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

تغییرات کاربری اراضی با استفاده از پردازش تصاویر ماهواره ای و سامانه‌های اطلاعات جغرافیایی در ‏استان گیلان، ایران

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

2 گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

3 گروه خاکشناسی دانشکده کشاورزی دانشگاه زنجان، زنجان، ایران

4 گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه کردستان، کردستان، ایران

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 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Land use changes using satellite images processing and geographic information ‎systems in Gilan province, Iran

نویسندگان [English]

  • k. Moravej 1
  • S. Felegari 1
  • A. Sharifi 2
  • A. Golchin 3
  • P. Karami 4

1 Department of Soil Sciences, Faculty of Agriculture, University of Zanjan, Zanjan. Iran

2 Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, ‎Tehran, Iran

3 Department of Soil Sciences, Faculty of Agriculture, University of Zanjan, Zanjan. Iran

4 Department of Range and Watershed Management, Faculty of Natural Resources, University of Kurdistan, Kurdistan, Iran

چکیده [English]

Background and Objectives: Human activities and natural processes drive land use changes, resulting in pressing issues such as deforestation, biodiversity loss, and heightened vulnerability to natural disasters like floods. Population growth and increasing socio-economic demands exert substantial pressure on land use and cover, often leading to unregulated alterations primarily attributed to mismanagement in agriculture, urban development, pasturelands, and forests. Integrating remote sensing and geographic information systems (GIS) offers a potent approach to accurately assess and monitor land use changes across vast areas. Satellite data, particularly from sources like Landsat's Multispectral Scanner (MSS), Thematic Mapper (TM), and Advanced Thematic Mapper (ETM+), have been extensively utilized to analyze land use changes, especially in forested and agricultural regions. This study aims to analyze land use changes in paddy rice soil texture in Gilan, North Iran, from 1391 to 1401.  Leveraging Landsat MSS and ETM+ data and GIS software, the study endeavors to identify and characterize significant land use and cover changes, providing valuable insights into regional landscape dynamics.
Methods: In this research conducted in Gilan province, Landsat-8 satellite images from 2012 and 2022, featuring minimal cloud cover, were utilized. Geometric and radiometric corrections were made on Landsat-8 satellite images to reduce errors. Employing the maximum likelihood method, supervised classification of land use classes was determined. This method calculates the probability of a pixel belonging to each predefined class and assigns the pixel to the class with the highest probability. This comprehensive approach enabled the analysis of land use dynamics in the study area, offering valuable insights into environmental changes over time.
Findings: The evaluation of land use classification maps revealed an overall accuracy of 80% and a kappa coefficient exceeding 0.8, indicating substantial agreement with ground truth classes. Forest area exploitation decreased from 46% in 2011 to 33% in 2011, signaling ecosystem degradation. Similarly, pasture land decreased from 51% in 1391 to 42% in 1401. Conversely, agricultural land witnessed significant growth, increasing by 7% from 2013 to 1401 (34% to 41%). Residential land area experienced a notable increase, rising by 34%. These findings underscore significant land use changes, including forest decline and increased residential expansion, highlighting the pressing need for sustainable land management practices in the study area.
Conclusion: Forest cover in the study area declined by 13%, whereas residential land witnessed a significant expansion of 34%. Data analysis indicated that the primary alterations in land area were linked to changes in residential use. Remote sensing technology proved instrumental in precisely, effectively, and economically estimating these changes, highlighting its crucial role in environmental studies.

کلیدواژه‌ها [English]

  • Boosted Regression Trees ‎Landsat-9‎
  • Random Forest
  • Sentinel-1‎
  • Support Vector Machine
  • Total Soil Nitrogen

