استفاده از GIS و فناوری سنجش از دور به عنوان یک ابزار پشتیبانی تصمیم در مدیریت بلایای سیل: مورد جنوب شرقی لوئیزیانا، ایالات متحده

هدف اصلی این مقاله شناسایی مناطق مستعد سیل در جنوب شرقی لوئیزیانا برای کمک به تصمیم‌گیرندگان برای توسعه استراتژی‌های سازگاری مناسب و پیش‌بینی سیل و کاهش اثرات آن بر جامعه بود. برای انجام این کار، این مقاله از داده های سنجش از دور ماهواره ای و سیستم اطلاعات جغرافیایی (GIS) برای این منظور استفاده می کند. داده های ارتفاعی از مجموعه داده های ملی ارتفاع (NED) تولید شده توسط سازمان زمین شناسی ایالات متحده (USGS) انبار داده یکپارچه به دست آمد. داده های ماهواره ای نیز از وب سایت USGS Earth explorer به دست آمده است. اطلاعات توپوگرافی در مورد ویژگی‌های رواناب مانند شیب، جهت و مدل رقومی ارتفاع تولید شد. TIN درونیابی شبکه (شبکه نامنظم مثلثی) از مدل ارتفاعی دیجیتال (DEM) برای ایجاد نقشه شیب انجام شد. Image Drape با استفاده از ERDAS IMAGINE Virtual GIS انجام شد. سپس تصویر خروجی بر روی داده های ارتفاع NED برای اهداف تجسم با اغراق عمودی 16 فوت قرار گرفت. نتایج مطالعه نشان داد که بیشتر منطقه مورد مطالعه در زمین های کم ارتفاع و بسیار کم ارتفاع زیر سطح دریا قرار دارد. توصیه سیاستی در قالب لزوم طراحی و ساخت سیستم‌های اطلاعاتی منطقه‌ای جامع (RIS) در قالب فهرست‌بندی، نظارت و ارزیابی دوره‌ای با حمایت کامل دولت‌ها برای منطقه مورد مطالعه ارائه شد.

کلید واژه ها

GIS ، سنجش از دور ، مدیریت بلایای سیل ، سیستم‌های اطلاعات منطقه‌ای (RIS) ، جنوب شرقی لوئیزیانا

1. مقدمه

سیل یکی از مشکلات زیست محیطی بزرگی است که جهان با آن دست به گریبان است. در سال های اخیر سیل هزاران نفر را گرفته و صدها هزار نفر را بی خانمان کرده و صدها میلیارد دلار خسارت اقتصادی به بار آورده است. شدت این مشکل در سال های اخیر توجه جامعه جهانی را به خود جلب کرده است. در تلاش برای پیشگیری و کاهش این بلایای طبیعی، اولین کنفرانس جهانی بلایای طبیعی توسط مجمع عمومی سازمان ملل متحد در یوکوهاما، ژاپن از 23 تا 27 می 1994 با هدف و اهداف از جمله پیشگیری، آمادگی و کاهش بلایا تشکیل شد. [ 1]. کنفرانس یوکوهاما منجر به برگزاری کنفرانس‌های بعدی در کوبه (دوم) در 18-22 ژانویه 2005 و در سندای (سوم) در 14-18 مارس 2015 شد. این کنفرانس‌ها توسط مجمع عمومی سازمان ملل متحد و دفتر سازمان ملل متحد برای خطر بلایا هماهنگ شدند. کاهش (UNISDR). اهداف اصلی کنفرانس دوم در کوبه یافتن راه هایی برای کاهش تلفات بلایا از طریق آماده سازی و در نهایت کاهش تلفات انسانی بود. در کوبه، چارچوب عمل هیوگو (HFA) از (2005-2015) با هدف کلی ایجاد انعطاف پذیری ملل و جوامع در برابر بلایا معرفی شد [ 1]. (HFA) اولین طرحی بود که به توضیح، تشریح و جزئیات کارهای مورد نیاز از همه بخش ها و بازیگران مختلف برای کاهش تلفات بلایا پرداخت. سومین کنفرانس جهانی سازمان ملل متحد اعلامیه سندای و چارچوب کاهش خطر بلایا 2015-2030 را به تصویب رساند. هدف اصلی این کنفرانس، به روز رسانی توافق مهمی بود که در (HFA) حاصل شد. این کنفرانس همه ذینفعان از جمله دولت و رهبران جامعه مدنی را از سرتاسر جهان گرد هم آورد تا راه‌های مؤثر برای فشرده‌سازی و آماده‌سازی برای تأثیر بلایا را مورد بحث و بررسی قرار دهند و راهبردی را تدوین کنند و بر روی چارچوب واکنش جهانی به روز شده توافق کنند [ 1 ] [ 2 ].

