نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

ارزیابی تغییرات کاربری اراضی با استفاده ازروش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسنده

کارشناس آموزش;دانشکده ریاضی ،دانشگاه تبریز ،تبریز، ایران

چکیده

در طول زمان، الگوهای پوشش زمین و به تبع آن کاربری اراضی دچار تغییر و دگرگونی اساسی می شوند و عامل انسانی می تواند بیشترین نقش را در این فرآیند ایفا نماید. همواره، دانشمندان تلاش نموده اند تا عوامل مسبب تغییرات کاربری اراضی و تاثیرات محیطی مربوطه را شناسایی نمایند. در دهه های گذشته به همین منظور، محققان مشاهدات مختلف و جمع آوری شده از طریق عملیات میدانی و همینطور عکس های هوایی را جهت کشف تغییرات کاربری اراضی ناشی از تحمیل فرآیندهای طبیعی و انسانی مورد تجزیه و تحلیل قرار داده اند. اما، امروزه، بر پایه پیشرفت های تکنولوژیکی حاصله در قلمرو سنجش از راه دور، می توان تصاویر ماهواره ای را به منظور بررسی دقیق تر تغییرات محیطی بهنگام پردازش و نتایج نهایی را بطور مصور مدل سازی نمود. هدف اصلی تحقیق جاری پایش تغییرات کاربری اراضی حوضه لیقوان چای در سال های 1985- 2006 -2013 می باشد. بر این اساس، برای کشف تغییرات حادث شده در محدوده مورد مطالعه، تصاویر سنجنده TMو OLI وETM ماهواره لندست مربوط به سالهای 1985 -2006-2013 مورد پردازش قرار گرفت. در همین راستا، بعد از اعمال تصحیحات اتمسفری و هندسی، عملیات بارزسازی تصاویر اجرا و با بهره گیری از روش های طبقه بندی نظارت شده الگوریتم ها اعمال شد و از این طریق نقشه های موضوعی کاربری اراضی حوضه لیقوان چای طراحی گردید.

تازه های تحقیق

بر اساس نتایج روش SVM برای طبقهبندی تصاویر سنجنده ETM+ دقت کلی 00.00% حاصل گردیده است .با توجه به قدرت تفکیک زمانی 10 روزه و رایگان بودن این تصاویر با روش مذکور هر ساله پایش لازم بر روی منطقه انجام گیرد تا تغییرات حاصله به موقع به مدیران منابع طبیعی و کشاورزی گزارش گردد. واین روش با سایر سنجنده ها نیز اجرا شده و نتایج آن با این پژوهش مقایسه گردیده و بهترین نوع تصویر نیز مشخص گردد .این افزایش قابل تامل در توسعه اراضی مسکونی، بیانگر ضرورت تجدید نظر در مدیریت آب و خاک حوضه و توجه به عوامل موثری مانند مدیریت یکپارچه منابع آب و خاک حوضههای آبریز و موضوعات اجتماعی و اقتصادی میباشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Eavaluation Landuse Changes Using neural network classifiers and a support vector machine

نویسنده [English]

  • fatemeh Adimi Atigh

Education Expert ، DEPARTMENT OF MATEMATIC ، TABRIZ UNIVESITITY ،TABRIZ ، IRAN

چکیده [English]

: Over time, patterns of land cover and land use change and subsequent changes are fundamental and human factor plays a most important role in this process. Ever, scientists have attempted to identify factors that cause land use changes and their impact on the environment. Therefore, in previous decades, researchers have different views collected from the field, as well as aerial photographs to detect land use changes resulting from the imposition of natural and human processes have been analyzed. Today, however, based on technological advances made in the field of remote sensing, satellite imagery can be used to more accurately evaluate the environmental changes during the process and the final results of the illustrated model. The main purpose of the ongoing monitoring of land use changes in river basins liqvan is 1985-2006-2013. Accordingly, to explore the changes occurring in the study area, Landsat TM and ETM + Landsat images of the years 1985-2006-2013 were analyzed. Accordingly, after applying atmospheric and geometric correction, image enhancement operations performed using the maximum likelihood method of supervised classification algorithms similar actions and thematic maps of land use of the basin has been designed to liqvan. In general, the overall accuracy of SVM method calculated in 1985 (96.20) and in 2006 (96.26) and in 2013 (99.64) by Mdkh highest accuracy than other methods. Finally moorland in the first place and then irrigated gardens and residential areas in the study area are eventually.

