ارزیابی خطر بیابان‌زایی با استفاده از منطق تاپسیس فازی در محیط GIS

 

 

مقاله پژوهشی

 

 

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره سه، خرداد ماه 1401(221-239)

                                                                

ارزیابی خطر بیابان­زایی با استفاده از منطق تاپسیس فازی در محیط GIS

 

 

محمد حسن صادقی روش ^{[1] *}

m.sadeghiravesh@tiau.ac.ir

حسن خسروی^[2]

تاریخ دریافت: 23/8/1400

تاریخ پذیرش: 31/1/1401

 

چکیده

زمینه و هدف: پدیده مخرب بیابان­زایی یکی از بحران­های جدی اکولوژیکی با اثرات گسترده و بلند مدت طبیعی و انسانی است. لذا اقدامات اجرایی در این زمینه باید متکی به شناخت وضعیت فعلی بیابانی شدن اراضی و شدت آن باشد. از طرفی ضعف روش­های اندازه­گیری شدت بیابان­زایی، همواره نیاز به ارائه روش­های نوین و کمی را ایجاب می­کند. بنابراین لزوم پرداختن به روش­هایی که بتواند پهنه­بندی را بر مبنای منطق و اصول قوی و مبانی نظری مستدل ارایه دهد، ضروری به نظر می­رسد. از این رو این پژوهش با هدف ارزیابی خطر بیابان­زایی با استفاده از منطق تاپسیس فازی و به صورت موردی در دشت یزد- خضرآباد طی سال­های 1399 تا 1400 به انجام رسید.

روش بررسی: در این پژوهش سعی شد پهنه­بندی شدت بیابان­زایی توسط روش تاپسیس فازی به انجام رسد. در این روش پس از تعیین و ارزش­دهی شاخص­های موثر از روش دلفی فازی و تهیه لایه­ واحدهای کاری، اقدام به فازی­سازی داده­ها از روش چن و هوانگ شد و در ادامه فرایند تحلیل فازی بر روی داده­ها صورت گرفت و در نهایت ماتریس تصمیم­گیری فازی موزون حاصل شد، که در چارچوب این ماتریس و از روش تاپسیس، برآورد شدت بیابان­زایی به انجام رسید.

یافته­ها: نتایج نشان داد که 34/9% درصد از کل منطقه مطالعاتی به صورت خیلی شدید، 71/7% درصد شدید و 57/%12 درصد به صورت نسبتاً شدیدی تحت فرایند بیابان­زایی می­باشد و بیابان­زایی با شدت ناچیز (57/46%) و متوسط (81/23%) به ترتیب، بیشترین سهم را در منطقه مطالعاتی به خود اختصاص داده است. به طور کلی ارزش کمی شدت بیابان­زایی برای کل منطقه از مجموع عوامل 262/0 (کلاس نسبتاً متوسط یا III) به دست آمد.

بحث و نتیجه­گیری: مطالعه صورت گرفته نشان از کارایی و سهولت کاربرد منطق فازی در ارزیابی شدت بیابان­زایی داشت. همچنین نتایج این پژوهش امکان برنامه­ریزی را برای به حداقل رساندن بیابان­زایی در اثر انجام طرح­های توسعه فراهم می­سازد و می­تواند شرایطی را ایجاد کند که با توجه به اولویت­ها و پهنه­بندی آسیب­پذیری منطقه مطالعاتی، تعادل بین طرح­های توسعه و محیط امکان پذیرگردد.

 

واژه­های کلیدی: روش بونیسون، ساختار سلسله مراتبی، مدل­های تصمیم­گیری، مقایسه زوجی، منطق فازی.

 

J. Env. Sci. Tech., Vol 24, No. 3, June, 2022

 

 

 

 

Assessment the hazard of desertification using fuzzy TOPSIS logic in GIS environment

 

Mohammad Hassan Sadeghi Ravesh  ^{[3] *}

m.sadeghiravesh@tiau.ac.ir

Hassan Khosravi ^[4]

 

Admission Date:April 20, 2022

Date Received: November 14, 2021

 

Abstract

Background and Objective The phenomenon of desertification is one of the serious ecological crises with extensive and long-term natural and human effects. Therefore, executive measures related to desertification control should be based on recognizing the current state of desertification of lands and its severity. On the other hand, the weakness of methods for measuring the intensity of desertification, always requires the need to provide new and quantitative methods. The need to address methods that can provide zoning based on strong logic and principles and rational theoretical foundations seems necessary in the field of desert management.

Material and Methodology: In this paper, it has been tried to do so by using the Fuzzy Topsis method. In this method, after   determining and evaluating the effective indices by the fuzzy Delphi method and preparing the layer of work units, the data were fuzzy by the Chen and Huang methods. The fuzzy analysis process was performed on the data. Finally, a normalized fuzzy decision matrix was obtained, which within the framework of this matrix and by TOPSIS method, the intensity of desertification was estimated.

Findings: The obtained results showed that, 9.34%, 7.71% and 12.57% of the total study area are in the very high, high and relatively high class of desertification, and Desertification with low (46.57%) and medium (23.81%) has the highest share in the study area, respectively. The quantitative value of desertification intensity for the whole region was 0.262 located in relatively medium or III class. 

Discussion and Conclusion: The study showed the efficiency and ease of application of fuzzy logic in assessing the intensity of desertification. The results of this study provide the possibility of planning to minimize desertification as a result of development projects, and can create conditions where a balance between development plans and the environment is possible based on the priorities and vulnerability zoning of the study area.

 

Key words: Decision making models, Bonissone method, Fuzzy logic, Hierarchy structure, pair-wise comparisons.

 

مقدمه

 

مناطق بیابانی یکی از بیوم­های زیستی و اکولوژیکی در جهان هستند که به طور مستقیم تحت تأثیر توسعه اقتصادی- اجتماعی قرار دارند (1). با وجود فعالیت­های گسترده­ای که در چند دهه اخیر در زمینه حفاظت از منابع طبیعی تجدید شونده و نگهداری از بنیان­های بوم­شناختی در سطح جهان صورت گرفته، متأسفانه جهان امروز با مشکلات اساسی در زمینه مسائل محیط زیستی روبرو بوده که یکی از این معضلات مهم پدیده بیابانی شدن اراضی است (2). از طرف دیگر بیابان­زایی مانع اولیه توسعه پایدار در این جوامع است (3). لذا به منظور دستیابی به توسعه متعادل گام اساسی شناخت وضع موجود  است. شناخت وضع موجود و پی بردن به ظرفیت اکولوژیکی هر منطقه باعث می­شود که در فرایند توسعه، از تخریب محیط جلوگیری شود و در عین حال تحقق اهداف و سیاست­های ممکن مورد نظر را میسر می­سازد. از این رو فنون ارزیابی شدت بیابان­زایی و تهیه نقشه پهنه­بندی آن همواره به عنوان یکی از مهمترین ابزارهای برنامه­ریزی و مدیریت به منظور دستیابی به توسعه پایدار درعرصه منابع طبیعی مطرح بوده است(4).

