ارزیابی تغییرات و تعیین سطح جنگل‌های مانگرو منطقه حفاظت شده خورخوران با تاکید بر هیدرودینامیک تنگه هرمز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار ژئومورفولوژی دانشگاه حکیم سبزواری

2 دکتری ژئومورفولوژی دانشگاه حکیم سبزواری *(مسوول مکاتبات)

3 عضو هیات ‌علمی دانشگاه حکیم سبزواری و دانشجوی دکتری سنجش از دور دانشگاه تهران

10.22034/jest.2019.22974.3203

چکیده

زمینه و هدف: جنگل­های مانگرو(حراء) ایران به عنوان تنها چشم­انداز جنگلی در سواحل گرم­وخشک جنوب است که علاوه بر ارزش­زیست­محیطی و طبیعت­گردی، معیشت بسیاری از ساحل­نشینان جنوب به شدت به­آن وابسته است. لذا آگاهی از تغییرات این جنگل­ها بسیار اهمیت دارد. تغییرات محیطی عموماً در سطح گسترده و در بلندمدت رخ می­دهد لذا تکنولوژی سنجش از دور می­تواند ابزار بسیار­مناسب و دقیقی برای پایش تغییرات باشد. هدف از این تحقیق ارزیابی تغییرات پوشش جنگلی مانگرو ناحیه حفاظت­شده خورخوران باتوجه به فرآیند­های هیدرودینامک تنگه هرمز می­باشد.
روش بررسی: جهت نیل به این هدف از تصاویر ماهواره­ای لندست سال­های1989-2015 و انواع تکنیک­های سنجش از دور شامل تفاضل تصاویر، تفاضل پوشش گیاهی، تفاضل مولفه­های اصلی، تفاضل تسلدکپ و مقایسه پس­از ­طبقه­بندی استفاده شد. جهت ارزیابی دقت روش­های مذکور از نقاط کنترل زمینی در بازدیدهای میدانی، تصاویر ماهواره­ای Google Earth و شاخص دقت­کلی و ضریب­کاپا استفاده شد.
یافته­ها: طبق بررسی­ها، از بین روش­های مورد استفاده در این تحقیق روش­های­ تفاضل مولفه­های اصلی­(PCA) و تفاضل پوشش­گیاهی جهت آشکارسازی تغییرات پوشش زمین مناسب­تر از سایر روش­ها می­باشند. همچنین پس از اعمال روش مقایسه پس از طبقه­بندی مشخص شد، الگوریتم حداکثر احتمال با دقت کلی 9781/0 و ضریب کاپا 32/98% به عنوان بهترین روش طبقه­بندی تصاویر ماهوار­ه­ای معرفی شد. همچنین سطوح جنگل­های مانگرو منطقه اعم از جنگل­های متراکم و پراکنده در سال 1989مقدار 08/125 کیلومتر­مربع بوده که در 26 سال گذشته 9/48 کیلومتر­مربع به وسعت آن افزوده شده­است.
بحث و نتیجه­گیری:عواملی چون افزایش دما و بالارفتن سطح اساس دریاها، افزایش رسوبات رودخانه در محل پایاب­­های منطقه و شیب کم منطقه ساحلی، زمینه را برای توسعه جنگل­های مانگرو فراهم نموده است، لذا هرگونه طرح تاسیساتی و زیربنایی باید با رعایت ملاحظات زیست محیطی و اکولوژیکی باشد.

کلیدواژه‌ها

موضوعات


 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیست و یکم، شماره شش، شهریورماه 98

                                        

 

ارزیابی تغییرات و تعیین سطح جنگل­های مانگرو منطقه حفاظت شده خورخوران با تاکید بر هیدرودینامیک تنگه هرمز

 

 

محمد­علی زنگنه اسدی[1]

ابراهیم تقوی مقدم [2] *

e.taghavi@hsu.ac.ir

الهه اکبری[3]

 

تاریخ دریافت:20/9/95

 

تاریخ پذیرش:11/2/96

 

چکیده

زمینه و هدف: جنگل­های مانگرو(حراء) ایران به عنوان تنها چشم­انداز جنگلی در سواحل گرم­وخشک جنوب است که علاوه بر ارزش­زیست­محیطی و طبیعت­گردی، معیشت بسیاری از ساحل­نشینان جنوب به شدت به­آن وابسته است. لذا آگاهی از تغییرات این جنگل­ها بسیار اهمیت دارد. تغییرات محیطی عموماً در سطح گسترده و در بلندمدت رخ می­دهد لذا تکنولوژی سنجش از دور می­تواند ابزار بسیار­مناسب و دقیقی برای پایش تغییرات باشد. هدف از این تحقیق ارزیابی تغییرات پوشش جنگلی مانگرو ناحیه حفاظت­شده خورخوران باتوجه به فرآیند­های هیدرودینامک تنگه هرمز می­باشد.

روش بررسی: جهت نیل به این هدف از تصاویر ماهواره­ای لندست سال­های1989-2015 و انواع تکنیک­های سنجش از دور شامل تفاضل تصاویر، تفاضل پوشش گیاهی، تفاضل مولفه­های اصلی، تفاضل تسلدکپ و مقایسه پس­از ­طبقه­بندی استفاده شد. جهت ارزیابی دقت روش­های مذکور از نقاط کنترل زمینی در بازدیدهای میدانی، تصاویر ماهواره­ای Google Earth و شاخص دقت­کلی و ضریب­کاپا استفاده شد.

یافته­ها: طبق بررسی­ها، از بین روش­های مورد استفاده در این تحقیق روش­های­ تفاضل مولفه­های اصلی­(PCA) و تفاضل پوشش­گیاهی جهت آشکارسازی تغییرات پوشش زمین مناسب­تر از سایر روش­ها می­باشند. همچنین پس از اعمال روش مقایسه پس از طبقه­بندی مشخص شد، الگوریتم حداکثر احتمال با دقت کلی 9781/0 و ضریب کاپا 32/98% به عنوان بهترین روش طبقه­بندی تصاویر ماهوار­ه­ای معرفی شد. همچنین سطوح جنگل­های مانگرو منطقه اعم از جنگل­های متراکم و پراکنده در سال 1989مقدار 08/125 کیلومتر­مربع بوده که در 26 سال گذشته 9/48 کیلومتر­مربع به وسعت آن افزوده شده­است.

بحث و نتیجه­گیری:عواملی چون افزایش دما و بالارفتن سطح اساس دریاها، افزایش رسوبات رودخانه در محل پایاب­­های منطقه و شیب کم منطقه ساحلی، زمینه را برای توسعه جنگل­های مانگرو فراهم نموده است، لذا هرگونه طرح تاسیساتی و زیربنایی باید با رعایت ملاحظات زیست محیطی و اکولوژیکی باشد.

