پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

تجزیه و تحلیل تغییرات کاربری اراضی در شهر کرمان با استفاده از تصاویر ماهواره‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

پیشینه و اهداف: همزمان با توسعه‌ شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلان‌شهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه‌ آن برای سکونت سرریز جمعیت شهری، آماده گردد. این‌گونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم می­زند، بلکه تأثیرات منفی بر چشم‌انداز، بهره ­وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی، خصوصاٌ در محدوده‌ کلان‌شهرها، طی دوره­های زمانی بلندمدت برای برنامه­ریزان و مدیران شهری، به منظور ارزیابی و پیش‌بینی مشکلات ناشی از این تغییرات، حائز اهمیت است. داده­های سنجش از دور چندزمانه، یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدل­های سه­بعدی شهر است.
روش‌ها‌: در این تحقیق، از تصاویر ماهواره­ای لندست 7 و لندست 8 در دو بازه‌ زمانی با فاصله 17 سال، بین سال­های 1381 تا 1398 به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقه‌ پردیس استفاده شده است. پس از اعمال پردازش­های اولیه بر روی تصاویر و انجام قطعه‌بندی، سه کلاس عارضه‌ سازه­های مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر کلاس عارضه به روش پس طبقه‌بندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاس­های عارضه تشخیص داده شده در نقشه­های طبقه­بندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمین­های خاکی و پوشش گیاهی به‌دست می­آید.
یافته‌ها: نقشه‌ تغییرات کاربری/ پوشش اراضی تولید شده بین سال­های 1381 تا 1398 نشان داد که ساخت و سازها در منطقه‌ پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقه‌بندی به‌دست ‌آمده، کلاس عارضه‌ خاک حدود 17% کاهش و کلاس عارضه‌ سازه­ها حدود 184% افزایش یافته است. در منطقه‌ مورد مطالعه در این تحقیق، زمین­های کشاورزی نیز عمدتاً نابود و به جای آن­ها، سازه­ها و ساختمان­ها، بنا شده­اند. افزایش تقریبی 104درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی می­باشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشه‌های طبقه‌بندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشه‌ طبقه‌بندی پوشش/ کاربری اراضی سال 1381 به ترتیب 41/98% و 86/0 و برای سال 1398 به ترتیب 01/97% و 87/0 به‌دست آمده است. استفاده از قابلیت‌های روش آنالیز شئ‌ مبنا در این تحقیق، در کنار دقت مکانی 15 متری تصاویر لندست، موجب شد که نقشه‌های طبقه‌بندی، دقت قابل قبولی داشته باشند.
نتیجه‌گیری: با توجه به این‌که ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز، منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد 184 درصدی ساخت و سازها بدون در نظر گرفتن زیرساخت­های مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقه‌ پردیس ایجاد کرده است. استفاده از پیشرفت­های مطرح در فناوری­های برداشت داده­های سنجش از دور در قالب ادغام داده­ها و همچنین، استفاده از روش­های نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، می­تواند به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.  

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Analysis of Land Use Changes by Using Satellite Images in Kerman City

نویسندگان [English]

  • D. Abbasi-Moghadam
  • A. Mohammadi

Department of Electrical Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran

چکیده [English]

