ارزیابی میزان آسیب‌پذیری سرزمین با استفاده از مدل ترکیبی IDI در مناطق خشک و نیمه‌خشک منطقه (مطالعه‌ی موردی: خراسان رضوی)

نویسنده

دانشگاه حکیم سبزواری

چکیده

آسیب‌پذیری سرزمین یکی از چالش‌های مهم جهانی به‌عنوان مورد عینی تخریب اکوسیستم‌های خشک، نیمه‌خشک و نیمه‌مرطوب است که در اثر فرآیندهای طبیعی و فعالیت‌های انسانی ایجاد می‌گردد. بااین‌حال به منظور ارزیابی میزان آسیب‌پذیری سرزمین، نیازمند شناخت دقیق از درجه‌ی تحمل اکوسیستم‌ها و استفاده از نظام‌های دانش بومی نسبت به شرایط بیرونی لازم است. پژوهش حاضر بر اساس الگوریتم شاخص ترکیبی IDI جهت ارزیابی شدت آسیب‌پذیری خراسان رضوی در یک دوره‌ی 16 ساله (2016-2001) استفاده شد. بدین منظور دو شاخص وضعیت پوشش گیاهی (VCI) (MOD13Q1) و وضعیت دمایی (TCI) (MOD11A2) بر اساس روش دلفی و با توجه به قابلیت دسترسی به این شاخص‌ها بر اساس داده‌های ماهواره‌ای و در دوره‌ی زمانی موردنظر انتخاب شدند. سپس تصاویر از محصولات سنجنده‌ی مودیس تهیه و نرمال‌سازی و شاخص‌ها در محدوده‌‌ی صفر و یک بی‌مقیاس شدند و برای ارزیابی اوزان از روش سلسه‌مراتبی در نرم‌افزار EDRISI استفاده شد. همچنین برای صحت‌سنجی مدل، از 250 نقطه برداشت زمینی و با استفاده از ضریب کاپا وضعیت پوشش گیاهی تعیین گردید. سپس با استفاده از مدل ترکیبی IDI و اجرای مدل، منطقه در پنج کلاس آسیب‌پذیری خیلی کم (15.0-0)، آسیب‌ذیری کم (3.0-15.0)، آسیب‌‌پذیری متوسط (5.0-3.0)، آسیب‌پذیری زیاد (7.0-5.0) و آسیب‌پذیری خیلی زیاد (1-7.0) طبقه‌بندی شد. نتایج نشان داد که بیش‌ترین آسیب‌پذیری سرزمین در سال 2001 با بیش از 50 درصد مساحت استان در کلاس متوسط و در سال 2016 بیش‌ترین آسیب‌پذیری در دو کلاس متوسط و زیاد با نسبت مساوی 44 درصد را دربر می‌گیرند. دقت کلی مدل برای مدل ترکیبی IDI 6.78 درصد و ضریب کاپای 7.0 محاسبه گردید.

کلیدواژه‌ها

عنوان مقاله [English]

Assessing the Vulnerability of the Land Using the IDI Combination Model in Arid and Semi arid Regions (Khorasan Razavi)

نویسنده [English]

  • mostafa dastorani
چکیده [English]

Land vulnerability one of the major global challenges as an objective case of degradation of arid, semi-arid and semi-humid ecosystems caused by natural processes and human activities. However, in order to assess the vulnerability of the land, it is necessary to know exactly the degree of tolerance of ecosystems and the use of indigenous knowledge systems to external conditions.The present study was based on the IDI hybrid index algorithm to assess the severity of Khorasan Razavi vulnerability over a 16-year period (2001-2016). For this purpose, two indicators of vegetation status (VCI) (MOD13Q1) and temperature status (TCI) (MOD11A2) based on the opinion of experts, and according to the availability of these indicators, based on satellite data and in The desired time period was selected. Then, the images of Modis sensor products were prepared and normalized, and the indices were scaled in the range of zero and one, and the hierarchical method in EDRISI software was used to evaluate the weights. Using 250 ground harvest points, the accuracy of the model was determined using kappa coefficient for vegetation status.
Then, using IDI combination model and implementation of the model, the area has very low vulnerability (0-15 . 0), low vulnerability (0.3-0.3), medium vulnerability (3.5-3.0) 0), high vulnerability (0.5-0.7) and very high vulnerability (1-7 . 0). The results showed that the highest vulnerability in 2001 with more than 50 percent of the province's average in the middle class and in 2016, the highest vulnerability in the two medium and high classes is approximately equal to the proportion of 44 percent. The overall accuracy of the model for the IDI combination model was 78.6% and the Kappa coefficient was 0.7.

