بررسی تغییرات زمانی و مکانی کاربری اراضی با استفاده از سنجش از دور، مطالعه موردی: مراتع جیرانسو، خراسان شمالی
الموضوعات :
محبت نداف
1
,
رضا امیدی پور
2
,
حسین سبحانی
3
1 - گروه زیست شناسی دانشگاه پیام نور تهران ایران
2 - گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران
3 - کارشناسی ارشد منابع طبیعی، شهرستان آشخانه، خراسان، ایران
الکلمات المفتاحية: ماهواره¬ی لندست, تخریب منابع طبیعی, یادگیری ماشینی, طبقه¬بندی شیءگرا, مراتع جیرانسو,
ملخص المقالة :
اطلاع از روند تغییرات و همچنین مدیریت صحیح کاربری¬های اراضی در اکوسیستم های طبیعی اهمیت بالایی در حفاظت از منابع طبیعی دارد. در این راستا، استفاده از سنجش از دور به دلیل فراهم کردن اطلاعات مکانی و زمانی گسترده به یک رویه مرسوم تبدیل شده است. در تحقیق حاضر به منظور تهیه نقشه کاربری اراضی، ابتدا دقت سه روش مرسوم پیکسل پایه (حداکثر احتمال)، یادگیری ماشینی (ماشین بردار پشتیبان) و شیءگرا با یکدیگر مقایسه شدند. سپس روند تغییرات زمانی و مکانی کاربری های اراضی در یک دوره 26 ساله (1997-2023) با استفاده از شش تصویر ماهواره های لندست انجام شد. ارزیابی دقت طبقه بندی با استفاده از شاخص های ضریب کاپا و صحت کلی و ارزیابی روند تغییرات با استفاده از روش ارزیابی متقاطع و ارزیابی مکانی صورت گرفت. بر اساس نتایج، روش ماشین بردار پشتیبان دارای بالاترین ضریب کاپا (71/0 تا 98/0) و صحت کلی (86 تا 99 درصد) برای دوره¬های مورد مطالعه بود. بر اساس نتایج، مراتع با وضعیت فقیر دارای روند کلی کاهشی و کاربری¬های مراتع خیلی فقیر، اراضی بدون پوشش و زراعت دیم دارای روندهای افزایشی بودند. مساحت اراضی مرتعی فقیر از 962 هکتار (36/44 درصد) در سال 1997 به 489 هکتار (57/22 درصد) در سال 2023 کاهش یافتند، در حالی که مراتع خیلی فقیر در مدت مشابه از 1138 هکتار (48/52 درصد) به 1606 هکتار (05/74 درصد) افزایش داشته است. نتایج این تحقیق نشان داد که روند تغیرات کاربری اراضی در مرتع جیرانسو به سمت تخریب مراتع بوده و با گذشت زمان این روند در حال تشدید شدن است. همچنین، بر اساس نتایج بدست آمده از این تحقیق پیشنهاد می شود در تحقیقات آتی از روش های طبقه بندی مبتنی بر یادگیری ماشینی برای تهیه نقشه کاربری اراضی استفاده شود.
امیدی¬پور، ر.، مرادی، ح. ر.، آرخی، ص. (1392). مقایسه روش های طبقه¬بندی پیسکل پایه و شیءگرا در تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره¬ای. مجله سنجش از دور و GIS ایران، 5(3): 110-99.
رضایی، مجتبی، امیدی پور، رضا، رضایی، اشکان، نداف، محبت. (1401). مقایسه تاثیر تغییرات روند کاربری اراضی و بارش بر دبی سالانه (مطالعه موردی حوزه آبخیز کیار) .مدیریت جامع حوزه های آبخیز. 2(2): 74-62.
زارع گاریزی، آ، بردی شیخ، و، سعدالدینی، آ، سلمان ماهینی، ع، (1391). شبیه‌سازی مکانی-زمانی تغییرات گستره جنگل در آبخیز چهل چای استان گلستان با استفاده از مدل تلفیقی سلو‌‌ل‌های خودکار و زنجیره مارکوف، فصلنامه علمی-پژوهشی تحقیقات جنگل و صنوبر ایران، 20(2)، 273-285.
فتاحي، م، (1373). بررسي جنگل‌هاي بلوط زاگرس و مهمترين عوامل تخريب آن. موسسه تحقيقات جنگلها و مراتع، چاپ اول، 63 صفحه.
محمودزاده، ح.، مسعودي،ح. (1398). تحليلي بر تغييرات ساختاري سيماي سرزمين کلانشهر تبريز با استفاده از مباني اکولوژي سيماي سرزمين و با تأکيد بر مفهوم پيوستگي،آمايش سرزمين، 21: 204-179.
Asad, M. H., & Bais, A. (2020). Weed detection in canola fields using maximum likelihood classification and deep convolutional neural network. Information Processing in Agriculture, 7(4), 535-545.
Cavender-Bares, J., Gamon, J. A., & Townsend, P. A. (2020). Remote sensing of plant biodiversity. Springer Nature. 581 P.
Choate, M., Rengarajan, R., Micijevic, E., & Lubke, M. (2021, August). Comparing geometric differences between Landsat Collection 1 to Collection 2 level-1 products. In Earth Observing Systems XXVI. (11829), 114-124.
Dhingra, S., & Kumar, D. (2019). A review of remotely sensed satellite image classification. International Journal of Electrical and Computer Engineering, 9(3), 1720.
Ge, W., Deng, L., Wang, F., & Han, J. (2021). Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016. Science of the Total Environment, 773, 145648.
Ha, N. T., Manley-Harris, M., Pham, T. D., & Hawes, I. (2020). A comparative assessment of ensemble-based machine learning and maximum likelihood methods for mapping seagrass using sentinel-2 imagery in Tauranga Harbor, New Zealand. Remote Sensing, 12(3), 355.
Jin, B., Ye, P., Zhang, X., Song, W., & Li, S. (2019). Object-oriented method combined with deep convolutional neural networks for land-use-type classification of remote sensing images. Journal of the Indian Society of Remote Sensing, 47, 951-965.
Jin, B., Ye, P., Zhang, X., Song, W., & Li, S. (2019). Object-oriented method combined with deep convolutional neural networks for land-use-type classification of remote sensing images. Journal of the Indian Society of Remote Sensing, 47, 951-965.
Jozdani, S. E., Johnson, B. A., & Chen, D. (2019). Comparing deep neural networks, ensemble classifiers, and support vector machine algorithms for object-based urban land use/land cover classification. Remote Sensing, 11(14), 1713.
Kaur, S., Bansal, R. K., Mittal, M., Goyal, L. M., Kaur, I., Verma, A., & Son, L. H. (2019). Mixed pixel decomposition based on extended fuzzy clustering for single spectral value remote sensing images. Journal of the Indian Society of Remote Sensing, 47(3), 427-437.
Kumar, N., Yamaç, S. S., & Velmurugan, A. (2015). Applications of remote sensing and GIS in natural resource management. Journal of the Andaman Science Association, 20(1), 1-6.
Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X., & Zhang, C. (2020). A review of remote sensing for environmental monitoring in China. Remote Sensing, 12(7), 1130.
Liu, H., Xu, H., Wu, Y., Ai, Z., Zhang, J., Liu, G., & Xue, S. (2021). Effects of natural vegetation restoration on dissolved organic matter (DOM) biodegradability and its temperature sensitivity. Water Research, 191, 116792.
Lohse, J., Doulgeris, A. P., & Dierking, W. (2019). An optimal decision-tree design strategy and its application to sea ice classification from SAR imagery. Remote Sensing, 11(13), 1574.
Long, H., & Qu, Y. (2018). Land use transitions and land management: A mutual feedback perspective. Land use policy, 74, 111-120.
