سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,694
تعداد مقالات72,263
تعداد مشاهده مقاله129,305,694
تعداد دریافت فایل اصل مقاله102,164,330
حاجی الیاسی, علی, ناصری, محسن, بدیعی, سید پیمان. (1403). ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی. , 56(4), 39-56. doi: 10.22059/jphgr.2025.384462.1007848
علی حاجی الیاسی; محسن ناصری; سید پیمان بدیعی. "ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی". , 56, 4, 1403, 39-56. doi: 10.22059/jphgr.2025.384462.1007848
حاجی الیاسی, علی, ناصری, محسن, بدیعی, سید پیمان. (1403). 'ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی', , 56(4), pp. 39-56. doi: 10.22059/jphgr.2025.384462.1007848
حاجی الیاسی, علی, ناصری, محسن, بدیعی, سید پیمان. ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی. , 1403; 56(4): 39-56. doi: 10.22059/jphgr.2025.384462.1007848

ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی

پژوهش های جغرافیای طبیعی
دوره 56، شماره 4، دی 1403، صفحه 39-56    اصل مقاله (1.65 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2025.384462.1007848
نویسندگان
علی حاجی الیاسی1؛ محسن ناصری* 2؛ سید پیمان بدیعی3
1گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران
2نویسنده مسئول، گروه مهندسی و مدیریت منابع آب، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.
3گروه مهندسی و مدیریت منابع آب، دانشکدگان فنی، دانشگاه تهران، تهران، ایران
چکیده
با توجه به اهمیت تغییرات کاربری اراضی در آمایش سرزمین و حفاظت اکوسیستم‌های حیاتی نظیر تالاب‌ها، هدف از این مطالعه بررسی تغییر کاربری اراضی حوضه آبریز تالاب انزلی مبتنی بر تلفیق الگوریتم نقشه‌بردار زاویه طیفی (SAM) و جنگل تصادفی (RF) با به‌کارگیری نمونه‌های آموزشی متغیر در پلتفرم گوگل ارث انجین (GEE) است. لذا، از تصاویر سنتینل-2 هارمونایز شده در طی سال‌های 2019-2023 و شش شاخص طیفی به‌منظور افزایش دقت الگوریتم در طبقه‌بندی کاربری اراضی استفاده شد. با جمع‌آوری 500 نقطه زمینی در سال پایه و بر اساس اختلاف زاویه طیفی تصاویر، نمونه‌های آموزشی جدید در سال‌های 2021 و 2023 تولید و نقشه‌های طبقه‌بندی با استفاده از الگوریتم RF ایجاد شدند. نتایج حاکی از بیشترین تغییرات در طی 5 سال در کاربری‌های پهنه آب (کاهشی)، تالاب و انسان‌ساخت (افزایشی) است. نتایج مدل‌سازی نیز بیانگر دقت بالای 87 درصد برای صحت کلی و کاپا در بازه زمانی در نظر گرفته‌شده است. از طرفی کاربری پهنه آب با دقت بالای 90 درصد، بیشترین مقدار را برای شاخص‌های صحت کاربر و تولیدکننده دارد. نتایج اهمیت نسبی نیز بیانگر آن بود که باندهای سبز، آبی، قرمز و شاخص اصلاح‌شده اختلاف آب نرمال بیشترین تأثیر را در تفکیک کاربری‌ها و انتقال نمونه‌های آموزشی داشته‌اند. ازاین‌رو مشخص می‌شود که روش نوین اتخاذشده با توجه به در نظر گرفتن پویایی و خودکارسازی تولید نمونه‌های آموزشی جدید، قابلیت بالایی در تفکیک‌پذیری و بهبود دقت طبقه‌بندی در مناطق تالابی دارد؛ بنابراین این روش برای مطالعات آینده و سایر حوضه‌های تالابی نیز قابل‌اتکا است.
