمولهای آتشسوزی برای شناسایی آتشسوزی) و پسپردازش (ارزیابی و صحتسنجی نتایج آتشسوزیهای شناساییشده با الگوریتمهای آتشسوزی) تصاویر اقدام شد. نتایج نهایی آتشسوزیهای شناساییشده برای بخشهایی از رشتهکوه زاگرس از سوی الگوریتمهای آتشسوزی نشاندهندۀ آن است که آتشسوزیهای شناساییشده با شاخص NBR طبق شکل (4) در منطقۀ موردمطالعه بهصورت پراکنده و با شدت زیادی رخ داده است.
|
|
|
شکل (4) نقشۀ شاخص NBR قبل از آتشسوزی (سمت راست) و بعد از آتشسوزی (سمت چپ)
Figure (4) NBR index map before the fire (right side) and after the fire (left side)
از تفاوت بین NBR قبل از آتشسوزی و بعد از آتشسوزی تصاویر برای محاسبۀ dNBR استفاده میشود که برای تخمین شدت سوختگی مورداستفاده قرار میگیرد. مقادیر dNBR از حالتی به حالت دیگر متفاوت است؛ بنابراین اگر تفسیر در موارد خاص برای دستیابی به بهترین نتایج باشد، باید از طریق ارزیابی میدانی انجام شود؛ با این حال، سازمان زمینشناسی آمریکا یک طبقهبندی را برای تفسیر شدت سوختگی پیشنهاد کرد؛ درنتیجه برای برآورد شدت سوختگی در شاخص dNBR شش درجۀ مختلف شدت آتش تعریف میشود و به هر یک رنگی اختصاص داده میشود (جدول 4).
جدول (4) طبقهبندی شدت سوختگی شاخص dNBR
Table (4) classification of dNBR index burn severity
|
طبقات شاخص اختلاف نسبت سوختگی نرمالشده (dNBR) |
|
|
رشد مجدد زیاد پس از آتشسوزی |
25/0- < |
|
رشد مجدد کم پس از آتشسوزی |
1/0- ، 25/0- |
|
مناطق فاقد حریق |
1/0 ، 1/0- |
|
سوختگی با شدت کم |
25/0 ، 1/0 |
|
سوختگی با شدت متوسط |
3/0 ، 25/0 |
|
سوختگی با شدت زیاد |
38/0 > |
با توجه به نقشۀ dNBR حاصل از تصاویر ماهوارهای (شکل 5)، مشخص شد که آتشسوزی اتفاقافتاده در منطقۀ موردمطالعه بهصورت پراکنده و با شدت زیاد از شمال غرب آغاز شده و بهسمت جنوب شرق ادامه پیدا کرده است که با شدت و ضعف مختلف، بر منطقۀ وسیعی اثر گذاشته است.
شکل (5) نقشۀ شاخص dNBR منطقۀ موردمطالعه
Figure (5) dNBR index map of the studied area
ارزیابی نتایج بهدستآمده، امری ضروری است؛ بهطوریکه اگر نتایج ارزیابی نشوند، بدین معنی است که تفسیر کامل نیست. با توجه به هدف اصلی پژوهش (تشخیص مناطق گرفتار حریق)، پس از تفکیک و تشخیص مناطق آتشسوزی با استفاده از شاخصهای مورداستفاده، اقدام به طبقهبندی و تفکیک مناطق سوخته از سایر مناطق شد. در این راستا، از روش پیکسل پایه و الگوریتم بیشترین احتمال برای طبقهبندی استفاده شد که از 3 طبقۀ مناطق گرفتار حریق، مناطق مسکونی و سایر کاربریها در طبقهبندی استفاده شد. با استفاده از نتایج بهدستآمده از نقشۀ طبقهبندی (شکل 6)، وسعت مناطق گرفتار حریق در منطقۀ موردمطالعه، 13685 هکتار برآورد شد.
شکل (6) نقشۀ طبقهبندیشدۀ مناطق گرفتار حریق
Figure (6) classified map of the fire affected areas
نتیجهگیری
بهرهگیری از دانش سنجش از دور و تصاویر ماهوارهای در ارزیابی و مدیریت پایدار منابع طبیعی و بهتبع آن بررسی چالشها و تهدیدات منابع جنگلی، به دلیل ویژگیهای این مناطق و همچنین کارایی تکنیکهای سنجش از دوری، بهصورت گسترده در حال توسعه و تکامل است. امروزه بررسی قابلیت تصاویر ماهوارههای مختلف، در تشخیص و ارزیابی جنبههای گوناگون علوم جنگلداری از سوی محققان، در بسیاری از مناطق رویشی دنیا انجام شده و اطلاعات بسیار خوبی را در اختیار قرار داده است. خوشبختانه در این ارتباط در دهههای اخیر، تصاویر سنجندههای مختلف لندست بهآسانی و برای دورههای مختلف در دسترس بوده است و در صورتی که از قابلیت مناسبی در تشخیص مناطق جنگلی سوختهشده برخوردار باشد، بهراحتی در تعیین سطوح آتشسوزیهای مناطق مختلف مؤثر است و اطلاعات دقیقی را در اختیار قرار میدهد. این پژوهش با هدف بهکارگیری قابلیت و توان تصاویر ماهوارۀ لندست، شاخص NBR و dNBR در تفکیک و شناسایی عرصههای جنگلی سوختهشده از سایر پدیدهها، در بخشی از جنگلهای زاگرس، طراحی و اجرا شد. بررسی تغییرات پس از آتشسوزی و آگاهی از شدت سوختگی با استفاده از شاخص NBR تجزیهوتحلیل شد. بهعنوان نتیجهگیری کلی گفته میشود که با توجه به صحت نتایج طبقهبندی در تشخیص عرصههای سوختهشده از سایر مناطق با اعتماد بالا، بر توان و قابلیت مناسب تصاویر ماهوارۀ لندست و شاخص NBR و dNBR در تفکیک و تمایز مناطق جنگلی سوختهشده تأکید شده است. براساس نتایج نقشههای شدت آتش بهدستآمده از این پژوهش، ادعا میشود که توان تفکیک مکانی و طیفی تصاویر لندست بهخوبی پاسخگوی تهیۀ آمار و اطلاعات صحیح از عرصههای آتشسوزی و درنتیجه تهیۀ نقشۀ مناطق جنگلی سوختهشده در محدودۀ جنگلهای زاگرس ایران است؛ درنتیجه با توجه به نتایج بهدستآمده از نقشههای دمای سطح زمین مربوط به قبل و بعد از آتشسوزی که حاکی از افزایش 9 درجۀ سانتیگرادی دما در منطقۀ موردمطالعه و همچنین با توجه به استخراج مناطق دچار حریق توسط شاخصهای NBR و dNBR و استخراج مناطق دچار حریق با طبقهبندی به روش نظارتشده (الگوریتم بیشترین احتمال) و همخوانی و همسویی این مناطق با یکدیگر، وسعت مناطق دچار حریق در منطقۀ موردمطالعه 13685 هکتار برآورد میشود.
ادب و همکاران(2012) در پژوهشی به مدلسازی خطر آتشسوزی در جنگلهای گلستان به کمک تصاویر مودیس و سیستم اطلاعات جغرافیایی توجه کردند. متغیرهای مورداستفاده براساس ضریب آتشسوزی به طبقاتی تقسیمشده با تجزیهوتحلیل دادهها در محیط GIS به سه منطقۀ خطر کم، متوسط، زیاد برای منطقه به دست آمد.
نجفی و همکاران (1394) پژوهشی را با عنوان مدلسازی و تهیۀ نقشۀ خطر وقوع آتشسوزی جنگل و با استفاده از سنجش از دور در منطقۀ باغ شادی یزد بررسی کردند. در این پژوهش، از مدل تحلیل سلسلهمراتبی و معیارهای فیزیولوژی شامل شیب، ارتفاع دما و بارش و ... استفاده شد؛ همچنین از شاخصهای پوشش گیاهی نیز استفاده شد و در آخر منطقه به طبقات پرخطر و خطرناک همپوشانی زیادی با نقاط آتشگرفتۀ گذشته داشته است.
)
