نوع مقاله : مقاله پژوهشی
نویسندگان
دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
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 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.
کلیدواژهها
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]
Barckground and Objectives: Rapid urbanization has made land use change studies essential for urban planning. Parand, a new town near Tehran, has undergone significant development over the past two decades. This study aims to quantitatively monitor land use changes, focusing on the expansion of built-up areas and reduction of barren land, compare land use maps for two periods, assess classification accuracy, and analyze the spatial pattern of Parand’s urban growth and its implications.
Methods: A multi-sensor approach was applied to analyze urban development, using Landsat-7 (2000) as the baseline and Sentinel-2 (2024) as the contemporary dataset, with Sentinel-1 radar data to improve urban texture separation. Data processing was performed in Google Earth Engine. Four classes—vegetation, built-up, barren land, and roads—were classified using Random Forest. Training samples were derived from visual interpretation and ancillary data. Validation involved an error matrix, overall accuracy, and the kappa coefficient. Outputs included binary built-up maps, classified land use maps, and statistical tables for both periods.
Findings: The results of the analyses indicated that the area of built-up land in Parand increased substantially during the study period. In 2000 the built-up area was approximately 3.66 square kilometers, whereas in 2024 it exceeded 14.31 square kilometers. This growth represents an increase of more than fourfold over two decades. At the same time, barren land, which covered 146.66 square kilometers in 2000, decreased to 134.50 square kilometers in 2024, indicating the conversion of a large portion of these lands into urban areas. Spatial analysis of the changes showed that urban growth was mainly concentrated in the eastern and southern sectors of Parand, shifting from an initially dispersed pattern to a more cohesive and organized structure. Comparison of classification performance also showed that the 2024 map, with an overall accuracy of 95.97 percent and a kappa coefficient of 0.9444, had higher quality than the 2000 map, which had an overall accuracy of 89.06 percent and a kappa of 0.8201. This difference is attributed to the higher spatial resolution of the newer data and the fusion of optical and radar sources. Vegetation and roads showed little change, and their relative stability is consistent with the more permanent nature of these classes.
Conclusion: Findings show that combining optical and radar data with machine learning in a cloud environment is effective for long-term urban monitoring. Rapid built-up expansion, especially in eastern and southern Parand, highlights the need for revised land use policies, infrastructure development, and agricultural land protection. This approach supports sustainable urban planning and investment prioritization, though challenges such as radar noise, limited field data, and class separability remain.
کلیدواژهها [English]
- Urban Development
- Remote Sensing
- Land Cover
- Random Forest
COPYRIGHTS
© 2026 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
)