کلیدواژه‌ها
تالاب انزلی؛ تغییرات کاربری اراضی؛ نقشه‌بردار زاویه طیفی؛ نمونه‌های آموزشی متغیر؛ یادگیری ماشین
مراجع
  1. تجدد، محمدجواد؛ حقیقی خمامی، مریم؛ مدبری، هادی و پناهنده، محمد. (1403). بهینه‌سازی روش‌های طبقه‌بندی داده‌های سنتینل 1 و 2 با ترکیب شاخص‌های طیفی (مطالعه موردی: تالاب انزلی). فصلنامه علوم محیطی، 22(3)، 389-406. doi: 10.48308/envs.2024.1353
  2. حمصی، ملیحه سادات؛ یاراحمدی، داریوش؛ اونق، مجید و شمسی‌پور، علی‌اکبر. (1398). ارزیابی تغییر اقلیم و کاربری زمین و ارائه برنامه پیشنهادی آمایش کم‌کربن در حوضه آبخیز دشت کاشان. پژوهش‌های جغرافیای طبیعی، 51(4)، 613-632. doi: 10.22059/jphgr.2019.267865.1007288
  3. روکی، زهره؛ محمدی، حسین؛ و زندی، رحمان. (1402). نقش تغییرات کاربری اراضی بر شکل‌گیری دمای سطح زمین در شهرها مطالعه موردی: شهر اصفهان. پژوهش‌های جغرافیای طبیعی، 55(3)، 1-17. doi: 10.22059/jphgr.2023.361681.1007779
  4. شاکری، رضا؛ شایسته، کامران؛ و قربانی، مهدی. (1398). ارزیابی و پیش‌بینی روند تغییرات مکانی کاربری زمین در حوزه تالاب انزلی با استفاده از مدل LCM. نشریه سنجش‌ازدور و GIS ایران، 11(2)، 93-114. doi: 10.52547/gisj.11.2.93
  5. فاضل دهکردی، لیلا؛ آذرنیوند، حسین؛ زارع چاهوکی، محمدعلی؛ محمودی کهن، فرهاد؛ و خلیقی سیگارودی، شهرام. (1395). پایش خشک‌سالی با استفاده از شاخص پوشش گیاهی NDVI (مطالعه موردی: مراتع استان ایلام). نشریه مرتع و آبخیزداری، 69(1)، 141-154. doi: 10.22059/jrwm.2016.61739
  6. فیروزی، فاطمه؛ طاوسی، تقی؛ و محمودی، پیمان. (1398). بررسی حساسیت دو شاخص پوشش گیاهی NDVI و EVI به خشک‌سالی‌ها و ترسالی‌ها در مناطق خشک و نیمه‌خشک؛ مطالعه موردی: دشت سیستان ایران. اطلاعات جغرافیایی سپهر، 28(110)، 163-179. doi: 10.22131/sepehr.2019.36621
  7. محمدی، پروا؛ ابراهیمی، کیومرث؛ و بذرافشان، جواد. بررسی تغییرات کاربری اراضی حوزه آبخیز گرگانرود با استفاده از پلتفرم گوگل ارث انجین. مجله علوم و مهندسی آبخیزداری ایران، ۱۷ (۶۰)، ۱۱-۱۹. http://dorl.net/dor/20.1001.1.20089554.1402.17.60.1.3
 

  1. Allahyari MS, Marzban S, Gonzalez-Ollauri A, et al. (2024). Unlocking the power of public awareness: paving the way for sustainable wetland management in Anzali, Iran. Frontiers in environmental science, 11. https://doi.org/10.3389/fenvs.2023.1277154
  2. Aziz, G., Minallah, N., Saeed, A., Frnda, J., & Khan, W. (2024). Remote sensing-based forest cover classification using machine learning. Scientific Reports, 14(1), 69. https://doi.org/10.1038/s41598-023-50863-1
  3. Benzougagh, B., Gajbhiye Meshram, S., El Fellah, B., Mastere, M., El Basri, M., Ouchen, I., Sadkaoui, D., Bammou, Y., Moutaoikil, N., & Turyasingura, B. (2023). Mapping of land degradation using spectral angle mapper approach (SAM): the case of Inaouene watershed (Northeast Morocco). Modeling Earth Systems and Environment. 10, 221–231. https://doi.org/10.1007/s40808-023-01711-8
  4. Berkessa, Y. W., Bulto, T. W., Moisa, M. B., Gurmessa, M. M., Werku, B. C., Juta, G. Y., Gemeda, D. O., & Negash, D. A. (2023). Impacts of urban land use and land cover change on wetland dynamics in Jimma city, southwestern Ethiopia. Journal of Water and Climate Change, 14(7), 2397–2415. https://doi.org/10.2166/wcc.2023.102
  5. Berlanga-Robles, C. A., & Ruiz-Luna, A. (2020). Assessing seasonal and long-term mangrove canopy variations in Sinaloa, northwest Mexico, based on time series of enhanced vegetation index (EVI) data. Wetlands Ecology and Management, 28(2), 229–249. https://doi.org/10.1007/s11273-020-09709-0
  6. Berra, E. F., Fontana, D. C., Yin, F., & Breunig, F. M. (2024). Harmonized Landsat and Sentinel-2 Data with Google Earth Engine. Remote Sensing, 16(15), 2695–2695. https://doi.org/10.3390/rs16152695