Luo, L., Ma, W., Zhuang, Y., Zhang, Y., Yi, S., Xu, J., Long, Y., Ma, D. and Zhang, Z. (2018). The impacts of climate change and human activities on alpine vegetation and permafrost in the Qinghai-Tibet Engineering Corridor. Ecological Indicators, 93, 24-35.
Marsett, R.C., Qi, J., Heilman, P., Biedenbender, S.H., Watson, M.C., Amer, S., Weltz, M., Goodrich, D. & Marsett, R. (2006). Remote sensing for grassland management in the arid southwest. Rangeland Ecology & Management, 59(5), 530-540.
Martins, V. S., Kaleita, A. L., Gelder, B. K., da Silveira, H. L., & Abe, C. A. (2020). Exploring multiscale object-based convolutional neural network (multi-OCNN) for remote sensing image classification at high spatial resolution. ISPRS Journal of Photogrammetry and Remote Sensing, 168, 56-73.
Myers‐Smith, I.H., Grabowski, M.M., Thomas, H.J., Angers‐Blondin, S., Daskalova, G.N., Bjorkman, A.D., Cunliffe, A.M., Assmann, J.J., Boyle, J.S., McLeod, E. & McLeod, S. (2019). Eighteen years of ecological monitoring reveals multiple lines of evidence for tundra vegetation change. Ecological Monographs, 89(2), e01351.
Ramezan, C. A., Warner, T. A., Maxwell, A. E., & Price, B. S. (2021). Effects of training set size on supervised machine-learning land-cover classification of large-area high-resolution remotely sensed data. Remote Sensing, 13(3), 368.
Richards, J. A., & Richards, J. A. (2022). Supervised classification techniques. Remote sensing digital image analysis, 263-367.
Rimal, B., Rijal, S., & Kunwar, R. (2020). Comparing support vector machines and maximum likelihood classifiers for mapping of urbanization. Journal of the Indian Society of Remote Sensing, 48, 71-79.
Schnebele, E., Tanyu, B. F., Cervone, G., & Waters, N. J. E. T. R. R. (2015). Review of remote sensing methodologies for pavement management and assessment. European Transport Research Review, 7(2), 1-19.
Senekane, M. (2019). Differentially private image classification using support vector machine and differential privacy. Machine Learning and Knowledge Extraction, 1(1), 483-491.
Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308-6325.
Sisodia, P. S., Tiwari, V., & Kumar, A. (2014). Analysis of supervised maximum likelihood classification for remote sensing image. In International conference on recent advances and innovations in engineering (ICRAIE-2014) (1-4). IEEE.
Smith, P., House, J.I., Bustamante, M., Sobocká, J., Harper, R., Pan, G., West, P.C., Clark, J.M., Adhya, T., Rumpel, C. & Paustian, K. (2016). Global change pressures on soils from land use and management. Global change biology, 22(3), 1008-1028.
Sun, L., Li, H., Wang, J., Chen, Y., Xiong, N., Wang, Z., Wang, J. & Xu, J. (2023). Impacts of Climate Change and Human Activities on NDVI in the Qinghai-Tibet Plateau. Remote Sensing, 15(3), 587.
Sun, X., Liu, L., Li, C., Yin, J., Zhao, J., & Si, W. (2019). Classification for remote sensing data with improved CNN-SVM method. Ieee Access, 7, 164507-164516.
Verbyla, D. L. (2022). Satellite remote sensing of natural resources. CRC Press.
Weiskopf, S.R., Rubenstein, M.A., Crozier, L.G., Gaichas, S., Griffis, R., Halofsky, J.E., Hyde, K.J., Morelli, T.L., Morisette, J.T., Muñoz, R.C. & Pershing, A.J. (2020). Climate change effects on biodiversity, ecosystems, ecosystem services, and natural resource management in the United States. Science of the Total Environment, 733, 137782.
Wood, C.M., Smart, S.M., Bunce, R.G., Norton, L.R., Maskell, L.C., Howard, D.C., Scott, W.A. & Henrys, P.A. (2017). Long-term vegetation monitoring in Great Britain–the Countryside Survey 1978–2007 and beyond. Earth System Science Data, 9(2), 445-459.
Yang, J., Weisberg, P. J., & Bristow, N. A. (2012). Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: Comparison of vegetation indices and spectral mixture analysis. Remote sensing of environment, 119, 62-71.
Zhang, C., Yue, P., Tapete, D., Shangguan, B., Wang, M., & Wu, Z. (2020). A multi-level context-guided classification method with object-based convolutional neural network for land cover classification using very high-resolution remote sensing images. International Journal of Applied Earth Observation and Geoinformation, 88, 102086.
Zhou, L., Tian, Y., Myneni, R.B., Ciais, P., Saatchi, S., Liu, Y.Y., Piao, S., Chen, H., Vermote, E.F., Song, C. & Hwang, T. (2014). Widespread decline of Congo rainforest greenness in the past decade. Nature, 509(7498), pp.86-90.
Zhu, L., Huang, L., Fan, L., Huang, J., Huang, F., Chen, J., Zhang, Z. and Wang, Y., 2020. Landslide susceptibility prediction modeling based on remote sensing and a novel deep learning algorithm of a cascade-parallel recurrent neural network. Sensors, 20(6), 1576.
پژوهش و فناوری محیط‌زیست، 1402،(14)8، 131-146
| |||
بررسی تغییرات زمانی و مکانی کاربری اراضی با استفاده از سنجش از دور، مطالعه موردی: مراتع جیرانسو، خراسان شمالی
|
| ||
1- گروه زیست شناسی، دانشگاه پیام نور، تهران، ایران 2- گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه ایلام 3- کارشناسی ارشد منابع طبیعی، شهرستان آشخانه، خراسان شمالی | ||
چکیده | اطلاعات مقاله | |
اطلاع از روند تغییرات و همچنین مدیریت صحیح کاربریهای اراضی در اکوسیستمهای طبیعی اهمیت بالایی در حفاظت از منابع طبیعی دارد. در این راستا، استفاده از سنجش از دور به دلیل فراهم کردن اطلاعات مکانی و زمانی گسترده به یک رویه مرسوم تبدیل شده است. در تحقیق حاضر به منظور تهیه نقشه کاربری اراضی، ابتدا دقت سه روش مرسوم پیکسل پایه (حداکثر احتمال)، یادگیری ماشینی (ماشین بردار پشتیبان) و شیءگرا با یکدیگر مقایسه شدند. سپس روند تغییرات زمانی و مکانی کاربریهای اراضی در یک دوره 26 ساله (1997-2023) با استفاده از شش تصویر ماهوارهای لندست انجام شد. ارزیابی دقت طبقهبندی با استفاده از شاخصهای ضریب کاپا و صحت کلی و ارزیابی روند تغییرات با استفاده از روش ارزیابی متقاطع و ارزیابی مکانی صورت گرفت. بر اساس نتایج، روش ماشین بردار پشتیبان دارای بالاترین ضریب کاپا (71/0 تا 98/0) و صحت کلی (86 تا 99 درصد) برای دورههای مورد مطالعه بود. بر اساس نتایج، مراتع با وضعیت فقیر دارای روند کلی کاهشی و کاربریهای مراتع خیلی فقیر، اراضی بدون پوشش و زراعت دیم دارای روندهای افزایشی بودند. مساحت اراضی مرتعی فقیر از 962 هکتار (36/44 درصد) در سال 1997 به 489 هکتار (57/22 درصد) در سال 2023 کاهش یافتند، در حالی که مراتع خیلی فقیر در مدت مشابه از 1138 هکتار (48/52 درصد) به 1606 هکتار (05/74 درصد) افزایش داشته است. نتایج این تحقیق نشان داد که روند تغیرات کاربری اراضی در مرتع جیرانسو به سمت تخریب مراتع بوده و با گذشت زمان این روند در حال تشدید شدن است. همچنین، بر اساس نتایج بدست آمده از این تحقیق پیشنهاد میشود در تحقیقات آتی از روشهای طبقهبندی مبتنی بر یادگیری ماشینی برای تهیه نقشه کاربری اراضی استفاده شود. |
