نوع مقاله : مقاله پژوهشی

نویسندگان

• محمد پردل ¹
• بهزاد قیاسی ²

¹ کارشناس ارشد، مهندسی عمران گرایش مدیریت ساخت،گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران

² استادیار دانشکده محیط زیست دانشگاه تهران،ایران

چکیده

طبقه‌بندی بهینه ی تصاویر ماهواره‌ای می‌تواند استخراج اطلاعات مکانی - زمانی برای طبقه‌بندی کاربری و پوشش زمین را تسهیل کند. در این مطالعه، با تحلیل توسعه شهری و تغییر پوشش گیاهی شهر تبریز به بررسی تغییرات سطوح نفوذناپذیر پرداخته شده است. با استفاده از تصاویر لندست، سه الگوریت مورد استفاده قرار گرفت و بر اساس نتایج، الگوریتم طبقه‌بندی‌ جنگل تصادفی در پلتفرم گوگل ارث انجین با استفاده از تصاویر لندست 8 به‌عنوان ورودی برای دوره 1392 تا 1402 به کار برده شد. علاوه بر این، تأثیر ترکیب‌های تصویری مختلف بر اساس چندین شاخص طیفی بر دقت طبقه‌بندی نهایی بررسی شد. نتایج نشان می‌دهد که استفاده از محصولات لندست (TOA) و پلتفرم گوگل ارث انجین می‌تواند نتایج سریع‌تر و دقیق‌تری برای طبقه‌بندی ایجاد کند. همچنین مقادیر هایپرپارامتر برای 3 سال 1392، 1397 و 1402 که بالاترین دقت را در مجموعه‌داده آزمایشی به همراه داشت، به ترتیب 280، 180 و 80 درخت انتخاب شدند. یافته ها نشان دهنده افزایش پوشش گیاهی در کنار گسترش تدریجی شهری است. با این حال، این رشد در درجه اول به ایجاد مناطق تفریحی بزرگ و درختکاری در حومه شهر نسبت داده شد. با این حال، پوشش گیاهی در مناطق شهری مرکزی یا راکد مانده یا در مناطق خاصی کاهش یافته است. با توجه به پیامدهای تغییر اقلیم و افزایش بارندگی‌های شدید، کمبود پوشش گیاهی در مناطق مرکزی ممکن است منجر به تشکیل سطوح غیرقابل نفوذ شود و خطر سیل‌های ناگهانی را تشدید کند که اهمیت نیاز به نتایج این تحقیق و اقدامات پیشگیرانه را نشان می‌دهد.

تازه های تحقیق

این مطالعه یک روش توسعه‌یافته برای نقشه‌برداری کاربری اراضی با دقت بالا در مقیاس 15 متر برای لندست 8 بر اساس پلت فرم مبتنی برابر گوگل ارث انجین ارائه می‌کند. برای این منظور از الگوریتم جنگل تصادفی که یکی از قوی‌ترین طبقه‌بندی‌کننده‌ها بشمار می‌رود، استفاده شد. در این تحقیق تعداد متفاوتی از درختان بهینه بر اساس روش هایپرپارامتر تیونینگ بررسی گردید. سپس از نقشه CGLCL و تصاویر گوگل ارث با وضوح‌بالا برای ارائه برچسب‌های کلاس آموزشی قابل‌اعتماد استفاده شد. مقادیر دقت کلی، ضریب کاپا در بازه قابل‌قبولی قرار گرفتند. رویکردهای ارزیابی مقایسه‌ای نتایج طبقه‌بندی نهایی را تأیید کردند. نتایج به‌وضوح نشان داد که روش پیشنهادی جهت بهینه‌سازی پارامترهای مدل موردنظر، خروجی بهتری دارد. براساس نتایج، در دوره 10 ساله، مناطق شهری از 106.27 به 107.45 کیلومتر مربع افزایش را نشان می‌دهد. رشد شهری باعث افزایش نرخ مهاجرت روستا به شهر می‌شود که می تواند باعث تخریب محیط زیست به ویژه در کلان شهرهایی مانند تبریز می‌شود. با این حال نتایج نشان می‌دهد که پوشش گیاهی در این بازه زمانی، از 15.1 به 20.15 کیلومترمربع روند افزایشی داشته است. هرچند که بشکل کلی سطح پوشش گیاهی در منطقه موردمطالعه افزایش داشته است اما مطالعات نشان میدهند این افزایش به دلیل ایجاد تفرجگاههای بزرگ در حاشیه شهر و درختکاری در آن نواحی بوده است. علیرغم توجه مسئولین به ایجاد تفرجگاهها باهدف کاهش آلودگی هوا و فضاسازی برای افزایش نشاط در جامعه، میزان پوشش گیاهی در نواحی مرکزی شهر روندی ثابت و در بعضی نقاط کاهشی  را دارا می‌باشد. با در نظر گرفتن موضوع تغییرات اقلیم و تغییر روند بارش ها به بارش های سیل آسا، نبود این پوشش گیاهی در مناطق مرکزی میتواند منجر به ایجاد سطوح نفوذ ناپذیر شده که می تواند منتج به خسارات جبران ناپذیر حاصل از تند سیل ها شود. پژوهش حاضر می تواند نظر مسئولین ذیصلاح و سایر محققین را به نیاز به مطالعات و کار بیشتر در این حوزه جلب مینماید.

