طبقه‏بندی و ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‏ای لندست (مطالعه موردی: دشت ری)

مقاله‏‏ پژوهشی‏‏

فصلنامه‏‏ انسان‏‏ و‏‏ محیط‏‏ زیست،‏‏ شماره‏‏ 62،‏‏ پاییز‏‏ 1401،‏‏ صص‏‏ 279-297

طبقه‏بندی و ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‏ای لندست (مطالعه موردی: دشت ری)

پگاه محمدپور[1]

رضا ارجمندی[2] ^*

hrezaarjmandi@gmail.com

امیرحسام حسنی[3]

جمال قدوسی[4]

تاریخ‏‏ دریافت:‏‏ 28/1/1401‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ ‏‏ تاریخ‏‏ پذیرش:‏‏ 8/4/1401

چکیده

زمینه وهدف: تغییرات کاربری اراضی دراثرفعالیت‏های انسانی یکی ازموضوعات مهم دربرنامه ریزی‏های منطقه ایی وتوسعه ایی می‏باشد. عدم توجه به تغییرات کاربری اراضی درچنددهه اخیر مشکلات محیط زیستی فراوانی ازقیبل آلودگی منابع آب، خاک و...را بوجودآورده است. برهمین اساس بررسی وتجزیه وتحلیل کاربری اراضی درمقیاس‏های مختلف باهدف توسعه پایداردرمدیریت صحیح محیط زیست ومنابع طبیعی امری ضروری می‏باشد. سنجش ازدور وسیستم اطلاعات جغرافیایی، امکانات لازم وکافی راجهت استخراج وبه روزرسانی نقشه‏های کاربری اراضی وتعیین مقدار آنها در اختیار کاربران قرارمی دهد این پژوهش با هدف بررسی تغییرات تبدیل کاربری‏ها با استفاده از فن‏آوری سنجش از دور و تصاویر ماهواره‏ای برای چهار دوره زمانی 3 ساله، از سال 1387 تا 1399 در سطح دشت ری انجام شده است.

روش بررسی: جهت تهیه نقشه‏های کاربری اراضی سال‏های مورد مطالعه از تصاویر ماهواره‏ای TM و OLI ماهواره‏های لندست 5 و 8 استفاده شد سپس طبقه بندی تصاویر ماهواره‏ای پس از انجام تصحیحات مورد نیاز با استفاده از 54 نقطه تعلیمی که معرف کاربری‏های مختلف در منطقه بودند از طریق برداشت‏های میدانی با دستگاه GPS به صورت تصادفی و به گونه‏ای که این نمونه‏ها سطح منطقه تحقیق را پوشش دهند انجام پذیرفت. در مرحله بعد تصاویر ماهواره‏ای  به روش طبقه‏بندی نظارت شده و با استفاده از الگوریتم حداکثر احتمال همسایگی باصحت کلی39/87 تا 78/95 درصد و ضریب کاپا 85 تا 93درصد در چهارکلاس کاربری، طبقه‏بندی گردیدند. سپس نقشه‏های کاربری اراضی بایکدیگرمورد مقایسه قرارگرفتند.

یافته‏ها: براساس تجزیه و تحلیل‏های صورت گرفته مشخص شد دربازه زمانی موردمطالعه07/26 کیلومترمربع ازاراضی بایراین محدوده به اراضی کشاورزی، صنعتی ومسکونی تغییرکاربری داده است درنتیجه مساحت اراضی بایردر طول سال‏های مورد مطالعه روند کاهشی و سایر کاربری‏ها روند افزایشی را طی نموده است، بطوریکه وسعت اراضی با کاربری کشاورزی، صنعتی ومسکونی به ترتیب به میزان 66/14 کیلومترمربع، 77/9 کیلومترمربع،64/1 کیلومترمربع، افزایش یافته است.

بحث ونتیجه گیری: نتایج تحقیق انجام شده گویای این مطلب است که مهم ترین عامل تغییرات کاربری اراضی درمنطقه، فعالیت های انسانی است که موجب تغییرات بسیاری در کاربری اراضی شده است، تجزیه وتحلیل مساحت این کاربری ها نشان داد که سطح اراضی کشاورزی افزایش چشمگیری پیداکرده که عمدتا این افزایش نتیجه تبدیل کاربری بایربه کشاورزی می‏باشد. درنهایت نتایج این مطالعه گویای این است که تلفیق فن های سنجش ازدور و سیستم اطلاعات جغرافیایی در اجرای مدل‏های ارزیابی تغییرات مکانی - زمانی کاربری اراضی، به منظور آگاهی از نوع و درصد کاربری اراضی و میزان تغییرات آن ها، بسیار کارآمد می‏باشد و به عنوان یک پارامتر مدیریتی می‏تواند برنامه ریزان بخش‏های مختلف اجرایی را در پایش و مدیریت محیط زیست یاری نماید.

واژگان‏‏ کلیدی:‏‏ سنجش ازدور، الگوریتم حداکثر احتمال همسایگی، طبقه‏بندی نظارت شده، کاربری اراضی، دشت ری

Human‏‏ and‏‏ Environment,‏‏ No.‏‏ 62,‏‏ Autumn‏‏ 2022,‏‏ pp.‏‏ 279-297

Classification and Assessment of the land use changes using Landsat satellite imagery (Case Study: Rey Plain)

Pegah Mohammadpour[5]

Reza Arjmandi [6]^*

hrezaarjmandi@gmail.com

Amirhessam Hassani [7]

Jamal Ghodusi [8]

Abstract                                                                

Background and Purpose :Land use change due to human activities is one of the important issues in regional and development planning. Lack of attention to land use changes in recent decades has created many environmental problems such as pollution of water resources, soil, etc. Therefore, the study and analysis of land use at different scales with the aim of sustainable development in the proper management of the environment and natural resources is essential. Remote sensing and GIS provide the necessary and sufficient facilities for extracting and updating land use maps and determining its amount. This study aims to investigate changes in land use conversion using remote sensing technology and satellite images for four periods It has been done for 3 years, from 2008 to 2020 in Rey plain.

Material and Methodology: TM and OLI satellite images of Landsat 5 and 8 satellites were used to prepare land use maps for the studied years. Then the satellite images were monitored by classification method and were classified using the maximum neighborhood probability algorithm with an overall accuracy of 87.39 to 95.78% and a kappa coefficient of 85 to 93% in four user classes.. In the next step, land use maps were compared.

Results: Based on the analysis, it was found that in the period under study, 26.07 square kilometers of Barren lands in this area has changed to agricultural, industrial and residential lands. As a result, the area of Barren lands has decreased and other uses have increased during the studied years. , So that the area of land with agricultural, industrial and residential use has increased by 14.66 square kilometers, 9.77 square kilometers, 1.64 square kilometers, respectively.

Discussion and Conclusion: The results of the research show that the most important factor in land use change in the region is human activities that have caused many changes in land use. Analysis of the area of these uses showed that the level of agricultural land has increased significantly, mainly this increase. The result is the conversion of agricultural land use. Finally, the results of this study indicate that the combination of remote sensing techniques and GIS in the implementation of models for assessing spatial-temporal changes in land use, in order to know the type and percentage of land use and the extent of their changes, is very effective. The title of a management parameter can help planners of different executive departments in monitoring and managing the environment.

Keyword: Remote Sensing, Maximum likelihood Algorithm, Supervised Classification, Land Use, Rey Plain

مقدمه

کاربری اراضی به شیوه‏ای اطلاق می‏شود که زمین توسط انسان‏ها و زیستگاه آن‏ها با تأکیدبرنقش عملکردی زمین درفعالیت‏های اقتصادی مورد استفاده قرار می‏گیرد. درحالی که پوشش زمین به ویژگی‌های فیزیکی سطح زمین و توزیع پوشش گیاهی، آب، خاک وسایر ویژگی‌های فیزیکی آن اشاره دارد (1). به عبارتی دیگر منظور از کاربری زمین، فعالیتی است که انسان با هدف استفاده ازمنابع طبیعی، سبب رشد وتوسعه اقتصادی - اجتماعی خود شده و در عین حال، ساختارها و فرآیندهای حاکم بر محیط زیست را تغییر می‏دهد (2). درتعریف دیگر کاربری اراضی به نوع استفاده انسان از زمین اشاره دارد و این نوع استفاده در ارتباط با ارزش زمین با توجه به مشخصات طبیعی آن می‏باشد کاربری اراضی شامل انواع بهره‏برداری اززمین به‏منطور رفع نیازهای گوناگون می‏باشد (3).

