یک مشکل حیاتی مرتبط با بخش جنوبی نیجریه، تغییر سریع چشم‌انداز در نتیجه قطع درختان، شیوه‌های کشاورزی، مهاجرت و گسترش انسان، اکتشاف نفت، بهره‌برداری و فعالیت‌های تولیدی است. این فرآیندها هم تأثیرات مثبت و هم منفی بر توسعه اقتصادی و اجتماعی – سیاسی کشور به طور کلی داشته است. اثرات منفی نه تنها منجر به تخریب اکوسیستم شده است، بلکه خطراتی را برای سلامتی انسان و آلودگی منابع آب سطحی و زیرزمینی به همراه داشته است. این امر نیاز به توسعه سریع، مقرون به صرفه و کارآمد تکنیک طبقه‌بندی کاربری/پوشش زمین (LULC) را برای نظارت بر پویایی بیوفیزیکی در منطقه ایجاد کرده است. با توجه به الگوهای پیچیده پوشش زمین موجود در منطقه مورد مطالعه و رابطه گهگاهی غیرقابل تشخیص بین پوشش زمین و سیگنال های طیفی، این مقاله استفاده ترکیبی از طبقه بندی تصویر بدون نظارت و نظارت شده را برای تشخیص طبقات کاربری/پوشش زمین (LULC) معرفی می کند. با درگیری مداوم بر سر تأثیر فعالیت‌های نفتی در منطقه، این کار روشی را برای تشخیص تغییر LULC ارائه می‌کند که عامل مهمی برای در نظر گرفتن در طراحی چارچوب تصمیم‌گیری زیست‌محیطی است. نتایج حاصل از استفاده از این تکنیک در Landsat TM و ETM+ در سال های 1987 و 2002 مورد بحث قرار گرفته است. نتایج مزایا و معایب دو روش و اثرات دقت کلی آنها را بر تشخیص تغییر پس از طبقه‌بندی نشان می‌دهد. این مقاله استفاده ترکیبی از طبقه‌بندی تصویر بدون نظارت و نظارت شده را برای تشخیص کلاس‌های کاربری/پوشش زمین (LULC) معرفی می‌کند. با درگیری مداوم بر سر تأثیر فعالیت‌های نفتی در منطقه، این کار روشی را برای تشخیص تغییر LULC ارائه می‌کند که عامل مهمی برای در نظر گرفتن در طراحی چارچوب تصمیم‌گیری زیست‌محیطی است. نتایج حاصل از استفاده از این تکنیک در Landsat TM و ETM+ در سال های 1987 و 2002 مورد بحث قرار گرفته است. نتایج مزایا و معایب دو روش و اثرات دقت کلی آنها را بر تشخیص تغییر پس از طبقه‌بندی نشان می‌دهد. این مقاله استفاده ترکیبی از طبقه‌بندی تصویر بدون نظارت و نظارت شده را برای تشخیص کلاس‌های کاربری/پوشش زمین (LULC) معرفی می‌کند. با درگیری مداوم بر سر تأثیر فعالیت‌های نفتی در منطقه، این کار روشی را برای تشخیص تغییر LULC ارائه می‌کند که عامل مهمی برای در نظر گرفتن در طراحی چارچوب تصمیم‌گیری زیست‌محیطی است. نتایج حاصل از استفاده از این تکنیک در Landsat TM و ETM+ در سال های 1987 و 2002 مورد بحث قرار گرفته است. نتایج مزایا و معایب دو روش و اثرات دقت کلی آنها را بر تشخیص تغییر پس از طبقه‌بندی نشان می‌دهد. که عامل مهمی است که در طراحی یک چارچوب تصمیم گیری محیطی باید در نظر گرفته شود. نتایج حاصل از استفاده از این تکنیک در Landsat TM و ETM+ در سال های 1987 و 2002 مورد بحث قرار گرفته است. نتایج مزایا و معایب دو روش و اثرات دقت کلی آنها را بر تشخیص تغییر پس از طبقه‌بندی نشان می‌دهد. که عامل مهمی است که در طراحی یک چارچوب تصمیم گیری محیطی باید در نظر گرفته شود. نتایج حاصل از استفاده از این تکنیک در Landsat TM و ETM+ در سال های 1987 و 2002 مورد بحث قرار گرفته است. نتایج مزایا و معایب دو روش و اثرات دقت کلی آنها را بر تشخیص تغییر پس از طبقه‌بندی نشان می‌دهد.
کلید واژه ها
پوشش زمین , الگوریتم های طبقه بندی نظارت شده و بدون نظارت , تصاویر لندست , تشخیص تغییر , دلتای نیجر
1. مقدمه
منطقه دلتای نیجر در نیجریه تغییرات سریع ناشی از اختلالات طبیعی و انسانی را تجربه کرده است. قبل از کشف نفت خام در سال 1954، این منطقه برای کشاورزی و جنگلداری محبوب بود. صنعتی‌سازی که به‌ویژه با فعالیت‌های اکتشاف و بهره‌برداری نفت در حال انجام است که بیش از چهل سال گذشته است، بر منطقه تأثیر مثبتی از طریق ایجاد شغل و تأثیر منفی بر تخریب محیط‌زیست گذاشته است. تغییرات محیطی ناشی از فعالیت های نفتی مانند جنگل زدایی، تغییر مناطق شهری را می توان با استفاده از داده های سنجش از راه دور تشخیص داد. فرض اساسی برای استفاده از داده های سنجش از دور این است که تغییر در وضعیت یک شی باید منجر به تغییر در مقدار تابش [ 1 ] [ 2 ] شود.
طبقه بندی پوشش زمین و تشخیص تغییر توسط [ 3 ] و [ 4 ]، با استفاده از الگوریتم طبقه بندی ISODATA بدون نظارت انجام شده است، در حالی که [ 5 ] و [ 6 ] از روش طبقه بندی نظارت شده حداکثر احتمال استفاده می کنند. در نیجریه، [ 5 ] الگوریتم های طبقه بندی نظارت شده مختلف را برای نظارت بر تغییرات چشم انداز در ابوجا مقایسه کردند. یافته‌های او نشان می‌دهد که الگوریتم حداکثر احتمال بهتر از سایر روش‌های مورد استفاده عمل می‌کند. تشخیص تغییر محیطی منطقه دلتای نیجر با استفاده از داده های سنجش از راه دور توسط [ 6 ] – [ 8 ] انجام شده است.] . آنها کاهش LULC را به ویژه در مناطق حرا و جنگل گزارش کردند در حالی که زمین های کشاورزی و مناطق ساخته شده افزایش یافتند.
سنجش از دور با دانش و تکنیک های مورد استفاده برای تجزیه و تحلیل، تفسیر، نظارت و مدیریت تغییرات محیطی، با استفاده از تصاویر نوری و مایکروویو از انواع مختلف حسگرها سروکار دارد [ 9 ]. قابلیت سنجش از دور با بخشی از سیستم های اطلاعات جغرافیایی (GIS) افزایش یافته است. این سیستم ها مجموعه ابزارهای قدرتمندی برای جمع آوری، ذخیره، بازیابی به دلخواه، تبدیل و نمایش داده های مکانی از دنیای واقعی هستند [ 10 ].] . با توجه به ماهیت فضایی تخریب زمین، GIS یک ابزار یکپارچه برای تولید، ذخیره و ارائه اطلاعات مربوطه فراهم می کند. این می تواند بیشتر در ارزیابی تأثیر فعالیت های نفت خام مانند اکتشاف، بهره برداری و تولید از طریق تعامل یک پایگاه داده با شاخص های مختلف زیست محیطی مورد استفاده قرار گیرد. این مقاله دو الگوریتم طبقه‌بندی پارامتریک را در تخمین تغییراتی که در منطقه مورد مطالعه بین سالهای 1987 و 2002 رخ داده است، مقایسه می‌کند.
2. منطقه مطالعه
منطقه مورد علاقه در عرض های جغرافیایی 5˚10’39” شمالی – 5˚41’19” شمالی و طول های جغرافیایی 5˚35’59” E – 6˚06’09” شرقی قرار دارد و در مثلث منطقه دلتای نیجر قرار دارد. نیجریه ( شکل 1). زمین شناسی آن محصول رسوبات رودخانه ای و دریایی در دوره کرتاسه بالایی است. سه چرخه رسوبی عمده در منطقه رخ داده است که منجر به رسوب گذاری سازند آکاتا، آگبادا و بنین شده است. سازند آگبادا سرشار از هیدروکربن است. این نقش برجسته کم ارتفاع است و بر اساس رسوب‌گذاری متوالی چهار واحد فیزیوگرافیک – باتلاق آب شیرین، باتلاق حرا، دشت‌های ساحلی و دره مرتفع نیجر ساخته شده است. خاک ها عموماً هیدرومورفیک و دارای زهکشی ضعیف هستند. پوشش گیاهی بکر به میزان قابل توجهی در منطقه کاهش یافته و با موزاییک های رشد مجدد ثانویه مانند زمین های زراعی (کاساوا، ذرت، سیب زمینی) و محصولات درختی (نخل روغنی، لاستیک،
شکل 1 . نقشه منطقه مورد مطالعه
کاکائو، چنار). پوشش گیاهی طبیعی باقی‌مانده هنوز به‌عنوان جنگل‌های باتلاقی آب شیرین، جنگل‌های باتلاقی حرا و جنگل‌های بارانی همیشه سبز دشت، منبع اصلی چوب هستند. رودخانه نیجر سیستم اصلی زهکشی است که سایر سیستم های رودخانه ای مجزا از آن سرچشمه می گیرند. این منطقه دارای آب و هوای مرطوب استوایی است. پوشش ابر زیاد است و رطوبت نسبی و میانگین بارندگی به ترتیب بالای 80 درصد و 3000 میلی متر است.
3. مجموعه داده ها
تصاویر ماهواره ای مورد استفاده در این مطالعه شامل یک صحنه از سیستم مرجع جهانی (WRS-2) مسیر 189 و ردیف 056 است. به ترتیب در 21-12-87 و 28-12-2002 به دست آمد. تصاویر از [ 11 ] به دست آمدند. باندهای مورد استفاده برای تجزیه و تحلیل شامل 1 – 5 و 7 است. باندهای 2، 4 و 7 برای ساخت کامپوزیت رنگ استفاده شدند زیرا این ترکیب یک ترکیب رنگی طبیعی به دست داد. تصحیح هندسی تصاویر قبلاً توسط ناسا با استفاده از طرح نقشه UTM، مبدأ سیستم جهانی ژئودتیک 1984 و بیضی WRS 84 انجام شده است. تصاویر نهایی تصحیح شده تصاویر دقیقی با دقت ژئودتیک ریشه میانگین مربع (RMS) بهتر از 50 متر تولید کردند [ 12 ]] . سپس زیرمجموعه هایی از صحنه اصلی برای دو تصویر برای تجزیه و تحلیل بیشتر استخراج شد. نقشه دیجیتالی حاوی اطلاعات کاربری/پوشش زمین برای انتخاب داده های آزمایشی برای طبقه بندی تصویر Landsat TM 1987 و Landsat ETM+ 2002 استفاده شد. علاوه بر این، داده های آزمایشی برای طبقه بندی Landsat ETM+ 2002 از بازدید میدانی با کمک GPS به دست آمد.
4. روش ها
روش مورد استفاده برای تشخیص تغییرات در چشم انداز شامل، انتخاب سیستم طبقه بندی، طبقه بندی تصویر، و تشخیص تغییر پس از طبقه بندی است ( شکل 2 ).
4.1. انتخاب سیستم طبقه بندی
قبل از استخراج هر گونه اطلاعات موضوعی مفید از داده های سنجش از دور، یک سیستم طبقه بندی LULC باید برای به دست آوردن طبقات مورد علاقه تحلیلگر توسعه یابد [ 13 ]. تعدادی سیستم طبقه بندی
شکل 2 . نمودار جریان روش برای تشخیص تغییر چشم انداز.
شرایط از قبل برای LULC وجود دارد، آنها شامل سیستم طبقه بندی کاربری زمین/پوشش زمین توسط سازمان زمین شناسی ایالات متحده [ 14 ]، هماهنگی اطلاعات در مورد محیط زیست (CORINE) پوشش زمین [ 15 ]، و طبقه بندی پوشش اراضی سازمان غذا و کشاورزی (FAO) است. سیستم (LCCS) [ 16 ]. در حالی که پوشش زمین به نوع مواد موجود در منظر اشاره دارد، استفاده از زمین از سوی دیگر همان کاری است که در زمین انجام می شود [ 17 ].
از آنجایی که قبلاً سیستم های طبقه بندی معتبری وجود دارد، مانند موارد ذکر شده در بالا، توسعه سیستمی که فقط برای اهداف این تحقیق مفید باشد، بی معنی خواهد بود. بنابراین، سیستم طبقه‌بندی استفاده از زمین/پوشش زمین توسط سازمان زمین‌شناسی ایالات متحده [ 14 ] برای تهیه افسانه برای نقشه‌های LULC اصلاح شد. از آنجایی که تصاویر با وضوح 30 متر برای طبقه بندی استفاده شد، 6 کلاس کاربری/پوشش زمین زیر مشتق شد. منطقه ساخته شده/برهنه، زمین کشاورزی، جنگل، تالاب، آب و رسوبات.
4.2. طبقه بندی تصاویر دیجیتال
انتخاب مناسب ترین الگوریتم برای طبقه بندی پوشش زمین از داده های ماهواره ای به شرایط خاص و منابع موجود بستگی دارد [ 18 ]. الگوریتم‌های طبقه‌بندی حداکثر احتمال نظارت نشده – ISODATA و نظارت شده – برای این تحلیل استفاده شد. برای طبقه بندی بدون نظارت، از نرم افزار Multispec Windows NP/XP نسخه 3.1 استفاده شد. این یک سیستم پردازشی برای تجزیه و تحلیل تعاملی داده های تصویر چندطیفی رصدی زمین است مانند آنچه که توسط ماهواره های زمینی سری Landsat و داده های تصویر ابرطیفی از سیستم های هوابرد و فضابرد فعلی و آینده تولید می شود [ 19 ]. برای طبقه بندی نظارت شده و تجزیه و تحلیل GIS از نرم افزار ILWIS نسخه 3.3 استفاده شد.
4.2.1. طبقه بندی ISODATA بدون نظارت
الگوریتم‌های بدون نظارت اغلب سعی می‌کنند گروه‌ها یا خوشه‌هایی را در داده‌هایی پیدا کنند که از نظر طیفی مشابه هستند. فرض اساسی در طبقه‌بندی بدون نظارت این است که مقادیر با یک نوع پوشش معین باید در فضای اندازه‌گیری نزدیک به هم باشند، در حالی که داده‌های کلاس‌های مختلف باید نسبتاً به خوبی از هم جدا شوند [ 20 ]. خوشه‌های به‌دست‌آمده لزوماً هیچ رابطه‌ای با کلاس‌های ارزش اطلاعاتی ندارند، آنها فقط به به دست آوردن فهرستی از کلاس‌ها کمک می‌کنند که جامع هستند. بنابراین، نتایج طبقه‌بندی باید با برخی داده‌های مرجع برای تفسیر معنادار مقایسه شود. الگوریتم خوشه‌بندی تکنیک تجزیه و تحلیل داده‌های خودسازماندهی تکراری (ISODATA) اصلاحیه‌ای از الگوریتم خوشه‌بندی k-means [ 17 ] است.] . از حداقل فاصله طیفی برای اختصاص یک خوشه برای هر پیکسل بالقوه استفاده می کند.
تعداد کلاس ها مهم ترین پارامترهای خوشه بندی است [ 3 ]. اگر خیلی کوچک، خوشه های نسبتاً وسیع ممکن است ایجاد شوند که ممکن است نتایج واقعی ایجاد نکنند. اگر تعداد خیلی بزرگ باشد، ممکن است خوشه‌های بسیار خالص با منابع محاسباتی بسیار سخت و افزایش قابل‌توجهی در زمان مورد نیاز برای برچسب‌گذاری خوشه‌ها ایجاد شوند [ 4 ]] . تعداد نهایی کلاس‌های انتخاب‌شده برای این مطالعه 40 بود. سایر پارامترهای مورد نیاز شامل حداکثر درصد پیکسل‌هایی است که مقادیر کلاس آنها مجاز است بین تکرارها و حداقل اندازه خوشه بدون تغییر باقی بماند. 99% و 7 به ترتیب برای مقدار همگرایی و حداقل اندازه خوشه انتخاب شدند. مقدار 100 به عنوان مقدار آستانه انتخاب شد. این بدان معناست که سیستم مجبور است هر پیکسل در تصویر را به یکی از خوشه ها اختصاص دهد. مقدار کمتر از 100 باعث می شود که برخی از پیکسل ها به خوشه ها اختصاص داده نشوند [ 21] . نتیجه طبقه‌بندی، خوشه‌ها را به ترتیب سطح نزولی روشنایی مرتب و اختصاص می‌دهد. در نهایت، یک طرح رنگ واقعی شبیه به تصویر اصلی برای اختصاص رنگ به طبقات مختلف با کمک پوشش گیاهی دیجیتال، نقشه‌های کاربری زمین و داده‌های حقیقت زمین استفاده شد.
4.2.2. طبقه بندی حداکثر احتمال نظارت شده
ML متداول‌ترین طبقه‌بندی تحت نظارت است و بر این فرض استوار است که آمار داده‌های آموزشی در هر باند به طور معمول توزیع شده است. فواصل نسبت به میانگین کلاس ها را در نظر می گیرد و ماتریس واریانس کوواریانس هر کلاس را محاسبه می کند. طبقه بندی نظارت شده با تعریف مناطقی که به عنوان سایت های آموزشی برای طبقات مختلف پوشش زمین مورد استفاده قرار خواهند گرفت، آغاز می شود. بردارهای آموزشی باید حداقل یک وجهی باشند و نباید چند خطی بودن را نشان دهند [ 22] . آنها همچنین به مجموعه داده های آموزشی بزرگی نیاز دارند که می تواند بسیار پرهزینه باشد و به طور کلی اضافه کردن تدریجی به داده های آموزشی در حین آموزش طبقه بندی کننده ممکن نیست. حداقل 15 نمونه برای هر کلاس انتخاب شد. در حالت ایده‌آل، تعداد پیکسل‌های انتخاب‌شده باید بیش از 10 برابر تعداد پیکسل‌هایی باشد که در تصویر باید طبقه‌بندی شوند [ 17 ]. این با چندین سایت آموزشی ساخته شد تا سایت آموزشی بیشتری انتخاب شود، نتایج بهتری به دست آید. نمایش فضای ویژگی با استفاده از باندهای 2 و 3 به تشخیص پیکسل‌ها برای کلاس‌های مختلف کمک می‌کند.
4.3. تشخیص تغییر پس از طبقه بندی
تشخیص تغییر فرآیند شناسایی تفاوت ها در وضعیت یک شی یا پدیده با مشاهده آن در زمان های مختلف است [ 23 ]. استفاده موفقیت‌آمیز از سنجش از دور ماهواره‌ای برای تشخیص تغییر پوشش زمین به درک کافی از ویژگی‌های چشم‌انداز، سیستم‌های تصویربرداری و روش‌شناسی استخراج اطلاعات مورد استفاده در رابطه با اهداف تحلیل بستگی دارد [ 3 ]. انتخاب یک الگوریتم تشخیص تغییر مناسب ضروری است زیرا تأثیر مستقیمی بر نوع طبقه‌بندی که باید انجام شود و اینکه آیا می‌توان اطلاعات تغییرات مهم را از تصویر استخراج کرد، دارد [ 17 ].] . یک روش تشخیص تغییر پس از طبقه‌بندی استفاده شد. اگرچه دقت روش‌های پس از طبقه‌بندی به دقت طبقه‌بندی‌های فردی بستگی دارد و در معرض انتشار خطا است، طبقه‌بندی هر تاریخ تصویر یک سری تاریخی ایجاد می‌کند که می‌تواند آسان‌تر به‌روزرسانی شود و برای کاربردهایی غیر از تشخیص تغییر استفاده شود. 24 ] . همچنین، این روش از مشکلات ناشی از تنوع در ویژگی‌های حسگر، اثرات جوی، زاویه دید سنسور زاویه روشنایی خورشیدی و فنولوژی پوشش گیاهی بین تاریخ‌ها جلوگیری می‌کند زیرا هر تصویر به طور مستقل طبقه‌بندی می‌شود [ 25 ].
5. نتایج و بحث
شکل 3 نتایج ISODATA بدون نظارت و طبقه بندی ML نظارت شده را برای Landsat TM 1987 نشان می دهد.
ISODATA 1987 ISODATA 2002
MAXIMUM LIKELIHOOD 1987 MAXIMUM LIKELIHOOD 2002
برای تصاویر 1987 و 2002
شکل 3 . طبقه بندی بدون نظارت و نظارت برای تصاویر 1987 و 2002.
و ETM+ 2002. مقایسه تصاویر طبقه بندی شده نشان می دهد که الگوریتم ISODATA بدون نظارت بهتر از ML عمل می کند زیرا شباهتی نزدیک به نقشه پوشش زمین مورد استفاده دارد ( شکل 4 ). ارزیابی دقت نقشه‌های سال 1987 و 2002 بدون نظارت، تمام دقت‌های 61.29% و 69.33% را نشان داد. مقادیر کم در نتیجه طبقه‌بندی اشتباه بین مناطق ساخته شده/برهنه و جنگل در تصویر سال 1987 بود، در حالی که طبقه‌بندی اشتباه بین تالاب و سایه بر تصویر سال 2002 تأثیر گذاشت. از آنجایی که دقت پس از طبقه‌بندی به دقت اولیه نقشه‌های طبقه‌بندی‌شده بستگی دارد، این به معنای کاهش دقت با استفاده از الگوریتم حداکثر احتمال است. بنابراین نقشه های طبقه بندی شده به دست آمده از ISODATA برای محاسبه تغییرات برای دسته های مختلف LULC استفاده شد.
جدول 1 کل تغییرات LULC را بین سالهای 1987 و 2002 با استفاده از الگوریتم ISODATA نشان می دهد. بیشترین تغییر 30.9 درصد معادل 34414 هکتار از جنگل در دوره 15 ساله ناپدید شد. تالاب که عمدتاً از درختان حرا تشکیل شده است دومین کاهش 6.2% (1637 هکتار) را تجربه کرد. سایه در تصویر سال 2002 به اشتباه به عنوان تالاب طبقه بندی شد، بنابراین تخمین اشتباهی ارائه شد. همه طبقات دیگر افزایش در تغییر پوشش را نشان دادند که رسوبات با 17٪ (190.4 هکتار) در صدر گروه قرار گرفتند. وجود ابرها باعث افزایش میزان رسوبات در تصویر سال 2002 شد. مناطق ساخته شده/لیر و زمین کشاورزی به ترتیب 12.3% (4108.1 هکتار) و 12.1% (16411.1 هکتار) افزایش یافت. بدنه های آبی 6.7 درصد افزایش یافته است، این را می توان به طبقه بندی سایه به عنوان آب در تصویر سال 2002 نسبت داد.
6. نتیجه گیری
این مقاله کاربردهای دو الگوریتم طبقه‌بندی پارامتریک را در پایش کاربری اراضی و تغییر پوشش اراضی ارائه می‌کند. الگوریتم های طبقه بندی ISODATA و ML بر اساس تکنیک های سنتی مبتنی بر پیکسل هستند. ML به تفسیر بصری انواع پوشش زمین در تصویر ماهواره‌ای بستگی دارد، در حالی که ISODATA یک روش تکراری است که پیکسل‌ها را بر اساس آستانه مشخصی خوشه‌بندی می‌کند. الگوریتم ISODATA بهتر از حداکثر احتمال عمل کرد زیرا توانست بین طبقات مختلف پوشش زمین تمایز قائل شود. منطقه مورد نظر بیشترین تغییر را به میزان 30.9% معادل 34414 هکتار از جنگل تجربه کرده است که طی دوره 15 ساله ناپدید شده است. کمبود تجربه شده توسط ML در ناتوانی آن در تمایز بافتی به دلیل وقوع کلاس های مختلط است. از آنجایی که هر دو محدودیت های خود را دارند، بنابراین توصیه می شود از هر دو تکنیک تجزیه و تحلیل تصویر با در نظر گرفتن نقاط قوت و ضعف آنها استفاده شود. بنابراین تحقیقات بیشتر انجام خواهد شد
شکل 4 . نقشه پوشش اراضی بخشی از محدوده مطالعاتی سال 90.
جدول 1 . درصد تغییر برای کلاس های LULC بین سال های 1987 و 2002.
در منطقه مورد مطالعه با استفاده از روش ترکیبی که هر دو الگوریتم را در بر می گیرد، انجام شود. داده های مرجع بیشتری برای بهبود نتایج پس از طبقه بندی مورد نیاز است. این مقاله همچنین اهمیت داده های سنجش از دور زمانی و مکانی و ابزارهای GIS را در تشخیص تخریب محیط از فعالیت های توسعه در منطقه نشان داد. کاهش جنگل و حرا را می‌توان ناشی از قطع درختان، فعالیت‌های کشاورزی و صنعتی‌سازی به‌ویژه شرکت‌های اکتشاف و تولید نفت دانست، در حالی که حضور شرکت‌های نفتی در منطقه باعث جذب نیروی کار و در نتیجه افزایش شهرنشینی شده است.
بدون دیدگاه