COPYRIGHTS

© 2025 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] Lin J, Li X, Wen Y, He P. Modeling urban land-use changes using a landscape-driven patch-based cellular automaton (LP-CA). Cities 2023;132.
https://doi.org/10.1016/j.cities.2022.103906.
[2] Elagouz MH, Abou-Shleel SM, Belal AA, El-Mohandes MAO. Detection of land use/cover change in Egyptian Nile Delta using remote sensing. Egyptian Journal of Remote Sensing and Space Science 2020;23. https://doi.org/10.1016/j.ejrs.2018.10.004.
[3] Abebe G, Getachew D, Ewunetu A. Analysing land use/land cover changes and its dynamics using remote sensing and GIS in Gubalafito district, Northeastern Ethiopia. SN Appl Sci 2022;4. https://doi.org/10.1007/s42452-021-04915-8.
[4] Reis S. Analyzing land use/land cover changes using remote sensing and GIS in Rize, North-East Turkey. Sensors 2008;8. https://doi.org/10.3390/s8106188.
[5] Navin MS, Agilandeeswari L. Comprehensive review on land use/land cover change classification in remote sensing. Journal of Spectral Imaging 2020;9.
https://doi.org/10.1255/jsi.2020.a8.
[6] Mallupattu PK, Sreenivasula Reddy JR. Analysis of land use/land cover changes using remote sensing data and GIS at an Urban Area, Tirupati, India. The Scientific World Journal 2013;2013. https://doi.org/10.1155/2013/268623.
[7] 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. https://doi.org/10.1371/journal.pone.0200493.
[8] Tewabe D, Fentahun T. Assessing land use and land cover change detection using remote sensing in the Lake Tana Basin, Northwest Ethiopia. Cogent Environ Sci 2020;6. https://doi.org/10.1080/23311843.2020.1778998.
[9] 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. https://doi.org/10.1007/s42452-021-04498-4.
[10] Novitasari D, Sarjiya, Hadi SP, Budiarto R, Deendarlianto. The climate and land-use changes impact on water availability for hydropower plants in Indonesia. Energy Strategy Reviews 2023;46. https://doi.org/10.1016/j.esr.2022.101043.
[11] Xu Q, Zhu AX, Liu J. Land-use change modeling with cellular automata using land natural evolution unit. Catena (Amst) 2023;224. https://doi.org/10.1016/j.catena.2023.106998.
[12] Arifin T, Nur Amri S, Rahmania R, Yulius, Ramdhan M, Chandra H, et al. Forecasting land-use changes due to coastal city development on the peri-urban area in Makassar City, Indonesia. Egyptian Journal of Remote Sensing and Space Science 2023;26. https://doi.org/10.1016/j.ejrs.2023.02.002.
[13] Agarwal P, Sahoo D, Parida Y, Ranjan Paltasingh K, Roy Chowdhury J. Land use changes and natural disaster fatalities: Empirical analysis for India. Ecol Indic 2023;154. https://doi.org/10.1016/j.ecolind.2023.110525.
[14] Adjei-Poku B, Afrane SK, Amoako C, Inkoom DKB. Customary land ownership and land use change in Kumasi: An issue of chieftaincy sustenance. Land Use Policy 2023;125. https://doi.org/10.1016/j.landusepol.2022.106483.
[15] Ghalambordezfooly R, Hosseini F. Factors Affecting Illegal Land-use Changes in Residential Areas: (Case Study: District 6 of Tehran). Journal of Regional and City Planning 2023;34. https://doi.org/10.5614/jpwk.2023.34.2.5.
[16] Li L, Xu E. Scenario analysis and relative importance indicators for combined impact of climate and land-use change on annual ecosystem services in the Karst mountainous region. Ecol Indic 2023;147.
https://doi.org/10.1016/j.ecolind.2023.109991.
[17] Taan A, Farou Z. Supervised Learning Methods for Skin Segmentation Based on Pixel Color Classification, Central-European. Journal of New Technologies in Research, Education and Practice 2021;3.
https://doi.org/10.36427/cejntrep.3.1.779.
[18] Chaitanya K, Erdil E, Karani N, Konukoglu E. Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation. Med Image Anal 2023;87. https://doi.org/10.1016/j.media.2023.102792.
[19] Shi Z, Ma Y, Fu M. Fuzzy Support Tensor Product Adaptive Image Classification for the Internet of Things. Comput Intell Neurosci 2022;2022. https://doi.org/10.1155/2022/3532605.
[20] Phan S, Torrejon D, Furseth J, Mee E, Luscombe C. Exploiting weak supervision to facilitate segmentation, classification, and analysis of microplastics (<100 μm) using Raman microspectroscopy images. Science of the Total Environment 2023;886.
https://doi.org/10.1016/j.scitotenv.2023.163786.
[21] Mittal S, Tatarchenko M, Brox T. Semi-Supervised Semantic Segmentation with High- And Low-Level Consistency. IEEE Trans Pattern Anal Mach Intell 2021;43.
https://doi.org/10.1109/TPAMI.2019.2960224.
[22] Liu H, Qi Y, Xiao W, Tian H, Zhao D, Zhang K, et al. Identification of Male and Female Parents for Hybrid Rice Seed Production Using UAV-Based Multispectral Imagery. Agriculture. (Switzerland) 2022;12.
https://doi.org/10.3390/agriculture12071005.
[23] Tang W, Hu J, Zhang H, Wu P, He H. Kappa coefficient: a popular measure of rater agreement. Shanghai Arch Psychiatry 2015;27. https://doi.org/10.11919/j.issn.1002-0829.215010.
[24] De Raadt A, Warrens MJ, Bosker RJ, Kiers HAL. Kappa Coefficients for Missing Data. Educ Psychol Meas 2019;79. https://doi.org/10.1177/0013164418823249.
[25] Foody GM. Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sens Environ 2020;239. https://doi.org/10.1016/j.rse.2019.111630.
[26] Ali K, Johnson BA. Land-Use and Land-Cover Classification in Semi-Arid Areas from Medium-Resolution Remote-Sensing Imagery: A Deep Learning Approach. Sensors 2022;22. https://doi.org/10.3390/s22228750.
[27] Rowland MM, Nielson RM, Wisdom MJ, Clark DA, DiDonato GT, Hafer JM, et al. Success is dependent on effort: Unraveling characteristics of successful deer and elk hunters. Wildl Soc Bull 2023;47. https://doi.org/10.1002/wsb.1414.
[28] Kanga S, Meraj G, Johnson BA, Singh SK, PV MN, Farooq M, et al. Understanding the Linkage between Urban Growth and Land Surface Temperature—A Case Study of Bangalore City, India. Remote Sens (Basel) 2022;14.
https://doi.org/10.3390/rs14174241.
[29] Johnson N, Treible W, Crispell D. Open Sentinel Map: A Large-Scale Land Use Dataset using Open Street Map and Sentinel-2 Imagery. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, vol. 2022- June, 2022.
https://doi.org/10.1109/CVPRW56347.2022.00139.
[30] Blix K, Ruescas AB, Johnson JE, Camps-Valls G. Learning Relevant Features of Optical Water Types. IEEE Geoscience and Remote Sensing Letters 2022;19.
https://doi.org/10.1109/LGRS.2021.3072049.
پژوهش های سنجش از دور و اطلاعات مکانی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 18 شهریور 1404
فایل ها
سابقه مقاله
  • تاریخ دریافت: 01 بهمن 1403
  • تاریخ بازنگری: 26 خرداد 1404
  • تاریخ پذیرش: 20 مرداد 1404
هم رسانی
ارجاع به این مقاله
آمار