 

واژه‌های کلیدی: خورخوران، تغییرات، مانگرو، هیدرو­دینامیک، هرمز.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

J. Env. Sci. Tech., Vol 21, No.6,August, 2019

 

 

 

 

 


Evaluation Changes and Quantification Mangrove Forests in Khorkhouran Protected Area with Emphasis on Hydrodynamic Strait of Hormuz

 

MohammadAli Zangane Asadi [4]

Ebrahim Taghavi Moghadam [5] *

e.taghavi@hsu.ac.ir

Elahe Akbari [6]

 

Admission Date:May 1, 2017

 

Date Received: December 15, 2016

 

Abstract

Background and Objective:  Mangrove forests of Iran is the only landscape of forest in the hot and dry southern coast of Iran that is ecological and Ecotourism value and is dependent on to their southern coastal livelihoods. Therefore it is essential to awareness of changes mangrove forest as a national property. Environmental changes occur in the vast and long term and remote sensing technology could be very suitable and accurate tool for monitoring changes.

Method: The purpose of this study is to evaluate changes in forest cover Khorkhoran protected mangrove area according to Hydrodynamic Processes Strait of Hormuz. For this purpose, we used Landsat satellite images of 1989-2015 and a variety of remote sensing techniques, including the difference of images, the difference of vegetation, the main component of difference tasseled cap and compare the classification. To evaluate the accuracy of changing detection techniques, taken from the ground realities through Field observations and satellite images of Google Earth, the total accuracy and Kappa coefficient were used.

Findings:The results show that the detection of post-processing methods, methods of principal components analysis (PCA1) and difference vegetation is suitable methods for detecting changes. After applying the method comparative of classification, that is a pre-processing method, maximum likelihood algorithm with 0/9781overall accuracy and kappa coefficient 32/98% was introduced as the best method of classification of satellite images. Was also in 1989 year the mangrove forests (dense and scattered) 125.8 square kilometers that added to the 48.9 square kilometers in the last 26 years.

Discussion and Conclusion: Increased mangrove forests Because of Factors Such as increasing temperature and sea levels, increased sediments in the delta region and the low slope of the coastal area.  Therefore, any facility and infrastructure projects should pay attention to environmental considerations and ecological.

 

Key words: Khorkhoran, change, mangroves, hydrodynamics, Hormuz.

 

 

 

مقدمه


کشف تغییرات، فرآیند شناسایی تغییرات یک پدیده  به وسیله مشاهده آن پدیده در زمآن­های مختلف است(1). در مقیاس جهانی تغییرات کاربری/ پوشش اراضی، توسعه مناطق شهری و کشاورزی و جنگل­زدایی باعث تغییر رژیم اقلیمی منطقه می‌شود(2). مانگروها فواید اکولوژیک بی­شماری دارند به طوری که سیستم ریشه‌ای آن­ها باعث پایداری رسوبات می‌شود و اجتماعات آن­ها انرژی امواج را کاهش می­دهد و در مقابل زیستگاه و پناهگاه برای شمار زیادی از موجودات زنده ایجاد می‌کند(3) به همین دلیل جوامع علمی سعی در شناخت کمی و کیفی آن­ها دارند(4). نرخ تخریب تالاب­های مانگرو در برخی از مناطق گرمسیری به علت فعالیت­های انسانی افزایش یافته است(5). با این وجود در برخی نواحی مانند بنگلادش ، (6)، تالاب‌های رودخانه­های Mary در جنوب استرالیا (۷) وخلیج Kachchh و Gijarat و همین طور بخش‌هایی از غرب هندوستان (8) افزایش وسعت این جنگل­ها گزارش می­شود. اکوسیستم­های مانگرو در ایران در ردیف یکی از مهم­ترین مناطق حساس دریائی ایران قرار دارندکه نیازمند اتخاذ تدابیر ویژه­ای به منظور حفاظت از آن­ها می­باشد(9). با توجه به گستردگی تغییرات، روش­های سنتی برای محققین زمان­بر و پرهزینه است. علاوه بر­این استفاده از تصاویر چند‌زمانه حجم عظیمی از اطلاعات مکانی را در اختیار محقق می‌گذارد(10). با توجه به اهمیت این موضوع، محققین برای دست­یابی به تغییرات کاربری اراضی از روش­های مختلف طبقه‌بندی آماری و غیرآماری استفاده می­کنند. Formard و همکاران 2004 تغییرات 50 ساله جنگل­های مانگرو در گویان فرانسه را با استفاده از عکس­های هوایی و تصاویر ماهواره اسپات مورد پایش قرار داده و گسترش جنگل­های مانگرو منطقه را به عنوان اصلی­ترین عامل تغییر در نوار ساحلی و فرآیند­های رسوب­گذاری ساحلی معرفی می­کند (۱۱). Plieninger 2012 با استفاده از عکس­های هوایی و نقشه­های کاربری ارضی به بررسی تغییرات دو ناحیه جنگلی شمال آلمان پرداخته و تغییر کاربری جنگل­ها به کاربری صنعتی و مسکونی را به عنوان مهم­ترین تغییرات محیطی منطقه عنوان می­کند (12). Senga و همکاران2014 تغییرات پوشش زمین جنگل های مانگرو منطقه ساحلی Zanzibar تانزانیا را با استفاده از تصاویر ماهواره­ای 2000-2011 ماهواره لندست مورد بررسی قرار داده است (13). Masood وهمکاران 2015 به پایش تغییرات مانگرو­های دلتای رودخانه سند در پاکستان پرداخته و روند گسترش جنگل­های مانگرو را در راستای رسوبات دلتای رودخانه از 860  km2 در سال 2009 به 1068 km2 در سال 2015 محاسبه نموده است(14). در ایران، آرخی و همکاران1389به مطالعه روش­های مختلف سنجش از دور در پایش تغییرات کاربری ارضی حوضه دره شهر ایلام پرداخته و روش تفاضل پوشش گیاهی و تحلیل مولفه­های اصلی را روش­های مناسبی برای کشف تغییرات معرفی نموده است(15). امیری و همکاران1389 با استفاده از شاخص­های گیاهی و اعمال آن بر روی تصاویر ماهواره­ای IRS هندوستان، سطح رویش جنگل­های حراء نایبند در مجاورت تاسیسات نفتی پارس جنوبی برآورد نموده است(۱۶). ماهینی و همکاران ۱۳۹۱، با استفاده از تصویر 2001 ماهواره لندست به طبقه­بندی مناطق جنگلی استان گلستان با روش حداکثر احتمال پرداخته و استفاده از این روش را بدین­منظور مناسب می­داند(17). اعتمادی ۱۳۹۳ در رساله دکترای خود روند رشد جنگل­های مانگرو جاسک را افزایشی عنوان­کرده و تاثیر عوامل محیطی موثر بر توسعه جنگل­های مانگرو ارزیابی نموده است(18)  و مهدوی و همکاران1393به ارزیابی انواع روش­های آشکارسازی تغییرات کاربری ارضی/پوشش گیاهی جنگل های حفاظت شده مانشت ایلام پرداخته و با استفاده از روش های تفاضل­تصاویر، شاخص نرمال‌شده تفاضل پوشش گیاهی(NDVI)، تحلیل مولفه­های اصلی(PCA)، تفاضل تسلدکپ و تفاضل­باندها  را به­عنوان دقیق ترین روش پیشنهاد می­کند(۱۹). جعفرنیا و همکاران ۱۳۹۵ تغییرات جنگل­های مانگرو جزیره قشم در بازه زمانی ۱۹۸۸-۲۰۰۸ مورد ارزیابی قرار داده و روند تغییرات این جنگل­ها را افزایشی عنوان نموده­اند(20).  

