| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شمارهها | 2,865 |
| تعداد مقالات | 32,480 |
| تعداد مشاهده مقاله | 42,250,695 |
| تعداد دریافت فایل اصل مقاله | 18,999,762 |
پایش تغییرات کاربری اراضی مبتنی بر الگوریتم Decision Tree با استفاده از تصاویر ماهواره لندست، مطالعه موردی: محدوده غرب تهران | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 6، دوره 16، شماره 3، مهر 1403، صفحه 415-431 اصل مقاله (1.3 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2024.365534.2060 | ||
| نویسندگان | ||
| مریم سلیمانی پراپری آزاد1؛ میر مسعود خیرخواه زرکش* 2؛ علیرضا مجیدی3 | ||
| 1کارشناسی ارشد مهندسی محیط زیست دانشکده محیط زیست و انرژی دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | ||
| 2دانشیار پژوهشی، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 3استادیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایرا ن | ||
| چکیده | ||
| مقدمه رشد سریع شهرها و روند صنعتیشدن، مشکلات محیطزیستی زیادی را در بسیاری از مناطق جهان ایجاد کرده است. آگاهی از روند تغییرات پوشش و کاربری اراضی طی دورههای زمانی طولانی برای برنامهریزان و مدیران بهمنظور ارزیابی و پیشبینی مشکلات ناشی از این تغییرات بسیار با اهمیت است. سنجشازدور، ابزار مؤثری برای پایش تغییرات پوشش اراضی در مناطق شهری و حوالی آن است. شهر تهران در چند دهه اخیر به واسطه رشد و به دنبال مهاجرت افراد، گسترش زیادی پیدا نموده و اثرات فراوانی بر محیطزیست پیرامون خود بر جای گذاشته است. ازاینرو، پژوهش حاضر به ارائه مدلی مبتنی بر الگوریتم درخت تصمیم (Decision Tree) جهت طبقهبندی و پایش تغییرات کاربری اراضی با استفاده از تصاویر سنجنده TM و MSS در محدوده غرب شهر تهران در فاصله سالهای 1975 تا 2011 پرداخته است. مواد و روشها در این پژوهش، ابتدا یک تصویر سنجنده MSS و سه تصویر سنجنده TM ماهواره لندست است که در ماه خرداد اخذ شده و سپس دادههای کمکی یعنی مدل رقومی ارتفاع مستخرج از نقشه توپوگرافی 1:25000 سازمان نقشهبرداری است مورداستفاده قرار گرفته است. بعد از انجام پیشپردازشها، با استفاده از شاخصهای پوشش اراضی از جمله شاخص پوشش گیاهی، روش DT و ترکیب آن با روش طبقهبندی حداکثر احتمال طبقههای کاربری اراضی استخراج شد. سپس، دقت تصاویر طبقه شده حاصل از DT با کمک ضریب کاپا و دقت کلی ارزیابی صحت شد و در پایان با استفاده از روش مقایسه تصاویر در زمانهای موردمطالعه تغییرات طبقههای مختلف کاربری اراضی محاسبه شد. نتایج و بحث بر اساس یافتههای این پژوهش، صحت کلی طبقهبندی برای سال 2011، 82 درصد است. همچنین، نتایج پایش تغییرات نشان داد که تراکم فضاهای ساختوساز شده طی دوره زمانی 36 ساله دارای روندی مثبت و رو به افزایش است و در پی آن سایر اراضی در حال کاهش بودهاند. تراکم فضاهای ساختوساز شده در سال 1975 با مساحت 2166 هکتار که معادل 8 درصد بوده به 8125 هکتار یعنی 29 درصد در سال 2011 رسیده است. در مجموع درصد تغییرات نسبی آن 21 درصد معادل 5959 هکتار است. با بررسی تغییرات کاربری اراضی در غرب شهر تهران از سال 1975 تا سال 2011 که در نقشهها نمایش داده شده است، میتوان گفت که با توسعه شهرنشینی و افزایش نیاز افراد به خدمات مختلف و نبود فضای کافی برای جوابگویی به این نیازها فضاهای باز و سبز غرب شهر تهران تخریب شده و جایگزین کاربریهای مختلف شده است. نتیجهگیری پژوهش حاضر با هدف پایش پوشش و کاربری اراضی محدوده غرب تهران با دقت بالای طبقهبندی از طریق مدل مبتنی بر الگوریتمDT و تلفیق نتایج طبقهبندی حداکثر احتمال با آن به انجام رسید. برای انجام پژوهش از تصاویر ماهوارهای چندزمانه سنجنده TM و MSS ماهواره لندست و دادههای کمکی استفاده شده و پس از تهیه نقشه کاربری اراضی هر دوره زمانی، نقشه تغییرات پوشش و کاربری اراضی استخراج شد. نتایج این پژوهش نشان میدهد که دادههای سنجشازدور همراه با فنهای طبقهبندی ترکیبی از توانایی بالایی در استخراج انواع نقشههای کاربری اراضی و همچنین ارزیابی تغییرات کاربری برخوردارند و همچنین پتانسیل دادههای سنجنده MSS و TM ماهواره لندست را بهعنوان یک ابزار مناسب و اقتصادی برای تصویر نمودن و تجزیهوتحلیل تغییرات پوشش اراضی در طی زمان نشان میدهد. همچنین نتایج پژوهش حاضر حاکی از آن است که استفاده از روش شاخهای یا چندمرحلهای برای طبقهبندی تصاویر ماهوارهای، دارای مزایایی از جمله کاستن زمان پردازش، بهبود صحت طبقههای تعلیم کوچک، بهکارگیری منابع متفاوتی از دادهها، مجموعههای مختلف از خصوصیات و حتی الگوریتمهای متفاوت در هر مرحله از تصمیمگیری است. | ||
