salman Ahmadi

In this study, the production of a map of the main crops of Bukan city in its plains was done. In addition to the preparation of the map of the main crops, winter crops were also divided into blue wheat, blue barley, dry wheat and dry barley. The classification method in machine learning algorithms was used to produce the cultivation map. The most important input characteristics for the classification of NDVI, LAI and CI-green spectral indices were calculated with the help of Sentinel 2 satellite images along with VV and VH bands from Sentinel 1 satellite. To train the classification algorithms, real samples of the earth's surface were used, as well as sampling with the help of the phenological behavior of different crops. Three random forest classification algorithms, support vector machine and K nearest neighbor were used as classification tools. The results showed that the separation of four main crops including winter, summer, autumn and evergreen crops is easily possible in the region. In fact, the high accuracy of training and testing of all three models confirmed this issue. After the original crop map was produced, the winter crop was separated from it for further investigation and further disaggregation. Among the different scenarios used, the combination of NDVI, LAI and CI-green indices along with Radar images provided the best accuracy with the help of random forest algorithm for the separation of blue wheat, blue barley, dry wheat and dry barley products. Actually, the accuracy of training and testing was 0.994 and 0.885 respectively.

This study investigates urban growth and environmental changes in Sanandaj from 2000 to 2023, using a comprehensive approach that combines various remote sensing technologies. By employing the Maximum Likelihood Classification method on biennial Landsat imagery, we identified and analyzed changes in urban areas, vegetation cover, and barren area. The classification was consistent across all years, utilizing images captured in the seventh month to maintain uniformity in environmental conditions. Our methodology included the analysis of Landsat 5 and Landsat 8 imagery to monitor urban expansion over three distinct temporal intervals: 2000-2007, 2009-2015, and 2017-2023. Additionally, we utilized MODIS and ASTER data for a detailed assessment of land surface temperature (LST) variations, comparing daytime and nighttime temperatures to capture the urban heat island effect. The temperature analysis revealed a consistent warming trend, with ASTER recording higher maximum temperatures than Landsat and MODIS. The integration of day and night imagery highlighted the persistent urban heat island effect, with urban areas retaining more heat compared to rural regions. CHIRPS satellite data was used to evaluate precipitation patterns, providing a comprehensive environmental context. The analysis of precipitation levels from 2000 to 2023 showed notable fluctuations, with the highest annual precipitation recorded in 2018 at 707.972 millimeters and the lowest in 2021 at 282.512 millimeters. This variability underscores the importance of continuous monitoring for understanding long-term climate trends. Results indicated a steady increase in urban areas, with the city expanding from 1434.64 hectares in 2000 to 3070.04 hectares in 2023. Vegetation cover and barren area areas showed fluctuations, with significant implications for natural habitats and biodiversity. The study ultimately aimed to determine if urban growth impacts temperature and precipitation. The findings suggest a correlation between increased urbanization and higher temperatures, but further research is needed to conclusively link urban growth to changes in precipitation patterns. This innovative approach provides valuable insights for urban planners and policymakers to manage and guide sustainable urban development.

The demand for timely and accurate information on land resources and natural ecosystems has increased due to rapid urbanization and its impact on climate change. Urban heat islands, a result of urbanization, require precise land cover classification to mitigate their effect in both developed and developing cities. Such classification enables the identification of changes in built-up areas. The complex dynamics of land use and land cover (LULC) changes have sparked extensive scientific debate due to their diverse environmental natural and anthropogenic impacts. Land use represents how land is utilized includes categories such as agricultural land, industrial land, wildlife management areas, urban and recreational areas. On the other hand, land cover refers to natural or man-made elements such as water, snow, grassland, deciduous forest, vegetation, and bare ground. Understanding LULC is essential in many geospatial applications, including urban planning, regional management, and environmental management. The relationship between land use and land cover can serve as a model for ecosystems. An ecosystem imbalance, such as a higher proportion of industrial land compared to agricultural land, reflects the impacts stemming from industrial activities. To maintain a sustainable ecosystem, it is crucial to monitor and identify changes in land use and land cover (LU/LC) as it is an essential part of understanding how human activities interact with the environment. This study highlights the significant changes in LULC observed in Ranya district of Kurdistan Region. The main objective is to integrate and apply various remote sensing (RS) and geographic information system (GIS) methodologies, along with deep learning and Machine learning techniques particularly CNN and RF Respectively, to create land use and land cover maps and detect changes. In this study, deep learning architecture (CNN) and machine learning (RF) will help to identify LULC changes from 2022 to 2023 and their impact on sustainable food and ecosystem production. The research methodology is based on spatial modeling using (RS, RF, GIS, CNN and Earth Engine) and it consists of four tasks: a) pre-processing sentinel-2 image and Collecting data using Arc GIS, Arc GIS Pro, and Google Earth Engine. b) Utilizing various Python code in the Google Colab environment, as well as trained RF classified image to classify Buildings and Non-Buildings. c) Preparing Data and Designing the CNN model to generate the LULC map and detecting changes. d) Evaluation of the classification results of both CNN and RF models and investigate the effects of land use and land cover (LULC) changes on ecosystems and food production. This thesis presents both algorithms (CNN, RF) to achieve accurate building detection from remote sensing images with optimal resolution, which is very important for urban development and digital mapping of urban areas. Experimental evaluations on various datasets within the Ranya district demonstrate the superiority of CNN over existing methods, especially RF. This model has the potential to predict future urban expansion, assisting government bodies and public welfare departments in urban planning efforts. Informed decisions can be made using this model to ensure a fair distribution of the population and facilitate the strategic planning of industrial projects. Additionally, initiatives such as green city planning with rooftop gardens can be implemented to mitigate the effects of climate change and reduce the urban heat island effect. The results demonstrate that CNN and RF are the most effective classification methods both achieving their precision, recall, and F1Score were 0.76, 0.97, and 0.85, respectively. These results were expected because the CNN model was trained on the RF model data. This approach highlights the potential of CNN and RF in facilitating efficient urban monitoring and urban planning processes. later We evaluated the CNN model in over 12 countries worldwide, obtaining the precision, recall, and F1 Score of 0.97, 0.99 and 0.98, respectively. This indicates that CNN outperforms RF, especially when dealing with large geographic areas. Over the past two years Buildings emerged as the dominant LULC covering (0.7331 km2 or 7.11%) of the area as reported in the CNN model. Challenges identified in the study area include expansion of built-up areas, conversion of agricultural land and decline of agricultural land, all of which contribute to reduced food production, regional income, drought, and environmental pollution.

In this research, the feasibility of using PRISMA satellite imagery for highlighting areas with potential hydrothermal alteration and iron mineralization was examined. To this end, the study area was selected from the western part of the 1:100,000-scale geological map of Iran Khow (Chapan). The methods and algorithms used to achieve the desired goal were selected by examining the spectral characteristics. The methods used to highlight hydrothermal alterations and key minerals in the area included Band Ratios, Principal Component Analysis (PCA), Spectral Angle Mapper (SAM), and Spectral Feature Fitting (SFF). For highlighting hydrothermal alterations, based on the geological map of the study area and sufficient knowledge of the target area, muscovite was used as the key mineral for phyllic alteration and chlorite for propylitic alteration. Given the skarn structure of the study area and the observation of limestone masses during field visits, the spectral features of areas with limestone were examined and matched with the USGS spectral library. The significant match of the spectra formed the basis for highlighting these areas using identified spectral features. Among the methods mentioned for highlighting key minerals in the area, SFF and PCA generally showed the highest accuracy. The PCA method highlighted the most areas for the minerals chlorite and muscovite identified during field visits, while the SFF method highlighted the most target areas for the mineral talc (along with dolomite). Additionally, the Band Ratio and SAM methods respectively showed the most highlighted areas in the studied regions. To highlight iron mineralization in the area, Band Ratio and SFF methods were used. The SFF method, due to its robust algorithm, distinctively highlighted areas with potential iron mineralization and iron ore mines (both surrounding and within the mines). The Band Ratio method, leveraging specific absorption features in the spectrum related to mining areas and a satisfactory number of bands in the VNIR range, successfully identified all existing iron ore mines in the region and other areas with potential for this type of mineralization.

