چکيده

مطالعه حاضر مدل‌سازی تغییرات کاربری اراضی محدوده‌های اطراف شهر ارومیه را به‌منظور شناسایی تخریب‌های صورت گرفته در اراضی کشاورزی را مدنظر قرار داده است. در راستای انجام تحقیق پردازش شیء پایه تصاویر ماهواره‌ای در ابتدا با اعمال فرایند سگمنت سازی انجام شد سپس با بهینه‌سازی مقیاس سگمنت سازی و تجزیه تصویر به عناصر تشکیل‌دهنده آن، از انواع الگوریتم‌های شیء پایه متناسب با شرایط فیزیکی، هندسی هریک از کلاس‌های کاربری اراضی استفاده شد. فرایند طبقه‌بندی مشتمل بر استفاده از ارزش‌های درجه عضویت هریک از سگمنت ها به کلاس‌های کاربری اراضی بر اساس منطق فازی و الگوریتم نزدیک‌ترین همسایه می‌باشد. نتایج پژوهش نشان می‌دهد شهر ارومیه در طی ۳۱ سال گسترش فیزیکی زیادی داشته به‌طوری‌که مساحت آن از ۷٫۴۳ درصد کل منطقه موردمطالعه در سال ۱۹۸۴ به ۳۰٫۷۵ در سال ۲۰۱۵ افزایش‌یافته است. این افزایش با کاهش زمین‌های کشاورزی جبران شده به‌طوری که حجم وسیعی از اراضی کشاورزی مستعد مورد ساخت‌وساز قرارگرفته است که به معنی تخریب اراضی حاصلخیز مخصوصاً اراضی باغی در این منطقه به‌خصوص در محدوده مسیر رودخانه شهر چای، بند، محور مهاباد، محور سرو، محور دریا، محور سلماس بوده است.

کليد واژگان

اراضی کشاورزی، تغییرات کاربری اراضی، تخریب اراضی زراعی، مدل‌سازی شیء پایه، شهر ارومیه

مقدمه و بیان مسئله

كاربري اراضي شامل انواع بهره‌برداری از زمين به‌منظور رفع نيازهاي گوناگون انسان است يكي از پیش‌شرط‌های اصلي براي استفاده بهينه از زمين، اطلاع از الگوهاي كاربري اراضي و دانستن تغييرات هرکدام از کاربری‌ها در طول زمان است (فيضي زاده، حاجی میر رحیمی، ۱۳۸۶). آشکارسازي تغییرات شامل کاربرد مجموعه داده‌های چند زمانه به‌منظور مشخص کردن مناطقی است که کاربري و پوشش زمینی آن‌ها در تاریخ‌های مختلف تصویربرداري تغییراتی داشته­اند. این تغییرات ممکن است ناشی از تغییرات پوشش در کوتاه‌مدت مانند برف، سیلاب، تغییرات، کاربري چون توسعه شهري و تبدیل اراضی کشاورزي به کاربری‌های مسکونی و صنعتی باشد (ربیعی ، ضیائیان ،محمدی،۱۳۸۳، ص۱۹). داشتن آمار و اطلاعات بهنگام، لازمه مدیریت صحیح عرصه‌های طبیعی می‌باشد. یکی از مبانی مدیریت منابع طبیعی، اطلاعات مربوط به نقشه‌های تغییرات کاربري اراضی می‌باشد. اطلاع از نسبت کاربری‌ها در يك محيط و نحوه تغييرات آن درگذر زمان يكي از مهم‌ترین موارد در برنامه‌ریزی‌ها می‌باشد. بااطلاع از نسبت تغييرات کاربری‌ها درگذر زمان می‌توان تغييرات آتي را پیش‌بینی نموده و اقدامات مقتضي را انجام داد. با عطف به هزینه بالا و بهنگام نبودن تهیه این نقشه‌ها به‌وسیله عملیات زمینی، در سال‌های اخیر استفاده از تصاویر ماهواره‌ای به‌عنوان روشی کارآمد براي ارزیابی تغییرات محیطی مطرح‌شده است (شریانی، ۱۳۸۰). در حال حاضر تكنولوژي سنجش‌ازدور (RS) بهترين وسيله براي پايش تغييرات محيطي و استخراج کاربری‌هاي اراضي بوده كه بيشترين سرعت و دقت را دارد. با استفاده از داده‌های چند زمانه سنجش‌ازدور با كمترين زمان و هزينه می‌توان نسبت به استخراج کاربری‌هاي اراضي اقدام نموده و سپس با مقايسه آن در دوره‌های زماني مختلف نسبت تغييرات را ارزيابي نمود. طبقه‌بندی تصاوير رقومي ماهواره‌ای يكي از مهم‌ترین روش‌ها براي استخراج اطلاعات كاربردي محسوب می‌شود. طبقه‌بندی تصاوير رقومي ماهواره‌ای با استفاده از دو روش امکان‌پذیر است روش پيكسل پايه كه مبتني بر طبقه‌بندی ارزش‌های عددي تصاوير می‌باشد و روش جديد شیءگرا كه علاوه بر ارزش‌های عددي از اطلاعات مربوط به محتوا و بافت و زمينه نيز در فرايند طبقه‌بندی تصاوير استفاده می‌نماید (اکبری و دیگران، ۱۳۸۹). برای استخراج اطلاعات کاربری اراضی از تصاویر رقومی‌ ماهواره‌ای روش‌های‌ متفاوتی ارائه‌شد‌ه که ‌هریک‌ د‌ارای نقاط ‌ضعف‌ وبرتری خاص خود‌ است. د‌ر این راستا روش‌های شیءگرا‌ به‌ جهت‌ بهره‌مند‌ی از الگوریتم‌های د‌انش‌پایه‌ توانسته‌‌ است‌ بر‌ ضعف‌ روش‌های پیکسل پایه‌ غلبه کند (Blaschke,2010,p. 4). در راستای موضوع تحقیق و استفاده از تکنیک‌های شیءگرا، (فيضي زاده، حاجی میر رحیمی، ۱۳۸۶) از تصاوير TM و HDR لندست ماهواره اسپات استفاده نموده تغييرات فضاي سبز شهر تبريز را با استفاده از روش طبقه‌بندی شیءگرا موردمطالعه قرار داده‌اند. (رضایی مقدم و دیگران، ۱۳۸۹) با استفاده از تصاویر سنجنده HDR ماهواره SPOT 5 و با پردازش شی گراء تصاویر ماهواره‌ای تغییرات کاربری اراضی این تصاویر را در محیط نرم‌افزار eCognation با متد پردازش شیءگرا نقشه کاربری‌های استان آذربایجان غربی را تهیه کردند. (فیضی زاده، ۱۳۸۶) روش‌های طبقه‌بندی پیكسل پايه و شیءگرا را در تهیه نقشه‌های کاربری اراضي جلگه شرقي درياچه ارومیه مورد مقايسه قرار داده است. (Chen, at al,2009) با استفاده از تصاوير ماهواره‌ای SPOT نسبت به مقايسه روش‌های طبقه‌بندی پیكسل پايه و شیءگرا در استخراج اطلاعات از تصاوير ماهواره‌ای اقدام نمودند. (متین فر و دیگران، ۱۳۸۶) در مقاله‌ای تحت عنوان تعیین نوع کاربری و پوشش اراضی به‌وسیله داده‌های لندست ۷ (ETM+) با استفاده از روش شیءگرا در منطقه کاشان و با استفاده از نرم‌افزار eCognation به تفکیک پوشش­های از قبیل پوسته‌های نمکی، تپه­های ماسه­ای، خاک‌های شور و غیر شور پرداخته و بعد با استفاده از نمونه‌های آموزشی صحت طبقه­بندی مورد ارزیابی قرار داده است. داشتن آمار و اطلاعات بهنگام، لازمه مدیریت صحیح عرصه‌های طبیعی می‌باشد. یکـی از مبـانی مـدیریت عرصه­های طبیعی-انسانی، اطلاعات مربوط به نقشه‌های تغییرات کاربري اراضی می‌باشد. با عطف به هزینه بالا و بهنگام نبـودن تهیـه این نقشه‌ها به‌وسیله عملیات زمینی، در سال‌های اخیر استفاده از تصاویر ماهواره‌ای به‌عنوان روشی براي ایـن کـار مطرح‌شده است پژوهش‌های زیادی در مورد استخراج کاربری‌های اراضی با تصاویر چند زمانه صورت گرفته ولی در بیشتر این پژوهش­ها تصاویر مورداستفاده به روش پیکسل پایه مورد پردازش قرار گرفته­اند و از قابلیت بالای تکنیک‌های پردازش شیءگرا استفاده‌نشده است. این در حالی است که روش‌های شئ گرا یکی از روش‌های جدید و کارآمد بوده و به دلیل ماهیت خود می‌تواند در پردازش تصاویر چند زمانه‌ای مورداستفاده قرار گیرد؛ بنابراین پژوهش فوق و استفاده از روش شئ گرا جهت پردازش تصاویر چند زمانه­ای و استخراج سطح تخریب‌های صورت گرفته در اراضی کشاورزی و باغی محدوده اطراف شهر ارومیه را مدنظر قرار داده است.

مواد و روش‌ها

محدوده موردمطالعه و داده‌های تحقیق

شهر ارومیه مرکز شهرستان ارومیه و استان آذربایجان غربی با وسعت ۸۵۷۷٫۳ هکتار و در جلگه­ای به طول ۷۰ و عرض ۳۰ کیلومتر در کنار دریاچه­ای ارومیه واقع‌شده است. ارتفاع این شهر از سطح دریا ۱۳۱۳ متر می‌باشد )رهنما، آفتاب ،۱۳۹۳، ص۱۵۷). محدوده مطالعه شامل شهر ارومیه و محدوده اطراف آن را شامل می‌شود که درمجموع مساحت ۲۶۲۸۷ هکتار را شامل می‌شود محدوده موردمطالعه در شکل (۱) نشان داده‌شده است.

شکل ۱: محدوده موردمطالعه

شهر ارومیه به دلیل واقع شدن دریکی از دشت‌های حاصلخیز منطقه و وجود آب کافی یکی از قطب‌های تولیدات کشاورزی به‌ویژه در تولید سیب، انگور، گیلاس، گردو، زردآلو و… می‌باشد. این شهر در ۳۰ سال گذشته گسترش قابل توجهی داشته است و بسیاری از محدوده‌های اطراف را تحت پوشش قرار داده است. شکل شماره ۲ تصاویر ماهواره‌ای شهر ارومیه را در سال‌های بین ۱۹۸۴ و ۲۰۱۵ نشان  می‌دهد. همان‌طور که این شکل نشان می‌دهد نسبت توسعه شهری در طی ۳۱ سال گذشته با تخریب وسیع اراضی حاصلخیز کشاورزی و باغی همراه بوده است.

شکل ۲: نمونه‌ای از تصاویر ماهواره‌ای سال ۱۹۸۴ و ۲۰۱۵ منطقه موردمطالعه

در راستای اهداف اصلی پژوهش، تصاویر ماهواره­ای در طی یک دوره ۳۱ ساله و در دوره زمانی ۱۹۸۴ تا ۲۰۱۵ مورداستفاده قرار گرفت. جدول ۱ مشخصات تصاویر ماهواره‌ای استفاده‌شده را نشان می‌دهد.

جدول 1. تصاویر مورداستفاده

برای پردازش تصاویر ماهواره‌ای و استخراج نتایج فرایند تحقیق در محیط نرم‌افزارهای eCognition، Arc GIS 10.3 انجام‌شده است. شکل ۳ نیز مراحل اصلی انجام تحقیق را نشان می‌دهد. همان‌طور که در این شکل نشان داده‌شده است پژوهش حاضر در چهار مرحله اصلی شامل آماده‌سازی، سگمنت سازی، پیاده‌سازی الگوریتم‌های شیءگرا و طبقه‌بندی و استخراج نتایج انجام‌شده است که در بخش‌های بعدی موردبحث و بررسی قرارگرفته است.

شکل 3: فلوچارت و روند کلی پژوهش

شکل ۳: فلوچارت و روند کلی پژوهش

آماده‌سازی تصاویر ماهواره‌ای

پیش‌پردازش داده‌ها معمولاً به‌منظور آماده‌سازی آن‌ها برای ورود به طبقه‌بندی انجام می‌شود. پیش‌پردازش‌های اصلی تصاویر در طبقه‌بندی عبارت‌اند از: تصحیح رادیومتریکی و اتمسفری، تصحیح هندسی، تفکیک باندها، انجام محاسبات تصویری و اعمال فیلتر.

نرمال‌سازی رادیو متریک (تصحیح رادیومتریک)

تصحیحات رادیومتریکی شامل آن دسته از تصحیحات می­شود که فقط روی درجات خاکستری اعمال‌شده و با تغییر مقادیر آن‌ها به‌صورت مجزا (به‌صورت پیکسل به پیکسل)، سعی در جبران بعضی خطاهای موجود دارند (فاطمی، رضايی، ۱۳۹۱). تصحيحات رادیومتریك در قبال تغييرات منظر، نوردهی، دید هندسی، شرایط جوی و نویز سنجنده باید صورت گيرند. هرکدام از این شرایط به خصوصيات سنجنده­ها و شرایط زمان اخذ داده­ها بستگی دارند و شامل تصحيحات و یا روش‌های حذف می‌باشند (دلاور،حسنلو ،۱۳۹۲). که در زیر تشریح شده­ا­ند:

با توجه به این مهم که تصاویر مورداستفاده در این پژوهش مربوط به سال‌های مختلف می‌باشند و علاوه بر آن نوع سنجنده­ها هم متفاوت می‌باشد، بنابراین بایستی نسبت به انجام تصحیحات رادیومتریک برای هماهنگ‌سازی تصاویر اقدام گردد لذا نیاز است ارزش رقومی (DN) ثبت‌شده از یک پیکسل معین که در سال‌های مختلف، تحت تأثیر زاویه دید، موقعیت و زاویه خورشید و شرایط اتمسفری قرار می‌گیرند خطاهای آن رفع گردد (فرزادمهر و دیگران، ۱۳۸۹،ص۳۴۲). برای انجام تصحیح رادیومتری با توجه به ماهیت جداگانه تصاویر مورداستفاده فرمول‌های جداگانه­ای ارائه‌شده است. برای تصحیح رادیومتری تصاویر سنجنده TM لندست ۵، اولین گام ارزش‌های رقومی به تابش طیفی[۱] تبدیل می‌شود که این عمل با استفاده از ضرایب کالیبراسیون سنجنده و با استفاده از رابطه زیر صورت می­گیرد (Gyanesh, Bennis&Dennis,2009,p.897).

[۱] Radiance

L_λ=((〖LMAX〗_λ-〖LMIN〗_λ)/(Qcalmax-Qcalmin))(Qcal-Qcalmin)+〖LMIN〗_λ

که در آن  تابش طیفی ((m2 sr μm،  ضرایب کالیبراسیون سنجنده، حداقل و حداکثر گام کالیبره مقدار پیکسل متناظر کالیبره ارزش رقومی پیکسل (۰-۲۵۵) می‌باشد. همچنین جهت تبدیل ارزش‌های DN به تابش طیفی در تصاویر لندست ۷ برای سنجنده ETM از فرمول زیر استفاده می‌شود.

Lλ = (Gain × DN) + Bias

که در آن Gain و Bias ضرایب کالیبراسیون و DN ارزش رقومی پیکسل  می­باشد. در مرحله بعد مطابق با رابطه زیر مقدار تابش طیفی به بازتاب طیفی تبدیل می‌شود.

_λ=(π.L_λ.d^2)/(〖ESUN〗_λ.〖COS θ 〗_λ )

P_λ: بازتاب طیفی بدون واحد بین صفرتا یک، π:۳٫۱۴، L_λ: تابش طیفی در دریچه سنجنده، d^2: مجذور فاصل زمین و خورشید بر اساس واحد نجومی، 〖ESUN〗_λ: ارتفاع خورشید، θ: زاویه خورشید در هنگام تابش در زمان ضبط تصویر ماهواره‌ای.
جهت تصحیح رادیومتری تصویر سنجنده OLI ماهواره لندست ۸، مرحله اول برای تبدیل DN به ارزش¬های طیفی از فرمول زیر استفاده‌شده است.

Lφ=ML×Qcal+AL

که در این فرمول Lφ رادیانس، ML ضریب چندگانه مخصوص هر باند، Qcal ارزش رقومی پیکسل (۰-۴۰۹۵) و AL ضریب تجمعی هر باند می‌باشد. همچنین برای تبدیل مقادیر تابش طیفی به بازتاب طیفی فرمول زیر استفاده‌شده است.

Ρλ = MρQcal + Aρ

ρλ = مقدار بازتاب طیفی، Mρ ضریب چندگانه مخصوص هر باند و Aρ ضریب تجمعی هر باند می¬باشد (Mischra, at al,2014,p.12625).

با تبدیل مقادیر تابش طیفی به بازتاب طیفی آثار مربوط به تغییر شرایط نوردهی، فصل، عرض جغرافیایی، شرایط آب و هوایی روی تصاویر حذف می‌گردد و نتیجه حاصل نسبتاً استانداردشده است که مستقیماً جهت مقایسه بازتاب پدیده‌ها بین تصاویر مختلف و یک تصویر در زمان‌های متفاوت قابل کاربرد است. فرایند تصحیحات رادیومتریک بروی تمام تصاویر مورداستفاده در این پژوهش انجام‌شده و تصاویر ازنظر رادیومتریکی برای اقدامات بعدی آماده‌سازی شدند.

تصحيح اتمسفری

تصحیح اتمسفری یکی از مهم‌ترین موارد در مرحله پیش‌پردازش تصاویر ماهواره‌ای می‌باشد که در مواردی که به مقادیر انرژی ساطع‌شده از اشیاء نیاز است و یا هنگامی‌که شدت سیگنال ارسالی از طرف اشیاء از اثرات اتمسفری کمتر باشد، ضروری است (علوی پناه و همکاران، ۱۳۸۵). این تصحیح به‌خصوص در مواردی که مقایسه و تجزیه‌وتحلیل تصاویر چند زمانه مدنظر است، اهمیت بالایی دارد (Hadjimitdis, at al,2010,p.115). به‌طورکلی اتمسفر یکی از عوامل سنجش‌ازدور می‌باشد که بر دستگاه‌های تصویربرداری چند طیفی مانند اسکنرهای سنجنده‌های ماهواره لندست که در بخش طیف مرئی و مادون‌قرمز نزدیک اطلاعات را ثبت می‌کنند تأثیر داشته و طی فرایند جذب اتمسفر پیغام‌های طیفی ساطع‌شده از سطح زمین را مخصوصاً در باندهای مرئی و مادون‌قرمز متأثر می‌سازد(Tyagi & Bhosle,2011,p.568).  در  مواردی نظیر استفاده از تصاویر سنجش‌ازدور برای آشکارسازی تغییرات، انجام تصحیحات اتمسفری یکی از مهم‌ترین مراحل در پیش‌پردازش محسوب می‌شود. بر در تحقیق حاضر برای تصحیحات اتمسفری تصاویر از روش Flat Field استفاده‌شده است تا با حذف اثرات اتمسفر فرایند طبقه‌بندی از صحت بالای برخوردار باشد. با استفاده از این نوع تصحیح اتمسفری می‌توان تصاویر را نرمال نمود تا قابلیت مقایسه با یکدیگر را داشته باشند. در این تحقیق کلیه تصاویر مورداستفاده یک‌به‌یک تحت تصحیح اتمسفری قرار گرفتند.

سگمنت سازی تصاویر

سگمنت به معني‌ گروهي از پیکسل‌های‌ همسایه در داخل‌ یک‌ ناحيه است‌ که‌ شباهت (نظير ارزش عدد‌ي‌ و بافت و)…مهم‌ترین ‌مشترك ‌معيار ‌آن‌هاست )فیضی زاده، حاجی میر رحیمی، ۱۳۸۷). شيءهاي‌ تصویري‌ حاصل از فرآیند‌ سگمنت­سازي، مبناي‌ طبقه‌بندي‌ شيءگرا هستند‌ و‌ آن‌ها دارای حجم زیادی از مشخصات و خصیصه‌های ‌پدیده‌های‌ زميني متناظرشان ‌د‌ر‌ سطح ‌تصویر ‌می‌باشند و هرچه قدر این فرآیند ‌با دقت بيشتري ‌انجام‌ گيرد،‌ مستقيماً د‌ر کيفيت طبقه­بند‌ی شیءگرا تأثير ‌خواهد گذاشت (Chaudhuri& Sarkar,1995,p.75). این مرحله یکی از اساسی‌ترین مراحل در طی پردازش شیءگرای تصاویر ماهواره‌ای می‌باشد چراکه شیءهای تصویری موردنظر برای پردازش را تولید می‌کند. دقت طبقه‌بندی شیءگرا تابعی از  دقت سگمنت سازی می‌باشد چراکه با ایجاد سگمنت های مناسب زمینه برای اجرای بهتر الگوریتم‌های شئ گرا فراهم می‌شود. رویه سگمنت سازی در eCognition سگمنت سازی چند تفکیکه ۵ است. تکنیک چند تفکیکه اتصالی – نواحی فرایندی از بالا به پایین می‌باشد که با شی‌ءهای یک –پیکسل آغاز می‌شود. در مراحل بعدی، شیءهای تصویری کوچک در داخل یک شیء تصویری بزرگ‌تر ادغام می‌شود تمام این زوج‌های هوشمند، در فرایند خوشه سازی و بهینه‌سازی بر اساس وزن ناهمگنی تقلیل یافته و شیءهای تصویری را نتیجه می‌دهند. در هر مرحله که زوجی از شیءهای تصویری ادغام می‌شود، به‌صورت رشدهای کوچک با ناهمگنی معین نشان داده می‌شود. اگر این رشدهای کوچک از آستانه­ای که به‌وسیله پارامتر مقیاس تعریف‌شده است تجاوز کند فرایند سگمنت سازی متوقف می‌شود. در طول فرایند سگمنت سازی، تمام تصویر سگمنت سازی شده و شیءهای تصویری بر اساس معیار همگنی در رنگ و شکل تولید می‌شوند (فیضی زاده، ۱۳۸۶).

پارامترهای تأثیرگذار در سگمنت سازی عبارت‌اند از: تعیین مقیاس مناسب که به‌طور غیرمستقیم از اندازه اجسام تأثیر می‌پذیرد، ضریب رنگ یا شکل که به یکنواختی رنگ و شکل اجسام بستگی دارد و هر چه مقدار بیشتری برای آن انتخاب شود، دامنه آن بزرگ‌تر و اجسام بیشتری انتخاب می­­گردد و ضریب فشردگی یا نرمی که متناسب با بافت و ویژگی‌های هندسی عوارض زمینی تعیین می­شود آورک (۲۰۰۴). در پژوهش حاضر، جهت سگمنت سازی از اطلاعات مربوط به ویژگی‌های مختلف کلاس‌های کاربری اراضی (شکل، اندازه، بافت و …) استفاده‌شده و این فرایند با اعمال الگوریتم سگمنت سازی Multiresolution Segmentation انجام شد. شکل ۴ نتایج حاصل از سگمنت سازی با مقیاس متفاوت را نشان می‌دهد.

شکل 4: نمایش تصویر اصلی و سگمنت¬سازی در مقیاس، ضریب شکل و فشردگی مختلف

شکل ۴: نمایش تصویر اصلی و سگمنت¬سازی در مقیاس، ضریب شکل و فشردگی مختلف

الگوریتم Multiresolution Segmentation با به حداقل رساندن میانگین مکانی ناهمگنی‌ها در تصویر اقدام به ایجاد سگمنت ها می‌کند. این الگوریتم قابلیت اجرا در سطح سگمنت و همچنین در سطح پیکسل را دارد. درواقع این الگوریتم با به هم پیوستن متوالی پیکسل‌ها اقدام به ایجاد شئ­ها می‌کند ) Baatz & Schape,2000 ). الگوریتم Multiresolution Segmentation یکی از الگوریتم‌های بهینه‌ساز می‌باشد که با کاهش میانگین ناهمگنی و افزایش میانگین همگنی‌ها در پیکسل‌ها اقدام به ایجاد شیءها می‌کند (Happ, et al,2010). این الگوریتم با انتخاب یک پیکسل شروع‌شده و با Merge کردن دوتایی و متوالی پیکسل‌ها در قالب یک حلقه به‌تدریج بزرگ‌تر می‌شود تا جایی که این حلقه همگن باقی بماند و از حد همگنی مجاز، تجاوز نکند. این همگنی بر اساس معیارهایی که از ابتدا تعریف می‌شود تعیین‌شده (از قبیل مقیاس) و می‌توان با تعریف مقیاس‌های مختلف نتایج مختلفی را کسب کرد. به‌طوری‌که با انتخاب اعداد بزرگ‌تر برای مقیاس نتیجه سگمنت سازی شامل Object های بزرگ‌تری خواهد بود و با انتخاب اعداد کوچک‌تر Object های کوچک‌تری ایجاد می‌شود. اگر در اطراف پیکسل اولیه پیکسل مناسب برای Merge شدن پیدا نشود الگوریتم به قسمت دیگر تصویر رفته و پیکسل اولیه دیگری در قسمت دیگری از تصویر انتخاب کرده و اقدام به بررسی اطراف آن پیکسل برای پیدا کردن پیکسل مناسب برای Merge شدن می‌کند. ارزش عددی معیار شکل در ارتباط با شکل و رنگ تصویر قرار دارد، به‌طوری‌که با انتخاب ضریب شکل ۱ میزان تأثیرگذاری رنگ صد در صد می‌شود. ارزش عددی این معیار، حداکثر باید ۰٫۹ باشد. با کاهش عددی این معیار میزان تأثیرگذاری عوامل مکانی افزایش می‌یابد و میزان تأثیرگذاری عوامل طیفی کاهش می‌یابد. شاخص ضریب شکل در تصاویری که نسبتاً فشرده هستند استفاده می‌شود. در مواقعی که تصویر فشردگی نداشته باشد و دارای کنتراست ضعیف باشد باید میزان تأثیرگذاری این عامل کاهش یابد. مجموع عددی معیارهای شکل و ضریب فشردگی نباید بیشتر از ۱ شود. تجزیه‌وتحلیل نتایج سگمنت سازی تصاویر با پارامقیاس متفاوت و تفکیک مکانی تصویر مقیاس ۲، ضریب شکل ۰٫۶ و ضریب فشردگی ۰٫۴ انتخاب شد. لازم به ذکر است که در فرایند سگمنت سازی، اگر ضریب شکل بزرگ‌تر از ۰ انتخاب شود کاربر می‌تواند ضریب شکل و نرمی مناسبی را با توجه به بافت و نوع پوشش انتخاب نمایید که درنتیجه طبقه­ بندی­ نیز تأثیرگذار خواهد بود. در این پژوهش با انطباق مساحت و ویژگی‌های کلاس‌های کاربری اراضی انتخاب‌شده درنهایت مقیاس سگمنت سازی ۲ با ضریب فشردگی۰٫۶ و ضریب شکل ۰٫۴ برای مرحله سگمنت سای انتخاب شد و تصاویر مورد سگمنت سازی قرار گرفتند. شکل ۵ نتیجه سگمنت سازی با این آستانه‌ها را نشان می‌دهد.