در قسمت‏های مختلف زمین و استفاده از اطلاعات پایه برای برنامه‏ریزی‏های مختلف از اهمیت ویژه‏ای برخوردار است. بهره‏برداری اصولی ازمنابع طبیعی نیاز به الگوها و مدل‏های منطقه دارد تاضمن رعایت دستورالعمل‏های مدل‏های اکولوژیک، بهره‏برداری پایدار را نیز مدنظر قرار دهد. بنابراین یکی از پیش شرط‏های اساسی درراستای استفاده مطلوب از زمین، آگاهی از الگوهای کاربری اراضی و تغییرات آن در طول زمان است (4). به دلیل افزایش تغییرات کاربری اراضی آن هم عمدتا به وسیله فعالیت‏های انسانی، پایش تغییرات پوشش گیاهی، ارزیابی روند و بررسی اثرات محیط‏زیستی آن‏ها برای برنامه‏ریزی آینده و مدیریت منابع امری ضروری می‏باشد. پایش تغییر، فرآیند تعیین تفاوت در وضعیت یا حالت یک شیء یا پدیده با مشاهده آن در زمان‏های مختلف می‏باشد. کاربری یکی از عظیم‏ترین و محسوس‏ترین دگرگونی‏های سطح زمین بوده است و ارزیابی این تغییرات در مقیاس‌های فضایی متنوع در طیف وسیعی از دیدگاه‌ها مانند حفاظت از محیط‏زیست، مدیریت منابع، برنامه‌ریزی کاربری زمین و توسعه پایدار امری ضروری است (5). نقشه‏های کاربری اراضی وپوشش زمین که درآن نوع والگوی مکانی استفاده ازسرزمین مشخص شده است برای برنامه ریزی در سطح محلی و منطقه‏ای حایز اهمیت هستند. در این خصوص برای تهیه نقشه‏های کاربری اراضی بروز، استفاده از روش‏های سنتی مانند نقشه‏برداری زمینی عموما وقت‏گیر و پرهزینه می‏باشند. به همین دلیل امروزه استفاده از فناوری سنجش از دور و بکارگیری تصاویر ماهواره‏ای به دلایلی مانند صرفه‏جویی در زمان، کاهش هزینه‏ها نسبت به روش سنتی، بروز بودن اطلاعات، افزایش دقت و سرعت می‏تواند در شناسایی محیط و شناخت و استخراج کاربری‏های آن در جهت تصمیم‏گیری برای برنامه‏ریزی‏ها، کارآمد و مفید باشد (6). بنابراین آشکارسازی و مدل سازی تغییرات کاربری اراضی با استفاده از داده‏های سنجش از دور در محیط GIS می‏تواند شناخت مناسبی از چگونگی تغییرات کاربری اراضی داده و در مدیریت آن راهکارهای مناسبی ارائه دهد (7).

تجزیه و تحلیل این داده‏های ماهوارهای می‏تواند بینش‏های صحیح جهت تعامل انسان با محیط طبیعی فراهم کند. به خصوص استفاده از تجزیه و تحلیل تصاویر چندطیفی می‏تواند به انسان جهت شناسایی پوشش زمین کمک کند (8).

استفاده از روش‏های سنتی در دهه‏‏های گذشته از قبیل نقشه‏های کاغذی، اجرای عملیات صحرایی و داده‏های آماری در دسترس جهت شناسایی کاربری اراضی و تغییرات آن، زمان‏بر و مقرون به‏صرفه نبود (9). سنجش از دور (RS)[9] و سیستم اطلاعات جغرافیایی (GIS)[10] ابزارهای ضروری در به دست آوردن داده‏های مکانی دقیق و به موقع از کاربری زمین و تجزیه و تحلیل آن تغییرات در یک منطقه مورد مطالعه هستند (10).

امروزه تکنولوژی سنجش از دور و سامانه اطلاعات جغرافیایی (GIS) ابزارهای مناسب و موثری برای پایش تغییرات محیطی و استخراج کاربری اراضی است و دارای بیشترین سرعت و دقت در این زمینه می‏باشند که می‏توان با استفاده از داده‏های چند‏زمانه سنجش از دور در کوتاه‏ترین زمان و کمترین هزینه نسبت به استخراج کاربری‏های اراضی اقدام کرد و سپس با مقایسه آن در دوره‏های زمانی مختلف نسبت تغییرات را ارزیابی نمود. سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS) در مدلسازی تغییرات کاربری اراضی نقش فراوانی در تجزیه و تحلیل هر یک از کلاس‏های کاربری‏ها دارد به طوری که باپردازش تصاویر وصحت طبقه بندی وانتخاب مناسب باندها می‏توان به نتایج قابل قبولی درامرمدیریت سرزمین وپیش بینی تغییرات آینده دست پیداکرد. تصاویر سنجش از دور با وضوح متغیر در ترکیب با مدل‏های توصیفی، چشم‌ اندازفوق ‌العاده‌ای را برای مشخص کردن اراضی نشان می‏دهند (10).