| کلیدواژهها | ||
| سنجش از دور؛ سنجنده MSS؛ سنجنده TM؛ شاخص پوشش گیاهی؛ طبقهبندی حداکثر احتمال | ||
| عنوان مقاله [English] | ||
| Monitoring land use changes based on decision tree algorithm using Landsat satellite images, case study: West Tehran area | ||
| نویسندگان [English] | ||
| Maryam Soleimani parapari azad1؛ Masoud Kherkhah zarkesh2؛ Alireza Majidi3 | ||
| 1MSc, Islamic Azad University, Science and Research Branch, Tehran | ||
| 2Associate Professor, Water and Soil Conservation Engineering Department, Soil Conservation and Watershed Management Research Institute (SCWMRI), Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 3Assistant Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| چکیده [English] | ||
| Introduction The rapid growth of cities and the process of industrialization have created numerous environmental problems across many parts of the world. It is essential for planners and managers to be aware of changes in land cover and land use over extended periods to evaluate and predict the impacts caused by these changes. Remote sensing is an effective tool for monitoring land use changes in urban areas and their surroundings. Tehran has expanded significantly over the last few decades due to population growth and migration, leaving substantial effects on the surrounding environment. Consequently, this study presents a model based on the decision tree algorithm to classify and monitor land use changes using images from TM and MSS sensors in the western region of Tehran between 1975 and 2011. Materials and methods In this study, one MSS sensor image and three TM sensor images from the Landsat satellite, all taken in June, were used along with ancillary data, specifically a digital elevation model extracted from the 1:25000 topographic map of the Mapping Organization. After pre-processing, land cover indices, including vegetation index, DT method, and its combination with the maximum likelihood classification method, were used to extract land use classes. The accuracy of the classified images obtained from the DT was evaluated using the kappa coefficient and overall accuracy, and finally, the changes in different land use classes over time were calculated using the image comparison method. Results and discussion According to this study's findings, the overall classification accuracy for 2011 is 82%. The results of change monitoring indicate a positive and increasing trend in the density of built-up land over the 36-year period, while other land types have decreased. The density of the built-up land class in 1975, with an area of 2166 hectares (equivalent to 8%), increased to 8125 hectares (29%) by 2011. In total, the percentage of relative change is 21%, equivalent to 5959 hectares. By examining the land use changes in the west of Tehran from 1975 to 2011, shown in the maps, it is evident that urban development and increased demand for various services, coupled with a lack of adequate space, have led to the destruction of green spaces in the western part of Tehran, replaced by other land uses. Conclusion This research aimed to monitor land use/cover in the west of Tehran with high classification accuracy using a model based on the DT algorithm combined with the maximum likelihood classification method. Multi-temporal satellite images from the Landsat satellite’s TM and MSS sensors, along with ancillary data, were used to conduct the research. After preparing a land use map for each period, a map depicting land cover and land use changes was extracted. The results of this research indicate that remote sensing data combined with classification techniques have a high capability to extract various types of land use maps and evaluate land use changes. Moreover, Landsat’s MSS and TM sensor data prove to be suitable and cost-effective tools for depicting and analyzing land use/cover changes over time. Additionally, the findings highlight that using a branching or multi-stage method for classifying satellite images offers advantages such as reduced processing time, improved accuracy in small classes, and the ability to use different data sources, feature sets, and algorithms at each decision-making stage. | ||
| کلیدواژهها [English] | ||
| Maximum likelihood classification, MSS sensor, Remote sensing, TM sensor, Vegetation index | ||
| مراجع | ||
|
Ahmadi Nadoushan, M., Soffianian, A., Khajeddin, S.J., 2010. Land cover mapping of Arak city using artificial neural network and maximum likelihood classifiers. Physi. Geogra. Res. 69, 83-98 (in Persian). Alavipanah, S.K., Masoudi, M., 2000. Land use mapping using landsat TM and Geographic Information System (GIS), a case study: Mouk region of Fars Province. J. Agri. Sci. Nat. Resour. 8(1), 65-76 (in Persian). Alavipanah, S.K., Matinfar, H.R., Sarmadian, F., 2005. Application of satellite data assessment of time saving. Waste Prevention Methods of National Resources Conference, IRI Academy of Sciences, 425-430 (in Persian). Alberti, M., Botsford, E., Cohen, A., 2001. Quantifying the urban gradient: linking urban planning and ecology. In Avian Ecology and Conservation in an Urbanizing World, 89-115, Springer US. Alberti, M., Weeks, R., Coe, S., 2004. Urban land-cover change analysis in central Puget Sound. Photogra. Engin. Remote Sens. 70(9), 1043-1052. Ayala-Silva, T., Brown, J.S., Schnell, R.J., Moore, J.M., Tondo, C.L., Winterstein, M.C., 2009. Broad-sense heritability estimates for fruit color and morphological traits from open-pollinated half-sib mango families. HortScience 44(6), 1552-1556. Berberoglu, S., Akin, A., 2009. Assessing different remote sensing techniques to detect land use/cover changes in the Eastern Mediterranean. Int. J. Applied Earth Observ. Geo Inform. 11, 46-53. Binh, T.N.K.D., Vromant, N., Hung, N.T., Hens, L., Boon, E.K., 2005. Land cover changes between 1968 and 2003 in Cai Nuoc, Ca Mau Peninsula, Vietnam. Environ. Develop. Sustain. 7, 519-536. Congalton, R.G., Green, K., 1999. Assessing the accuracy of remotely sensed data: Principles and practices, Boca Rotan, Florida’ Lewis Publishers. Darvish sefat, A.A., Shetaii, Sh., 1997. Forest mapping using landsat TM data by digital methods. J. Iran Nat. Resour. 50, 39-45 (in Persian). Díaz-Caravantes, R.E., Sánchez-Flores, E., 2011. Water transfer effects on peri-urban land use/land cover: a case study in a semi-arid region of Mexico. Applied Geogr. 31(2), 413-425. Dupouey, J.L., Dambrine, E., Laffite, J.D., Moares, C., 2002. Irreversible impact of past land use on forest soils and biodiversity. Ecology 83(11), 2978-2984. El-Kawy, A., Abd, O.R., Rød, J.K., Ismail, H.A., Suliman, A.S., 2011. Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geogr. 31(2), 483-494. Fatemi, S.B., Rezaii, Y., 2007. Fundamentals of remote sensing. Azadeh Publication, Tehran (in Persian). Gharagozlou, A., Noori Kermani, A., Keshmiri, Z., 2009. Assessment of physical changes and analyzing of urban development by using GIS/RS and high resolution satellite images, a case study: Tehran, District 5. J. Environ. Sci. Techno. 11(1) (in Persian). Goetz, S.J., Jantz, C.A., Prince, S.D., Smith, A.J., Varlyguin, D., Wright, R.K., 2004. Integrated analysis of ecosystem interactions with land use change: the Chesapeake Bay Watershed. Ecosyst. Land Use Change 263-275. Huete, A.R., 1988. A soil-Adjusted Vegetation Index (SAVI). Remote Sens. Environ. 25, 295-309. Kandrika, S., Roy, P.S., 2008. Land use land cover classification of Orissa using multi-temporalIRS-P6 awifs data: a decision tree approach. Int. J. Applied Earth Observ. Geo Inform. 