در ایالات متحده، داده های جدیدتر نشان می دهد که در میان خطرات طبیعی، سیل یکی از رایج ترین و پرهزینه ترین بلایایی است که این کشور با آن مواجه است. این امر با افزایش مخارج مرتبط با مخاطرات طبیعی در دو دهه اخیر نشان داده شده است. داده های تاریخی نشان می دهد که ایالات متحده در سال های مالی 2011 و 2012 62 میلیارد دلار برای امداد رسانی به بلایا هزینه کرده است [ 3 ]. بر اساس گزارش اداره ملی اقیانوسی و جوی (NOAA) در سال 2018 داده های خسارت سیل که در وب سایت آنها منتشر شده است؛ ایالات متحده در سال 2014 حدود 2.8 میلیارد دلار برای خسارات ناشی از سیل هزینه کرد [ 4 ]. گزارش اخیر رویترز توسط بلیک بریتانیا، نشان داد که بلایای آب و هوایی و آب و هوا در سال 2017 رکورد 306 میلیارد دلاری را برای ایالات متحده هزینه کرده است [ 5 ].]. همچنین، گزارش NOAA نشان داد که در سه ماه اول سال 2018، ایالات متحده 3 میلیارد دلار برای بلایای مربوط به مخاطرات زمینی هزینه کرده است [ 6 ].

2. شناسایی مناطق سیل خیز با استفاده از GIS و سنجش از دور

اطلاعات مکانی برای یک واکنش موثر و سریع به مدیریت اضطراری، به ویژه سیل ضروری است. فناوری‌های GIS و سنجش از دور نقش مهمی در درک بلایای مختلف، پیامدهای آن‌ها و آسیب‌هایی که می‌توانند به یک منطقه معین وارد کنند بازی می‌کنند [ 7 ] [ 8 ] [ 9 ]. کارهای اولیه توماسی و آسومانی-بواتنگ [ 10 ] و توماسی و همکاران. [ 11 ] از GIS و سایر فن آوری ها برای بررسی مناطق سیل شهری در آکرا، غنا استفاده کرد. نتایج این مطالعه مناطق و مسیرهای آبی قابل توجه در معرض خطر سیل را نشان داد. توماسی و همکاران [ 8] از سنجش از دور و فناوری GIS برای طراحی یک پایگاه داده ساحلی مناسب در شش شهرستان در جنوب می سی سی پی استفاده کرده اند. نتایج نشان داد که بخش بیشتری از سه شهرستان در امتداد ساحل کمتر از 10 متر بالاتر از سطح متوسط ​​دریا قرار دارند که در معرض آسیب‌پذیری بلایای سیل ساحلی قرار دارند. توماسی و همکاران [ 12] از سنجش از دور و داده های GIS برای تجسم تأثیر تغییرات آب و هوایی ناشی از سیل در منطقه آفریقای جنوبی استفاده کرد تا به برنامه های تصمیم گیرندگان برای رویدادهای آینده کمک کند. این مطالعه از داده‌های ماهواره‌های مدل دیجیتال ارتفاع (DEM)، نقشه‌بردار موضوعی پیشرفته Landsat (ETM+) و طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) استفاده کرد که از سازمان زمین‌شناسی ایالات متحده (USGS) و وب‌سایت رصدخانه زمین ناسا به دست آمد. نتایج این مطالعه خسارات قابل توجهی را به محیط‌های اجتماعی و طبیعی و همچنین پهنه‌های مخاطره‌آمیز سیل و جریان‌های آب در منطقه مورد مطالعه نشان داد. سایر مطالعات کاکس و جیمز [ 13] از نرم افزار کاربردی ArcScene توسعه ArcGIS 3D Analyst برای ایجاد یک مدل تجسم سه بعدی استفاده کرد که نشان می داد چه بخش هایی از شهر داونپورت، آیووا در مراحل مختلف سیل زیر آب می رود. نتایج این مطالعه به کارکنان و شورای شهر کمک کرد تا داده‌هایی را در مورد اینکه چگونه آب سیل می‌تواند بر مناطق خاصی از شهر در هر مرحله سیل تأثیر بگذارد، تجسم کنند. در استان ازمیر ترکیه، Ozkan و Tarhan [ 14 ] از داده‌های مدل ارتفاعی دیجیتال (DEM) ماموریت توپوگرافی رادار شاتل (SRTM) برای پیش‌بینی مناطق بالقوه خطر سیل استفاده کردند. در واقع، چندین مطالعه تحقیقاتی با استفاده از GIS و سنجش از دور برای شناسایی مناطق مستعد سیل گزارش شده است [ 15 ] – [ 20 ]. اسماعیل و صانیول [ 21] داده های سنجش از دور و DEM را برای نقشه برداری از مناطق مستعد سیل رودخانه کادونا با استفاده از تصاویر با وضوح بالا به دست آمده از Google Earth، همراه کرد. مدل‌سازی خطر سیل با استفاده از سنجش از دور و GIS نیز توجه قابل توجهی را به خود جلب کرده است. برای مثال، لانزا و کونتی [ 22 ] از داده های سنجش از دور برای پیش بینی خطر سیل استفاده کرده اند. دانگ و کومار [ 23] از تکنیک‌های سنجش از دور همراه با مدل‌سازی هیدرولوژیکی مبتنی بر سیستم‌های اطلاعات جغرافیایی برای شناسایی خطر سیل در شهر هوشی مین، ویتنام استفاده کرد. مطالعه آنها نشان داد که سیل ناشی از بارندگی با عمق سیل 2 تا 10 سانتی متر مشکل جدی ندارد، در حالی که سیل جزر و مدی با عمق سیل 10 تا 100 سانتی متر یک مشکل اساسی است. تأثیرات سیل فراتر از جابجایی و کمبود مواد غذایی خواهد بود و در این فرآیند بر اقتصاد محلی و ملی تأثیر منفی خواهد گذاشت. بنابراین به منظور کاهش هزینه ها و اثرات ناشی از مخاطرات طبیعی مانند سیل، بررسی و شناخت مناطق آسیب پذیر در برابر سیل ضروری است. شاید استفاده از سیستم‌های اطلاعات جغرافیایی (GIS) و فناوری‌های سنجش از دور بتواند به سیاست‌گذاران در برنامه‌ریزی و مدیریت پایدار کمک کند. بررسی ادبیات منطقه نشان می دهد که شکافی در اطلاعات و دانش در مورد استفاده از فناوری فضایی به عنوان ابزار پشتیبانی تصمیم برای کمک به مدیریت سیل وجود دارد. بنابراین شناسایی مناطق آسیب پذیر در برابر سیل و تعیین واکنش مرتبط با آن مهم است. بنابراین، هدف اصلی این مقاله شناسایی مناطق مستعد سیل در جنوب شرقی لوئیزیانا با استفاده از GIS و تکنیک‌های سنجش از دور بود. پیش‌بینی می‌شود که نتایج این مطالعه برای هدایت مدیریت و ارائه ابزارهای مورد نیاز برای برنامه‌ریزی برای افزایش پیش‌بینی‌شده حوادث سیل و کاهش اثرات آن بر جامعه مورد استفاده قرار گیرد. بنابراین شناسایی مناطق آسیب پذیر در برابر سیل و تعیین واکنش مرتبط با آن مهم است. بنابراین، هدف اصلی این مقاله شناسایی مناطق مستعد سیل در جنوب شرقی لوئیزیانا با استفاده از GIS و تکنیک‌های سنجش از دور بود. پیش‌بینی می‌شود که نتایج این مطالعه برای هدایت مدیریت و ارائه ابزارهای مورد نیاز برای برنامه‌ریزی برای افزایش پیش‌بینی‌شده حوادث سیل و کاهش اثرات آن بر جامعه مورد استفاده قرار گیرد. بنابراین شناسایی مناطق آسیب پذیر در برابر سیل و تعیین واکنش مرتبط با آن مهم است. بنابراین، هدف اصلی این مقاله شناسایی مناطق مستعد سیل در جنوب شرقی لوئیزیانا با استفاده از GIS و تکنیک‌های سنجش از دور بود. پیش‌بینی می‌شود که نتایج این مطالعه برای هدایت مدیریت و ارائه ابزارهای مورد نیاز برای برنامه‌ریزی برای افزایش پیش‌بینی‌شده حوادث سیل و کاهش اثرات آن بر جامعه مورد استفاده قرار گیرد.

3. روش شناسی

3.1. منطقه مطالعه

مناطق تمرکز این مطالعه یازده محله جنوب شرقی لوئیزیانا بود. این محله ها واشنگتن، تانگیپاهوآ، سنت تامانی، سنت جان باپتیست، اورلئان، سنت چارلز، سنت برنارد، جفرسون، لا فورش، پلاکمینز و تربون هستند ( شکل 1 ).

در دو دهه اخیر، منطقه مورد مطالعه بلایای طبیعی عظیمی را تجربه کرده است که مرتبط با سیل است. داده های مرکز ملی طوفان در جدول 1 و جدول 2 نشان می دهد که این منطقه تحت تاثیر طوفان های استوایی قرار گرفته است و در برابر حملات طوفان های بزرگ بسیار آسیب پذیر است. در سال 2005، سیل طوفان کاترینا میلیاردها دلار هزینه داشت و مشاغل، خانه ها را ویران کرد و جان بسیاری را گرفت ( جدول 1 ). تنها در سال 2012، این منطقه و سایر بخش‌های ایالت بیش از 15 طوفان مختلف را بین ماه مه و اکتبر تجربه کردند که میلیون‌ها دلار را از بین برد.

شکل 1 . منطقه مورد مطالعه.

یک فرورفتگی استوایی (TD)، حداکثر بادهای پایدار 33 kt یا کمتر. طوفان استوایی (TS)، باد 34 – 63 kt. طوفان (H)، باد 64 – 95 kt. طوفان بزرگ (MH)، بادهای 96 کیلویی یا بالاتر. b تاریخ ها از 0000 UTC شروع می شوند و شامل تمام مراحل طوفان گرمسیری و نیمه گرمسیری می شوند. مراحل غیر گرمسیری مستثنی هستند.

ارزش دارایی و تلفات جانی ( جدول 1 ). آمار تلفات جدول 1 تنها در سال 2012 195 مورد مرگ ناشی از طوفان ها را نشان می دهد که سندی بالاترین رقم را دارد. این منطقه در طول سال به ویژه در ماه های زمستان بارندگی دارد. این منطقه، مانند بقیه ایالت لوئیزیانا، تابستان گرم و مرطوبی را تجربه می کند، با دمای بالا از اواسط ژوئن تا اواسط سپتامبر به طور متوسط ​​90 درجه سانتیگراد (32 درجه سانتیگراد) یا بیشتر و پایین ترین دمای شبانه به طور متوسط ​​بالای 70 درجه فارنهایت (22 درجه سانتیگراد) [ 7 ]). به دلیل ارتفاع کم، بیشتر مناطق در طول طوفان و طوفان های استوایی دچار سیل می شوند [ 24 ].

سیل‌های اخیر در آگوست 2016 و ژوئیه 2019 بخش‌هایی از مناطق ساحلی اطراف را در جنوب شرقی و جنوب لوئیزیانا ویران کردند [ 30 ]. در اوایل جولای 2019، طوفان باری باعث سیل در بسیاری از مناطق جنوب شرقی لوئیزیانا شد. مناطق کم ارتفاع مانند اورلئان، سنت برنارد و پلاکمینز سیل شدید را تجربه کردند. بارندگی بیش از حد منجر به جاری شدن سیل گسترده در جنوب شرقی و جنوب لوئیزیانا شد، زیرا رودخانه ها در بالای کرانه های خود موج می زدند. نمونه هایی از این سیلاب ها در شکل های 2-5 در زیر نشان داده شده است.

شکل 2 . جاده آب گرفتگی در نزدیکی دریاچه پونتچارترین، لس آنجلس: عکس با حسن نیت از CNN [ 31 ].

شکل 3 . رودخانه می سی سی پی متورم ناشی از بارندگی شدید: عکس با حسن نیت از طرف مدافع [ 32 ].

شکل 4 . مناطق غرق شده در مرکز شهر توسط نیواورلئان باعث طوفان باری شد: تصویر از دروازه سان فرانسیسکو [ 33 ].

شکل 5 . خانه های زیر آب ناشی از طوفان کاترینا در اوت 2005: تصویر با حسن نیت از رادیو بین المللی عمومی (PRI) [ 34 ].

3.2. تجزیه و تحلیل جمعیت شناختی در منطقه مورد مطالعه

از سال های 1990، 2000، 2010 و 2020 سرشماری جمعیت، محله های جنوب شرقی لوئیزیانا که از منطقه مورد مطالعه تشکیل شده بود، دارای جمعیت 1،576،127 بود. 1,534,433; به ترتیب 1,426,253 و 1,638,857 ( جدول 3 ). داده های نشان داده شده در جدول 3 نشان می دهد که جمعیت کل منطقه مورد مطالعه بین سال های 1990 و 2000 به ترتیب 2.65-٪ و بین 2000-2010 -7.05٪ کاهش یافته است. در سال‌های بعدی بین سال‌های 2010 تا 2020، جمعیت این منطقه 14.91 درصد افزایش یافت. منطقه مورد مطالعه بین سال های 1990 و 2000 فعالیت های طوفانی شدید را تجربه کرد ( جدول 1). در نتیجه، برخی از کلیساها رشد جمعیتی ثابت تا متوسط ​​و منفی را تجربه کردند. به عنوان مثال، واشنگتن، سنت تامانی، تربون، پلاکمینز و سنت برنارد به ترتیب دارای نرخ رشد مثبت (14%)، (32.35%)، (25.35%)، (4.62%) و (0.89%) بودند. سایرین مانند سنت چارلز بیشترین کاهش جمعیت را با نرخ (-30.67٪) و پس از آن La Fourche (-29.82٪) و سنت جان باپتیست (-22.88٪) در همان دوره ثبت کردند. برخی از محله های منطقه مورد مطالعه شاهد سال های پرتلاطم در طول دوره 2000 و 2010 به دلیل فعالیت های طوفانی مانند آلیسون، ایوان، کاترینا و ریتا بودند ( جدول 1).). این منطقه به طور قابل توجهی تحت تأثیر فعالیت های این طوفان ها در سال 2005 قرار گرفت و باعث شد برخی از جمعیت از منطقه به محله های دیگر نقل مکان کنند. محله‌های آسیب‌دیده که جمعیت آن‌ها کاهش یافت، اورلئان 27.53-، سنت برنارد 43.82-، پلاکمینز 6.17-٪ و جفرسون 4.76- بودند. دوره بین سال‌های 2010 و 2020 شاهد نرخ رشد جمعیت چشمگیر برخی از محله‌های منطقه مورد مطالعه بوده است. جفرسون، اورلئان و برنارد که نرخ رشد منفی را بین سال‌های 2010 و 2010 ثبت کردند، افزایش مثبت جمعیت را با نرخ رشد به ترتیب 9/3، 33/11 و 72/23 درصد نشان دادند. علاوه بر این، محله هایی مانند Tangipahoa، St. John the Baptist، St. Charles، La Fourche و Terrebonne با نرخ های (35.28%)، (25.53%)، سریع ترین افزایش جمعیت را در دوره 2010-2020 داشته اند. 64.92٪، (58.11٪)، و (42.شکل 6 .

شکل 6 . جمعیت 2020 منطقه مورد مطالعه.

3.3. اکتساب داده ها

به منظور شناسایی مناطق مستعد سیل در جنوب شرقی لوئیزیانا، مجموعه ای از داده های مکانی مختلف به دست آمد. اینها شامل ارتفاع و داده های ماهواره ای بود. داده‌های ارتفاعی از مجموعه داده‌های ارتفاعی ملی (NED) تولید شده توسط سازمان زمین‌شناسی ایالات متحده (USGS) انبار داده بدون درز [ 36 ] به‌دست آمد. داده های ماهواره ای از وب سایت USGS Earth explorer به دست آمده است. این شامل دو جفت داده‌های ماهواره‌ای WRS-2 پیشرفته Landsat Enhanced Thematic Mapper Plus (ETM+) بود که بین 18 نوامبر 1999 و 27 نوامبر 1999 یازده محله جنوب شرقی لوئیزیانا را پوشش می‌داد. مسیر و ردیف داده های ماهواره ای 22 و 39 می باشد. و به ترتیب 21 و 39 [ 37 ].

3.4. پردازش داده ها

3.4.1. داده های ارتفاعی

اطلاعات توپوگرافی خصوصیات رواناب با استفاده از روش Twumasi و Asomani-Boateng [ 10 ] تولید شد. آنها شامل شیب، جنبه و مدل رقومی ارتفاع بودند. داده های ارتفاعی برای ارزیابی و مستندسازی خطر سیل و انتقال اطلاعات دقیق بسیار ارزشمند هستند. TIN درونیابی شبکه (شبکه نامنظم مثلثی) از مدل ارتفاعی دیجیتال (DEM) برای ایجاد نقشه شیب انجام شد. شیب و DEM به مقادیر زیاد و کم طبقه بندی شدند. نقشه منطقه آسیب پذیری سیل با استفاده از عملیات Boolean در ابزار محاسبه Arc GIS Raster ایجاد شد. ایده استفاده از عملیات بولی شناسایی مناطقی است که توپوگرافی به طور همزمان شیب کم و ارتفاع کم دارد.

علاوه بر این، به منظور ارزیابی مناطق خطر سیل، توماسی و همکاران. [ 8 ] از رویکرد استفاده شد. این روش از تکنیک تصویر دراپ برای تجسم چشم انداز منطقه مورد مطالعه استفاده می کند. برای انجام این کار، هر دو تصویر (DEM و تصویر ماهواره‌ای) با استفاده از طرح‌ریزی منطقه مورد مطالعه و داده‌های ماهواره‌ای به‌عنوان پایگاه، مجدداً طرح‌ریزی و ثبت شدند. این روش امکان همپوشانی هر دو تصویر را فراهم می کند.

3.4.2. داده های ماهواره ای

تصاویر Landsat ETM+ با استفاده از نرم افزار پردازش تصویر ERDAS IMAGINE 2017 پردازش شدند. تصاویر به عنوان یک باند به ERDAS وارد شدند و با استفاده از فرمت فایل اصلی ERDAS GEOTIFF در ERDAS قرار گرفتند. برای تبدیل باندهای پانکروماتیک منفرد 1 – 12 به داده های چندطیفی، از ماژول های پشته لایه ERDAS برای گروه بندی تصاویر استفاده شد. به دنبال آن تصحیح رادیومتری تمام تصاویر برای تغییر زاویه خورشید و اثرات جوی انجام شد. علاوه بر این، تمام تصاویر از نظر هندسی برای حذف، مه، اسکن خطوط و لکه ها تصحیح شدند و به سیستم مختصات زمینی لوئیزیانا و داده ارجاع داده شدند. داده های Landsat ETM+ در 18 نوامبر 1999 و 27 نوامبر 1999 موزاییک شدند. به دنبال آن یک تکنیک افزایش یکسان سازی هیستوگرام روی تمام تصاویر انجام شد. بعداً یک فایل شکل از محله‌های منطقه مورد مطالعه (واشنگتن،

3.4.3. پرده تصویر

Image Drape با استفاده از ERDAS IMAGINE Virtual GIS انجام شد. سپس تصویر خروجی بر روی داده های ارتفاع NED برای اهداف تجسم با اغراق عمودی 16 فوت قرار گرفت.

4. نتایج و بحث

نتایج مربوط به ارتفاع و پردازش تصویر ماهواره ای در شکل 7-10 نشان داده شده است. شکل 7 پرده تصویر جنوب شرقی لوئیزیانا را نشان می دهد. این تصویر از یک تصویر ماهواره‌ای Landsat 1999 ETM+ که بر روی یک مدل ارتفاعی تولید شده از داده‌های ارتفاع 30 متری USGS که از وب‌سایت دانلود شده بود، ایجاد شد. به منظور افزایش بیان توپوگرافی، تصویر 3 برابر در ارتفاع اغراق شده است. رنگ های صحنه با استفاده از ترکیبی از طول موج های قرمز، سبز و آبی مرئی و باندهای مادون قرمز با RGB 4، 3، 2 افزایش یافته است. شکل 8 تصویر طبقه بندی شده DEM منطقه مورد مطالعه را نشان می دهد. شکل 8 DEM طبقه بندی شده جنوب شرقی لوئیزیانا را نشان می دهد. مناطق با ارتفاع کم زیر سطح دریا به رنگ سبز تیره و روشن نشان داده شده است. شکل 9جهت جریان ارتفاع را نشان می دهد. جهت جریان تعیین می کند که آب در کدام جهت در یک سلول معین جریان یابد. شکل 10 جنبه ارتفاعی منطقه مورد مطالعه را نشان می دهد. سطوح مسطح هیچ جنبه ای ندارند و مقدار -1 به آنها داده می شود. اگر بالاترین مقدار سلول در بالا سمت چپ پنجره قرار داشته باشد (بالا به دلیل شمال است) و کمترین مقدار در سمت راست پایین باشد، می توان فرض کرد که جنبه جنوب شرقی است. شکل 11 ارتفاع شبکه سه بعدی نامنظم مثلثی (TIN) را نشان می دهد که هم ارتفاع کم و هم ارتفاع بالاتر منطقه مورد مطالعه را نشان می دهد. شکل 12 بلوک سرشماری منطقه مورد مطالعه را نشان می دهد. نتایج نمایش داده شده است

شکل 7 . پرده تصویر جنوب شرقی لوئیزیانا. از تصویر، جنوب شرقی لوئیزیانا در پیش‌زمینه این نمای پرسپکتیو ایجاد شده از تصویر ماهواره‌ای Landsat و داده‌های ارتفاع از USGS ظاهر می‌شود.

شکل 8 . DEM طبقه بندی شده جنوب شرقی لوئیزیانا.

در شکل های 7-11 نشان داده شده است که جمعیت بیشتر منطقه مورد مطالعه در مراکز شهری ساحلی کم ارتفاع به جز واشنگتن، تانگی پاهوآ و سنت تامانی که در ارتفاعات بالایی قرار دارند، زندگی می کنند. در صورت قوی‌تر شدن طوفان‌ها و طوفان‌های شدید، مناطق کم ارتفاع به‌ویژه در منطقه مورد مطالعه می‌توانند با افزایش فعالیت‌های سیل و افزایش سطح دریا مواجه شوند. افزایش سطح دریا می تواند منجر به غرق شدن آب شود. این همچنین می تواند به زیرساخت های ساحلی آسیب جدی وارد کند.

این مطالعه می‌تواند تصمیم‌گیری را به عنوان یک ابزار پشتیبانی در مدیریت بلایای سیل با نشان دادن مکان‌های دقیق مناطق خطر سیل در محله‌ها افزایش دهد. به عنوان مثال، یکی از چیزهایی که مدیران محیط زیست به طور مرتب به آن نیاز دارند، این است

شکل 9 . جهت جریان ارتفاع در منطقه مورد مطالعه.

شکل 10 . جنبه ارتفاع.

برای دسترسی به شبیه‌سازی‌های داده‌های مکانی پیچیده به روش‌های ساده‌شده برای بهینه‌سازی ارزیابی‌های سریع مناطقی که آسیب‌ها در طول بلایای سیل و خرابی‌های آب و هوایی نامساعد در آن متمرکز می‌شوند. دسترسی به چنین ابزاری می‌تواند توانایی برنامه‌ریزان را در تدوین روش‌های مؤثری که باید با توجه به مکان آسیب، برنامه‌های تخلیه برای کمک به کارکنان خدمات اضطراری و اولین واکنش‌دهنده‌ها برای هدایت جمعیت در معرض خطر به کارآمدترین روش به سمت ایمن‌تر، بهبود بخشد. زمینه در زمان بحران [ 8 ].

5. گزینه های سیاست و نتیجه گیری

با جمعیت 1,638,857 نفر در سال 2020، که تقریباً یک سوم جمعیت ایالت است ( جدول 3 ، شکل 6 )، نیاز به یک سیاست مناسب وجود دارد.

شکل 11 . ارتفاع TIN جنوب شرقی لوئیزیانا.

شکل 12 . گروه بلوک سرشماری منطقه مورد مطالعه.

که بر مقابله با سیل یا سایر بحران های زیست محیطی در منطقه ساحلی تمرکز دارد. نتایج GIS و تصاویر سنجش از دور نشان‌داده‌شده در این مطالعه می‌تواند به‌عنوان یک عامل محرک قدرتمند آموزشی و ابزار حساس‌کننده برای جمعیت به طور کلی عمل کند، که ممکن است خطرات تجربه شده در مناطق ساحلی جنوب شرقی لوئیزیانا را در نتیجه افزایش جمعیت درک نکنند. همچنین نیاز به طراحی و ساخت سیستم‌های اطلاعات منطقه‌ای جامع (RIS) در قالب فهرست‌بندی، نظارت و ارزیابی دوره‌ای با حمایت کامل دولت‌های منطقه مورد مطالعه وجود دارد. RIS شامل ترکیب داده های سنجش از دور، داده های آب و هوا، داده های بررسی میدانی، پیش بینی آب و هوا در سطح ملی و محلی، و داده های هیدرولوژیکی از جمله اطلاعات مربوط به جریان رودخانه در یک سیستم است.

توسعه چنین سیستمی به تصمیم گیرندگان امکان دسترسی به داده های زمانی- مکانی مناسب برای نظارت بر فشارهای وارد شده بر سیستم ها و اکوسیستم های اجتماعی-اقتصادی مناطق توسط سیلاب های فصلی را می دهد. چنین ابزاری می تواند به عنوان یک سیستم پشتیبانی تصمیم گیری موثر عمل کند تا توسعه را در هماهنگی با پایداری محیطی حفظ کند.

منابع

[ 1 ] ویکی پدیا (2019) کنفرانس جهانی کاهش خطر بلایا.
https://en.wikipedia.org/wiki/World_Conference_on_Disaster_Risk_Reduction
[ 2 ] کنفرانس جهانی سازمان ملل در مورد کاهش خطر بلایا
http://www.un.org/sustainabledevelopment/un-world-conference-on-disaster-risk-reduction/
[ 3 ] Zabarenko, D. (2013) ایالات متحده در سالهای مالی 2011 و 2012 62 میلیارد دلار برای امداد رسانی به بلایا هزینه کرد.
https://www.reuters.com/article/us-usa-disaster-spending-idusbre98a1ah20130911
[ 4 ] NOAA (2018) داده های خسارت سیل. NOAA، وزارت بازرگانی ایالات متحده.
http://www.nws.noaa.gov/hic/
[ 5 ] بریتانیا، بی. (2018) بلایای آب و هوایی به رکورد 306 میلیارد دلار آمریکا در سال 2017 خسارات وارد کرد: NOAA.
https://www.reuters.com/article/us-usa-climatechange/weather-disasters-cost-us-record-306-billion-in-2017-noaa-idUSKBN1EX1XC
[ 6 ] NOAA (2018) ایالات متحده با بلایای 3 میلیارد دلاری در 3 ماه اول سال 2018. NOAA، وزارت بازرگانی ایالات متحده.
http://www.noaa.gov/news/us-hit-with-3-billion-dollar-disasters-in-first-3-months-of-2018
[ 7 ] Merem, EC, Twumasi, YA, Foster, D., Richardson, C. and Yeramilli, S. (2012) با استفاده از GIS و اطلاعات خطرات آب و هوایی برای تجزیه و تحلیل آسیب پذیری مناطق ساحلی در لوئیزیانا و می سی سی پی. منابع و محیط زیست، 2، 1-16.
https://doi.org/10.5923/j.re.20120201.01
[ 8 ] Twumasi، YA، Merem، EC و Ayala-Silva، T. (2016) جفت کردن GIS و تکنیک های سنجش از دور برای مدیریت بلایای منطقه ساحلی: مورد می سی سی پی جنوبی. بلایای ژئومحیطی، 3، 1-9.
https://doi.org/10.1186/s40677-016-0056-7
[ 9 ] Mittal, A. (2018) مدیریت بلایا با استفاده از فناوری سنجش از دور. آسمان نقشه جهانی.
https://skymapglobal.com/disaster-management-remote-sensing/
[ 10 ] Twumasi، YA و Asomani-Boateng، R. (2002) نقشه برداری از خطرات فصلی برای مدیریت سیل در آکرا، غنا با استفاده از GIS. مجموعه مقالات کنفرانس بین المللی زمین شناسی و سنجش از دور IEEE (IGARSS)، قلعه Westin Harbor، تورنتو، کانادا، موسسه مهندسین برق و الکترونیک، Piscataway، NJ، 24-28 ژوئن 2002.
https://doi.org/ 10.1109/IGARSS.2002.1026807
[ 11 ] Twumasi، YA، Coleman، TL و Manu، A. (2003) پایگاه های داده منابع یکپارچه برای مدیریت منطقه ساحلی کلانشهر آکرا. مجموعه مقالات کنوانسیون و نمایشگاه سالانه انجمن آمریکایی فتوگرامتری و سنجش از دور (ACSM-ASPRS)، Bethesda، MD، 206-214.
http://www.asprs.org/a/conference-archive/alaska2003/proceedings.shtml
[ 12 ] Twumasi, YA, Merem, EC, Ayala-Silva, T., Osei, A., Petja, BM and Alexander, K. (2017) تکنیک های سنجش از دور و GIS به عنوان ابزاری برای تجسم تأثیر سیل ناشی از تغییر اقلیم در جنوب منطقه آفریقا مجله آمریکایی تغییرات آب و هوا، 6، 306-327.
https://doi.org/10.4236/ajcc.2017.62016
[ 13 ] کاکس، دی و جیمز، کی (2009) شهر داونپورت از تجسم سه بعدی برای آماده شدن برای سیلاب استفاده می‌کند. مشاهده‌گر محیطی، زمستان.
http://www.esri.com/library/reprints/pdfs/envobsv_davenport.pdf
[ 14 ] Ozkan, SP and Tarhan, C. (2016) تشخیص خطر سیل در مناطق شهری با استفاده از GIS: مورد ازمیر. Procedia Technology, 22, 373-381.
https://doi.org/10.1016/j.protcy.2016.01.026
[ 15 ] Klemas, V. (2015) سنجش از دور سیل و مناطق مستعد سیل: یک مرور کلی. مجله تحقیقات سواحل، 31، 1005-1013.
https://doi.org/10.2112/JCOASTRES-D-14-00160.1
[ 16 ] Udani، PM و Mathur، DK (2016) نقشه‌برداری آسیب‌پذیری خطر سیل با استفاده از سنجش از دور و GIS: مطالعه موردی در امتداد روستاهای آناند تالوکا. پیشرفت در تحقیقات علمی کاربردی، 7، 214-221.
[ 17 ] Purnawali, SH, Hariyanto, T., Pratomo, DG and Hidayati, N. (2017) تجزیه و تحلیل آسیب پذیری سیل با استفاده از سنجش از دور و GIS: مطالعه موردی منطقه Sidoarjo. کنفرانس منطقه ای در مهندسی عمران (RCCE) 568 سومین کنفرانس بین المللی تحقیقات مهندسی عمران (ICCER)، سورابایا، اندونزی، 1-2 اوت 2017.
https://doi.org/10.12962/j23546026.y2017i6.3305
[ 18 ] Rimba، AB، Setiawati، MD، Sambah، AB و Miura، F. (2017) نقشه‌برداری آسیب‌پذیری سیل فیزیکی با استفاده از تکنیک‌های مکانی در شهر اوکازاکی، استان آیچی، ژاپن. علوم شهری، 1، 7.
https://doi.org/10.3390/urbansci1010007
[ 19 ] احمد، سی اف و کرانتی، ن. (2018) ارزیابی آسیب‌پذیری سیل با استفاده از تکنیک‌های مکانی: چنای، هند. مجله علم و فناوری هند، 11، شناسه مقاله: 110831.
https://doi.org/10.17485/ijst/2018/v11i6/110831
[ 20 ] Dano, UL, Balogun, A.-L., Matori, AN, Yusouf, K., Abubakar, IR, Mohamed, MAS, Aina, YA and Pradhan, B. (2019) نگاشت حساسیت به سیل با استفاده از فرآیند شبکه تحلیلی مبتنی بر GIS : مطالعه موردی پرلیس، مالزی. آب، 11، 615.
https://doi.org/10.3390/w11030615
[ 21 ] اسماعیل، ام و ساانیول، IO (2013) کاربرد سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS) در نقشه‌برداری آسیب‌پذیری سیل: مطالعه موردی رودخانه کادونا. مجله بین المللی ژئوماتیک و علوم زمین، 3، 618-627.
[ 22 ] Lanza، I. و Conti، M. (1994) سنجش از دور و GIS: کاربرد بالقوه برای پیش بینی خطر سیل. مجموعه مقالات کنفرانس EGIS/MARI 1994، 2، 1835-1844.
[ 23 ] Dang، ATN و Kumar، L. (2017) کاربرد سنجش از دور و مدل‌سازی هیدرولوژیکی مبتنی بر GIS برای تجزیه و تحلیل خطر سیل: مطالعه موردی ناحیه 8، شهر هوشی مین، ویتنام. ژئوماتیک، مخاطرات طبیعی و خطر، 8، 1792-1811.
https://doi.org/10.1080/19475705.2017.1388853
[ 24 ] Kosovich، JJ (2008) ایالت لوئیزیانا – برجسته کردن مناطق کم ارتفاع برگرفته از داده های ارتفاع دیجیتال USGS. نقشه تحقیقات علمی 3049. نسخه 1.0.
https://pubs.usgs.gov/sim/3049/downloads/SIM3049.pdf
https://doi.org/10.3133/sim3049
[ 25 ] وزارت بازرگانی ایالات متحده، اداره ملی اقیانوسی و جوی (NOAA) (2019) خلاصه سالانه طوفان گرمسیری 1872-2006 (بررسی ماهانه هواشناسی).
https://www.nhc.noaa.gov/data/#monthly
[ 26 ] صندوق دفاع از محیط زیست (EDF) (2010) طوفان ها و تغییرات آب و هوایی. ساحل لوئیزیانا: چه چیزی در خطر است. نیویورک، 1-2.
[ 27 ] وزارت بازرگانی ایالات متحده، اداره ملی اقیانوسی و جوی (NOAA) (2007) بررسی ماهانه آب و هوا-خلاصه سالانه طوفان های اقیانوس اطلس شمالی، 1872-2011. کتابخانه منطقه ای NOAA میامی.
https://www.aoml.noaa.gov/general/lib/lib1/nhclib/mwreviews.html
[ 28 ] وزارت بازرگانی ایالات متحده، اداره ملی اقیانوسی و جوی (NOAA) (2020) مرکز ملی طوفان (NHC) و مرکز اطلاعات مرکز طوفان اقیانوس آرام مرکزی.
https://www.nhc.noaa.gov/data/
[ 29 ] Steward, S. (2014) فصل طوفان اقیانوس اطلس 2012. خلاصه سالانه مرکز ملی طوفان.
https://www.nhc.noaa.gov/data/tcr/summary_atlc_2012.pdf
[ 30 ] آسوشیتدپرس (2019) طوفان استوایی بری باران های شدید و سیل به اخبار لوئیزیانا CBC می آورد.
https://www.cbc.ca/news/world/louisiana-barry-saturday-1.5210966
[ 31 ] Maxouris, C. (2019) بری خاطرات آسیب زا را برای بازماندگان کاترینا به ارمغان می آورد.
https://www.cnn.com/us/live-news/tropical-storm-barry-saturday-2019-intl/h_105032c3685d071a4601adba56a14f2e
[ 32 ] میچل، جی دی (2019) وقتی می سی سی پی متورم شود، آیا قرار دادن آب های انحرافی رودخانه کمیت در آن مضر خواهد بود؟
https://www.theadvocate.com/baton_rouge/news/article_4fdb1806-afd5-11e9-be83-3f71c62e1942.html
[ 33 ] Graff, A. (2019) عکس‌ها صحنه وهم‌آوری را به عنوان باران‌های سیل آسا در نیواورلئان نشان می‌دهند. دروازه سانفرانسیسکو (SFGATE).
https://www.sfgate.com/weather/article/flooding-new-orleans-pictures-video-french-quarter-14085235.php#photo-17836494
[ 34 ] Wernick, A. (2015) نیواورلئان هنوز در برابر طوفان بزرگ دیگری آسیب پذیر است. رادیو عمومی بین المللی (PRI).
https://www.pri.org/stories/2015-09-14/new-orleans-still-vulnerable-another-big-storm
[ 35 ] بررسی جمعیت جهان (2019) جمعیت شهرستان ها در لوئیزیانا (2020).
http://worldpopulationreview.com/us-counties/la/
[ 36 ] سازمان زمین شناسی ایالات متحده (2019) نقشه ملی.
http://nationalmap.gov/viewer.html
[ 37 ] سازمان زمین شناسی ایالات متحده (2019) EarthExplorer-Home. داده های ماهواره ای
https://earthexplorer.usgs.gov/

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.