سوابق پژوهش‏های انجام شده در ایران و جهان

در چند دهه اخیر مطالعات متعددی در زمینه به کارگیری سنجش از دور و تصاویر ماهواره‏ایی جهت استخراج نقشه‏های کاربری اراضی و بررسی تغییرات ایجاد شده در پوشش زمین انجام گرفته است که به چند مورد از آنها اشاره شده است. حسینی و همکاران در مطالعه سال 2019 تغییرات کاربری منطقه طارم، واقع در شمال غرب ایران را مورد بررسی قرار دادند، سپس با استفاده از تصاویر ماهواره لندست مربوط به سال‏های 1393 و 1398 انواع کاربری‏های منطقه به روش طبقه‏بندی نظارت شده حداکثر احتمال تشابه استخراج شد. نتایج نشان داد، بیشترین مساحت محدوده مطالعاتی، متعلق به پهنه کوهستانی است و مشخص گردید که بیشترین تغییرات در کاربری اراضی مربوط به زمین‏های بایر و مراتعی است که در طی سه سال، تبدیل به باغات گردیده و در آنها درخت‏کاری انجام شده است (11).

فرخ نیا و همکاران در سال 2018 با استفاده از تصاویر ماهواره‏ای و تکنیک‏های طبقه‏بندی در خصوص تغییر کاربری اراضی در حوضه آبریز دریاچه ارومیه طی بازه 1366-1386 نشان دادند که اراضی زیرکشت آبی با 32 درصد و اراضی دیم با30 درصد به ترتیب رتبه‏های اول و دوم بیشترین نرخ افزایش وسعت را داشته‏اند. این در حالی است که مراتع کاهش 5/8 درصدی را در دوره مطالعاتی نشان دادند (12).

در مطالعه‏ای دیگر رودریگوز و همکاران در سال 2018 به تأثیر تغییر کاربری زمین بر تنوع زیستی و اکوسیستم در جنگل‏های معتدل شیلی پرداختند و به این نتیجه رسیدند که تغییر کاربری زمین بر تنوع زیستی و خدمات اکوسیستم که به طور ذاتی با یکدیگر مرتبط اند تأثیر می‏گذارد (13).

کیانی سالمی و همکاران در سال 2018در تحقیقی با استفاده از تصاویر ماهواره‏های⁺ETM و OIL لندست 7 و 8 در فاصله زمانی 1382 تا 1395 با الگوریتم حداکثر احتمال تشابه اقدام به شناسایی تغییرات کاربری اراضی شهرکرد کردند، تغییرات نشان می‏دهد میزان اراضی شهری از 1632 هکتار در سال 1382 به 2220 هکتار در سال 1395 توسعه یافته است. میزان فضای سبز شهری نیز از 577 هکتار در سال 1382 به 664 هکتار در سال 1395 افزایش یافته است. نتایج نشان می‏دهد که میزان اراضی شهری در سال 1395، به میزان 13 درصد نسبت به سال 1382 افزایش یافته است، در حالی که فضای سبز شهری 6/11 درصد افزایش یافته است (14).

در تحقیقی سبزقبایی و همکاران در سال 2017 با استفاده از تصاویر ماهواره‏های MSS و TM لندست 5 و 8 در سال‏های 1364، 1379 و 1392 به روش طبقه‏بندی نظارت شده با الگوریتم حداکثر احتمال تشابه، تغییرات کاربری اراضی بخش جنوبی شهر اندیمشک را طی سال‏های 1364 تا 1392 مورد بررسی قرار دادند، نتایج نشان داد که از سال 1364 تا 1392 مساحت مراتع کاهش یافته و به مساحت مناطق مسکونی، زمین‏های کشاورزی و اراضی پوشیده از آب افزوده شده است. بیشترین تغییر در میان کاربری‏های مورد مطالعه در بازه زمانی 28 ساله مربوط به زمین‏های مرتعی می‏باشد که به میزان 09/17905 هکتار کاهش داشته است و کمترین تغییر مربوط به مناطق شهری می‏باشد که به میزان 97/2840 هکتار افزایش داشته است (15).

