استخراج و ارزیابی تغییرات کاربری اراضی با به‌کارگیری الگوریتم SVM با کرنل چندجمله‌ای و روش حداکثر احتمال در محدودۀ حوضه آبریز اوجان چای بستان‌آباد

جغرافیا و مخاطرات محیطی

مقاله 2، دوره 9، شماره 4 - شماره پیاپی 36، بهمن 1399، صفحه 25-44   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.67231.0

نویسندگان

محمدحسین رضائی مقدم^{* 1}؛ داود مختاری¹؛ نسرین سمندر²

¹استاد ژئومورفولوژی دانشگاه تبریز، تبریز، ایران

²دانشجوی دکتری ژئومورفولوژی دانشگاه تبریز، تبریز، ایران

چکیده

ازآنجاکه زمین به‌عنوان یکی از نهاده‌های بخش تولید است، نه‌تنها در اقتصاد کشاورزی و منابع طبیعی بلکه در اقتصاد کل کشور نقش به سزایی دارد و توجه به زمین و تغییرات به وجود آمده در آن، امری ضروری است. تحقیق حاضر به‌منظور بررسی روند تغییرات کاربری اراضی حوضه آبریز اوجان چای با استفاده از سنجش‌ازدور و GIS انجام شده است. از تصاویر چند زمان سنجندة TM سال 1987 و ⁺ETM سال 2002 و ⁺ETM سال 2015 استفاده شد و نقشه‌های کاربری اراضی بر اساس پردازش رقومی حداکثر احتمال و ماشین بردار پشتیبان تهیه شد. نقشه‌های کاربری اراضی به همراه اطلاعات زمینی وارد محیط GIS شدند و میزان و نوع تغییرات کاربری اراضی در منطقه به دست آمد. با توجه به نتایج، روش SVM برای برآورد تغییرات منطقه موردمطالعه کارآمدتر بوده به‌گونه‌ای که نتایج استخراج شده از درصد دقت و ضریب کاپای بالاتری برخوردار است. از نتایج ارزیابی‌ها می‌توان چنین استخراج کرد که روند تغییرات کاربری در برخی کاربری‌ها مانند اراضی زراعی و مراتع بالا است. اراضی زراعی از 33 درصد به 37 درصد در طی بازۀ زمانی 28 ساله نوسان داشته و اراضی مرتعی نیز از 51 درصد به 49 درصد کاهش داشته که این دو کاربری بیشترین تغییرات را داشته‌اند. درنهایت با توجه به اینکه بیشتر تغییرات مربوط در تغییر مرتع به اراضی زراعی و بالعکس بوده است؛ بنابراین لزوم تمرکز فعالیت‌های مدیریت و اصلاح اراضی بر روی این نوع کاربری افزایش می‌یابد.

کلیدواژه‌ها

کاربری اراضی؛ تغییرات؛ سنجش‌ازدور؛ GIS؛ اوجان چای

مراجع

اخوان قالیباف، محمد؛ علی پور، حمید، قلیوف، الوست؛ کورنووا، ماریا؛ مختاری، محمدحسین؛ 1398. بررسی تغییرات مساحت پوشش زمین و کاربری حوضۀ آبخیز دریاچه ارومیه با استفاده از تصاویر MODIS. هیدروژئوموفولوژی. شماره 18. 97-113.

اندریانی، صغری؛ 1393. کاربرد  تکنیک‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی در بررسی تغییرات کاربری اراضی و تأثیر آن بر دبی رودخانه (مطالعه موردی: صوفی چای). استاد راهنما دکتر محمدحسینی رضایی مقدم. پایان‌نامه کارشناسی ارشد. دانشکده جغرافیا و برنامه‌ریزی. دانشگاه تبریز.

خدابنده لو، بهروز؛ خاوربان نهزک، حسن؛ قربانی، اردوان؛ 1398. آشکارسازی تغییرات کاربری/ پوشش اراضی با استفاده از طبقه‌بندی شی گرای تصاویر ماهواره‌ای (مطالعه موردی: حوزه آبریز قره سو استان اردبیل. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 3. 76-92.

ربیعی، حمیدرضا؛ علی‌محمدی، عباس؛ ضیائیان، پرویز؛ 1384. کشف و بازیابی تغییرات کاربری و پوشش اراضی شهر اصفهان به کمک سنجش‌ازدور و سیستم اطلاعات جغرافیایی. برنامه‌ریزی و آمایش فضا. 4 سال چهارم. شماره 43.  54-41.

رضایی مقدم، محمدحسین،  اندریانی، صغری، ولی زاده کامران، خلیل،  الماس پور، فرهاد؛ 1395. تعیین بهترین الگوریتم استخراج کاربری و پوشش اراضی و کشف تغییرات از تصاویر ماهواره‌ای لندست (مطالعۀ موردی، حوضۀ صوفی چای مراغه). فضای جغرافیایی. شماره 55. 85-65.

سپهری، علیرضا؛ جمالی، علی‌اکبر؛ حسن‌زاده، محمد؛ 1398. تحلیل و مقایسه تغییرات کاربری / پوشش اراضی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی اراضی تفت و مهریز). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 4. 90-105.