Remote sensing is a new, low-cost and fast method for collecting information about the earth's surface. This science has always been one of the influencing factors on the decision making of managers, engineers and experts due to its ability to identify phenomena such as: land surface temperature and urban heat island phenomenon. It is the purpose of this research to examine the relationship between changes in spatial parameters and changes in the surface temperature of the earth. The investigation of this issue was conducted from 2013 to 2023 using Landsat 8 satellite images, OLI/TIRS sensors, and on the studied area of Kermanshah. The term urban heat island refers to areas of the city surface that have a higher temperature than the surrounding areas. A thermal island is formed as a result of spatial and temporal changes, mainly due to changes in land cover and the build-up of heat as a result of human activity (constructions). We have corrected the images obtained from the OLI/TIRS sensor for radiometric and atmospheric factors, and classified the land cover using ENVI, ArcGIS, and QGIS software. This study investigates the surface temperature of the city using two methods (SCA and SWA), as well as the effect of different land covers on the surface temperature of the city. Additionally, the relationship between the types of covers and the surface temperature of the city, including the indices of vegetation cover (NDVI) and urban body (NDBI), has been examined. The results of our research also indicate that the spatial parameters have an effect on the increase or decrease of urban heat islands. Based on the results of this study, we came to the conclusion that vegetation and heat islands have a negative correlation. Furthermore, the intensity of the urban heat island is positively related to the impervious surface of the city. The intensity of the heat island can also be affected by factors such as decreasing wind speed and an increase in population. As a final point, Kermanshah's thermal islands are mostly concentrated in the southeast, southwest, and central areas of the city during the hot season of the year (oil company and refinery).

Landslide refers to the mass movement of materials that move downhill on a slope. The preparation of a landslide hazard sensitivity map has been crucial for planners in order to select the best locations for implementing various projects, using it as the primary data for land use design and aiding in the management of instabilities. One of the fundamental methods for reducing the effects of landslides in the target area has been the identification of sensitive areas to landslides and their zoning. In this research, deep learning methods have been employed to create a landslide hazard probability map in the study area. In addition to the actual landslides that have occurred, we need a set of informative layers about the area for modeling landslide potential in the study area. These data include topographic, environmental, climatic, and human-related features of the study area, which are introduced as influential factors in landslides. Landslide data, as the dependent variable, and other generated data such as slope, slope direction, elevation, land use, distance from communication lines and roads, distance from waterways and rivers, distance from fault lines, lithology map, and soil map, are introduced as independent variables to the model. ArcGIS software and Python programming language have been utilized for accomplishing the research goals and generating informative layers, while CNN (Convolutional Neural Network) algorithm or deep learning is executed. The overall workflow of this program is as follows: it receives several informative layers, then extracts features from the informative layers using CNN or deep learning algorithm and feeds the output to SVM (Support Vector Machine). SVM trains on the informative layers based on these features and generates a model for itself, then calculates which features the images belong to and in which categories. Afterwards, 30% of the images are provided to SVM as a test, and SVM classifies the informative layers based on the training it has previously seen. The final results of landslide zoning in Sarvabad County using the Deep Learning model indicate that areas with a very high susceptibility to landslides cover an area of 15,021 hectares, equivalent to 14.12% of the total area, located in the highlands of the county. Areas with high susceptibility to landslides cover an area of 24,029 hectares, equivalent to 23.23% of the total area, found in the foothill regions of the county. These two classes represent highly sensitive areas that require special attention, covering a total of 38% of the entire region. The class with moderate, low, and very low susceptibility to landslides, with areas of 27,953 hectares, 22,074 hectares, and 11,656 hectares, respectively, account for 27.21%, 21.91%, and 11.11% of the total area, located in the hilly, lowland, and plain regions of the area. To validate the accuracy of the Deep Learning model, the ROC curve was utilized. In this regard, 30% of the field survey data were used for validation, and 70% were used for training the model. The obtained results demonstrated that the model used in the research had an accuracy of 92.68% (very good).

Today, remote sensing is used as a new and emerging science in the research of earth scientists as a correct and efficient method for analysis. The high speed and accuracy has proven the importance of this science to everyone and has caused geologists to use this science to identify different mineral deposits. In this research, in order to identify iron deposits in the studied area, the data of OLI Landsat 8 sensor, digital geological data and digital height model were used, then ENVI and ARCGIS image processing software were used to apply atmospheric corrections on satellite images. and algorithms, band ratio (BR), false color combination (FCC), principal component analysis (PCA) method, and the derivation of the desired digital model and geological data (independent variables) are created and using field visits to areas with casnar and mines It becomes active detection (dependent variable) and at the end, with the fuzzy method in the GUEJE fuzzy software, it was evaluated at the level of the entire area and the values of iron presence in each pixel were obtained in a fuzzy way. In a more detailed examination of mineralogical objectives, geological evidence and studies were used to control the results. The investigations showed that the PCA method and the iron index have high power in identifying the mine, and combining the data with the fuzzy method, although it was able to identify the iron mineral deposit. Its authenticity is not guaranteed.

خشکسالی جزء پیامدهای طبیعی تغییرات اقلیم به حساب می آید که به کندی و در یک دوره زمانی نسبتا طولانی اقلیم، محیط زیست، کشاورزی، پوشش گیاهی، منابع آبی و حتی بخش های اقتصادی و اجتماعی را تحت تاثیر قرار می دهد. یکی از مهم ترین پیامدهای خشکسالی کاهش میزان پوشش گیاهی می باشد. در این پژوهش با استفاده از تصاویر ماهواره ای سال های 2020-2001(بازه زمانی 20 ساله) سنجنده مادیس و داده های بارش رستری ماهانه CHIRPS در محدوده استان همدان به تحلیل اثر خشکسالی بر پارامترهای فنولوژی شاخص گیاهی NDVI پرداخته شده است. برای اینکار ابتدا از طریق نرم افزار تایم ست پارامترهای فنولوژی شاخص گیاهی NDVI استخراج شده سپس تغییرات این پارامترها(زمان شروع فصل، زمان پایان فصل، طول فصل، ماکزیم مقدار NDVI، دامنه و...) نسبت به داده های ارتفاعی و نقشه پوشش اراضی منطقه مورد بررسی قرار گرفته است و میزان همبستگی این پارامترها با داده های ارتفاعی مورد ارزیابی قرار گرفته است و همچنین برای اطمینان از صحت نتایج بدست آمده از بررسی تغییرات این پارامترها از داده های بارش CHIRPS و محاسبه شاخص SPI سالانه استفاده شده است. نتایج بدست آمده از تحلیل این پارامترها در ارتفاعات و کاربری اراضی مختلف نشان داده است که در سال 2008 نسبت به سایر سال ها پارامتر ماکزیمم مقدار NDVI و دامنه شاخص گیاهی NDVI کاهش یافته و در مقابل در سال های 2007، 2018 تا2020 نسبت به سایر سال ها این پارامترها مقادیر بیشتری داشته اند و پارامتر مقادیر پایه با همبستگی 925/0 از بین سایر پارامترهای فنولوژیکی بالاترین همبستگی را با داده ارتفاعی منطقه داشته است و میزان RMSE آن هم 021/0 شده است . همچنین از طریق داده های بارش ماهانه برای سال های 2001تا2020 نشان داده است که در سال 2008 میانگین بارش سالانه کمتر از سایر سال ها بوده و همچنین مقدار شاخص SPI سالانه هم 79/1- شده است. بنابراین در سال 2008 خشکسالی متوسط در سطح منطقه رخ داده است و در مقابل با توجه به میانگین بارش ها در سال های 2007، 2018 تا2020 و شاخص SPI مشاهده می گردد که در طی این سال ها ترسالی بسیار شدید در سطح منطقه رخ داده است. بنابراین با توجه به نتایج بدست آمده مشاهده می گردد که بین نتایج بدست آمده از تحلیل پارامترهای فنولوژی شاخص گیاهی NDVI و نتایج بدست آمده از بررسی داده های بارش ارتباط مستقیم وجود دارد.

The flood phenomenon stands out as one of the most pernicious and intricate natural calamities recurring annually across the majority of nations globally, inflicting extensive damage. The creation of flood maps emerges as a highly advantageous endeavor for pinpointing areas vulnerable to inundation. Within this study, a relatively novel approach to analyzing artificial aperture radar images (SAR) is introduced, leveraging deep learning methodologies. Through the formulation of a convolutional neural network, this methodology adeptly discerns alterations between two images capturing the same scene at distinct temporal intervals with exceptional precision. In the course of this investigation, the identification of changed and unchanged regions is accomplished through the definition of apt filters for two-dimensional convolution, rendering the outcomes in binary form. The preliminary labeling and generation of masks transpire during the pre-classification phase. A meticulous two-step updating strategy is then implemented to systematically restore the changed regions. The initial step involves the gradual reinstatement of diversity in the training data. The convolutional network's output manifests as the generation of a fresh prediction label. The ensuing phase entails the derivation of a binary change map from the documented changes, followed by the extraction of the change map through the generation of the disparity between the network-derived predicted image and the water body image. Subsequently, the ground reality image is deduced through the differentiation between the water body image and the flood mask. The experimentation conducted on authentic synthetic aperture radar (SAR) datasets in the Nebraska region underscores the promise inherent in the proposed methodology. In this approach, the initial flood prediction mask, an output of the convolutional neural network, undergoes subtraction from the water flow mask to yield the change mask. Given the assured diversity in the data following the initial step, the classification of pixels in uncertain areas is seamlessly accomplished in the subsequent stage. To assess the efficacy of the network delineated in this thesis, two categories of SAR datasets have been employed for both training and testing, showcasing the robustness of the network. The network's training phase utilizes post-flood data from the Florence region, while testing utilizes post-flood data from the Nebraska area. The overall accuracy attained from the designed network is an impressive 97%, accompanied by a Kappa coefficient of 80%. The discerning evaluation of diverse datasets substantiates the effectiveness of the proposed method.

رطوبت خاک یک متغیر کلیدی در درک سیستم آب و هوا از طریق کنترل آن بر انرژی سطح زمین ، تقسیم بودجه آب و چرخه کربن است. علاوه بر این ، از آن به عنوان شاخص بلایای طبیعی مانند سیل ، خشکسالی ، طوفان گرد و غبار و فرسایش استفاده می شود. بنابراین توزیع مکانی و زمانی این متغییر و درک آن از اهمیت به سزایی برخوردار بوده و می تواند از بسیاری از اتفاقات و فاجعه های زیست محیطی جلوگیری نماید. در این پژوهش ابتدا رابطه ای میان شاخص های وابسته به رطوبت خاک و مقادیر واقعی رطوبت خاک محاسبه می شود. این مدل در اندازه پیکسل های تولیدات رطوبت خاک سنجنده SMAP که تولیدات Smap / 1-Sentinel با قدرت تفکیک مکانی 9 کیلومتر را ارائه می دهند، آموزش داده می شود. برای این منظور، مقادیر بازتابش باند قرمز، بازتابش باند مادون قرمز نزدیک، مقادیر شاخص پوشش گیاهی NDVI و EVI و مقادیر شاخص NDWI از سنجنده 2-Sentinel به دست آمدند و به عنوان داده های اپتیکی مورداستفاده قرار گرفتند. شاخص ها و ویژگی های ذکرشده، تمامی وابسته به مقادیر رطوبت خاک هستند. همچنین مقادیر بازپراکنش راداری ثبت شده در سه قطبش همگن و غیر همگن، و در دو گذر مختلف پایین گذر و بالا گذر، به عنوان مشاهدات راداری مایکروویو فعال در نظر گرفته شدند. درنهایت مقادیر دمای سطح سنجنده MODIS نیز به عنوان مقادیر حرارتی وابسته به رطوبت خاک مورداستفاده قرار گرفتند. به این ترتیب رطوبت توسط مدل با قدرت تفکیک 9 کیلومتری محاسبه شده و با رطوبت 9 کیلومتری ماهواره ای برای انتخاب بهترین مدل مقایسه شد و بهترین مدل توانست با ضریب همبستگی 0.9 و ضریب تبیین 0.82 بدست آید. که باید رطوبت مدل با رطوبت میدانی اندازه گیری شده مقایسه شود. با توجه به تفاوت در قدرت تفکیک مکانی تمامی این تولیدات، ما قدرت تفکیک مکانی 250 متر را برای برآورد مقادیر رطوبت خاک در نظر گرفتیم. سپس مدل آموزش داده شده بر روی داده های راداری، حرارتی و مرئی پیاده سازی می شوند تا رطوبت خاک در اندازه پیکسل های 250 متری محاسبه شوند مدل به دست آمده برای تشکیل نقشه رطوبت خاک در قدرت تفکیک مکانی 250 متری مورد استفاده قرار گرفت. روش پیشنهادی قادر بود رطوبت خاک را با ضریب همبستگی 0.59، مقادیر RMSE برابر با 0.11، مقادیر بایاس 0.08 و مقدار ub-RMSE برابر با 0.054 محاسبه کند. این موضوع نشان می دهد که روش پیشنهادی دارای دقت قابل قبولی است.

جنگل ها از منابع ارزشمند طبیعی هستند که همه ساله بخش های وسیعی از آنها در نتیجه آتش سوزی از بین می رود. این پدیده سالانه هزاران هکتار از درختان، درختچه ها و گیاهان را طعمه خود می سازد، از این رو شناسایی مناطق در معرض خطر جهت پیشگیری و اتخاذ تدابیر لازم، امری ضروری است. این مطالعه با هدف پهنه بندی خطر و قوع آتش سوزی در شهرستان مریوان و با استفاده از روش رگرسیون لجستیک با در نظر گرفتن معیارهای تاثیر گذار بر روی آتش سوزی شامل فاصله از روستا، فاصله از رودخانه، فاصله از جاده، فاصله از پهنه های آبی، ارتفاع، شیب، جهت شیب، سرعت باد، دما و بارندگی سالیانه انجام شد. نقشه واقعیت آتش نیز از آتش سوزی های اتفاق افتاده در 30 سال اخیر تهیه گردید. تحلیل های حاصل از مدل رگرسیون لجستیک نشان داد که، معیارهای ارتفاع، فاصله از جاده و سرعت باد به ترتیب با وزن های 27/0، 218/0 و 157/0 بیشترین تاثیر را در پهنه بندی خطر آتش سوزی داشته است. مقادیر کلی رگرسیون لجستیک برای پهنه بندی خطر آتش سوزی با مقدار کلی R2 و مقدار R2 استاندارد سازی شد برای مدل به ترتیب برابر 73/0 و 812/0 به دست آمده است. پس از تهیه مدل آماری پیش بینی احتمال وقوع آتش سوزی، نقشه احتمال خطر در 5 کلاس مناطق با قابلیت های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد پهنه بندی گردید. با توجه به نتایج حاصل از مدلسازی رگرسیون لجستیک کلاس با قابلیت خطر خیلی زیاد، زیاد و متوسط هر کدام به ترتیب 25249، 50691 و 62942 هکتار از مساحت اراضی کل را پوشش داده است. برای تعیین میزان صحت نتایج حاصل از مدل رگرسیون لجستیک از روش منحنی ROC استفاده شده است. برای نیل به هدف مذکور، 30 درصد از داده هایی به عنوان نمونه های مقایسه ای وارد مدل شد و دقت مدل 04/90 برآورد گردید.

در این پژوهش، به بررسی فرونشست و ارتباط آن با کاهش سطح آب های زیر زمینی در استان کردستان پرداخته شده است. با توسعه ی مدل های مختلف و استفاده از داده های ماهواره ای و سنجش از دور که میتوانند به طور رایگان در اختیار قرار بگیرند سعی شده است که ارتباطی مفهومی بین مناطقی که دچار فرونشست شده اند و مدل های ارایه شده ایجاد شود. در این مطالعه با کار روی داده های مختلف از جمله جاذبه ی توده ی چگال با استفاده از ماهواره ی جاذبه سنج گریس برای برآورد میزان ذخایر آب زیر زمینی،داده های ماهواره ای جی ال داس برای برآورد انواع مختلف از آب های موجود در منطقه مانند ذخیزه ی رطوبت گیاهان، رطوبت موجود در خاک و ذخایر برف در منطقه و همچنین داده های مناطق با رخداد فرونشست به صورت منطقه ای روشی برای پیش بینی امکان وقوع فرونشست تنها با بررسی مدل های ارایه شده در این پژوهش و بدون کار زمینی مورد بحث قرار گرفته است. در پایان با جمع بندی مطالب گفته شده با توجه به رابطه ی اثبات شده ی کاهش سطح آب های زیر زمینی و امکان وقوع فرونشست، امکان پیش بینی آن از طریق پیش بینی روندهای تکرار شونده با ارایه ی یک مدل برای میزان سطح آب در منطقه وبارش در منطقه، ممکن دانسته شده است.

افزایش جمعیت کره زمین همواره سبب افزایش تقاضا برای مواد اولیه معدنی در جهان شده است که این میزان تقاضا سبب گشته است که بسیاری از فلزات سمی(علی رغم استفاده در صنایع) مانند سرب وارد چرخه گیاهی و غذایی موجودات زنده شوند و با وارد شدن به بدن موجودات زنده، اثر سوء بر سلامت آن ها به ویژه انسان داشته باشد؛ در ضمن خاک آلوده به فلز سرب و مواد سربدار توسط آب و عمل فرسایش خاک توانایی جابه جایی را دارند و مکان های بیشتری را می توانند آلوده سازند. با توجه به قدرت طیفی بالای تصاویر ابرطیفی و قدرت مکانی بالای تصاویر چندطیفی سنجش از دوری در این پژوهش با استفاده از الگوریتم های GSA، CNMF، Fuse و SFIM عملیات تلفیق تصاویر ابرطیفی و چندطیفی در سطح پیکسل، جهت بهبود طیفی و مکانی تصاویر اولیه انجام شد. برای کشف مواد آلوده کننده سربدار موجود در خاک محل مورد مطالعه، با استفاده روش طیف مبنای انطباق الگوی طیفی، کانی گالن(Pb2S) در منطقه مورد مطالعه تشخیص داده شد. سپس ارزیابی کارایی روش های کلاسه بندی، از روش های یادگیری ماشین غیرپارامتریک بردار ماشین پشتیبان و پارامتریک های کمترین فاصله و متوازی السطوح جهت کلاسه بندی تصاویر بهبود یافته شده حاوی سرب، استفاده شد. اما به منظور پایش دقت داده ها، 60 ٪ از داده زمینی برداشت شده از محل به عنوان داده آموزشی و از 40 درصد باقی مانده داده ها جهت ارزیابی کلاسه بندی انجام شد. سپس، ارزیابی توسط دقت کلی و ضریب کاپا انجام شدند. نتایج حاصل از تجزیه و تحلیل تصاویر نشان می دهد که تصویر تلفیق شده به روش CNMF با بالاترین ارزیابی کیفیت تلفیق با مقادیر (SAM=0.346° , ED=0.006 ,PSNR=38.407,ERGAS=4.880) بهترین تصویر تلفیق شده است و روش کمترین فاصله با ضریب کاپا 0.78 و دقت کلی 91.10، توانست پیکسل های حاوی آلودگی به سرب(گالن Pb2S) را به مساحت 738 مترمربع بر روی تصویر تلفیق شده به روش CNMF را تشخیص دهد.

خشکسالی یکی از خطرهای طبیعی است که به طور مداوم مشاهده می شود و ناشی از کمبود بارندگی و افزایش تبخیر و تعرق ناشی از دمای بالا است. از شاخص های سنجش از دور برای تجزیه و تحلیل توزیع مکانی - زمانی شرایط خشکسالی و شناسایی شدت خشکسالی استفاده می شود. در این مطالعه، ما با استفاده از شاخص های مختلف خشکسالی تولید شده از داده های ماهواره ای مادیس و تی آر ام ام، که از بسترگوگل ارث انجین (GEE)، استخراج شد. شرایط خشکسالی در استان کردستان را از ماه های فوریه تا نوامبر برای سال های 2001 تا 2017 براساس توزیع مکانی و زمانی تجزیه و تحلیل کردیم. عوامل مختلف در پایش خشکسالی بر اساس داده های ماهواره ای از جمله نقشه های شاخص تفاضل نرمال شده پوشش گیاهی، شاخص وضعیت پوشش گیاهی، شاخص وضعیت دما، شاخص پوشش گیاهی بهبود یافته، شاخص تبخیر و تعرق، شاخص وضعیت بارندگی ماموریت اندازه گیری بارش باران گرمسیری (TRMM)، به عنوان متغییر مستقل در نظر گرفته شده است. همچنین، شاخص استاندارد بارندگی به دست آمده از داده های هواشناسی به عنوان متغییر وابسته برای ارزیابی شرایط خشکسالی محاسبه شده است. روش های جنگل تصادفی و رگرسیون بردار پشتیبان برای مقایسه داده های سنجش از دور و داده های زمینی و بررسی میزان همبستگی بین آنها و ترکیب چندین عامل خشکسالی از شاخص های سنجش از دور و ساختن یک مدل جامع نظارت بر خشکسالی استفاده شد. توسعه این مدل ها ایده های جدیدی را برای نظارت بر خشکسالی ارائه می دهد. مدل جامع نظارت بر خشکسالی به عنوان نمونه در استان کردستان ساخته و آزمایش شد. نتایج مدل جنگل تصادفی، دارای مقادیر ضریب تبیین 921/0 و مقدار ضریب تببین اصلاح شده 920/0 بود همچنین مقادیر مجذور میانگین مربعات خطا بین مقادیر واقعی و پیش بینی 283/0 به دست آمد. مدل جنگل تصادفی نسبت به نتایج الگوریتم رگرسیون بردار پشتیبان با مقادیر ضریب تبیین 90/0 و ضریب تببین اصلاح شده 89/0 همچنین مجذور میانگین مربعات خطا 313/0 دارای دقت بیشتری بود. نتایج نشان داد که مدل جامع خشکسالی در نظارت بر خشکسالی هواشناسی از کاربرد خوبی برخوردار است. همچنین همبستگی مثبت و معنی داری بین شاخص های خشکسالی خروجی مدل و شاخص جامع خشکسالی هواشناسی در مقیاس کل استان کردستان اندازه گیری شد. ضریب همبستگی بین شاخص خشکسالی مدل جنگل تصادفی و شاخص استاندارد بارندگی (002/0>P) بود که نشان داد بین آنها همبستگی خوبی وجود دارد. این مطالعه روشی جدید برای ارزیابی جامع خشکسالی منطقه ارائه می دهد.

خشکسالی یکی از خطرهای طبیعی است که به طور مداوم مشاهده می شود و ناشی از کمبود بارندگی و افزایش تبخیر و تعرق ناشی از دمای بالا است. از شاخص های سنجش از دور برای تجزیه و تحلیل توزیع مکانی - زمانی شرایط خشکسالی و شناسایی شدت خشکسالی استفاده می شود. در این مطالعه، ما با استفاده از شاخص های مختلف خشکسالی تولید شده از داده های ماهواره ای مادیس و تی آر ام ام، که از بسترگوگل ارث انجین (GEE)، استخراج شد. شرایط خشکسالی در استان کردستان را از ماه های فوریه تا نوامبر برای سال های 2001 تا 2017 براساس توزیع مکانی و زمانی تجزیه و تحلیل کردیم. عوامل مختلف در پایش خشکسالی بر اساس داده های ماهواره ای از جمله نقشه های شاخص تفاضل نرمال شده پوشش گیاهی، شاخص وضعیت پوشش گیاهی، شاخص وضعیت دما، شاخص پوشش گیاهی بهبود یافته، شاخص تبخیر و تعرق، شاخص وضعیت بارندگی ماموریت اندازه گیری بارش باران گرمسیری (TRMM)، به عنوان متغییر مستقل در نظر گرفته شده است. همچنین، شاخص استاندارد بارندگی به دست آمده از داده های هواشناسی به عنوان متغییر وابسته برای ارزیابی شرایط خشکسالی محاسبه شده است. روش های جنگل تصادفی و رگرسیون بردار پشتیبان برای مقایسه داده های سنجش از دور و داده های زمینی و بررسی میزان همبستگی بین آنها و ترکیب چندین عامل خشکسالی از شاخص های سنجش از دور و ساختن یک مدل جامع نظارت بر خشکسالی استفاده شد. توسعه این مدل ها ایده های جدیدی را برای نظارت بر خشکسالی ارائه می دهد. مدل جامع نظارت بر خشکسالی به عنوان نمونه در استان کردستان ساخته و آزمایش شد. نتایج مدل جنگل تصادفی، دارای مقادیر ضریب تبیین 921/0 و مقدار ضریب تببین اصلاح شده 920/0 بود همچنین مقادیر مجذور میانگین مربعات خطا بین مقادیر واقعی و پیش بینی 283/0 به دست آمد. مدل جنگل تصادفی نسبت به نتایج الگوریتم رگرسیون بردار پشتیبان با مقادیر ضریب تبیین 90/0 و ضریب تببین اصلاح شده 89/0 همچنین مجذور میانگین مربعات خطا 313/0 دارای دقت بیشتری بود. نتایج نشان داد که مدل جامع خشکسالی در نظارت بر خشکسالی هواشناسی از کاربرد خوبی برخوردار است. همچنین همبستگی مثبت و معنی داری بین شاخص های خشکسالی خروجی مدل و شاخص جامع خشکسالی هواشناسی در مقیاس کل استان کردستان اندازه گیری شد. ضریب همبستگی بین شاخص خشکسالی مدل جنگل تصادفی و شاخص استاندارد بارندگی (002/0>P) بود که نشان داد بین آنها همبستگی خوبی وجود دارد. این مطالعه روشی جدید برای ارزیابی جامع خشکسالی منطقه ارائه می دهد.

تبخیر از سطح مخازن یکی از عوامل مهم و موثر بر بیلان مخازن سدها است که برآورد دقیق آن می تواند در مدیریت مخازن موثر واقع شود. ایران جزء کشورهای خشک و نیمه خشک محسوب می شود و با توجه به وابسته بودن نیازآبی کشور به سدها، ارزیابی روش های برآورد تبخیر و انتخاب روشی دقیق می-تواند به مدیریت منابع آب کمک شایانی نماید. به همین منظور دراین تحقیق 25 سد بزرگ ایران که دارای حجم نرمال مخازن بیش از 100 میلیون متر مکعب بودند انتخاب شده و با توجه به عوامل موثر برتبخیر، بر اساس خوشه بندی به چند کلاس تقسیم شدند. با توجه به محدودیت های موجود داده ها و تصاویر ماهواره ای، 7 سد به عنوان معرف مناطق مختلف آب و هوایی انتخاب شدند. سپس با استفاده از مدل سنجش از دور SEBS، مدل شبکه عصبی مصنوعی پرسپترون چندلایه و 18 روش تجربی، مقدار تبخیر روزانه برای 18 روز از سال 2013 تا 2018 برای 7 سد انتخابی برآورد شد. در نهایت با استفاده از شاخص های ارزیابی خطا، دقت روش های مورد استفاده ارزیابی شد. نتایج حاکی از برتری مدل SEBS نسبت به سایر روش ها در اکثر سدها بود اما با توجه به پیچیدگی روش و همچنین محدودیت های مدل، استفاده از آن همیشه ممکن نیست. بعد از آن روش شبکه عصبی مصنوعی پرسپترون چندلایه در اکثر مناطق مورد مطالعه دارای دقت خوبی بود اما با توجه به جعبه سیاه بودن مدل با هر بار اجرای مدل نتایج متفاوتی ارائه می دهد. در استفاده از روش های تجربی نتایج حاکی از آن بود که ارتباط معنا داری بین اقلیم یک منطقه و روش برآورد تبخیر وجود ندارد. در این مطالعه نتایج نشان دهنده این بود که در صورتی که میزان تبخیر با چند پارامتر اقلیمی دارای همبستگی قابل ملاحظه ای باشد می توان از روش های تجربی که تمرکز بیشتری روی پامتر مورد نظر دارند با همبستگی خوبی استفاده کرد اما به طور کلی در روش های تجربی، با توجه به سه شاخص ارزیابی خطای (MAE، R2 و RMSE) مورد بررسی، نتایج حاصله به این صورت بود که، برای سد مارون و سد دز در هر سه شاخص مذکور روش (پنمن)، برای سد دورودزن در هر سه شاخص روش (بلانی- کریدل)، برای سد مهاباد به ترتیب روش های (تورک، پنمن، تورک)، برای سد سفیدرود به ترتیب روش های (پریستلی- تیلور، مایر، پریستلی- تیلور)، برای سد استقلال به ترتیب روش های (ماکینک، براتسرت- استریکر، آبتف) و برای سد شهید رجائی به ترتیب روش های (پاپاداکیس، انتقال جرم، پاپاداکیس) دارای بیشترین دقت بودند.

فعالیتهای پژوهش حاضر در جهت دستیابی به نقشه جابجایی صورت گرفته در بازه زمانی 7682 میلادی در دشتهای استان کردستان در قالب فرونشست میباشد. استان کردستان از نظر موقعیت جغرافیایی در قسمت غربی کشور ایران قرار گرفته است. فرونشست زمین را میتوان، متراکم و یا سست شدن لایه های زیر سطحی زمین در بازه زمانی مشخص در نظر گرفت. در واقع دلیل اصلی فرونشست زمین در دشتهای استان کردستان را میتوان به برداشت بیرویه از منابع آبهای زیرزمینی نسبت داد. در پژوهش حاضر جهت پایش فرونشست صورت گرفته در دشتهای استان کردستان از تکنیک تداخلسنجی راداری، روش پراکنشگرهای دائمی به منظور تحلیل و بررسی سری زمانی رفتار فرونشست در دشتهای استان کردستان با استفاده از 20 تصویر در گذر نزولی و 18 تصویر در گذر صعودی ماهواره سنتینل استفاده شده است. از طرفی در پژوهش حاضر جهت بررسی بهتر رفتار سیگنال به جهت بلند بودن بازه زمانی مطالعاتی از تقسیم 7682 و 7681 میلادی استفاده شده است. از طرفی در این ،7680- بازه زمانی چهارساله به بازههای 7682 مطالعه از بررسی رفتار چاههای پیزومتری موجود در منطقه با جابجاییهای برآورد شده در بازه زمانی مطالعاتی جهت بررسی صحت برآوردهای صورت گرفته استفاده شده است. در منطقه مطالعاتی حدفاصل میانی دو روستای آهوتپه و حسن آباد امام واقع در دشت چهاردولی استان کردستان و استان همدان به عنوان مناطقی ،7682- با وضعیت بحرانی با جابجایی 83 سانتیمتر، 76 سانتیمتر و 78 سانتیمتر به ترتیب در بازه زمانی 7680 7682 و 7681 میلادی و در دشت قروه و دهگلان در سال 7682 میلادی در حالت بیشینه فرونشستی معادل با 80 سانتیمتر به صورت میانگین در میان گذر صعودی و نزولی به دلیل برداشت بیرویه از منابع آبهای زیرزمینی بیشترین فرونشست را انتخاب شدند.

در این پژوهش، یک دیدگاه جدید شناسایی تغییرات در تصاویر رادار روزنه ی مصنوعی براساس ترکیب دو روش راهنما برجسته و نسبت همسایگی توسعه داده شده است. در روش راهنما برجسته جهت تولید نقشه برجستگی از یک حد آستانه استفاده می گردد که به روش سعی و خطا برای هر مجموعه داده انتخاب می گردد. در این تحقیق از روش حدآستانه هیستوگرام اتسو جهت محاسبه حد آستانه استفاده گردیده است که هم دقت کار را افزایش داده و هم این عدد بصورت اتوماتیک و با سرعت بالاتری انتخاب می گردد. همچنین در مدل نسبت همسایگی به جای استفاده از تصویر نسبت میانگین از تصویر تابع توزیع احتمال نسبت، در اپراتور نسبت همسایگی استفاده شده است. این تصویر (تابع توزیع احتمال نسبت) برای ایجاد فاصله بیشتر بین درجاتِ خاکستری پیکسل های تغییر یافته و تغییر نیافته به کارگرفته شده است. به علاوه در این تحقیق تصویر اختلاف بدست آمده از این روش در نقشه ی برجستگی بدست آمده از روش راهنما برجسته به منظور کاهش نویز ضرب گردیده است. همچنین در این تحقیق به منظور افزایش تعداد ویژگی ها، مقادیر بدست آمده برای هر پیکسل از روش های راهنما برجسته و نسبت همسایگی به صورت برداری درآمده و به عنوان ویژگی های جداگانه در الگوریتم طبقه بندی K-means برای طبقه بندی منطقه به دو کلاس تغییرکرده و تغییر نکرده استفاده شده است. برای ارزیابی صحت مدل، روش پیشنهادی بر روی سه مجموعه داده SAR برن، اتاوا و رودخانه ی زرد چین به عنوان داده های معیار، اجرا گردیده است. از بررسی نتایج می توان گفت که دقت مدل پیشنهادی نسبت به مدلهای راهنما برجسته و نسبت همسایگی افزایش داشته بطوریکه ضریب کاپای مجموعه داده برن از عدد 05/87 درصد در مدل راهنما برجسته و عدد 90/85 درصد در روش نسبت همسایگی به عدد 21/88 درصد افزایش یافته است. همچنین برا مجموعه داده اوتاوا ضریب کاپای مدل پیشنهادی برابر96.09 درصد که توانسته، دقت بهتری نسبت به روش راهنما برجسته که بالاترین دقت (95.98 درصد) در میان مدل های موجود را دارد بدست آورد. دقت مدل همسایه مبنا در این مجموعه داده برابر 2/92 درصد است. دقت ضریب کاپا در آخرین مجموعه داده برای مدل پیشنهادی 69/85 درصد و برای روش راهنما برجسته 24/85 درصد است. مجموعه داده ی رودخانه ی زرد در روش نسبت همسایه مبنا استفاده نشده است

جنگل ها میراث گران بهایی هستند که علاوه بر استفاده از آن ها، در حفظ حراستشان نیز باید کوشا بود. جنگل های زاگرس، به ویژه شهرستان مریوان طی سالیان متمادی، در اثر بی توجهی و بی احتیاطی کم کم روبه زوال و نابودی نهاده و چهره متفاوتی به خود گرفته اند. خطرهای زیادی ازجمله، تغییر کاربری، بهره برداری غیرقانونی، احداث جاده، انتقال انرژی، چرای دام، سوخت، پدیده گرد غبار، امراض درختی و آتش سوزی همواره سلامت و پایداری جنگل ها را تهدید کرده است. هدف این تحقیق بررسی، آشکارسازی تغییرات و مدل سازی و پیش بینی سناریوهای مکانی مختلف جنگل های مریوان می باشد. ابتدا تغییر کاربری های صورت گرفته بین سال های2001،2012 و2018با استفاده از تصاویر ماهواره ای لندست و تکنیک طبقه بندی فازی شیءگرا و پیکسل پایه استخراج شد، سپس با توجه به دقت و صحت بالاتر طبقه بندی شی گرا جهت ادامه روند تحلیل تغییرات انتخاب شد. با توجه به بررسی و تحلیل تغییرات صورت گرفته در شش کلاس(اراضی کشاورزی، جنگل، مرتع، عوارض آبی، مسکونی، نیزار) عوامل مهم و تأثیرگذار بر مناطق جنگلی شناسایی شد. در ادامه با شناسایی عوامل مهم نظیر گسترش کشاورزی و مناطق شهر نشینی با تهیه متغییرهای پیشران نظیر (شیب ،توپوگرافی ، فاصله از جنگل و...) با ورود داده ها به مدل شبکه عصبی مصنوعی چند لایه جهت مدل سازی های پتانسیل انتقال با خروجی دقت کاپای 0.89 درصد اقدام به تهیه دو سناریو مکانی تاریخی(سخت) و انسانی (نرم) با استفاده از زنجیره مارکوف شد که سال 2018 واقعی با سال 2018 پیش بینی شده با دقت کاپای 0.90 مورد ارزیابی قرار گرفت .

محتوی آب پوشش گیاهی و زبری سطح خاک دو عامل اصلی تأثیرگذار بر بازیابی محتوی رطوبت سطحی خاک با استفاده از سنجش از راه دور ماکرویو فعال می باشند. از معدود مدل هایی که اثر پوشش گیاهی را در بازیابی رطوبت خاک در نظر می گیرند، می توان به مدل ابر آب اشاره کرد. در این پژوهش روش شناسی جدیدی بر پایه مدل ابر آب ارائه داده ایم. با تلفیق تصویر ماهواره ای راداری با روزنه مجازی ایسار و تصویر نوری لندست 4-5 و وارد کردن اثر پارامتر زبری و استفاده از شاخص آب نرمال شده به دست آمده از باندهای 57/1 و 65/1 نانومتر تصویر نوری لندست باهدف حذف اثر پوشش گیاهی در بازیابی رطوبت خاک، مدل ابر آب را بهبود داده ایم. مدل بهبودیافته ابر آب را بر روی ناحیه مطالعاتی اوکلاهاما اعمال کردیم و به نتایج خوب و قابل اتکایی دست یافتیم. با مقایسه نتایج به دست آمده از مدل بهبودیافته ارائه شده با داده های زمینی رطوبت خاک، به خطای جذر میانگین مربعات کمتری نسبت مدل اصلاح شده پیشین مدل ابر آب دست پیدا کرده ایم که دقت و صحتی قابل توجه در بازیابی رطوبت خاک است. از این مدل اصلاح شده می توان در بازیابی رطوبت خاک به صورت منطقه ای باهدف دست یابی به قدرت تفکیک مکانی و زمانی بالا بهره برد.

در این پایان نامه هدف ارزیابی ریسک آلودگی منابع آبی در مسیر حمل و نقل مواد نفتی و خطرناک در جاده ترانزیتی سنندج - مریوان میباشد که با قطعه بندی مسیر سنندج - مریوان به 51 قطعه و بدست آوردن احتمال تصادفات در هر قطعه با روش های رگرسیون لجستیک، پواسون و نرخ تصادفات و همچنین محاسبه پیامدهای ناشی از تصادفات و با روش تحلیل سلسله مراتبی وزن دهی پارامترهای مورد نظر از لحاظ پیامد انجام گرفت. پارامترهای تأثیر گذار برای بدست آوردن احتمال تصادف عبارتند از: میانگین شیب جاده در قطعات مختلف، آمارتردد، عرض مسیر و تعداد پیچ و خم مسیر و لایه های تأثیر گذار جهت محاسبه پیامدها در این تحقیق عبارتند از: شیب و تراکم زهکشی و نزدیکی به آبهای سطحی و نزدیکی به آبهای زیرزمینی میباشد که برای این منظور ابتدا لایه های اصلی در نرم افزار جی آی اس تهیه شد و هر کدام از لایه ها، به زیرمجموعه هایی تقسیم شدند. سپس این لایه ها و زیرلایه ها دو به دو با روش تحلیل سلسله مراتبی وزن دهی شدند و وزن هرکدام از لایه ها و زیرمعیارها تعیین گردید. در مرحله بعد نقشههای وزن دهی شده در جی آی اس تلفیق شدند. در ادامه با استفاده از روش ماتریس تصمیم که در آن ریسک برابرحاصلضرب احتمال و پیامدهای ناشی از آن است ریسک هر قطعه محاسبه شد. در نهایت نقشه ریسک قطعات مختلف 5 تا 51 مسیر مورد مطالعه تهیه شد و مسیرها از لحاظ احتمال و ریسک با هم مقایسه و برای قطعات با ریسک بالا پیشنهاداتی ارائه گردید. هم چنین سه پارامتر مهم نوع ماده حمل شده و حجم تخلیه و شرایط آب وهوایی )فصول مختلف ( به عنوان سناریوهایی در نظر گرفته شدند. طبق نتایج بدست آمده ریسک آلودگی منابع آب در محدوده مورد مطالعه به این صورت است که از لحاظ مساحت 51 درصد کل محدوده مورد مطالعه دارای ریسک خیلی کم، 42 درصد ریسک کم، 42 درصد ریسک متوسط، 42 درصد ریسک زیاد و 54 درصد دارای ریسک خیلی زیاد میباشد.

در این پایان نامه هدف ارزیابی ریسک آلودگی منابع آبی در مسیر حمل و نقل مواد نفتی و خطرناک در جاده ترانزیتی سنندج - مریوان میباشد که با قطعه بندی مسیر سنندج - مریوان به 51 قطعه و بدست آوردن احتمال تصادفات در هر قطعه با روش های رگرسیون لجستیک، پواسون و نرخ تصادفات و همچنین محاسبه پیامدهای ناشی از تصادفات و با روش تحلیل سلسله مراتبی وزن دهی پارامترهای مورد نظر از لحاظ پیامد انجام گرفت. پارامترهای تأثیر گذار برای بدست آوردن احتمال تصادف عبارتند از: میانگین شیب جاده در قطعات مختلف، آمارتردد، عرض مسیر و تعداد پیچ و خم مسیر و لایه های تأثیر گذار جهت محاسبه پیامدها در این تحقیق عبارتند از: شیب و تراکم زهکشی و نزدیکی به آبهای سطحی و نزدیکی به آبهای زیرزمینی میباشد که برای این منظور ابتدا لایه های اصلی در نرم افزار جی آی اس تهیه شد و هر کدام از لایه ها، به زیرمجموعه هایی تقسیم شدند. سپس این لایه ها و زیرلایه ها دو به دو با روش تحلیل سلسله مراتبی وزن دهی شدند و وزن هرکدام از لایه ها و زیرمعیارها تعیین گردید. در مرحله بعد نقشههای وزن دهی شده در جی آی اس تلفیق شدند. در ادامه با استفاده از روش ماتریس تصمیم که در آن ریسک برابرحاصلضرب احتمال و پیامدهای ناشی از آن است ریسک هر قطعه محاسبه شد. در نهایت نقشه ریسک قطعات مختلف 5 تا 51 مسیر مورد مطالعه تهیه شد و مسیرها از لحاظ احتمال و ریسک با هم مقایسه و برای قطعات با ریسک بالا پیشنهاداتی ارائه گردید. هم چنین سه پارامتر مهم نوع ماده حمل شده و حجم تخلیه و شرایط آب وهوایی )فصول مختلف ( به عنوان سناریوهایی در نظر گرفته شدند. طبق نتایج بدست آمده ریسک آلودگی منابع آب در محدوده مورد مطالعه به این صورت است که از لحاظ مساحت 51 درصد کل محدوده مورد مطالعه دارای ریسک خیلی کم، 42 درصد ریسک کم، 42 درصد ریسک متوسط، 42 درصد ریسک زیاد و 54 درصد دارای ریسک خیلی زیاد میباشد.

فعالیت های این پایان نامه با هدف دستیابی به نقشه ریسک و همچنین آسیب پذیری شهر سنندج در مواجه با سیل آنی با استفاده از سیستم اطلاعات مکانی انجام گرفته است. با توجه به باران های فصلی و شدید و همچنین نبود تمهیدات لازم برای مواجه شدن با آن، لازم بود نقشه خطرپذیری بر اثر سیل آنی تهیه گردد. با مطالعه شرایط تأثیرگذار بر این امر لایههای مورد نیاز جمع آوری یا تهیه گردید. لایههای مؤثر در نقشه ریسک شامل: شیب، انحنا پروفیل، ارتفاع، فاصله از آبراهه، تراکم زهکشی و کاربری اراضی میباشند. همچنین لایههای مؤثر در تهیه نقشه آسیب پذیری سیلاب شامل: قدمت ابنیه، فاصله از مراکز آتش نشانی، فاصله از معابر، فاصله از مراکز درمانی، فاصله از مراکز سوخت گیری، شیب، ارتفاع و شاخص درصد مناطق نفوذ پذیر می باشد. لایههای اطلاعاتی در محیط GIS تولید شده، سپس در سیستم فازی برای تولید نقشه ریسک به کار برده می شوند. همچنین برای تهیه نقشه آسیب پذیری شهر، لایههای تولید شده را بصورت دوبهدویی با تحلیل سلسله مراتبی وزن دهی کرده، و لایه های وزن گرفته وارد GIS شدند. در مرحله بعد این لایهها با هم تلفیق شده و نقشه شهر را به صورت مناطق با آسیب پذیری بسیار زیاد، زیاد، متوسط، کم و بسیار کم نسبت به سیلاب به دست می دهد.

آب به عنوان یک پیش نیاز در توسعه و بقای نسل بشر است و نقش اساسی در تأمین و دستیابی به اهداف و اولویت های اجتماعی-اقتصادی و زیست محیطی ایفا می کند. وجود آب برای زندگی ضروری و به عنوان منبع بنیادی برای ادامه حیات انسانها و محیط زیست و توسعه می باشد. با ادامه روند نامطلوب وضعیت منابع آبی در سطح جهان و پیش بینی تداوم بحران آب، کمبود آب پیوسته در حال افزایش است. به منظور بررسی میزان کمبود آب استفاده از شاخص ها مرسوم شده است. در این تحقیق از سه شاخص فقر آبی، فالکن مارک وتوسعه پایدار سازمان ملل برای تعیین میزان کمبود آب در استان کردستان استفاده شد. در همین راستا با مطالعه و شناخت فاکتورهای لازم جهت محاسبه و برآورد مقادیر شاخص فقر آبی و فالکن مارک، داده ها از سازمان های مرتبط با بخش آب گردآوری و سپس محاسبه شاخصها در استان کردستان انجام گردید. در مرحله بعدی نقشه های کمبود آبی مربوط به هر سه شاخص با استفاده از نرم افزار GIS ترسیم و در نهایت ماتریس همبستگی بین شاخصها و معیارهای شاخص فقر آبی با نرم افزار SPSS، حاصل گردید. براساس نتایج نهایی شاخص فقرآبی، شهرستان های سروآباد و قروه به ترتیب دارای کمترین و بیشترین مقدار عددی شاخص فقر آبی هستند. همچنین براساس نتایج نهایی شاخص فالکن مارک، شهرستان های سروآباد، کامیاران، دیواندره، مریوان، بانه و سقز فاقد مشکل کمبود آب هستند و شهرستان های دهگلان، قروه و سنندج جزو مناطق با تنش آبی شدید قرار گرفتند. بر اساس طبقه بندی شاخص سازمان ملل، شهرستانهای سروآباد، مریوان، بیجار، بانه و دیواندره با مقدار کمتر از 10 درصد از برداشت منابع آبی با بحران آب کم، شهرستانهای سقز، کامیاران با مقدار برداشت بین 20-10 درصد از منابع آبی با بحران آب در حد متعادل و شهرستانهای قروه، سنندج و دهگلان با مقدار برداشت بین 40-20 درصد از منابع آبی با بحران آب در حد متوسط تا شدید روبرو هستند. باتوجه به نتایج نهایی، شاخص فقر آبی با بررسی مشکلات موجود و توجه به توسعه منطقه از لحاظ زیرساختها زمینه همکاری بین نهادهای مختلف و اولویت بندی برنامه های مدیریتی سازمانهای مرتبط، نگاه ویژه به بخش آب را فراهم خواهد کرد.

Nowadays, with the development and expansion of cities and the conversion of arable land around the cities to the levels of impenetrable elements and, consequently, increasing the volume of runoff, peak discharge and reducing water quality, the escalation of flood and waterlogging, and consequently increasing the cost of maintaining the city and further financial and financial losses As well as reducing water penetration into underground aquifers, the issue of urban runoff management is more than ever discussed. On the other hand, the growth of urban populations results in the production of a large amount of materials containing a variety of hazardous contaminations that are present in the streams and urban runoff as a serious health problem for the environment and the environment. New approaches such as Best Practices for Management (BMPs) and Low Impact Development (LID) methods of urban runoff management and management that can be applied to developmental and developmental areas with the least negative impact on these areas. In this research, the model (SWMM) provided by the American Environmental Protection Agency (EPA) is used for hydrological and hydrological modeling and the GIS model for preparing DEM maps, slopes and directions for sub basins, land use, and spatial analysis. In the present study, six samples of Low Impact Development tools, one of the new methods for controlling urban runoffs, as well as comparison of peak-flood runoff before and after the development of the city in part of the watershed of the Diovan River in Hamadan, have been investigated. By providing various scenarios, it was observed that after the development of the city of Peak, flood and pollution in the basin were increased and among the low development tools, green roof and rain barrels had the most effect in reducing the outflow runoff and contamination in the basin

امروزه با توجه به توسعه صنعتی و افزایش جمعیت، نیاز روز افزون به منابع آب احساس می گردد. در همین راستا برای رفع نیازهای مختلف از جمله، کشاورزی(90%)، صنعت(4%) و نیازهای شهری(6%) از منابع آب استفاده می شود و همچنین گرم شدن کره زمین، تغییرات اقلیمی و کمبود نزولات جوی در کشور، از دلایل کاهش سطح ایستابی منابع آب سطحی شده است. این مسئله باعث گردیده که مصرف کنندهگان به فکر تامین نیازهای آبی خود از منابع آب زیر زمینی باشند. اگرچه استفاده از آب زیر زمینی گستره فراوانی دارد، اما بسیاری از مشترکان درک بسیار اندکی از منشا و محل اولیه، چگونگی تهیه، تولید، تصفیه، انتقال و تحویل آب، و مراحل حصول اطمینان از سلامت و قابلیت آشامیدن آن دارند. برداشت از این منابع چون اکثراً در کنترل افراد غیر مسئول است به طور بی رویهای انجام می گیرد بدون آنکه آگاه باشند که چه ضربه بزرگی به طبیعت و اکو سیستم منطقه وارد می کنند. سطح آبخوان های زیر زمینی با برداشت بی رویه به شدت رو به کاهش است و این نشان دهنده این موضوع است که میزان برداشت از منابع آب زیر زمینی بیشتر از میزان تغذیه طبیعی آبخوان است و آبخوان با بیلان منفی مواجه می شود، این مسئله باعث ایجاد مشکلات زیادی از جمله : نشست زمین، کاهش کیفیت آب، تداخل آب شیرین با آب شور، خشک شدن چشمه های طبیعی و از بین رفتن منابع آب جهت مصرف آینده گان می شود که به طور مستقیم یا غیر مستقیم زندگی انسانها را متاثر خواهد کرد. هدف از مدیریت آب های زیر زمینی معمولاً طولانی تر کردن مدت استفاده از منبع و حفظ کیفیت آن است، به گونه ای که آب مازاد مصرف، در داخل زمین ذخیره شود تا در هنگام کمبود آب، برای برآورد کردن نیازها از منبع خارج شود. ذخیره آب در زیر سطح زمین با تغذیه مصنوعی، در صورت امکان، راه حلی کارآمد و مناسب از نظر جنبه های زیست محیطی برای ذخیره آب است. در چنین شرایطی تغذیه مصنوعی آبهای زیر زمینی از مهمترین راهکارهای مدیریتی است(Mandal and singh)[8]. موفقیت طرحهای تغذیه مصنوعی مستلزم جمع آوری و تکمیل داده ها و اطلاعات بسیار زیادی است و نخستین پیش شرط برای احداث طرح تغذیه مصنوعی، شناسایی محل مناسب است (Kalantari)[9]. شناسایی محل مناسب جهت تغذیه مصنوعی مستلزم جمع آوری اطلاعات، دسته بندی آنها و شناسایی دقیق محل می باشد که شامل میزان نفوذ پذیری خاک، جنس خاک، ضریب هدایت ه

در ک شورهای در حال تو سعه افزایش شهرنشینی اثرات معکو سی بر محیط زی ست داشته است. از آن جمله میتوان به کاهش کیفیت منابع آب، تخریب و حذف پوشتش گیاهی، ستکونت در مستیلها و از همه مهمتر به کاهش نفوذپذیری خاک اشتتتاره کرد که خود از یک طرف موجب کاهش تغذیه آب های زیرزمینی و از سوی دیگر افزایش دبی پیک سیلاب و ایجاد سیلاب های شدید و خسارات جدی شده است. ستیلابها هر ستاله خستارات بستیار زیادی به مناطق شتهری وارد میآورند. از آنجایی که پوشتش زمین و پ شت بامها در مناطق شهری اغلب نفوذ ناپذیرند، زمان تمرکز سیلاب به شدت کاهش یافته و حجم سیلاب افزایش مییابد. حوضچه های ذخیره یکی از روشهای سازه ای کنترل سیلاب در محیط های شهری هستند. اگرچه تاثیر مثبت این سازهها در کنترل سیلاب امری بدیهی است، اما استفاده از آنها در مکانهای نامناسب میتواند باعث بدتر شتدن وضتعیت ستیلاب یک حوضته شتود. با توجه به اهمیت شتهرک بهاران ستنندج و توسعه شهرنشینی در این منطقه، مطالعه اثرات سیلاب و همچنین راهکارهای کنترل آن امری ضروری است. با توجه به این مهم، در این تحقیق ستتاختاری تحلیلی برای جانمایی حوضتتچه ها ارائه شتتدهاستتت. ستتاخت ار مذکور شامل دو بخش ا صلی ا ست: 5 مدل سازی شبکه زهک شی موجود با ا ستفاده از مدل SWMM 6 ، تشتکیل ستاختار تصتمیمگیری. اطلاعات اولیه برای استتفاده از این قالب، روابط شتدت – مدت – فراوانی، نقشتتههای کاربری اراضتتی، نفوذپذیری خاک و توپوگرافی منطقه مورد مطالعه هستتتند. هدف این پژوهش مکانیابی حوضتتچه ذخیره برای شتتهرک بهاران استتت، برای این منظور، ابتدا دادههای آماری جمعآوری شده، سپس لایههای لازم برای مکانیابی آماده شده و وزندهی به لایهها بر اساس استانداردهای مکانیابی انجام گرفته است. معیارهای انتخابی در این تحقیق با ا ستفاده ا ز اهمیت م شخص شده ی آنها در تحقیقات صورت گرف ته توستتط محققان این زمینه مشتتخص شتتده استتت. لذا بایستتتی بر استتاس ت ثیر و اهمیت آنها به معیارها وزنی متفاوت داد. برای وزندهی معیارهای فوق از بین روشهای مختلف وزندهی، روش تحلیل ستتلستتله م راتبی ن AHP و نرم افزار Expert choice مورد ا ستفاده قرار گرفتند . در گام بعدی به منظور ارزشگذاری لایهها، از منطق فازی استتتفاده شتتد و لا یههای آماده شتتده توستتط توابع عضتتو یت گوناگون فازی شتتدند. در انتها معیارهای فازی شده با توابع

تهران پایتخت ایران و یکی از پرجمعیتترین شهرهای دنیا محسوب میشود و با توجه به وجود شریانهای حیاتی فراوان در این ناحیه بررسی دقیق آن بسیار حائز اهمیت میباشد. گستره تهران که در کوهپایه جنوبی کوههای البرز مرکزی قرار گرفته، بدلیل گسلهای موجود در این گستره یکی از لرزه- خیزترین مناطق ایران محسوب میشود. بر این اساس بررسیهای مربوط به خطرپذیری لرزهای این شهر جهت پیشگیری یا کاهش آثار مخرب زلزله از اهمیت ویژهای برخوردار است. در مطالعه حاضر، اقدام به تهیه نقشه خطرپذیری شهر تهران در هنگام زلزله برای دو حالت مختلف گسیختگی در شمالغربی و گردید. برای این منظور، در ابتدا معیارهای Arc GIS شمالشرقی گسل شمال تهران با استفاده از نرمافزار مؤثر شناسایی شده است و برای هر کدام از معیارها، نقشه مورد نظر تهیه گردید. معیارهای مورد استفاده در این مطالعه شامل تراکم جمعیت، توزیع ساختمان، توزیع ساختمان بر اساس سال ساختوساز، شبکه- های ارتباطی، کاربری اراضی، سطح آبهای زیرزمینی، بیشینه شتاب زمین میباشد. پس از آن با توجه به نظرات کارشناسی، بر اساس اهمیت و ارجحیت هر کدام از معیارها با استفاده از روش فرآیند تحلیل به آنها وزنی تعلق گرفت. و این لایه های Expert Choice و به کمک نرمافزار (AHP) سلسله مراتبی وزن دار شده با یکدیگر از طریق مدل همپوشانی شاخص و مدل منطق فازی تلفیق گردیدند و سپس نقشه خطرپذیری برای دو حالت مختلف گسیختگی تهیه گردید. نتایج حاصل از خروجی مدلها نشان میدهد که مناطق مرکزی و شرق تهران بدلیل مقادیر بالای تراکم جمعیت، تراکم ساختمانی، عمر ساختمانها، معابر با عرض کم و مقدار بیشینه شتاب زمین، دارای خطرپذیری خیلیزیاد و زیاد و مناطق جنوبی تهران، بدلیل دور بودن از نقاط گسیختگی دارای خطرپذیری متوسط و کم هستند.