این تحقیق به منظور تعیین سطح و همچنین تغییرات جنگل­های مانگرو بخش شمالی جزیره قشم و سواحل بندر­لنگه در بازه زمانی ۲۶ ساله با استفاده از سه روش کاربردی در حیطه علم سنجش از دور به انجام رسیده است. این منطقه جزء تالاب­بین­المللی خورخوران و از ذخایر ملی کشور محسوب می شود که دارای ارزش­های اکولوژیک منحصربه­فردی است(9).

محدوده و قلمرو پژوهش

منطقه مورد مطالعه بین نوار شمالی ساحل جزیره قشم و سواحل جنوبی هرمزگان، در تنگه خوران بین َ44 ْ26 تا َ58 ْ26 عرض شمالی و َ31 ْ55 تا َ48 ْ55 طول شرقی قرار دارد(شکل1). این منطقه در سال 135۴ با وسعتی معادل 85686 هکتار به عنوان پارک ملی شناخته شده است.(20). این منطقه دارای اقلیم خشک در طبقه­­­­بندی اقلیمی دومارتن بوده و میانگین دمای سالیانه بین 25 تا 27 درجه سانتی­گراد و میانگین بارندگی192 میلی­متر است.

 

 

 

شکل۱ - منطقه مورد مطالعه

Figure 1- Location of the study area

 

مواد و روش­ها

 

در این تحقیق پس از انتخاب منطقه و طراحی چارچوب تحقیق ازنقشه­های توپوگرافی1:50000 شیتNG-40-2,5,6 مربوط به نقشه بندرعباس و بندر لنگه و جزیره قشم، تصاویر ماهواره­ای با مشخصات مندرج درجدول 1 به عنوان مواد تحقیق مورد­استفاده قرار گرفت. نرم­افزار­های ENVI 4.8  وArc GIS 10.1  با توجه قدرت و توانایی هرکدام جهت محاسبه و تحلیل­های جغرافیایی و سنجش­از­دور به عنوان ابزار تحقیق استفاده شد. از آنجایی که منطقه مورد­مطالعه در پهنه اقلیمی حاره و جنب­حاره واقع شده است محدودیت فصلی و تغییرات ماهانه آن قابل چشم­پوشی است ولی با این حال تصاویر منتخب از پنج ماه اول سال می­باشد.

 


جدول 1 - مشخصات تصاویر ماهواره ای مورد استفاده در تحقیق

Table 1. Property of image satellite use in study

تصویر

سنجنده

تاریخ تصویر برداری

تاریخ به شمسی

شماره باند

شماره گذر

شماره ردیف

قدرت تفکیک رادیومتری

قدرت تفکیک مکانی

LANDSAT

توالی زمانی :16 روز وپهنای تصویر برداری 180 کیلومتر

L4-TM[7]

21/5/1989

31/02/1368

1-5 -7

160

35

8بیت

6باند30*30متر

1باند

120*120متری

L8

OLI_TIRS

14/ 3/2015

23/12/1393

1-7

160

35

5باند 8بیت و1باند16 بیت

6باند30*30

1باند15*15

1باند60*60

           

 

 

 

در این تحقیق با هدف ارزیابی تغییرات سطح جنگل­های حراء از روش­های سنجش از دور، تجربی(میدانی) و آماری استفاده شد. بدین­منظور ابتدا با استفاده از  نقشه­های توپوگرافی و تصاویر ماهواره­ای،  نقاط مشخصی انتخاب سپس مختصات آن با دستگاه GPS  تعیین و به عنوان نقاط کنترل زمینی(GCP) [8]جهت تصحیح هندسی استفاده شد. در ادامه با روش نزدیک­ترین همسایه[9]  تصحیح هندسی بر روی تصاویر با استفاده از 15 نقطه کنترل[10] که اکثراُ در مناطق مسکونی و تقاطع­ها انتخاب شده بود، انجام شد. این تصحیحات عموماً با خطای کم­تر ازRMSE=0.02 [11] انجام شد. قابل ذکر است که در تصحیح هندسی مقدار خطای ریشه میانگین مربعات قابل قبول کم­تر از 5/0 پیکسل است(14) در مرحله بعد جهت کاهش خطا­های اتمسفری و رادیومتریک این تصاویر با روش کاهش تیرگی [12](کاهش تاثیر طول موج بلند در تصاویر) وسطح مسطح[13] (نرمال نمودن تصاویر بر مبنای ارتفاع) با استفاده از مدل رقومی ارتفاعی (DEM) استفاده شد. در نهایت محدوده تحقیق از تصاویر ماهواره‌ای جداسازی شده و به منظور افزایش تباین و وضوح بیش­تر با استفاده از باند8 پانکروماتیک عملیات فیوژن[14]انجام شد.

روش­های پایش تغییرات به دو دسته پیش­پردازش و پس­پردازش (21) که در  این تحقیق از هردو روش استفاده شد. بدین منظور  از روش­های تفاضل تصاویر، تفاضل پوشش گیاهی، تفاضل مولفه­های اصلی، تفاضل تسلدکپ و مقایسه پس­از­طبقه­بندی، استفاده شد.

روش تفاضل تصاویر با استفاده از رابطه 1 ارزش رقومی تصویر در تاریخ دوم از ارزش رقومی تصویر تاریخ اول کم می­شود. نتیجه این روش تولید تصویری است که نشاندهنده تغییرات بین دو تاریخ است(1).      

رابطه   1      

در رابطه فوق X ارزش پیکسل ،T1 تاریخ اول ، T 2 تاریخ دوم وC  عدد ثابت می­باشد(22)

در روش تفاضل پوشش گیاهی بر مبنای انعکاس انرژی الکترو­مغناطیس گیاهان و جذب توسط کلروفیل گیاهان  به­خصوص جنگل­های مانگرو می­باشد لذا از باند 3 (قرمز) و باند 4 (مادون قرمز) تصاویر لندست استفاده شد. (NDVI) الگوریتمی است که بیش­ترین کاربرد را به طور گسترده برای تمایز پوشش گیاهی از بازتابش خاک دارد (1). با استفاده از رابطه 2 نقشه تراکم پوشش گیاهی تولید، سپس با استاندارد­سازی مقادیر ارزشی هر یک از تصاویر تولید­شده نقشه پوشش­گیاهی سال دوم از نقشه پوشش­گیاهی سال اول کم می­شود(23).                        رابطه 2    NDVI = (NIR – RED) / (NIR+ RED)   

روش تحلیل مولفه‌های اصلی برای فشرده‌سازی مجموعه داده‌ها و ارتباط بین گروه­های مختلفی از پیکسل‌هایی که بیان‌کننده انواع پوشش زمین هستند بکار می‌رود. در حالت کلی نتیجه این فشرده‌سازی و همبستگی‌های‌ پیکسلی در بین باندها در 3 مولفه­اصلی نمایان‌تر می‌شود(24). انتخاب 3 مولفه از بین6 مولفه اصلی تحقیق کاری مشکل است به دلیل این­که هر مولفه حاوی بخشی از تغییرات می­باشد(21). در روش تبدیل تسلدکپ پردازش بر اساس سه جزء روشنایی، سبزی و رطوبت صورت می­گیرد و هر یک از اجزاء در روش تسلدکپ می­تواند برای منظور خاصی مورد استفاده قرار گیرد طبیعی است برای مطالعات پوشش­گیاهی شاخص سبزینگی و برای مطالعات هیدرولوژیکی و ساحلی از شاخص رطوبت استفاده می شود. در روش مقایسه پس از طبقه­بندی محقق با استفاده از طبقه بندی نظارت شده و الگوریتم­های طبقه­بندی نقشه کاربری و یا پوشش زمین چند زمانه از منطقه تهیه کرده سپس با تفریق و مقایسه این نقشه ها تغییرات رخ داده در هر لندفرم و یا کاربری را تحلیل می­کند. دقت این روش بستگی به طبقه­بندی اولیه براساس نمونه­های آزمایشی و تفکیک­پذیری طبقات از همدیگر دارد. (25). در این تحقیق در نهایت از روش مقایسه پس از طبقه­بندی استفاده شد. بدین منظور ابتدا با شناسایی منطقه، عرصه­های موجود در آن در کلاس­های: جنگل متراکم، شامل محدوده­هایی که دارای تراکم بیش­تر از 50 % پوشش جنگل­های مانگرو  و سن تقریبی بالای 5 سال درختان می باشد. جنگل پراکنده، شامل محدوده­هایی که دارای تراکم کم­تر از50% و سن تقریبی کم­تر از 5 سال است. مراتع که شابل بوته زار­ها، گیاهان نمک­دوست وجلبک­ها که دارای بازتابش مشخصی در تصاویر ماهواره­­ای هستند. زمین­های بایر، زمین­های گلی که در معرض مستقیم جذر و مد و یا بالا­بودن آب­های زیرزمینی هستند. آب­های کم­عمق، آب­های ساحلی با عمق کم­تر از ده متر و آب­های عمیق با عمق بیش­تراز ده متر. دسته­بندی شدند. سپس با استفاده از الگوریتم حداکثر احتمال تغییرات رخ­داده در دو دوره تحقیق محاسبه شد. جهت ارزیابی دقت روش های انجام شده  تعداد 20 نقطه با استفاده از تصاویر, google earth  دستگاه GPS و بازدید میدانی از سواحل بندر خمیر در هریک از عرصه­های ذکر شده انتخاب و پارامترهای آماری ارزیابی دقت ماتریس خطا شامل ضریب کاپا[15]و دقت کلی[16] طبقه­بندی تصاویر سال­های 1989 و 2015  محاسبه و ارزیابی شد. طبقه‌بندی تا زمانی که دقت آن مورد ارزیابی قرار نگیرد کامل نیست(25). جهت ارزیابی کمی دقت طبقه­بندی از ضریب کاپا  استفاده شد. ضریب کاپا، تکنیک چند متغیرۀ گسسته­ای است که معرف اختلاف بین توافق واقعی در داده­های مرجع و یک طبقه­بندی کننده خودکار و توافق احتمالی بین داده­های مرجع و طبقه­بندی کننده تصادفی است که بر اساس رابطه 2 تعریف می شود(24).

رابطه2           ×100  

 


جایی کهpc  توافق تصادفی داده­های مرجع و  p0توافق واقعی داده­های مرجع می­باشد. پس از تعیین هر یک از روش­های طبقه­بندی تصاویر، دقت روش­های پیش­پردازش با استفاده از نمونه­های آزمایشی، پردازش بصری و همچنین بازدید میدانی مورد بررسی قرار گرفت. و عوامل موثر هیدرودینامیک تاثیر گذار به کاهش و یا  افزایش سطح جنگل­های مانگرو منطقه حفاظت شده خورخوران مورد تحلیل و بررسی قرار گرفت.

بحث و نتایج

روش تفاضل تصاویر 

در نقشه­های تولیدی هر چقدر تغییرات بیش­تر باشد تن تصاویر تیره­تر است. هر باند تفریق شده با توجه به واریانس اطلاعات آن حاوی حجم اطلاعات متفاوتی از تغییرات است. در این تحقیق به دلیل معنا­دار بودن اختلاف تصاویر باند 3 نسبت به سایر باند­ها با استفاده از  آزمون کشیدگی و چولگی داده­های هر باند، از تفریق باند 3 تصاویر سال­های 1989-2015 استفاده شد که بیش­ترین اطلاعات از تغییرات پوشش گیاهی  منطقه مطابق شکل ۲بدست آمد.

روش تفاضل شاخص پوشش گیاهی

در این تحقیق پس از تهیه نقشه پوشش گیاهی با استفاده از باند قرمز و مادون قرمز و الگوریتم NDVI  مقادیر آن استاندارد شده و در بازه 0-255  قرار گرفت سپس با استفاده از آستانه مناسب، پوشش­گیاهی منطقه از پوشش خاک و آب تفکیک شد. این عملیات برای دو دوره تحقیق انجام و سپس نقشه­های تولید شده از همدیگر تفریق شدند(شکل۳).

 

 

 

شکل۲- تفاضل باند 3 تصاویر سال 1989-2015

Figure 2. Differencing 3-band satellite imagery Year    1989-2015   

 

شکل3- تفاضل نقشه پوشش گیاهی  سال های1989-2015

Figure 3. Differencing vegetation cover Map Year 1989-201

 

روش تجزیه و تحلیل مولفه­های اصلی

 

در این تحقیق مولفه­های اصلی هر یک از تصاویر(PC)ها در محیط نرم افزار ENVYمحاسبه و مقادیر آن در جدول ۲ ارایه شد(جدول2)با توجه به این­که بیش­ترین اطلاعات در هر دو سنجنده در دو مولفه اصلی قرار دارد. درنتیجه مولفه اول به عنوان بهترین ترکیب برای روش تفاضل مولفه اصلی در راستای آشکار­سازی تغییرات استفاده شد.