سلمانی، حسن؛ محسنی ساروی، محسن؛ روحانی، حامد؛ سلاجقه، علی؛1391. ارزیابی تغییر کاربری و تأثیر آن روی رژیم هیدرولوژیکی در حوضه آبخیز قزاقلی استان گلستان، پژوهشنامه مدیریت حوزه آبخیز. شماره 6.  43-60.

صالحی، ناهید؛ اختصاصی، محمدرضا؛ طالبی، علی؛ 1398. پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف CA-MARKOV (مطالعه موردی: حوزه آبخیز صفارود رامسر). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 1.  106-120.

طاهری، فروزان؛ رهنما، محمدرحیم؛ خوارزمی، امیدعلی؛ خاکپور، براتعلی؛  1397. بررسی و پیش‌بینی تغییرات کاربری اراضی با استفاده از داده‌های ماهواره‌ای چندزمانة شهر شاندیز طی سال‌های (1394-1379). جغرافیا و توسعه. شماره 50. 127-142.

فاطمی، سید باقر؛ رضایی، یوسف؛ 1389. مبانی سنجش‌ازدور. انتشارات آزاده.

نظری سامانی، علی‌اکبر؛ قربانی، مهدی؛ کوهبنانی، حمیدرضا؛ 1389.ارزیابی روند تغییرات کاربری اراضی حوزة آبخیز طالقان در دورة 1366 تا 1380. مرتع. شماره 3. 442-451.

 

Awotwi, A., 2009. Detection of land use and land cover change in Accra, Ghana, between 1985 and 2003 using Landsat imagery. M. Sc. Thesis, Division of Geoinformatics Royal Institute of Technology (KTH), Stockholm, Sweden.

Conway, T.M. and Lathrop R.G.Jr., 2005. Modeling the ecological consequences of landuse policies in an urbanizing region. Environmental Management 35: 278-291.

Dellepiane, S. G. Smith, P. C., 1999. Quality assessment of image classification algorithms for, land cover mapping: A review and a proposal for a cost based approach, International Journal of Remote Sensing 20: 1461-1468.

Foody, M. G. Mathur, A., 2004. A relative evaluation of multiclass image classification by support vector machines, IEEE Transactions on Geoscience and Remote Sensing 42: 1335 1343.

Gumeh, Z., 2012. Monitoring land use changes in Karaj and its association to landscape profiles, M. Sc. thesis, University of Shahid Chamran,Ahvaz.

Knorn,J.A.Rabe,C.V. Radeloff, T. Kuemmerle, J. Kozak and Hostert, P., 2009. Land cover mapping of largeareas usingchain classification of neighboring Landsat satellite images. Remote Sens, Environ 113: 957- 964.

Kolios, S. Stylios, C. D., 2013. Identification of land cover land use changes in the greater area of the Preveza peninsula in Greece using Landsat satellite data, Applied Geography 40: 150-160.

Koomen, E. Stillwell, J. Bakema, A. and Schol ten, H.J., 2007. Modeling Land-Use Change,Progress and Applications. Springer, Dordrecht, the Netherlands.

Lefsky, M. A. Cohen, W. B., 2003. Selection of remotely sensed data, In: Wulder, M. A. Franklin, S. E. editors, Remote sensing of forest environments: Concepts and case studies, Kluwer Academic Publishers, Boston: USA.

Liu, J.G. & P. M. Mason., 2009. Esential image processing and Gis for Remote Sensing, WileyBlackwell publications.

Lu, D. Mausel, P. Brondi'Zio, E. Moran, E., 2004. Change detection techniques, International Journal of Remote Sensing 25: 2365–2407.

Nitze, A. Schulthess, B. Asche, H., 2012. Comparison of machine Learning algorithms random forest, artificial neural network and support vector Machine to maximum Likelihood for supervised crop type classification, Proceedings of the 4th Gambia, Rio de Janeiro Brazil, 35-40.

Radke, R. J. Andra, S. O. Kofahi, Al. Roysam, B., 2005. Image change detection algorithms: a systematic survey, IEEE Transactions on Image Processing, 14: 294–287.

Shalkoff, R. J., 1997.Artificial Neural Networks, McGraw-Hill Companies Pub, New yourk.

Singh, A., 1989. Digital change detection techniques using remotely sensed data, Remote Sensing, Review article 10: 989–1003.

Srivastava, P. K. Han. D. Rico-Ramirez, M. A. Bray, M. Islam, T., 2012. Selection of classification techniques for land use land cover change investigation, Advances in Space Research 50: 1250–1265.

Stehman, S. V., 2004. A critical evaluation of the normalized error matrix in map accuracy assessment, Photogrammetric Engineering and Remote Sensing, 6. 743–751.

Theau, J., 2006. Detection of changes using remote sensing: an overview of principles and applications. Geo-Spatial and Range Sciences Conference. Idaho State Univ. Pocatello, ID,USA.

Torrens, P.M. and Osullivan, D., 2001. Cellular automata and urban simulation: where do we go from here? Environment and Planning B 28: 163-168.

Vapnik, V. N., 1999. The nature of statistical Learning theory, Second Edition, New York: Springer-Verlag.

Yu, L. Porwal, A. Holden, E. Dentith, M.C., 2012. Towards automatic lithological classification from remote sensing data using support vector machines, Computers & Geosciences 45: 229–239.