تغییرات کاربری اراضی و ارتباط آن با سطح آب‌های زیرزمینی و مخاطرات آن (مطالعۀ موردی: شهرستان ملارد)

آب‌های زیرزمینی مهم‌ترین منبع آب شیرین جهان هستند. آگاهی از تغییرات عمق آب به‌منظور شناخت وضعیت سفره‌های آب زیرزمینی و مدیریت بهینۀ آن ضرورت دارد. یکی از کاربردهای سنجش از دور، تعیین تغییرات کاربری اراضی در طولانی‌مدت است. هدف اصلی این پژوهش بررسی سطح آب‌های زیرزمینی با استفاده از علم سنجش از دور و سیستم اطلاعات جغرافیایی و رابطۀ آن با کاربری اراضی است. به این منظور ابتدا تصاویر مربوط اخذ و پیش‌پردازش‌های لازم روی هر کدام اعمال شد. سپس مدل‌سازی و طبقه‌بندی تصاویر صورت گرفت. به‌منظور بررسی تغییرات کاربری اراضی، نقشۀ طبقه‌بندی‌شدۀ کاربری اراضی برای هر دو سال 2000 و 2020 با استفاده از روش طبقه‌بندی شی‌ء‌گرا استفاده شد و سپس به‌منظور بررسی تغییرات کاربری اراضی، نقشۀ تغییرات کاربری اراضی برای دورۀ زمانی بیست‌ساله استخراج شد. بعد از استخراج نقشۀ تغییرات کاربری اراضی به‌منظور انتخاب بهترین مدل، برای سال 2000 روش دایره‌ای و برای سال 2020 مدل گوسین دقیق‌ترین روش‌ها شناخته شدند. نتایج نشان داد که نقشۀ کاربری سال 2020 کلاس مرتع دارای بیشترین مساحت بوده است. با نگاهی به کاربری‌های دو سال نتایج به‌دست‌آمده تفاوت چشمگیری را نشان می‌دهد. کاربری باغ‌ها کاهش چشمگیری داشته است که این موضوع نشان‌دهندۀ نبود مدیریت و قطع درختان و از بین بردن جنگل‌ها و باغ‌ها و تبدیل آنها به مناطق مسکونی و کشاورزی و ... است، همچنین کاربری منطقۀ مسکونی در سال 2000 از 42187 به 69164 افزایش پیدا کرد. با انطباق نقشۀ کاربری اراضی بر نقشۀ سطح آب زیرزمینی، بیشترین میانگین عمق آب در سال 2000 برای کاربری کشاورزی با 64/50 متر و کمترین میانگین عمق آب برای کاربری بایر  با 26 متر ثبت شد. با ملاحظۀ نقشۀ کاربری اراضی و نقشۀ تراز آب زیرزمینی سال 2020، بیشترین میانگین عمق آب در این سال نیز متعلق به کاربری کشاورزی با 61/19 متر و کمترین میانگین عمق آب مربوط به کاربری خاک با 28 متر است. کاهش سطح آب موجب تسریع تخریب این منابع طبیعی شده که مخاطرات هولناکی در پی خواهد داشت که از مهم‌ترین آنها می‌توان به فرونشست زمین اشاره کرد.

investigation of land use changes and its relationship with groundwater level (case study: mallard county)

introduction land use changing affected quantity and quality of the groundwater resources. as land use reflects human impact, concerns about global environmental change have increased today, and also warnings about the importance of land use issues and temporal change have increased. accurate and timely recognition of these changes is very important to understand the relationship and interaction between humans and natural phenomena in order to make appropriate decisions [16]. optimal management of natural resources of an area requires understanding the effects of land use change on the hydrological cycle of water in that area [8] it is also necessary to be aware of changes in water level in order to understand the status of groundwater aquifers and its optimal management. by assessing groundwater level fluctuations, it can be used in water resources management [6].materials and methods in conducting this research, the landsat satellite image series for 2020 from the landsat satellite image of 8 oli sensors was used in order to extract the land use map. also for the year 2000, the landsattm 5 sensor image was used to prepare the land use map using visible and infrared bands.also, groundwater depth data of piezometer well in mallard plain were used and the data period was from 2000 to 2020. the steps of the research were as follows: after statistical post-processing of piezometric wells, data elongation method was used to eliminate defects in the study data. the detection method used only to correct the data defects is the interpolation method performed by neural power software (based on artificial neural network). to normalize the data, logarithmic conversion was used in spss software and gs + software was used for statistical analysis. for atmospheric, radiometric and geometric corrections, envi5.3 software and radiance and flash methods were used and gis10.5 software was used to prepare the desired maps. object-oriented classification method was used in developer64 ecogn software for land use classification. in the object-oriented classification method, spectral information is merged with spatial information and the pixels are segmented based on the shape, texture and gray tone of the image surface at a specific scale, and the image is classified based on these components [11].