Background and Objectives:Having timely statistics and information from existing uses is a requirement for proper management of natural and urban areas. Considering the extensive changes in land use and the need for managers and planners to be aware of the changes that have occurred in order to make policies and find solutions to solve the existing problems, it seems necessary to reveal the changes in order to determine their time trends. Land use is one of the vital aspects in managing natural resources and evaluating environmental changes. The main goal of this research was to use remote sensing techniques along with GIS and Landsat TM and ETM+ satellite data in the period from 1975 to 2021 to detect changes in land use in Kerman region.
Methods: Classification of land use classes, analytical methods and changes were implemented using ENVI 5.3 and ArcGIS 10.3 software. The first step in this study included transferring the coordinates of sample points on satellite images to different land use classes. These points along with the objective data collected from field visits and unsupervised classification maps that show the spectral characteristics of the ground surface using different applications were used as training points for analysis.
Findings: The findings of this research after creating maps using Land and detailed analysis shows important changes in the way land is used during the studied period. In particular, urban and residential areas have increased from 1184 hectares to 2160 hectares from 1975 to 2020, which indicates a significant and sustainable growth. This rapid growth of urbanization has happened especially from 1995 to 2015 and has increased by 60% from 975.6 hectares to 2478 hectares. Along with the increase of residential areas, the studied area has also seen a significant increase in dry and unused lands. In the 2021 land use map, about 18% of the areas are classified as unused land. Considering the environmental conditions of the region, such changes may cause serious risks to the people of the region. It is necessary to emphasize that the environmental effects of these changes in land use should be considered. Climatic conditions and higher vulnerability compared to other areas require comprehensive and planned changes in land use. These changes have not only changed the landscape of the region, but may also endanger the ecological balance and sustainability of the region.
Conclusion: Land use maps are essential tools for national and regional development planning. They provide information that shows the current state of land use, allows comparison of capabilities and potential, and designs measures to meet current and future needs. Through the analysis of land use changes in Kerman during the last 45 years, this study shows the impact of urbanization and population growth on the landscape of the region. Its results emphasize that responsible and sustainable changes in land management are necessary to reduce harmful environmental impacts and promote long-term growth. In addition, it emphasizes the great importance of remote sensing technologies and GIS in monitoring and managing changes in land use and provides valuable data for informed decisions by authorities and related organizations. 

کلیدواژه‌ها [English]

  • Change Analysis
  • Landsat Imagery
  • Land Use/Cover
  • Remote Sensing
  • Supervised Classification

COPYRIGHTS 
© 2023 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) (https://creativecommons.org/licenses/by-nc/4.0/)  

مراجع
[1] Navin MS, Agilandeeswari L. Comprehensive review on land use/land cover change classification in remote sensing. Journal of Spectral Imaging 2020;9:1–21.
[2] Rwanga SS, Ndambuki JM, Rwanga SS, Ndambuki JM. Accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS. International Journal of Geosciences 2017;8:611–22.
[3] Kavitha AV, Srikrishna A, Satyanarayana Ch. A Review on Detection of Land Use and Land Cover from an Optical Remote Sensing Image. IOP Conf Ser Mater Sci Eng 2021;1074:012002.
[4] Cai T, Zhang X, Xia F, Zhang Z, Yin J, Wu S. The Process-Mode-Driving Force of Cropland Expansion in Arid Regions of China Based on the Land Use Remote Sensing Monitoring Data. Remote Sensing 2021, Vol 13, Page 2949 2021;13:2949.
[5] Liping C, Yujun S, Saeed S. Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques—A case study of a hilly area, Jiangle, China. PLoS One 2018;13:e0200493.
[6] Habte DG, Belliethathan S, Ayenew T. Evaluation of the status of land use/land cover change using remote sensing and GIS in Jewha Watershed, Northeastern Ethiopia. SN Appl Sci 2021;3.
[7] Felegari S, Sharifi A, Moravej K, Amin M, Golchin A, Muzirafuti A, et al. Integration of Sentinel 1 and Sentinel 2 Satellite Images for Crop Mapping. Applied Sciences 2021, Vol 11, Page 10104 2021;11:10104.
[8] Huang Z, Qi H, Kang C, Su Y, Liu Y. An Ensemble Learning Approach for Urban Land Use Mapping Based on Remote Sensing Imagery and Social Sensing Data. Remote Sensing 2020, Vol 12, Page 3254 2020;12:3254.
[9] Meshesha TW, Tripathi SK, Khare D. Analyses of land use and land cover change dynamics using GIS and remote sensing during 1984 and 2015 in the Beressa Watershed Northern Central Highland of Ethiopia. Model Earth Syst Environ 2016;2:1–12.
[10] S M V PC, Inayathulla M. LANDUSE AND LANDCOVER CHANGE DETECTION BY REMOTE SENSING AND GIS TECHNIQUES-A CASE STUDY OF HEBBAL VALLEY, BANGALORE n.d.
[11] Bukhari SK. Spatio-Temporal Land Use/Land Cover Dynamics In Ningli Watershed Of Jehlum Catchment In Kashmir Valley, North Western Himalaya Using Remote Sensing & Gis. International Journal of Innovative Technology and Exploring Engineering (IJITEE) n.d.:2278–3075.
[12] Vivekananda GN, Swathi R, Sujith AVLN. Multi-temporal image analysis for LULC classification and change detection. European Journal of Remote Sensing 2020;54:189–99.
[13] Singh Boori M, Vozenilek V. Remote Sensing and Land Use/Land Cover Trajectories. Journal of Geophysics & Remote Sensing 2014;03:1000123.
[14] Wang SW, Gebru BM, Lamchin M, Kayastha RB, Lee WK. Land Use and Land Cover Change Detection and Prediction in the Kathmandu District of Nepal Using Remote Sensing and GIS. Sustainability 2020; 12:3925.
[15] Shen Y, Li J, Zhao R, Han F. Multiresolution Mapping of Land Cover from Remote Sensing Images by Geometric Generalization. IEEE Transactions on Geoscience and Remote Sensing 2022;60.
[16] Zeinolabedini M, Esmaeily A. Groundwater potential assessment using geographic information systems and AHP method (case study: Baft city, Kerman, Iran). International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives 2015;40:769–74.
[17] Reddy A. Land Use Land Cover Change Detection on Kanchinegalur sub watershed using GIS and Remote Sensing Technique. Int J Res Appl Sci Eng Technol 2017;V:2128–36.
[18] Konda VGRK, Chejarla VR, Mandla VR, Voleti V, Chokkavarapu N. Vegetation damage assessment due to Hudhud cyclone based on NDVI using Landsat-8 satellite imagery. Arabian Journal of Geosciences 2018;11:35.
[19] Landsat 8 | Landsat Science n.d. (accessed August 13, 2023).
[20] Wulder MA, White JC, Goward SN, Masek JG, Irons JR, Herold M, et al. Landsat continuity: Issues and opportunities for land cover monitoring. Elsevier 2007;112:955–69.
[21] Padró JC, Pons X, Aragonés D, Díaz-Delgado R, García D, Bustamante J, et al. Radiometric Correction of Simultaneously Acquired Landsat-7/Landsat-8 and Sentinel-2A Imagery Using Pseudoinvariant Areas (PIA): Contributing to the Landsat Time Series Legacy. Remote Sensing 2017, Vol 9, Page 1319 2017;9:1319.
[22] De Raadt A, Warrens MJ, Bosker RJ, Kiers HAL. Kappa Coefficients for Missing Data. Educ Psychol Meas 2019;79:558–76.
[23] Serwa A, Elbialy S. Enhancement of classification accuracy of multi-spectral satellites’ images using Laplacian pyramids. The Egyptian Journal of Remote Sensing and Space Science 2021;24:283–91.
[24] Dalezios NR, Loukas A, Vasiliades L, Liakopoulos E. Severity-duration-frequency analysis of droughts and wet periods in Greece. Hydrological Sciences Journal 2000;45:751–69.
[25] Amini S, Saber M, Rabiei-Dastjerdi H, Homayouni S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens (Basel) 2022;14:2654.
[26] Laban N, Abdellatif B, Ebeid HM, Shedeed HA, Tolba MF. Sparse Pixel Training of Convolutional Neural Networks for Land Cover Classification. IEEE Access 2021;9:52067–78.
[27] Song H, Kim Y, Kim Y. A Patch-Based Light Convolutional Neural Network for Land-Cover Mapping Using Landsat-8 Images. Remote Sensing 2019;11:114.
[28] Lark TJ, Mueller RM, Johnson DM, Gibbs HK. Measuring land-use and land-cover change using the U.S. department of agriculture’s cropland data layer: Cautions and recommendations. International Journal of Applied Earth Observation and Geoinformation 2017;62:224–35.
[29] Chowdhury M, Hasan ME, Abdullah-Al-Mamun MM. Land use/land cover change assessment of Halda watershed using remote sensing and GIS. The Egyptian Journal of Remote Sensing and Space Science 2020;23:63–75.
[30] Sushanth K, Bhardwaj A. Assessment of landuse change impact on runoff and sediment yield of Patiala-Ki-Rao watershed in Shivalik foot-hills of northwest India. Environ Monit Assess 2019;191.
پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1 - شماره پیاپی 1
دی 1401
صفحه 63-72
فایل ها
سابقه مقاله
  • تاریخ دریافت: 22 بهمن 1401
  • تاریخ بازنگری: 16 اردیبهشت 1402
  • تاریخ پذیرش: 29 خرداد 1402
هم رسانی
ارجاع به این مقاله
آمار