شکل ۵: مقیاس:۲، ضریب شکل ۰٫۶، فشردگی ۰٫۴٫

طبقه‌بندی شئ ­گرای تصاویر

طبقه‌بندی شیءگرا، فرآيندی است كه طبقات پوشش اراضی را به اشياء تصويری پيوند می‌دهد (فيضی زاده، ۱۳۸۶). در اين فرآيند، هر يك از شیءهای تصويری به يكی (يا هیچ‌کدام) از طبقات اراضی اختصاص می‌یابند به‌طوری‌که درجه عضويت هر شیء بر اساس شرايط تعریف‌شده به‌وسیله مفسر برای طبقات مشخص‌شده و بر اساس بيشترين درجه عضويت در يك طبقه مشخص، طبقه‌بندی انجام می‌شود. اين نوع از طبقه‌بندی در eCognation يك فرآيند تکرارپذیر است. بدين معنی كه طبقه‌بندی چندين بار انجام می‌شود تا بالاترين درجه عضويت برای طبقات حاصل شود. تعدادی از عوامل به کار گرفته‌شده در پردازش شئ­گرا  تصویر در شکل ۶ نشان داده‌شده است.

شکل 6: تعدادی از عوامل به کار گرفته‌شده در پردازش شئ گرا  تصویر

شکل ۶: تعدادی از عوامل به کار گرفته‌شده در پردازش شئ گرا تصویر

در این تحقیق برای انجام طبقه‌بندی شیءگرا از انواع عملگرهای شیء پایه استفاده شد برای این منظور عملگرهای مربوط به درجه روشنایی، میانگین انحراف معیار برای هریک از کلاس‌های کاربری اراضی با انتخاب نمونه‌هایی برای آن کلاس استخراج شد که در مرحله بعدی در طبقه‌بندی شیءگرا بر اساس الگوریتم نزدیک‌ترین همسایه مورداستفاده قرار گرفتند.

درجه روشنایی (Brightness)

درجه روشنایی یکی از ویژگی‌های مهمی است که در پردازش شئ گرا تصاویر ماهواره‌ای استفاده می‌شود. درجه روشنایی  یکی از عواملی است که در طبقه‌بندی مناطق و کاربری‌ها مورداستفاده قرار می­گیرد. مناطق شهری نسبت مناطق کشاورزی و دیگر کاربری‌ها درجه  روشنایی متفاوتی دارند. از درجه روشنایی می‌توان به‌خوبی در باندهای پانکورماتیک جهت طبقه‌بندی هر چه‌بهتر تصاویر استفاده کرد.

B=1/n_vis ∑_(i=1)^(n_vis)▒C ̅_(i(vis))

که در آن B مقدار Brightness میانگین روشنایی از یک شی است و  مجموع تمام میانگین روشنایی در باندهای مرئی  و  تعداد باندها می­باشد. در ادامه برای محاسبه MaxDiff از فرمول ۲ استفاده می‌شود که در آن مقادیر min و max به ترتیب میانگین کمترین و بیشترین شئ ها می‌باشد.

MaxDiff=|min⁡(C ̅_(i(vis)) )-max⁡(C ̅_(i(vis)))|/B

میانگین

میانگین سگمنت ها هم می‌توانند یکی دیگر از عوامل تأثیر گزار در طبقه‌بندی و استخراج شئ ها از تصویر باشد. با استفاده از این عملگر میانگین هر سگمنت محاسبه می­شود معمولاً ابجکت های که میانگین نزدیک به همی دارند جزء یک کاربری محسوب می‌شوند و با استفاده از این معیار می‌توان مناطق شهری و اراضی کشاورزی را از تصویر استخراج کرد.

همبستگی (Correlation)

بافت همبستگی به‌صورت خطی بر روی درجات خاکستری پیکسل و پیکسل‌های همسایه  توسط فرمول زیر محاسبه می‌شود.

∑_(i.j=0)^(N-1)▒〖p_(i,j) [((i-u_i)(j-u_j))/√((σ_i^2)(σ_j^2))] 〗

در زمان محاسبه واریانس GLCM[1]،  برای هر ارزش صفر می‌باشد به جزء برای مقادیر ۱، µi وµj به ترتیب میانگین ردیف i م و ستون j ام، σi وσj مقادیر انحراف معیار برای ردیف i م و ستون j م می‌باشد.

[۱] Gray Level Co-occurrence Matrices

انحراف معیار (Standard Deviation)

انحراف معیار یکی از شاخص‌های پراکندگی است که نشان می‌دهد به‌طور میانگین داده‌ها چه مقدار از مقدار متوسط فاصله‌دارند. اگر انحراف معیار مجموعه‌ای از داده‌ها نزدیک به صفر باشد، نشانه آن است که داده‌ها نزدیک به میانگین هستند و پراکندگی اندکی دارند؛ درحالی‌که انحراف معیار بزرگ بیانگر پراکندگی قابل‌توجه داده‌ها می‌باشد. انحراف معیار برابر با ریشه دوم واریانس است. خوبی آن نسبت به واریانس، این است که هم بعد با داده‌ها می‌باشد. به‌منظور محاسبه انحراف معیار بر پایه (GLCM)  ابتدا مقدار واریانس GLCM محاسبه می‌شود. واریانس GLCM با استفاده از رابطه زیر محاسبه می‌شود.

σ_i^2=∑_(I.J=0)^(N-1)▒〖P_(I,J) 〖(i-μ_i)〗^۲ σ_i^2=〖(i-μ_i)〗^۲ 〗

انحراف استاندارد پس از محاسبه واریانس  با  استفاده از فرمول زیر محاسبه می‌شود

σ_i=√(σ_i^2 )
σ_j=√(σ_j^2 )

واریانس GLCM برای محاسبه بافت بر پایه میانگین و پراکندگی در اطراف میانگین از ارزش سلول‌ها در داخل GLCM استفاده می‌کند.

ارزیابی دقت طبقه‌بندی

لازمه استفاده از هر نوع اطلاعات موضوعی، آگاهی از میزان صحت و درستی آن است. برای ارزیابی دقت و صحت نقشه‌های طبقه‌بندی‌شده، با مطابقت دادن نقشه‌های طبقه‌بندی‌شده با نقشه‌های واقعیت زمینی حاصل از مطالعات میدانی، ماتریس خطا تشکیل شد و بر اساس آن دقت کلی و ضریب کاپا مشخص گردید.

 

نتایج و بحث

در این تحقیق از تصاویر ماهواره‌ای چند زمانه­ای ماهواره لندست در بازه ۳۱ سال، جهت مدل‌سازی تخریب اراضی کشاورزی براثر رشد و توسعه شهری برای شهر ارومیه به روش شیءگرا استفاده‌شده است. نتایج حاصل از طبقه‌بندی در شکل ۷ نشان داده‌شده است.

شکل 7: نتایج طبقه‌بندی شیءگرا.

شکل ۷: نتایج طبقه‌بندی شیءگرا.

همچنین جدول ۲ نتایج نهایی طبقه‌بندی تصاویر را برای هریک از کاربری‌ها برحسب مساحت نشان می‌دهد.

جدول ۲٫  مساحت تغییرات کاربری اراضی در سال‌های موردمطالعه (هکتار)
کاربری ۱۹۸۴ ۱۹۸۹ ۱۹۹۸ ۲۰۰۳ ۲۰۰۹ ۲۰۱۵
مناطق شهری و خیابان‌ها ۱۹۵۴/۶۳ ۳۳۱۶/۹۵ ۴۸۳۲/۶۹ ۵۶۳۲/۸۵ ۷۸۹۱/۹۶ ۸۰۸۳۸
اراضی کشاورزی ۸۱۶۳/۷۴ ۸۷۲۹/۶۶ ۸۰۶۶/۶۷ ۶۵۴۰/۴ ۷۷۱۸/۶۷ ۷۴۰۸/۳
پوشش خاکی ۱۵۴۶۲/۱ ۱۲۴۰۷/۱ ۱۱۳۶۵/۶۷ ۹۶۳۹/۷ ۵۵۱۶/۴۵ ۵۲۰۱/۷۲
مراتع ۵۷۶/۱۸ ۱۶۷۲/۶۱ ۱۶۲۷ ۴۰۱۴/۱ ۴۸۹۱/۸۸ ۵۵۰۳/۰۲
بایر ۱۲۹/۴۳ ۱۵۹/۸۴ ۳۹۴/۰۸ ۴۵۹/۰۷ ۲۶۷/۲۸ ۸۹/۲۷

از کل منطقه موردمطالعه که مساحتی حدود ۱۶/۲۶۲۸۶هکتار را شامل می‌شود در سال ۱۹۸۴ حدود ۴۳/۷ درصد را مناطق شهری و ۰۵/۳۱ درصد را اراضی کشاورزی تشکیل می‌دهد و ۶۱٫۵ درصد را نیز بقیه کاربری‌ها تشکیل می‌دهد. در سال ۱۹۸۹ یعنی بعد از ۵ سال اراضی شهری با رشد حدود ۱۸/۵ درصدی به ۶۱/۱۲درصد می‌رسد همچنین در این بازه اراضی کشاورزی نیز با رشد ۲/۱۵ درصدی به بالاترین درصد خود در بازه زمانی موردمطالعه یعنی به ۲۱/۳۳ درصد (۶۶/۸۷۲۹ هکتار) می‌رسد. این کاربری از این دوره به بعد تا سال ۲۰۰۳ روند نزولی به خود می‌گیرد به‌طوری‌که در این سال به کمترین مقدار خود یعنی ۸۸/۲۴ درصد می‌رسد و بعد  دوباره روند صعودی مگیرد ولی این بار با شیب کمتر و درنهایت در سال ۲۰۱۵ حدود ۳/۷۴۰۸ هکتار (۱۸/۲۸ درصد) می‌رسد. )پوراحمد و دیگران،۱۳۹۴) با مطالعه بر روی شهر ارومیه هم به این نتیجه رسیده بودند که زمین‌های کشاورزی و باغات بیشترین تخریب را بر اثر رشد و توسعه فیزیکی شهر ارومیه داشته‌اند همچنین (روستایی،احد نژاد روشتی،فرخی صعومه،۱۳۹۳) در پژوهشی تحت عنوان سنجش فضایی گستردگی شهری با تأکید بر تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای چند زمانه بر روی شهر ارومیه به این نتیجه رسیدند که اراضی کشاورزی آبی (باغات) بیشترین تغییرات را در طول دوره مطالعه داشته و جای خود را به اراضی ساخته‌شده داده است.

این در حالی است که اراضی شهری در این دوره همواره رشد صعودی داشته و در سال ۲۰۱۵ به بیشترین مقدار خود یعنی ۸/۸۰۸۳ هکتار (۵۷/۳۰درصد) را به خود اختصاص می‌دهد. سایر اراضی مانند طبقه خاک در طول دوره موردمطالعه روند کاهشی به خود گرفته است و این به دلیل رشد سایر کاربری‌ها به‌خصوص اراضی شهری و مراتع می‌باشد. شکل ۸ تغییرات کاربری‌ها را از سال ۱۹۸۴ تا ۲۰۱۵ نشان می‌دهد.

نتیجه‌گیری کلی  و پیشنهادات

در راستای نتایج این تحقیق و با توجه به‌دقت بالایی روش‌های مبتنی بر طبقه‌بندی شئ گرا می‌دهند، نتایج این تحقیق برای سازمان‌های اجرایی (نظیر سازمان جهاد کشاورزی، شهرداری، اداره کل منابع طبیعی، و سازمان آب منطقه­ای و …) به‌منظور برنامه‌ریزی و مدیریت توسعه شهری، مدیریت اراضی کشاورزی و مدیریت منابع آب‌وخاک قابل‌استفاده است. نتایج تحقیق حاضر همچنین برای شناسایی عملگر و الگوریتم‌های شیءگرا در طبقه‌بندی پوشش و کاربری اراضی و اعمال ویژگی‌های هریک از کلاس‌ها متناسب با شرایط آن‌ها دارای اهمیت فراوانی است و می‌تواند راهگشای تحقیقات آتی درزمینه استفاده از تکنیک‌های شیءگرا باشد. با توجه به اینکه تکنیک‌های شیءگرا در تصاویر ماهواره‌ای با دقت مکانی بالاتر قابلیت بهتری را ارائه می‌نمایند پیشنهاد می‌شود که در تحقیقات آتی از تصاویر ماهواره‌ای با دقت مکانی بالاتر استفاده شود. همچنین با در نظر گرفتن کارایی تکنیک‌های مربوط به بافت پیشنهاد می‌شود که شاخص‌های بافت تصاویر ماهواره‌ای برای چنین مطالعاتی مورداستفاده قرار گیرد.

منابع و مآخذ

  1. اکبری، مسلم؛ سلیمانی ، کریم ؛ حبیب نژاد روشن، محمود و رئیسی، محسن (۱۳۸۹). کاربرد سنجش‌ازدور GIS در ارزیابی تغییرات کاربری اراضی مطالعه موردی حوزه آبخیز نورآباد لرستان، همایش ژئوماتیک ۸۹، تهران، سازمان نقشه‌برداری کشور.
  2. پوراحمد، احمد؛ میشانی، حیدر صالحی؛ وثوقی راد، لیلا و رومیانی، احمد(۱۳۹۴). «ارزیابی توسعه فیزیکی شهر ارومیه به منظور حفظ پوشش گیاهی و اراضی کشاورزی». نشریه علمی- پژوهشی جغرافیا و برنامه‌ریزی، دوره ۱۹، شماره ۵۴، صفحات ۸۳ تا ۱۰۳٫
  3. دلاور، محمدرضا و حسنلو، مهدی (۱۳۹۲). راهنمای کاربرد سیستم‌های اطلاعات مکانی (GIS) و سنجش‌ازدور (RS) در استخراج پارامترهای مؤثر مطالعات هیدرولوژیکی حوضه‌های آبریز. انتشارات وزارت نیرو، تهران.
  4. ربيعي، حميدرضا، ضياييان، پرويز، علي محمدي، عباس(۱۳۸۴). «کشف و بازیابی تغییرات کاربري و پوشش اراضی شهر اصفهان به کمک سنجش‌ازدور و سیستم اطلاعات جغرافیایی». فصلنامه مدرس علوم انسانی، دوره ۹، شماره ۴،      صفحات ۱۹ تا ۳۲٫
  5. رضایی مقدم، محمد حسین؛ رضایی بنفشه، مجید؛ فیضی زاده، بختیار ونظم فر، حسین (۱۳۸۹). «طبقه‌بندی پوشش اراضی/کاربری اراضی بر اساس تکنیک شیءگرا و تصاویر ماهواره¬ای مطالعه موردی استان آذربایجان غربی». پژوهش هاي آبخيزداري (پژوهش و سازندگي) ، شماره ۲(پیاپی ۸۷)، دوره ۲۳، صفحات ۱۹ تا ۳۲٫
  6. رهنما،محمد رحیم و آفتاب، احمد (۱۳۹۳). «مکان‌یابی ایستگاه­های آتش‌نشانی شهر ارومیه با استفاده از GIS وAHP». جغرافیا و توسعه، دوره ۱۲، شماره ۳، صفحات ۱۵۳ تا ۱۶۵٫
  7. روستایی، شهریور؛ احد نژاد روشتی، محسن و فرخی صومعه، مینا، (۱۳۹۳). «سنجش فضایی گستردگی شهری با تأکید بر تغییرات کاربری اراضی با استفاده از تصاویر ماهواره¬ای چند زمانه (مطالعه موردی: ارومیه)». نشریه علمی- پژوهشی جغرافیا و برنامه ریزی، دوره ۱۸، شماره ۵۰، صفحات ۲۰۶ تا ۱۸۹٫
  8. شریانی، رضا(۱۳۸۰). تهیه نقشه پوشش گیاهی پارك ملی گلستان با استفاده از سیستم اطلاعات جغرافیایی (GIS) و داده‌های ماهواره‌ای TM لندست. پایان‌نامه کارشناسی ارشد مرتع‌داری، دانشکده مرتع و آبخیزداری دانشگاه علوم کشاورزی و منابع طبیعی گرگان.
  9. علوی پناه، کاظم(۱۳۸۵). کاربرد سنجش‌ازدور در علوم زمين. انتشارات دانشگاه تهران، تهران.
  10. فاطمی، باقر و رضایی، یوسف (۱۳۹۱). مبانی سنجش‌ازدور،انتشارات آزاده، تهران.
  11. فرزاد مهر، جلیل؛ ارزنی، حسن؛ درویش‌صفت، علی اصغر و جعفری، محمد(۱۳۸۳). بررسی قابلیت داده‌های ماهواره لندست ۷ در برآورد تاج پوشش و تولید گیاهی مطالعه موردی: منطقه نیمه استپی حنا ـ سمیرم. منابع طبیعی ایران، جلد ۵۷، شماره ۲، صفحات ۳۳۹ تا ۳۵۰٫
  12. فیضی زاده ،بختیار؛ حاجی میر رحیمی، محمود(۱۳۸۶). آشکارسازی تغییرات فضای سبز شهر تبریز با استفاده از روش‌های شیءگرا. اولین همایش GIS شهری، دانشگاه شمال، آمل.
  13. فیضی زاده، بختیار و حاجی میر رحیمی، محمود(۱۳۸۷). آشکارسازی تغییرات کاربری اراضی با استفاده از روش طبقه‌بندی شیءگرا مطالعه موردی: شهرک اندیشه. همایش ژئوماتیک ، سازمان نقشه‌برداری کشور، تهران.
  14. فیضی زاده، بختیار(۱۳۸۶). مقايسه روش‌های پیكسل پايه و شیءگرا در تهیه نقشه‌های کاربری اراضی. پایان‌نامه کارشناسی ارشد سنجش‌ازدور و سیستم اطلاعات جغرافیای، دانشکده جغرافیا و برنامه‌ریزی دانشگاه تبریز.
  15. متین فر، حمیدرضا؛ سرمدیان، فریدون؛ علوی پناه، کاظم و هک، ریچارد(۱۳۸۶). «تعیین نوع کاربری و پوشش اراضی به‌وسیله داده‌های لندست۷ (ETM+) با استفاده از روش شیءگرا منطقه کاشان». فصلنامه علمی-پژوهشی تحقیقات مرتع و بیابان ایران، جلد ۱۴، شماره ۴، صفحات ۵۸۹ تا ۶۲۰٫
  16. Baatz, M., & Schäpe, A. (2000). Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische Informationsverarbeitung XII, 58, 12-23.
  17. Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing, 65(1), 2-16.
  18. Chaudhuri, B. B., & Sarkar, N. (1995). Texture segmentation using fractal dimension. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 17(1), 72-77.
  19. Chen, M., Su, W., Li, L., Zhang, C., Yue, A., & Li, H. (2009). Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications, 3(6), 477-489.
  20. Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.
  21. Hadjimitsis, D. G., Papadavid, G., Agapiou, A., Themistocleous, K., Hadjimitsis, M. G., Retalis, A., … & Clayton, C. R. I. (2010). Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices. Natural Hazards and Earth System Sciences, 10(1), 89-95.
  22. Happ, P. N., Ferreira, R. S., Bentes, C., Costa, G. A. O. P., & Feitosa, R. Q. (2010). Multiresolution segmentation: a parallel approach for high resolution image segmentation in multicore architectures. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(4).
  23. Mishra, N., Haque, M. O., Leigh, L., Aaron, D., Helder, D., & Markham, B. (2014). Radiometric Cross Calibration of Landsat 8 Operational Land Imager (OLI) and Landsat 7 Enhanced Thematic Mapper Plus (ETM+). Remote Sensing, 6(12), 12619-12638.
  24. Tyagi, P., & Bhosle, U. (2011). Atmospheric correction of remotely sensed images in spatial and transform domain. International Journal of Image Processing, 5(5), 564-579.

