سازمان تحقیقات آموزش و ترویج کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس پژوهش های آبخیزداری 2981-2313 37 4 2025 01 01 Investigation and Identification of Desert Pavements in Semnan Township using Images of the ETM+ Sensor بررسی و شناسایی سنگفرش های بیابانی در شهرستان سمنان با استفاده از تصویرهای سنجندة ETM+ 15 33 131444 10.22092/wmrj.2024.365469.1581 FA حریر سهرابی کارشناس ارشد گروه بیابان زدایی دانشکدة کویرشناسی، دانشگاه سمنان، سمنان، ایران هایده آرا استادیار گروه مدیریت مناطق خشک و بیابانی، دانشکدة کویرشناسی، دانشگاه سمنان، سمنان، ایران محمدکیا کیانیان استادیار گروه بیابان زدایی، دانشکدة کویرشناسی، دانشگاه سمنان، سمنان، ایران امین صالح پور جم دانشیار پژوهشکدة حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Journal Article 2024 04 15 Introduction and Goal The process of identifying landforms is a subject that has been studied by many researchers. All geomorphological definitions are based on the study and identification of landforms. Understanding landforms and their distribution is a fundamental need of applied geomorphology and other environmental sciences. In this regard, remote sensing technology, due to the production of satellite images with high spatial and spectral resolution, can be a valuable tool for identifying and classifying landforms. Desert pavement is one of the most important landforms in arid and desert regions. Mapping pavements and their types provides a basis for evaluating the region in terms of its structural and geomorphological characteristics, which is useful in many environmental management and planning issues and can be used as a model for similar regions. In this research, using ETM+ sensor data and based on the considered criteria, the characteristics of desert pavements in Semnan township were identified and classified. Materials and Methods The study area, with an area of 47645.98 hectares, is located in Semnan township. The geographical coordinates of the region are 28˚53¢ to 43˚53¢ east longitude and 20˚35¢ to 40˚35¢ north latitude. The aim of this study was to investigate, separate, and identify desert pavement classes as a type of desert landform using remote sensing and Landsat ETM+ satellite images in southern Semnan. Therefore, by conducting field surveys and sampling of the study area, the percentage of desert pavement cover density was measured and the location of each sample was recorded with GPS. Support vector machines, neural networks, spectral angle maps, spectral information divergence, and fuzzy artmaps were used to classify desert pavements in Envi 4.5 and IDRISI Selva software environments. Then, the accuracy of each classification of each method was compared with the training samples using the coefficients of complete accuracy, kappa, user accuracy, and producer accuracy. Finally, the spatial zoning map of each method was drawn in the Arc GIS 10.2 software environment. Results and discussion In this study, the best band combination for detecting and separating desert pavements in southern Semnan was the 6-4-3 band combination with an optimal index factor of 45.71 (OIF), which was in the mid-infrared and visible bands (VNIR + TIR). Based on the kappa coefficient, the support vector machine (85.05), fuzzy artmap (81.44), neural network (55.17), spectral angle map (53.89), and spectral information divergence (50.22) methods had the highest ability in spectral separation of different classes of desert pavements in southern Semnan, respectively. The support vector machine and fuzzy artmap classification methods obtained the highest kappa coefficients for the classes, respectively, and the lowest kappa coefficients and complete accuracy were obtained in the neural network, spectral angle map, and spectral information divergence methods, respectively. Since the classes, bands, and other conditions used were the same for all methods, the difference in accuracy depended only on the calculation instructions of the methods. Conclusions and suggestions Remote sensing technology, due