مظاهری و همکاران در سال 2014در پژوهشی به بررسی تغییرات زمانی کاربری اراضی منطقه‏ی جیرفت با استفاده از تصاویر ماهواره‏ای لندست (TM و‏ ⁺ETM) در بازه‏ی زمانی 1978 تا2010 پرداختند. تجزیه و تحلیل تغییرات زمانی تصاویر نشان داد که در طی 23 سال در منطقه‏ی تحقیق، مناطق مسکونی 9/7 درصد و مناطق زراعی 10/42 درصد افزایش یافته‏اند و از سویی دیگر مناطق باغی و بایر نیز هر کدام به ترتیب 93/17 و 07/32 درصد کاهش یافته‏اند(16).

با استفاده از تصاویر ماهواره‏ای و سیستم اطلاعات جغرافیایی، پاندیان و همکاران در سال 2014 تغییرات کاربری اراضی منطقه تامیل نادو کشور هند را در دو بازه زمانی مورد بررسی قرار دادند، نتایج نشان داد که در بازه‏های زمانی مورد نظر در پژوهش، تغییرات عمده در کاربری اراضی ایجاد شده است، که از آن جمله می‏توان به تغییرات اراضی با کاربری کشاورزی که از 9/33 درصد به 3/26 درصد کاهش یافته و درصد زمین‏های بایر که از 9/43 درصد به 54 درصد افزایش یافته است، اشاره نمود (17).

یوسفی و همکاران در سال 2014 تغییرات کاربری اراضی دشت بجنورد را مورد بررسی قرار دادند. در این پژوهش از الگوریتم حداکثر احتمال جهت طبقه‏بندی تصاویر ماهواره‏های لندست 5 و8 در سال‏های 1377، 1385 و 1392 استفاده گردید. نتایج بیانگر تغییرات گسترده‏ای در منطقه مورد مطالعه بوده است. اراضی دیم و مراتع روندی کاهشی را در بازه زمانی مورد مطالعه داشته است. اراضی کشاورزی آبی و باغات نیز تا سال 1385 روند کاهشی و در بازه بعدی تا سال 1392 روند افزایشی داشته است اراضی شهری و انسان ساخت نیز از 7/17 درصد کل منطقه در سال 1377 به 2/30 درصد در سال 1385 و 48/36 درصد در سال 1392 افزایش یافته است (18).

در منطقه‏ی شهری تیری پاتی در هند در بازه زمانی 1973 تا 2003 مالاپاتو و همکاران در سال 2013 اقدام به تجزیه و تحلیل تغییرات کاربری اراضی زمین با استفاده از سنجش از دور، سامانه اطلاعات جغرافیایی و تصاویر ماهواره‏ای کردند، نتایج این مطالعه نشان دهنده‏ی افزایش قابل توجه در مساحت مناطق شهری و همچنین کاهش معنی‏دار در مناطق کشاورزی و جنگلی در طی دوره‏ی مورد مطالعه است (19).

آلدوسکی و همکاران در سال 2013 با استفاده از تصاویر ماهواره‏ای لندست و روش طبقه‏بندی نظارت شده تغییرات پوشش اراضی در حلبچه عراق راطی سال‏های 1990-1986 بررسی نمودند. نتایج تحقیق درمنطقه مورد مطالعه کاهش 8/40% اراضی کشاورزی و افزایش 9/57% مناطق شهری و 14% پوشش گیاهی را مشخص نمود (20). هاکو و همکاران در سال 2017 با کاربرد داده‏های ماهواره‏ای دربنگلادش گزارش نمودند تغییر قابل ملاحظه کاربری اراضی وتوسعه بی‏رویه اراضی کشاورزی در طول 30 سال موجب تخریب گسترده جنگل‏ها و مراتع شده است (21).

در مطالعه‏ای در سال 2012 ارنرو همکاران، به بررسی ویژگی‌های زمانی و مکانی گسترش شهری در خلیج گوک ترکیه به منظور حمایت از مفهوم توسعه پایدار با استفاده از سنجش از دور (RS) و تصاویر ماهواره‏ای و ترکیب آن با سیستم اطلاعات جغرافیایی (GIS) پرداختند. نتایج حاصل از تصاویر ماهواره‏ای با وضوح بالا نشان داد که در منطقه مورد مطالعه نرخ ساخت و ساز 135.72 درصد افزایش و پوشش گیاهی 29.38 درصد کاهش داشته است (22).

