سنجش از دور
فاطمه ربیعی؛ سینا ادیب زاده؛ علیرضا شریفی؛ سعید صادقیان
چکیده
پیشینه و اهداف: روند رو به رشد شهرنشینی و گسترش سریع سکونتگاهها در دهههای اخیر، اهمیت مطالعه تغییرات کاربری اراضی را در برنامهریزی شهری دوچندان کرده است. شهر جدید پرند، بهعنوان یکی از نمونههای مهم شهرهای جدید کشور و واقع در مجاورت تهران، طی دو دهه گذشته دچار تغییرات قابل توجهی شده است. این شهر که در ابتدا تنها بخش کوچکی از ...
بیشتر
پیشینه و اهداف: روند رو به رشد شهرنشینی و گسترش سریع سکونتگاهها در دهههای اخیر، اهمیت مطالعه تغییرات کاربری اراضی را در برنامهریزی شهری دوچندان کرده است. شهر جدید پرند، بهعنوان یکی از نمونههای مهم شهرهای جدید کشور و واقع در مجاورت تهران، طی دو دهه گذشته دچار تغییرات قابل توجهی شده است. این شهر که در ابتدا تنها بخش کوچکی از محدودهٔ مطالعه را دربر میگرفت، با افزایش جمعیت و تقاضای مسکن، رشد سریع و ملاحظهای داشته است. هدف اصلی این مطالعه، پایش کمی تغییرات کاربری اراضی با تمرکز بر گسترش مناطق ساختهشده و کاهش اراضی بایر، مقایسه نقشههای کاربری اراضی در دو دوره زمانی، ارزیابی دقت طبقهبندی و تحلیل الگوی فضایی توسعه شهری پرند و پیامدهای آن است.روشها: برای تحلیل توسعه شهری، رویکردی مبتنی بر ادغام چندحسگر بهکار گرفته شد. تصاویر ماهوارهای Landsat-7 مربوط به سال ۲۰۰۰ بهعنوان داده پایه و تصاویر ماهوارهای 2Sentinel- مربوط به سال ۲۰۲۴ بهعنوان دادهٔ معاصر استفاده شدند. همچنین دادههای راداری 1Sentinel- برای بهبود تفکیک بافتهای شهری به تحلیل اضافه شد. تمامی مراحل پردازش دادهها در محیط ابری Google Earth Engine انجام گرفت که امکان پردازش سریع و مدیریت دادههای حجیم را فراهم میکند. چهار کلاس اصلی شامل گیاهان، مناطق ساختهشده، اراضی بایر و جادهها با استفاده از الگوریتم جنگل تصادفی (Random Forest) طبقهبندی شدند. نمونههای آموزشی از طریق تفسیر بصری تصاویر و دادههای کمکی آماده شدند. برای اعتبارسنجی، ماتریس خطا تهیه شد و دقت کلی و ضریب کاپا محاسبه گردید. خروجیهای مطالعه شامل نقشههای باینری مناطق ساختهشده، نقشههای طبقهبندیشده کاربری اراضی و جداول آماری مساحت کلاسها برای هر دو بازه زمانی بود.یافتهها: نتایج نشان داد که مساحت مناطق ساختهشده در پرند طی دوره مطالعه بهطور چشمگیری افزایش یافته است؛ از حدود ۳.۶۶ کیلومتر مربع در سال ۲۰۰۰ به بیش از ۱۴.۳۱ کیلومتر مربع در سال ۲۰۲۴ رسیده است، که نشاندهنده افزایش بیش از چهاربرابری است. در همین دوره، اراضی بایر از ۱۴۶.۶۶ کیلومتر مربع به ۱۳۴.۵۰ کیلومتر مربع کاهش یافته است که نشاندهنده تبدیل بخش قابل توجهی از این اراضی به مناطق شهری است. تحلیل فضایی تغییرات نشان داد که رشد شهری عمدتاً در بخشهای شرقی و جنوبی پرند متمرکز بوده و الگوی پراکندگی اولیه به ساختاری منسجمتر و سازمانیافتهتر تغییر کرده است. مقایسه کیفیت طبقهبندی نشان داد که نقشه سال ۲۰۲۴ با دقت کلی ۹۵.۹۷٪ و ضریب کاپا ۰.۹۴۴۴، کیفیت بالاتری نسبت به نقشه سال ۲۰۰۰ با دقت کلی ۸۹.۰۶٪ و ضریب کاپا ۰.۸۲۰۱ دارد؛ این تفاوت عمدتاً به وضوح بالاتر دادههای جدید و ادغام دادههای اپتیکی و راداری بازمیگردد. کلاسهای گیاهان و جادهها تغییرات اندکی داشتهاند که با ماهیت پایدارتر این کلاسها همخوانی دارد..نتیجهگیری: نتایج نشان میدهد که ترکیب دادههای نوری و راداری با الگوریتمهای یادگیری ماشین در محیط ابری، روشی مؤثر و تکرارپذیر برای پایش بلندمدت توسعه شهری است. گسترش سریع مناطق ساختهشده، بهویژه در بخشهای شرقی و جنوبی پرند، نیازمند بازنگری در سیاستهای کاربری اراضی، توسعه زیرساختهای حملونقل و خدمات عمومی و حفاظت از اراضی کشاورزی است. این رویکرد میتواند مبنای مناسبی برای برنامهریزی شهری پایدار، مدیریت جمعیت و اولویتبندی سرمایهگذاری فراهم کند. با این حال، محدودیتهایی مانند نویز دادههای راداری، کمبود دادههای میدانی و تفکیکپذیری محدود برخی کلاسها همچنان باقی است.
سنجش از دور
کامران مروج؛ شیلان فعله گری؛ علیرضا شریفی؛ احمد گلچین؛ پرویز کرمی
چکیده
پیشینه و اهداف: فعالیتهای انسانی و فرآیندهای طبیعی باعث ایجاد تغییرات کاربری میشوند که منجر به مسائل مهمی مانند جنگلزدایی، از بین رفتن تنوع زیستی و افزایش آسیبپذیری در برابر بلایای طبیعی مانند سیل میشود. رشد جمعیت و افزایش تقاضاهای اجتماعی-اقتصادی فشار قابل توجهی بر کاربری و پوشش زمین وارد میکند که اغلب منجر به تغییرات ...
بیشتر
پیشینه و اهداف: فعالیتهای انسانی و فرآیندهای طبیعی باعث ایجاد تغییرات کاربری میشوند که منجر به مسائل مهمی مانند جنگلزدایی، از بین رفتن تنوع زیستی و افزایش آسیبپذیری در برابر بلایای طبیعی مانند سیل میشود. رشد جمعیت و افزایش تقاضاهای اجتماعی-اقتصادی فشار قابل توجهی بر کاربری و پوشش زمین وارد میکند که اغلب منجر به تغییرات غیرقانونی میشود که عمدتاً به سوء مدیریت در کشاورزی، توسعه شهری، مراتع و جنگلها نسبت داده میشود. ادغام سنجش از دور و سیستمهای اطلاعات جغرافیایی (GIS) یک رویکرد قوی برای ارزیابی دقیق و نظارت بر تغییرات کاربری زمین در مناطق وسیع ارائه میدهد. داده های ماهواره ای، به ویژه از منابعی مانند اسکنر چندطیفی Landsat (MSS)، نقشه برداری موضوعی (TM) و نقشه برداری موضوعی پیشرفته (ETM+)، به طور گسترده برای تجزیه و تحلیل تغییرات کاربری زمین، به ویژه در مناطق جنگلی و کشاورزی استفاده شده است. این مطالعه با هدف تحلیل تغییرات کاربری اراضی در بافت خاک برنج شالیزاری در گیلان، شمال ایران از سال 1391 تا 1401 انجام شده است. با استفاده از دادههای Landsat MSS و ETM+ و نرمافزار GIS، این مطالعه تلاش میکند تا تغییرات کاربری و پوشش قابلتوجهی را شناسایی و مشخص کند و بینشهای ارزشمندی را در مورد پویایی چشمانداز منطقهای ارائه دهد.روشها: در این مطالعه که در استان گیلان انجام شد، تصاویر ماهوارهای Landsat-8 از سالهای 1391 و 1401، با حداقل پوشش ابری، استفاده شد. برروی تصاویر ماهوارهای لندست-8 برای کاهش خطاها اصلاحات هندسی و رادیومتری انجام شد. با استفاده از روش حداکثر احتمال، طبقهبندی نظارت شده طبقات کاربری زمین را مشخص کرد. این روش احتمال یک پیکسل متعلق به هر کلاس از پیش تعریف شده را محاسبه میکند و پیکسل را به کلاسی با بیشترین احتمال اختصاص میدهد. این رویکرد جامع، تحلیل پویایی کاربری زمین در منطقه مورد مطالعه را تسهیل کرد و بینش های ارزشمندی را در مورد تغییرات محیطی در طول زمان ارائه داد.یافتهها: ارزیابی نقشههای طبقهبندی کاربری اراضی دقت کلی 80% و ضریب کاپا بیش از 0.8 را نشان داد که نشاندهنده توافق قابلتوجه با کلاسهای حقیقت زمینی است. بهره برداری از مساحت جنگل از 46 درصد در سال 2011 به 33 درصد در سال 2011 کاهش یافته است که نشان دهنده تخریب اکوسیستم است. به همین ترتیب، اراضی مرتع از 51 درصد در سال 1391 به 42 درصد در سال 1401 کاهش یافت. در مقابل، زمین های کشاورزی شاهد رشد قابل توجهی بودند که از سال 2013 تا 1401 به میزان 7 درصد (34 درصد به 41 درصد) افزایش یافت. مساحت زمین مسکونی افزایش قابل توجهی را تجربه کرد و 34 درصد افزایش یافت. این یافتهها بر تغییرات قابلتوجه کاربری زمین، از جمله کاهش جنگلها و افزایش گسترش مسکونی تاکید میکند، که نیاز مبرم به شیوههای مدیریت پایدار زمین در منطقه مورد مطالعه را برجسته میکند.
سنجش از دور
شیلان فعله گری؛ کامران مروج؛ علیرضا شریفی؛ احمد گلچین؛ پرویز کرمی
چکیده
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که بهطور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیمگیری مدیران عمل میکند. با توجه به ماهیت زمانبر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاشهایی ...
بیشتر
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که بهطور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیمگیری مدیران عمل میکند. با توجه به ماهیت زمانبر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاشهایی برای کاوش نیتروژن خاک از طریق سنجش از دور انجام شده است. پژوهش حاضر، به کاربرد روشهای سنجش از دور همراه با مدلهای رگرسیون و تصادفی جنگل برای پیشبینی نیتروژن کل خاک در استان گیلان میپردازد. این مطالعه، با هدف پاسخ به دو سوال اصلی انجام شد: (1) آیا میتوان از دادههای SAR برای تعیین مقدار نیتروژن کل خاک استفاده کرد؟ (ب) الگوریتمهای ماشین بردار پشتیبانی (SVM)، درخت رگرسیون تقویتشده (BRT) و جنگل تصادفی (RF) در پیشبینی محتوای نیتروژن خاک چگونه عمل میکنند؟روشها: این مطالعه بر ارزیابی قابلیتهای دادهای ماهوارههای Landsat-9 و Sentinel-1 بهصورت جداگانه و ترکیبی، با استفاده از الگوریتمهای پیشرفته مانند SVM، RF و BRT متمرکز شد.. نمونهبرداری هدفمند بهصورت استراتژیک انجام شد تا شرایط متنوع منطقه مورد مطالعه را بر اساس پوشش زمین/ کاربری زمین، پارامترهای اقلیمی و توپوگرافیکی نشان دهد. متغیرهای مختلف، از جمله پارامترهای آبوهوایی، اجزای توپوگرافی، و شاخصهای زیرگروه سنجش از دور، در ارتباط با دادههای SAR و تصاویر نوری مورد بررسی قرار گرفتند. الگوریتمهای یادگیری ماشین غیرخطی، بهویژه SVM، RF و BRT برای پیشبینی وضعیت نیتروژن کل خاک با مدلسازی روابط پیچیده بین خواص خاک و متغیرهای محیطی مورد استفاده قرار گرفتند. نرم افزار R، با استفاده از بسته CARET برای ورودی پارامتر، برای پیادهسازی الگوریتم استفاده شد.یافتهها: نتایج، حاکی از موارد زیر بود: عملکرد الگوریتمهای RF و BRT از SVM پیشی گرفت و در پایش مقادیر نیتروژن کل خاک مؤثر بود، تصاویر SAR چند زمانی دقت بالاتری را در نظارت بر محتوای نیتروژن کل خاک در مقایسه با دادههای سنجش از دور نوری نشان دادند و پیشبینیهای واقعیتر را در خاکهای شالیزاری تسهیل کردند، ادغام متغیرهای محیطی منجر به افزایش دقت الگوریتمها شد. متغیرهای سنجش از دور، نقش مهمی را در این پژوهش ایفا کردند و به ترتیب، تأثیر 61 و 51 درصدی در الگوریتمهای RF و BRT گزارش شد. مقایسه الگوریتمهای SVM و RF نشان داد که RF پس از اجرای الگوریتم BRT در رتبه دوم قرار دارد و دقت برآورد نیتروژن کل خاک با الگوریتم SVM بهدست نیامد. با این حال، الگوریتمهای BRT و RF قادر به نظارت بر تغییرات نیتروژن کل خاک بودند و BRT با ثبت دقیق 58٪ تغییرات بهدلیل مقدار R2 بالاتر (58/0) و مقادیر RMSE (25/0 میلیگرم بر کیلوگرم) و MAE (19/0 میلیگرم بر کیلوگرم) کمتر، عملکرد بهتری داشت.نتیجهگیری: در انتها، موارد کلیدی زیر بهعنوان نتیجهگیری کلی از این پژوهش استخراج شد: 1) الگوریتمهای RF و BRT در نظارت بر سطوح نیتروژن کل خاک بهطور مؤثر بهتر از SVM عمل کردند، 2) تصاویر SAR چند زمانی دقت بالایی در ردیابی نیتروژن کل خاک در مقایسه با سنجش از دور نوری ارائه میدهند و پیشبینی دقیق را در خاکهای شالیزاری تسهیل میکنند، 3) ترکیب متغیرهای محیطی باعث افزایش دقت الگوریتمی شد و 4) متغیرهای سنجش از دور به ترتیب 61 و 51 درصد به الگوریتم های RF و BRT کمک کردند.
سامانه اطلاعات مکانی
معصومه دستانیان؛ جواد صابریان
چکیده
پیشینه و اهداف: امروزه، اطلاع از خصوصیات کمی و کیفی تغییرات در برنامهریزیهای محیطی، آمایش سرزمین و توسعه پایدار، بسیار حائز اهمیت است. در حال حاضر، استفاده از نقشههای پوشش گیاهی، یکی از ارکان مهم در تولید اطلاعات جهت برنامهریزیهای کلان و خرد است. هدف این پژوهش، تولید نقشه پوششهای گیاهی طبیعی و زراعی و همچنین، زمینهای کشت ...
بیشتر
پیشینه و اهداف: امروزه، اطلاع از خصوصیات کمی و کیفی تغییرات در برنامهریزیهای محیطی، آمایش سرزمین و توسعه پایدار، بسیار حائز اهمیت است. در حال حاضر، استفاده از نقشههای پوشش گیاهی، یکی از ارکان مهم در تولید اطلاعات جهت برنامهریزیهای کلان و خرد است. هدف این پژوهش، تولید نقشه پوششهای گیاهی طبیعی و زراعی و همچنین، زمینهای کشت آبی و باغات، با استفاده از فنآوری سنجش از دور و سامانه اطلاعات مکانی است. به طور کلی، از زمانهای قدیم تا به امروز، روشهای مختلفی برای جمعآوری دادههای مبتنی بر مکان وجود دارد، از جمله مشاهدات نجومی، فتوگرامتری، نقشهبرداری و سنجش از دور. سنجش از دور، یکی از روشهای جمعآوری دادههاست که کمترین تماس مستقیم با اشیاء و دادههای مورد اندازهگیری را دارد و بر خلاف روشهای دیگر، که عوامل انسانی در جمعآوری و تفسیر دادههای زمینی نقش دارند، در روش سنجش از دور، مسئولیت جمعآوری اطلاعات بر عهده سنسورها خواهد بود.روشها: در این تحقیق، نشان دادیم که چگونه میتوان از تصاویر ماهوارههای سنجش از دور، جهت تهیه نقشه پوشش گیاهی و باغات، استفاده کرد. برای این منظور، از تصاویر ماهوارهای و برداشتهای زمینی، به عنوان دادههای ورودی استفاده میشود و این دادهها، با روشهای مختلف طبقهبندی، مورد تجزیه و تحلیل قرار میگیرند. برای تهیه نقشه کاربری، اراضی جنوب شهر زنجان انتخاب و از تصاویر مـاهواره سنتینل -2 مربوط به سـال 2018، استفاده شد. در مراحل مختلف انجام این تحقیق، از نرمافزارهای ENVI ، ArcGIS ، SAGAGIS استفاده شده است. بهترین روش طبقهبندی به کمک نرمافزارArcGIS انتخاب گردید. برای بررسی قابلیت و کارایی دادهها، تصاویر شاخص پوشش گیاهی نرمال شده (NDVI) با دقت مکانی 15متر، محاسبه و برای هر ماه، یک تصویر NDVI، در نظر گرفته شد. در مجموع 12 تصویر انتخاب گردید که در قالب یک داده با عملیات ترکیبکردن لابه یک باند سه تایی تبدیل شدند.یافتهها: در این تحقیق اعتبار سنجی دادهها براساس نرمافزار گوگل ارث انجام شد و دقت تفکیک پوشش گیاهی منطقه مورد مطالعه، با استفاده از روشهای طبقهبندی مختلف از قبیل حداکثر احتمال، کوتاهترین فاصله، ماشین بردار پشتیبان، شبکههای عصبی و جنگل تصادفی، مورد بررسی قرار گرفت .در هر روش طبقهبندی، با استفاه از ماتریس خطای اومیشن و کومیشن در هر کلاس و شاخصهای دقت کلی نقشه، ضریب کاپا مورد بررسی قرار گرفته است. با مقایسه تمامی روشها و ارزیابی نتایج بهدست آمده، مشخص شد که روش الگوریتم جنگل تصادفی با دقت کلی 96.51% و ضریب کاپا 0.8181 به عنوان بهترین روش طبقهبندی، نقشه پوشش گیاهی منطقه مورد مطالعه را تولید خواهد کرد.نتیجهگیری: نتایج این تحقیق نشان داد که در الگوریتم جنگل تصادفی احتمال تعلق هر پیکسل به هر کلاس با دقت بالایی تعیین میشود. قابلیت تعیین اهمیت ویژگیها در طبقهبندی که میتواند به منظور انتخاب فضای ویژگی بهینه استفاده شود از مهمترین مزایای این روش است. همچنین، توانایی طبقهبندی دادههای نویزی، که میتوان جهت افزایش و تصفیه نمونههای آموزشی استفاده کرد، عدم نیاز به انتخاب یا کاهش باند در هنگام استفاده از تصاویر چند طیفی، از دیگر مزایای الگوریتم جنگل تصادفی است. بدین ترتیب، سادگی و ساختار قابلدرک این الگوریتم در کنار مزایای فنی آن، باعث انعطافپذیری بالای آن شده و ترکیب آن با روشهای دیگر را، بسیار آسان کرده است.