to the production of satellite images with high spatial and spectral resolution, can be a valuable tool for identifying and classifying landforms. Preparing a map of desert pavements and their types is a basis for evaluating the region in terms of structural and geomorphological characteristics, which can be useful in many environmental management and planning issues. Therefore, it is suggested that other classification methods based on shear orientation, combined methods, frequency coverage, images from sensors with better spatial and spectral resolution, and considering characteristics such as particle diameter be used to be effective in preparing maps of desert pavement layers. مقدمه و هدف فرآیند شناسایی شکل‌‌های زمین‌ موضوعی است، که به‌وسیلة بسیاری از پژوهشگران بررسی‌شده است. تمام تعریف‌های زمین‌ریخت‌شناختی مبتنی بر مطالعه و شناسایی شکل‌‌های زمین است. شناخت شکل‌‌های زمین‌ و نحوة پراکنش آنها از نیازهای اساسی علم زمین‌ریخت‌شناختی کاربردی و دیگر علوم محیطی است. در این راستا، فناوری سنجش از دور به‌دلیل تولید تصویرهای ماهواره‌ای با وضوح زیاد فضایی و طیفی، می‌تواند ابزار ارزشمندی برای شناسایی و طبقه‌بندی شکل‌‌های زمین باشد. سنگ‌فرش بیابان، یکی از مهمترین شکل‌‌ زمین های مناطق خشک و بیابانی است. تهیة نقشة سنگ‌فرش ها و انواع آنها، مبنایی برای ارزیابی منطقه از نظر ساختاری و ویژگی‌های زمین‌ریخت‌شناختی فراهم می‌آورد، که در زمینة بسیاری از مسائل مدیریت و برنامه ریزی محیطی سودمند است و می تواند به‌عنوان الگویی برای مناطق مشابه به‌کار رود. در این پژوهش، با استفاده از داده های سنجندة ETM+ و بر اساس معیارهای مدنظر، شناسایی و طبقه‌بندی ویژگی های سنگ‌فرش های بیابانی شهرستان سمنان انجام شد. مواد و روش ها منطقة مطالعه‌شده با مساحت 47645/98 هکتار، در شهرستان سمنان است. منطقه دارای مختصات جغرافیایی ʹ28˚53 تا ʹ43˚53 طول شرقی و ʹ20˚35 تا ʹ40˚35 عرض شمالی است. هدف این پژوهش بررسی، جداسازی و شناسایی طبقات سنگ‌فرش بیابانی به‌عنوان نوعی از شکل زمین‌های بیابانی با استفاده از روش سنجش از دور و تصویرهای ماهواره‌ای لندست ETM+ در جنوب سمنان بود. ازاین‌رو، با بررسی میدانی و نمونه برداری از محدودة مطالعه‌شده، درصد تراکم پوشش سنگ‌فرش بیابانی اندازه گیری و موقعیت هر نمونه با GPS ثبت شد. برای طبقه‌بندی سنگ‌فرش های بیابانی در محیط‌های نرم‌افزار Envi 4.5 و IDRISI Selva، از ماشین بردار پشتیبان، شبکة عصبی، نقشة زاویه طیفی، واگرایی اطلاعات طیفی و آرت‌مپ فازی استفاده شد. سپس، صحت هر طبقه بندی، با استفاده از ضریب‌های صحت کامل، کاپا، صحت کاربر و صحت تولیدکننده با نمونه های تعلیمی مقایسه شد. سرانجام، نقشة پهنه بندی مکانی هر روش در محیط نرمافزار ArcGIS 10.2رسم شد. نتایج و بحث در این پژوهش، بهترین ترکیب نواری برای تشخیص و جداسازی سنگ‌فرش های بیابانی جنوب سمنان، ترکیب باند 6-4-3 با عامل شاخص مطلوب 71/45 (OIF) بود، که در نوار مادون قرمز و مرئی میانی (VNIR + TIR) بود. بر اساس ضریب کاپا، روش های ماشین بردار پشتیبان (85/05)، آرت‌مپ فازی (81/44)، شبکة عصبی (55/17)، نقشة زاویه طیفی (53/89) و واگرایی اطلاعات طیفی (50/22)، به‌ترتیب بیشترین توانایی را در جداسازی طیفی طبقات گوناگون سنگ‌فرش بیابان جنوب سمنان داشتند. روش های طبقه بندی ماشین بردار پشتیبان و آرت‌مپ فازی، به‌ترتیب بیشترین ضریب‌های کاپا برای طبقات را کسب کردند و کمترین ضریب‌های کاپا و صحت کامل نیز، به‌ترتیب در روش های شبکة عصبی، نقشة زاویه طیفی و واگرایی اطلاعات طیفی بود. با توجه به این که طبقات، باندها و دیگر شرایط استفاده‌شده برای تمام روش ها یکسان بود، ازاین‌رو، اختلاف موجود در صحت، فقط به دستورالعمل های محاسبه‌ای روش ها بستگی داشت. نتیجه‌گیری و پیشنهادها فناوری سنجش از دور به‌دلیل تولید تصویرهای ماهواره‌ای با وضوح زیاد فضایی و طیفی، می‌تواند ابزار ارزشمندی برای شناسایی و طبقه‌بندی شکل‌‌های زمین باشد. تهیة نقشة سنگ‌فرش های بیابانی و انواع آنها، مبنایی برای ارزیابی منطقه از نظر ویژگی های ساختاری و زمین‌ریخت‌شناختی است، که می تواند در زمینة بسیاری از مسائل مدیریت و برنامه ریزی محیطی سودمند باشد. ازاین‌رو پیشنهاد می شود، از دیگر روش های طبقه بندی مبتنی بر برشی گرا بودن، روش های ترکیبی، فرکانس پوششی، تصویرهای سنجنده های با قدرت جداسازی مکانی و طیفی بهتر و لحاظکردن خصوصیاتی همچون قطر ذرات استفاده شود، تا در تهیة نقشه های طبقات سنگ‌فرش بیابانی اثربخش باشد.

https://wmrj.areeo.ac.ir/article_131444_0a8f5f115e133975e1165592d4869c17.pdf