پایش پوشش گیاهی با استفاده از تصاویر ماهواره‌ای در مراتع دماوند

پایش تغییرات مراتع این امکان را فراهم می‌کند که در زمینه به کارگیری برنامه‌های مدیریتی و حفاظتی با آگاهی تصمیم‌گیری شود. هدف از این پژوهش پایش تغییرات مراتع در بازه‌های پنج‌ساله در دوره زمانی 2000 تا 2015 با استفاده از سامانه‌های اطلاعات جغرافیایی و نرم‌افزار envi می‌باشد. در این راستا ابتدا تصاویر لندست در زمان‌های مورد نظر تهیه گردید. با استفاده از روش های حداقل فاصله، ماهالانوبیس، حداکثر احتمال و درخت تصمیم و با اعمال سه شاخص ndvi، evi و savi تصویر سال 2016 طبقه‌بندی شد. سپس با ارزیابی دقت توسط ضریب کاپا و صحت کلی، بهترین روش طبقه‌بندی استخراج گردید. در نتیجه سایر تصاویر برای سال‌های گذشته در بازه زمانی موردمطالعه با این روش طبقه‌بندی و پنج کلاس تحت عنوان مراتع کم‌تراکم، نیمه‌متراکم، متراکم، فاقدپوشش و باغ‌ها و اراضی کشاورزی با توجه به موضوع موردمطالعه استخراج شد. همچنین نقاط تعلیمی به صورت برداشت زمین و از روی تصاویر به صورت roi انتخاب شد. نتایج نشان داد که روش درخت تصمیم با اعمال شاخص savi، با دقت 73/94 بالاترین دقت را تولید کرد. بدین ترتیب، با اینکه مساحت مراتع کم تراکم و نیمه متراکم در سال 2005 و مراتع متراکم در سال 2010 افزایش پیدا کرده اما در مجموع در طی بازه زمانی 2000 تا 2015، هر سه کلاس مراتع کاهش، البته میزان کلاس فاقدپوشش به میزان قابل توجه و کلاس باغ‌ها و اراضی کشاورزی به میزان کم افزایش داشته‌اند. همچنین براساس یافته‌ها در دوره زمانی مورد‌مطالعه، رفتار شاخص‌ها شبیه هم است. از سال 2000 تا 2010 شاخص‌ها دارای روندی افزایشی هستند اما در سال 2015 از میزان آنها کاسته می‌شود. ازاین رو می‌توان گفت طی اقدامات تخریب مراتع به‌ویژه در مراتع کم‌تراکم و نیمه‌متراکم کاهش یافته و بر میزان مناطق فاقد‌پوشش افزوده شود.

Awareness of villagers about the occurrence of signs of climate change and its relationship with sustainable livelihoods of local communities (Case study: Oghan Watershed in Golestan province)

Monitoring the changes in the rangelands makes it possible to make informed decisions about the application of management and protection plans. The purpose of this research is to monitor the changes from rangelands in the fiveyear period from 2000 to 2015 using geographic information systems and ENVI software. In this regard, Landsat images were first prepared at the specified times. By using the Minimum Distance, Mahalanobis, Maximum Likelihood, and Decision Tree, three NDVI, EVI, and SAVI indicators were modeled in 2016. Then, the best classification method was obtained by evaluating accuracy by Kappa coefficient and overall accuracy. As a result, other images for the past years were classified by this method and five classes were classified as lowdensity, semicollimated, dense, noncovered, and gardens, and agricultural lands according to the subject. Educational points were also selected for both land surveying and ROI. The results showed that the tree of decisionmaking with the SAVI index yielded the highest accuracy with a precision of 94.73. Thus, although the area of ​​low density and semidense pastures in 2005 and dense pastures in 2010 has increased, overall, during the period 2000 to 2015, all three classes of rangelands decreased. The attention and the class of gardens and agricultural lands have increased at a low level. Based on the findings of the study period, the behavior of the indicators is similar. From 2000 to 2010, the indicators were incremental, but in 2015, they decreased. Hence, it can be said