نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

نقشه‌برداری آسیب‌پذیری مناطقی را نشان می‌دهد که احتمالاً در آینده در معرض خطر بیشتری از بلایای مرتبط با آب و هوا قرار دارند. از طریق ادغام داده‌های اقلیمی، بیوفیزیکی و اجتماعی-اقتصادی در یک چارچوب کلی آسیب‌پذیری، می‌توان به اصطلاح «نقاط داغ» آسیب‌پذیری را شناسایی کرد. این نقشه‌ها می‌توانند به عنوان کمکی برای مداخلات مدیریت ریسک بلایا و سازگاری مورد استفاده قرار گیرند. این مقاله به بررسی تلاش‌های نقشه‌برداری آسیب‌پذیری در غرب آفریقا می‌پردازد که تحت پروژه تاب‌آوری آفریقا و آمریکای لاتین در برابر تغییرات آب و هوایی (ARCC) توسط USAID انجام شده است. تمرکز بر ادغام داده های سنجش از راه دور و داده های اجتماعی-اقتصادی است. ورودی‌های داده شامل طیفی از داده‌های حسگر (مانند MODIS NDVI، Landsat، ارتفاع SRTM، چراغ‌های شبانه DMSP-OLS) و همچنین داده‌های فقر، درگیری و زیرساخت با وضوح بالا بود. دو روش اساسی مورد استفاده قرار گرفت، یکی که در آن هر لایه در یک رویکرد افزایشی به شاخص‌های استاندارد تبدیل شد، و دیگری که در آن از داده‌های سنجش از دور برای ایجاد زمینه‌ای نتایج شاخص‌های ترکیبی استفاده شد. ما مزایا و چالش های یکپارچه سازی داده ها و درس های آموخته شده از این تمرین های نقشه برداری را ارزیابی می کنیم.
کلید واژه ها: 

تغییرات آب و هوایی ؛ قرار گرفتن در معرض آسیب پذیری ؛ مدل سازی ریسک برای حمایت از تصمیم گیری

 

چکیده گرافیکی

1. معرفی

مجموعه بزرگی از شواهد به بیش از دو دهه قبل نشان می‌دهد که قرار گرفتن در معرض به تنهایی برای درک روند خسارات ناشی از بلایا کافی نیست و آسیب‌پذیری اجتماعی و اقتصادی اجزای حیاتی هستند [ 1 ، 2 ]. غرب آفریقا به عنوان یکی از مناطقی شناخته شده است که هم از نظر قرار گرفتن در معرض خطرات آب و هوایی [ 3 ، 4 ] و هم آسیب پذیری اجتماعی [ 5 ، 6 ] در برابر تغییرات آب و هوایی آسیب پذیرتر است. ابزارهایی مانند ارزیابی آسیب‌پذیری فضایی برای درک الگوهای آسیب‌پذیری و خطر تغییرات آب و هوایی در مقیاس‌های مختلف مفید هستند و شاید بیش از هر منطقه دیگری در آفریقا به کار گرفته شده‌اند [ 5 , 6 ,7 ]. تقاضا برای نقشه‌های آسیب‌پذیری در میان آژانس‌های توسعه و دولت‌ها در حال افزایش است، زیرا تأکید بیشتری بر روش‌های علمی معتبر برای هدف‌یابی کمک‌های سازگاری می‌شود [ 8 ].
نقشه برداری مفید است زیرا تنوع و افراط اقلیمی، حساسیت جمعیت ها و سیستم ها به عوامل استرس زای اقلیمی، و ظرفیت های انطباقی همگی از نظر فضایی متمایز هستند. تأثیر متقابل این عوامل باعث ایجاد الگوهای مختلف آسیب پذیری می شود. به طور معمول، ارزیابی آسیب‌پذیری فضایی شامل یکپارچه‌سازی داده‌ها است که در آن داده‌های اجتماعی-اقتصادی و بیوفیزیکی ارجاع‌شده، از جمله آن‌هایی که از سنجش از دور به دست می‌آیند، با داده‌های اقلیمی ترکیب می‌شوند تا الگوهای آسیب‌پذیری را درک کنند و به نوبه خود، اطلاع دهند که در کجا ممکن است سازگاری لازم باشد. ثابت شده است که نقشه‌ها اشیاء مرزی مفیدی در بحث‌های چند ذی‌نفع هستند و مبنای مشترکی برای بحث و گفتگو در مورد برنامه‌ریزی سازگاری فراهم می‌کنند [ 9 ، 10]]. نقشه‌ها می‌توانند به پایه‌گذاری بحث‌ها بر اساس شواهد محکم کمک کنند، به‌ویژه در زمینه‌های کشورهای در حال توسعه که ممکن است اطلاعات جغرافیایی به راحتی برای همه ذینفعان قابل دسترسی نباشد.
یکپارچه سازی داده های مکانی و تجزیه و تحلیل فضایی به ابزارهای استاندارد در بسته ابزار ارزیابی آسیب پذیری تغییرات آب و هوا تبدیل شده اند. برنامه تحقیقات محیط زیست سازمان ملل متحد (UNEP) در مورد آسیب پذیری، تأثیرات و سازگاری تغییرات آب و هوایی (PROVIA) اولویت های تحقیقاتی در مورد آسیب پذیری، تأثیرات و سازگاری [11] «اندازه گیری و ترسیم آسیب پذیری » را به عنوان اولین اولویت برای حمایت از تصمیم گیری سازگاری برجسته می کند. . در بسیاری از موارد ارزیابی آسیب‌پذیری (VA) مترادف با ارزیابی آسیب‌پذیری مکانی است، تا حدی به دلیل درک این موضوع که آسیب‌پذیری و اجزای تشکیل‌دهنده آن درجات بالایی از ناهمگونی مکانی و زمانی را نشان می‌دهند [10] .]. اهداف بر اساس مطالعه خاص متفاوت است، اما VAهای فضایی عموماً برای شناسایی مناطق با خطر بالقوه بالای تأثیرات آب و هوایی – به اصطلاح «نقاط داغ» تغییر آب و هوا [12] – و برای درک بهتر عوامل تعیین‌کننده آسیب‌پذیری به منظور شناسایی در نظر گرفته شده‌اند. نیازهای برنامه ریزی و ظرفیت سازی
به دلیل پوشش دیوار به دیوار، داده‌های سنجش از راه دور این پتانسیل را دارند که شکاف‌های داده‌ای مهم را در زمینه‌های کشورهای در حال توسعه فقیر از نظر داده پر کنند. هدف این مقاله نشان دادن کاربرد داده های سنجش از دور در ترکیب با سایر منابع داده، اقلیمی و اجتماعی-اقتصادی، در روشنایی مناطقی است که در برابر تغییرات آب و هوایی آسیب پذیر هستند. این مقاله به طور خلاصه چارچوب ها، داده ها، روش ها و نتایج را برای دو تلاش نقشه برداری، یکی برای مالی و دیگری برای ساحل غربی آفریقا توصیف می کند. ارائه دقیق روش‌ها، نتایج و عدم قطعیت‌ها در جای دیگری ارائه شده است [ 13 ، 14 ] (به http://community.eldis.org/.5bf8c6aa و http://community.eldis.org/.5c1ec83b مراجعه کنید.) تمرکز در اینجا بر روی محصولات داده سنجش از دور و رویکردهای مورد استفاده برای یکپارچه سازی داده ها است. ما با بحثی در مورد پتانسیل و کاستی‌های استفاده از داده‌های سنجش از دور به عنوان جایگزین برای سایر منابع داده، مزایا و چالش‌های یکپارچه‌سازی داده‌ها و درس‌های آموخته‌شده از این تمرین‌های نقشه‌برداری به پایان می‌رسیم.
نقشه‌برداری آسیب‌پذیری و کمی‌سازی آسیب‌پذیری خالی از کاستی نیست و دیدگاه‌های انتقادی بیشتری در تعدادی از انتشارات دیگر ارائه شده است [ 8 ، 10 ، 12 ، 15 ]. به خوانندگانی که مایلند نگاه عمیق‌تری به چالش‌های نگاشت آسیب‌پذیری، از جمله مسائل مربوط به عدم قطعیت داشته باشند، توصیه می‌شود این انتشارات را مطالعه کنند. ما محدودیت های روش های شرح داده شده در این مقاله را در بخش 4 بیان می کنیم . علی‌رغم این هشدارها، روش‌های ساخت شاخص آسیب‌پذیری فضایی که در اینجا توضیح داده شده است به طور گسترده در ادبیات استفاده می‌شوند و برای مخاطبان سیاستی که به دنبال درک بهتر عوامل مؤثر در آسیب‌پذیری هستند مفید هستند [5 ], 7 , 9 , 10 , 16 ].

2. روش ها و داده ها

2.1. نقشه‌برداری آسیب‌پذیری مالی

به عنوان چارچوبی برای نقشه آسیب پذیری مالی، نویسندگان گزارش [ 12 ] از چارچوب مفهومی گزارش چهارم ارزیابی تغییرات آب و هوایی بین دولتی (IPCC) (IPCC) استفاده کردند که آسیب پذیری در برابر عوامل استرس زای اقلیمی را به سه جزء تقسیم می کند: قرار گرفتن در معرض، حساسیت، و ظرفیت تطبیقی ​​[ 17 ]. این پیشروی برای چارچوب اخیر IPCC است که برای جامعه مخاطرات طبیعی بیشتر آشناست، که ریسک را به عنوان تابعی از خطر، قرار گرفتن در معرض و آسیب پذیری (اجتماعی) مفهوم می کند [18] (به بخش 2.3 مراجعه کنید ) .). رویکرد مالی به‌جای ایجاد لایه‌های آسیب‌پذیری جداگانه برای سیستم‌های منفرد (مثلاً اکوسیستم‌ها) نقشه‌برداری از آسیب‌پذیری عمومی جمعیت بود. بخش ها (به عنوان مثال، آب یا کشاورزی)؛ یا زیر گروه های جمعیت (مثلاً دامداران). با این حال، با توجه به وابستگی زیاد اکثریت جمعیت به کشاورزی معیشتی، بسیاری از شاخص های انتخاب شده این جمعیت را در نظر داشتند.
ما از یک رویکرد شاخص فضایی استفاده کردیم که در آن مقادیر داده‌های خام به صورت صدک نشان داده می‌شوند. به عبارت دیگر، هر لایه داده به یک شاخص با محدوده 0-100 (با 100 نشان دهنده آسیب پذیرترین) تبدیل شد. در چند مورد ما دم توزیع را قبل از تبدیل به امتیاز 0-100 کوتاه کردیم. شاخص های پیوسته برای چولگی ارزیابی شدند. تعدادی از شاخص‌ها (مخصوصاً متغیرهای آب و هوایی) یک دم راست بلند در توزیع نشان می‌دهند، و از این رو ما انتخاب کردیم که winsorize (برش دنباله‌ها) را در نقاط عطف داده‌ها انتخاب کنیم. ما همچنین مناطق کم سکونت شمال دور را که دارای ارزش‌های شدیدتری برای شاخص‌های اقلیمی و اقتصادی-اجتماعی بودند، حذف کردیم. هدف این بود که به دنبال توزیع نسبتاً خوبی از امتیازات در محدوده 0-100 باشیم و در عین حال تصمیمات را در ملاحظات اساسی از آنچه نشان دهنده سطوح بالا و پایین آسیب‌پذیری است، پایه‌گذاری کنیم. به عنوان مثال، برای دسترسی به بازار، ما تصمیم گرفتیم که هر زمان سفر بیش از 36 ساعت سطح کاملاً بالایی از آسیب‌پذیری را نشان دهد.به عنوان مثال ، امتیاز 100) به طوری که زمان سفر در آن سطح به طور تدریجی بدتر نبود. ما شاخص‌هایی را معکوس کردیم که در آن مقادیر بالا در داده‌های خام با آسیب‌پذیری کم (مثلاً بارش) همراه بود. در نهایت، ما مجبور شدیم برخی از شاخص‌های ترتیبی (مانند زیست‌های انسانی) را به امتیازاتی بر اساس ویژگی‌های بیوم‌ها تبدیل کنیم. پس از نرمال‌سازی، شاخص‌ها برای تولید زیرشاخص‌هایی برای قرار گرفتن در معرض، حساسیت و ظرفیت تطبیقی ​​میانگین‌گیری شدند که سپس برای تولید شاخص آسیب‌پذیری کلی میانگین‌گیری شدند. ما همچنین از تجزیه و تحلیل مؤلفه‌های اصلی (PCA) به عنوان یک روش تجمع جایگزین استفاده کردیم که نتایج تقریباً مشابهی تولید کرد.
هجده شاخص فضایی که ما استفاده کردیم در جدول 1 آمده است . انتخاب شاخص‌ها بر اساس ادبیات مربوط به عوامل شناخته شده برای کمک به هر یک از مؤلفه‌های آسیب‌پذیری و همچنین در دسترس بودن و کیفیت داده‌ها هدایت می‌شد (پیوست IV گزارش مالی را برای توجیهات مربوط به هر شاخص ببینید). برای شاخص‌های قرار گرفتن در معرض آب و هوا، ما به شدت به داده‌های آب و هوایی تاریخی FEWSNET [ 19 ] (4 از 6 شاخص)، و برای شاخص‌های حساسیت و ظرفیت انطباقی به طور گسترده‌ای به داده‌های بررسی جمعیت‌شناسی و سلامت (DHS) (3 از 12 شاخص) تکیه کردیم. هر لایه داده بر اساس نزدیکی مفهومی آن به سه مؤلفه آسیب‌پذیری توجیه شد [ 15]، و انتخاب‌ها با متغیرهایی که مشخص شده است با آسیب ناشی از تغییرات و تغییرات آب و هوایی مرتبط هستند، از جمله سطوح تحصیلات [ 20 ]، تنوع آب و هوا [ 21 ]، و محیط‌های حاشیه‌ای (نیمه خشک و خشک) و از نظر جغرافیایی دورافتاده همخوانی دارند. مناطق در مناطق در حال توسعه فقیر [ 12 ، 22]. رویکرد راهنما شناسایی تعداد محدودی از مجموعه داده‌های مکانی با کیفیت بالا بود که به بهترین نحو مؤلفه مورد علاقه را نشان می‌دهند و در عین حال از وسوسه اضافه کردن داده‌های با کیفیت پایین (داده‌های با عدم قطعیت بالا یا وضوح فضایی درشت) اجتناب می‌کردند، در نتیجه نتایج را «آلوده می‌کردند». . ما به اعتبار و پایایی هر یک از مجموعه‌های داده‌های گنجانده شده اطمینان قابل قبولی داشتیم. محدودیت های داده در ضمیمه IV گزارش مالی بررسی شده است.
پردازش ما شامل مراحل زیر است. ما تمام لایه‌های داده‌های مکانی اصلی را از قالب‌های اصلی آن‌ها ( جدول 1 ، ستون 3) به شبکه‌هایی با وضوح 30 ثانیه قوسی (تقریباً 1 کیلومتر مربع ) تبدیل کردیم. ما این اندازه سلول را انتخاب کردیم زیرا وضوح مجموعه داده‌های با بالاترین وضوح ما بود، و احساس کردیم که سطوح درونیابی تعدادی از مجموعه داده‌های مبتنی بر نقطه ما (به عنوان مثال، داده‌های سطح خوشه بررسی جمعیت‌شناسی و سلامت، داده‌های تضاد و داده‌های تأسیسات بهداشتی) می‌توانند به نمایش بهتری از تنوع فضایی در 1 کیلومتر مربع دست یابند . با این حال، شایان ذکر است که اسمی 1 کیلومتر مربع استوضوح خروجی‌ها بر اساس ورودی‌هایی با وضوح‌های مختلف است، از شبکه‌های 10 کیلومتر مربعی گرفته تا واحدهای زیرملی (در مالی اینها را مناطق و حلقه‌ها می‌نامند )، بسته به پارامتر. این موضوعی است که در بحث به آن باز می گردیم.
قبل از نرمال‌سازی، شبکه‌ها با استفاده از یک سیستم مرجع شبکه مشترک به فایل‌های با فرمت مقادیر جداشده با کاما جداشده (CSV) تبدیل شدند. تمام تبدیل ها و تجمیع داده ها در بسته آماری R انجام شد. به همه شاخص‌ها وزن‌های مساوی داده شد، به جز برای سه شاخص به دست آمده از داده‌های سطح خوشه‌ای بررسی جمعیت‌شناسی و سلامت (DHS): ثروت خانوار، کوتاه‌قدی فرزند، و سطح تحصیلات مادر. توجیه این وزن دهی این بود که به نظر می رسد این شاخص ها به منافع ما در امنیت غذایی و معیشتی نزدیک تر هستند و به این دلیل که داده ها از وضوح مکانی بالاتری نسبت به سایر شاخص های حساسیت و ظرفیت تطبیقی ​​برخوردار هستند. پس از تبدیل و تجمیع، داده ها مجددا به ArcGIS برای تولید نقشه های نهایی صادر شدند. نمودار جریان پردازش در نشان داده شده استشکل 1 ; روش ها بیشتر در CIESIN [ 23 ] توضیح داده شده است.
از آنجایی که دامنه نمرات در زیرشاخص‌های مؤلفه (معرض، حساسیت، ظرفیت انطباقی) به‌طور قابل‌توجهی بر اساس توزیع زیربنایی امتیازهای شاخص متفاوت بود، ما نمرات مؤلفه‌های حاصل را به‌گونه‌ای تغییر مقیاس دادیم که از 0 تا 100 متغیر باشند، و سپس میانگین‌ها را محاسبه کردیم. سه جزء با هم برای ایجاد یک شاخص آسیب پذیری کلی. پیش بینی های اقلیمی در یک پیوست گنجانده شد.
جدول
جدول 1. شاخص های مورد استفاده برای تمرین نقشه برداری آسیب پذیری آب و هوای مالی.
Ijgi 04 02561 g001 1024
شکل 1. نمودار جریان پردازش نگاشت آسیب پذیری.

2.2. یکپارچه سازی داده های نقشه برداری آسیب پذیری مالی

داده های سنجش از دور برای هر یک از شاخص های جدول 1 که دارای ستاره (*) هستند، استفاده شد. شکل 2 ، شکل 3 ، شکل 4 و شکل 5نسخه های خام و تبدیل شده این شاخص ها را نشان می دهد. توجه داشته باشید که پانل های سمت راست هر شکل هیچ داده ای بالاتر از 17.2 درجه شمالی را نشان نمی دهد. ما همه مناطق شمال آن عرض جغرافیایی را از بررسی حذف کردیم، منطقه‌ای که جمعیت بسیار کمی دارد، زیرا USAID اساساً علاقه‌مند به برنامه‌ریزی در مناطق پرجمعیت‌تر به سمت جنوب بود، و به این دلیل که تغییرات و تغییرات آب و هوایی ممکن است تأثیر کمتری داشته باشد. شرایط سخت. اطلاعات گنجانده شده و دلیل ادغام این شاخص ها در این بخش توضیح داده شده است.
شاخص‌های قرار گرفتن در معرض آب و هوا به دنبال اندازه‌گیری میانگین شرایط و روند دما و بارندگی، و همچنین تغییرات بارندگی و در موارد شدید، رویدادهای سیل بودند. همانطور که گفته شد، داده‌های آب و هوای FEWSNET دارای وضوح فضایی نسبتاً بالایی بودند، اما مبتنی بر شبکه‌های پایش درجا هستند که با توجه به وسعت قلمرو مالی نسبتاً پراکنده هستند، بنابراین شکاف آنها با داده‌های ماهواره‌ای پر شده است. داده‌های ماهواره‌ای مورد استفاده برای پر کردن شکاف‌های فضایی در شبکه‌های مانیتورینگ درجا شامل برآورد دمای سطح زمین MODIS (LST) و تخمین‌های بارش چندماهواره‌ای (RFE2) از NOAA CPC [24] است . ضریب تغییرات شاخص گیاهی تفاوت نرمال شده (NDVI) (1981-2006) ( شکل 2 )) شاخص با ارائه داده های تفکیک مکانی بالاتر، بر اساس مشاهدات ماهواره ای سبزی ماه آگوست برای یک دوره 25 ساله، شاخص ضریب تغییرات بین سالانه در بارش (ژوئیه- آگوست- سپتامبر) را تکمیل می کند. آگوست انتخاب شد زیرا این ماه معمولاً یک ماه اوج بارندگی برای فصل رشد است. این شاخص را می توان به عنوان قابلیت اطمینان بارندگی در یک سال معین برای تولید محصول یا چرای دام تعبیر کرد.
لایه فرکانس سیل به عنوان بخشی از گزارش ارزیابی جهانی در مورد کاهش خطر [ 25 ] ( شکل 3 ) تولید شد. این بر اساس سه منبع است: (1) مدلسازی GIS با استفاده از برآورد آماری مقدار پیک جریان و یک مدل هیدرولوژیکی با استفاده از مجموعه داده HydroSHEDS و معادله Manning [26] برای تخمین مرحله رودخانه برای مقدار دبی محاسبه‌شده . (2) سیل مشاهده شده از سال 1999 تا 2007، به دست آمده از رصدخانه سیل دارتموث (DFO). و (3) فرکانس از مجموعه داده سیل پیش‌نمایش UNEP/GRID-Europe [ 27]. واحد اندازه گیری میانگین تعداد رویدادهای مورد انتظار در هر 100 سال است. داده های سیل مشاهده شده توسط رصدخانه سیل دارتموث از داده های MODIS 250 متر تهیه شده است. از آنجایی که داده‌های سیل مشاهده‌شده پوشش جهانی جامعی ندارند، برای اعتبارسنجی و کالیبراسیون مدل استفاده می‌شوند. از آنجایی که شبکه های رودخانه سنج کمی در آفریقا وجود دارد، این داده ها از معدود موارد موجود برای ارزیابی خطر سیل هستند. خطر سیل برابر است با قرار گرفتن بیشتر در معرض آب و هوای شدید در مناطق کم ارتفاع و ساحلی.
کربن خاک ( شکل 4) توسط مرکز بین المللی اطلاعات منابع خاک (ISRIC) با استفاده از داده های MODIS نقشه برداری شد. داده ها نشان دهنده تقریبی کربن آلی خاک در خاک بالایی است که 0-20 سانتی متر است. نویسندگان روشن می کنند که دقت واقعی نقشه های حاصل به کیفیت داده های ورودی و روش درون یابی مورد استفاده بستگی دارد. همبستگی با تصاویر MODIS بر اساس 12000 نمایه برای کل آفریقا بود، به این معنی که هر نمایه خاک به طور متوسط ​​​​1500 پیکسل را نشان می دهد. درون یابی در فواصل بزرگ به این دلیل رخ می دهد که مکان های داده با شکاف های بزرگ برای برخی از مناطق آفریقا خوشه بندی شده اند. این داده‌ها گنجانده شدند زیرا کربن خاک یک پیش‌بینی‌کننده مهم عملکرد محصول است. کربن آلی بالاتر خاک همچنین نشان دهنده حساسیت کمتر به تغییرات آب و هوایی است، زیرا احتباس آب خاک با کربن آلی مرتبط است.28 ].
Biomes Anthropogenic ( شکل 5 ) خود یک مجموعه داده ترکیبی است که با لایه های داده شما تولید می شود: تراکم جمعیت، کاربری زمین (به ویژه محصول، مرتع و اراضی آبی)، و پوشش زمین [29 ] . دومی با درصد درختان و زمین برهنه بر اساس مزارع پیوسته گیاهی MOD44B، 2001 درصد پوشش درخت، مجموعه 3 تعریف می شود [ 30]]. ما بیوم‌های انسان‌زا را در اولویت مناطق معیشتی FEWSNET قرار دادیم، زیرا مجموعه داده‌هایی با وضوح مکانی بالاتر است، و کار بهتری برای بیرون کشیدن تنوع معیشت دلتای داخلی مالی انجام می‌دهد. دلتای داخلی منطقه نسبتاً منحصر به فردی از توپوگرافی مسطح را نشان می دهد که از طریق آن رودخانه نیجر جریان دارد، که منجر به سیلاب های فصلی می شود که تولید محصول و مرتع و پتانسیل آبیاری را افزایش می دهد. این منجر به ظرفیت تطبیقی ​​بالاتری نسبت به منطقه آب و هوایی می شود که بر اساس بارش به تنهایی پیشنهاد می شود. از آنجایی که زیست‌های انسانی داده‌های طبقه‌بندی شده‌اند، ما نیاز به استفاده از قضاوت متخصص برای رمزگذاری مجدد هر بیوم به امتیاز 0-100، بر اساس تعداد گزینه‌های معیشت موجود در هر منطقه داشتیم.
این داده‌ها با داده‌های قرار گرفتن در معرض، حساسیت و ظرفیت تطبیقی ​​از منابع غیرماهواره‌ای، از جمله فاصله تا بازار که از داده‌های زیرساخت جاده‌ها، مکان‌های زیرساخت بهداشتی، رویدادهای درگیری، و سطوح درون‌یابی DHS بر اساس نقاط خوشه‌ای برای ثروت خانوار به دست می‌آید، ترکیب شدند. ، کوتاه قدی کودک و سطح تحصیلات مادر. روش ادغام، همانطور که در بالا توضیح داده شد، میانگین نمرات تبدیل شده در شاخص ها ابتدا به جزء، و سپس میانگین نمرات اجزای کشیده شده برای رسیدن به یک شاخص آسیب پذیری کلی بود.
Ijgi 04 02561 g002 1024
شکل 2. ضریب تغییرات بین سالانه در سبزی (NDVI) – برگرفته از GIMMS، داده های خام ( سمت چپ ) و تبدیل شده ( راست ).
Ijgi 04 02561 g003 1024
شکل 3. میزان سیل (رویدادها در هر 100 سال) – بخشی از داده‌های گستردگی سیل MODIS در رصدخانه سیل دارتموث، داده‌های خام ( سمت چپ ) و تبدیل شده ( راست ) به دست آمده است.
Ijgi 04 02561 g004 1024
شکل 4. کربن خاک تا حدی از داده های خام MODIS ( سمت چپ ) و تبدیل شده ( راست ) مشتق شده است.
Ijgi 04 02561 g005 1024
شکل 5. داده های خام Biomes انسانی ( چپ ) و تبدیل شده ( راست ).

2.3. نقشه‌برداری نوردهی ساحلی غرب آفریقا

نقشه برداری سواحل غرب آفریقا بر اساس تجربیات به دست آمده در نقشه برداری مالی ساخته شده است، اما رویکرد کمی متفاوت دارد. از آنجایی که تمرکز ما بر روی عوامل استرس زای اقلیمی در منطقه ساحلی (سریع طوفان، سیل و افزایش سطح دریا) و قرار گرفتن در معرض سیستم های اقتصادی و اجتماعی بود، ما از اصطلاح نقشه برداری قرار گرفتن در معرض در مقابل نقشه برداری آسیب پذیری استفاده می کنیم. به‌جای چارچوب آسیب‌پذیری IPCC AR4، ما از چارچوب خطر «گزارش ویژه IPCC در مورد اقلیم شدید» (SREX) استفاده کردیم، که بعداً توسط گزارش ارزیابی پنجم IPCC (AR5) تصویب شد، که ریسک را ناشی از تقاطع فضایی قرار گرفتن در معرض رویدادهای شدید تفسیر می‌کند. سیستم های آسیب پذیر [ 18]. این به این دلیل بود که تمرکز بر قرار گرفتن در معرض خطرات دریا به جای توصیف سیستم پیچیده انسان-محیط بود. شرح کامل روش‌ها و منطق شاخص‌های مورد استفاده در مطالعه در د شربینین و همکاران یافت می‌شود. [ 14 ].
برای این مطالعه، ما دو شاخص اصلی، یک شاخص آسیب پذیری اجتماعی (SVI) و یک شاخص سیستم های اقتصادی (ESI) ساختیم. SVI ترکیبی از تراکم جمعیت و رشد همراه با فقر را اندازه‌گیری می‌کند و به دنبال تقریبی اندازه جمعیت و حساسیت به افراط‌های ساحلی است ( جدول 2).). ESI به دنبال اندازه‌گیری سطوح نسبی فعالیت اقتصادی است که می‌تواند در معرض خطرات دریا، از جمله تولید محصولات زراعی، تولید ناخالص داخلی، و خدمات شهری و فعالیت‌های بخش صنعتی (با استفاده از چراغ‌های شبانه به عنوان نماینده) باشد. این شاخص‌های کل از داده‌های خام به روشی مشابه نقشه‌برداری آسیب‌پذیری مالی ساخته شده‌اند. تفاوت اصلی این بود که ما با محدودیت‌های بیشتری در دسترسی به داده‌های ثابت که همه 10 کشور ساحلی را پوشش می‌دهد، مواجه بودیم، و از این رو مجبور بودیم بیشتر به مجموعه داده‌های جهانی و منطقه‌ای تکیه کنیم. همه شاخص ها برای منطقه ساحلی محاسبه شد که به عنوان یک نوار 200 کیلومتری از خط ساحلی در داخل کشور تعریف شده است. این بخش تا حدودی بزرگتر از آنچه که معمولاً به عنوان “ساحلی” تعبیر می شود را پوشش می دهد.
جدول
جدول 2. شاخص های مورد استفاده در شاخص آسیب پذیری اجتماعی مطالعه ساحلی.

2.4. ادغام داده های سواحل غرب آفریقا

منطقه پوششی کم ارتفاع (LECZ) با استفاده از مجموعه داده ارتفاع سنج تصحیح شده ارتفاعات 2 (ACE2) برای شناسایی مناطقی که در معرض خطر احتمالی آبگرفتگی ناشی از افزایش سطح دریا، موج یا سیل رودخانه‌ها قرار دارند، نقشه‌برداری شد. در غیاب مطالعات مدل‌سازی دقیق‌تر خطر افزایش و تغییرات نسبی احتمالی آینده در سطح دریا در غرب آفریقا، مناطق در معرض خطر افزایش سطح دریا و افزایش طوفان را در باندهای LECZ 0-5، 5-10 می‌گوییم. و 10 تا 20 متر بالاتر از سطح متوسط ​​دریا. اگرچه پیش‌بینی می‌شود که افزایش متوسط ​​سطح جهانی سطح دریا تا پایان این قرن بین 0.3 تا 1.2 متر بسته به سرعت گرم شدن و واکنش صفحات یخی باشد [ 31]]، موج طوفان می تواند تا حد زیادی منطقه تحت تاثیر تاثیرات به سمت دریا را گسترش دهد. داده های اولیه در مورد توپوگرافی ساحلی از طریق مجموعه داده های جهانی در دسترس عموم مانند سازمان ملی هوانوردی و فضایی (ناسا) ماموریت توپوگرافی رادار شاتل (SRTM) مدل ارتفاع دیجیتال جهانی (DEM) (با وضوح 90 متر) در دسترس است. مجموعه داده های آژانس فضایی اروپا ACE2 (که SRTM را با ارتفاع سنجی رادار ماهواره ای ادغام می کند) (رزولوشن 90 متر) [ 32 ]. و رادیومتر تابش و انعکاس حرارتی پیشرفته فضایی (ASTER) مدل جهانی ارتفاع دیجیتال (GDEM) (رزولیشن 15 متر). باید تاکید کرد که تمام DEM های جهانی حاوی نادرستی هستند [ 33]. در ارزیابی ما، ACE2 نسبت به SRTM و ASTER GDEM از مزیت بازگرداندن دقیق مقادیر زمین در مناطقی با پوشش جنگلی متراکم مانند حرا برخوردار بود. به همین دلیل و بر اساس ارزیابی ها در برابر SRTM که نشان داد ACE2 به طور مداوم ارتفاعات کمی پایین تر را برمی گرداند ( شکل 6 )، ما استفاده از این مجموعه داده را انتخاب کردیم. توجه داشته باشید که ما استفاده از مدل ارزیابی آسیب پذیری تعاملی پویا (DIVA) را بررسی کردیم، اما نتوانستیم داده ها را به دست آوریم. ما داده های Dasgupta و همکاران را بررسی کردیم . [ 34 ]، که نتایج DIVA را در خود جای داده است، اما به دلیل اینکه آنها به شدت به داده های SRTM متکی هستند، متوجه شدیم که آنها مناطق را در ارتفاعات پایین تخمین می زنند.
ما از تصاویر نور شبانه از برنامه ماهواره هواشناسی دفاعی/سیستم خطوط عملیاتی (DMSP/OLS) نور پایدار شبانه (NTL) برای نقشه‌برداری از مناطق شهری در سال 2010 استفاده کردیم. هنگامی که آستانه‌های مناسب اعمال می‌شوند، این مجموعه داده مزیت ارائه را دارد. یک معیار منسجم از وسعت شهری در مقایسه با طبقه‌بندی نیمه خودکار تصاویر نوری. شکل 7 کلاس‌های مختلف تراکم شهری – زیاد، متوسط ​​و کم – را بر اساس آستانه‌های درخشندگی مختلف از چراغ‌های شبانه نشان می‌دهد که بر روی LECZ 0-5 و 5-10 متر قرار گرفته‌اند. لاگوس، نیجریه، و کوتونو، بنین، به شدت در معرض افزایش سطح دریا و افزایش طوفان قرار داشتند. در واقع، کوتونو در حال حاضر درجات هشدار دهنده ای از فرسایش سواحل را تجربه می کند.
Ijgi 04 02561 g006 1024
شکل 6. مقایسه SRTM با ACE2 در بنین ساحلی.
Ijgi 04 02561 g007 1024
شکل 7. مناطق شهری کوتونو، بنین و لاگوس، نیجریه در مقایسه با LECZ.
Ijgi 04 02561 g008 1024
شکل 8. حرا و LECZ.
Ijgi 04 02561 g009 1024
شکل 9. داده های جنگل زدایی در مقیاس لندست که به پیکسل های یک کیلومتر مربعی تجمیع شده اند.
به دلیل علاقه USAID به تنوع زیستی و سیستم های طبیعی در منطقه ساحلی به دلیل ظرفیت بافر بالقوه آنها و نگرانی در مورد از دست دادن آنها، ما همچنین سیستم های حرا و از دست دادن جنگل را نقشه برداری کردیم. این دو لایه نیز از تصاویر سنجش از دور مشتق شده اند. گیری و همکاران [ 35 ] با استفاده از تصاویر 30 متری Landsat، جنگل‌های حرا را در سطح جهان نقشه‌برداری کرد. منطقه ساحلی غرب آفریقا در سرتاسر مانگروها وجود دارد، اما حراها به ویژه در گینه بیسائو و دلتای نیجر متمرکز هستند ( شکل 8 ). افزایش سطح دریا مطمئناً تأثیراتی بر زنده ماندن این اکوسیستم ها خواهد داشت، اما به همین ترتیب آنها شکل مهمی از دفاع طبیعی ساحلی را نشان می دهند.
داده های جنگل زدایی برای غرب آفریقا از هانسن و همکاران استخراج شده است. [ 36 ] که اولین ارزیابی جهانی از دست دادن و سود جنگل با استفاده از تصاویر Landsat 30 متر بود. ما تصاویر 30 متری را به پیکسل‌های 30 ثانیه قوسی (~1 کیلومتر) تجمیع کردیم که نشان‌دهنده درصد پیکسل‌هایی بود که از سال 2000 تا 2012 جنگل‌زدایی را تجربه کرده بود ( شکل 9 ). این به منظور ارائه تصویری سریع از نقاط داغ جنگل زدایی، به ویژه مناطق نزدیک به منطقه ساحلی بود.
یک تفاوت کلیدی با نقشه‌برداری آسیب‌پذیری مالی این است که هیچ یک از شاخص‌های مشتق‌شده از سنجش از دور در شاخص‌های مصنوعی که ما ایجاد کردیم، ادغام نشدند. برای نقشه‌برداری ساحلی، ما به سادگی شاخص‌ها (SVI و EVI) و مناطق جنگل‌زدایی و حرا را روی LECZ قرار دادیم تا میزان قرار گرفتن در معرض و احتمال آسیب را تجسم کنیم.

3. نتایج

قبل از پرداختن به نتایج مالی، مهم است که تأکید کنیم که نقشه‌ها آسیب‌پذیری نسبی را در داخل کشور نشان می‌دهند، نه سطح مطلق آسیب‌پذیری که قابل مقایسه با کشورهای دیگر باشد. مالی کشوری فقیر و محصور در خشکی با اقتصاد عمدتاً کشاورزی است و به این ترتیب، در مقایسه با بسیاری از کشورهای دیگر، سطوح بالایی از آسیب پذیری آب و هوایی را نشان می دهد (برای مثال، به شاخص سازگاری جهانی نوتردام مراجعه کنید).
Ijgi 04 02561 g010 1024
شکل 10. نقشه‌برداری آسیب‌پذیری مالی: مؤلفه‌های آسیب‌پذیری در یک شاخص کلی آسیب‌پذیری جمع شده‌اند. توجه: بخش‌های شمالی مالی به دلیل تراکم کم جمعیت از مطالعه خارج شدند.
شکل 10نشان می دهد که چگونه سه مؤلفه برای نگاشت آسیب پذیری مالی در یک شاخص کلی آسیب پذیری (VI) جمع می شوند. نقشه نوردهی به طور کلی شیب جنوب به شمال شاخص های نوردهی را با بارش کمتر، دماهای بالاتر و تنوع بارندگی بیشتر در شمال در مقایسه با جنوب نشان می دهد. نقشه حساسیت بالاترین حساسیت را در جنوب شرقی کشور با سکونت متراکم نشان می دهد، و جزء ظرفیت تطبیقی ​​به طور کلی بالاترین ظرفیت تطبیقی ​​را در نزدیکی پایتخت و نزدیک به رودخانه نیجر نشان می دهد (ظرفیت تطبیقی ​​به عنوان «عدم ظرفیت تطبیقی» نشان داده می شود، مطابق با بالا مقادیر نشان‌دهنده آسیب‌پذیری بالاتر در سایر مؤلفه‌ها، با افزایش ظرفیت تطبیقی ​​با افزایش فاصله از آن ویژگی‌ها کاهش می‌یابد. نقشه کلی آسیب‌پذیری به شدت تحت‌تاثیر شیب جنوب به شمال شاخص‌های قرار گرفتن در معرض آب و هوا قرار دارد، اگرچه آسیب‌پذیری نسبتاً پایین‌تری در تیمبوکتو و گائو (شمال شرقی مالی) وجود دارد که تقریباً مطابق با قوس رودخانه نیجر است. به طور کلی، مناطقی که بیشترین آسیب پذیری را دارند، درست در شمال ایزوهیت 500 میلی متری برای بارندگی قرار دارند که مرز شمالی کشاورزی دیم را تشکیل می دهد.
هنگام هدف قرار دادن کار سازگاری، مهم است که اندازه نسبی جمعیت‌هایی که در مناطق آسیب‌پذیر زندگی می‌کنند نیز در نظر گرفته شود. در مالی، جمعیت برای هر یک از پنج طبقه آسیب پذیری (از کم، 0-20، تا بسیار زیاد، 80-100) به طور قابل توجهی متفاوت است. تقریباً 40٪ از جمعیت مالی در مناطق طبقه بندی شده به عنوان آسیب پذیری متوسط ​​(VI از 40-60)، و 32٪ در آسیب پذیری متوسط ​​به بالا (VI از 60-80) ساکن هستند. تنها 6 درصد در مناطقی با بیشترین آسیب پذیری زندگی می کنند، و تراکم جمعیت در این مناطق عمدتاً شمالی تنها هفت نفر در کیلومتر مربع است، در مقایسه با تراکم بیش از 3600 نفر در هر کیلومتر مربع برای رده آسیب پذیری کم.
تا حدی در نتیجه این تلاش نقشه برداری، یک پروژه بزرگ سازگاری با آب و هوا با بودجه USAID در منطقه موپتی، که در امتداد رودخانه نیجر در منطقه ای با آسیب پذیری متوسط ​​تا نسبتاً زیاد اما تراکم جمعیت نسبتاً بالا واقع شده است، راه اندازی شد. نقشه آسیب‌پذیری حاصل همچنین شامل نقشه‌های عدم قطعیت برای مهم‌ترین شاخص‌ها می‌شود: شاخص‌های قرار گرفتن در معرض آب و هوا برگرفته از FEWSNET و آن‌هایی که از بررسی DHS به دست آمده‌اند. اینها روی هم، هفت شاخص از هجده شاخص را تشکیل می دادند.
شکل 11 SVI را در رابطه با LECZ برای ساحلی غرب آفریقا نشان می دهد. با توجه به محدودیت‌های این نوع مطالعه (مقیاس نقشه‌برداری، شکاف‌های داده‌ها و عدم قطعیت)، نقشه تعدادی از مناطقی را که آسیب‌پذیری بالایی دارند و احتمالاً در معرض خطر قابل‌توجهی در آینده هستند، برجسته می‌کند. با در نظر گرفتن این موارد به نوبه خود، مناطق با جمعیت بالا و مواجهه اجتماعی و اقتصادی در LECZ شامل دلتای نیجر، لاگوس و کوتونو است. این به توسعه شدید شهری و اقتصادی در این مناطق، تراکم بالای جمعیت و رشد سریع جمعیت مربوط می شود. پیش‌بینی‌های جمعیتی افزایش بیش از سه برابری جمعیت را در باند 0-5 متری LECZ از سال 2010 تا 2050، از 15.4 به 56.6 میلیون نفر، با 73٪ از کل (41.5 میلیون) در نیجریه نشان می‌دهد [14] .]. در دلتای نیجر الگوهای مواجهه اجتماعی و اقتصادی بالا با بهره برداری نفت و گاز و سطوح بالای فقر و درگیری همراه است. کار جداگانه [ 37 ] دلتای نیجر را به عنوان یک کانون جهانی گسترش شهری و خطر سیل شناسایی کرده است.
خطوط ساحلی در بخش‌های غربی منطقه، از گینه تا لیبریا، شیب بیشتری پیدا می‌کنند که منجر به سطوح کمتری از قرار گرفتن در معرض کلی می‌شود. ساحل عاج، غنا و توگو جایی بین این دو افراط هستند. به عنوان مثال، آکرا این مزیت را دارد که تا حد زیادی خارج از ارتفاع 20 متری LECZ قرار دارد. گینه بیسائو پستی است اما کم جمعیت است و دارایی های اقتصادی بسیار کمی در معرض دید قرار دارد. به طور کلی، ترکیبی از درگیری‌های مسلحانه، دارایی‌های اقتصادی، تراکم جمعیت (در لاگوس، بنین سیتی، دلتا، و بندر هارکورت)، و رشد جمعیت پیش‌بینی‌شده، نیجریه را در صدر فهرست کشورهای پرخطر در غرب آفریقا قرار می‌دهد. از نظر سیستم های طبیعی، حراهای ساحلی، شوره زارها، مصب ها، و تالاب های غرب آفریقا همگی در برابر عوامل استرس زا به سمت دریا بسیار آسیب پذیر هستند در حالی که به طور همزمان ظرفیت بافری را در برابر موج طوفان فراهم می کنند. نقشه برداری از مناطق حفاظت شده در منطقه که بخشی از این رزمایش بود نشان داد که این سیستم ها در حال حاضر تحت حفاظت هستند.
از نظر سودمندی، این مطالعه به عنوان یک سند مرجع در تهیه دو فراخوان اصلی USAID برای پیشنهادات مورد استفاده قرار گرفت: پروژه تنوع زیستی و تغییرات آب و هوایی غرب آفریقا (WA-BiCC)، که بخشی از آن به دنبال ایجاد انعطاف پذیری ساحلی در مناطقی است که در حال تجربه هستند. از دست دادن حرا، و پروژه SERVIR/West Africa، که به دنبال استفاده از ابزارهای مکانی برای تصمیم گیری در غرب آفریقا است. در حالی که این اعتبار روش‌ها را «اثبات» نمی‌کند (مساله‌ای که در محدودیت‌های زیر به آن اشاره می‌کنیم)، نشان می‌دهد که در زمینه‌های تصمیم‌گیری، چنین نقشه‌هایی برای برنامه‌نویسی و اولویت‌بندی ارزشمند هستند.
Ijgi 04 02561 g011 1024
شکل 11. SVI در رابطه با LECZ آفریقای غربی.

4. محدودیت ها

در اینجا، تعدادی از محدودیت‌ها را با ساختار شاخص آسیب‌پذیری که بر نتایج ما تأثیر می‌گذارند، توضیح می‌دهیم. در حالی که ما احساس نمی‌کنیم این محدودیت‌ها کار را بی‌اعتبار می‌کند، اما احساس می‌کنیم که برای کاربران نقشه‌ها مهم است که از این مسائل آگاه باشند.
نتایج نگاشت شاخص آسیب پذیری تحت تأثیر داده های موجود و انتخاب شاخص ها قرار می گیرد. در حالی که انتخاب‌های ما بر اساس ملاحظات نظری هدایت می‌شد، واضح است که اگر داده‌هایی برای شاخص‌های خاص در دسترس نبود، یا اگر انتخاب‌های متفاوتی انجام می‌شد، بر نتایج تأثیر می‌گذاشت. ما یک تجزیه و تحلیل حساسیت روی داده‌های مالی انجام دادیم تا تغییر شاخص آسیب‌پذیری ناشی از حذف شاخص‌های فردی را تعیین کنیم و دریافتیم که بسته به مکان، امتیاز شاخص بین 10- تا 15+ از 100 امتیاز تغییر کرده است. ما احساس می کردیم که این در حد قابل تحملی است، اما این در چشم بیننده باقی می ماند. در نهایت، اثبات اعتبار یک شاخص آسیب پذیری باید در قدرت پیش بینی آن باشد. می توان فرض کرد که خسارات ناشی از قرار گرفتن در معرض یک رویداد معین (به عنوان مثال، خشکسالی) – اعم از سوء تغذیه، مرگ و میر، یا زیان های اقتصادی – در مناطق آسیب پذیرتر بیشتر خواهد بود. با بررسی نتایج در مقایسه با آسیب‌پذیری پیش‌بینی‌شده، می‌توان شاخص‌ها و وزن‌دهی را برای به دست آوردن مدلی با بهترین تناسب تنظیم کرد. این می‌تواند نشان‌دهنده ساخت شاخص برای کشورهایی باشد که با خطرات طبیعی مشابه و با آسیب‌پذیری اجتماعی مشابه روبرو هستند. در حالی که ما برخی از معیارهای پیامد (مرگ و میر نوزادان و سوء تغذیه کودکان) را در شاخص خود گنجانده‌ایم، آنها نتایج شوک‌ها را منعکس نمی‌کنند، بلکه آنچه را که می‌توان سطوح پس‌زمینه نامید. گام بعدی در این کار بررسی نتایج در رابطه با قرار گرفتن در معرض شوک است. می توان شاخص ها و وزن دهی را برای به دست آوردن مدلی با بهترین تناسب تنظیم کرد. این می‌تواند نشان‌دهنده ساخت شاخص برای کشورهایی باشد که با خطرات طبیعی مشابه و با آسیب‌پذیری اجتماعی مشابه روبرو هستند. در حالی که ما برخی از معیارهای پیامد (مرگ و میر نوزادان و سوء تغذیه کودکان) را در شاخص خود گنجانده‌ایم، آنها نتایج شوک‌ها را منعکس نمی‌کنند، بلکه آنچه را که می‌توان سطوح پس‌زمینه نامید. گام بعدی در این کار بررسی نتایج در رابطه با قرار گرفتن در معرض شوک است. می توان شاخص ها و وزن دهی را برای به دست آوردن مدلی با بهترین تناسب تنظیم کرد. این می‌تواند نشان‌دهنده ساخت شاخص برای کشورهایی باشد که با خطرات طبیعی مشابه و با آسیب‌پذیری اجتماعی مشابه روبرو هستند. در حالی که ما برخی از معیارهای پیامد (مرگ و میر نوزادان و سوء تغذیه کودکان) را در شاخص خود گنجانده‌ایم، آنها نتایج شوک‌ها را منعکس نمی‌کنند، بلکه آنچه را که می‌توان سطوح پس‌زمینه نامید. گام بعدی در این کار بررسی نتایج در رابطه با قرار گرفتن در معرض شوک است. آنها نتایج شوک ها را منعکس نمی کردند، بلکه آنچه را که می توان سطوح پس زمینه نامید. گام بعدی در این کار بررسی نتایج در رابطه با قرار گرفتن در معرض شوک است. آنها نتایج شوک ها را منعکس نمی کردند، بلکه آنچه را که می توان سطوح پس زمینه نامید. گام بعدی در این کار بررسی نتایج در رابطه با قرار گرفتن در معرض شوک است.
مجموعه دیگری از محدودیت‌ها مربوط به شکل عملکردی رابطه بین شاخص‌ها یا میان مؤلفه‌هایی است که به آسیب‌پذیری کمک می‌کنند [ 15] .]. به عنوان مثال، برای نقشه آسیب‌پذیری مالی، ما فرض می‌کنیم که مقادیر حداقل و حداکثر مشاهده‌شده (یا معادل‌های winsorized آن‌ها) در لایه‌های ورودی معنی یکسانی دارند. به عنوان مثال، این روش نشان می‌دهد که زمان سفر 36 ساعته به نزدیک‌ترین مرکز جمعیتی همان تأثیری بر حساسیت و ظرفیت سازگاری دارد که نرخ مرگ و میر نوزادان (IMR) 135 مرگ در هر 1000 تولد زنده است، زیرا هر دو دارای امتیاز تغییر یافته هستند. از 100. با این حال، ممکن است منطقه ای با IMR 135 به طور قابل توجهی آسیب پذیرتر باشد. عامل ساده دیگری که باعث می‌شود افراط‌ها قابل مقایسه نباشند این است که برای برخی از شاخص‌ها، مقادیر بر یک سطح درون‌یابی شده با دقت فضایی بالا استوار است، که مقادیر شدیدتر یا «دم‌های بلند» در توزیع داده‌ها ایجاد می‌کند (مثلاً دسترسی به بازار). دیگران (مثلا IMR و شاخص فقر به تفکیک کمون) در واحدهای فضایی به طور متوسط ​​محاسبه می شوند که به طور مصنوعی افراط را کاهش می دهد. اگرچه ما دنباله‌های سطوح شطرنجی پیوسته را به گونه‌ای کوتاه کردیم که امتیازات آسیب‌پذیری را برای مقادیر پایین‌تر در مقیاس خام افزایش دهیم، برای اینکه بتوانیم هر دو شاخص را برای هر سطح آسیب‌پذیری «مطلق» محک بزنیم، دوباره به معیارهای نتیجه نیاز داریم. .
با پیروی از روش استاندارد، فرض دیگری که می‌کنیم این است که یک رابطه خطی بین لایه‌های ورودی و مقوله مفهومی در حال اندازه‌گیری را فرض کنیم. با این حال، رابطه عملکردی ممکن است بسیار متفاوت باشد. ممکن است یک تابع پله ای، یا سیگموئید یا مجانبی باشد، اگر آستانه های بحرانی درگیر باشد، یا ممکن است نمایی باشد اگر مقادیر بالا باعث ایجاد مشکلات آبشاری شوند که در سطوح پایین تر نشان داده نمی شوند. ما در نظر گرفتن لگاریتم طبیعی داده های خام را به عنوان بخشی از فرآیند تبدیل برای برخی از شاخص ها در نظر گرفتیم اما توجیه نظری قوی برای انجام این کار نداشتیم. تعامل بین اجزا به این موضوع مربوط می شود. در حال حاضر ما از یک رویکرد افزایشی استفاده می کنیم، اما این تعامل ممکن است چند برابری باشد. به عنوان مثال، اگر ظرفیت به اندازه کافی بالا باشد، اگر حساسیت یا قرار گرفتن در معرض شما بسیار زیاد باشد، ممکن است خیلی مهم نباشد. راه دیگری برای بیان این موضوع این است که این فرض که سه مولفه قابل تعویض هستند – که سطوح خوب در یک مؤلفه، سطوح بد را در یک مؤلفه دیگر، در کل طیف مقادیر، جبران می کند – ممکن است درست نباشد. یک راه حل ممکن این است که میانگین هندسی شاخص ها را در نظر بگیریم، در نتیجه اطمینان حاصل کنیم که آسیب پذیری فقط به دلیل پیشرفت در سایر زمینه ها کاهش نمی یابد.16 ]. با این حال، این به همان اندازه به توجیه نظری نیاز دارد که رویکرد افزایشی، و یک بار دیگر تنها با معیارهای نتیجه قوی قابل آزمایش است.
PCA برخی از کاستی های رویکرد افزایشی را با فرض نکردن هیچ رابطه قبلی بین شاخص ها، اما اجازه می دهد تا آن روابط از تجزیه و تحلیل پدیدار شوند، غلبه می کند. هنگام نقشه‌برداری آسیب‌پذیری اجتماعی-اکولوژیکی در گستره‌های فضایی بزرگ (و بنابراین در بین سیستم‌های اجتماعی-اکولوژیکی متنوع) این احتمال وجود دارد که محرک‌های آسیب‌پذیری به طور قابل‌توجهی در فضا متفاوت باشند [ 38 ]. به همین دلیل، ما PCA را به عنوان یک روش تجمع جایگزین در تمرین نقشه برداری مالی ارائه کردیم. نتایج کلی مشابه رویکرد افزایشی است، اگرچه به نظر می رسد شاخص هایی که نزدیکی به سکونتگاه های اصلی، دسترسی به بازار و زیرساخت های بهداشتی را منعکس می کنند تأثیرگذارتر باشند.

5. بحث

ما با بحث در مورد پتانسیل ها و کاستی های استفاده از داده های سنجش از دور به عنوان جانشین برای سایر منابع داده، مزایا و چالش های یکپارچه سازی داده ها، و درس های آموخته شده از این تمرین های نقشه برداری به پایان می رسیم.
اول، شایان ذکر است که ما مطمئنا اولین کسی نیستیم که داده های سنجش از دور ماهواره ای را در ارزیابی آسیب پذیری آب و هوا یکپارچه می کنیم. نمونه های دیگر عبارتند از Midgley و همکاران. [ 7 ]، که تصاویر نورهای شبانه را بر اساس جمعیت تقسیم کرد تا فقر را ارزیابی کند (الهام گرفته از نور و همکاران [ 39 ] و بعداً توسط Ghosh و همکاران [ 40 ] توسعه یافت) و همچنین تناسب زیستگاه Tsetse Fly تا حدی از داده های سنجش از دور در پوشش گیاهی، دما و رطوبت؛ و هاگنلوخر و همکاران. [ 41 ]، که مشابه این مطالعه از داده های آب و هوا و سیل استفاده می کنند که تا حدی از سنجش از دور مشتق شده اند. هاگنلوچر و همکاران[ 41 ] همچنین از یک بسته نرم‌افزار سنجش از دور مبتنی بر شی، eCognition، برای پردازش و ارائه شاخص‌ها در واحدهای جغرافیایی مجزا به نام geons استفاده کرد [ 42 ].
همانطور که قبلا ذکر شد، داده های سنجش از راه دور از مزایای پوشش دیوار به دیوار تعدادی از پارامترهای مورد علاقه برخوردار هستند. این هم مزیت ارائه معیارهای ثابت در سراسر کشورها (مانند مورد ده کشور ساحلی غرب آفریقا) و هم پر کردن شکاف های داده در زمینه عموماً ضعیف داده های جنوب صحرای آفریقا را دارد. از سوی دیگر، برای اطمینان از اعتبار آنها، تراش زمینی مهم است. تعدادی از لایه‌های داده‌ای که ما استفاده کردیم بر اساس سنجش از دور و مشاهدات زمینی (مثلاً مجموعه داده‌های آب و هوا و کربن خاک FEWSNET) مدل‌سازی شدند. با این حال، در آفریقا، مشاهدات زمینی اغلب پراکنده هستند، همانطور که در بحث ما در مورد داده های کربن خاک ذکر شد.شکل 10 ). با این حال، داده‌های کربن خاک دارای لایه‌های داده نقاط ورودی مشابهی نیستند که بتوانیم نقشه عدم قطعیت را محاسبه کنیم.
پتانسیل بیشتری برای به دست آوردن اطلاعات در مورد ویژگی های اجتماعی-اقتصادی جمعیت ها از سنجش از دور وجود دارد، اگرچه این روش ها اغلب یا کار فشرده هستند یا مملو از عدم قطعیت هستند (مثلاً معیارهای فقر در شب). به عنوان مثال، نقشه برداری زاغه را می توان با استفاده از تصاویر سنجش از دور [ 43 ] انجام داد ، اما طبقه بندی اغلب شامل تفسیر دستی است. این را می توان برای شهرهای جداگانه انجام داد [ 44 ، 45] اما بعید است که در مناطق بزرگتر عملی شود. انواع مسکن در مناطق روستایی نیز ممکن است پیش بینی کننده وضعیت اجتماعی-اقتصادی باشد. در واقع، یکی از متغیرهای DHS که به یک نشانگر مرکب ثروت خانوار وارد می شود، مواد سقف است که می تواند به راحتی در تصاویر سنجش از دور با وضوح بالا قابل مشاهده باشد. در اینجا، هزینه اکتساب داده احتمالاً مانعی برای استفاده است.
چالش های اولیه یکپارچه سازی داده ها به وضوح زمانی و مکانی مجموعه داده ها مربوط می شود. تفکیک زمانی (یا مقیاس) به چارچوب زمانی ارزیابی و همچنین فراوانی زمانی پدیده‌های مورد علاقه مربوط می‌شود، که عموماً عامل استرس‌زای اقلیمی است که سیستم در معرض آن قرار می‌گیرد [46] .]. همچنین می‌تواند به فرکانس اندازه‌گیری اشاره کند، به عنوان مثال، از ساعتی (برای داده‌های آب و هوایی) تا هفتگی (برای داده‌های سنجش از دور با وضوح بالاتر) تا دهه‌ای (برای داده‌های سرشماری). به طور کلی، VA های فضایی داده هایی را که دوره های زمانی متعددی را نشان می دهند یکپارچه می کنند. تجزیه و تحلیل آب و هوا ممکن است به داده های تاریخی برای دوره های 50 تا 100 ساله نیاز داشته باشد تا بتواند به اندازه کافی روندها یا فراوانی رویدادهای شدید را ثبت کند. داده‌های اجتماعی-اقتصادی ممکن است محدود به تاریخ‌های آخرین سرشماری یا بررسی باشد، و داده‌های پوشش زمین ممکن است برای چندین مقطع زمانی در دسترس باشد، و اغلب جدیدتر از داده‌های سرشماری یا بررسی است. برای ارزیابی های محلی، داده های کاملاً جدید ممکن است توسط خود اعضای جامعه جمع آوری شود یا توسط آژانس های محلی ارائه شود.
این یک روش خوب است که به وضوح چارچوب زمانی تقریبی را که ارزیابی نشان می‌دهد، به اشتراک بگذاریم و به کاربران توصیه کنیم که داده‌های قدیمی‌تر را با توجه به محدودیت‌های داده، ترکیب کنند. داده‌های سنجش از دور در مقایسه با داده‌های اجتماعی-اقتصادی نسبتاً به‌روز هستند، اما این می‌تواند منجر به عدم تطابق زمانی شود. بر عهده تولیدکنندگان نقشه است که تاریخ هر مجموعه داده را به وضوح مستند کنند و تأثیر استفاده از داده‌های ناسازگار فضایی (مثلاً بررسی یک دهه گذشته با نقشه پوشش زمین که یک سال پیش تهیه شده است) را به طور واضح اعلام کنند، زیرا این موارد بدیهی است بر تفسیر آنچه اکثر کاربران تصور می کنند تصویری از آسیب پذیری یا خطر فعلی است.
عطف به تفکیک فضایی، پرستون و همکاران. [ 10] وضوح فضایی متداول مجموعه داده های مورد استفاده در نگاشت آسیب پذیری را توصیف می کند. در یک طرف، داده‌های بیوفیزیکی، که اغلب از سنجش از راه دور به دست می‌آیند، وجود دارند که در تفکیک‌پذیری‌های مکانی بالا (30 متر تا 1 کیلومتر) هستند. در طرف دیگر داده های آب و هوایی قرار دارند که اغلب می توانند درشت باشند (50 تا 100 کیلومتر). داده‌های اقتصادی-اجتماعی سرشماری‌ها و نظرسنجی‌ها که اغلب در واحدهایی با اندازه ناهمگن هستند که تا حدی تابعی از تراکم جمعیت هستند، در میان قرار گرفته‌اند. این یک دیدگاه کلی است، زیرا استثناهای آشکاری وجود دارد، مانند داده‌های ماهواره‌ای با وضوح درشت‌تر (به عنوان مثال، چراغ‌های شبانه DMSP-OLS با وضوح اسمی 2.8 کیلومتر) یا داده‌های آب و هوایی از ایستگاه‌های هواشناسی منفرد که مناطق بسیار محلی را نشان می‌دهند.
ادغام داده‌ها در مقیاس‌های فضایی مختلف می‌تواند منجر به مصنوعاتی در نقشه‌ها شود که ناخواسته توجه را به تفاوت‌های بین مناطقی جلب می‌کند که لزوماً روی زمین وجود ندارند. به عنوان مثال، ناپیوستگی های ناگهانی در سراسر مرزها ممکن است مصنوع از استفاده از شاخص های ظرفیت تطبیقی ​​در سطح اداری باشد، یا ممکن است منعکس کننده تغییرات واقعی ناشی از رژیم های حکومتی مختلف باشد. جدا از جمع‌آوری دقیق داده‌های سطح زمین، تعیین اینکه آیا این ناپیوستگی‌ها واقعاً منعکس‌کننده تغییرات «واقعی» در آسیب‌پذیری روی زمین هستند، دشوار است. نقشه هایی که شامل متغیرهای پیوسته به دست آمده از داده های سنجش از دور هستند (مثلاً داده های کربن خاک یا جنگل زدایی) ممکن است منجر به نقشه هایی با نتایج پیکسلی شوند که ممکن است نویز به نظر برسند. در این موارد استفاده از فیلتر پایین گذر ممکن است به کاهش نویز و افزایش ارزش ارتباط کمک کند. این یکی از دلایلی است که ما به دنبال تعمیم داده های جنگل زدایی بودیم، زیرا تفسیر بصری داده های 30 متری Landsat بسیار دشوار بود.
مسائل و رویکردهای بیشتر مربوط به سطح فضایی، جعبه‌های مرزی، و واحدهای تجزیه و تحلیل ( به عنوان مثال ، واحدهای زیرملی، زمین‌ها یا سلول‌های شبکه) بیشتر در د شربینین [ 8] پرداخته شده است.]. همه این مسائل برای پرداختن به آنها مهم هستند و تحت تأثیر ترکیب داده هایی هستند که به روش های مختلف نمایش داده می شوند (سلول های شبکه، نقاط، خطوط و چند ضلعی ها) و از روش های اساساً متفاوت جمع آوری داده ها مشتق می شوند. برای ارزیابی‌هایی که میانگین سنجش از دور و پارامترهای اجتماعی-اقتصادی بر روی واحدهای اداری است، با مشکل واحد منطقه‌ای قابل اصلاح (MAUP) مواجه می‌شوند، که تصریح می‌کند که نتایج تحلیل‌های آماری اساساً تحت تأثیر اندازه واحدهای مورد استفاده قرار می‌گیرد. واحدهای کوچکتر نسبت به واحدهای بزرگتر تمایل به مقادیر بسیار متفاوت و انحرافات استاندارد کمتر دارند.

6. نتیجه گیری

واضح است که، صرف نظر از محدودیت‌های آن، سنجش از دور نقش فزاینده‌ای در تلاش‌های نقشه‌برداری آسیب‌پذیری خواهد داشت. این احتمال وجود دارد که با ترکیب عوامل بیوفیزیکی مشتق از سنجش از دور با پارامترهای اجتماعی-اقتصادی، شاهد به‌روزرسانی‌های زمان واقعی بیشتری از شاخص‌های آسیب‌پذیری باشیم. این ممکن است شامل اندازه‌گیری‌های زمان واقعی بارش (به عنوان مثال، ماموریت اندازه‌گیری بارش استوایی (TRMM) و اندازه‌گیری بارش جهانی (GPM))، رطوبت خاک (غیرفعال فعال رطوبت خاک (SMAP))، سیل (محصولات سیل MODIS)، واکنش پوشش گیاهی باشد. به خشکسالی (به عنوان مثال، MODIS Enhanced Vegetation Index (EVI) و Normalized Difference Vegetation Index (NDVI)) از جنبه بیوفیزیکی. در بعد اجتماعی-اقتصادی،47 ]. همانطور که تقاضا برای نقشه‌های آسیب‌پذیری افزایش می‌یابد، مطمئناً تقاضای متناظری برای محصولات داده‌های مشتق‌شده از سنجش از راه دور، به‌ویژه در مناطق فقیر از داده، وجود خواهد داشت.
یک درس کلیدی که از این کار آموخته شد این است که نقشه ها برای ارتباطات خط مشی [ 9 ] بسیار قدرتمند هستند و وقتی در زمینه های سیاست گذاری ارائه می شوند، به عنوان اشیاء مرزی مهمی عمل می کنند که بحث و گفتگو را تحریک می کنند. با این حال، با قدرت نقشه ها مسئولیت نیز به همراه دارد. قدرت خود نقشه‌ها، که ساده‌سازی واقعیت‌های پیچیده مبتنی بر زمین با انتزاع اطلاعات است، ممکن است به آن‌ها نفوذ غیرعادی در میان مخاطبان سیاست [ 10 ] بدهد، حتی اگر ممکن است به نتیجه‌گیری‌های اشتباه منجر شود. همیشه مهم است که اطمینان حاصل شود که محدودیت‌ها و عدم قطعیت‌های موجود در نقشه‌ها به وضوح بیان شده است [ 8 ].

منابع

  1. مکلر، آر. Bouwer, LM درک روندها و پیش بینی تلفات بلایای طبیعی و تغییرات آب و هوایی: آیا آسیب پذیری حلقه گم شده است؟ صعود چانگ. 2014 ، 133 ، 23-35. [ Google Scholar ] [ CrossRef ]
  2. کاتر، SL; بوروف، بی جی؛ شرلی، WL آسیب پذیری اجتماعی در برابر خطرات محیطی. Soc. علمی Q. 2003 , 84 , 242-261. [ Google Scholar ] [ CrossRef ]
  3. تورکو، ام. Palazzi1، E. فون هاردنبرگ، جی. Provenzale، A. نقاط داغ تغییرات آب و هوایی مشاهده شده. ژئوفیز. Res. Lett. 2015 ، 42 ، 3521-3528. [ Google Scholar ] [ CrossRef ]
  4. مولر، سی. وها، ک. بوندو، آ. Heinke, J. نقاط داغ تأثیرات تغییر آب و هوا در جنوب صحرای آفریقا و پیامدهای سازگاری و توسعه. گلوب. چانگ. Biol. 2014 ، 20 ، 2505-2517. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. بازبی، جی دبلیو. اسمیت، تی جی; کریشنان، N. آسیب پذیری امنیتی آب و هوا در نقشه برداری آفریقا 3.01. سیاسی. Geogr. 2014 ، 43 ، 51-67. [ Google Scholar ] [ CrossRef ]
  6. لوپز-کار، دی. پریکوپ، ن. اوکما، جی. یانکووسکا، م. فانک، سی. هوساک، جی. مایکلسن، جی. تحلیل فضایی پویایی جمعیت و تغییرات آب و هوایی در آفریقا: نقاط داغ آسیب‌پذیری بالقوه در جایی که بارش کاهش می‌یابد و فشارهای جمعیتی منطبق می‌شوند ظاهر می‌شوند. مردمی محیط زیست 2014 ، 35 ، 323-339. [ Google Scholar ] [ CrossRef ]
  7. Midgley، SJE; دیویس، RAG; چسترمن، نقشه برداری خطر آب و هوا و آسیب پذیری در جنوب آفریقا: وضعیت موجود (2008) و آینده (2050) ؛ سرمایه‌گذاری‌های پایدار OneWorld: کیپ تاون، آفریقای جنوبی، 2011. [ Google Scholar ]
  8. د شربینین، الف. نقشه برداری غیرقابل اندازه گیری؟ تحلیل فضایی آسیب پذیری در برابر تغییرات اقلیمی و تغییرپذیری آب و هوا. Ph.D. پایان نامه، دانشگاه Twente، Enschede، هلند، 2014. [ Google Scholar ]
  9. د شربینین، ا. دانشگاه کلمبیا، نیویورک، نیویورک، ایالات متحده آمریکا. اثر منتشر نشده 2015.
  10. پرستون، BL; یوئن، ای جی. Westaway، RM قرار دادن آسیب پذیری در برابر تغییرات آب و هوایی بر روی نقشه: بررسی رویکردها، مزایا و خطرات. حفظ کنید. علمی 2011 ، 6 ، 177-202. [ Google Scholar ] [ CrossRef ]
  11. برنامه آسیب پذیری، تأثیرات و سازگاری (PROVIA). اولویت های پژوهشی در مورد آسیب پذیری، تأثیرات و سازگاری: پاسخ به چالش تغییرات آب و هوایی ؛ برنامه محیط زیست سازمان ملل: نایروبی، کنیا، 2013. [ Google Scholar ]
  12. د شربینین، الف. نقشه‌برداری نقاط داغ تغییر آب و هوا: چه آموخته‌ایم؟ صعود چانگ. 2013 ، 123 ، 23-37. [ Google Scholar ] [ CrossRef ]
  13. د شربینین، ا. چای اون، تی. جیانینی، آ. جایته، م. لوی، ام. مارا، وی. Pistolesi، L. مالی نقشه‌برداری آسیب‌پذیری آب و هوا. در دسترس آنلاین: http://community.eldis.org/.5bf8c6aa (در 22 ژوئیه 2015 قابل دسترسی است).
  14. د شربینین، ا. چای اون، تی. جایته، م. مارا، وی. پیستولسی، ال. Schnarr، E. نقشه برداری قرار گرفتن در معرض سیستم های اجتماعی-اقتصادی و طبیعی غرب آفریقا با عوامل استرس زا آب و هوای ساحلی. در دسترس آنلاین: http://www.ciesin.org/documents/TBW04-02WACoastalMappingResults_CLEARED.pdf (در 22 ژوئیه 2015 قابل دسترسی است).
  15. هینکل، جی. «شاخص‌های آسیب‌پذیری و ظرفیت تطبیقی»: به سوی شفاف‌سازی رابط علم و سیاست. گلوب. محیط زیست چانگ. 2011 ، 21 ، 198-208. [ Google Scholar ] [ CrossRef ]
  16. وزارت همکاری اقتصادی و توسعه فدرال آلمان (BMZ). کتاب منبع آسیب پذیری: مفهوم و دستورالعمل برای ارزیابی استاندارد آسیب پذیری . Deutsche Gesellschaft fur Internationale Zusammenarbeit (GIZ): برلین، آلمان، 2014. [ Google Scholar ]
  17. Parry, ML; کانزیانی، اف. خلاصه فنی Palutikof، JP. در تغییرات آب و هوایی 2007: تأثیرات، سازگاری و آسیب پذیری ؛ Parry, ML, Canziani, OF, Palutikof, JP, van der Linden, PJ, Hanson, CE, Eds. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2007; ص 23-78. [ Google Scholar ]
  18. هیئت بین دولتی تغییرات آب و هوایی (IPCC). مدیریت خطرات حوادث و بلایای شدید برای پیشبرد سازگاری با تغییرات اقلیمی ؛ Field، CB، Barros، V.، Stocker، TF، Qin، D.، Dokken، DJ، Ebi، KL، Mastrandrea، MD، Mach، KJ، Plattner، G.-K.، Allen، SK، و همکاران . ، ویرایش. انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2012. [ Google Scholar ]
  19. فانک، سی. مایکلسن، جی. مارشال، ام. نقشه برداری از تغییرات آب و هوایی دهه اخیر در بارش و دما در سراسر آفریقای شرقی و ساحل. در سنجش از دور خشکسالی-رویکردهای نظارتی نوآورانه ؛ واردلو، بی.، اندرسون، ام.، وردین، ج.، ویرایش. CRC Press: Boca Raton، FL، USA، 2012; صص 331-358. [ Google Scholar ]
  20. لوتز، دبلیو. مطرک، ر. Striessnig، E. آموزش همگانی کلیدی برای افزایش سازگاری با آب و هوا است. Science 2014 ، 346 ، 1061-1062. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. هال، دبلیو. گری، دی. گاریک، دی. فانگ، اف. براون، سی. دادسون، اس جی. Sadoff، CW مقابله با نفرین تنوع آب شیرین. علوم 2014 ، 346 ، 429-430. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. خاکستری، LC; Moseley, WG دیدگاهی جغرافیایی در مورد تعاملات فقر-محیط. Geogr. J. 2005 ، 171 ، 9-23. [ Google Scholar ] [ CrossRef ]
  23. مرکز شبکه بین المللی اطلاعات علوم زمین (CIESIN). راهنمای گام به گام نقشه‌برداری نقاط حساس آسیب‌پذیری: پیاده‌سازی رویکرد شاخص فضایی . CIESIN: Palisades، نیویورک، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  24. زی، پی. Arkin، PA یک تحلیل ماهانه 17 ساله بر اساس مشاهدات سنج، تخمین های ماهواره ای و خروجی های مدل عددی. گاو نر صبح. هواشناسی Soc. 1997 ، 78 ، 2539-2558. [ Google Scholar ] [ CrossRef ]
  25. استراتژی بین المللی سازمان ملل برای کاهش خطر بلایا (UNISDR). گزارش ارزیابی جهانی 2013 ; UNISDR: ژنو، سوئیس، 2013. [ Google Scholar ]
  26. Arcement، GJ; اشنایدر، راهنمای VR برای انتخاب ضرایب ناهمواری منینگ برای کانال‌های طبیعی و دشت‌های سیلابی ؛ سازمان زمین شناسی ایالات متحده: دنور، CO، ایالات متحده آمریکا، 1989. [ Google Scholar ]
  27. هرولد، سی. رودری، ر. بهبود مدل سیل جهانی برای GAR 2013 و 2015 ; دفتر سازمان ملل متحد برای کاهش خطر بلایا (UNISDR): ژنو، سوئیس، 2013. [ Google Scholar ]
  28. رالز، WJ; پاچپسکی، YA; ریچی، جی سی. Sobecki، TM; Bloodworth، H. اثر کربن آلی خاک بر حفظ آب خاک. ژئودرما 2003 ، 116 ، 61-76. [ Google Scholar ] [ CrossRef ]
  29. الیس، EC؛ Ramankutty، N. قرار دادن مردم در نقشه: زیست بوم های انسانی جهان. جلو. Ecol. محیط زیست 2008 ، 6 ، 439-447. [ Google Scholar ] [ CrossRef ]
  30. مرکز بایگانی فعال توزیع شده فرآیندهای زمین (LP DAAC). Vegetation Continuous Fields MOD44B, 2001 Percent Tree Cover, Collection 3. در دسترس آنلاین: https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod44b (در 10 اکتبر 2007 در دسترس است).
  31. Kopp، RE; هورتون، آر.ام. کوچک، سی ام. Mitrovica، JX; اوپنهایمر، ام. راسموسن، دی جی؛ اشتراوس، BH; تبالدی، سی. پیش بینی های احتمالی سطح دریا در قرن 21 و 22 در یک شبکه جهانی از مکان های جزر و مد. Earths Future 2014 ، 2 ، 383-406. [ Google Scholar ] [ CrossRef ]
  32. بری، PAM؛ اسمیت، آر. Benveniste، J. ACE2: مدل جدید ارتفاع دیجیتال جهانی. در مجموعه مقالات سمپوزیوم بین المللی IAG 2008 در مورد گرانش، زمین شناسی و مشاهده زمین، Chania، یونان، 23-27 ژوئن 2008.
  33. ایوائو، ک. یاماموتو، ن. پاتون، دی. کوداما، اس. ناکامورا، آر. Matsuoka، M. اعتبارسنجی مدل‌های ارتفاع دیجیتال جهانی با اطلاعات پروژه تلاقی درجه و ASTER-DEM در Geo-GRID. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، XXXVII ، 1847-1852. [ Google Scholar ]
  34. داسگوپتا، اس. لاپلانت، بی. موری، اس. Wheeler، D. قرار گرفتن در معرض کشورهای در حال توسعه در معرض افزایش سطح آب دریا و افزایش طوفان. صعود چانگ. 2011 ، 106 ، 567-579. [ Google Scholar ] [ CrossRef ]
  35. گیری، سی. اوچینگ، ای. Tieszen, LL; زو، ز. سینگ، آ. لاولند، تی. ماسک، جی. دوک، ن. وضعیت و توزیع جنگل‌های حرا جهان با استفاده از داده‌های ماهواره‌ای رصد زمین. گلوب. Ecol. Biogeogr. 2010 ، 20 ، 154-159. [ Google Scholar ]
  36. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. گونرالپ، بی. گونرالپ، آی. لیو، ی. تغییر الگوهای جهانی مواجهه شهری با خطرات سیل و خشکسالی. گلوب. محیط زیست چانگ. 2015 ، 31 ، 217-225. [ Google Scholar ] [ CrossRef ]
  38. آبسون، دی جی؛ داگیل، ای جی؛ Stringer، LC با استفاده از تحلیل مؤلفه اصلی برای نقشه‌برداری آسیب‌پذیری اجتماعی-اکولوژیکی غنی از اطلاعات در آفریقای جنوبی. Appli. Geogr. 2012 ، 35 ، 515-524. [ Google Scholar ] [ CrossRef ]
  39. نور، AM; آلگانا، VA; گترینگ، پی دبلیو؛ تاتم، ای جی; برف، RW استفاده از نور شبانه سنجش از راه دور به عنوان نماینده ای برای فقر در آفریقا. مردمی متر سلامت 2008 ، 6 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. قوش، ت. اندرسون، اس جی. الویج، سی دی; Suttonm، PC استفاده از تصاویر ماهواره ای شبانه به عنوان معیاری برای سنجش رفاه انسان. پایداری 2013 ، 5 ، 4988-5019. [ Google Scholar ] [ CrossRef ]
  41. هاگنلوچر، ام. لانگ، اس. هولبلینگ، دی. تاید، دی. کینبرگر، اس. مدل‌سازی نقاط داغ تغییرات آب و هوایی در ساحل با استفاده از منطقه‌بندی مبتنی بر شی مجموعه‌های داده شبکه‌ای چند بعدی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 ، 7 ، 229-234. [ Google Scholar ] [ CrossRef ]
  42. لانگ، اس. زیل، پ. کینبرگر، اس. Tiede, D. Geons—اشیاء جغرافیایی مرتبط با سیاست برای نظارت بر شاخص‌های سطح بالا. در مجموعه مقالات سمپوزیوم انجمن ژئوانفورماتیک 2008، سالزبورگ، آلمان، 1 تا 4 ژوئیه 2008.
  43. اسلیوزاس، آر. امبوپ، جی. de Sherbinin، A. گزارش جلسه گروه کارشناسی در مورد شناسایی و نقشه برداری زاغه ها. در دسترس آنلاین: www.alnap.org/pool/files/egm-slum-mapping-report-final.pdf (در 22 ژوئیه 2015 در دسترس است).
  44. کیت، او. لودکه، م. ریکین، دی. ارزیابی آسیب‌پذیری ناشی از تغییرات آب و هوایی در برابر سیل در حیدرآباد، هند، با استفاده از داده‌های سنجش از دور. در شهرهای تاب آور: شهرها و سازگاری با تغییرات اقلیمی – مجموعه مقالات مجمع جهانی 2010; اتو زیمرمن، ک.، ویرایش. Springer: دورترخت، هلند، 2011; صص 35-44. [ Google Scholar ]
  45. ایبرت، ا. کرل، ن. استین، الف. ارزیابی آسیب‌پذیری اجتماعی شهری با پروکسی‌های فیزیکی و معیارهای فضایی به دست آمده از تصاویر هوایی و فضایی و داده‌های GIS. نات. خطرات 2009 ، 48 ، 275-294. [ Google Scholar ] [ CrossRef ]
  46. کینبرگر، اس. بلاشکه، تی. زیدی، RZ چارچوبی برای مقیاس‌ها و مفاهیم مکانی-زمانی از رشته‌های مختلف: «مکعب آسیب‌پذیری». نات. خطرات 2013 ، 68 ، 1343-1369. [ Google Scholar ] [ CrossRef ]
  47. لی، ایکس. لی، دی. آیا تصاویر نور شبانه می توانند نقشی در ارزیابی بحران سوریه داشته باشند؟ بین المللی J. Remote Sens. 2014 , 35 , 6648–6661. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370