  7. Chen, F., Chen, X., Van, T., Roberts, D. A., Jiang, H., & Xu, W. (2020). Open water detection in urban environments using high spatial resolution remote sensing imagery. Remote Sensing of Environment, 242, 111706–111706. https://doi.org/10.1016/j.rse.2020.111706
  8. Chen, Q., Zhong, C., Jing, C., Li, Y., Cao, B., & Cheng, Q. (2021). Rapid Mapping and Annual Dynamic Evaluation of Quality of Urban Green Spaces on Google Earth Engine. ISPRS International Journal of Geo-Information, 10(10), 670–670. https://doi.org/10.3390/ijgi10100670
  9. Chundu, M. L., Banda, K., Lyoba, C., Tembo, G., Sichingabula, H. M., & Nyambe, I. A. (2024). Modeling Land Use/Land Cover Changes Using Quad Hybrid Machine Learning Model in Bangweulu Wetland and Surrounding Areas, Zambia. Environmental Challenges, 100866–100876. https://doi.org/10.1016/j.envc.2024.100866
  10. Congalton, RG. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35–46. https://doi.org/10.1016/0034-4257(91)90048-b
  11. Fazel Dehkordi, L., Azarnivand, H., Zare Chahouki, M. A., Mahmoudi Kohan, F., & Khalighi Sigaroudi, S. (2016). Drought Monitoring Using Vegetation Index (NDVI) (Case study: Rangelands of Ilam Province). Journal of Range and Watershed Managment, 69(1), 141-154. doi: 10.22059/jrwm.2016.61739 [In Persian].
  12. Firouzi, F., Tavosi, T., & Mahmoudi, P. (2019). Investigating the sensitivity of NDVI and EVI vegetation indices to dry and wet years in arid and semi-arid regions (Case study: Sistan plain, Iran). Scientific- Research Quarterly of Geographical Data (SEPEHR), 28(110), 163-179. doi: 10.22131/sepehr.2019.36621 [In Persian].
  13. Ghorbanian, A., Kakooei, M., Amani, M., Mahdavi, S., Mohammadzadeh, A., & Hasanlou, M. (2020). Improved land cover map of Iran using Sentinel imagery within Google Earth Engine and a novel automatic workflow for land cover classification using migrated training samples. ISPRS Journal of Photogrammetry and Remote Sensing, 167, 276–288. https://doi.org/10.1016/j.isprsjprs.2020.07.013
  14. Hemmesy, M. S., Yarahmadi, D., Ownegh, M. & Shamsipour, A. A. (2019). Evaluation of Landuse Changes with Emphasis on Green Land Use Planning in Kashan Plain Watershed. Physical Geography Research, 51(4), 613-632. doi: 10.22059/jphgr.2019.267865.1007288 [In Persian].
  15. Huang, H., Wang, J., Liu, C., Liang, L., Li, C., & Gong, P. (2020). The migration of training samples towards dynamic global land cover mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 161, 27–36. https://doi.org/10.1016/j.isprsjprs.2020.01.010
  16. Jamal, S., & Ahmad, W. S. (2020). Assessing land use land cover dynamics of wetland ecosystems using Landsat satellite data. SN Applied Sciences, 2(11). https://doi.org/10.1007/s42452-020-03685-z
  17. Mahdian, M., Hosseinzadeh, M., Siadatmousavi, SM., et al. (2023). Modelling impacts of climate change and anthropogenic activities on inflows and sediment loads of wetlands: case study of the Anzali Wetland. scientific reports, 13, 5399. https://doi.org/10.1038/s41598-023-32343-8
  18. Mitsch, W. J., & Gosselink, J. G. (2015). Wetlands. edition5. Publisher: Wiley.
  19. Mohammadi, P., Ebrahimi, K., & Bazrafshan, J. (2023). Investigation of land use changes in Gorganrood catchment using Google Earth Engine platform. Iranian Journal of Watershed Management Science and Engineering, 17 (60), 2. http://dorl.net/dor/20.1001.1.20089554.1402.17.60.1.3 [In Persian].