بنابراین با توجه به اهمیت کاربردی این نقشه­ها علیرغم توسعه فنون و روش­های کمی در پهنه­بندی شدت بیابان­زایی در طی سال­های اخیر همچنان سعی در ارائه روش­های کمی با خطای کمتر و ضریب اطمینان بیشتر و سرعت و سهولت دستیابی به نتایج  بالاتر است.

در زمینه ارزیابی مناطق نسبت به بیابانی شدن تاکنون تحقیقات زیادی صورت گرفته است. از جمله، روش تحقیقی مقدماتی برای ارزیابی نقشه­بندی بیابانزائی (5)، مدل حساسیت زیست­محیطی نواحی[5] (6)، مدل طبقه­بندی نوع و شدت بیابانزائی در ایران^[6] (7)، مدل بسط یافته طبقه­بندی نوع و شدت بیابانزائی در ایران^[7] (8، 9)، ارزیابی تخریب زمین در اراضی خشک^[8] (10)، مدل گروه احیاء مناطق خشک دانشکده منابع طبیعی^[9] (11)، مدل تاکسنومی عددی توسعه­یافته[10] (12، 13، 14)، می­باشد.

با بررسی که بر روی این روش­ها صورت گرفت، ملاحظه شد که این روش­ها نیز به نوبه خود دارای نواقصی از جمله، غیر بومی و کیفی بودن شاخص­ها، خطای کارشناسی، کوچک مقیاس بودن، عدم امکان تفکیک عوامل انسانی و طبیعی در نتیجه­گیری­ها، بودند. هر چند این نواقص در مدل­های بعدی و به ویژه مدل تاکسنومی تا حدود زیادی مرتفع شد ولی همچنان این مدل­ها دارای نقص اساسی بودند و آن این بود که در ارزش­گذاری شاخص­ها، تنها ارزش مطلق هر شاخص در هر واحدکاری در نظر گرفته می­شد و اولویت آنها نسبت به هم در ایجاد شرایط بحرانی در نظر گرفته نمی­شد که این امر منجر به دستیابی به نتایج غیر واقعی می­شد. از این رو  صادقی روش در سال­های 1391 تا 1398 چهار مدل آسیب­پذیری زیست محیطی[11](15)، مدل آنتروپی شانون^[12](16)، مدل تحلیل مولفه­های اصلی^[13] (17) و مطلوبیت چند شاخصه[14](18) را ارائه داد. تمامی این مدل­ها همانند مدل تاکسنومی دارای ساختار سلسله مراتبی بودند. در عین حال روش­های مذکور، واجد محدودیت نادیده انگاشتن قضاوت­های فازی تصمیم­گیران بودند. با توجه به نزدیک بودن مفهوم منطق فازی به رفتار انسانی (فرایند انتخاب و تصمیم گیری^[15]) (19، 20)،  کوه نباتی (21)، بیدگلی و همکاران (22)، سیلاخوری و همکاران (23) و صادقی روش و همکاران  (24)  بین سال­های 96 تا 99  و Wang و همکاران (25)، در سال 2015 به روش فازی اقدام به ارزیابی خطر بیابان­زایی کردند.

بنابراین با توجه به محدودیت مطالعات به انجام رسیده در رابطه با کاربرد مدل­های تصمیم­گیری چند معیاره فازی در تحلیل پتانسیل شدت بیابان­زایی، لزوم پرداختن به روش‌هایی که بتواند پهنه­بندی شدت را بر مبنای منطق و اصول قوی و مبانی نظری مستدل در چارچوب منطق فازی ارائه دهد، در حوزه مدیریت مناطق بیابانی ضروری به نظر می‌رسد. بنابراین هدف اصلی پژوهش حاضر، پهنه­بندی توزیع فضایی خطر بیابان­زایی به صورت جامع، بومی، کمی و انعطاف پذیر و با  ساختار سلسله مراتبی با استفاده از تکنیک  تاپسیس فازی  و استفاده از سامانه اطلاعات جغرافیایی در منطقه خضر آباد یزد می­باشد.

 

مواد و روش­ها

منطقه مورد مطالعه

دشت یزد- خضرآباد با وسعتی معادل ha78180 در10 کیلومتری غرب شهر یزد در موقعیت جغرافیایی َ55 ،ْ53 الی َ20 ،ْ54 طول شرقی و َ 45 ،ْ31 الی َ15 ،ْ32 عرض شمالی قرار گرفته است (شکل1). ارتفاع متوسط دشت خضرآباد 1397 متر و 79/84 درصد منطقه شیبی کمتر از 10درصد دارد. بنابراین، قسمت اعظم منطقه را اراضی پست با شیب متوسط41/9 درصد تشکیل می­دهد. از نظر زمین شناسی این منطقه از سازند قدیمی کهر تا رسوبات جوان کواترنر را در برگرفته است (26). منابع خاک منطقه عمدتاً در رده خاک­های نارس بیابانی یا  آنتی­سول می­باشد که تحت تأثیر فرایند تخریب فیزیکی شکل گرفته و حاوی گچ و نمک می­باشد و به شدت تحت تأثیر فرایند فرسایش آبی و بادی و تخریب قرار دارد (27). از نظر اقلیمی بر مبنای روش دوماتن اصلاح شده اقلیم منطقه در شرایط خشک و سرد بیابانی طبقه‌بندی می‌شود. ha12930 از اراضی منطقه را تپه‌ها و پهنه‌های ماسه‌ای شکل داده که ارگ^[16] بزرگ اشکذر با وسعتی معادل ha8923 در شمال قرار گرفته است که نشان دهنده وضعیت کاملأ خاص از نظرگاه بیابان‌زایی در منطقه و بیان کننده لزوم پرداختن به راه‌حل‌های مقابله با بیابان‌زایی در این حوزه است (28).

 

روش تحقیق

در زمینه سنجش و پهنه­بندی بیابان­زایی، روش­ها و تکنیک­های کمی مختلفی وجود دارد که از این روش­ها به منظور تسهیل فرایند برنامه­ریزی و کمک به تصمیم­گیری در عرصه مدیریت مناطق بیابانی استفاده می­شود. با توجه به تعدد، پیچیدگی و برهم کنش میان شاخص­های موثر در پهنه­بندی بیابان­زایی در این پژوهش از روش تصمیم­گیری چند شاخصه تاپسیس استفاده شد، چرا که در این روش شاخص­های به کار رفته برای مقایسه، می­توانند دارای واحدهای سنجش متفاوتی بوده و طبیعت منفی و مثبت داشته باشند و با تکیه بر نظر خبرگان، می­تواند تصویر مناسبی از خطر بیابان­زایی منطقه مورد مطالعه ارائه دهد (23). همچنین از آنجا که در ماهیت اکوسیستم­های طبیعی، مرزهای مشخص و قراردادی وجود ندارد؛ از این­رو همواره در مدل­سازی پدیده­هایی از قبیل بیابان­زایی با سطحی از عدم قطعیت روبرو هستیم (29). از این رو در پژوهش حاضر جهت برآورد و تلفیق شاخص­ها از منطق فازی استفاده شد.

روش تاپسیس فازی که نوعی از روش­های تصمیم­گیری چند معیاره جبرانی سازشی است، اولین بار توسط چن ارائه شد (30) از آنجایی که تمام روش­های ارائه شده با تغییرات اندکی از روش چن نشأت می­گیرند، از این رو در این پژوهش به منظور پهنه­بندی شدت بیابان­زایی از روش چن استفاده شد (32،31) (شکل2).

 

 

 

شکل 1- موقعیت منطقه مطالعاتی

Fig1. Location of the study area

 

 

 

تعیین شاخص­های موثر در ارزیابی آسیب­پذیری مناطق نسبت به بیابان­زایی

بر پایه اطلاعات به دست آمده از ارزیابی منایع طبیعی و مطالعات میدانی و کتابخانه­ای،  نهایتاً به روش دلفی و نظر خواهی گروهی، 30 شاخص موثر در بیابان­زایی تعیین شد. به منظور انتخاب این شاخص­ها سه محور اصلی ارتباط با پدیده بیابان­زایی، سهولت دسترسی و سهولت به روزآوری در چارچوب دو فاکتور هزینه و زمان مد نظر قرار گرفت (18، 24).

 

تعیین واحدهای کاری

به منظور تهیه چارچوبی مناسب جهت تهیه نقشه پهنه­بندی آسیب­پذیری ناشی از فرایند بیابان­زایی اقدام به تفکیک واحدهای کاری از روش ژئومرفولوژی شد (33). بدین منظور در ابتدا نقشه‌های موضوعی ژئومرفولوژی، کاربری اراضی و تیپ‌های گیاهی در قالب نقشه های 50000/1 در محیط Arc Gis به دست آمد. سپس اقدام به هم پوشانی لایه­های مذکور شد، و بعد از خلاصه‌سازی، لایه نهایی واحدهای کاری شکل گرفت (شکل 3). در نقشه واحدهای کاری، 12 واحدکاری بر حسب اهداف مطالعاتی تفکیک شد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 2- فلودیاگرام روش تاپسیس فازی به منظور ارزیابی پتانسیل شدت بیابان­زایی

Figure 2. Flow diagram for fuzzy topsis method to evaluate the potential of desertification intensity

 

 

 

 

 

شکل 3- واحدهای کاری منطقه خضراباد

Figure 3. work units of Khezr Abad

 

 

 

تعیین اهمیت شاخص­های موثر در بیابان­زایی نسبت به هم و در هر واحدکاری

در ادامه اهمیت شاخص­ها نسبت به هم (W_j) و اهمیت هر شاخص در هر واحد کاری (r_ij) با استفاده از تکنیک دلفی فازی^[17] (19) و با توجه به جدول امتیازدهی چن و وانگ در مقیاس 0 تا 7 (خیلی کم تا خیلی زیاد)، مورد ارزیابی کارشناسان گرفت (جداول 1 و 2) (34) و سپس با محاسبه میانگین هندسی (با فرض یکسان بودن رأی تمام افراد) و با استفاده از رابطه 1 به ترکیب ماتریس کارشناسان اقدام و در نهایت ماتریس گروه حاصل ‌شد(جدول 3)  (35).

(1)

 

در این رابطه مولفه فازی مربوط به شخص kام در برآورد درجه اهمیت هر شاخص در هر واحدکاری و  مولفه فازی مربوط به شخص kام در برآورد اولویت شاخص­ها نسبت به هم می­باشد.

 

جدول1- درجه اهمیت و ارجحیت فازی چن و هوانگ

Table 1. Fuzzy preference and importance degree, Chen and Wang method

تعداد مقدار دهنده زبانی				ارزش عددی	مقدار دهنده  زبانی
7	5	3	2
(1/0 ،0 ،0، 0)	(2/0،1/0 ،0، 0)			1	خیلی کم
(3/0، 2/0، 2/0، 1/0)	(4/0، 25/0، 25/0، 1/0	(4/0، 2/0، 0، 0)		2	کم
(5/0، 4/0، 3/0، 2/0)				3	نسبتاً متوسط
(6/0، 5/0، 5/0، 4/0)	(7/0، 5/0، 5/0، 3/0)	(7/0، 5/0، 5/0، 2/0)	(8/0، 5/0، 5/0، 4/0)	4	متوسط
(8/0، 7/0، 6/0، 5/0)				5	نسبتاً زیاد
(9/0، 8/0، 8/0، 7/0)	(9/0، 75/0، 75/0، 6/0)	(1، 1، 8/0، 6/0)	(1، 8/0، 8/0، 5/0)	6	زیاد
(1، 1، 9/0، 8/0)	(1، 1، 9/0، 8/0)			7	خیلی زیاد

 

 

جدول2-  ماتریس ارزشیابی فردی اهمیت شاخص­های موثر نسبت به هم و در هر واحدکاری

Table 2. Individual evaluation matrix of the importance of indices relative to each other and determining the priority of each index

In	...	I2	I1	Ij
Wn	...	W2	W1
				TMUi
r1n	...	r12	r11	TMU1
r2n	...	r22	r21	TMU2
…	...	…	…	…
rmn	...	rm2	rm1	TMUm

 

فازی­سازی داده­ها

 

- تعیین ارزش­های فازی برای اوزان شاخص­ها و واحدهای کاری و تشکیل ماتریس اعداد فازی

فرایند فازی­سازی شامل تغییر و تبدیل داده­های ورودی به وسیله کنترل­گر فازی است. در این پژوهش از تابع عضویت ذوزنقه­ای استفاده ­شد. با توجه به نوع اعداد فازی انتخابی (اعداد فازی ذوزنقه­ای)، از میان روش­های تصمیم­گیری چند شاخصه فازی، روش بونیسون^[18]  انتخاب گردید. بونیسون هر عدد فازی ذوزنقه ای  را با پارامترهای به L، M، M¢ و U  نمایش داد (شکل4) (19، 36).

 

شکل 4-  نمایش دو عدد فازی ذوزنقه ای

Figure 4. Display of two Fuzzy trapezoidal numbers

 

 

با توجه به تعدد متغییرهای زبانی از اعداد فازی متناظر با آنها استفاده می­شود. در این پژوهش از  مقیاس هفت رتبه­ای چن و هوانگ استفاده شد (جدول1) (34) و در این چارچوب اقدام به تعیین ارزش­های فازی گروهی ارجحیت شاخص­ها و اولویت هر شاخص در هر واحدکاری شد (جدول3).

 

 

جدول 3- ماتریس گروهی فازی اهمیت شاخص­های موثر نسبت به هم و در هر واحدکاری

Table 3. The fuzzy  group matrix of the importance of indices relative to each other and determining the priority of each index

In	.........	I2	I1	Ij
	.........
				TMUi
	.........			TMU1
	.........			TMU2
׃	׃	׃	׃
	.........			TMUm

 

- محاسبه ارزش  یا اعداد فازی ذوزنقه ای ترکیبی^[19] برای هر سطر ماتریس فازی ازرابطه 2

(2)

 در این رابطه k بیانگر مولفه فازی مربوط به شخص kام در برآورد درجه اهمیت هر شاخص در هر واحدکاری و اولویت شاخص­ها نسبت به هم می­باشد. شماره سطر و i و j به ترتیب نشان دهنده واحدهای کاری یا شاخص­ها می باشد.

تبدیل داده­های فازی به غیر فازی و تشکیل ماتریس تصمیم گیری فازی

- محاسبه درجه بزرگی ارزش    هر سطر ماتریس  فازی نسبت به هم از رابطه 3

 

(3)

 

 

 

 در پژوهش حاضر به دلیل حجم زیاد شاخص­ها و واحدهای کاری، در برآورد درجه بزرگی اعداد فازی ذوزنقه­ای ترکیبی، با تهیه برنامه­ای منطبق با رابطه 3  از محیط  نرم افزار MATLAB استفاده شد.

- محاسبه درجه بزرگی هر عدد فازی ذوزنقه ای ترکیبی از K عدد فازی ترکیبی دیگر از رابطه 4

 

(4)

 

 

در این رابطه بیانگر واحد کاری یا شاخص () iام از جدول ماتریس فازی kام می باشد.

 اعداد حاصل از این فرایند بیانگر اوزان غیر بهنجارشده ارجحیت شاخص­ها نسبت به هم و اولویت واحدهای کاری نسبت به هر شاخص می باشند.

- نرمالیزه کردن اوزان نابهنجار شاخص­ها و واحدهای کاری از رابطه5 و دستیابی به ارجحیت و اولویت شاخص­ها و واحدهای کاری از نظر گروه ( رابطه6).

(5)
(6)

این رابطه بیانگر ارجحیت هر شاخص نسبت به سایر شاخص­ها در دستیابی به هدف "ارزیابی خطر بیابان­زایی" و اولویت هر واحد کاری ماتریس فازیkام نسبت به هر شاخص است. بنابراین ارجحیت شاخص­ها را می­توان به صورت رابطه 7 نمایش داد.

(7)

در این رابطه ارجحیت هر شاخص(I) نسبت به هدف که در سطح بالاتر(K-1) قرار گرفته بیان می­شود و اولویت هر واحد کاری^[20](TMU) نسبت به هر شاخص(I) که در سطوح بالاتر(K) از واحدهای کاری واقع شده به صورت رابطه 8 نمایش داده می­شود.

(8)

 

-تشکیل ماتریس تصمیم­گیری فازی[21] (FDM)

بر مبنای شکل کلی ماتریس تصمیم­گیری در مدل­های تصمیم­گیری چند شاخصه^[22] و با توجه به روابط 7 و 8 ماتریس تصمیم­گیری فازی شکل گرفت (جدول4) (19).

 

برآورد شدت بیابان زایی واحدهای کاری

با محاسبه اولویت واحدهای کاری بر مبنای هر شاخص و تشکیل ماتریس تصمیم­گیری فازی (جدول4)، مشاهده می­شود که شدت بیابان­زایی بر مبنای شاخص­های مختلف، متفاوت خواهد بود؛ لذا به منظور دستیابی به پتانسیل شدت بیابان­زایی بر مبنای تمامی شاخص­ها از نظرگروه () و تهیه نقشه پهنه­بندی پتانسیل بیابان­زایی، عمل تلفیق طی مراحل ذیل بر روی  نتایج حاصل از مراحل قبل اعمال  شد (30، 36، 37).

 

 

جدول 4- ماتریس تصمیم گیری فازی

Table 4. Fuzzy decision making matrix

Indicators				TMUik
IK-1NK-1	...	IK-12	IK-11
ak1nk-1	...	ak12	aK11	TMU1
ak2nk-1	...	ak22	ak21	TMU2
׃	׃	׃	׃	׃
aknknk-1	...	aknk2	aknk1	TMUk

 

- تشکیل ماتریس تصمیم گیری فازی موزون[23]  از رابطه 9 حاصل می­شود.

(9)

در این رابطه:

مقدار وزنی موزون که هر واحد کاری با توجه به شاخص مربوطه کسب می­کند.

مقدار وزنی که هر واحد کاری با توجه به شاخص مربوطه کسب می­کند.

 مقدار وزنی (عددی) شاخص مربوطه.

- تعیین مقادیر عددی واحد های کاری ایده­آل مثبت ()و ایده­آل منفی()

در ماتریس تصمیم­گیری فازی موزون هر واحدکاری که بیشترین مقادیر عددی را در ارتباط با هر شاخص به خود اختصاص دهد، از پتانسیل بیابان­زایی کمتری در رابطه با آن شاخص برخوردار است و تحت عنوان واحد ایده­آل مثبت () بیان می­شود. لذا حداکثر مقادیر عددی واحد­های کاری در ارتباط با هر شاخص مطابق رابطه 10 در مجموعه­ای تحت عنوان مقادیر عددی واحد های ایده آل مثبت بیان می­شود.

(10)

و همچنین حداقل مقادیر عددی واحدهای کاری در ارتباط با هر شاخص مطابق رابطه 11 در مجموعه­ای تحت عنوان مقادیر عددی واحدهای ایده­آل منفی() بیان می­شود.

(11)

- محاسبه اندازه فاصله (d[24]) هر واحد کاری ماتریس تصمیم گیری موزون بر اساس نرم اقلیدوسی به ازاء واحدهای کاری ایده­آل مثبت و منفی از روابط 12 و 13

(12)
(13)

هر قدر فاصله واحدها از مقادیر واحدهای ایده­آل مثبت کمتر باشد، آن واحد پتانسیل کمتری در فرایند بیابانزدایی دارد و برعکس.

- محاسبه نزدیکی[25] نسبی واحدهای کاری به واحدهای کاری ایده­آل از رابطه 14 و رتبه بندی واحدهای کاری بر اساس انحرافات به دست آمده

(14)

چنانچه باشد، آنگاه و  می­شود و در صورتی­که باشد، آنگاه  و، بنابراین هر واحدکاری که به واحدکاری ایده­آل مثبت نزدیکتر باشد، مقدار نزدیکی() آن به یک نزدیکتر خواهد بود. در انتها برای نمایش بهتر نتایج، درصد نزدیکی نسبی راهبردها از رابطه 15 محاسبه می­شود.

(15)

- برآورد پتانسیل شدت بیابان­زایی و تهیه نقشه پهنه­بندی شدت

به منظور سهولت و دقت در تجزیه وتحلیل داده­ها و دستیابی به نتایج، بر مبنای نزدیکی نسبی واحدهای کاری نسبت به واحد کاری ایده­آل بیابان­زایی و با استفاده از نرم افزار Arc GIS_9.3 اقدام به نقشه­سازی میزان پتانسیل بیابان­زایی شد.

یافته­ها

پس از تعیین شاخص­های موثر(18، 24)، و تهیه نقشه واحدهای کاری (شکل3) مطابق روش پژوهش، با استفاده از تکنیک دلفی و بر مبنای مقیاس 7 رتبه­ای چن و هوانگ (جدول1)، ماتریس گروهی فازی اهمیت شاخص­ها نسبت به هم (W_j) و اهمیت هر شاخص در هر واحد کاری (r_ij) شکل داده شد (جدول 5). 

 

سپس ارزش  یا اعداد فازی ذوزنقه ای ترکیبی^[26] برای هر سطر ماتریس فازی اهمیت شاخص­ها نسبت به هم و ماتریس­های فازی اهمیت  واحدکاری به تفکیک هر شاخص، از رابطه 2 به دست آمد.

پس از محاسبه ها به منظور تعیین وزن شاخص­ها و واحدهای کاری به تفکیک هر شاخص و تشکیل ماتریس تصمیم­گیری، لازم است که مقادیر ها را مرتب کنیم. به این منظور درجه بزرگی هر عدد فازی را بر اعداد فازی دیگر از رابطه 3 و در محیط  نرم افزار MATLAB به دست آمد  و ماتریس درجه بزرگی شاخص­ها نسبت به هم و واحدهای کاری به تفکیک هر شاخص شکل داده شد. سپس اوزان نابهنجار واحدهای کاری (P_i) از رابطه 4 برآورد شد و از رابطه 5 این اوزان، نرمالیزه یا بهنجار(N_i) شد (جدول 6).

در ادامه با برآورد کلیه اوزان بهنجار شده معیارها نسبت به هدف و راهبردها نسبت به هر معیار، در قالب کلی ماتریس تصمیم­گیری در محیط فازی (جدول4)، ماتریس تصمیم­گیری فازی موزون پتانسیل بیابان­زایی واحدهای کاری از نظرگروه، بر مبنای رابطه 9 از ضرب مقدار وزنی که هر واحدکاری با توجه به شاخص مربوطه کسب می­کند در ضریب اهمیت شاخص­ها شکل گرفت (جدول7).

 

جدول 5-  ماتریس گروهی فازی شده اهمیت شاخص­ها نسبت به هم و اهمیت هر شاخص

در هر واحد کاری از جهت بیابان­زایی

Table 5. The fuzzy group matrix of the importance of indices relative to each other and determining the priority of each index  in each work unit from view point of desertification

شاخص بیابان­زایی (I)	I1	I2	...	I29	I30
	(1/0، 0، 0، 0)	(6/0، 5/0، 5/0، 4/0)		(8/0، 7/0، 6/0، 5/0)	(9/0، 8/0، 8/0، 7/0)
TMUs
(BMG)	(5/0، 4/0، 3/0، 2/0)	(6/0، 5/0، 5/0، 4/0)	...	(1/0، 0، 0، 0)	(1/0، 0، 0، 0)
(MGPC)	(8/0، 7/0، 6/0، 5/0)	(6/0، 5/0، 5/0، 4/0)	...	(1/0، 0، 0، 0)	(1/0، 0، 0، 0)
...	...	...	...	...	...
...	...	...	...	...	...
(IA)	(8/0، 7/0، 6/0، 5/0)	(6/0، 5/0، 5/0، 4/0)	...	(3/0، 2/0، 2/0، 1/0)	(1/0، 0، 0، 0)
(MAG)	(5/0، 4/0، 3/0، 2/0)	(6/0، 5/0، 5/0، 4/0)	...	(5/0، 4/0، 3/0، 2/0)	(8/0، 7/0، 6/0، 5/0)

جدول 6 - ماتریس اوزان بهنجارشده ارجحیت شاخص­ها و اولویت واحدهای کاری (ماتریس تصمیم­گیری)

Table 6. Normalized weights matrix of the importance of indices and priority of work units (Decision making matrix)

I	1	2	...	29	30
	053266/0	00663/0	...	00204/0-	00204/0-
TMUs
(BMG)	40677/0	083333/0	...	113103/0	101244/0
(MGPC)	035613/0	083333/0	...	113103/0	101244/0
...	...	...	...	...	...
(IA)	035613/0	083333/0	...	00653/0-	101244/0
(MAG)	40677/0	083333/0	...	0057/0-	00622/0-

جدول 7- ماتریس تصمیم­گیری فازی موزون پتانسیل بیابان­زایی واحد های کاری از نظرگروه

Table 7. Normalized fuzzy  decision making matrix of desertification potential of work units  acoording to group

30	29	...	2		1	I
						TMUs
00021/0-	00023/0-	...		000553/0	021667/0	(BMG)
00021/0-	00023/0-	...		000553/0	001897/0	(MGPC)
...	...	...		...	...	...
00021/0-	000133/0			000553/0	001897/0	(IA)
000127/0	000116/0			000553/0	021667/0	(MAG)

 

در این مرحله پس از تشکیل ماتریس تصمیم­گیری فازی موزون (جدول 7)، با استفاده از روابط 10 و 11، مقادیر عددی واحدهای کاری ایده­آل مثبت ()و ایده­آل منفی()، برآورد و مجموعه­های مربوطه شکل گرفت.

 

مجموعه واحدهای کاری ایده آل مثبت

 

{000127/0، 000133/0، ..........، 000553/0، 021667/0TMU_i⁺={

 

مجموعه واحدهای کاری ایده آل منفی

 

{00021/0-، 00023/0-،..........،000553/0، 00262/0-TMU_i^- ={

 

پس از برآورد مجموعه راهبردهای ایده­آل مثبت و منفی، به منظور محاسبه اندازه فاصله (d) بر اساس نرم اقلیدوسی، به دلیل حجم بالای محاسبات از نرم افزارExcel استفاده شد و بر مبنای روابط 12 و 13 اندازه فاصله هر واحد کاری ماتریس تصمیم­گیری موزون به ازاء واحدهای ایده­آل مثبت و منفی برآورد شد (جدول 8).

 

 

جدول 8- شدت بیابان­زایی واحدهای کاری

Table 8. Desertification intensity of work units

TMUs					شدت بیابانزایی
(BMG)	12296/0	127922/0	509889/0	21428/16	ناچیز
(MGPC)	14659/0	085779/0	369357/0	74543/11	ناچیز
(BPPC)	1642/0	044493/0	2132/0	779672/6	متوسط
(BEP)	195337/0	044635/0	185999/0	914717/5	نسبتاً شدید
(EPPC)	111671/0	162728/0	593034/0	85827/18	ناچیز
(PAG)	199721/0	011943/0	056425/0	794306/1	خیلی شدید
(CGPC)	198614/0	026143/0	116317/0	698824/3	شدید
(BCG)	198589/0	026121/0	116242/0	696457/3	شدید
(BSD)	199114/0	025536/0	113671/0	614698/3	شدید
(SDPC)	195889/0	043462/0	181582/0	774252/5	نسبتاً شدید
(IA)	188614/0	057944/0	235012/0	473303/7	متوسط
(MAG)	143634/0	119413/0	453961/0	43579/14	ناچیز

 

در نهایت به منظور تعیین اولویت نهایی واحدها، نزدیکی نسبی واحدهای کاری نسبت به واحدهای ایده­آل پتانسیل بیابان­زایی در منطقه مطالعاتی از رابطه (14) برآورد شد و با توجه به این اصل که هر واحدکاری که به واحدکاری ایده­آل نزدیکتر باشد، مقدار نزدیکی (C_i ) آن به یک نزدیکتر خواهد بود و برعکس، اولویت نهایی واحد­ها برآورد شد و درصد اولویت به دست آمد.

ارزش­های شدت بیابان­زایی(C_i) برآورد شده از رابطه 14 یکسری از ارزش­های پیوسته هستند که به منظور سهولت در خواندن و فهمیدن نتایج برآورد شده و نشان دادن تفاوت­های ناحیه­ای بیابان­زایی می­بایستی در سطوح مناسبی طبقه­بندی شوند. برمبنای جدول 8، شدت بیابان­زایی در منطقه مطالعاتی در شش سطح طبقه­بندی شدند (جدول 9).

 

 

 

جدول 9- طبقه­بندی شدت بیابان­زایی در منطقه خضر آباد و مساحت هر طبقه

Table 9. Classification of desertification intensity in Khezr Abad region and the area of each class

سطح ارزیابی	شدت بیابان­زایی	کلاس
			مساحت(KM2)	درصد(%)
خیلی شدید	1/0≥Ci	VII	26/73	34/9
شدید	15/0≥ Ci > 1/0	VI	48/60	71/7
نسبتاً شدید	20/0≥ Ci > 15/0	V	68/98	57/12
متوسط	25/0≥ Ci  > 20/0	IV	85/186	81/23
نسبتاً متوسط	30/0≥ Ci > 25/0	III	-	-
کم	35/0≥ Ci > 30/0	II	-	-
ناچیز	35/0 < Ci	I	52/365	57/46

 

مطابق جدول 8، هر واحدکاری با توجه به شاخص شدت بیابان­زایی (C_i) محاسبه شده در یکی از طبقات شش گانه ناچیز، متوسط، نسبتاً شدید، شدید و خیلی شدید قرار گرفت، که در نهایت بر روی نقشه واحدهای کاری، از تلفیق واحدهای دارای طبقات یکسان، نقشه­ نهایی پتانسیل شدت بیابان­زایی به مقیاس 50000/1 در محیط Arc Gis به دست آمد (شکل 5).

 

شکل 5- نقشه پهنه­بندی شدت بیابان­زایی منطقه خضرآباد

Figure 5. Zoning map of desertification intensity in Khezr Abad

 

 

براساس برآوردهای انجام شده از نظر شدت بیابان­زایی در واحدهای کاری (جدول8)، واحد اراضی کشاورزی دشتی[27] (PAG) با بیشترین ارزش کمی معادل 0564/0 (کلاس خیلی شدید یا VII) در درجه اول قرار گرفت و سایر واحدهای کاری در کلاس   شدید، متوسط، نسبتاً متوسط و ناچیز از لحاظ شدت آسیب­پذیری در فرایند بیابان­زایی قرار گرفتند.

 

بحث و نتیجه گیری

 

ارزیابی خطر بیابان­زایی امروزه نقش مهمی را در مدیریت پایدار منابع طبیعی ایفا می­کند. از این رو، به منظور تهیه نقشه پهنه­بندی خطر بیابان­زایی در دشت خضرآباد یزد از مدل تاپسیس فازی استفاده شد. نتایج حاصل از  تحلیل­های صورت گرفته نشان داد که، از کل منطقه مطالعاتی 7326 هکتار (34/9% ) در کلاس VII یا خیلی شدید ، 6048 هکتار (71/7% ) در کلاس VI یا شدید، 9868 هکتار (57/12%) در کلاس V یا نسبتاً شدید، 18685 هکتار (81/23%) در کلاس IV یا متوسط و 36552 هکتار (57/46%) در کلاس I یا بیابان­زایی ناچیز قرار دارد (جدول 9 و شکل 5). همچنین نتایج این ارزیابی بیانگر این موضوع بود که واحد اراضی کشاورزی دشتی (PAG)، اراضی رسی با پوشش گیاهی (CGPC)، اراضی رسی لخت (BCG) و تپه­های ماسه­ای لخت (BSD) از پتانسیل بیابان­زایی شدید و خیلی شدیدی برخوردارند و در عین حال، ارزش کمی بیابان­زایی برای کل منطقه از مجموع عوامل، 0262/0 (کلاس نسبتاً متوسط یا III) به دست آمد.

به دلیل یکسان بودن منطقه مطالعاتی که امکان مقایسه تطبیقی بین نتایج را فراهم می نماید، نتایج حاصل از ارزیابی شدت بیابان­زایی بر مبنای منطق تاپسیس فازی با نتایج حاصل از مدل آسیب­پذیری زیست محیطی  (15)، مدل آنتروپی شانون (16)، مدل تحلیل مولفه­های اصلی (17)، مدل مطلوبیت چند شاخصه (18) و مدل فازی بونیسون (24)، مورد مقایسه قرار گرفت و مشاهده شد که تا حد زیادی نتایج حاصل با هم همخوانی دارند، به این معنی که در هر پنج مدل، واحدهای اراضی کشاورزی دشتی (PAG)، اراضی رسی با پوشش گیاهی (CGPC)، اراضی رسی لخت (BCG)،  تپه­های ماسه­ای لخت (BSD) و تپه­ها و پهنه­های ماسه­ای با پوشش گیاهی (SDPC) واجد بیشترین پتانسیل بیابان­زایی می­باشند. در عین حال ارزش کمی حاصل از آنها با هم متفاوت می­باشد و این اولاً به خاطر ماهیت مدل­ها است که ارزش­های کمی را در طیف­های مختلف ارائه می­کند و ثانیا به خاطر طبقه­بندی متفاوت ارزش­های کمی در هر پژوهش بر مبنای دامنه نوسان ارزش­های به دست آمده، می­باشد. همچنین در مدل تاپسیس فازی همانند مدل فازی بونیسون انتخاب و تعیین اهمیت شاخص­ها بر مبنای مقیاس چن و هوانگ به صورت دلفی ارزیابی شد با این تفاوت که به منظور ترتیب اثر اولویت شاخص­های موثر در نتایج، برخلاف مدل فازی بونیسون که از شاخص مطلوبیت استفاده می­شود، در این روش با محاسبه درجه بزرگی اعداد ترکیبی برای هر سطر ماتریس فازی و برآورد اوزان نابهنجار و بهنجار در قالب ماتریس تصمیم­گیری، اقدام به برآورد شدت پتانسیل بیابان­زایی شد. این در حالی است که در سایر مدل­های فازی اشاره شده در ادبیات تحقیق، شاخص­ها بر مبنای روشIMDPA  و DPSIR انتخاب، و ارزیابی و پهنه­بندی شدت از تلفیق لایه­ها در مقیاس صفر تا یک و نقشه­سازی به روش گریجینگ بر روی لایه­های رستری در محیط سیستم اطلاعات جغرافیایی حاصل شد.

به طور کلی نتایج حاصل می­تواند در ارزیابی­های آتی به منظور سرمایه­گذاری در جهت دستیابی به توسعه پایدار مد نظر قرار گرفته تا  علاوه بر تضمین پایدار ارزش افزوده سرمایه­گذاری­ها، اکوسیستم­های حاشیه­ای این مناطق را به نحو مطلوب­تری حفاظت کند. از طرف دیگر به مدیران مناطق بیابانی این امکان را می­دهد که امکانات و سرمایه­های محدود  اختصاص یافته به منظور کنترل روند بیابانزائی را در مناطق دارای حساسیت بیشتر به کار بندند تا ضمن دستیابی به نتایج بهتر، از هدر رفتن سرمایه­های ملی جلوگیری کنند.

به منظور کاربرد این مدل در مناطق دیگر می­بایستی به فاکتورهای مؤثر در بیابان­زایی به عنوان شاخص­های آسیب­پذیری به صورت بومی توجه و همچنین به نحوه اثر گذاری هر فاکتور بر فرایند بیابان­زایی تاکید شود.

 

References

1. Li, W., Yu, G., Shouyu, C., Huicheng, Z., 2006. Use of variable fuzzy sets methods for desertification evaluation. Computational intelligence, theory and applications. Polish Academy of Sciences, Vol 38, pp. 721-731.
2. Jafari, M., Hayati, J., Zargham, N. A., Azarniuond, H., Sofi, M., 2004. Review and assessment of desertification projects in Lamard plain. Geographical Research, Vol 50(36), pp.199-214. (In Persian)
3. UN (United Nations), 1994. United Nations Convention to Combat Desertification in Those Countries Experiencing Serious Drought and/ or Desertification, Particularly in Africa, UNEP/IPA, Nairobi,
4. Wang, X. D., Zhong, X. H., Liu, S. Z., Wang, Z. Y., Li, M. H., 2008. Regional assessment of environmental vulnerability in the Tibetan Plateau: Development and application of a new method, Journal of Arid Environment, Vol 72(10), pp. 1929-1939.
5. FAO-UNEP, 1984. Provisional Methodology for Assessment and Mapping of Desertification, Food and Agriculture Organization (FAO) Press, Rome, Italy.
6. European commission, 1999, Mediteranean Desertification and Land use (MEDALUS), MEDALUS office. London. UK.
7. Ekhtesasi, M. R., Mohajeri, S., 1996. Classification of the type and severity of desertification in Iran. The second national conference on desertification and desertification control methods, August 22-23, Kerman, Iran.
8. Ahmadi, H., Abrisham, E., Ekhtesasi, M. R., Jafari, M., Gokarian, A., 2005. Evaluation and mapping of desertification condition in FAKHRABAD-MEHRIZ region with the ICD and MICD models, BIABAN, Vol 10(1-1), pp. 37-50. (In Persian)
9. Abrisham, E., 2004. Evaluation and mapping of desertification condition in Fakhrabad--Mehriz region with the FAO-UNEP and MICD models, M.Sc Thesis. Faculty of Natural Resources, University of Tehran. Tehran, Iran. (In Persian)
10. Koohafkan, A. P., Lantieri, D., Nachtergaele, F., 2003. Land Degradation Assessment in Drylands (LADA) guidelines for a methodological approach. Food and Agriculture Organization (FAO), Rome, Italy. fao.org/ag/agl/agll/lada/bckgrdocs.stm
11. Ahmadi, H., Zehtabian, G. H., Jafari, M., Azarnivand, H., 2006. Iranian model of potential desertification assessment. Faculty of Natural Resources, University of Tehran, Tehran, Iran. (In Persian)
12. Sadeghiravesh, M. H., Ahmadi, H., Zehtabian, G. R., Rehayi Khoram, M., 2009. Development of the Numerical Taxonomy (MNT) model to assess desertification: an example of modeling intensity in central Iran, Philippine Agricultural Scientist, Vol 92(2), pp. 213- 227.
13. Sadeghiravesh, M. H., Khosravi, H., 2012. Zoning wind erosion potential risk in central Iran using modified numerical taxonomy model. American-Eurasian Journal of Agricultural & Environmental Sciences, 2012, Vol. 12 (1), pp. 91-99.
14. Sadeghiravesh, M. H., Ahmadi, H., 2014. Zoning desertification Potential risk in Abozydabad region by using modified numerical taxonomy model, Geographical Space, Vol 14(47), pp. 83-99. (In Persian)
15. Sadeghiravesh, M. H., Zehtabian, G. H., Tahmores, T., 2012. A vulnerability assessment of environmental issue to desertification risk (case study: Khezrabad region, Yazd). Journal of Watershed Management Research, Vol. 96 (1), pp. 75-87. (In Persian)
16. Sadeghiravesh, M. H., 2014. Zoning the potential of desertification hazard using the MADM approach and Shannon entropy model in the Khezrabad region, Yazd province. Iranian Journal of Soil Research, Vol. 28(3), pp. 572-588. (In Persian)
17. Sadeghiravesh, M. H., 2016. Zoning the potential of desertification hazard using the principal component analysis model in the Khezrabad region. Journal of geographic space, Vol. 16 (56), pp. 241-261. (In Persian)
18. Sadeghiravesh, M. H., 2020. Desertification hazard zoning using Multi-Attribute Utility Theory (MAUT) model, Environmental Recerches, Vol 10 (20), pp. 177-194. (In Persian)
19. Azar, A., Faraji, H., 2016. Science of fuzzy management. Fifth edition, Mehraban press, Tehran, Iran. (In Persian)
20. Wang, Y., Zhang, J., Guo, E., Sun, Z., 2015. Fuzzy comprehensive evaluation- based disaster risk assessment of desertification in Horqin Sand land, China, International Journal of Environmental Research and Public Health, Vol 12, pp.1703 –1725.
21. Koohbanani, H., Dashti Amirabad, J., Nikoo, S., Taya, A., 2017. Desertification-intensity zoning through Fuzzy-Logic approach: a case study of Deyhook-Tabas, Iran. Quarterly journal of Environmental Erosion Research, Vol 25(1), pp. 35-49. (In Persian)
22. Bidgoli, R. D., Koohbanani, H.,Yazdani, M., Dashti Amirabad, J., 2019. Risk assessment of land destruction and desertification severity using fuzzy method (case study: Miyandehi, Khorasan Razavi province), Iranian Journal of Range and Desert Research, Vol. 25(4), pp. 877-887. (In Persian)
23. Silakhori, E., Ownegh, M., Soleimani sardo, M., 2019. Assessment of risk and hazard desertification using Topsis-GIS method (case study: Bashtin, Sabzevar, Razavi province), Journal of Arid Regions Geographics Studies, Vol 9 (35), pp. 44-59. (In Persian)
24. Sadeghiravesh, M. H., Khosravi, H., Abolhasani, A., Ghodsi, M., Mosavi, A., 2021. Fuzzy logic model to assess desertification intensity based on vulnerability indices. Acta Polytechnica Hungarica, Vol 18(3), pp. 7-24.
25. Wang, Y., Zhang, J., Guo, E., Sun, Z., 2015. Fuzzy comprehensive evaluation- based disaster risk assessment of desertification in Horqin Sand land, China, International Journal of Environmental Research and Public Health, Vol 12, pp.1703 –1725.
26. Sharifi, M., Farahbakhsh, Z., 2016. Investigation about temperature and humidity anomalies between pleistocene and present times; reconstruction of climate condition using geomorphic evidence (case study: Khezrabad-Yazd). Physical Geography Researches, Vol 47(4), pp. 583-605. (In Persian)
27. Gharachelo, S., Ekhtesasi, M.R., Zareian Jahromi, M., Samadi, M. B., 2010. Evaluation of current condition of desertification using I.C.D Model, case study: Khezrabad, Yazd. Iranian journal of Range and Desert Reseach, Vol 17(3), pp. 402-420. (In Persian)
28. Sadeghiravesh, M. H., 2008. Investigation of effective desertification factors on environment degradation.D. Thesis, Islamic Azad University, Science and Research Branch, Tehran, Iran. (In Persian)
29. Sarkar, S., Parihar, S. M., A. Dutta., 2016. Fuzzy risk assessment modelling of East Kolkata Wetland Area: a remote sensing and GIS based approach, Environmental Modelling & Software, Vol 75 (C), pp.105 – 118.
30. Chen, S. J., Hwang, C. L., Beckmann, M. J., Krelle, W., 1992. Fuzzy multiple attribute decision making: methods and applications. Springer-Verlag Press, Secaucus, New Jersey, United States.
31. Chen, C., 2000. Extensions of the TOPSIS for group decision making under fuzzy environment. Fuzzy Setsand Systems, Vol 114(1), PP. 1-9.
32. Chen, C., Lin, C., Huang, S., 2006. A fuzzy approach for supplier evaluation and selection in supply chain management. International Journal of Production Economics, Vol 102, pp. 289-301.
33. Ahmadi, H., 2005. Applied geomorphology, desert, and wind erosion. University of Tehran press, Tehran, Iran. (In Persian)
34. Malchefski, Y., 2016. geographic information system and multi-criteria decision analysis, translated by Parhizgar, A and Ghafari Gilandeh, A., fourth edition, Samt press, Tehran, Iran. (In Persian)
35. Azar, A., Rajabzadeh, A., 2017. Applied decision making with an approach of multi-attribute decision making (MADM). Publication of Negah Danesh, Tehran, Iran. (In Persian)
36. Asgharpour, M. J., 2014. Multi-criteria decision making. Tehran University Publishing, Tehran, Iran. (In Persian)
37. Nadaban, S., Dzitac, S., Dzitac, I., 2016. Fuzzy TOPSIS: A General View. Procedia Computer Science, Vol 91, pp. 823 – 831.

 

 

[1] - دانشیارگروه محیط زیست، واحد تاکستان، دانشگاه آزاد اسلامی ، تاکستان، ایران. ^* (مسوول مکاتبات)

[2] - دانشیار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران.

[3] - Associate Professor, Department of Environment, Takestan Branch, Islamic Azad University, Takestan, Iran. *(Corresponding Author)

2- Associate Professor, Department of Reclamation of Arid and Mountainous Regions, Faculty of Natural Resources, University of Tehran, Tehran, Iran

1- Environment Sensitive Area to Desertification (ESA)

2-Iranian classification of desertification (ICD)

3- Modified Iranian classification of desertification (MICD)

4-Land Degradation Assessment in Drylands (LADA)

5-Iranian Model of Desertification Potential Assessment (IMDPA)

6- Modified Numerical Taxonomy (MNT)

7- Environmental vulnerability index (EVI)

8- Shanons Entropy Model

9- Principal Component Analysis (PCA)

10- Multi-Attribute Utility Theory (MAUT)

11- Decision Making and Selection processes

1- Erg

1- Fuzzy Delphi method

1- Bonissone

1- Synthetic Trapezoidal Fuzzy Number

1- Terrain Mapping Unit (TMU)

2- Fuzzy Decision Matrix (FDM)

3- Multi Attribute Decision Making (MADM)

1- Harmonic Fuzzy Decision Matrix (HFDM)

2- Distance

3- Convergence

1- Synthetic Trapezoidal Fuzzy Number

1- Plain Agricultural Grounds 

تعداد مشاهده مقاله: 8

تعداد دریافت فایل اصل مقاله: 6