کلیدواژه‌ها [English]

  • Land use
  • Support Vector Machine
  • neural network
  • Liqvan Chay

در طول زمان، الگوهای پوشش زمین و به تبع آن کاربری اراضی دچار تغییر و دگرگونی اساسی میشوند و عامل انسانی میتواند بیشترین نقش را در این فرآیند ایفا نماید. همواره ،دانشمندان تلاش نمودهاند تا عوامل مسبب تغییرات کاربری اراضی و تأثیرات محیطی مربوطه را شناسایی نمایند. در دهههای گذشته به همین منظور، محققان مشاهدات مختلف و جمعآوری شده از طریق عملیات میدانی و همینطور عکسهای هوایی را جهت کشف تغییرات کاربری اراضی ناشی از تحمیل فرآیندهای طبیعی و انسانی مورد تجزیه و تحلیل قرار دادهاند. اما، امروزه، بر پایه پیشرفتهای تکنولوژیکی حاصله در قلمرو سنجش از راه دور، میتوان تصاویر ماهوارهای را به منظور بررسی دقیق تر تغییرات محیطی بهنگام پردازش و نتایج نهایی را بطور مصور مدلسازی نمود. هدف اصلی تحقیق جاری پایش تغییرات کاربری اراضی حوضه لیقوان چای در سالهای 1090- 0990 -0912 میباشد. بر این اساس، برای کشف تغییرات حادث شده در محدوده مورد مطالعه ،تصاویر سنجنده TM وOLI  وETM  ماهواره لندست مربوط به سالهای 1090-0990-0912 مورد پردازش قرار گرفت .

در همین راستا، بعد از اعمال تصحیحات اتمسفری و هندسی، عملیات بارزسازی تصاویر اجرا و با بهرهگیری از روشهای  طبقهبندی نظارت شده الگوریتمها اعمال  شد و از این طریق نقشههای موضوعی کاربری اراضی حوضه لیقوان چای طراحی گردید. بطورکلی روش SVM  دقت کلی محاسبه شده در سال 1090 )09/00( و در سال 0990) 00/00( و در سال 0912 )00/00( بدست آمدکه بیشترین دقت را نسبت به روشهای دیگر دارد. در کل زمینهای بایر در درجه اول جای خود را به باغ سپس زراعت آبی و نهایتاً مناطق مسکونی داده اند.

