محیط زیست و توسعه فرابخشی
مجله علمی

بررسی روند تغییرات کاربری اراضی کشاورزی در حوزه‌ی آبریز زاینده‌رود با استفاده از پلتفرم گوگل ارث انجین

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

پانته آ لطفی 1
مژگان احمدی ندوشن 2

1 گروه محیط زیست، واحد اصفهان(خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

2 مرکز تحقیقات پسماند و پساب، واحد اصفهان(خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

https://doi.org/10.22034/envj.2024.421306.1323
چکیده
مقدمه: خشکسالی پدیده‌ای طبیعی است که تقریباً در اکثر مناطق جهان اتفاق می‌افتد و به علت ارتباط نزدیک با محصولات کشاورزی و منابع آب یکی از پارامترهای مهم در علـوم محیطـی به شمار می‌رود. اثرات این پدیده در مناطق خشک و نیمه‌خشک به علت بارندگی سالانه کمترشان، بیشتر است. در مقابل روش‌های سنتی، استفاده از تکنیک سنجش از دور و تصاویر ماهواره‌ای به عنوان یک ابزار مفید برای پایش خشکسالی کشاورزی مورد توجه قرار گرفته است. هدف این پژوهش بررسی تغییرات کاربری اراضی کشاورزی با استفاده از شاخص تفاضل نرمال شده گیاهی و تصاویر ماهواره‌ای است.
مواد و روش‌ها: در این مطالعه، از تصاویر ماهواره‌ی لندست به منظور بررسی روند تغییرات کاربری اراضی کشاورزی در حوزه‌ی آبریز زاینده‌رود طی سال‌های 1363-1402 استفاده شد. برای انجام این مطالعه ابتدا از شاخص تفاضل نرمال شده گیاهی هر سال بهره گرفته شد. از آن‌جا که الگوهای متنوعی از کشت با تفاوت‌های زمانی مختلفی در طول یک سال در منطقه مورد مطالعه حضور پیدا می‌کند نمی‌توان از یک تصویر منتخب به عنوان مبنای یک سال استفاده کرد بر خلاف آن لازم است تا تصاویر مختلف برای زمان‌های مختلف سال مورد بررسی قرار گیرند تا مجموعه تمامی پیکسل‌هایی که در یک سال زراعی به زیر سطح کشت رفته­اند، شناسایی و مشخص شوند. از آنجا که انجام این فرایند بسیار زمان بر خواهد بود، از یک رویکرد ابتکاری استفاده شد. ابتدا در سامانه گوگل ارث انجین تمام تصاویر سالانه لندست به صورت سال به سال فراخوانی شدند. سپس تصاویری که دارای پوشش ابر بودند حذف شده و فیلتر حداکثر بر روی باندهای تصاویر باقیمانده اعمال شد. سپس شاخص تفاضل نرمال شده گیاهی تصاویر سالانه جدید ساخته شد و با اعمال حدود آستانه 2/0، اراضی کشاورزی از سایر اراضی تفکیک گردید. وسعت اراضی کشاورزی در هر سال محاسبه و مدل رگرسیون خطی برای شناسایی روند تغییرات مورد استفاده قرار گرفت. به این عبارت که وسعت اراضی کـشاورزی به عنـوان متـغیر وابستـه و زمـان در مـقیاس سـالانه به عنوان پـارامتر مـستقل مـورد اسـتفاده قرار گرفت.
نتایج: وسعت اراضی کشاورزی در اوایل دهه 1360، در حدود 25 هزار هکتار بوده است که با روندی کاهشی در طول زمان در سال­های 1373 و 1393 به مقدار 21700 و 15180 هکتار رسیده و در نهایت در سال ۱۴۰۱ به کمترین مقدار خود برابر با 11250 هکتار رسیده است. این روند، کاهش 55 درصد در رهاسازی اراضی کشاورزی در این مقطع زمانی را نشان می­دهد. همچنین مقدار شاخص تفاضل نرمال شده گیاهی در اراضی کشاورزی نیز به مرور زمان روند کاهشی را تجربه کرده است که بیانگر تغییر الگوی کشت به سمت کشت­‌های کم‌­تراکم با زیست‌توده کم مانند گندم است.
بحث: نتایج حاصل از روند تغییرات وسعت کاربری کشاورزی در منطقه مورد مطالعه، الگوی کاهشی را نشان داد یعنی از دست­روی اراضی کشاورزی رخ داده است که این روند منطبق با الگوی کاهش سطح آب سد زاینده‌رود است. این پدیده را می‌توان مستقیماً به کاهش منابع آب در منطقه نسبت داد. در دهه اخیر، حجم آب اختصاص یافته برای انجام فعالیت‌های کشاورزی در این منطقه به دلیل نزدیک شدن حجم آب سد زاینده­‌رود به محدوده‌های بحرانی بسیار کاهش پیدا کرده است.

کلیدواژه‌ها

تصاویر ماهواره‌ای
شاخص تفاضل نرمال‌شده گیاهی
کاربری اراضی
زاینده‌رود

موضوعات

  1. Adamides, G., Kalatzis, N., Stylianou, A., Marianos, N., Chatzipapadopoulos, F., Giannakopoulou, M., Papadavid, G., Vassiliou, V. and Neocleous, D., 2020. Smart farming techniques for climate change adaptation in Cyprus. Atmosphere, 11(6), p.557.  https://doi.org/10.3390/atmos11060557
  2. Al-Maimani, A.M., Al-Ismaili, A.M. and Charabi, Y., 2021. GIS And Remote Sensing Techniques In Controlled Environment Agriculture: A Review. Journal Of Agricultural And Marine Sciences. 26(2):10-23.
  3. Azareh, A., Rafiei Sardooi, E. and Mircholi, F., 2023. Analyzing and predicting the trend of land cover degradation and determining the changes in landscape metrics using remote sensing. Water and Soil Management and Modelling. [In persian] Doi: 10.22098/MMWS.2023.13021.1295
  4. Barati, A.A., Asadi, A., Kalantari, Kh., Azadi, H. and Mamoorian, M., 2015. Analyzing the impacts of agricultural land use change according to the experts opinion of agricultural land organization in Iran. Iranian Journal Of Agricultural Economics and Development Research. 4(4): 639-650. [In persian] Doi:10.22059/IJAEDR.2014.53838
  5. Becker, W.R., Ló, T.B., Johann, J.A. and Mercante, E., 2021. Statistical features for land use and land cover classification in Google Earth Engine. Remote Sensing Applications: Society and Environment, 21, p.100459. https://doi.org/10.1016/j.rsase.2020.100459
  6. Belesova, K., Agabiirwe, C. N., Zou, M., Phalkey, R. and Wilkinson, P., 2019. Drought exposure as a risk factor for child undernutrition in low- and middle-income countries: A systematic review and assessment of empirical evidence. Environment International 131, 1-18. https://doi.org/10.1016/j.envint.2019.104973
  7. Bounif, M., Bouasria, A., Rahimi, A. and El Mjiri, I., 2021, November. Study of agricultural land use variability in Doukkala irrigated area between 1998 and 2020. In 2021 Third International Sustainability and Resilience Conference: Climate Change (pp. 170-175). IEEE.
  8. Choudhary, K., Boori, M.S. and Kupriyanov, A., 2018. Spatial modelling for natural and environmental vulnerability through remote sensing and GIS in Astrakhan, Russia. The Egyptian Journal of Remote Sensing and Space Science, 21(2), pp.139-147. https://doi.org/10.1016/j.ejrs.2017.05.003
  9. Emadodin, I., Reinsch, T. and Taube, F., 2019. Drought and Desertification in Iran. Hydrology 6, 1-12. https://doi.org/10.3390/hydrology6030066
  10. FAO., 2012. FAO statistical Yearbook2012. Rome: FAO.        
  11. Gulácsi, A. and Kovács, F., 2015. Drought monitoring with spectral indices calculated from MODIS satellite images in Hungary. Journal of Environmental Geography 8, 11–20.
  12. Haeffner, M., Baggio, J. A. and Galvin, K., 2018. Investigating environmental migration and other rural drought adaptation strategies in Baja California Sur, Mexico. Regional Environmental Change 18, 1495–1507. https://doi.org/10.1007/s10113-018-1281-2
  13. Heim, R. J., 2002. A review of twentieth-century drought indices used in the United States. American meteorological society 83, 1149–1165.
  14. Heydari, M.T., Rahmani, M., hazrati, M. and boueini, M.T., 2021. Evaluating the role of local management in land use development and improvement (Case study: rural settlements in Khoramdareh Township). Physical Social Planning. 4(20): 105-120. [In persian] Doi:  https://doi.org/10.30473/psp.2021.51682.2273
  15. Idrees, M.O., Omar, D.M., Babalola, A., Ahmadu, H.A., Yusuf, A. and Lawal, F.O., 2022. Urban land use land cover mapping in tropical savannah using Landsat-8 derived normalized difference vegetation index (NDVI) threshold. South African Journal of Geomatics, 11(1).
  16. Jones, M.W., Abatzoglou, J.T., Veraverbeke, S., Andela, N., Lasslop, G., Forkel, M., Smith, A.J., Burton, C., Betts, R.A., van der Werf, G.R. and Sitch, S., 2022. Global and regional trends and drivers of fire under climate change. Reviews of Geophysics, 60(3), p.e2020RG000726.   https://doi.org/10.1029/2020RG000726
  17. Kachhwala, T.S., 1985. Temporal monitoring of forest land for change detection and forest cover mapping through satellite remote sensing. In Proceedings of the 6th Asian Conf. on Remote Sensing. Hyderabad, 1985 (pp. 77-83).
  18. Kashefidust, D., ebrahimzade, I. and mosavi, M., 2022. 'The Assessment of agricultural Ecological Capability with Spatial planning approach and Regional development Case Study: West Azerbaijan Province', Geographical Planning of Space, 11(42), pp. 75-89. [In persian] doi: 10.30488/gps.2020.217419.3178
  19. Khorsandi, M., Omidi, T. and van Oel, P., 2023. Water-related limits to growth for agriculture in Iran. Heliyon, 9(5): e16132, https://doi.org/10.1016/j.heliyon.2023.e16132.
  20. Lavrenko, S., Lykhovyd, P., Lavrenko, N., Ushkarenko, V. and Maksymov, M., 2022. Beans (Phaseolus vulgaris L.) yields forecast using normalized difference vegetation index. International Journal of Agricultural Technology, 18(3), pp.1033-1044.
  21. Liu, S. and Li, W., 2011. “The study on drought monitoring based on multi-source remotely sensed images”. Eighth International Conference on Fuzzy Systems and Knowledge Discovery. Shanghai China.
  22. Maulai, N. and Alinqipour, M., 2019. Investigating the trend of land use changes with emphasis on population increase during 1380-95 AH (case study: Rasht city, Gilan province). Journal of Geographical Engineering of Territory. 3(2): 225-241. [In persian]
  23. Mohammadi, F., Omidvar, N., Houshiar Rad, A., Mehrabi, Y. and Abdollahi, M., 2008. Association of food security and body weight status of adult members of Iranian households. Iranian journal of nutrition sciences & food technology, 3(2), pp.41-53. [In persian]
  24. Mohammadzadeh, S., 2022. Assessing the Social Capital among Farmers in Urmia City and Its Effect on Their Pro-Environmental Behavioral Tendencies. Environment and Interdisciplinary Development, 7(77), pp.32-48. [In persian] Doi: https://doi.org/10.22034/envj.2022.161953
  25. Mohmadzadeh, K. and Feizizadeh, B., 2017. Modeling the impacts of Urmia lake drought on soil salinity of agricultural lands in the eastern area of fuzzy object based image analysis approach. Journal of Rs and GIS For Natural Resource. 8(28): 54-72. 2017. [In persian] http://dorl.net/dor/20.1001.1.26767082.1396.8.3.4.1
  26. Rawat, J.S. and Kumar, M., 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1), pp.77-84. https://doi.org/10.1016/j.ejrs.2015.02.002
  27. Rousta, I., Olafsson, H., Moniruzzaman, M., Zhang, H., Liou, Y. A., Mushore, T. D. and Gupta, A., 2020. Impacts of Drought on Vegetation Assessed byVegetation Indices and Meteorological Factorsin Afghanistan, Remote Sens 12, 1-21.
  28. Sabzghabaei, G.R., Jafarzadeh, K., Dashti, S.S., Yousefi Khanghah, S. and Bazmara Baleshti, M., 2017. 'Land use change detection using remote sensing and GIS (Case study: Qhaemshahr city)', Journal of Environmental Science and Technology, 19(3), pp. 143-157. [In persian] doi: 10.22034/jest.2017.11075
  29. Shaw, S., Khan, J. and Paswan , B., 2020. Spatial modeling of child malnutrition attributable to drought in India. International Journal of Public Health 65, 281–290. https://doi.org/10.1007/s00038-020-01353-y
  30. Snyder, K.A., Huntington, J.L., Wehan, B.L., Morton, C.G. and Stringham, T.K., 2019. Comparison of landsat and land-based phenology camera normalized difference vegetation index (NDVI) for dominant plant communities in the great basin. Sensors, 19(5), p.1139.  https://doi.org/10.3390/s19051139
  31. Soffianian, A., Mokhtari, Z., Khajeuddin, J.and Ziyai, H., 2012. Gradient analysis of urban landscape pattern (case study: Isfahan). Human Geography Research, 45 (1): 87-104. [In persian]
  32. Taheri Dehkordi, A.R., Valadanzouj, M. and Safdarinezhad, A., 2022. Cropland Mapping through Integration of Segmentation and Classification Techniques in Google Earth Engine. Iranian Journal of Remote Sensing & GIS. 14(1): 1-20. [In persian] Doi: https://doi.org/10.52547/gisj.14.1.1
  33. Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8(2), pp.127-150.
  34. Yang, Z., Witharana, C., Hurd, J., Wang, K., Hao, R. and Tong, S., 2020. Using Landsat 8 data to compare percent impervious surface area and normalized difference vegetation index as indicators of urban heat island effects in Connecticut, USA. Environmental Earth Sciences, 79, pp.1-13. https://doi.org/10.1007/s12665-020-09159-0
محیط زیست و توسعه فرابخشی
دوره 8، شماره 82
زمستان 1402
صفحه 35-48

صفحه اصلی

ارسال مقاله

تماس با ما