 

 

جدول 2- ویژگی­های آماری مولفه­های اصلی تصاویر 1989و 2015

Table 2. The statistical feature the main components satellite imagery of 1989-2015

سال

1989

2015

مولفه ها

حداقل

حداکثر

انحراف معیار

حداقل

حداکثر

انحراف امعیار

PCA1

5/130-

36/330

9/123

- 2/20084

46215-

5/18257

PCA2

84/ 38-

66/88

21/50

- 2 /8627

15951

82/4408

PCA3

47-

58

63/17

9975-

3746

9/1866

PCA4

89/64-

31

11/31

5305-

3790

4/782

PCA5

31-

31

7/7

3783-

3159

8/738

PCA6

94/38-

22

6/19

6641-

4654

5/213

 

 

مزیت این روش این است که داده­های اضافی  موجود بین باند­ها را کاهش می­دهد و با توجه به واریانس داده­ها اطلاعات را دسته­بندی می­کند ولی نقشه تهیه شده از این روش نیازمند تعیین آستانه تغییرات می­باشد(22)(26).در نهایت نقشه حاصل از تفاضل مولفه اول تصاویر سال 1989 و 2015 از همدیگر تفریق شده و با انتخاب آستانه مناسب با استفاده از نمودار واریانس اطلاعات تغییرات پوشش زمین مطابق شکل 4 بدست آمد.

 

 

روش تفاضل تسلدکپ

در این تحقیق با استفاده از تکنیک تسلدکپ برای سال­های 1989-2015 نقشه پوشش زمین بدست آمد سپس با استفاده از نمونه­های آزمایشی و نقشه تغییرات تولید­شده بهترین شاخص از شاخص­های ذکر شده انتخاب شد و نقشه­های تولید شده دوره­های تحقیق از یکدیگر تفریق شدند. در این تحقیق شاخص سبزینگی دارای بیش­ترین اطلاعات از تغییرات بود لذا با تعیین آستانه مناسب بر روی نقشه تولید شده، نقشه پوشش جنگلی مانگرو بدست آمد(شکل5)

 

 

 

شکل4- تفاضل مولفه اصلی تصاویر سال های 1989-2015

Figure 4. Differencing Principle Component Analysis

 

شکل5- تفاضل تسلدکپ تصاویر سال های 1989-2015

Figure 5. Differencing the images tasseled cap 1989-2015

 

مقایسه پس از طبقه­بندی

 

آن­چه که در این روش حایز اهمیت است، انتخاب نمونه­های مناسب با تفکیک­پذیری بالا در هر طبقه است که اگر این مهم رعایت شود، روش مقایسه پس از طبقه­بندی روش مناسبی در تهیه نقشه پوشش زمین می­باشد(25). که در این تحقیق  سعی شده­است با استفاده از داده­های کنترل و بازدید­های میدانی و همچنین تفسیر تصاویر با تصاویر ماهواره­ای با قدرت تفکیک مکانی بالا، نمونه­های مناسبی جهت طبقه­بندی انتخاب شود.

در ادامه با استفاده از بازدید­های میدانی و تصاویر ماهواره­ای برای هر طبقه هفت محدوده متمایز،  شناسایی و در 7 کلاس مشخص دسته­بندی شده است. سپس نمونه­های تعلیمی جهت طبقه­بندی در نرم­افزار ENVY با توجه به طول موج و و ترکیب باندی مناسب، به دقت انتخاب شدند. سعی شده است برای هر کلاس حدود 1تا5 کیلومتر مربع به عنوان نمونه انتخاب شود. در ادامه تفکیک­­­پذیری کلاس­ها مورد ارزیابی قرار گرفت. تا صحت انتخاب نمونه­های تعلیمی جهت طبقه­بندی محرز شود(جدول۳). برای ارزیابی تفکیک­پذیری از شاخص واگرایی استفاده شده است.

 

                             

 

 

جدول۳ - تفکیک­پذیری نمونه­های انتخابی از تصاویر ماهواره­ای سال 1989-۲۰۱۵

Table 3. Resolution selective sample of satellite images Year 1989-2015

روش

متوسط تفکیک­پذیری

حداقل تفکیک­پذیری

حداکثر تفکیک­پذیری

تصویر 1989

94332/1

89943/1

2

تصویر 2015

99967/1

98977/1

2

 

 

در ادامه با استفاده از طبقه­بندی نظارت­شده نقشه­های پوشش زمین برای سال­های 1989-2015 تهیه شد. جهت استاندارد­سازی واستخراج اطلاعات از این نقشه­ها از فیلتر اکثریت استفاده شد و اطلاعات اصلی تصاویر ادغام و آماده تحلیل در قالب فایل برداری شد، سپس تغییرات پوشش اراضی و سطوح جنگلی مورد ارزیابی قرار گرفت(شکل6). برای این منظور با استفاده از محاسبات آماری تغییرات کاربری در محیط نرم‌افزاری ENVI(4.8)، مقادیر درصد نواحی کاربری اراضی تغییر یافته، محاسبه گردید. در این روش، تغییرات کاربری اراضی بر مبنای ماتریس، در قالب کلاس به کلاس بدست می­آید. از طریق الگوریتم‌های جبر خطی[17]و آمار­پایه[18]از قبیل تفاضل و درصد، اختلاف دو به دو کلاس­ها را براساس پیکسل بیان می‌نماید(25).

 

 

 

شکل6- نقشه پوشش زمین برای سال های 1989- 2015 با استفاده از روش حداکثر احتمال

Figure 6. Land cover map for the years 1989- 2015, using maximum likelihood method

 


همان­طور که در جدول ۴ مشاهده می شود میزان جنگل­های پراکنده در سال1989، 4/54 کیلومتر مربع می­باشد که نیمی از این مقدار در سال 2015 تبدیل به جنگل­های متراکم شده است که نشان­دهنده رشد بالای درختان مانگرو در طی 10 سال گذشته است.

 

 

جدول ۴- تغییرات رخ داده در خلال سال های 1989-2015

Table 4. Changes occurred during the years 1989-2015


شماره

نوع طبقه

سال 1989 KM2

سال2015 KM2

نوع تغییر

مقدار تغییر

1

جنگل متراکم

9504/0

852/38

افزایشی

901/37

2

جنگل پراکنده

142/75

230/86

افزایشی

0877/11

3

مراتع

821/5

282/9

افزایشی

461/3

4

زمین­های بایر

539/80

442/55

کاهشی

096/25-

5

زمین­های گلی

29/185

640/230

افزایشی

348/45

6

آب­های کم­عمق

99/189

199/130

کاهشی

79/59-

7

آب­های عمیق

304/203

42/190

کاهشی

87/12-

مجموع

043/741

043/741

-

-

 

