نوع مقاله : مقاله پژوهشی
نویسندگان
دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
چکیده
روند فزاینده شهرنشینی و گسترش سکونتگاهها در دهههای اخیر، ضرورت پایش تغییرات کاربری اراضی را با استفاده از فناوری سنجش از دور در برنامهریزی شهری افزایش داده است. شهر جدید پرند بهعنوان یکی از شهرهای جدید کشور، در دو دهه گذشته رشد کالبدی چشمگیری را تجربه کرده است. هدف این پژوهش، بررسی تغییرات کاربری اراضی و تحلیل الگوی توسعه شهری پرند با تمرکز بر گسترش مناطق ساختهشده است. بدین منظور، تصاویر ماهوارهای Landsat-7 سال ۲۰۰۰ و Sentinel-2 سال ۲۰۲۴ همراه با دادههای راداری Sentinel-1 در محیط ابری Google Earth Engine پردازش و طبقهبندی شدند. برای تفکیک کاربریها از الگوریتم جنگل تصادفی (Random Forest) و برای ارزیابی صحت از ماتریس خطا و ضریب کاپا استفاده گردید. نتایج نشان داد که مساحت مناطق ساختهشده طی دوره مطالعه بیش از چهار برابر افزایش یافته و عمدتاً در بخشهای شرقی و جنوبی شهر متمرکز بوده است. کاهش قابلتوجه اراضی بایر نیز بیانگر تبدیل این نواحی به مناطق شهری است. نقشه سال ۲۰۲۴ با دقت کلی ۹۵.۹۷٪ نسبت به نقشه سال ۲۰۰۰ با دقت ۸۹.۰۶٪ عملکرد بهتری داشته که ناشی از وضوح بالاتر و ادغام دادههای نوری و راداری است. در مجموع، ترکیب دادههای چندمنبعی سنجش از دور و الگوریتمهای یادگیری ماشین روشی مؤثر برای پایش توسعه شهری محسوب میشود و میتواند مبنای تصمیمگیری برای مدیریت پایدار کاربری اراضی و زیرساختها قرار گیرد.
موضوعات
عنوان مقاله [English]
Assessment and analysis of urban expansion in Parand over the past two decades using Sentinel-2 and Landsat-7 satellite imagery
نویسندگان [English]
- fatemeh rabiee
- sina Adibzadeh
- Alireza Sharifi
- Saeid Sadeghian
Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
The rapid urbanization and expansion of settlements in recent decades have increased the necessity of monitoring land-use changes through remote sensing technologies in urban planning. As one of Iran’s new towns, Parand City has experienced remarkable physical growth over the past two decades. The main objective of this study is to analyze land-use changes and evaluate the spatial pattern of Parand’s urban development with an emphasis on the expansion of built-up areas. For this purpose, Landsat-7 imagery from 2000 and Sentinel-2 imagery from 2024, along with Sentinel-1 radar data, were processed and classified in the cloud-based Google Earth Engine platform. The Random Forest algorithm was applied for land-use classification, and accuracy assessment was performed using an error matrix and the Kappa coefficient. Results showed that the built-up area increased more than fourfold during the study period, mainly concentrated in the eastern and southern parts of the city. The significant reduction of barren lands indicates the conversion of these areas into urban zones. The 2024 classification map achieved higher accuracy (95.97%) compared to 2000 (89.06%), due to higher resolution and the fusion of optical and radar data. Overall, integrating multi-source remote sensing datasets with machine learning algorithms proved to be an effective and repeatable approach for urban monitoring and can support sustainable land-use management and urban planning.
)