این مطالعه یک رویکرد جدید و پیشرفته برای نقشه‌برداری کاربری اراضی با دقت بالا بر اساس داده‌های لندست 8 (TOA) و پلت‌فرم گوگل ارث انجین ارائه داده است. در حالیکه در مطالعات گذشته (Chapa et al., 2019; Guha et al., 2021; Karimi et al., 2019)، معمولاً از داده‌های ماهواره‌ای با وضوح و دقت کمتر استفاده می‌شد یا از رویکردهای طبقه‌بندی سنتی‌تر بهره گرفته می‌شد. همچنین، استفاده از الگوریتم جنگل تصادفی و تیونینگ پارامترهای بهینه، موجب افزایش دقت طبقه‌بندی در این مطالعه شده است. علاوه بر این، این مطالعه برای افزایش دقت نقاط مورد اعتماد جهت آموزش ماشین، مشخصات مختصات نقاط در مرحله اول از طریق گوگل ارث استخراج گردید و بعد از مقایسه بصری با نقشه نقشه لایه‌های پوشش زمین جهانی کوپرنیک (CGLCL) به گوگل ارث انجین وارد شدند. در حالیکه در مطالعات گذشته (Ding & Shi, 2013; Egorov et al., 2015; Jamali, 2019; Le et al., 2022)، معمولاً از بازدیدهای میدانی یا منابع اطلاعاتی محدود برای ایجاد داده های آموزشی استفاده می‌شد.

این مقاله روشی را بر اساس پلتفرم مبتنی بر ابر گوگل ارث انجین برای نقشه‌برداری دقیق و به موقع تغییر کاربری اراضی از داده‌های تاریخی لندست پیشنهاد می‌کند. این روش را می‌توان به‌سرعت و به راحتی در سایر مناطق مورد علاقه برای تهیه نقشه‌های کاربری اعمال کرد. علاوه بر این، نقشه کاربری اراضی درک روشنی از الگوی مکانی، محیطی، اجتماعی و اقتصادی تغییرات ارائه می‌دهد و به دولت‌ها اجازه می‌دهد تا هزینه و اثرات منفی این تغییرات را به حداقل برسانند. از نتایج این مطالعه می‌توان برای مدیریت و برنامه ریزی کاربری اراضی و توسعه پایدار استفاده کرد. در این مطالعه تأثیر روش‌های پان تیز کردن مورد بررسی قرار نگرفت که برای مطالعات اینده پیشنهاد می گردد. جهت مطالعات آینده، اثربخشی مجموعه داده‌هایی مانند لندست 9 و ترکیب لندست و سنتینل برای تغییر کاربری قابل بررسی است. برای بهبود دقت تجزیه‌وتحلیل تغییر کاربری نیز می‌توان ویژگی های بیشتری مانند مدل رقومی ارتفاعی زمین و شیب زمین اضافه کرد. همچنین می‌توان نتایج را با نقشه‌های حاصل از نقشه‌برداری میدانی مقایسه کرد

کلیدواژه‌ها

• کاربری اراضی
• گوگل ارث انجین
• هایپرپارامتر تیونینگ
• جنگل تصادفی
• لندست

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Assessment and Analysis of Urban Development and Land Use Change Impact on Surface Permeability Using Machine Learning Algorithm and Remote Sensing Data: A Case Study of Tabriz City

نویسندگان [English]

• Mohammad Pordel ¹
• Behzad Ghiasi ²

¹ MSc. Department of Engineering, Faculty of Civil Engineering, Bu-Ali Sina University. Hamedan, Iran.

² University of Tehran

چکیده [English]

Optimal classification of satellite images enhances the extraction of spatial-temporal information for land use and land cover classification, enabling the examination of various socio-economic and environmental impacts. Initially, three supervised classification algorithms—K-Nearest Neighbors, Support Vector Machines, and Random Forests—were utilized with default parameters. The results indicated that the Random Forest algorithm outperformed the others in accuracy. Consequently, the Random Forest classification algorithm on the Google Earth Engine platform, using Landsat 8 images as input for 2013 to 2023, was employed. The impact of different image combinations based on several spectral indices on the final classification accuracy was assessed. The findings show that using Landsat products (TOA) and the GEE platform provides faster and more accurate classification, with optimal hyperparameter values for 2013, 2018, and 2023 being 280, 180, and 80, respectively. The findings indicate an increase in vegetation cover alongside gradual urban expansion, reflecting stable development policies. However, this growth is primarily attributed to the establishment of large leisure areas and tree planting on the city outskirts. Despite initiatives aimed at reducing air pollution and promoting community well-being, vegetation in central urban areas has either remained stagnant or declined in certain areas. Considering the implications of climate change and increased heavy rainfall, the lack of vegetation in central zones may lead to the formation of impermeable surfaces, exacerbating the risk of flash floods. This underscores the critical need for enhanced research focus and proactive measures in this field.

کلیدواژه‌ها [English]

• Land use
• Google Earth Engine
• Hyperparameter tuning
• Random Forest
• Landsat