10, 186-193. Kaya, S., Curran, P.J., 2006. Monitoring urban growth on the European side of the Istanbul metropolitan area: a case study. Int. J. Applied Earth Observ. Geoinform. 8(1), 18-25. Koh, C.N., Lee, P.F., Lin, R.S., 2006. Bird species richness patterns of northern Taiwan: primary productivity, human population density, and habitat heterogeneity. Diver. Distribu. 12(5), 546-554. Lawrence, R.L., Wright, A., 2001. Rule-based classification systems using classification and regression tree (Cart) analysis. Photogram. Engin. Remote Sens. 67, 1137-1142. Mahmoodzadeh, H., 2006. Assessment and zoning degree of physical fitness in Tabriz using GIS. Geometrics Conference, Tehran, National Cartographic Center (in Persian). Mashhadizadeh Dehaghani, N., 2003. Analysis of the characteristics of urban planning in Iran. Tehran, University of Science and Technology, Third Edition. Mather, P.M., 1999. Computer processing of remotely sensed images. 2nd Edition, John Willley and Sons. Mojtahedzadeh, Gh.H., 1999. Sustainable urban management-strategies for sustainable urban management. Proceedings of the Seminar on Sustainable Urban Management, Tabriz (in Persian). Mui, J.K., Fu, K.S., 1980. Automated classification of nucleated blood cells using a binary tree classifier. PAMI. 2, 429-443. Nagendra, H., Rocchini, D., 2006. High-resolution satellite imagery for tropical biodiversity studies: the devil is in the detail. Biodiver. Conserv. 17(14), 3431-3442. Parivar, P., 2009. Analysis of ecological structure of Tehran landscape to develop restoration and enhanced environmental quality strategies. J. Environ. Studies, 35(51), 45-56 (in Persian). Pelorosso, R., Leone, A., Boccia, L., 2009. Land cover and land use change in the Italian central Apennines: a comparison of assessment methods. Applied Geogra. 29(1), 35-48. Rasul, I., Wilson, S.R., MacRae, H., Irwin, S., Greenberg, G.R., 2004. Clinical and radiological responses after infliximab treatment for perianal fistulizing Crohn's disease. The American J. Gastroentero. 99(1), 82-88. Richards, J.A., Jia, X., 2006. Remote sensing digital image analysis: an introduction. Springer-Verlag, Berlin. Rozenstein, O., Karnieli, A., 2011. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs. Applied Geogra. 31(2), 533-544. Schowengerdt, R.A., 1997. Remote sensing: models and methods for image processing. Academic press. Schulz, K.F., Altman, D.G., Moher, D., 2010. Consort 2010 statement: updated guidelines for reporting parallel group randomised trials. BMC medicine, 8(1), 18. Sesnie, S.E., Paul, E., Gessler, B. Finegan, S., 2008. Integrating landsat TM and SRTM-DEM derived variables with decision trees for habitat classification and change detection in complex neotropical environments. Remote Sens. Environ. 112, 2145-2159. Swain P.H., Hauska, H., 1977. The decision tree classifier: design and potential. Geosci. Electro. GE-15, 142-147. Tehran Municipality. 2014. Municipality Information Website (in Persian). Vogelmann, J.E., 2001. Completion of the 1990s national land cover data set for the conterminous United States from landsat thematic mapper and ancillary data sources. Photogram. Engin. Remote Sens. 67, 650-662. Wu, Q., Li, H.Q., Wang, R.S., Paulussen, J., He, Y., Wang, M., Wang, Z., 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape Urban plan. 78(4), 322-333. Wyman, M., Stein, T., 2010. Examining the linkages between community benefits, place-based meanings, and conservation program involvement: a study within the Community Baboon Sanctuary, Belize. Soci. Nat. Resour. 23(6), 542-556. Yang, X., Lo, C.P., 2002. Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta, Georgia metropolitan area. Int. J. Remote Sens. 23(9), 1775-1798. Yong, Z., Shao-xiang, Y., 2003. An effective approach to automatically extract urban land-use from TM imagery. J. Remote Sens. 7(1), 37-40.
| ||
|
آمار تعداد مشاهده مقاله: 112 تعداد دریافت فایل اصل مقاله: 43 |
||