شماره کتابشناسی ملی
شماره
پ۲۸۳۶۷
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
تحلیل تغییرات کاربری اراضی حوضهی آبریز (دریاچه ارومیه) و مطالعه تأثیرات حاصله بر دریاچه ارومیه با استفاده از طبقه‌بندی تصاویر ماهواره‌ای و به کارگیری الگوریتم CA MARKOV
نام نخستين پديدآور
حسن گلمحمدی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
مهندسی عمران(پردیس)
تاریخ نشرو بخش و غیره
۱۴۰۱
مشخصات ظاهری
نام خاص و کميت اثر
۱۳۸ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری
نظم درجات
مهندسی عمران – مهندسی آب و سازههای هیدرولیکی
زمان اعطا مدرک
۱۴۰۱/۱۱/۱۲
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
مطالعه حاضر بر نقش انسانی متمرکز است و تغییر کاربری اراضی را که معرف افزایش فشار بر منابع آب و خاک حوضه میباشد را دنبال مینماید؛ در همین راستا با توجه به اینکه بررسی مکانی تغییرات کاربری اراضی در کل حوضهی آبریز کمتر مورد توجه قرار گرفته و آمار و ارقام ارایه شده برای آن در گزارشات مختلف براساس اطلاعات جمعآوری شده به صورت سنتی در قالب بررسیهای میدانی و پرسشنامهای بوده است، در این تحقیق تهیه نقشه کاربری اراضی حوضه آبریز دریاچه ارومیه در مقاطع مختلف با استفاده از روشهای مناسب سنجش از دور و پیشبینی تغییرات انجام گرفت و پاسخ گوی برخی ابهامات پیرامون توسعه کشاورزی و میزان آب مورد نیاز جهت بالابردن تراز آب دریاچه در آینده میباشد، در کل هدف این تحقیق شبیه سازی کاربری اراضی و برآورد آب مورد نیاز (جهت کشاورزی و مصرف) در 20 سال آتی در حوضهی آبریز دریاچه ارومیه با مدل CA-MARKOV و مدل LCM با تحلیل روند تغییرات در 20 سال گذشته بود.در تحقیق حاضر در گام نخست برای تحلیل روند تغیرات در 20 سال گذشته داده‌ها از سنجدههاي TM+ ، ETM و TIRS-OLI پايگاه اينترنتي سازمان زمین‌شناسی آمريکا USGS براي دوره زماني 2000-2020 دريافت شد، سپس روی تصاویر جهت آماده سازی آنها برای انجام فرایند طبقه‌بندی، پيشپردازش (موزاييک کردن تصاوير، برش شکل، کاليبراسيون، تصحيح راديومتريکي، تصحيح هندسي و تفکيک باندها و ...) پردازش (طبقه بندی و محاسبه ضریب کاپا و ...) و پسپردازش (ارزيابي نتايج طبقه‌بندی، بررسی ماتريس خطاي طبقه‌بندی، بررسی دقت در ضریب کاپا و ...) انجام گرفت.در گام بعدی مرحله بعدی این مطالعه شبیه سازی تغییرات کاربری اراضی با توجه به بازه زمانی طبقه‌بندی شده میباشد. جهت دست یابی به این هدف از مدل‌های CA-MARKOV و LCM استفاده شده است، در مدل MARKOV دو نقشه مربوط به دو دوره زمانی به صورت ماتریسی با یکدیگر مقایسه میشوند. به طوري که براساس بیشینه احتمال، پیشبینی میشود که هر پیکسل در هرکلاس با چه احتمالی در همان کلاس مانده یا به کلاس دیگر تبدیل میشود مسئله اساسی در زنجیره مارکوف این است که هیچ بحثی از عنصر مکانی در مدلسازي نشده است. به عبارت دیگر احتمالات انتقال ممکن است که براي هر یک از کاربريها به دست آمده باشد، اما هیچ اطلاعاتی از توزیع مکانی تغییرات مربوط به هرکدام از طبقات کاربري در آن وجود ندارد. براي اضافه کردن عنصر مکانی به مدل از سلولهاي خودکار استفاده میشود، مدلCA-Markov تلفیقی از سلولهاي خودکار، زنجیره مارکوف و تخصیص چند منظوره اراضی (MOLA) است، در واقع ضعف زنجیره مارکوف در مشخص نبودن توزیع مکانی تغییرات مربوط به کاربريها است، که براي اضافه کردن عنصر مکانی به مدل از سلولهاي خودکار استفاده میشود. بدین صورت که نقشه آینده کاربري اراضی با استفاده از نقشههاي شایستگی تبدیل پوشش و کاربري با اعمال فیلتر مجاورت و طی فرآیند تخصیص چند منظوره اراضی تهیه می‌گردد
متن يادداشت
AbstractThis research is focused on the human effect and follows the land use change, which represents the increase of pressure on the water and soil resources of the watershed. on this side, due to the fact that locative investigation of land use changes in the entire watershed has received less attention and statistics provided for that In various reports, According to the information collected traditionally in the form of field surveys and questionnaires, In this research, the land use map of the watershed of Urmia Lake was prepared at different times by using suitable methods of remote sensing and change prediction, and it answered some Confusion and questions about agricultural development and the amount of water required to raise the water level of the lake in is the future, In general, the aim of this research was to simulate the land use and estimate the required water (for agriculture and consumption) in the next 20 years in the Urmia Lake watershed by using the CA-MARKOV and LCM models and by analyzing the changes in the last 20 years.In this research, at first step, In this research, at first step, to analyze the trend of changes in the last 20 years, data were received from the TM+, ETM and TIRS-OLI sensors from USGS website for the period 2000-2020, then pre-processing (images mosaicing, image cropping, calibration, radiometric correction, geometric correction and band separation and else), processing (Classification and calculation of kappa coefficient and else) and post-processing (evaluation of classification results, evaluation of classification error matrix, evaluation of accuracy in kappa factor and else) were done on the images to prepare them for the classification function.The next stage of research is the simulation of land use changes classified by time period. To reach this purpose, CA-MARKOV and LCM models have been used. In the MARKOV model, two maps are compared in two different time periods in a matrix. So that, based on the maximum probability, it is predicted that each pixel in each class will stay in the same class or change to another class. The basic problem in the Markov chain is that there is no discussion of the local element in the modeling. another phrase, the probability of change may have been obtained for each land use, but there is no information about the local distribution of changes related to each of the land use classes. Automatic cells are used to add a local element to the model, The CA-Markov model is a combination of automatic cells, Markov chain and Multi Objective Land Allocation (MOLA), in fact, the weakness of the Markov chain is in not knowing the local distribution of the changes related to the users, which is used to add the local element to the model from automatic cells. In this way, the future land use map is prepared by using cover and use transition suitability maps by applying the contiguity filter and during the multi-purpose land allocation process, from LCM model has also been used to simulate land use changes, which includes various sections that each part includes a set of suitable tools for land management and planning. analysis of changes, modeling the potential of changes and forecasting variations are important parts of this modelm, The final step of this research, it was required to simulate the amount of water needed for agriculture according to the kind of cultivation and the flat in the Urmia Lake Watershed, and finally to predict the future of water resources, and to achieve this purpose, the NETWAT model was used. The NETWAT model is a plan for the net irrigation needs of Iran's horticultural and agricultural crops in the set of plans of the national project (TOTEC) to optimize the water consumption of Iranian farmers, prepared by the country's Meteorological Organization and the Ministry of Agriculture (Alizadeh, 2018)According to the studies conducted in this research, The area of water and garden agriculture will increase from 1450 and 395 〖Km〗^2 in 2000 to more than 3500 and 1670 〖Km〗^2 in 2040, and this will increase the water needed for agriculture from 1568 MCM in 2000 to It will be more than 3997 MCM in 2040, In general, it can be concluded from this research that the irrigated agriculture land use has increased by 1253.05 〖Km〗^2 from 2000 to 2020, According to Markov's method this amount will reach 2049.54 〖Km〗^2 in 2040, which increases water consumption by 1473 MCM, Also, the gardens land use has increased by 688.02 〖Km〗^2 from 2000 to 2020, which according to the Markov method, this amount will reach 1276.14 〖Km〗^2in 2040, which increases the water consumption by 703 MCM. and also the dry landuse has increased to 367.06 〖Km〗^2 from 2000 to 2020, which according to Markov's method, this amount will reach 531 〖Km〗^2in 2040, which increases the water consumption by 253 MCM.
عنوانهای گونه گون دیگر
عنوان گونه گون
Analysis of land use changes in the Urmia Lake watershed and the study of the resulting effects on Urmia Lake by using classification of satellite images and the Ca Markov algorithm
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
گلمحمدی،
ساير عناصر نام
حسن
کد نقش
تهیه کننده
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
اعلمی،
عنصر شناسه اي
روشنگر،
ساير عناصر نام
محمدتقی
ساير عناصر نام
کیومرث
تاريخ
استاد راهنما
تاريخ
استاد راهنما
شناسه افزوده (تنالگان)
عنصر شناسه اي
تبریز