نوع مقاله: پژوهشی تاریخ دریافت: 24/05/1402 تاریخ پذیرش: 02/12/1402 دسترسی آنلاین: 18/01/1403
كليد واژه‌ها: ماهوارهی لندست، تخریب منابع طبیعی، یادگیری ماشینی، طبقهبندی شیءگرا، مراتع جیرانسو | |
| ||
[1] *پست الکترونیکی نویسنده مسئول: m_nadaf@pnu.ac.ir
Journal of Environmental Research and Technology, 8(14)2023. 131-146
|
Assessment of Spatial and temporal changes in land use using remote sensing (case study: Jayransoo rangeland, North Khorasan)
Mohabbate Nadaf1*, Reza Omidipour2, Hossein Sobhani331 1- Department of Biology, Payam Noor University, Tehran, Iran 2- Department of Rangeland and Watershed Management, Faculty of Agriculture, Ilam University, Ilam, Iran 3- M.Sc. in Natural Resources, Ashkhane county, North Khorasan, Iran | |||
Article Info | Abstract | ||
Article type: Research Article
Keywords: Landsat satellite, Destruction of natural resources, Machine learning, Object-oriented classification, Jayransoo rangeland | Awareness of changes process, as well as the proper management of land use in natural ecosystems, is of great importance in conservation natural resources. In this regard, the use of remote sensing has become a common approach due to the provision an extent spatial and temporal information. In this research, in order to land use mapping, first, the accuracy of three common methods of pixel-based (maximum likelihood), machine learning (support vector machine) and object-oriented methods were compared. Then, the spatial and temporal changes of land use in a period of 26 years (1997-2023) assessed using six Landsat satellite imagery. The accuracy of image classification methods was evaluated using Kappa coefficient and overall accuracy indices and the change trend was evaluated using crosstab and spatial evaluation methods. Based on the results, the support vector machine method had the highest kappa coefficient (0.71 to 0.98) and overall accuracy (86 to 99%) for all studied courses. According to the results, poor rangeland had a decreasing trend, and the land uses of very poor rangeland, bare soil, and rainfed agriculture had increasing trends. The area of poor rangeland decreased from 962 hectares (44.36%) in 1997 to 489 hectares (22.57%) in 2023, while very poor rangeland increased from 1138 hectares (52.48%) to 1606 hectares (74.05 percent) in the same period. The results of this research indicated that the trend of land use changes in Jayransoo rangeland is towards the destruction of rangelands and with the passage of time this trend is intensifying. Also, based on the results obtained from this research, it is suggested to use machine learning based classification method to prepare land use mapping in future research. | ||
| |||
[1] * Corresponding author E-mail address: m_nadaf@pnu.ac.ir
مقدمه
تغییرات اقلیمی و فعالیت‌های انسانی، تأثیر مستقیمی روی نوع و سطح کاربریهای مختلف از قبیل مراتع دارند (لئو و همکاران1، 2018). برای مثال، تغییرات میزان بارندگی و افزایش دما باعث تغییرات قابل توجهی در منابع آب و خاک و تعادل محیط زیست میشود. در سالهای اخیر، تغییرات اقلیمی، بهویژه گرمایش زمین، رویدادهای مکرری مانند سیل، افزایش دما و خشکسالی را ایجاد کرده است که میتواند به بوم سامانههای زمینی آسیب برساند (ژو و همکاران2، 2014). از طرف دیگر، فعالیت‌های انسانی مانند افزایش جمعیت و تغییرات کاربری اراضی که شرایط پایدار زمین را تغییر میدهند نیز باعث تخریب اراضی و پوشش می‌شوند (سان و همکاران3، 2023). پوشش گیاهی در مناطق خشک و نیمهخشک به دلیل حفاظت از تنوع زیستی، ترسیب کربن و چرای دام از اهمیت بالایی برخوردار است و منبع اصلی تأمین غذا (مستقیم و غیر مستقیم) برای سایر جانداران است (یانگ و همکاران4، 2012). با توجه به نقش تعیین کننده پوشش گیاهی و مراتع در تبادل انرژی و گردش آب، مدیریت دقیق و اصولی این عرصهها بسیار حائز اهمیت است و مدیریت اصولی و کارآمد مراتع، اطلاعات جامع و دقیقی را در سطوح مختلف میطلبد (امیدیپور و همکاران، 1392).
بررسی روند تغییرات در دورههای چندین ساله نیز نیازمند جمعآوری دادههای زمینی است. به دلیل وسعت منطقه و مشکل دسترسی، انجام مطالعات و نظارت زمینی در سیمای سرزمین سخت و گاهی غیرممکن است و از طرفی چنین داده‌هايی نیز درکشور ما وجود ندارد (رضایی و همکاران، 1401). لذا استفاده از علم سنجش از دور و تصاویر ماهوارهای در این مطالعات تسهیل کننده است و استفاده ازسری زمانی تصاوير ماهوارهای، راهی مناسب برای يافتن روند تغییرات پديدههای طبیعی و انسانی و پیشبینی برای آینده است. در سالهای اخیر مسئله تخریب عرصههای منابع طبیعی به‌عنوان یک بحران زیست محیطی یکی از مباحث مهم است (برهانی و همکاران، 1402). در ایران، مراتع دارای جایگاه ویژه‌ای در توسعه اقتصادی بوده و تضمین‌کننده بقاء و پایداری آب‌وخاک کشور می‌باشند (فتاحي، 1373). این عرصهها از دیرباز محل زندگی ساکنین و عشایر و در معرض آسیب‌های فراوانی بوده‌اند که موجب محو جنگلها و مراتع در بخش‌هایی از آن گردیده است. در نتیجه مدیریت و برنامه‌ریزی این کاربریهای طبیعی با مشکلات فراوانی همراه است. بنابراین در برنامه‌ریزی و مدیریت بهینه منابع طبیعی و محیط‌زیست آگاهی از نسبت تغییرات پوشش گیاهی و کاربری اراضی و عوامل ایجادکننده آن از ضروریات محسوب میشود (زارعگاریزی و همکاران، 1391).
يکي از مهمترين مناسبترین راهها براي حفظ و مديريت کاربری اراضی، داشتن اطلاعات در مورد وضعيت کمي آنهاست (لانگ و کیو5، 2018). به عبارت دیگر، از مهمترين مشکلات در برنامهريزي اقتصادي، مطالعات محيطي و مديريت منابع طبیعی عدم در دسترس بودن اطلاعات صحيح و بههنگام ميباشد (اسمیت و همکاران6، 2016). داشتن اطلاعات و پایش عرصههای منابع طبیعی مهمترين عوامل در ارزيابي صحیح و اتخاذ تصمیمات مدیریتی صحیح ميباشد. اين اطلاعات براي تجديد حيات، نگهداري، مديريت و بهرهبرداري از منابع طبیعی بسيار مفيد هستند. اين اطلاعات در ايران با استفاده از روش سنتي و عمليات ميداني گرد آوري ميشود اما به دليل هزينه بالا، وقتگير بودن و عدم دسترسي به تمام عرصهها، در سطح وسيع چندان مقرون به صرفه نيست (اسچنبل و همکاران7، 2015). اين محدوديتها بکارگيري روشهاي جايگزين را بطور جدي مطرح ميکند.
يکي از بهترين راهکارها براي کسب اين اطلاعات با نتايج قابل قبول استفاده از دادههاي ماهوارهاي ميباشد که به علت قدرت تفکیک مناسب، سهولت در پردازش و قابلیت تکرار زياد، ميتواند فرصت مناسبی را براي جمعآوري اطلاعات در مورد جنگلها و مراتع ارائه کند. اطلاعات ماهوارهاي و ابزارهای سنجش از دور از جمله مهمترین و دقیقترین ابزارهای کاربردی برای پایش تغییرات کاربری اراضی در مقیاس مکانی و زمانی هستند (کومار و همکاران8، 2015؛ لی و همکاران9، 2020؛ وربیلا10، 2022). هرچند استفاده از روشهای مختلف از قبیل روشهای مختلف طبقهبندی و تهیه نقشه کاربری اراضی به عنوان یک چالش بین محققین باقی مانده است (کاوندر-بارز و همکاران11، 2020). به عنوان مثال، در بین روشهای نظارت شده مبتنی بر پیکسل، عمده محققین بر کارای روش حداکثر احتمال تاکید دارند (سیسودا و همکاران12، 2014؛ اسد و بایس13، 2020). حال آنکه گروهی دیگر، کارائی روشهای از قبیل شبکه عصب مصنوعی (ژو و همکاران14، 2020)، روشهای فازی (کائور و همکاران15، 2019) روشهای مبتنی بر درخت تصمیم (لوهس و همکاران16، 2019) را بیشتر از روش حداکثر احتمال میدانند. از سوی دیگر، استفاده از روشهای از قبیل طبقهبندی شیءگرا نیز دارای دقت بالایی عنوان شده است (رضایی و همکاران، 1401). برای مثال، امیدیپور و همکاران (1392) نشان دادند که روش طبقهبندی شیءگرا در مقایسه با روشهای پیکسل پایه از دقت بالاتری برخوردار است. در نهایت، در سالهای اخیر با گسترده شدن رویکرد استفاده از روشهای یادگیری ماشینی و ورود آنها به عنوان روشهای طبقهبندی (ریمال و همکاران17، 2020؛ ها و همکاران18، 2020) تحولات شگرفی در بهبود کیفیت و دقت طبقهبندی تصاویر ماهوارهای اتفاق افتاده است. به همین دلیل در تحقیق حاضر، سه رویکرد مختلف طبقهبندی تصاویر ماهوارهای شامل روشهای پیکسل پایه، شیءگرا و نیز رویکرد جدید مبتنی بر یادگیری ماشینی در استان خراسان شمالی مورد مورد مقایسه قرار گرفتهاند. پس از تعیین بهترین روش، روند بلند مدت تغییرات کاربریهای اراضی نیز مورد مطالعه قرار گرفته است. نتایج این تحقیق اطلاعات مناسبی را برای مدیران منابع طبیعی برای مدیریت صحیح و به هنگام منابع طبیعی فراهم میکند.
مواد و روشها
منطقه مورد مطالعه در این تحقیق، مرتع قشلاقی جیرانسو در شهرستان مانه و سملقان، در استان خراسان شمالی واقع‌شده است و مساحتی برابر با 2168 هکتار دارد (شکل 1). این مرتع در فاصله 100 کیلومتری شمال غربی، مرکز بخش (شهر آشخانه) قرارگرفته است. این منطقه در عرض جغرافیایی 56 درجه و 8 دقیقه تا 56 درجه و 13 دقیقه و همچنین طول جغرافیایی 37 درجه و 38 دقیقه تا 37 درجه و 42 دقیقه قرار دارد. میزان بارندگی سالانه ثبت شده در آن برابر با 7/201 میلیمتر در سال است. بررسی پراکنش ماهانه بارش در سامان قشلاقی جیرانسو نشان میدهد که بیشترین میزان بارندگی در فروردین ماه و کمترین بارندگی در تیر ماه اتفاق میافتد. بارندگیهای منطقه مورد مطالعه از اواخر آذر ماه شروع شده و تا اواخر اردیبهشت ماه ادامه دارد. بر اساس اطلاعات هواشناسی بدست آمده از ایستگاه جیرانسو، گرم‌ترین ماه سال تیر و مردادماه بوده و سردترین ماه سال دی و بهمن‌ماه است. دمای متوسط سالانه مرتع قشلاقی جیرانسو 02/16 درجه سانتی‌گراد است. بر اساس اقلیمنمای آمبروژه اقلیم منطقه از نوع خشک سرد و بر اساس اقیلمنمای دومارتن، اقلیم منطقه از نوع خشک سرد است (منابع طبیعی و آبخیزداری استان خراسان شمالی، 1388).
شکل (1) موقعیت منطقه جیرانسو در استان خراسان شمالی (منبع: نگارندگان)
تهیه تصاویر ماهوارهای
در تحقیق حاضر، تصاویر ماهوارهای یک دوره زمانی 26 ساله (2023-1997) از سنجدههای مختلف ماهوارهی لندست (جدول 1) با استفاده از سایت زمینشناسی ایلات متحده (USGS) تهیه شدند. با در نظر گرفتن نیازمندی تصاویر ماهوارهای به انجام تصحیحات هندسی و اتمسفریک، در این تحقیق از تصاویر فراهم شده با مجموعه دو (Collection 2) و سطح دو (Level 2) که دارای همه تصحیحات لازم هستند، استفاده شد (چوات و همکاران19، 2021).
جدول (1) اطلاعات تصاویر ماهوارهای مورد استفاده
ماهواره | سنجنده | تاریخ تصویر | قدرت تفکیک مکانی (متر) | ابرناکی (درصد) | خطای هندسی (متر) |
لندست 5 | TM | 17/5/1997 | 30 | 3 | -* |
لندست 5 | TM | 24/5/2002 | 30 | 6 | 47/4 |
لندست 5 | TM | 24/5/2008 | 30 | 2/1 | 35/4 |
لندست 8 | OLI | 20/5/2013 | 30 | 17/0 | 29/5 |
لندست 8 | OLI | 20/5/2018 | 30 | 15/0 | 13/5 |
لندست 9 | OLI-2 | 26/5/2023 | 30 | 21/0 | 68/4 |
*میزان خطای هندسی برای این سال در فایل اطلاعات پایه (Metadata) تصویر ارائه نشده است.
طبقهبندی تصاویر ماهوارهای
طبقهبندی پیکسل پایه، گروههای از روشهای طبقهبندی دارای نظارت هستند که فرآیند طبقهبندی بر اساس نمونههای آموزشی اولیه (معرفیشده توسط کاربر) انجام میشود. در این روش طبقهبندی بر اساس نمونههای آموزشی است که کاربر با امضاهای طیفی به نرم افزار معرفی کرده است. نرم افزار طبقهبندی کننده تصویر ماهوارهای تعیین میکند که هر کلاسی چقدر به دادههای آموزشی شباهت دارد و بر آن اساس طبقهبندی میکنند (امیدیپور و همکاران، 1392). بطور کلی طبقهبندی نظارت شده در سه مرحله انتخاب نقاط آموزشی، تولید فایل امضاء طیفی و طبقهبندی انجام میشود (رمضان و همکاران20، 2021). در بین روشهای مختلف طبقهبندی نظارت شده، روش طبقهبندی حداکثر احتمال مرسومترین روش بوده و در تحقیق حاضر نیز از این روش استفاده شد. برخلاف طبقهبندی پیکسل پایه، روش طبقهبندی شیءگرا مبتنی بر تعیین قطعات همگن و طبقهبندی براساس آنهاست (امیدیپور و همکاران، 1392). به عبارتی، در طبقهبندی شیءگرا، ابتدا تصویر به قطعات همگن تبدیل شده و سپس طبقهبندی تصویر براساس این قطعات همگن انجام میشود (جین و همکاران21، 2019). نتیجه این روش تولید نقشههای کاربری اراضی به مراتب شفافتر و فاقد تک پیکسلها میباشد (امیدیپور و همکاران، 1392). بطور کلی، تصاویر میتوانند براساس بافت، محتوا و شکل هندسی طبقهبندی شوند (جین و همکاران، 2019). در این تحقیق، به منظور تهیه مناطق همگن از چهار متغیر پهنای پنجره (3)، تشابه (10)، فاکتور میانگین وزن (5/0) و فاکتور واریانس وزن (5/0) استفاده شد.
علاوه بر دو روش قبل، در این تحقیق از روش طبقهبندی مبتنی بر یادگیری ماشینی (روش ماشین بردار پشتیبان) استفاده شد. بطور کلی این روش طبقهبندی خوبی را از دادههای پیچیده و زیاد و نیز مناطق دارای نمونههای معرف کم را نیز میتواند دقت بالا طبقهبندی کند (شیخموسی و همکاران22، 2020). روش طبقهبندی ماشین بردار پشتیبان بر اساس نظریه یادگیری آماری بنا نهاده شده و یک روش آماری غیرپارامتریک نظارت شده است و با این فرض عمل میکند که هیچ اطلاعی از چگونگی توزیع مجموعه دادهها وجود ندارد (شیخموسی و همکاران، 2020). در این روش با استفاده از اطلاعات همه باندها و یک الگوریتم بهینهسازی، نمونههایی که مرزهای کلاسها را تشکیل میدهند به دست میآید و با استفاده از آنها یک مرز تصمیمگیری خطی بهینه برای جدا کردن کلاسها محاسبه میشود (سان و همکاران23، 2019). این روش بر پایه چهار نوع کرنل به نام‌های خطی، چندجمله ای، تابع پایه شعاعی و هلالی انجام میشود (سنکانه24، 2019) که در این تحقیق از طبقهبندی ماشین بردار پشتیبان بر پایه کرنل شعاعی استفاده شد.
تهیه نمونه آموزشی و ارزیابی دقت طبقهبندی
بطور کلی، روشهای طبقهبندی تصاویر ماهواره در دو گروه روشهای نظارت شده و روشهای نظارت نشده قرار میگیرند (دینگرا و کومار25، 2019) که روشهای نظارت شده برای انجام نیازمند نمونه آموزشی (نمونه تعلیمی) هستند (امیدیپور و همکاران، 1392). پس از بررسی میدانی، در منطقه مورد بررسی سه نوع کاربری اراضی شامل اراضی مرتعی (در دو کلاس فقیر و خیلی فقیر)، اراضی بایر یا بدون پوشش و اراضی زراعی (زراعت دیم) مشاهده و نقاط آموزشی مربوط به هر کاربری برداشت شد. لازم به ذکر است به دلیل وسعت کم مناطق مسکونی (روستاها) و پراکندگی ساختمانها و همچنین استفاده از کاهگل به عنوان پوشش سقف (دارای بازتابش طیفی مشابه با خاک لخت)، امکان تفکیک اراضی مسکونی از اراضی بدون پوشش وجود نداشته و این دو کاربری در یک گروه طبقهبندی شدند. همچنین، به منظور افزایش تفکیک طیفی بین کاربریهای مورد بررسی، شاخص NDVI محاسبه و به عنوان یک باند در مرحله طبقهبندی استفاده شد (تاکار و همکاران26، 2015). در تحقیق حاضر به منظور بررسی دقت نقشههای کاربری اراضی تولید شده با استفاده از روشهای مختلف از دو شاخص مرسوم ضریب کاپا و صحت کلی استفاده شد (میرزائی و همکاران27، 2015).
بررسی زمانی و مکانی تغییرات کاربری اراضی
پس از تهیه نقشه کاربری اراضی براساس سه روش مورد استفاده، تغییرات ایجاد شده در دو دوره زمانی 10 ساله شامل 2008-1997 و 2023-2013 مورد بررسی قرار گرفت. در این راستا، تغییرات با دور روش ارزیابی متقاطع (Crosstab) و ارزیابی مکانی (Spatial Assessment) استفاده شد. برای تعیین دقیق تغییرات بین کاربریهای مختلف، از ابزار مدلساز تغییر زمین (Land Change Modeler) استفاده شد.
یافتههای پژوهش
بررسی دقت و صحت نقشههای کاربری اراضی برای دورههای زمانی مختلف نشان داد که همه نقشههای تولید شده از دقت بالایی برخوردار هستند به طوری که در روش حداکثر احتمال صحت کلی آنها بین 63 تا 97 درصد و ضریب کاپای آنها بین 59/0 تا 98/0 بود (جدول 2). همچنین در روش ماشین بردار پشتیبان صحت کلی آنها بین 86 تا 99 درصد و ضریب کاپای آنها بین 71/0 تا 98/0 متغیر بود که بیانگر دقت بیشتر روش ماشین بردار پشتیبان نسب به روش حداکثر احتمال است (جدول 2). در نهایت، در روش طبقهبندی شیءگرا صحت کلی آنها بین 85 تا 98 درصد و ضریب کاپای آنها بین 67/0 تا 96/0 متغیر بود (جدول 2). بر اساس نتایج کمترین دقت مربوط به سال 1997 بود.
جدول (2) ارزیابی دقت نقشههای کاربری اراضی در دورههای زمانی مختلف
دوره زمانی | حداکثر احتمال شباهت | ماشین بردار پشتیبان | شی گرا | |||
صحت کلی (درصد) | ضریب کاپا | صحت کلی (درصد) | ضریب کاپا | صحت کلی (درصد) | ضریب کاپا | |
1997 | 18/63 | 5908/0 | 73/86 | 7062/0 | 83/85 | 6719/0 |
2002 | 83/86 | 7234/0 | 42/92 | 8233/0 | 73/97 | 9447/0 |
2008 | 52/86 | 7591/0 | 11/91 | 8322/0 | 27/96 | 9279/0 |
2013 | 23/97 | 950/0 | 86/98 | 98/0 | 62/97 | 9574/0 |
2018 | 90/88 | 7871/0 | 41/97 | 9431/0 | 27/97 | 9384/0 |
2023 | 51/86 | 7211/0 | 98/93 | 8558/0 | 32/96 | 9089/0 |
شکل (2) نقشه کاربری اراضی مرتع جیرانسو بر اساس روش حداکثر احتمال
شکل (3) نقشه کاربری اراضی مرتع جیرانسو بر اساس روش ماشین بردار پشتیبان
شکل (4) نقشه کاربری اراضی مرتع جیرانسو بر اساس روش شیءگرا
بر اساس نتایج، مراتع با وضعیت فقیر دارای روند کلی کاهشی و کاربریهای مراتع خیلی فقیر، اراضی بدون پوشش و زراعت دیم دارای روندهای افزایشی بودند. برای مثال، مساحت اراضی مرتعی فقیر از 962 هکتار (36/44 درصد) در سال 1997 به 489 هکتار (57/22 درصد) در سال 2023 کاهش یافتند در حالی که مراتع خیلی فقیر در مدت مشابه از 1138 هکتار (48/52 درصد) به 1606 هکتار (05/74 درصد) افزایش یافتند (شکل 5). همچنین، در خلال سالهای 1997 تا 2023 اراضی بدون پوشش از 45 هکتار (08/2 درصد) به 72 هکتار (33/3 درصد) افزایش یافت.
شکل (5) بررسی تغییرات سطح کاربریهای اراضی مختلف در مرتع جیرانسو با روش ماشین بردار پشتیبان
بررسی تغییرات کاربری اراضی مرتع فقیر به سایر کاربریها
بر اساس نتایج بدست آمده، در دوره 2008-1997، به ترتیب 162 و 55 هکتار از اراضی مرتعی فقیر کاهش و به اراضی مرتعی خیلی فقیر و اراضی بدون پوشش تبدیل شده است. همچنین، در این دوره، حدود 9 هکتار از اراضی زراعت دیم کاسته و به اراضی مرتعی فقیر اضافه شده است (شکل 6). بررسی میزان تبدیل اراضی مرتعی فقیر به سایر کاربریها در دوره 2023-2013 نیز مشابه با دوره قبل نشان داد که بیشترین میزان از اراضی مرتعی فقیر کاهش یافته (از بین رفته) به اراضی مرتعی خیلی فقیر تبدیل شدهاند. بر اساس نتایج، در این دوره در مجموع 323 هکتار از اراضی مرتعی فقیر کاهش یافته که به ترتیب 305، 10 و 8 هکتار از آن به اراضی مرتعی خیلی فقیر، اراضی بدون پوشش و زراعت دیم تبدیل شده است (شکل 6).
شکل (6) بررسی تبدیل اراضی مرتعی فقیر به سایر کاربریها در دوره 2008-1997 و دوره 2023-2013
بررسی الگوی مکانی تغییرات کاربری اراضی
بر اساس نتایج بدست آمده، بیشترین میزان تغییرات در دوره 2008-1997 مربوط به نواحی مرکزی تا جنوبی مرتع جیرانسو بود (شکل 7). در حالی که کمترین میزان تغییرات در نواحی شمالی، شمال شرق و شمال غرب مرتع جیرانسو مشاهده شد. بررسی الگوی مکانی تغییرات در دوره 2023-2013 نشان داد که بر اساس ضرایب بدست آمده، شدت تغییرات در این دوره از دوره قبلی (2008-1997) کمتر بود (شکل 7). بر اساس نتایج، در این دوره، بیشتر تغییرات در منطقه شمال شرق مرتع جیرانسو اتفاق افتاده است در حالی که در سایر مناطق تغییر کاربری اراضی از شدت کمتری برخودار بود (شکل 7).
شکل (7) الگوی مکانی تغییرات کاربریها در دوره 2008-1997 و دوره 2023-2013
ارزیابی متقاطع تغییرات کاربری اراضی
بر اساس نتایج، در دوره اول بیشترین مساحت از کلاس بدون تغییر مربوط به اراضی مرتعی خیلی فقیر (36/513 هکتار) و فقیر (09/387 هکتار) بود. همچنین بیشترین میزان تغییرات مربوط به تبدیل اراضی مرتعی فقیر به خیلی فقیر (کد 1 به 2) بود که دارای مساحت 36/513 هکتار بودند (شکل 8). در دوره دوم نتایج برخلاف دوره اول بدست آمد بطوری که در این دوره بیشترین تغییرات مربوط به تبدیل اراضی مرتعی خیلی فقیر به مراتع فقیر (کد 2 به 1) بود که دارای مساحتی43/362 هکتار بودند. بر اساس نتایج، در دوره اول بیشترین مساحت از کلاس بدون تغییر مربوط به اراضی مرتعی خیلی فقیر (36/513 هکتار) و فقیر (09/387 هکتار) بود. همچنین، بیشترین میزان تغییرات مربوط به تبدیل اراضی مرتعی فقیر به خیلی فقیر (کد 1 به 2) بود که دارای مساحت 36/513 هکتار بودند (شکل 8). به علاوه، در حدود 51/30 هکتار از اراضی مرتعی خیلی فقیر به اراضی بدون پوشش (کد 2 به 3) تبدیل شدهاند.
شکل (8) ارزیابی متقاطع تغییرات کاربریها در دوره 2008-1997 و دوره 2023-2013. کدهای 1، 2، 3و 4 به ترتیب بیانگر مرتع فقیر، مرتع خیلی فقیر، خاک لخت و زراعت دیم هستند.
بحث و نتیجهگیری
در این تحقیق برای تهیه نقشه کاربری اراضی مرتع جیرانسو از سه روش طبقهبندی حداکثر احتمال، ماشین بردار پشتیبان و شیءگرا استفاده شد. نتایج نشان داد که روشهای پیکسل پایه از قبیل روش طبقهبندی حداکثر احتمال دارای دقت به مراتب کمتری نسبت به روشهای یادگیری ماشینی (ماشین بردار پشتیبان) و روش طبقهبندی شیءگرا است در حالی که در دو روش طبقهبندی ماشین بردار پشتیبان و روش طبقهبندی شیءگرا دقت بالایی مشاهده شد. در همین راستا، بسیاری از تحقیقات بر کارائی بالاتر روشهای نوین طبقهبندی تصاویر ماهوارهای از قبیل طبقهبندی شیءگرا (امیدیپور و همکاران، 1392) و نیز روشهای یادگیری ماشینی (جوزدانی و همکاران28، 2019؛ شیخموسی و همکاران، 2020؛ ریمال و همکاران، 2020؛ ها و همکاران، 2020) نسبت به روشهای سنتی و مرسوم از قبیل روش حداکثر احتمال دارند. بطور کلی، اختلاف اصلی بین دو روش طبقهبندی پیکسل پایه و شیءگرا، در اين است كه روش طبقهبندی پیکسل پایه منجر به نتيجهاي موضعی ميشود كه علت آن علامتگذاري پيكسلها و يا نواحي است كه با معیارهای معرفی شده مطابقت داشتهاند. در حالی كه، در روش شیءگرا تمامی تصویر به واحدهای مجزا تبديل ميشود (امیدیپور و همکاران، 1392). به عبارت دیگر، در روش طبقهبندی پیکسل پایه، کاربر ابتدا مناطق را به عنوان معرف برای سیستم تعریف میکند و در ادامه سیستم بر اساس اطلاعات مناطق معرفی شده، در مورد تعلق هر پیکسل از تصویر ماهوارهای تصمیم میگیرد (مارتینز و همکاران29، 2020). به همین دلیل، نتایج این روش وابستگی بسیار زیادی به انتخاب صحیح نمونههای معرف (نمونه تعلیمی) دارد در حالی که در روش طبقهبندی شیءگرا بر اساس اطلاعاتی از قبل شامل (متغیر پهنای پنجره، تشابه، فاکتور میانگین وزن و فاکتور واریانس وزن) ابتدا تصویر به مناطق همگن تبدیل میشود و سپس در مرحله بعد باید نمونه تعلیمی از میان این مناطق همگن انتخاب شود. به همین دلیل در روش شیءگرا میزان خطا به دلیل ایجاد مناطق همگن بسیار کمتر خواهد شد (جین و همکاران30، 2019؛ ژانگ و همکاران31، 2020). هر چند در روش طبقهبندی شیءگرا صحت نتایج وابستگی زیادی به انتخاب صحیح پارامترهای قطعهبندی دارد و بطور معمول هیچ روش خاصی برای تعیین پارامترها وجود ندارد و تنها کاربر با آزمون و خطا به اعداد صحیح خواهد رسید به همین دلیل ممکن این عامل موجب کاهش دقت نهایی اطلاعات بدست آمده شود (امیدیپور و همکاران، 1392؛ رضایی و همکاران، 1401). از طرفی دیگر، در قطعهبندی ممکن است مناطق کوچک حذف شده یا در سایر کاربریهای اطراف ادغام شوند. به همین دلیل در مناطقی که دارای کاربریهای با مساحت کوچک هستند استفاده از روش طبقهبندی شیءگرا نتایج چندان مناسبی ارائه نخواهد کرد. برای مثال در این تحقیق مشخص شد که اراضی زراعت دیم در سال 2002 دارای مساحت بسیار کمی (کمتر از 50 هکتار) هستند در حالی که در روش طبقهبندی شیءگرا این کاربری برای نقشه متناظر در آن سال کاملاً حذف شده است و این تاییدی بر عدم دقت این روش در طبقهبندی و تفکیک کاربریهای لکهای و با مساحت کوچک است. علاوه بر دو روش مذکور، در تحقیق حاضر از روش طبقهبندی ماشین بردار پشتیبان نیز برای طبقهبندی تصاویر ماهوارهای و استخراج نقشه کاربری اراضی استفاده شد. بر اساس نتایج، این روش دارای دقت بالایی در طبقهبندی تصاویر ماهوارهای بود بطوریکه صحت کلی آنها بین 86 تا 99 درصد و ضریب کاپای آنها بین 71/0 تا 98/0 متغیر بود و در مجموع به عنوان بهترین روش طبقهبندی در این تحقیق مشخص گردید. بطور کلی، ماشین بردار پشتیبان یکی از الگوریتم‌های نظارت‌شده یادگیری ماشین است (شیخموسی و همکاران، 2020). تاکنون بسیاری از تحقیقات بر دقت بالای و قابلیت مناسب این روش برای طبقهبندی تصاویر ماهوارهای تاکید کردهاند (جوزدانی و همکاران، 2019).
بررسی روند تغییرات کاربری اراضی موجود در مرتع جیرانسو در سه روش مورد بررسی مشابه بود به طوری که بر اساس آن در دوره مورد بررسی، مراتع فقیر کاهش و به ازای آن، مراتع خیلی فقیر، اراضی بدون پوشش و زراعت دیم افزایش یافته بود. برای مثال، بر اساس نتایج بدست آمده از روش طبقهبندی ماشین بردار پشتیبان، مساحت اراضی مرتعی فقیر از 962 هکتار (36/44 درصد) در سال 1997 به 489 هکتار (57/22 درصد) در سال 2023 کاهش یافتند در حالی که مراتع خیلی فقیر در مدت مشابه از 1138 هکتار (48/52 درصد) به 1606 هکتار (05/74 درصد) افزایش یافتند. بررسی زمانی تغییرات کاربری اراضی در دوره 2008-1997 نشان داد که 226 هکتار از اراضی مرتعی با وضعیت فقیر کاهش یافته است که به ترتیب 162 و 55 هکتار از این کاربری به اراضی مرتعی خیلی فقیر و اراضی بدون پوشش تبدیل شده است. همچنین در این دوره، حدود 9 هکتار از اراضی زراعت دیم کاسته و به اراضی مرتعی فقیر اضافه شده است. بررسی مکانی این تغییرات نیز نشان داد که عمده تغییرات انجام شده در نواحی مرکزی تا جنوبی مرتع جیرانسو بود. در حالی که کمترین میزان تغییرات در نواحی شمالی، شمال شرق و شمال غرب مرتع جیرانسو مشاهده شد. این در حالی بود که میزان تغییرات در دوره دوم به مراتب بیشتر از دوره اول بود بطوریکه در این دوره در مجموع 323 هکتار از اراضی مرتعی فقیر کاهش یافته که به ترتیب 305، 10 و 8 هکتار از آن به اراضی مرتعی خیلی فقیر، اراضی بدون پوشش و زراعت دیم تبدیل شده است. بر اساس نتایج، در این دوره، بیشتر تغییرات در منطقه شمال شرق مرتع جیرانسو اتفاق افتاده است. بطور کلی، چرای دام با شدت زیاد و بیش از مدت زمان مجاز برای استفاده (دوره سه تا چهار ماهه) از مهمترین دلایل تخریب مراتع در ایران و بخصوص مناطق گرم و خشک است. بررسی میدانی در این منطقه نشان داد که نبود مراتع یلاقی باعث شده است تا دامداران تمام طول سال در این منطقه حضور داشته باشد و این عامل موجب ایجاد فشار بسیار زیادی بر مرتع شده و تخریب آن با سرعت بسیار زیادی در حال اتفاق فتادن است. به عبارت دیگر، وجود مراتع ییلاقی و قشلاقی و همچنین کوچ در فصول مختلف، به نوعی یک سیستم چرای استراحتی است (زارعچاهوکی و آذرنیوند، 1401) و به مراتع این فرصت را میدهد که در مدتی از سال اتسارحت نموده و صدمات ناشی از چرای دارم را ترمیم کنند.
در تحقیق حاضر، رویکردهای مختلف طبقهبندی تصاویر ماهوارهای مورد مقایسه و بررسی قرار گرفت. بر اساس نتایج، دقت روش طبقهبندی مبتنی بر یادگیری ماشینی (ماشین بردار پشتیبان) بیش از سایر روشهای مورد بررسی بود. بررسی روند تغییرات کاربری اراضی نشان داد که عمده تغییرات در کلاسهای وضعیت مختلف مرتع (مرتع فقیر و مرتع خیلی فقیر) اتفاق افتاد است. با توجه به کاهش مرتع فقیر و افزایش مراتع خیلی فقیر، میتوان نتیجهگیری کرد که روند تغییرات پوشش گیاهی در مرتع جیرانسو در طول زمان قهقرا و فزاینده بوده و در حال تشدید میباشد. به همین دلیل استفاده از روشهای مختلف احیا و اصلاح مرتع به منظور بهبود وضعیت اکوسیستمی در این منطقه ضروری است. همچنین، نتایج این بخش نشان میدهد که بکارگیری روشهای استخراج نقشه کاربری اراضی دارای قابلیت بالایی برای بررسی و پایش مداوم تغییرات کاربری اراضی و تعیین روند تغییرات آنهاست که این امر زمانی دقیق خواهد بود که از روشهای طبقهبندی یادگیری ماشینی استفاده شود. بنابراین، توصیه میشود هم برای بررسی شرایط فعلی و هم برای بررسی و پایش اثرات عملیاتهای اصلاحی در مرتع از سنجش از دور و ابزارهای آن استفاده شود.
سپاسگزاری
پژوهش حاضر برگرفته از طرح پژوهشی اداره کل امور عشایری استان خراسان شمالی با عنوان "بررسی روند فزآینده تخریب پوشش گیاهی در استان خراسان شمالی" به شماره 12365/12/207 میباشد. نویسندگان برخود لازم میدانند از زحمات و همکاری همه کارکنان این اداره تشکر و قدردانی نمایند.
منابع
امیدیپور، رضا؛ مرادی، حمیدرضا؛ و آرخی، صالح (1392). مقایسه روشهای طبقهبندی پیسکل پایه و شیءگرا در تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهوارهای. مجله سنجش از دور و GIS ایران، 5(3)، 110-99.
برهانی، ف.، احسانی، ا.، حسینیشکرابی، ح.س. (1402). پیشبینی و تحلیل مکانی-زمانی ذرات ریز جوی و اثرپذیری آن از دما و پوشش گیاهی در سطح ایران با استفاده از رویکرد هموارسازی نمایی در پایتون. نشریه محیط زیست طبیعی، 76(2)، 325-344.
برهانی، فائزه؛ احسانی، امیر هوشنگ؛ حسینیشکرابی، حلیا سادات (1395). بررسی تغییرات کاربری اراضی طی دو دهه دوره زمانی (مطالعه موردی: حوزه آبخیز ابوالعباس). پژوهشنامه مدیریت حوزه آبخیز، 7(14)، 237-244.
رضایی، مجتبی؛ امیدی پور، رضا؛ رضایی، اشکان؛ نداف، محبت (1401). مقایسه تأثیر تغییرات روند کاربری اراضی و بارش بر دبی سالانه (مطالعه موردی حوزه آبخیز کیار). مدیریت جامع حوزههای آبخیز. 2(2)، 74-62.
زارع گاریزی، آرش؛ شیخ، واحدبردی؛ سعدالدین، امیر؛ سلمان ماهینی، عبدالرسول (1391). شبیه‌سازی مکانی-زمانی تغییرات گستره جنگل در آبخیز چهل چای استان گلستان با استفاده از مدل تلفیقی سلو‌‌ل‌های خودکار و زنجیره مارکوف. فصلنامه علمی-پژوهشی تحقیقات جنگل و صنوبر ایران، 20(2)، 273-285.
زارعچاهوکی، محمدعلی و آذرنیوند، حسین (1401). اصلاح مراتع. انتشارات دانشگاه تهران، 367 صفحه.
فتاحي، محمد (1373). بررسي جنگل‌هاي بلوط زاگرس و مهمترين عوامل تخريب آن. موسسه تحقيقات جنگلها و مراتع، چاپ اول، 63 صفحه.
منابع طبیعی و آبخیزداری استان خراسان شمالی (1388). بهبود و اصلاح مرتع/ کپهکاری-نهالکاری، شناسنامه طرح مرتعداری عشایری جیرانسو، 31 صفحه.
Asad, M. H., & Bais, A. (2020). Weed detection in canola fields using maximum likelihood classification and deep convolutional neural network. Information Processing in Agriculture, 7(4), 535-545.
Cavender-Bares, J., Gamon, J.A., & Townsend, P.A. (2020). Remote sensing of plant biodiversity. Springer Nature. 581 P.
Choate, M., Rengarajan, R., Micijevic, E., & Lubke, M. (2021). Comparing geometric differences between Landsat Collection 1 to Collection 2 level-1 products. In Earth Observing Systems XXVI. (11829), 114-124.
Dhingra, S., & Kumar, D. (2019). A review of remotely sensed satellite image classification. International Journal of Electrical and Computer Engineering, 9(3), 1720.
Ha, N. T., Manley-Harris, M., Pham, T. D., & Hawes, I. (2020). A comparative assessment of ensemble-based machine learning and maximum likelihood methods for mapping seagrass using sentinel-2 imagery in Tauranga Harbor, New Zealand. Remote Sensing, 12(3), 355.
Jin, B., Ye, P., Zhang, X., Song, W., & Li, S. (2019). Object-oriented method combined with deep convolutional neural networks for land-use-type classification of remote sensing images. Journal of the Indian Society of Remote Sensing, 47, 951-965.
Jozdani, S. E., Johnson, B. A., & Chen, D. (2019). Comparing deep neural networks, ensemble classifiers, and support vector machine algorithms for object-based urban land use/land cover classification. Remote Sensing, 11(14), 1713.
Kaur, S., Bansal, R. K., Mittal, M., Goyal, L. M., Kaur, I., Verma, A., & Son, L. H. (2019). Mixed pixel decomposition based on extended fuzzy clustering for single spectral value remote sensing images. Journal of the Indian Society of Remote Sensing, 47(3), 427-437.
Kumar, N., Yamaç, S. S., & Velmurugan, A. (2015). Applications of remote sensing and GIS in natural resource management. Journal of the Andaman Science Association, 20(1), 1-6.
Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X., & Zhang, C. (2020). A review of remote sensing for environmental monitoring in China. Remote Sensing, 12(7), 1130.
Lohse, J., Doulgeris, A. P., & Dierking, W. (2019). An optimal decision-tree design strategy and its application to sea ice classification from SAR imagery. Remote Sensing, 11(13), 1574.
Long, H., & Qu, Y. (2018). Land use transitions and land management: A mutual feedback perspective. Land use policy, 74, 111-120.
Luo, L., Ma, W., Zhuang, Y., Zhang, Y., Yi, S., Xu, J., Long, Y., Ma, D. and Zhang, Z. (2018). The impacts of climate change and human activities on alpine vegetation and permafrost in the Qinghai-Tibet Engineering Corridor. Ecological Indicators, 93, 24-35.
Martins, V. S., Kaleita, A. L., Gelder, B. K., da Silveira, H. L., & Abe, C. A. (2020). Exploring multiscale object-based convolutional neural network (multi-OCNN) for remote sensing image classification at high spatial resolution. ISPRS Journal of Photogrammetry and Remote Sensing, 168, 56-73.
Mirzaei, J., Mohamadi, A., Heidarizadi, Z., Noorolahi, H., & Omidipour, R. (2015). Assessment of land cover changes using RS and GIS (case study: Zagros forests, Iran). Journal of Materials and Environmental Science, 6, 2565-2572.
Ramezan, C. A., Warner, T. A., Maxwell, A. E., & Price, B. S. (2021). Effects of training set size on supervised machine-learning land-cover classification of large-area high-resolution remotely sensed data. Remote Sensing, 13(3), 368.
Rimal, B., Rijal, S., & Kunwar, R. (2020). Comparing support vector machines and maximum likelihood classifiers for mapping of urbanization. Journal of the Indian Society of Remote Sensing, 48, 71-79.
Schnebele, E., Tanyu, B. F., Cervone, G., & Waters, N. J. E. T. R. R. (2015). Review of remote sensing methodologies for pavement management and assessment. European Transport Research Review, 7(2), 1-19.
Senekane, M. (2019). Differentially private image classification using support vector machine and differential privacy. Machine Learning and Knowledge Extraction, 1(1), 483-491.
Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308-6325.
Sisodia, P. S., Tiwari, V., & Kumar, A. (2014). Analysis of supervised maximum likelihood classification for remote sensing image. In International conference on recent advances and innovations in engineering (ICRAIE-2014) (1-4). IEEE.
Smith, P., House, J.I., Bustamante, M., Sobocká, J., Harper, R., Pan, G., West, P.C., Clark, J.M., Adhya, T., Rumpel, C. & Paustian, K. (2016). Global change pressures on soils from land use and management. Global change biology, 22(3), 1008-1028.
Sun, L., Li, H., Wang, J., Chen, Y., Xiong, N., Wang, Z., Wang, J. & Xu, J. (2023). Impacts of Climate Change and Human Activities on NDVI in the Qinghai-Tibet Plateau. Remote Sensing, 15(3), 587.
Sun, X., Liu, L., Li, C., Yin, J., Zhao, J., & Si, W. (2019). Classification for remote sensing data with improved CNN-SVM method. IEEE Access, 7, 164507-164516.
Thakkar, A., Desai, V., Patel, A., & Potdar, M. (2015). Land use/land cover classification using remote sensing data and derived indices in a heterogeneous landscape of a khan-kali watershed, Gujarat. Asian Journal of Geoinformatics, 14(4), 1-12.
Verbyla, D.L. (2022). Satellite remote sensing of natural resources. CRC Press.
Yang, J., Weisberg, P. J., & Bristow, N. A. (2012). Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: Comparison of vegetation indices and spectral mixture analysis. Remote sensing of environment, 119, 62-71.
Zhang, C., Yue, P., Tapete, D., Shangguan, B., Wang, M., & Wu, Z. (2020). A multi-level context-guided classification method with object-based convolutional neural network for land cover classification using very high-resolution remote sensing images. International Journal of Applied Earth Observation and Geoinformation, 88, 102086.
Zhou, L., Tian, Y., Myneni, R.B., Ciais, P., Saatchi, S., Liu, Y.Y., Piao, S., Chen, H., Vermote, E.F., Song, C. & Hwang, T. (2014). Widespread decline of Congo rainforest greenness in the past decade. Nature, 509(7498), 86-90.
Zhu, L., Huang, L., Fan, L., Huang, J., Huang, F., Chen, J., Zhang, Z. and Wang, Y., 2020. Landslide susceptibility prediction modeling based on remote sensing and a novel deep learning algorithm of a cascade-parallel recurrent neural network. Sensors, 20(6), 1576.
[1] - Luo et al.,
[2] - Zhou et al.,
[3] -Sun et al.,
[4] -Yang et al.,
[5] - Long & Qu,
[6] -Smith et al.,
[7] -Schnebele et al.,
[8] -Kumar et al.,
[9] - Li et al.,
[10] - Verbyla,
[11] - Cavender-Bares et al.,
[12] -Sisodia et al.,
[13] -Asad & Bais,
[14] -Zhu et al.,
[15] -Kaur et al.,
[16] -Lohse et al.,
[17] -Rimal et al.,
[18] -Ha et al.,
[19] -Choate et al.,
[20] -Ramezan et al.,
[21] -Jin et al.,
[22] -Sheykhmousa et al.,
[23] -Sun et al.,
[24] -Senekane,
[25] -Dhingra & Kumar,
[26] -Thakkar
[27] -Mirzaei
[28] Jozdani et al.,
[29] -Martins et al.,
[30] -Jin et al.,
[31] -Zhang et al.,