ارزیابی دقت برای درک نتایج بدست آمده و به کار­بردن این نتایج برای تصمیم­گیری ضرورت دارد(12). روش­های پیش­پردازش عموماً دارای خروجی دامنه­ای و پیکسلی هستند و ماهیت تغییرات را نشان نمی­دهند. لذا جهت ارزیابی دقت آن­ها از روش­های بصری، استفاده از تصاویر ماهواره­ای و هم­پوشانی تصاویر و با استفاده از نقطه­های چک و نمونه­های واقعیت زمینی امکان­پذیر است. با بررسی­های انجام شده مشخص شد روش تفاضل مولفه اصلی به دلیل استفاده از مقادیر باندهایی که بیش­ترین اطلاعات از تغییرات را ارایه می­دهند و به خصوص PCA در تصاویر سال­های 1989و 2015، به عنوان مناسب­ترین روش و روش تفاضل پوشش گیاهی نیز با توجه به عرصه­های موجود در منطقه، در رتبه بعدی قرار گرفت. در روش مقایسه پس از طبقه­بندی پس از کسب اطمینان از صحت طبقه‌بندی (تفکیک­پذیری) دقت طبقه­بندی سنجیده شد. بدین منظور از هرکلاس طبقه­بندی شده، 20 نمونه انتخاب و به عنوان نمونه معرف جهت ارزیابی دقت مورد استفاده قرار گرفت. همچنین از داده­های واقعیت زمینی که از هر کلاس با دستگاهGPS و تصاویر با دقت بالا برداشته شده برای کنترل داده­ها استفاده شده است. طبق محاسبات انجام شده(جدول ۵)، روش حداکثر احتمال با دقت  32/98%و ضریب کاپا   9781/0، بهترین روش در طبقه­بندی اراضی و روش ماشین بردارپشتیبان با دقت کلی 45/92% وضریب کاپا 901/0 و روش حداقل فاصله با دقت کلی 59/65 % ضریب کاپا 576/0 در رتبه­های بعدی قرار گرفتند. با توجه به این­که در تهیه نقشه‌های پوشش زمین و کاربری اراضی استخراج شده از تصاویر ماهواره‌ای بایستی میزان ضریب کاپا  بیش از 85% باشد(24). در نتیجه بر اساس محاسبات انجام شده روش حداکثر احتمال روش مناسبی برای طبقه­بندی اراضی به خصوص اراضی جنگلی و ساحلی می­باشد.

 

 

جدول ۵-  ارزیابی دقت روش­های مورد استفاده در تحقیق

Table 5- Evaluate the accuracy of methods used in the research

روش

ضریب کاپا

دقت کلی

دقت کاربر

حداکثر احتمال

978/0

32/98%

521/7

حداقل فاصله

576/0

59/65%

44/54

ماشین بردار پشتیبان

901/0

45/92%

206/31

 

پس از احراز صحت نتایج تحقیق تغییرات رخ داده در منطقه تعیین و عوامل موثر در این تغییرات مورد تحلیل و ارزیابی قرار گرفت. طبق بررسی­های انجام شده، زمین­های گلی(Spit) در سال 1389 بالغ بر 29/185 کیلومتر مربع بوده که این میزان در سال2015 به 64/230 کیلومتر­مربع رسیده است. از مهم­ترین عوامل موثر در افزایش سطح جنگل­های مانگرو در منطقه حفاظت­شده خورخوران عبارتند از: افزایش دمای آب اقیانوس­ها در دهه­های گذشته باعث رشد و توسعه جنگل های مانگرو در جنوب و جنوب غرب آسیا شده است. بالاترین میزان جذرو مد در سواحل جنوبی کشور به میزان  75/1 تا دو متر در منطقه مورد مطالعه می­باشد، که این دامنه جذر و مد بالا باعث رشد چشمگیر جنگل­های مانگرو منطقه در قیاس با سایر عرصه­های جنگلی سواحل جنوب شده است.  بالا­آمدگی منطقه تحت تاثیر پدیده دیاپیریسم در زاگرس جنوب شرق که باعث کاهش شیب در سواحل منطقه خورخوران شده است. همچنین رسوب بسیار زیاد رودخانه­های منتهی به تنگه هرمز از جمله رودخانه های شور، مهران، جلابی با حوضه­های­آبریز باعث ایجاد جلگه­های کم شیب و توسعه جنگل­های مانگرو می­شوند.

نتیجه گیری

محیط­های ساحلی از پیچیده­ترین و حساس­ترین محیط­های کره زمین محسوب می­شود که دایماً در حال تغییر هستند و این تغییرات بر تمامی ابعاد فضای جغرافیایی منطقه تاثیر­گذار است. در این تحقیق با استفاده از روش­های کاربردی آشکارسازی تغییرات که هر­کدام از آن­ها با دسته­ای از اطلاعات و با الگوریتم­های خاصی اجرا می­شد سطوح جنگل­های مانگرو منطه حفاظت شده خورخوران بندرعباس تعیین سطح و تغییرات رخ داده در طول26 سال دوره تحقیق مورد پایش و ارزیابی قرار گرفت. طبق بررسی­ها  از بین روش­های پیش­پردازش تصاویر چند­زمانه روش تفاضل­مولفه­های اصلی و تفاضل پوشش گیاهی با به عنوان بهترین روش­ها برای پایش تغییرات کاهشی و افزایشی محیط می­باشند. همچنین پس از اعمال روش مقایسه پس از طبقه­بندی مشخص شد الگوریتم حداکثر احتمال با دقت کلی 9781/0 و ضریب کاپا 32/98% ، بیش­ترین دقت و روش حداقل فاصله با دقت کلی 576/0 و ضریب کاپا  59/65 % کم­ترین دقت را در طبقه­بندی نظارت­شدۀ تصاویر ماهواره­ای دارند. ازسوی دیگر روش مقایسه پس­از­طبقه­بندی به دلیل این­که جهت و نوع تغییرات را نشان می­دهد روش مناسبی برای آشکارسازی است. آرخی و نیازی، (21)1389، مهدوی و همکاران(19)  1393 و نیازی و همکاران(27) 1392 نیز روش­های تفاضل پوشش گیاهی و تحلیل مولفه­های اصلی، را به عنوان روش­های مناسب در آشکارسازی تغییرات اراضی ارزیابی نموده­اند. با اعمال روش­های مذکور مشخص شد زمین­های گلی(Spit) منطقه در سال 1389 بالغ بر 29/185 کیلومتر­مربع بوده که این میزان در سال 2015 به 64/230 کیلومتر­مربع رسیده­است. همچنین با توجه نتایج تحقیق مشخص شد سطح جنگل­های مانگرو اعم از جنگل­های متراکم و پراکنده 08/125 می­باشد که 9/48 کیلومتر مربع از آن در 26 سال گذشته به سطح جنگل­های مانگرو افزوده شده­است. اگر چه در برخی نقاط میزان تخریب این جنگل­های ارزش­مند افزایش یافته است ولی طبق مطالعات انجام شده سطح جنگل­های مانگرو منطقه در حال افزایش است. نتایج این تحقیق با تحقیقات ارزش­مند محققانی چون اعتمادی ۱۳۹۳ و جعفرنیا ۱۳۹۵ در مورد افزایش سطح جنگل­های مانگرو همخوانی دارد. شیب کم جلگه ساحلی، افزایش رسوبات در محل دلتای رودخانه مهران، بالابودن دامنه جذرو مد در این منطقه و بالا آمدن سطح اساس خلیج فارس به تبعیت از دریای عمان باعث پیش­روی شدید آب­ها به محدوده­ وسیعی از سواحل منطقه ، زمینه را برای رشد و توسعه جنگل­های مانگرو فراهم نموده است، لذا هرگونه طرح تاسیساتی و زیربنایی باید با رعایت ملاحظات زیست محیطی و اکولوژیکی باشد. در نتیجه پیشنهاد می­شود  طرح­ریزی و انجام پروژه­های عمرانی و تاسیسات زیربنایی مانند احداث مجتمع­های پرورش میگو در محل دلتا­ها و همچنین احداث پل و جاده ارتباطی بندعباس و جزیره قشم باید با رعایت اصول هیدرودینامیکی و ژئومورفولوژیکی تنگه هرمز و گذرگاه آبی منطقه باشد تا کم­ترین تاثیر را در رشد و نمو جنگل­های مانگرو منطقه بگذارد. مدیران ومتولیان امر جنگل­داری و حفاظت نیز با تعیین عوامل اصلی ومنطقه­ای کاهش و یا افزایش جنگل­های مانگرو، نرخ تغییراتشان را تحت کنترل داشته باشند تا به موقع تمهیدات لازم در زمینه کاهش بهره­برداری از جنگل­ها و ایجاد جنگل­های مصنوعی مانگرو اتخاذ نمایند.

Reference

  1. Singh. A. (1989). Digital change detention thechniqcs using remotely sensed data International Journal of Remote Sensing, 10: 989-1003.
  2. Feizizadeh, B. and Blaschke, T. (2012). Thermal remote sensing for examining the relationship between urban land surface temperature and land use land cover in Tabriz city, Iran. Paper presented at the IEEE international geoscience and remote sensing symposium, IGARSS, 22–27 July, Munich, Germany.
  3. Rodringuez, W and Feller, I.C, (2004). Mangrove landscape characterization and change in Twin Cays, belize using aerial photography and IKONOS satellite data. Atoll research Bulletin.no. 513.National Museum of National History. U.S
  4. Ahmed, E.A and Abdel-Hamid, K.A. (2007). Zonation Pattern of Avicennia marina and Rhizophora mucronata along the Red Sea Coast, Egypt. World Applied Sciences Journal 2 (4): 283-288.
  5. Pillay, T. (2004). Aquaculture and the environment Blackwell publishing. second edition. pp31-38.
  6. FAO. (2003). State of the Worlds Forest (SOFO). Part 1: The situation and developments in the forest sector. 2003. available online.
  7. De Boer W.F., (2002). The rise and fall of the mangrove forests in Maputo Bay, Mozambique. Wetlands Ecology and Management. Volume 10, Number 4.
  8. Singh. H. (2003). Vulnerability and adaptability of Tidal forests in response to climate change in India. Indian forester vol. 129, no6, pp. 749-756. 
  9. Danekar, A. (2006). Identification and mapping of sensitive areas of the coastal province of Sistan-Baluchestan. Department of Environmental Protection, Pages: 258. (In Persian)
  10. Tahir M Ekwal, Tahir h. (2013). Evaluation of land use/land cover changes in Mekelle City, Ethiopia using Remote Sensing and GIS. journal of Computational Ecology and Software, 2013, 3(1): 9-16.
  11. Fromard F Vega C. Proisy C. (2004), half a century of dynamic coastal change affecting mangrove shorelines of French Guiana. A case study based on remote sensing data analyses and field surveys Marine Geology 208. 265–280
  12. Plieninger T (2012).  Monitoring directions and rates of change in trees outside forests through multi­ temporal analysis of map sequences, Applied Geography 32 (2012) 566e576.
  13. Senga Hidaya O. Kihupi N. I Evaristo L. (2014). land cover changes along the coastal marine ecosystems of zanzibar Journal of Asian Scientific Research, 4(2): 83-98.
  14. Masood, H., Afsar, S., Zamir, U. B., & Kazmi, J. H. (2015). Application of comparative remote sensing techniques for monitoring mangroves in Indus Delta, Sindh, Pakistan. In Biological Forum (Vol. 7, No. 1, p. 783). Research Trend. ‏
    1. Arekhi, S. Adieb nejad, M. (2011). Evaluate the efficiency of SVM algorithm for land use classification using Landsat ETM + satellite data (Case Study: Ilam dam basin) Journal of Scientific & Research of desert grassland and Iran, No 3 - Pages: 420 -440. (In Persian)
    2. Amiri, S.N., Sajadi, J. Sadough Vanini, S.H. (2011). Application of Vegetation Indices Derived from IRS Data for Detecting the Avicennia Forest Area Near the South Pars Oil Apparatus., Environmental sciences vol.8, N.1, Autumn ,69-84. (In Persian)
    3. Mahini, A., Naderali, A., Feghhi, J., RIAZI, B., (2012). Classification of forest areas in Golestan province maximum likelihood method using satellite images of ETM for 2001. Journal of Science Technology and Environment No. 3 Pages 56-47. (In Persian)
    4. Etemadi H. (2014). Estimation and prediction of the effects of climate change on Mangrove forests of southern Iran: Case study of Jashk mangrove protected area, PhD thesis of forest and forestry at Tarbiat Modares University - Faculty of Natural Resources. Supervisor: Mohammad Sharifi Kia, Pages 154. (In Persian)
    5. Mahdavi, A., Fathizad, H., Shetaie, Sh., (2014). Evaluation and analysis of different changes detection methods of land use/vegetation cover (case Study: Forest protected area of Manesht, Ilam). Journal of wood and forest science and technology Volume 21, Issue 4, Winter 2015, Page 1-210. (In Persian)
    6. Jafarnia, S., Oladi, J., Hoojati, S., Mir Akhor Loo, K. (2016). Status and change detection of Mangrove forest in Qeshm Island using satellite imagery from 1988 to 2008. Journal of Environmental Science and Technology, 18(1), 177-191.(In Persian)
    7. Arekhi, S. Niazi, Y. (2010). Assessment of remote sensing methods for monitoring land use changes (Dareshahr of Ilam), Journal of Scientific & Research of desert grassland and Iran No 1 - Pages: 74-93(In Persian)
    8. Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25, 2365−2407.
    9. Lyon, J.G., Yuan, D., Lunetta, R.S. and Elvidge, C.D., (1998). A change detection experiment using vegetation indices. Photogrammetric Engineering and remote sensing 64 143-150.
    10. Lillesand, T.M., and Kiefer, R.W, (2001). Remote Sensing and Image Interpretation, 4th ed, John Wiley and Sons, inc. USA, 2001, ISBN: 0471255157, 205p
    11. Akbari, E., shekari, A., (2013). Processing and extracting information from satellite data using ENVI software press mahvare pages., 234. (In Persian)
    12. Lashkari, M. (1998). Using the index of probability and fuzzy logic in the urban land use change maps from satellite imagery (of the north and northwest of Mashhad), MS Thease, Department of Natural Resources in Tarbiat Modares University. Iran (In Persian)
    13. Niazi, Y,. Ekhtesasi, M, R., Malkinejad, H., Hossaini, Z., MorshedI, J., (2010). Comparison of maximum likelihood classification and artificial neural network in land-use mapping (Case Study: Ilam dam basin), Journal of Geography and Development, No. 20, Pages 119-132. (In Persian)

 

 

 

 

 

 


 

 

 

 

 



1- دانشیار ژئومورفولوژی دانشگاه حکیم سبزواری

2- دکتری ژئومورفولوژی دانشگاه حکیم سبزواری *(مسوول مکاتبات)

3- عضو هیات ­علمی دانشگاه حکیم سبزواری و دانشجوی دکتری سنجش از دور دانشگاه تهران

[4]- Associate Professor, Geomorphology of Hakim Sabzevari University, Sabzevar, iran.