  20. Mulatu, K., Hundera, K., & Senbeta, F. (2024). Analysis of land use/ land cover changes and landscape fragmentation in the Baro-Akobo Basin, Southwestern Ethiopia. Heliyon, 10(7), e28378. https://doi.org/10.1016/j.heliyon.2024.e28378
  21. Naderi. M., Saatsaz, M. (2020). Impact of climate change on the hydrology and water salinity in the Anzali Wetland, northern Iran. Hydrological Sciences Journal, 65, 552–570. https://doi.org/10.1080/02626667.2019.1704761
  22. Rooki, Z., Mohammadi, H. and zandi, R. (2023). The Role of Land Use Changes in Shaping Surface Temperature in Cities: A Case Study of Isfahan". Physical Geography Research, 55(3), 1-17 doi: 10.22059/jphgr.2023.361681.1007779 [In Persian].
  23. Sadeghi Pasvisheh, R., Anne, M., Ho, L. T., & Goethals, P. (2021). Evidence-Based Management of the Anzali Wetland System (Northern Iran) Based on Innovative Monitoring and Modeling Methods. Sustainability, 13(10), 5503–5503. https://doi.org/10.3390/su13105503
  24. Salas, E.A.L., Subburayalu, S.K., Slater, B., Dave, R., Parekh, P., Zhao, K., Bhattacharya, B. (2021). Assessing the effectiveness of ground truth data to capture landscape variability from an agricultural region using Gaussian simulation and geostatistical techniques. Heliyon, 7(7), e07439. https://doi.org/10.1016/j.heliyon.2021.e07439
  25. Shakeri, R., shayesteh, K., & ghorbani, M. (2019). Assessment and prediction of land use changes in the Anzali wetland Basin, Based on Land Change Modeler (LCM). Iranian Journal of Remote Sensing & GIS, 11(2), 93-114. doi: 10.52547/gisj.11.2.93 [In Persian].
  26. Sharma, M., Bangotra, P., Gautam, A. S., & Gautam, S. (2021). Sensitivity of normalized difference vegetation index (NDVI) to land surface temperature, soil moisture and precipitation over district Gautam Buddh Nagar, UP, India. Stochastic Environmental Research and Risk Assessment, 36, 1779–1789. https://doi.org/10.1007/s00477-021-02066-1
  27. Shimabukuro, Y. E., Arai, E., Gabriel, Hoffmann, T. B., Duarte, V., Martini, P. R., Dutra, A. C., Guilherme, Godinho, L., & Adami, M. (2023). Mapping Land Use and Land Cover Classes in São Paulo State, Southeast of Brazil, Using Landsat-8 OLI Multispectral Data and the Derived Spectral Indices and Fraction Images. Forests, 14(8), 1669–1669. https://doi.org/10.3390/f14081669
  28. Som-ard, J., Immitzer, M., Vuolo, F., Ninsawat, S., & Atzberger, C. (2022). Mapping of crop types in 1989, 1999, 2009 and 2019 to assess major land cover trends of the Udon Thani Province, Thailand. Computers and Electronics in Agriculture, 198, 107083. https://doi.org/10.1016/j.compag.2022.107083
  29. Tajadod, M. J., Haghighi Khomami, M., Modaberi, H., & Panahandeh, M. (2024). Integrating Sentinel 1 and 2 Satellite Data with Spectral Indices to Improve Classification Methods (Anzali Wetland). Environmental Sciences, 22(3), 389-406. doi: 10.48308/envs.2024.1353 [In Persian].
  30. Tarrio, K., Tang, X., Masek, J. G., Claverie, M., Ju, J., Qiu, S., Zhu, Z., & Woodcock, C. E. (2020). Comparison of cloud detection algorithms for Sentinel-2 imagery. Science of Remote Sensing, 2, 100010. https://doi.org/10.1016/j.srs.2020.100010
  31. Tonidandel, S., & LeBreton, J. M. (2011). Relative Importance Analysis: A Useful Supplement to Regression Analysis. Journal of Business and Psychology, 26(1), 1–9. https://doi.org/10.1007/s10869-010-9204-3
  32. Xie, H., Sun, Q., & Song, W. (2024). Exploring the Ecological Effects of Rural Land Use Changes: A Bibliometric Overview. Land, 13(3), 303–303. https://doi.org/10.3390/land13030303
  33. Xiong, Y., Mo, S., Wu, H., Qu, X., Liu, Y., & Zhou, L. (2023). Influence of human activities and climate change on wetland landscape pattern—A review. Science of the Total Environment, 879, 163112. https://doi.org/10.1016/j.scitotenv.2023.163112
آمار
تعداد مشاهده مقاله: 276
تعداد دریافت فایل اصل مقاله: 93





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب