سنجش از دور
حسین جولایی؛ علیرضا وفایی نژاد
چکیده
پیشینه و اهداف: موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهوارهای، به یک مرکزیت اساسی در جامعه تبدیل شده است. دسترسی آسان و پایدار به دادههای ماهوارهای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهرهبرداری بهینه از این تصاویر، لازم است نمونههایی ...
بیشتر
پیشینه و اهداف: موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهوارهای، به یک مرکزیت اساسی در جامعه تبدیل شده است. دسترسی آسان و پایدار به دادههای ماهوارهای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهرهبرداری بهینه از این تصاویر، لازم است نمونههایی از تصاویر جمعآوری شده و سپس پیکسلهای آنها بر اساس ویژگیها و مشخصههای منطقهای طبقهبندی شوند. این فرآیند، با چالشهایی همچون پراکندگی دادهها مواجه است که با استفاده از روشهای طبقهبندی مناسب قابل حل است. در این مطالعه، بهمنظور ارزیابی مساحت کاربریهای زمین در شهرها، روشهای متنوعی از یادگیری ماشین مورد استفاده قرارگرفته است. بهجای استفاده از یک روش ثابت و مطلق برای طبقهبندی پیکسلها، چهار روش مختلف یادگیری ماشین جداگانه برای هر تصویر مورد بررسی قرارگرفته است. این روشهای متنوع از یادگیری ماشین امکان انتخاب بهترین و پرکاراییترین روش برای هر تصویر را فراهم میکنند، بهگونهای که توانایی تشخیص و طبقهبندی پیکسلها برای مساحتهای کاربری زمین در شهرها را بهبود میبخشند و دقت و کارایی را افزایش میدهند.روشها: در این تحقیق، از تصویر ماهوارهای لندست 9 برای مطالعه و تحلیل منطقههای مختلف تهران در سال 2023 استفاده شده است. ابتدا، تصویر مورد نظر تحت تصحیحات لازم قرارگرفته و سپس، چهار الگوریتم یادگیری ماشین متناسب (که شامل K- نزدیکترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال بودند) برای طبقهبندی تصاویر ماهوارهای لندست 9 مرتبط با چهار منطقه مختلف تهران (شامل 2، 5، 21، 22) بهکار گرفته شدند. برای ارزیابی دقت نتایج، بیش از ۲۰۰ نقطه چک با استفاده از روش Stratified Random بر روی تصویر ایجاد شدند و سپس از Google Earth Pro برای بررسی دقیق نقاط چک استفاده شد. دقت طبقهبندی کلی و ضریب کاپا بهعنوان معیارهای ارزیابی بهترین روش طبقهبندی پیکسلهای تصویر مورد بررسی قرار گرفتند. در مرحله بعد، منطقه مورد مطالعه بهمنظور درک بهتر مساحت کاربریهای زمین در آن ناحیه به بلوکهای مساوی تقسیم شد. سپس با استفاده از روابط آماری رستری (Zonal Statistic)، میزان مساحت کاربریهای زمین در هر بلوک مورد بررسی قرار گرفت.یافتهها: بر اساس روشهای مورد استفاده، عملکرد روش SVM در این مطالعه بهدقت بیشترین مقدار ممکن، که معادل 95 درصد است، و ضریب کاپا، که به نسبت 89 درصد است، دستیافت. این نتایج ممکن است به دلیل عدم یکنواختی پهنههای پیکسل در محیطهای شهری پرتراکم توجیه شود. علاوه بر این، مساحتهای مختلفی از زمین از جمله مناطق سبز با مساحت 12 کیلومترمربع، زمینهای بایر با مساحت 64 کیلومترمربع و مناطق ساخته شده با مساحت 137 کیلومترمربع نیز در این تحلیل مورد بررسی قرار گرفتند.نتیجهگیری: از طریق این رویکرد، ما یک روش طبقهبندی بسیار دقیق را برای تحلیل تصاویر ماهوارهای مربوط به ماهواره لندست 9 ارائه دادهایم. این روش، امکان ارزیابی دقیقتری از مساحت کاربریهای زمین را فراهم میکند و به تصمیمگیریان شهری و سیاستگذاران ارتباط مستقیمی با بینشهای ارزشمندی برای توسعه پایدار در شهرها ارائه میدهد. این امر، میتواند در فرآیند تسهیل طرحهای توسعهای برای بهبود شهرها و زندگی شهروندان نقش مؤثری ایفا کند، زیرا اطلاعات دقیق و معتبری را ارائه میدهد که به تصمیمگیریهای استراتژیک در حوزه توسعه شهری کمک میکند و امکان اعمال تغییرات مؤثرتر و هدفمندتر در سیاستها و برنامههای شهری را فراهم میسازد.
