پایش آسیب پذیری سواحل با استفاده از DEM بر اساس داده های فضایی پهپاد

استفاده از وسایل نقلیه هوایی بدون سرنشین (پهپاد) نشان دهنده یک رویکرد روش شناختی نسبتاً نوآورانه، سریع و کم هزینه است که کاربردهایی را در چندین زمینه تحقیقاتی ارائه می دهد. مطالعه حاضر روش توسعه‌یافته را با استفاده از مدل‌های ارتفاعی دیجیتال (DEMs) بر اساس داده‌های مشتق‌شده از پهپاد برای ارزیابی تغییرات مورفولوژیکی-توپوگرافی کوتاه‌مدت سیستم ساحل و پیامدهای مربوط به ارزیابی آسیب‌پذیری ساحلی نشان می‌دهد. بررسی‌های پهپاد در تابستان‌های ۲۰۱۹ و ۲۰۲۰ در امتداد یک ساحل تحت تأثیر فرسایش، واقع در امتداد سواحل مرکزی آدریاتیک انجام شد. عکس‌های هوایی با وضوح بالا به‌دست‌آمده برای تولید DEM‌های مقیاس بزرگ و همچنین عکس‌های ارتوفوتو از ساحل با استفاده از ابزار پردازش تصویر ساختار از حرکت (SfM) استفاده شد.^۳ در سطحی حدود ۴۴۰۰ متر ^مربع . بر اساس پروفیل های ساحلی با فاصله ۲۰ متری که از DEM ها به دست آمده است، یک ارزیابی آسیب پذیری ساحلی با استفاده از رویکرد CVA انجام شد که برخی از تغییرات قابل توجه در شاخص CVA را بین سال های ۲۰۱۹ و ۲۰۲۰ برجسته کرد. نتایج شواهد نشان می دهد که بررسی های پهپاد داده های توپوگرافی با وضوح بالا را ارائه می دهد، مناسب برای فعالیت‌های ویژه نظارت بر ساحل و به‌روزرسانی برخی پارامترهایی که در مدل CVA وارد می‌شوند و به کاربرد صحیح آن کمک می‌کنند.

کلید واژه ها:

تکامل خط ساحلی ; فرسایش ساحل ; DEM ها بررسی پهپاد ; ساختار از حرکت ; ارزیابی آسیب پذیری ساحلی ; خطر فرسایش ؛ سواحل مرکزی آدریاتیک ؛ ایتالیا

۱٫ مقدمه

در دسترس بودن مدل‌های سطح دیجیتال (DSM) که با وضوح فضایی بالا و دقت عمودی مشخص می‌شوند، برای همه مطالعاتی که شامل تحلیل‌ها و نمایش‌های سه‌بعدی از محیط می‌شوند، اهمیت بیشتری پیدا می‌کند. به عنوان مثال، در زمینه پایش سواحل، داده های توپوگرافی با وضوح بالا برای انجام بازسازی های قابل اعتماد پویایی و تکامل ساحلی کوتاه مدت، و همچنین ارزیابی خطر فرسایش و سیل ضروری است.

اکثر روش‌های سنتی برای نقشه‌برداری و نظارت بر محیط‌های ساحلی، مانند تفسیرهای بصری نقشه‌های توپوگرافی و عکس‌های هوایی، به زمان و تلاش زیادی نیاز دارند و ممکن است آخرین بازه‌های زمانی را پوشش ندهند. تکنیک‌های سنجش از دور، مانند رادار دیافراگم مصنوعی تداخل سنجی (InSAR)، تشخیص و محدوده نور هوابرد (LiDAR) و سایر تکنیک‌های ژئوفیزیکی (روش‌های گرانشی، الکتریکی و ژئومغناطیسی)، در عین حال، مقادیر زیادی اندازه‌گیری توپوگرافی با دقت و چگالی بالا ایجاد کرده‌اند. در طول ۴۰ سال گذشته، امکان به روز رسانی منظم محیط های ساحلی و نقشه برداری خودکار [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶]. برخی از این تکنیک‌ها، مدل‌های ارتفاعی دیجیتال با وضوح بالا (DEMs) را تولید می‌کنند، که سطح بالایی از جزئیات را ارائه می‌کند که امکان ترسیم و تجزیه و تحلیل عناصر ژئومورفیک در مقیاس کوچک را فراهم می‌کند [ ۷ ، ۸ ]. با این حال، این فناوری‌ها هزینه‌های قابل توجهی دارند که اجرای آن‌ها را برای چندین کشور و مؤسسه غیرممکن می‌سازد و اجرای منظم آن‌ها را دشوار می‌کند [ ۹ ].

تکنیک‌های مبتنی بر سیستم‌های ماهواره‌ای ناوبری جهانی (GNSS) و ایستگاه‌های کل از جمله روش‌های با کیفیت بالا هستند که امروزه برای بازسازی مورفومتری ساحل و تپه‌ها در دسترس هستند [ ۱۰ ، ۱۱ ، ۱۲ ]. به طور خاص، مکان GNSS (بر اساس شبکه یا سینماتیک بلادرنگ) دقیق و کارآمد است، اما تعداد نقاط قابل اندازه گیری محدود است. علاوه بر این، برنامه‌های اسکنر لیزری زمینی (TLS) ممکن است بسیار دقیق باشند، اما به جلسات نظرسنجی گسترده و زمان‌های پردازش داده قابل توجهی نیاز دارند [ ۱۳ ].

پیشرفت‌های اخیر در فن‌آوری‌های وسایل نقلیه هوایی بدون سرنشین (UAV) امکان توسعه یک تکنیک جایگزین برای پایش ساحلی را فراهم می‌کند که به طور موثر نیازمندی‌های مکانی و زمانی را در طیف گسترده‌ای از کاربردهای زیست‌محیطی، غلبه بر محدودیت‌های روش‌های فوق‌الذکر [ ۱۴ ] نشان می‌دهد. علاوه بر این، پهپادها به دلیل کاهش قابل توجه هزینه وسایل نقلیه هوایی و حسگرها، و همچنین پیشرفت های اخیر در نرم افزار پردازش داده، تطبیق پذیری بالایی دارند [ ۱۵ ].

خلاصه ای با مراجع اصلی در مورد استفاده از این روش ها در جدول ۱ پیشنهاد شده است .

بررسی توسط کولومینا و مولینا [ ۱۸ ] شرح مفصلی از تکامل و آخرین هنر استفاده از پهپادها، محدودیت‌های خاص کشور، و کاربردهای احتمالی در فتوگرامتری و سنجش از دور ارائه می‌دهد. نقشه برداری و نقشه برداری پهپاد شامل نقشه برداری منابع زمین شناسی [ ۱۹ ]، نقشه برداری فرآیند ژئومورفولوژیکی [ ۲۰ ، ۲۱ ، ۲۲ ، ۲۳ ]، مطالعات حوزه آبخیز کشاورزی [ ۲۴ ]، معدن [ ۲۵ ]، باستان شناسی [ ۲۶ ]، آتش نشانی [ ۲۷ ] است. [ ۲۸ ]، و انواع مشاغل سنتی تر نقشه برداری کاداستر [ ۲۹].

برای بیش از نیم قرن، استریو فتوگرامتری برای تفسیر تصاویر هوایی از مناطق ساحلی استفاده می شد. پیشرفت های اخیر و عمده در فتوگرامتری دیجیتال و بینایی کامپیوتری، کاربردهای احتمالی را با سرعتی سرسام آور پیش برده است [ ۱۷ ]. به ویژه، Structure from Motion (SfM) یک ابزار فتوگرامتری است که در حال حاضر برای چند دهه استفاده می شود، که امکان بازسازی سطوح سه بعدی را از مجموعه ای از تصاویر روی هم قرار می دهد. وستوبی و همکاران [ ۳۰ ] الگوریتم SfM را با رویکرد جزئیات فنی توصیف می کند و یک نمای کلی ارائه می دهد.

استفاده از پهپادها برای مطالعات ساحلی به تازگی آغاز شده است [ ۱۳ ]. هاروین و لوسییر [ ۳۱ ] دقت ابرهای نقطه ای تولید شده از عکاسی با پهپاد از یک منطقه ساحلی را با مجموعه ای مجزا از نقاط جمع آوری شده توسط یک ایستگاه کل مقایسه کردند. برایسون و همکاران [ ۱۶ ] مناظر صخره‌ای جزر و مدی را با عکس‌برداری هوایی بادبادک و SfM مورد مطالعه قرار داد و کمی از دقت محصولات نهایی را ارائه کرد.

این مقاله با رویکرد روش‌شناختی مبتنی بر داده‌های مشتق‌شده از پهپاد می‌پردازد که ما برای ارائه یک جایگزین معتبر و اقتصادی مناسب برای پایش ساحل و ارزیابی آسیب‌پذیری ساحل در برابر فرسایش و طغیان، که به عنوان خطر یا حساسیت یک سیستم ساحلی مشخص تعریف می‌شود، سروکار دارد. [ ۳۲ ، ۳۳ ]. ما این رویکرد را در ساحل Molise (ساحل مرکزی آدریاتیک)، یک سیستم ساحلی شناخته شده تحت مطالعه مداوم برای چند دهه، در امتداد یک کشش ساحلی کوچک که بر اساس شرایط ناپایداری خط ساحلی و روند فرسایش اخیر آن انتخاب کردیم، آزمایش کردیم.

۲٫ ساحل مولیز

ساحل مولیز بخشی از سواحل مرکزی آدریاتیک است و به ترتیب توسط دهانه کانال Formale del Molino و جریان Saccione به شمال و جنوب محدود می شود ( شکل ۱ A). طول آن تقریباً ۳۶ کیلومتر است و به جز بخش مرکزی ۱۳ کیلومتری آن، از ساحل کم ارتفاع ساخته شده است. صخره‌های دریایی در بخش ساحلی مرتفع عمدتاً از توالی‌های دریایی رسی-شنی پلیو-پلیستوسن (سازندهای ماسه‌ای خاک رس مونتسهکو و سراکاپریولا [ ۳۴ ]، که توسط رسوبات رودخانه‌ای شنی پلیستوسن میانی تا کنگلومرا (Campomarino Conglomerates)، [ ۳۴ ] پوشانده شده‌اند. صخره ها فقط به صورت محلی با دریا در تماس هستند (صخره محافظت شده دماغه ترمولی [ ۳۵]). علاوه بر این، آنها غیر فعال هستند و در پشت سیستم های تپه های ساحلی بین ۱۰ ثانیه تا حدود ۲۰۰ متر از خط ساحلی قرار دارند. بنابراین، سواحل عمدتاً در سراسر سواحل مولیز پیوسته هستند و تنها به صورت محلی توسط دهانه رودخانه‌های اصلی و سازه‌های بندر قطع می‌شوند. سواحل ماسه‌ای هستند و عمدتاً از ماسه‌های ریز تا متوسط ساخته شده‌اند و تا عرض‌های متغیری بین چند تا ۹۳ متر گسترش می‌یابند [ ۳۵ ]. سه ساختار بندر در امتداد ساحل مولیز وجود دارد ( شکل ۱ A): بندر توریستی Margherita Sveva، بندر تجاری ترمولی با بندر توریستی San Pietro متصل به هم، و بندر گردشگری Campomarino (Marina di San Cristina).

دماغه ترمولی سواحل مولیز را به دو بخش تقریباً مستقل جدا می کند (واحدهای فرعی فیزیوگرافی، [ ۳۵ ]). این بخش‌ها که از این پس سواحل مولیس شمالی و جنوبی نامیده می‌شوند، به ترتیب در جهت WNW و NW-SE قرار دارند. تحقیقات اخیر توسط Rosskopf و همکاران. [ ۳۵ ] و بوچینو و همکاران. [ ۳۶ ] حمل و نقل طولانی ساحلی غالب از شمال غربی به جنوب را تأیید کرده اند، که مطابق با مطالعات قبلی است.

در توافق با مطالعات قبلی ([ ۳۵ ] و منابع موجود در آن)، تقسیم‌بندی ساحل جنوبی مولیس در بخش‌های ساحلی S6-S9 ( شکل ۱ A) در مطالعه حاضر برای مقایسه بهتر نرخ‌های تغییر خط ساحلی محاسبه‌شده تا به امروز حفظ شده است.

آب و هوای موجی دریای آدریاتیک معمولاً در اکثر فصول سال معتدل یا معتدل است. تجزیه و تحلیل داده‌های موج ثبت‌شده در شناور اورتونا (شبکه اندازه‌گیری امواج دریا، RON) در دوره ۱۹۹۰-۲۰۰۶، حداکثر ارتفاع موج قابل توجه سالانه را در محدوده بین ۳ تا ۶ متر، تقریباً، نشان می‌دهد که از بخش جهت N-NE نزدیک می‌شود ([ ۳۵ ، ۳۶ ]). به طور مفصل، مقادیر متوسط Hs _و Ht ₍ مربوط به حالت های دریایی بیش از ۲ متر) و دوره های مربوطه Ts _و T _t در جدول ۲ آورده شده است.

همانطور که توسط چندین مطالعه مشخص شده است ([ ۳۵ ، ۳۷ ] و منابع موجود در آن)، فرسایش به شدت تکامل بلندمدت ساحل مولیز را کنترل کرد. عقب‌نشینی خط ساحلی به‌ویژه بخش‌های ساحلی را که شامل دهانه‌های اصلی رودخانه می‌شوند (رودخانه‌های تریگنو و بیفرنو، شکل ۱ الف) به دلیل کاهش رسوبات رودخانه‌ای به ساحل که عمدتاً ناشی از استخراج درون کانالی و مداخلات هیدرولیکی در حوضه و دسترسی رودخانه است، تحت تأثیر قرار داد. مقیاس از دهه ۱۹۵۰ به بعد ([ ۳۶ ، ۳۸] و ارجاعات موجود در آن). برای مقابله با فرسایش ساحلی، سازه‌های دفاعی متعددی از دهه ۱۹۸۰ به بعد عمدتاً در شرایط اضطراری ساخته شد. در واقع، سازه‌های دفاعی سخت (موج‌شکن‌های چسبنده، موج شکن‌های جداشده بیرون‌آمده و غوطه‌ور، روکش‌ها، کشاله‌ها و اسکله‌ها) حدود ۶۲ درصد از سواحل مولیز را پوشش می‌دهند [ ۳۵ ].

به ویژه با توجه به سواحل جنوبی مولیز و تغییرات خط ساحلی آن در سال‌های اخیر، یک بی‌ثباتی پیشرونده برجسته شده است [ ۳۵ ]، با نرخ‌های عقب‌نشینی سالانه ۰٫۵۰- متر در سال، ۰٫۶۰- متر در سال و حتی ۳٫۵۷- متر در سال بر بخش‌های S7 تأثیر می‌گذارد. ، S8 و S9 ( شکل ۱ A) به ترتیب از سال ۲۰۱۱ تا ۲۰۱۴ [ ۳۵ ]. تجزیه و تحلیل مقایسه ای تصاویر اخیر Google Earth و نمایه های ساحل بررسی شده به ترتیب در سال های ۲۰۰۱، ۲۰۱۰ و ۲۰۱۶ [ ۳۵ ] نیز این روند را تایید می کند. به ویژه نشان داد که فرسایش در شمالی‌ترین بخش بخش S9 بسیار شدید بود و باعث عقب‌نشینی خط ساحلی تقریباً ۵۰ متر در دوره ۲۰۰۱-۲۰۱۶ شد که ۳۰ متر آن تنها در دوره ۲۰۱۰-۲۰۱۶ (نمایه P2 در [ ۳۵ )]). این روند اخیر به افزایش فرسایش توسط بوچینو و همکاران نیز تایید شده است. [ ۳۶ ] که به سمت جنوب بندر Campomarino ( شکل ۱ A) یکی از مناطق اصلی فرسایش را مشخص می کند، که با نرخ فرسایش LLR -4.0 متر در سال در طول دوره ۲۰۰۴-۲۰۱۶ مشخص می شود. علاوه بر این، همانطور که توسط مطالعه Aucelli و همکاران برجسته شده است. [ ۳۷ ]، شمالی ترین بخش بخش S9 با بالاترین سطح خطر فرسایش ساحلی مشخص می شود.

با شروع از این وضعیت فرسایش و بی‌ثباتی بسیار اخیر، شاید در حال انجام، جنوبی‌ترین بخش ساحل مولیز، که شامل بخش‌های ساحلی قبلاً پایدار (S8 و S9) نیز بود، برای اعمال رویکرد روش‌شناختی پهپاد، تصمیم گرفتیم منطقه آزمایشی را در منطقه قرار دهیم. شمالی ترین بخش بخش S9 ( شکل ۱ A). این بخش، در واقع، شواهد روشنی را نشان داده است که در حال تکامل سریع و متاثر از فرسایش پیشرونده و عقب‌نشینی خط ساحلی است.

منطقه آزمایشی انتخاب شده ( شکل ۱ ) با یک کشش ساحلی به طول تقریبی ۲۰۰ متر در حدود ۱٫۵ کیلومتری جنوب بندر توریستی Campomarino نشان داده شده است. این ساحل با یک ساحل شنی با عرض متغیر بین ۶ تا ۲۵ متر، با پشتوانه یک سیستم تپه شنی، تا ارتفاع ۴ متر از سطح دریا مشخص می شود. به دلیل فرسایش دریایی، شیب جلویی تپه با یک ضایعات فرسایشی زیر عمودی به ارتفاع تا ۲٫۵ متر جایگزین شده است که تپه را از ساحل پشتی جدا می کند ( شکل ۱ B).

۳٫ مواد و روشها

در این پاراگراف، مواد و روش‌های مورد استفاده برای تجزیه و تحلیل تکامل طولانی‌مدت سواحل جنوبی مولیس و تغییرات مورفولوژیکی کوتاه‌مدت منطقه آزمایش را به‌همراه آسیب‌پذیری آن در برابر فرسایش ساحل و طغیان نشان می‌دهیم.

به گفته کراول و همکاران. [ ۳۹ ]، ما به ترتیب به تغییرات کوتاه‌مدت، میان‌مدت و بلندمدت خط ساحلی با در نظر گرفتن دوره‌های <10 سال، ۱۰-۶۰ سال و> 60 سال اشاره می‌کنیم.

۳٫۱٫ تغییرات خط ساحلی در امتداد ساحل جنوبی مولیز از سال ۱۹۵۴ تا ۲۰۱۹

دیجیتالی کردن خطوط ساحلی در محیط ArcGIS با استفاده از عکس‌های هوایی سال ۱۹۵۴، نقشه‌های اورتوفوتو سال ۲۰۰۴ و تصاویر گرفته شده توسط Google Earth در سال‌های ۲۰۱۴، ۲۰۱۶ و ۲۰۱۹ انجام شد ( جدول ۳ ).

از آنجایی که منطقه آزمایش بخشی از یک محیط جزر و مدی است، موقعیت خط ساحلی به عنوان خط آب در زمان عکس تعریف شد [ ۴۰ ]. علاوه بر این، از آنجایی که امکان بازسازی شرایط جزر و مد برای هر تصویر وجود نداشت، حداکثر عدم قطعیت ۱٫۶± متر برای موقعیت خط آب روزانه با در نظر گرفتن افزایش و کاهش روزانه سطح دریا ۲۰± سانتی متر [ ۴۱ ] و در نظر گرفته شد. یک شیب جزر و مدی حدود ۱۲ درصد که از پروفایل های ساحل بررسی شده در سال ۲۰۱۶ به دست آمده است.

برای ارزیابی تغییرات خط ساحلی، ما از سیستم تجزیه و تحلیل خط ساحلی دیجیتال (DSAS)، یک افزونه رایگان در دسترس برای ArcGIS ESRI استفاده کردیم [ ۴۲ ]. این ابزار اجازه می‌دهد تا ترانسکت‌هایی با فاصله‌ی منظم به طور خودکار، به‌صورت متعامد با خط ساحلی ایجاد شود، که در امتداد آنها موقعیت‌های خط ساحلی مقایسه می‌شوند. به این ترتیب، پارامتر فاصله (حرکت خط ساحلی-NSM) را فراهم می کند که برای هر ترانسکت فاصله بین قدیمی ترین و جوان ترین خط ساحلی در نظر گرفته شده را اندازه می گیرد. همچنین امکان دریافت نرخ رگرسیون خطی (LRR) را فراهم می‌کند، که نشان‌دهنده میانگین نرخ برافزایش (در صورت مثبت) یا فرسایش (در صورت منفی) است که برای دوره‌های مختلف پس از برازش یک خط مستقیم حداقل مربعی برای هر بخش خط ساحلی به دست می‌آید [ ۴۲ ].]. در این مطالعه، تغییرات خط ساحلی برای سواحل جنوبی مولیز با استفاده از ۱۴۵۱ ترانسکت در فاصله ۱۰ متری تعیین شد.

۳٫۲٫ تغییرات کوتاه مدت سیستم ساحل در منطقه آزمایشی

برای ارزیابی تغییرات سیستم ساحلی در مدت زمان کوتاه از یک سیستم پهپاد استفاده شد. تا به امروز، دو کمپین بررسی پهپاد به ترتیب در ۱۹ ژوئن ۲۰۱۹ و ۲۰ ژوئن ۲۰۲۰ با استفاده از یک فانتوم ۳ استاندارد (کوادکوپتر) که یک پهپاد توسعه یافته توسط Da-Jiang Innovations (DJI، چین) است، انجام شده است. این پهپاد یک دوربین تثبیت شده نصب می کند که حرکات غیرارادی پهپاد در اثر باد را جبران می کند و از این طریق جهت گیری صحیح عکس ها را نسبت به زمین تضمین می کند. مختصات هر عکس توسط یک GPS داخلی ثبت می شود که به پهپاد اجازه می دهد تا نقاط (نقاط بین راه) را که قبلاً با GPS در برنامه پرواز ثابت شده بود دنبال کند. ارتفاع پرواز متوسط ۴۰ متر برای هر دو بررسی استفاده شد که امکان دستیابی به وضوح زمین ۱٫۵ سانتی متر بر پیکسل را فراهم می کرد. با استفاده از دوربین پیش فرض Phantom 3 Standard،

برای هر دو پرواز، شش هدف، به ابعاد ۴۰ × ۴۰ سانتی متر و به راحتی از بالا قابل مشاهده، برای ثبت موقعیت نقاط کنترل زمینی (GCPs) و در نتیجه جهت گیری مدل در فضا قرار داده شد. یک گیرنده GNSS Trimble R6 در حالت nRTK ایستا (موقعیت عملکرد افقی ۸ میلی متر، عمودی ۱۵ میلی متر) برای به دست آوردن GCP ها استفاده شد.

برای ارزیابی تغییرات پلانی- ارتفاعی ساحل مورد مطالعه و تغییرات حجمی مربوطه، مدل های سه بعدی با استفاده از نرم افزار Agisoft Metashape تولید شد. برای به دست آوردن این مدل‌ها، عکس‌های (۲ بعدی) به‌دست‌آمده با پهپاد با استفاده از الگوریتم ساختار از حرکت (SfM) پردازش شدند که به صورت داخلی روش‌های فتوگرامتری و بینایی کامپیوتری را پیاده‌سازی می‌کند. یک همبستگی عملکردی بین نقاط شی سه بعدی و نقاط تصویر دو بعدی از طریق شرایط همخطی، مفهوم اصلی پردازش داده های تصویر فتوگرامتری است [ ۴۳ ، ۴۴ ]. بررسی دو عکس و پارامترهای جهت گیری مربوطه، امکان شناسایی نقاط مشترک و تعیین مختصات سه بعدی مربوطه را فراهم کرد.

برای به دست آوردن خروجی های نهایی (نقاط ابری متراکم، DEM، Orthophoto و تغییر حجم)، مراحل کار نشان داده شده در شکل ۲ را دنبال کردیم : (۱) تولید طرح پرواز. (۲) کار میدانی شامل تعیین موقعیت اهداف در میدان، اندازه گیری موقعیت با گیرنده GNSS و گرفتن عکس با پهپاد. (۳) پردازش داده های هوایی (همانطور که توسط [ ۴۵ ] توضیح داده شد)، بررسی خطای مدل در برابر GCPها ( جدول ۴)- خطاها میانگین جابجایی ابر نقطه، ارتفتو و DSM را با توجه به موقعیت نقاط اندازه‌گیری شده با GNSS، و صادرات ابرهای نقطه‌ای، DEMs و عکس‌های اورتوفتو را نشان می‌دهند. (۴) پردازش نقطه ابری متراکم. برای به دست آوردن اطلاعات در مورد تغییرات حجم، ابرهای نقطه ۲۰۱۹ و ۲۰۲۰ به نرم افزار Cloud Compare وارد شدند. تغییرات حجم با ابزار ۲٫۵D Volume محاسبه شد.

در نهایت، بر اساس DEM های ۲۰۱۹ و ۲۰۲۰ به دست آمده از بررسی های پهپاد، برای هر دو سال ۱۰ پروفیل ساحل استخراج شد که از بالای ضایعات فرسایش گسترش می یابد و تپه ها را تا خط آب محدود می کند.

۳٫۳٫ ارزیابی آسیب پذیری سواحل

آسیب پذیری ساحل در برابر فرسایش و آبگرفتگی برای منطقه مورد مطالعه با استفاده از رویکرد ارزیابی آسیب پذیری ساحلی (CVA) توسعه یافته توسط دی پائولا و همکاران انجام شد. [ ۱۱ ]، که در چندین زمینه ساحلی مدیترانه [ ۱۱ ، ۱۲ ، ۴۶ ] و اقیانوس اطلس [ ۴۶ ، ۴۷ ] دیگر اعمال شده است. روش CVA اجازه می دهد تا برای ارزیابی آسیب پذیری هم عقب نشینی ساحل به دلیل موج طوفان و هم سیلاب ساحلی به دلیل ریزش در ساحل در نظر گرفته شود. این به دلیل جمع آوری دقیق داده های آب و هوایی، رسوب شناسی و توپوگرافی (به عنوان مثال، آب سنجی، عرض ساحل) توسط نویسندگان در امتداد منطقه مورد بررسی از سال ۲۰۰۱ امکان پذیر شد.

به طور مفصل، روش CVA آسیب‌پذیری ساحلی را برای هر دوره در نظر گرفته با توجه به معادله زیر ارزیابی می‌کند:

CVA = I _Ru + I _R + E + T _i

(۱)

در جایی که I _Ru ، شاخص ارتفاع پرتاب موج است، که توسط سطح رو به بالا تقسیم بر شیب ساحلی [ ۴۸ ] ارائه می‌شود، I _R شاخص فرسایش کوتاه‌مدت است، که اندازه‌گیری حداکثر رکود ساحلی را ارائه می‌کند. طوفان های نرمال شده با عرض ساحل [ ۴۹ ]، E نرخ فرسایش ساحل بر حسب m/y است، و Ti _فاصله افقی طی شده توسط محدوده جزر و مد را اندازه می گیرد.

_{در این مطالعه، CVA با استفاده از رابطه ( ۱} ) حذف سهم شاخص Ti تعیین شده است. در واقع، T _i صفر است زیرا منطقه مورد مطالعه ریزجندری است و سفرهای جزر و مدی معمولی ۳۰-۴۰ سانتی متر را تجربه می کند [ ۳۵ ].

شاخص I _Ru اندازه گیری ظرفیت غرقابی بالقوه را ارائه می دهد که سواحل طبیعی را با توجه به طوفان های موجی مشخص می کند. به گفته استاکدون و همکاران. [ ۴۸ ]، ارتفاع پرتاب موج توسط Ru _۲% ارائه می‌شود، که سطح جهش موج بیش از ۲% از تعداد امواج ورودی است که به صورت عمودی از خط آب ساکن اندازه‌گیری می‌شود. این مقدار در امتداد ساحل از طریق محاسبه X _Ru2% که مربوط به مسافت افقی طی شده توسط موج در فرآیند راه اندازی است، پیش بینی می شود و از طریق فرمول زیر به دست می آید:

(۲)

که در آن β _f شیب ساحلی ساحلی است و I _Ru از طریق سطح مازاد ۲ درصدی برای قله های رو به بالا (Ru _۲٪ ) در سواحل طبیعی ارزیابی می شود. مورد دوم با توجه به رویکرد تجربی ارائه شده در Stockdon و همکاران بازیابی شده است. [ ۴۸ ]:

(۳)

که در آن β _f شیب ساحلی ساحلی است که بر روی منطقه فعالیت قابل توجه swash تعریف شده است. H می تواند ارتفاع موج قابل توجه (Hs ₎ یا میانگین ارتفاع موج قابل توجه رویدادهای بیش از ۲ متر (Ht ₎ بسته به نوع تجزیه و تحلیل باشد، در حالی که L _۰ طول موج فراساحلی است که می تواند بر حسب بیان شود. از دوره موج با استفاده از رابطه پراکندگی خطی، L _۰ = gT ^۲ / ۲π (در این مورد، _T دوره متناظر Hs یا Ht است _.). معادله (۳) همچنین افزایش سطح آب را به دلیل راه اندازی موج در نظر می گیرد که بخش اصلی افزایش میانگین سطح دریا را تشکیل می دهد، بنابراین سایر شرایط تنظیم باد و فشارسنج اینورتر به درستی نادیده گرفته شده اند.

بنابراین، I _Ru مقادیری را می گیرد که به درصد مربوط به حداکثر فاصله افقی حرکت موج در ساحل (X _Ru2٪ ) که با توجه به عرض ساحل پدیدار شده (L) نرمال شده است، بستگی دارد. به این ترتیب، شاخص I _Ru را می توان به طور معمول در چهار سطح گسسته، همانطور که در جدول ۵ نشان داده شده است، دسته بندی کرد .

شاخص I _R اندازه گیری پتانسیل عقب نشینی ساحل را ارائه می دهد و برای محاسبه دینامیکی عقب نشینی خط ساحلی بر اساس روش پیچش کریبل و دین [ ۴۹ ] استفاده می شود. مقادیر I _R به درصد مربوط به حداکثر عقب نشینی ساحل (R max ₎نرمال _شده با عرض ساحل بستگی دارد.

(۴)

(۵)

جایی که ، که نسبت بین مقیاس زمانی فرسایش ساحل T _s و مدت طوفان T _D است.

در معادلات (۴) و (۵)، S افزایش سطح دریا در اثر طوفان موج، B ارتفاع برم، m _۰ شیب بستر دریا تا عمق بسته شدن، d _b عمق شکست موج است. طوفان و W _b نشان دهنده فاصله عمق شکست دریایی مربوط به طوفان موج است که طبق فرمول ارزیابی می شود. ، جایی که . پارامتر A به نوع شناسی رسوب تشکیل دهنده ساحل ساحلی تجزیه و تحلیل شده بستگی دارد.

بنابراین، I _R مقادیری را می گیرد که به درصد مرتبط با _Rma نرمال شده با توجه به عرض L بستگی دارد. بنابراین، شاخص I _R را می توان به طور معمول در چهار سطح گسسته، همانطور که در جدول ۵ نشان داده شده است، دسته بندی کرد .

با توجه به اینکه تکامل ساحل نه تنها به اثرات ناشی از طغیان ساحلی در طول یک رویداد شدید (Ht ₌ ۳٫۵ متر، جدول ۲ )، بلکه به رویدادهای ناشی از دینامیک موج معمولی (Hs ₌ ۰٫۷ متر، جدول) مرتبط است. ۲ )، پارامترهای I _Ru و I _R با در نظر گرفتن هر دو شرایط کالیبره شدند. به طور خاص، وزن مضاعف به شاخص های ارزیابی شده با در نظر گرفتن اثر موج طوفان نسبت داده شد.

(۶)

(۷)

با توجه به شاخص E، تغییرات خط ساحلی در میان مدت (دوره های ۱۹۵۴-۲۰۰۴-E _۱ و ۲۰۰۴-۲۰۱۶-E _۲ ) و در کوتاه مدت (دوره های ۲۰۱۶-۲۰۱۹-E _۲۰۱۹ و ۲۰۱۶-۲۰۲۰-E _۲۰۲۰ ) بود. در نظر گرفته شده. برای این هدف، ما از نشانه های پیشنهاد شده توسط کراول و همکاران استفاده کردیم. [ ۳۹ ]، به دوره اول یک وزن منفرد، به دوره ۲۰۰۴-۲۰۱۶ یک وزن دوگانه و به دوره های کوتاه مدت ۲۰۱۶-۲۰۱۹ و ۲۰۱۶-۲۰۲۰ یک وزن سه گانه نسبت می دهند.

۴٫ نتایج

۴٫۱٫ تغییرات خط ساحلی در امتداد ساحل جنوبی مولیز از سال ۱۹۵۴ تا ۲۰۱۹

استفاده از روش DSAS امکان محاسبه تغییرات کلی خط ساحلی ساحل جنوبی مولیس (بخش‌های S6-S9) را که در طول ۶۵ سال گذشته با در نظر گرفتن دوره‌های ۱۹۵۴-۲۰۱۹، ۱۹۵۴-۲۰۰۴، ۲۰۰۴-۲۰۱۶ و ۲۰۱۶-۲۰۱۹ رخ داده است را می‌دهد.

با توجه به تکامل بلندمدت سواحل جنوبی مولیز (فاصله زمانی ۱۹۵۴-۲۰۱۹)، نتایج به‌دست‌آمده ( شکل ۳ ، جدول ۶ ) تایید می‌کنند که فرسایش عمدتاً S7 را تحت تأثیر قرار داده است، که میانگین کلی عقب‌نشینی خط ساحلی -۱۶۶٫۷۸ متر را ثبت کرده است ( جدول ۶ ). . برعکس، سایر بخش‌ها تعادل کلی مثبت (S6 و S8) یا ثبات قابل توجهی (S9) را نشان دادند. تغییرات خط ساحلی طی دوره ۱۹۵۴-۲۰۰۴ تا حد زیادی این روند کلی را تایید می کند. با در نظر گرفتن دوره های بعدی ۲۰۰۴-۲۰۱۶ و ۲۰۱۶-۲۰۱۹، چندین تفاوت آشکار می شود. اول، تغییرات خط ساحلی از ۲۰۰۴ تا ۲۰۱۶ برای S7 برجسته است، اگرچه هنوز تحت تأثیر فرسایش است، روندی واضح به سمت تثبیت (۱٫۱۷- متر در سال. جدول ۶)، در حالی که S6 و S8 روند کم و بیش قابل توجهی را برای پیشروی خط ساحلی حفظ می کنند. تغییرات مثبت خط ساحلی S6 و S8 به وضوح حداقل تا حدی با ساخت بنادر توریستی سن پیترو (ترمولی) و سانتا کریستینا (کامپومارینو) و سازه‌های دفاعی مرتبط و همچنین به مداخلات تغذیه مصنوعی مرتبط است. در عوض، S9 به طور قابل ملاحظه ای در دوره بلندمدت پایدار است، تحت تأثیر یک تغییر کلی خط ساحلی منفی از سال ۲۰۰۴ تا ۲۰۱۶ قرار دارد (-۰٫۴۷ متر در سال، جدول ۶ ).

در طول دوره ۲۰۱۶-۲۰۱۹، روند خط ساحلی برای همه بخش‌ها، به ویژه برای S6 مثبت است، که در فرضیه اول، روند کلی بهبود شرایط آب و هوایی دریایی را پیشنهاد می‌کند و امکان بازیابی نسبی زمین‌های از دست رفته در طول دوره قبلی را فراهم می‌کند. با این وجود، این روند بازیابی به بخش شمالی S9 از جمله منطقه آزمایشی که در آن فرسایش ادامه داشت ( شکل ۳ ) با نرخ عقب نشینی خط ساحلی به صورت محلی بین ۲ و ۵٫۵ متر در سال گسترش پیدا نکرد.

۴٫۲٫ تغییرات مورفولوژی خط ساحلی و ساحل در منطقه آزمایشی از ۲۰۱۹ تا ۲۰۲۰

بر اساس داده‌های به‌دست‌آمده در طول پروازهای پهپاد در سال‌های ۲۰۱۹ و ۲۰۲۰، عکس‌های اورتوفوتو ( شکل ۴ A,B) و DEM‌های مرتبط ( شکل ۴ C,D) تولید شدند. مقایسه دو عکس اورتوفوتو از منطقه آزمایشی ( شکل ۴ C,D) شواهدی مبنی بر افزایش خالص از سال ۲۰۱۹ تا ۲۰۲۰ پوشش بقایای گیاهی و انواع دیگر بسترهای ساحلی در بخش‌های شمالی و جنوبی ساحل مورد مطالعه به دست می‌دهد. در بخش مرکزی، در عوض، ساحل تمیز به نظر می رسد و چندین مسیر خودرو به وضوح قابل مشاهده است ( شکل ۴ B) که عملیات تمیز کردن و صاف کردن ساحل را پیشنهاد می کند.

۴٫۲٫۱٫ تأیید مطابقت بین پهپاد و داده های ارتفاعی GNSS 2019 و ۲۰۲۰

دو DEM برای تأیید خوب بودن مقادیر z (ارتفاعی) پهپاد با مقایسه آنها با موارد بدست آمده توسط نظرسنجی های GPS (نقاط نمونه برداری GNSS) که در همان زمان انجام شد، مورد استفاده قرار گرفتند. برای هر سال، دو ترانسکت از نقاط نمونه برداری GNSS، از تپه تا خط ساحلی (A1-A10 و A11-A19 در جولای ۲۰۱۹، شکل ۴ C؛ B1-B11 و B12-B22 در جولای ۲۰۲۰، شکل ۴ D)، با نقاط معادل استخراج شده از DEM ها مقایسه شدند ( شکل ۵ ). به طور خاص، دو ترانسکت مربوط به پروفیل های T1 و T7 هستند که در زیر توضیح داده شده اند و در شکل ۶ وجود دارند و با فاصله ۱ متری بین نقاط نمونه برداری مشخص می شوند.

در شکل ۵ ، هر دو نوع z-data (zGNSS و zUAV) نشان داده شده و مقایسه شده است. به طور خاص، مختصات z اندازه گیری شده توسط GNSS در محور y و مختصات z در DSM ها (مشتق شده از داده های پهپاد) روی محور x گزارش می شوند. نتیجه یک مطابقت کلی بسیار خوب تا تقریباً کل را بین داده‌های zGNSS و خطوط رگرسیون ساخته شده با R2 نشان می‌دهد ^.= ۰٫۹۶ و ۰٫۹۹، به ترتیب. در جزئیات، میانگین محاسبه شده تفاوت بین دو نوع اندازه گیری برای سال ۲۰۱۹ به ترتیب مقدار ۰٫۱۳۰ متر با انحراف معیار ۰٫۱۵۶ متر برای سال ۲۰۱۹ و مقدار ۰٫۰۶۸ متر با انحراف استاندارد ۰٫۰۹۱ متر برای سال ۲۰۲۰ ارائه می کند. این کیفیت کلی بسیار خوب داده‌های zUAV به‌دست‌آمده و امکان استفاده از آن‌ها برای چندین هدف مانند تجزیه و تحلیل تغییرات مورفولوژیکی و پلانی-ارتفاعی ساحل و تخمین تغییرات حجمی مرتبط را تأیید می‌کند (به بخش‌های فرعی زیر مراجعه کنید). .

۴٫۲٫۲٫ تجزیه و تحلیل و تفاوت های مدل های سه بعدی ۲۰۱۹ و ۲۰۲۰

نتایج به‌دست‌آمده با استفاده از ابزار «۲٫۵D Volume» در Cloud Compare برای ارزیابی تغییرات حجم در سال‌های ۲۰۱۹-۲۰۲۰، موارد زیر را مشخص کرد: (۱) «حجم اضافه‌شده» ۱۷۱۳ متر ^مکعب ؛ (۲) “حجم حذف شده” ۲۴۹۳ متر ^مکعب . ^{( ۳} ) از دست دادن کل ۷۸۰ متر مکعب ⁽^۲۴۹۳ مترمربع -۱۷۱۳ مترمکعب ⁾ در کل منطقه ساحلی ۴۴۰۰ مترمربع .

شکل ۶ تفاوت بین نقاط ابر متراکم ۲۰۱۹/۲۰۲۰ و مکان ده نمای ساحل (T1-T10) استخراج شده از DEM ها را نشان می دهد. این تفاوت داده‌های مهمی را در مورد توزیع منطقه‌ای تغییرات توپوگرافی رخ داده در منطقه آزمایشی از سال ۲۰۱۹ تا ۲۰۲۰ ارائه می‌کند و به کمیت درجات محلی تجمع/کاهش سطح ساحل و عقب‌نشینی‌های احتمالی جبهه تپه کمک می‌کند.

بر اساس توزیع تغییرات توپوگرافی، می توان در منطقه آزمایش، یک بخش ساحلی مرکزی، به طور قابل ملاحظه ای پایدار اما به احتمال زیاد اصلاح شده مصنوعی (شامل پروفیل های T4-T6) را از یک بخش شمالی و جنوبی، از جمله پروفیل های T1-T3 تشخیص داد. و T7-T10. دومی، در واقع، برخی از تغییرات مورفولوژیکی را نشان می‌دهد، که بیشتر به دلیل انباشتگی جزئی ساحل (عمدتاً ۰٫۵-۱ متر) و کاهش توپوگرافی ثابت نزدیک به جبهه تپه‌ها (تا ۲٫۵ متر) به ویژه در بخش ساحل جنوبی است.

۴٫۲٫۳٫ تغییرات مورفولوژی خط ساحلی و ساحل ۲۰۱۹-۲۰۲۰ در کنار نمایه های ساحل T1-T10

با بررسی دقیق پروفیل های ساحلی T1-T10 استخراج شده از DEMs 2019 و ۲۰۲۰، به ترتیب ( شکل ۷ )، همراه با پارامترهای مورفومتریک اصلی آنها ( جدول ۷ )، چندین جنبه را می توان برجسته کرد.

ابتدا، می توان توجه داشت که منطقه آزمایش به طور قابل ملاحظه ای پایدار است. تغییرات مثبت و منفی خط ساحلی ۲۰۱۹-۲۰۲۰ در عرض چند متر محدود شده است ( شکل ۷ ) و به حداکثر مقادیر ۴-۵ متر در امتداد جنوبی ترین پروفیل های T9 و T10 می رسد ( شکل ۷ ).

جلوی تپه به طور قابل توجهی در هر دو بخش شمالی و مرکزی پایدار است (-۰٫۲۹-m ÷-۰٫۷۹-m و -۰٫۰۱-m ÷-۰٫۱۴m، جدول ۷ )، برعکس تحت تأثیر عقب نشینی در کشش جنوبی (-۰٫۸۱m ÷) قرار دارد. -۲٫۵۹ متر). در نتیجه، عرض پشتی در امتداد تمام پروفیل ها، با برخی بزرگ شدن عمده در امتداد T1، T9 و T10 نسبتاً ثابت می ماند.

تغییرات مورفولوژیکی نیز شواهدی در تغییرات شیب های ساحل پیدا می کند. شیب های پشتی به طور متغیر از سال ۲۰۱۹ تا ۲۰۲۰ افزایش یا کاهش می یابد، اما در امتداد T2 و در امتداد ساحل مرکزی نسبتاً پایدار هستند (T4-T6، جدول ۷ ). در عوض، شیب‌های ساحلی، به استثنای T2، به درجات مختلف افزایش می‌یابند و به روشی ثابت‌تر در امتداد جنوبی افزایش می‌یابند (به ویژه T7، T8 و T10، جدول ۷ را ببینید). در نتیجه، شیب کل نیز به طور قابل توجهی تغییر می کند و افزایش عمده ای را در کشش جنوبی نشان می دهد.

این داده‌ها، همراه با آن‌هایی که به میزان عقب‌نشینی جبهه تپه‌ها اشاره می‌کنند ( جدول ۷ ) امکان شناسایی امتداد جنوبی را به عنوان پویاترین بخش، با نرخ‌های عقب‌نشینی قابل‌توجهی از جبهه تپه‌ها که رسوبات آن به تجمع ساحل (همه نیمرخ‌ها) و ارتقاء کمک می‌کنند، می‌دهد. (T9 و T10).

کشش مرکزی تا حد زیادی تحت تأثیر عقب‌نشینی خط ساحلی قرار می‌گیرد (پروفایل‌های T5 و T6)، اما عرض زیاد ساحل به همراه مدیریت مصنوعی آن و حمله موجی احتمالاً کمیاب از جبهه تپه‌ها، در نتیجه پایداری مورفولوژیکی کلی آن است.

در نهایت، به نظر می رسد که کشش شمالی در یک موقعیت متوسط قرار دارد، با عقب نشینی اندک تا صفر جلوی تپه های شنی و تعادل کلی خط ساحلی مثبت (پایدار تا پیشرفت جزئی).

با توجه به ویژگی‌های رسوب‌شناختی آن، سواحل گستره ساحلی مورد بررسی با وجود ماسه‌های متوسط تا درشت، با اندازه متوسط (D50) بین ۰٫۳۹ و ۰٫۷۸ میلی‌متر مشخص می‌شود.

۴٫۳٫ تغییرات بلند مدت تا کوتاه مدت خط ساحلی در منطقه آزمایشی و شاخص های فرسایش مرتبط

تغییرات بلند مدت و کوتاه مدت خط ساحلی محاسبه شده در امتداد پروفایل های T1-T10 برای بازه زمانی کلی ۱۹۵۴-۲۰۲۰ و دوره های ۱۹۵۴-۲۰۱۶، ۲۰۰۴-۲۰۱۶، ۲۰۱۶-۲۰۱۹ و ۲۰۱۶-۲۰۲۰، اجازه می دهد تا داده های زیر برجسته شوند.

در بلندمدت (دوره ۱۹۵۴-۲۰۱۶، جدول ۸ )، منطقه آزمایش با یک ثبات قابل توجه (T6-T10) تا پیشرفت جزئی (T1-T5)، با شاخص های فرسایش (E _۱ ، جدول ۸ ) با فرض یک حداقل مقدار ۱٫

در طول دوره فرعی اخیر ۲۰۰۴-۲۰۱۶ ( جدول ۸ )، منطقه آزمایش دستخوش یک بی ثباتی عمومی می شود و شروع یک روند ثابت به سمت فرسایش مشاهده می شود، به ویژه در بخش جنوبی منطقه آزمایش (T6-T10)، که در آن فرسایش وجود دارد. شاخص‌ها از ۱ به حداکثر مقدار ۴ تغییر می‌کنند. این داده‌ها مطابق با داده‌هایی هستند که قبلاً نشان داده شده‌اند ( بخش ۴٫۱ ، شکل ۳ ) در مورد روند منفی خط ساحلی طی دوره ۲۰۰۴-۲۰۱۶ شمالی‌ترین بخش بخش ساحلی S9.

در دوره بعدی ۲۰۱۶-۲۰۱۹ ( جدول ۹ )، نرخ عقب‌نشینی خط ساحلی به طور کلی افزایش می‌یابد (به استثنای مشخصات T7)، اما به طور مداوم در بخش‌های مرکزی و جنوبی (پروفایل T4-T5 و T9-T10، جدول ۹ ) افزایش می‌یابد. . این شتاب در عقب‌نشینی خط ساحلی باعث افزایش بیشتر شاخص‌های فرسایش (E _۲۰۱۹ ، جدول ۹ ) محاسبه‌شده در امتداد پروفایل‌های T1-T5 می‌شود. در نتیجه، به غیر از T1 و T2، تمام پروفایل های دیگر با حداکثر مقدار شاخص فرسایش ۴ (T3-T10) مشخص می شوند.

مقایسه دوره‌های ۲۰۱۶-۲۰۱۹ و ۲۰۱۶-۲۰۲۰ ( جدول ۹ ) کاهش کلی نرخ‌های عقب‌نشینی سالانه خط ساحلی را در دوره دوم نشان می‌دهد، به جز T6 و T7 که مقادیر قبلی را تأیید می‌کنند. بر این اساس، در امتداد برخی از پروفیل های ساحلی، سطح شاخص فرسایش دقیقاً از ۳ به ۲ در امتداد T1 و از ۴ به ۳ در امتداد T3 و T4 کاهش یافت.

نمونه ای از فرسایش قابل توجه و پیشرونده که مشخصه منطقه مورد مطالعه و کل بخش جنوبی ساحل مولیز است توسط پروفیل های ساحل بررسی شده از سال ۲۰۰۱ به بعد ارائه شده است ( شکل ۸ ) در مکاتبات T7.

این توالی از پروفیل ها یک عقب نشینی قوی خط ساحلی را در طول ۲۰ سال گذشته نشان می دهد که در مجموع از ۶۰ متر فراتر رفت و به هزینه ساحل (که باعث تقریباً نصف شدن عرض ساحل شد) و سیستم تپه های شنی پشت سر رخ داد.

۴٫۴٫ ارزیابی شاخص آسیب پذیری ساحلی

برای ارزیابی CVA، علاوه بر شاخص‌های فرسایش ساحلی که قبلاً در بالا مورد بررسی قرار گرفت ( بخش ۴٫۳ ، شکل ۸ )، شاخص ارتفاع موج I _RU و شاخص فرسایش کوتاه‌مدت I _R به ترتیب برای سال‌های ۲۰۱۹ و ۲۰۲۰ ارزیابی شدند.

سطوح I _RU2% ۲۰۱۹ و ۲۰۲۰ با محاسبه مقادیر run-up R _u2% و پارامترهای مرتبط X _Ru2% و X _Ru2% /L (عرض ساحل تحت تأثیر ریزش و درصد نسبی) تحت هر دو موج متوسط (H _s ) به دست آمد. = ۰٫۷ متر) و میانگین شرایط موج طوفانی (Ht ₌ ۳٫۵ متر) در امتداد نیمرخ ساحل T1-T10 ( جدول ۱۰ ).

مقادیر به‌دست‌آمده برای فاصله افقی طی شده توسط موج در فرآیند اجرا (X _Ru2٪ ) برای پروفایل‌های T1 تا T8 در سال ۲۰۱۹ بسیار کوچک است و در سال ۲۰۲۰ برای H _۰ = ۰٫۷ متر کاملاً مشابه باقی می‌ماند. این شرایط با در نظر گرفتن H0 3.5 متری کاملاً تغییر می کند، زیرا سواحل تقریباً به طور موقت توسط پیشروی دریا غرق می شوند، به جز پروفیل های T4 و T5. جالب توجه است که رفتار پروفیل های T9 و T10 که از سال ۲۰۱۹ تا ۲۰۲۰ به میزان قابل توجهی تغییر می کند، هم برای H _۰ = ۰٫۷ متر و هم برای H _۰ = ۳٫۵ m: این تغییر باید به تغییرات مورفومتریک مربوط باشد که پروفیل ها بین آنها متحمل شده اند. ۲۰۱۹ و ۲۰۲۰٫

به طور خلاصه، نتایج برخی از بهبود شرایط ارتفاع را از سال ۲۰۱۹ تا ۲۰۲۰ در بخش جنوبی منطقه آزمایشی (T9-T10) با سطوح شاخص I _Ru2٪ که از ۴ به ۳ می‌گذرد، نشان می‌دهد ( جدول ۱۰ ). این نتیجه اساساً می‌تواند به مقادیر پایین‌تر به‌دست‌آمده برای پارامتر X _Ru2% /L اشاره کرد که رابطه بین ارتفاع و عرض ساحل تحت‌تاثیر را بیان می‌کند، به عنوان مثال، این واقعیت که روند صعودی تا حد داخلی گسترش می‌یابد. ساحل پشتی که به تپه شنی حمله می کند (مقادیر X _Ru2% /L > 100%) در شرایط موج متوسط ( _Hs = ۰٫۷ متر) یا خیر.

علاوه بر این، شاخص‌های فرسایش کوتاه‌مدت I _R2019 و I _R2020 بر اساس مقادیر R و R/L به‌دست‌آمده برای هر دو موج متوسط ( _Hs = ۰٫۷ متر) و میانگین موج طوفانی (Ht ₌ ۳٫۵ متر) در امتداد T1-T10 ارزیابی شدند. ( جدول ۱۱ ).

این پارامتر به طور کلی مقادیر بالایی را نشان می دهد، زیرا ساحل تجزیه و تحلیل شده کاملاً ناپایدار است. به طور خاص، حتی امواج کم نیز چندین نمایه در سال ۲۰۱۹ (T7، T9 و T10) را در بحران قرار داده است که این روند را برای سال ۲۰۲۰ نیز تأیید می کند، و بدتر شدن قابل توجهی را برای پروفایل T8 نشان می دهد. حمله امواج شدید باعث بی ثباتی کل ساحل و بدتر شدن شرایط در امتداد پروفیل های T5 و T9 می شود. اغلب مشاهده می شود که مقدار R/L از ۱۰۰% تجاوز می کند، با مقادیر R بیش از عرض ساحل در امتداد پروفایل های تحلیل شده ( جدول ۱۱ ).

به طور خلاصه، نتایج به‌دست‌آمده نشان‌دهنده افزایش محلی شاخص‌های فرسایش کوتاه‌مدت در بخش‌های مرکزی و جنوبی منطقه آزمایشی است که مقادیر I _R از ۲ به ۳ (T5) و از ۳ به ۴ (T8 و T9) عبور می‌کند ( جدول ۱۱ ). ). چنین سطوح فرسایش کوتاه مدت بالاتر در سال ۲۰۲۰ را می توان به سطوح I _R بالاتری که برای شرایط موج متوسط و/یا طوفانی به دست می آید نسبت داد.

مقایسه شاخص‌های I _RU ، I _R و E و سطوح CVA مرتبط به‌دست‌آمده به ترتیب برای سال‌های ۲۰۱۹ و ۲۰۲۰ ( شکل ۹ )، چندین تغییر را برجسته می‌کند. به طور خاص، افزایش آسیب پذیری ساحلی در بخش های مرکزی و جنوبی منطقه آزمایشی (T5، T7 و T8)، با تغییر قابل توجهی در امتداد T5 از سطح CVA متوسط به بالا. در مقابل، کاهش جزئی در شاخص‌های آسیب‌پذیری ساحلی در امتداد T1 و T10 رخ داد، اما به اندازه‌ای نبود که سطوح CVA از قبل موجود را کاهش دهد.

۵٫ بحث

سواحل می توانند در کوتاه مدت و حتی از یک سال به سال دیگر دستخوش تغییرات قابل توجهی شوند. بنابراین، نظارت کوتاه‌مدت تا سالانه دینامیک خط ساحلی و تغییرات مورفومتریک سیستم تپه‌های ساحلی برای شناسایی روندهای فرسایش زمانی و افزایش آسیب‌پذیری ساحلی مهم به نظر می‌رسد. با این حال، رویکردهای تحقیقاتی سنتی، مبتنی بر عکس‌های فتوگرامتری و/یا ماهواره‌ای موجود، ممکن است همیشه به نیاز به‌روزرسانی داده‌های قبلی و تعیین شرایط فعلی خط ساحلی و جدیدترین تغییرات پاسخ کافی ندهند. در واقع، داده های موجود ممکن است وضوح کافی نداشته باشند یا ممکن است دوره هایی را که باید بررسی شوند پوشش ندهند. علاوه بر این، بررسی‌های سالانه یا حتی فصلی که به روش سنتی‌تر انجام می‌شود (به عنوان مثال با استفاده از اندازه‌گیری‌های GNSS، عکس‌های هوایی تولید شده به صورت موقت و غیره)،

برای غلبه بر این محدودیت‌ها، رویکرد روش‌شناختی پیشنهادی در این مقاله را توسعه دادیم. این رویکرد، مبتنی بر استفاده از پهپادهای تجاری و داده‌های مشتق شده از پهپاد، به خوبی به تعدادی از محدودیت‌های روش‌های اصلی تحقیقات سنتی، به‌ویژه به محدودیت‌های مربوط به مصرف زمان و هزینه‌های تحقیق، پاسخ می‌دهد، همانطور که قبلاً در ادبیات نشان داده شده است [ ۹ ، ۱۳ ] , ۱۴ , ۱۵ , ۱۷ , ۲۴ , ۲۵ , ۳۰ ].

استفاده از رویکرد روش‌شناختی پهپاد، ادغام شده با داده‌های مشتق‌شده از منابع سنتی‌تر (تصاویر فتوگرامتری و ماهواره‌ای)، به ما این امکان را می‌دهد که تغییرات طولانی‌مدت تا کوتاه‌مدت خط ساحلی و تغییرات پلانو-ارتفاعی بسیار اخیر سیستم ساحلی تپه‌ها را در امتداد ساحل جنوبی مولیس بررسی کنیم. .

در ترکیب، استفاده از این روش به نتایج عمده زیر اجازه داد:

تأیید کامل تطابق بین داده‌های ارتفاعی پهپاد و GNSS که به ترتیب در سال‌های ۲۰۱۹ و ۲۰۲۰ در منطقه آزمایشی به دست آمدند، که کیفیت بسیار خوب داده‌های z-پهپاد به‌دست‌آمده و امکان استفاده از آن‌ها برای تجزیه و تحلیل تغییرات پلانی- ارتفاعی ساحل با وضوح بالا را تأیید می‌کند.
برآورد سریع و دقیق روند فرسایش کوتاه مدت و تغییرات مورفولوژیکی سیستم ساحلی- تپه ای در منطقه آزمایش.
برآورد تغییرات حجمی از سال ۲۰۱۹ تا ۲۰۲۰ مربوط به مورفولوژی ساحل و تغییرات خط ساحلی، نشان دهنده از دست دادن کلی زمین در حدود ۷۸۰ متر مکعب ^برای تأیید تداوم فرسایش ساحلی در منطقه آزمایش است.
تأیید اینکه تغییرات در مورفولوژی خط ساحلی و ساحل از سال ۲۰۱۹ تا ۲۰۲۰، علیرغم دوره بسیار کوتاه، باعث تغییرات مشهود برخی از شاخص‌هایی شد که در رویکرد CVA برای ارزیابی آسیب‌پذیری ساحلی وارد می‌شوند. این امر اهمیت پایش ساحلی را که در فواصل زمانی نزدیک (حداقل سالیانه) انجام می‌شود و طی چندین سال انجام می‌شود، به ویژه در مناطق داغ فرسایش نشان می‌دهد.

۶٫ نتیجه گیری

نتایج به‌دست‌آمده نشان می‌دهد که استفاده از پهپاد می‌تواند یک پیشرفت در مطالعه و نظارت بر تغییرات مورفولوژیکی ناشی از دینامیک ساحلی باشد. گردش کار استاندارد شده برای به دست آوردن DEM با درجه بالایی از دقت عمودی از داده‌های پهپاد، کاربردهایی را در زمینه‌های خطرات طبیعی، واکنش به بلایا، و تجزیه و تحلیل زمین با وضوح بالا پیشنهاد می‌کند [ ۹ ، ۱۳ ، ۱۴ ، ۱۵ ، ۱۹ ، ۲۰ ، ۲۱ ، ۲۲ . ، ۲۳ ، ۲۴]. با این حال، هنگام استخراج یک DEM از ابرهای پراکنده، باید اثرات معرفی شده توسط فرآیند درون یابی در نظر گرفته شود و یک مقدار عدم قطعیت قابل اعتماد باید به مجموعه داده ارتفاعی اختصاص داده شود.

در نتیجه، سادگی نسبی استفاده از هواپیماهای بدون سرنشین همراه با امکان استفاده از داده های مشتق شده از پهپاد برای تولید DEM های با وضوح بالا و تصاویر زمین مرجع با فرکانس زمانی بالا ممکن است به بهبود روش ها و پایگاه های داده برای نقشه برداری تغییرات ساحلی در حال انجام کمک کند. علاوه بر این، استفاده یکپارچه از روش‌های پهپاد و GIS ثابت کرده است که نه تنها برای تجزیه و تحلیل سریع داده‌های مکانی، بلکه برای ارائه یک رویکرد عینی با فرآیندهای اندازه‌گیری و محاسبات سازگار، ابزار مؤثری است. این ابزار علاوه بر این نشان داده است که پشتیبانی معتبری برای تعریف سریع چندین پارامتر است که در مدلی برای ارزیابی آسیب‌پذیری ساحلی درج شده است (در مطالعه ما CVA)،

منابع

چست، جی. گرانده، ام. گالپارسورو، آی. اوریارته، ا. بورجا، Á. قابلیت‌های bathymetric Hawk Eye LiDAR برای نقشه‌برداری زیستگاه ساحلی: مطالعه موردی در یک مصب باسک. استوار. ساحل. Shelf Sci. ۲۰۱۰ ، ۸۹ ، ۲۰۰-۲۱۳٫ [ Google Scholar ] [ CrossRef ]
Tralli، DM; بلوم، آر جی. زلوتنیکی، وی. دانلان، ا. Evans، DL سنجش از دور ماهواره ای خطرات زلزله، آتشفشان، سیل، رانش زمین و آبگرفتگی ساحلی. ISPRS J. Photogramm. Remote Sens. ۲۰۰۵ ، ۵۹ ، ۱۸۵-۱۹۸٫ [ Google Scholar ] [ CrossRef ]
راسر، نیوجرسی؛ Petley، DN; لیم، م. دانینگ، SA; اسکن لیزری زمینی آلیسون، RJ برای نظارت بر فرآیند فرسایش صخره‌های ساحلی سنگ سخت. مهندس QJ جئول هیدروژئول. ۲۰۰۵ ، ۳۸ ، ۳۶۳-۳۷۵٫ [ Google Scholar ] [ CrossRef ]
Stockdon، HF; سلنجر، ق، جونیور; لیست، JH; برآورد موقعیت و تغییر خط ساحلی هلمن، RA با استفاده از داده‌های لایدار توپوگرافی هوابرد. جی. ساحل. Res. ۲۰۰۲ ، ۱۸ ، ۵۰۲-۵۱۳٫ [ Google Scholar ]
کافمن، جی. نقشه برداری ژئوفیزیکی فروچاله های محلول و فروپاشی. J. Appl. ژئوفیز. ۲۰۱۴ ، ۱۱۱ ، ۲۷۱-۲۸۸٫ [ Google Scholar ] [ CrossRef ]
ساباتو، ال. Longhitano، SG; جویا، دی. Cilumbriello، A. Spalluto، L. نقشه های رسوب شناسی و مورفو تکامل سیستم ساحلی “Bosco Pantano di Policoro” (خلیج تارانتو، جنوب ایتالیا). J. Maps ۲۰۱۲ ، ۸ ، ۳۰۴-۳۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاونی، اس. استوارت فاثرینگهام، ای. چارلتون، ام. McCarthy، T. اعتبارسنجی دو مقیاس یک DEM ساحلی با وضوح متوسط با LiDAR DSM و GPS زمینی. محاسبه کنید. Geosci. ۲۰۱۰ ، ۳۶ ، ۴۸۹-۴۹۹٫ [ Google Scholar ] [ CrossRef ]
اشمید، کا. هادلی، BC; Wijekoon, N. دقت عمودی و استفاده از داده های LIDAR توپوگرافی در باتلاق های ساحلی. جی. ساحل. Res. ۲۰۱۱ ، ۲۷ ، ۱۱۶-۱۳۲٫ [ Google Scholar ] [ CrossRef ]
اولیویرا، اس. مورا، دی. بوسکی، تی. Horta، J. لندفرم های پالئوکارست ساحلی: یک رویکرد مورفومتریک از طریق UAV برای مدیریت ساحلی (مطالعه موردی آلگاروه، پرتغال). ساحل اقیانوس. مدیریت ۲۰۱۹ ، ۱۶۷ ، ۲۴۵-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
نیلد، جی.ام. ویگز، جی اف. تحرک نوار شنی سنجاب، RS بادی و توسعه پروتودون در ساحل در حال خشک شدن: بررسی رطوبت سطح و الگوهای زبری سطح اندازه‌گیری شده با اسکن لیزری زمینی. زمین گشت و گذار. روند. Landf. ۲۰۱۱ ، ۳۶ ، ۵۱۳-۵۲۲٫ [ Google Scholar ] [ CrossRef ]
دی پائولا، جی. Aucelli، PPC; بناسای، جی. رودریگز، جی. آسیب پذیری ساحلی در برابر طوفان های موجی دشت ساحلی سل (جنوب ایتالیا). نات. خطرات ۲۰۱۴ ، ۷۱ ، ۱۷۹۵-۱۸۱۹٫ [ Google Scholar ] [ CrossRef ]
دی لوچیو، دی. بناسای، جی. دی پائولا، جی. Rosskopf، CM; موسرینو، ال. مونتلا، آر. Contestabile، P. نظارت و مدل‌سازی آسیب‌پذیری ساحلی و پیشنهاد کاهش برای یک سایت باستان‌شناسی (Kaulonia، جنوب ایتالیا). پایداری ۲۰۱۸ ، ۱۰ ، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
مانچینی، اف. دوبینی، م. گاتلی، ام. استچی، اف. فابری، اس. Gabbianelli، G. استفاده از وسایل نقلیه هوایی بدون سرنشین (UAV) برای بازسازی توپوگرافی با وضوح بالا: ساختار از رویکرد حرکت در محیط های ساحلی. Remote Sens. ۲۰۱۳ , ۵ , ۶۸۸۰–۶۸۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مانفردا، اس. مک کیب، ام.اف. میلر، PE; لوکاس، آر. مادریگال، معاون; مالینس، جی. Dor، EB; هلمن، دی. استس، ال. سیرائولو، جی. و همکاران در مورد استفاده از سیستم های هوایی بدون سرنشین برای نظارت بر محیط زیست. Remote Sens. ۲۰۱۸ , ۱۰ , ۶۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فلورس دی سانتیاگو، ف. والدراما-لاندروس، ال. رودریگز-سوبریرا، آر. Flores-Verdugo، F. ارزیابی اثر ارتفاع پرواز و همپوشانی بر روی تولید تصویر orthoimage برای برآورد پهپاد از تالاب های ساحلی. جی. ساحل. حفظ کنید. ۲۰۲۰ ، ۲۴ ، ۳۵٫ [ Google Scholar ] [ CrossRef ]
برایسون، ام. جانسون-رابرسون، ام. مورفی، RJ; Bongiorno، D. Kite عکاسی هوایی برای نقشه برداری چند طیفی فضایی کم هزینه و فوق العاده بالا از مناظر جزر و مدی. PLoS ONE ۲۰۱۳ ، ۸ ، e73550. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ترنر، IL; هارلی، MD؛ پهپاد Drummond، CD برای نقشه برداری ساحلی. ساحل. مهندس ۲۰۱۶ ، ۱۱۴ ، ۱۹-۲۴٫ [ Google Scholar ] [ CrossRef ]
کلومینا، آی. Molina, P. سیستم های هوایی بدون سرنشین برای فتوگرامتری و سنجش از دور: یک بررسی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۲ ، ۷۹-۹۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جانسون، ک. نیسن، ای. ساریپالی، س. Arrowsmith، JR; مک گری، پی. شارر، ک. ویلیامز، پی. Blisniuk، K. نقشه برداری سریع توپوگرافی منطقه گسل بسیار ریز با ساختار از حرکت. Geosphere ۲۰۱۴ , ۱۰ , ۹۶۹-۹۸۶٫ [ Google Scholar ] [ CrossRef ]
اوزجان، او. Akay، SS مدل سازی فرآیندهای مورفودینامیک در رودخانه های پرپیچ و خم با اندازه گیری های مبتنی بر پهپاد. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور (IGARSS)، والنسیا، اسپانیا، ۲۲ تا ۲۷ ژوئیه ۲۰۱۸؛ صص ۷۸۸۶-۷۸۸۹٫ [ Google Scholar ]
سالسا، دی. مینروینو آمودیو، ای. Rosskopf، CM; گارفی، وی. ترول، ای. Cerdà، A. سه رویکرد توپوگرافی برای بررسی فرسایش خاک در مسیر کوهستانی تحت تأثیر آتش سوزی جنگل. Barranc de la Manesa، Llutxent، شبه جزیره ایبری شرقی. جی. محیط زیست. مدیریت ۲۰۲۰ , ۲۶۴ . [ Google Scholar ] [ CrossRef ]
جویا، دی. آمودیو، AM; Maggio، A. سابیا، کالیفرنیا تأثیر تغییرات کاربری زمین بر فرآیندهای فرسایش منظر روستایی تخریب‌شده: تحلیلی بر اساس DEM با وضوح بالا، تصاویر تاریخی و مدل‌های فرسایش خاک. Land ۲۰۲۱ , ۱۰ , ۶۷۳٫ [ Google Scholar ] [ CrossRef ]
پیتر، KD; d’Oleire-Oltmanns، S. Ries، JB; مارزولف، آی. Ait Hssaine، A. فرسایش خاک در حوضه های آبکند تحت تأثیر اقدامات تسطیح زمین در حوضه Souss، مراکش، با شبیه سازی بارش و داده های سنجش از دور پهپاد تجزیه و تحلیل شد. Catena ۲۰۱۴ ، ۱۱۳ ، ۲۴-۴۰٫ [ Google Scholar ] [ CrossRef ]
Ouédraogo, MM; درجه، آ. دبوچ، سی. Lisein, J. ارزیابی فتوگرامتری مبتنی بر سیستم هوایی بدون سرنشین و اسکن لیزری زمینی برای تولید DEM از حوزه های آبخیز کشاورزی. ژئومورفولوژی ۲۰۱۴ ، ۲۱۴ ، ۳۳۹-۳۵۵٫ [ Google Scholar ] [ CrossRef ]
نکس، اف. Remondino، F. UAV برای برنامه های نقشه برداری سه بعدی: یک بررسی. Appl. Geomat. ۲۰۱۴ ، ۶ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
رینادو، اف. چیابراندو، اف. لینگوا، ا. Spanò، A. نظارت بر محوطه باستانی: فتوگرامتری پهپاد می تواند پاسخی باشد. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی – آرشیو ISPRS; شورای ISPRS: هانوفر، آلمان، ۲۰۱۲; صص ۵۸۳-۵۸۸٫ [ Google Scholar ]
روفینو، جی. Moccia، A. سیستم محموله الکترواپتیکی ابرطیفی/حرارتی-IR VIS-NIR یکپارچه برای یک پهپاد کوچک. در مجموعه مقالات مجموعه مقالات فنی-اطلاعات فناوری در هوافضا: پیشرفت فن آوری های هوافضای معاصر و ادغام آنها، آرلینگتون، تگزاس، ایالات متحده آمریکا، ۲۶-۲۹ سپتامبر ۲۰۰۵٫ ص ۹۱۵-۹۲۳٫ [ Google Scholar ]
پولیتی، س. Ørka، HO; گوباکن، تی. Næsset، E. فهرستی از مناطق کوچک جنگلی با استفاده از یک سیستم هوایی بدون سرنشین. Remote Sens. ۲۰۱۵ ، ۷ ، ۹۶۳۲–۹۶۵۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کرامر، ام. بووت، اس. گولتلینگر، ام. هونکوارا، ای. مک گیل، ای. ریجسدیک، ام. تابور، م. Tournadre, V. در مورد استفاده از RPAS در نقشه برداری ملی – دیدگاه EuroSDR. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی – آرشیو ISPRS; شورای ISPRS: هانوفر، آلمان، ۲۰۱۳; ص ۹۳-۹۹٫ [ Google Scholar ]
وستوبی، ام جی. براسینگتون، جی. گلسر، NF; هامبری، ام جی; رینولدز، فتوگرامتری «ساختار از حرکت» JM: ابزاری کم‌هزینه و مؤثر برای کاربردهای علوم زمین. ژئومورفولوژی ۲۰۱۲ ، ۱۷۹ ، ۳۰۰-۳۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هاروین، اس. Lucieer, A. ارزیابی دقت ابرهای نقطه جغرافیایی ارجاع شده تولید شده از طریق تصویربرداری چند نما از تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV). Remote Sens. ۲۰۱۲ ، ۴ ، ۱۵۷۳-۱۵۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گورنیتز، VM؛ دانیلز، آرسی سفید، TW; Birdwell، KR توسعه پایگاه داده ارزیابی ریسک ساحلی: آسیب پذیری نسبت به افزایش سطح دریا در جنوب شرقی ایالات متحده. جی. ساحل. Res. ۱۹۹۴ ، ۳۲۷-۳۳۸٫ [ Google Scholar ]
Adger، WN; بروکس، ن. بنتام، جی. اگنیو، م. اریکسن، اس. شاخص های جدید آسیب پذیری و ظرفیت تطبیقی . گزارش فنی ۷; مرکز تحقیقات اقلیمی تیندال: نورویچ، انگلستان، ۲۰۰۴; صص ۱-۱۲۲٫ [ Google Scholar ]
براکون، وی. عموروسی، ع. Aucelli، PPC; Rosskopf، CM; اسکارسیلیا، اف. دی دوناتو، وی. Esposito، P. تکامل تکتونو رسوبی پلیستوسن حوضه پیش‌ولند آپنین بین رودخانه‌های Trigno و Fortore (جنوب ایتالیا) از طریق چشم‌انداز چینه‌شناسی دنباله‌ای. حوضه Res. ۲۰۱۲ ، ۲۴ ، ۲۱۳-۲۳۳٫ [ Google Scholar ] [ CrossRef ]
Rosskopf، CM; دی پائولا، جی. اتکینسون، دی. رودریگز، جی. واکر، IJ تکامل اخیر خط ساحلی و فرسایش ساحل در امتداد سواحل مرکزی آدریاتیک ایتالیا: مورد منطقه مولیز. جی. ساحل. حفظ کنید. ۲۰۱۸ ، ۲۲ ، ۸۷۹-۸۹۵٫ [ Google Scholar ] [ CrossRef ]
بوچینو، ام. پائولا، جی دی. سیکاگلیون، MC; Giudice، GD; Rosskopf, CM مطالعه میان مدت تکامل سواحل مولیس بر اساس معادله یک خطی و مفهوم “موج معادل”. Water ۲۰۲۰ , ۱۲ , ۲۸۳۱٫ [ Google Scholar ] [ CrossRef ]
Aucelli، PPC; دی پائولا، جی. ریزو، ا. Rosskopf، CM سناریوهای روز و آینده فرآیندهای فرسایش ساحلی و سیل در امتداد سواحل آدریاتیک ایتالیا: مورد منطقه مولیز. محیط زیست علوم زمین ۲۰۱۸ ، ۷۷ ، ۳۷۱٫ [ Google Scholar ] [ CrossRef ]
عقرب، V. Aucelli، PPC; جیانو، SI; پیزانو، ال. روبوستلی، جی. Rosskopf، CM; Schiattarella، M. تنظیمات کانال رودخانه در جنوب ایتالیا در طول ۱۵۰ سال گذشته و مفاهیم برای بازیابی کانال. ژئومورفولوژی ۲۰۱۵ ، ۲۵۱ ، ۷۷-۹۰٫ [ Google Scholar ] [ CrossRef ]
کراول، ام. Leatherman, SP; باکلی، ام. تحلیل نرخ تغییر خط ساحلی: داده های بلند مدت در مقابل داده های کوتاه مدت. ساحل ساحل ۱۹۹۳ ، ۶۱ ، ۱۳-۲۰٫ [ Google Scholar ]
مارتینز دل پوزو، جی. Anfuso، G. رویکرد فضایی به تکامل ساحلی میان مدت در جنوب سیسیل (ایتالیا): مفاهیم برای مدیریت فرسایش ساحلی. جی. ساحل. Res. ۲۰۰۸ ، ۲۴ ، ۳۳-۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ISPRA. تجزیه و تحلیل داده ها – Stazione Mareografica – Ortona (پسکارا). در دسترس آنلاین: https://www.mareografico.it/?session=0S329215273J799085TA7475&syslng=ita&sysmen=-1&sysind=-1&syssub=-1&sysfnt=0&code=STAZ&idst=12 سپتامبر (دسترسی به ۲۹ سپتامبر).
هیملستوس، EA؛ هندرسون، RE; کراتزمن، ام جی. راهنمای کاربر Farris, AS Digital Shoreline Analysis System (DSAS) نسخه ۵٫۰ . گزارش پرونده باز ۲۰۱۸-۱۱۷۹; سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، ۲۰۱۸٫
التنر، ا. باومگارت، پ. ماس، HG; Faust, D. داده‌های پهپاد چند زمانی برای اندازه‌گیری خودکار فرسایش شیاری و بین‌شیاری در خاک لس. زمین گشت و گذار. روند. Landf. ۲۰۱۵ ، ۴۰ ، ۷۴۱-۷۵۵٫ [ Google Scholar ] [ CrossRef ]
آمودیو، AM; Aucelli، PPC; گارفی، وی. رویکردهای تحلیل فتوگرامتری دیجیتال Rosskopf، CM برای تحقق مدل‌های دقیق زمین. رند. اجتماعی آنلاین جئول ایتالیایی ۲۰۲۰ ، ۵۲ ، ۶۹-۷۵٫ [ Google Scholar ] [ CrossRef ]
اسناولی، ن. Seitz، SM; Szeliski، R. مدل سازی جهان از مجموعه عکس های اینترنتی. بین المللی جی. کامپیوتر. Vis. ۲۰۰۸ ، ۸۰ ، ۱۸۹-۲۱۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آنفوسو، جی. پستاکچینی، م. دی لوچیو، دی. Benassai، G. شناسایی حساسیت/آسیب‌پذیری ساحلی و استراتژی‌های سازگاری: یک بررسی. J. Mar. Sci. مهندس ۲۰۲۱ ، ۹ ، ۷۲٫ [ Google Scholar ] [ CrossRef ]
دی پائولا، جی. Aucelli، PPC; بناسای، جی. ایگلسیاس، جی. رودریگز، جی. Rosskopf, CM ارزیابی آسیب پذیری ساحلی و درجه قرار گرفتن در معرض جزیره گران کاناریا (اسپانیا) با تمرکز بر خطر ساحلی ساحل لاس کانتراس در لاس پالماس د گرن کاناریا. جی. ساحل. حفظ کنید. ۲۰۱۸ ، ۲۲ ، ۱۰۰۱–۱۰۱۵٫ [ Google Scholar ] [ CrossRef ]
Stockdon، HF; هولمن، RA; هاد، پی. Sallenger, AH, Jr. پارامترسازی تجربی راه‌اندازی، swash و runup. ساحل. مهندس ۲۰۰۶ ، ۵۳ ، ۵۷۳-۵۸۸٫ [ Google Scholar ] [ CrossRef ]
کریبل، دی ال. روش دین، RG Convolution برای پاسخ پروفایل ساحلی وابسته به زمان. جی. واترو. ساحل بندر. مهندس اقیانوس ۱۹۹۳ ، ۱۱۹ ، ۲۰۴-۲۲۶٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ساحل مولیز ( A ) و نمایی از شمال منطقه آزمایشی ( B ).

شکل ۲٫ فلوچارت مراحل کار.

شکل ۳٫ تغییرات بلند مدت تا کوتاه مدت خط ساحلی سالانه در امتداد سواحل جنوبی مولیز (بخش های S6-S9) طی دوره های ۱۹۵۴-۲۰۱۹، ۱۹۵۴-۲۰۰۴، ۲۰۰۴-۲۰۱۶ و ۲۰۱۶-۲۰۱۹٫

شکل ۴٫ عکس‌های ارتو و DEM‌های تولید شده با داده‌های به‌دست‌آمده در طول پروازهای پهپاد ۲۰۱۹ ( A , B ) و ۲۰۲۰ ( C , D ). در قرمز: نقاط نمونه برداری GNSS.

شکل ۵٫ مقایسه بین داده‌های ارتفاع‌سنجی به‌دست‌آمده با بررسی‌های GNSS در سال‌های ۲۰۱۹ و ۲۰۲۰ (نقاط نمونه‌برداری GNSS A1–A19 و B1–B22) و داده‌های مشتق‌شده از بررسی‌های پهپاد انجام‌شده در همان زمان.

شکل ۶٫ نتیجه تفاوت بین نقاط ابری متراکم ۲۰۱۹ و ۲۰۲۰، رسم شده بر روی عکس ارتو برگرفته از پرواز پهپاد ۲۰۲۰٫ مقیاس رنگ ها در سمت چپ نشان دهنده درجه تراکم و کاهش سطح توپوگرافی است که به ۰٫۵ متر تقسیم شده است. فواصل مکان ده پروفایل ساحل (T1-T10) استخراج شده از DEMs 2019 و ۲۰۲۰ نشان داده شده است.

شکل ۷٫ پروفایل های ساحل استخراج شده از DEMs 2019 (در رنگ مشکی) و ۲۰۲۰ (به رنگ قرمز).

شکل ۸٫ مقایسه پروفیل های ساحل بررسی شده در سال های ۲۰۰۱، ۲۰۱۰، ۲۰۱۶، ۲۰۱۹ و ۲۰۲۰ در مکاتبات T7، که خط ساحلی مترقی و عقب نشینی جبهه تپه های شنی را نشان می دهد.

شکل ۹٫ مقایسه شاخص‌های I _RU ، I _R و _، E و سطوح CVA مرتبط به‌دست‌آمده برای سال‌های ۲۰۱۹ و ۲۰۲۰ در کنار پروفایل‌های T1-T10.

ونوس نصیرفام

15 ژانویه 2023

مقالات