کلیدواژه‌ها [English]

  • IDI Integrated model
  • vulnerability
  • arid and semi arid regions
  • Khorasan Razavi

مراجع

Kogan, F. N. (2000). A typical pattern of vegetation conditions in southern Africa during ElNino years detected from AVHRR data using three-channel numerical index. International Journal of Remote Sensing, 19(3), 3689–3695. FAO. (1965). Erosion by WaterFAO Agriculture Development. Report No. 81,FAO, Rome. FAO. (1984). Provisional methodology for assessment and mapping of desertification. Food and Agriculture Organization of the United Nations and United Nation Environment Program. Italy Rome, 84. Feoli, E., Giacomich, P., Mignozzi, K., Ozturk, M., Scimone, M. (2003). Monitoring desertification risk with an index integrating climatic and remotely-sensed data an example from the coastal area of Turkey. Management of Environmental Quality: An International Journal. 14(1). 10-21. Hua, N, P., Kobayashi, F., Iwasaka, Y., Shi, G, Y., Naganuma, T. (2007). Detailed identification of desert-originated bacteria carried by Asian dust storms to Japan, Aerobiologia. 23(4), 8-291. Han, L., Zhang, Z., Zhang, Q., Wan, X. (2014). Desertification assessments in the Hexi corridor of northern China’s Gansu Province by remote sensing. Journal of Nat Hazards 75(5). 2715–2731. Motroni, A, Canu, S., Bianco, G., Loj, G. (2009). Monitoring Sensitive Areas to Desertification in Sardinia: the Contribute of The Regional Agro meteorological Service. Journal of Springer Science. 10(4).117-135. Park, S., Kim, J., Lee, S., Kim, J. S., Chang, L.S., Ou, S. (2014). Combined dust detection algorithm by using MODIS infrared channels over East Asia. Remote Sensing of Environment. 141(16). 24-39. Salvati, L., De Angelis, A., Bajocco, S., Ferrara, A., Barone, P. (2015). Desertification Risk, Long-Term Land- Use Changes and Environmental Resilience: A Case Study in Basilicata, Italy. Scottish Geographical Journal. 129(2). 85–99. Salvati, L., Zitti, M., Ceccarelli, T., Perini, L. (2009). Developing a Synthetic Index of Land Vulnerability to Drought and Desertification. Journal of Geographical Research. 47(3). 280–291. Santini, M., Caccamo, G., Laurenti, A., Noce, S. & Valentini, R. (2010). A multi-component GIS framework for desertification risk assessment by an integrated index. Applied Geography, 30 (3), 394-415. UNCOD. (1978). United Nations Conference on Desertification. 29 Aug-9 Sept, (1977). Round-up, plan of action and resolution. UNCOD- UNEP, New York, EUA. 43. Unganai, L. S., Kogan, F. N. (1998). Drought monitoring and corn yield estimation in Southern Africa from AVHRR data. Remote Sensing of Environment. 63 (3). 219-232. Lu, D., Mausel, P., Brondi, Z. E. Moran, E. (2004). Change detection techniques. INT. J. Remote Sensing. 25(12). 2365–2407. Ghiami-Shamami, F., Sabziparvar, A. Shinoda, S. (2019) Long-term comparison of the climate extremes variability in different climate types located in coastal and inland regions of Iran. Theoretical and Applied Climatology. 136(4). 875–897.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار