پایش پنجاه سال تغییرات جنگل‌های کران رودی شهرستان گتوند با استفاده از تصاویر سنجش از دور

سابقه و هدف: تغییرات بوم‌سازگان‌های جنگلی کران‌رودی، چالش‌های قابل‌توجهی بر توان بوم‌شناختی و تنوع زیستی مناطق گرم و خشک دارند. همچنین، این جنگل‌ها به‌عنوان عاملی در جلوگیری از فرسایش اراضی کشاورزی و تغییرات بستر رودخانه‌ها، حائز اهمیت هستند. پایش تغییرات بلندمدت آن‌ها برای حفاظت از توان بوم‌شناختی و تنوع زیستی ضروری است. بوم‌سازگان‌های جنگلی کران‌رودی به‌طور مداوم تحت تاثیر تغییر اقلیم و تغییرات کاربری و پوشش زمین (lucc) قرار می‌گیرند که بر محیط زیست، تنوع زیستی، امنیت غذایی و سلامت انسان اثر می‌گذارند.مواد و روش‌ها: در این مطالعه از آرشیو سری ماهواره‌های لندست برای شهرستان گتوند استفاده شد. اولین تصویر به‌دست‌آمده از منطقه مورد مطالعه، یک تصویر از سنجنده mss (لندست 1) در سال 1972 میلادی است. پس‌ازآن، سنجنده‌های tm، etm+ و oli هستند که به‌ترتیب در تاریخ‌های 1982/7/16، 1999/4/15 و 2013/2/11 در مدار زمین قرار گرفتند. مقادیر پیکسل کالیبره‌شده خام با استفاده از ماژول تصحیح اتمسفر به بازتاب سطحی تبدیل شد. تصویر سنجنده mss مربوط به سال‌های 1972 و 1981 به قدرت تفکیک مکانی 30 متر برای مطابقت با تصاویر دیگر، نمونه‌برداری شد. برای اعتبارسنجی نتایج نهایی طبقه‌بندی، داده‌های آموزشی به سه روش جمع‌آوری شد. همچنین، در روش طبقه‌بندی به‌صورت شیءمبنا، مقادیر مختلف برای مقیاس، شکل و فشردگی برای تفکیک قطعه‌های همسان اعمال شد تا با‌توجه‌به مقیاس تعیین‌شده، هر شیء با مرزبندی مناسب و یکسان ایجاد شود. برای ارزیابی نتایج نهایی طبقه‌بندی از معیارهای صحت‌سنجی شامل صحت کلی، ضریب کاپا، صحت تولیدکننده و صحت کاربر استفاده شد.نتایج: کمترین اختلاف بین باندهای red و nir برای سنجنده mss و بیشترین اختلاف مربوط به سنجنده etm+ مشاهده شد. صحت طبقه‌بندی برای سال‌هایی که شرایط داده‌های در دسترس به‌عنوان نمونه‌های زمینی از طریق تصاویر ماهواره‌ای صحت‌سنجی شد، نسبت به سال‌های دیگر کمتر بود. برای سال 2022، صحت کلی 98.9، ضریب کاپا 0.89 با صحت کاربر 97 درصد و صحت تولیدکننده 99 درصد برای طبقه جنگل به‌دست آمد. این نتایج نشان می‌دهد که با افزایش دقت مکانی و طیفی تصاویر ماهواره‌ای، نتایج صحت‌سنجی بهبود یافته است. نرخ تغییرات اراضی کشاورزی با رشد بیشتر از 4393 درصد در سال 2022 نسبت به سال 1972 روبرو بوده است. بین سال‌های 1972 تا 2000، بوم‌سازگان جنگلی کران‌رودی، طبقه غالب گیاهی در این منطقه بود که به‌ترتیب، مساحتی بین 3670.6 تا 2379.2 هکتار را پوشش می‌داد. این بوم‌سازگان در دوره زمانی مذکور حدود 35 درصد از مساحت خود را از دست داده بود. از سال 2000 تا 2022 (با مساحت 1569.6) نیز حدود 34 درصد دیگر از مساحت این بوم‌سازگان گیاهی از بین رفته است.نتیجه‌گیری کلی: با‌توجه‌به یافته‌های این پژوهش، طی نیم‌ قرن گذشته 57.23 درصد از مساحت بوم‌سازگان جنگلی کران‌رودی مورد مطالعه کاهش یافته است. کمترین مساحت این جنگل‌ها در سال 2010 با 1279.2 هکتار برآورد شد. مساحت اراضی کشاورزی طی پنجاه سال گذشته حدود 45 برابر شده است. تغییرات پوشش سطح زمین در این منطقه حاکی از گسترش اراضی کشاورزی و کاهش جنگل‌ها است. همچنین، روند تغییرات سالانه پارامترهای آب و هوا شامل کاهش بارش به‌مقدار 1.5- میلی‌متر و دمای هوا به‌مقدار 0.04 درجه ‌سانتی‌گراد به‌نوبه‌خود می‌تواند بوم‌سازگان‌های مورد مطالعه را تحت تاثیر قرار دهد. یافته‌های این پژوهش، معیاری برای مدیریت پایدار تغییرات پدیده‌های سطح زمین در جنگل‌های کران‌رودی پیرامون رودخانه کارون در شهرستان گتوند است. 

monitoring fifty-year changes in riparian forests of gotvand county, iran, using remote sensing images

background and objectives: riparian forest ecosystems play a crucial role in maintaining ecological resilience and biodiversity in hot and arid regions. additionally, these forests serve as vital safeguards against agricultural land erosion and alterations in riverbeds. long-term monitoring is imperative to preserve the ecological capacity and biodiversity of riparian forests, which are continually impacted by climate change and land use/cover changes (lucc). these changes have far-reaching implications for the environment, biodiversity, food security, and human health.methodology: this study utilized the landsat satellite series archive for gotvand county in iran. the analysis commenced with an image from the mss sensor (landsat 1) in 1972, followed by images from the tm, etm+, and oli sensors placed in orbit on 7/16/1982, 4/15/1999, and 11/2/2013, respectively. raw calibrated pixel values underwent conversion to surface reflectance through atmospheric correction. classification input layers included spectral bands and two indices (ndvi, savi for vegetation cover, and mnwdi, ndwi2 for water class), derived from available spectral bands for each year. object-based classification, employing the svm algorithm, was implemented to extract forest areas, water bodies, agricultural lands, and other phenomena. various values for scale, shape, and compression were applied in the object-based classification method to enhance separation. evaluation metrics such as overall accuracy, producer's accuracy, user's accuracy, and kappa coefficient were employed to assess classification results.results: the study observed the lowest difference between red and nir bands for the mss sensor and the highest difference for the etm+ sensor. classification accuracy was lower for years when ground sample conditions were validated through satellite images compared to other years. in 2022, with improved spatial and spectral accuracy, the overall accuracy reached 98.9%, the kappa coefficient was 0.89, and user and producer accuracies for the forest class were 97% and 99%, respectively. agricultural land changes witnessed a staggering growth of over 4393% from 1972 to 2022. riparian forest ecosystems, dominant in the area between 1972 and 2000 (ranging from 3670.6 to 2379.2 hectares), experienced a 35% loss. from 2000 to 2022 (covering 1569.6 hectares), an additional 34% of this plant ecosystem's area was lost.conclusion: the research findings highlight a 57.23% decrease in riparian forests over the past fifty years, reaching its lowest point of 1279.2 hectares in 2010. concurrently, agricultural land area expanded by 45 times from 1972 to 2022, indicating a significant shift in land cover from forests to agriculture. the observed changes align with shifting precipitation (-1.5 mm/yr) and temperature (0.04 °c/yr) trends, impacting the studied ecosystems. this study serves as a crucial benchmark for the sustainable management of riparian forests along the karun river in gotvand county.