1-Hosseinzadeh, Hojjat, (2015). Modeling the rainfall-runoff process in the Liqvan Chai catchment area using artificial neural networks, Master's Thesis, Faculty of Civil Engineering, Tabriz University.
2-Sheikh Hosni, Hossein, (1380). Environmental planning modeling using geographic information system and remote sensing (case study, Taleghan region), doctoral dissertation in natural geography, Tarbiat Modares University.
3-Shatai, Shaaban and Omid Abdi. (2016). preparation of land use map in mountainous areas of Zagros using ETM+ sensor data "Study area: Sorkhab Khorramabad Basin. Journal of Agricultural Sciences and Natural Resources, Volume 4, Number 1.
4-Faizizadeh, Bakhtiar and Mahmoud Haj Mir Rahimi, (1387). Revealing Land Use Changes in Andisheh Town Using Object-Oriented Classification Method, Geomatics Conference 87, Iran Mapping Organization.
5-Vapnik, V., (1998). Statistical Learning Theory, Wiley, New York.
6-Petropoulos, G.P., Knorr, W., Scholze, M., Boschetti, L., and Karantounias, G., (2010). Combining ASTER multispectral imagery analysis and support vector machines for rapid and cost-effective postfire assessment: a case study from the Greek wildland fires of 2007, Nat. Hazards Earth Syst. Sci., 10, pp. 305–317.
7-Waske, B. and Benediktsson, J.A., (2007). Fusion of support vector machines for classification of multisensor data, IEEE T. Geosci. Remote Se. 45(12): 3858–3866.
8-Koetz, B., Morsdoff, F., Linden, S., Curt, T., and Allogower, B., (2008). Multi-source land coverclassification for forest fire management based on imaging spectrometry and LiDAR data, Forest Ecol.Manag., 256(3): 263–271.
9-Pal, M., and Mather, P.M. (2004). Assessment of the effectiveness of support vector machines for hyperspectral data, Future Generation Computer Systems, 20, pp. 1215–.5221
10-Karimi, Y., Orasher, S.O., Patel, R.M., and Kim, S.H. (2006). Application of support vector machine technology for weed and nitrogen stress detection in corn, Comput. Electron. Agr, 51, pp. 99–.901
11-Brown, M., Gunn, S.R., and Lewis, H.G. (1999). Support vector machines for optimal classification and spectral unmixing, Ecol. Model., 120, pp. 167–.971
12-Tseng, M.-H., Chen, S.-J., Hwang, G.-H., and Shen, M.-Y., (2008). A genetic algorithm rulebased approach for land cover classification, ISPRS J. Photogramm., 63, 202–.12
13-Kavzoglu, T. and Colkesen I. (2009). A kernel functions analysis for support vector machines for landcover classification, Int. J. Appl. Earth Obs., 11, pp. 352–.953
 00Application of remote -90 تابستان 1091، صصsensing and GIS in environmental sciences، در علوم محیطی، شماره 2، سال اول GIS و , Vol 1, No. 2, Sکاربرد سنجش از دورummer 2022, pp. 69-82                                                                                                                             77
14-Nemmour, H. and Chibani, Y., (2006). Multiple support vector machines for land cover change detection: An application for mapping urban extensions, ISPRS Journal of Photogrammetry and Remote Sensing, 61(2): 125-133.
15-Xie, C., (2006). Support Vector Machines for Land Use Change Modeling, Thesis for the degree of Master of Science. Department of Geomatics Engineering. The Faculty of Graduate studies in partial fulfillment of the requirements, Calgary, Alberta.
16-Swain, P.H., Davis, S.M. (1978). Remote Sensing: The Quantitative Approach. McGraw-Hill, New York.
17-ENVI User’s Guide, (2008). ENVI On-line Software User’s Manual, ITT Visual Information Solutions.
18-Keuchel, J., Naumann, S., Heiler, M., and Siegmund, A. (2003). Automatic land cover analysis forTenerife by supervised classification using remotely sensed data, Remote Sens. Environ., 86, pp. 53–541.
19-Knorn, J., Rabe, A., Radeloff, V. C., Kuemmerle, T., Kozak, J., and Horstert, P., (2009). Land cover mapping of large areas using chain classification of neighboring Landsat satellite images, RemoteSens. Environ. 113, pp. 957–.469
20-Petropoulos, G.P., Kontoes, C., Keramitsoglou, I. (2011). Burnt area delineation from a unitemporal perspective based on Landsat TM imagery classification using Support Vector Machines, International Journal of Applied Earth Observation and Geoinformation, 13, pp. 70–.08
21-Huang, C., Davis, L.S., and Townshend, J.R.G., (2002). an assessment of support vector machines for land cover classification, Int. J. Remote Sens., 23, pp. 725–.947
22-Hashemian, M. (2004). Study of accuracy assessment techniques for classification of remotely sensed data, MSc Thesis, K.N. Toosi University of Technology.
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 2، شماره 3 - شماره پیاپی 3
شهریور 1401
صفحه 82-69
  • تاریخ دریافت: 09 مرداد 1401
  • تاریخ بازنگری: 01 آبان 1401
  • تاریخ پذیرش: 15 شهریور 1401