[5]- PhD in Geomorphology, Sabzevari Hakim University, Sabzevar, iran *(Corresponding Author).

[6]- Proffessor, Remote Sensing of Hakim Sabzevari University and PhD student Remote Sensing of Tehran University, iran.

[7]- Thematic Mapper

1- Ground Control Point

2- Nearest Neighborhood

3- Ground Control Points (GCP)

4- Root Mean Square

5- Dark Subtract

6- Flat Field [13]

7- Image Fusion

1- Kappa Coefficient

2- Overall Accuracy

1- Linear Algebra

2- Basic Statistic

  1. Singh. A. (1989). Digital change detention thechniqcs using remotely sensed data International Journal of Remote Sensing, 10: 989-1003.
  2. Feizizadeh, B. and Blaschke, T. (2012). Thermal remote sensing for examining the relationship between urban land surface temperature and land use land cover in Tabriz city, Iran. Paper presented at the IEEE international geoscience and remote sensing symposium, IGARSS, 22–27 July, Munich, Germany.
  3. Rodringuez, W and Feller, I.C, (2004). Mangrove landscape characterization and change in Twin Cays, belize using aerial photography and IKONOS satellite data. Atoll research Bulletin.no. 513.National Museum of National History. U.S
  4. Ahmed, E.A and Abdel-Hamid, K.A. (2007). Zonation Pattern of Avicennia marina and Rhizophora mucronata along the Red Sea Coast, Egypt. World Applied Sciences Journal 2 (4): 283-288.
  5. Pillay, T. (2004). Aquaculture and the environment Blackwell publishing. second edition. pp31-38.
  6. FAO. (2003). State of the Worlds Forest (SOFO). Part 1: The situation and developments in the forest sector. 2003. available online.
  7. De Boer W.F., (2002). The rise and fall of the mangrove forests in Maputo Bay, Mozambique. Wetlands Ecology and Management. Volume 10, Number 4.
  8. Singh. H. (2003). Vulnerability and adaptability of Tidal forests in response to climate change in India. Indian forester vol. 129, no6, pp. 749-756. 
  9. Danekar, A. (2006). Identification and mapping of sensitive areas of the coastal province of Sistan-Baluchestan. Department of Environmental Protection, Pages: 258. (In Persian)
  10. Tahir M Ekwal, Tahir h. (2013). Evaluation of land use/land cover changes in Mekelle City, Ethiopia using Remote Sensing and GIS. journal of Computational Ecology and Software, 2013, 3(1): 9-16.
  11. Fromard F Vega C. Proisy C. (2004), half a century of dynamic coastal change affecting mangrove shorelines of French Guiana. A case study based on remote sensing data analyses and field surveys Marine Geology 208. 265–280
  12. Plieninger T (2012).  Monitoring directions and rates of change in trees outside forests through multi­ temporal analysis of map sequences, Applied Geography 32 (2012) 566e576.
  13. Senga Hidaya O. Kihupi N. I Evaristo L. (2014). land cover changes along the coastal marine ecosystems of zanzibar Journal of Asian Scientific Research, 4(2): 83-98.
  14. Masood, H., Afsar, S., Zamir, U. B., & Kazmi, J. H. (2015). Application of comparative remote sensing techniques for monitoring mangroves in Indus Delta, Sindh, Pakistan. In Biological Forum (Vol. 7, No. 1, p. 783). Research Trend. ‏
    1. Arekhi, S. Adieb nejad, M. (2011). Evaluate the efficiency of SVM algorithm for land use classification using Landsat ETM + satellite data (Case Study: Ilam dam basin) Journal of Scientific & Research of desert grassland and Iran, No 3 - Pages: 420 -440. (In Persian)
    2. Amiri, S.N., Sajadi, J. Sadough Vanini, S.H. (2011). Application of Vegetation Indices Derived from IRS Data for Detecting the Avicennia Forest Area Near the South Pars Oil Apparatus., Environmental sciences vol.8, N.1, Autumn ,69-84. (In Persian)
    3. Mahini, A., Naderali, A., Feghhi, J., RIAZI, B., (2012). Classification of forest areas in Golestan province maximum likelihood method using satellite images of ETM for 2001. Journal of Science Technology and Environment No. 3 Pages 56-47. (In Persian)
    4. Etemadi H. (2014). Estimation and prediction of the effects of climate change on Mangrove forests of southern Iran: Case study of Jashk mangrove protected area, PhD thesis of forest and forestry at Tarbiat Modares University - Faculty of Natural Resources. Supervisor: Mohammad Sharifi Kia, Pages 154. (In Persian)
    5. Mahdavi, A., Fathizad, H., Shetaie, Sh., (2014). Evaluation and analysis of different changes detection methods of land use/vegetation cover (case Study: Forest protected area of Manesht, Ilam). Journal of wood and forest science and technology Volume 21, Issue 4, Winter 2015, Page 1-210. (In Persian)
    6. Jafarnia, S., Oladi, J., Hoojati, S., Mir Akhor Loo, K. (2016). Status and change detection of Mangrove forest in Qeshm Island using satellite imagery from 1988 to 2008. Journal of Environmental Science and Technology, 18(1), 177-191.(In Persian)
    7. Arekhi, S. Niazi, Y. (2010). Assessment of remote sensing methods for monitoring land use changes (Dareshahr of Ilam), Journal of Scientific & Research of desert grassland and Iran No 1 - Pages: 74-93(In Persian)
    8. Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25, 2365−2407.
    9. Lyon, J.G., Yuan, D., Lunetta, R.S. and Elvidge, C.D., (1998). A change detection experiment using vegetation indices. Photogrammetric Engineering and remote sensing 64 143-150.
    10. Lillesand, T.M., and Kiefer, R.W, (2001). Remote Sensing and Image Interpretation, 4th ed, John Wiley and Sons, inc. USA, 2001, ISBN: 0471255157, 205p
    11. Akbari, E., shekari, A., (2013). Processing and extracting information from satellite data using ENVI software press mahvare pages., 234. (In Persian)
    12. Lashkari, M. (1998). Using the index of probability and fuzzy logic in the urban land use change maps from satellite imagery (of the north and northwest of Mashhad), MS Thease, Department of Natural Resources in Tarbiat Modares University. Iran (In Persian)
    13. Niazi, Y,. Ekhtesasi, M, R., Malkinejad, H., Hossaini, Z., MorshedI, J., (2010). Comparison of maximum likelihood classification and artificial neural network in land-use mapping (Case Study: Ilam dam basin), Journal of Geography and Development, No. 20, Pages 119-132. (In Persian)