 

Modelling Agricultural Destruction Lands Resulted By Urban Growing in Suburb of Urmia City by Applying an Object Based Image Analysis Approach

Abstract

The present study considers the modeling land use/cover changes occurred is suburbs of Urmia city by emphasizing the agricultural land destructions. The object based image processing approach was started off by applying segmentation process according to the physical and geometrical circumstance of each land-use classes.  In order to perform object based classification process, we make use of fuzzy rule sets by employing the fuzzy membership values derived for each object. The fuzzy membership values were taken into account of classification based on nearest neighbor algorithm. In doing so, the evaluation of results and the confidence of verification of results were performed based on ground control points. The results indicated that the Urmia city has been extended significantly over the past 31 years.  According to results, the area of city from 7.43% in 1984 has been increased to 30.75 in 2015. This increase have been compensated with decrease of agricultural lands and in particular the orchards in suburb of city. Our research confirmed that growing of Urmai city has been performed by converting very suitable agricultural lands to settlements. These changes are very often by neighborhood of rivers and highways.

 Keywords:

Agricultural land, changes in land use, destruction of agricultural land, object modeling, Urmia city




  • دانلود کتاب مجموعه قوانین، مقررات و دستورالعملهای رفع تداخلات اراضی (PDF)
    مجموعه قوانین، مقررات و دستورالعملهای رفع تداخلات اراضی موضوع ماده ۴۵قانون رفع موانع تولید رقابتپذیر و ارتقای نظام مالی کشور مشتمل بر: قوانین، آیین نامه ها و شیوه نامه های اجرایی کاربرگهای مورد عمل در رفع […]
  • معرفی ۲۰ سایت برتر استخراج ارز دیجیتال رایگان ۲۰۲۰
    در این پست می خواهیم مجموعه ای از انواع سایت استخراج انواع رمز ارز های دیجیتال را که پرداختی دارند را معرفی کنیم . همچنین در اخر دو اپلکیشن اندرویدی که هر هفته و روزهای سه […]
  • کسب درامد و استخراج ۱۳ رمز ارز از یک سایت معتبر
    Es_faucets یک سایت فاست است که می توانید در آن ارزهای دیجیتال رایگان زیر را دریافت کنید. فقط لازم است که هر پنج دقیقه کلایم (claim) کنید. ES-Coin Bitcoin (Satoshi) Ethereum (Gwei) Litecoin (litoshi) Ripple Stellar […]
  • طرح انتقال آب از سرشاخه های داخلی رودخانه ارس (آراز) به دریاچه ارومیه
    طرح انتقال آب از سرشاخه های داخلی رودخانه ارس (آراز) به دریاچه ارومیه (قطور چای، الند چای،آغ چای و مرند چای) بیان مسئله: دریاچه ارومیه بزرگ‌ترین دریاچه داخلی ایران می‌باشد که طی سال‌های گذشته به یکی […]
  • نقش سیستم اطلاعات جغرافیاییGIS  در برنامه ریزی توسعه پایدار شهری
    توسعه پایدار شهری فرایندی است همه جانبه نگر که سعی دارد تا مباحث مسائل شهری اعم از اقتصادی،اجتماعی و محیطی را در دیدی ترکیبی به مثابه علم جغرافیا کل نگرد و ورودی و خروجی های شهر را در ابعاد ذکر شده به نحوی کنترل کند تا تمام عوامل در تعامل و تعادل با هم پیش رفته و کمترین آسیب به محیط­ها و بیشترین آسایش و رفاه برای ساکنین و نسل­های آینده به وجود آید. سیستم اطلاعات جغرافیایی GIS با توجه به قابلیت های منحصر خود، زمینه مناسبی را برای ایفای نقش  در برنامه ریزی های توسعه شهری را فراهم می آورد در این تحقیق که  با گرد آوری از منابع کتابخانه­ای و تحقیقات انجام شده، سعی شده است تا جنبه های کاربردی و مهم این سیستم در برنامه­ریزی­های توسعه پایدار شهری را ارائه بدارد.
  • مقدمه اي از GIS
    تعریفGIS مخفف Geographic Information System به معنی سیستم اطلاعات جغرافیایی می باشد. سیستم اطلاعات جغرافیایی(GIS) بستری برای ذخیره سازی، نگهداری، مدیریت و تجزیه و تحلیل اطلاعات جغرافیایی میباشد وجهت کار همزمان با داده هایی که وابستگی […]
  • نمونه شرح خدمات پخش سیلاب
    پروژه پخش سیلاب در خروجی حوزه هایی اجرا می شود که در حوزه بالادست آنها به دلایل مختلف از جمله شیب زیاد ، عدم وجود جاده دسترسی به بالادست، نبود منابع قرضه، محدودیت های زیست محیطی  و…. امکان اجرای سازه های آبخیزداری نمی باشد . احداث سازه های با مخازن بزرگ و با تعبیه لوله های تخلیه بدون شیرفلکه بهترین راه کار برای مهار سیلاب خروشان و تحویل آرام آن به مسیل و یا سیستم پخش سیلاب می باشد. لذا کارشناس محترم مشاور باید از حوزه بازدید کند و علاوه بر طراحی سیستم پخش سیلاب  اگر  در بالادست امکان احداث سازه هایی با مخازن بزرگ وجود داشته باشد آنها را هم  مشخص  و طراحی نماید .
مطالب مرتبط