رفیع شریف آباد و همکاران (1395) در مطالعه‏ایی با استفاده از تصاویر ماهواره‏ای به بررسی روند تغییرات کاهش کیفیت آب زیرزمینی دشت اردکان یزد پرداختند. نتایج مطالعات آن‏ها نشان دهنده افزایش وسعت کاربری شهری و مسکونی و نیز کاهش اراضی مرتع طی سال‏های مطالعاتی بود که درنتیجه این تغییرات کاهش کیفیت در منابع آب رخ داده است (23). در تحقیقی در سال 2017 سبزقبایی و همکاران با استفاده از تصاویر ماهواره‏های MSS و TM لندست 5 و 8 در سال‏های 1364، 1379 و 1392 به روش طبقه‏بندی نظارت شده با الگوریتم حداکثر احتمال تشابه، تغییرات کاربری اراضی بخش جنوبی شهر اندیمشک را طی سال‏های 1364 تا 1392 مورد بررسی قرار دادند، نتایج نشان داد که از سال 1364 تا 1392 مساحت مراتع کاهش یافته و به مساحت مناطق مسکونی، زمین‏های کشاورزی و اراضی پوشیده از آب افزوده شده است. بیشترین تغییر در میان کاربری‏های مورد مطالعه در بازه زمانی 28 ساله مربوط به زمین‏های مرتعی می‏باشد که به میزان 09/17905 هکتار کاهش داشته است و کمترین تغییر مربوط به مناطق شهری می‏باشد که به میزان 97/2840 هکتار افزایش داشته است (24).

نصرالهی و همکاران (1393) در مطالعه‏ای تاثیر روند تغییرات کاربری اراضی بر منابع آب زیرزمینی دردشت گیلانغرب را با استفاده از تصاویر ماهواره‏ایی مورد ارزیابی قرار دادند و پی بردند که در اثر جایگزینی کاربری مرتع باکاربری‏های کشاورزی دیم و کشاورزی آبی بر میزان افت آب زیرزمینی افزوه شده است (25).

منطقه مورد مطالعه

استان تهران با وسعتی حدود 12981 کیلومتر مربع بین طول‏های شرقی'20°50 و'09 °53 و عرض‏های شمالی '53 °34 و'07 °36 جغرافیایی، دربخش‌ شمال کشور قرار گرفته است. این استان از شمال به استان مازندران، از جنوب به استان قم، از جنوب‌غربی به استان مرکزی، از غرب به استان البرز و از شرق به استان سمنان محدود می‌شود،. محدوده مورد مطالعه با وسعتی حدود 30446 هکتار، از شمال به تهران، از جنوب به شهرستان قم، از شرق به شهرستان ورامین و شهرستان پاکدشت، از غرب به شهرستان‌های اسلامشهر، رباط کریم محدود می‌شود.

منطقه تحقیق بخشی از حوضه فلات مرکزی را شامل می‏باشد که از نقطه نظر تقسیم‏بندی هیدرولوژیکی حوضه‏های آبریز کشور در حوضه آبریز دریاچه نمک قرار گرفته است (شکل 1).

شکل 1- موقعیت جغرافیایی منطقه‏ی مطالعاتی

Figure 1- Geographical location of study area

روش شناسی تحقیق

داده‏ها و نرم افزارهای مورد استفاده

به‏جهت مشخص کردن تغییرات کاربری اراضی از تصاویر ماهواره‏ای لندست استفاده شده است. تصاویر ماهواره‏ای از سایت سازمان زمین‏شناسی ایالات متحده آمریکا (USGS)[11] دانلود گردید. تصاویرارائه شده توسط ماهواره لندست 5 و8 برای سال‏های 1387، 1390، 1393، 1396 و 1399 جهت شناسایی کاربری اراضی مورد استفاده قرار گرفت. یک تصویر در شماره گذر (مسیر) 164 و شماره ردیف 035 منطقه تحقیق را در بر می‏گیرد. داده‏های تصاویر طوری انتخاب شدند که تاحد امکان دارای فصل مشابه از نظر پوشش گیاهی باشند با انجام تصحیحات اتمسفری مورد نیاز، بر اساس ورودی‏های مدل (FLAASH) [12]در جدول (1) و تایید زمین مرجع بودن تصاویر با استفاده از روش تصویر‏- ‏وکتور (همه تصاویر اخذ شده دارای سیستم مختصات جهانی جغرافیایی مرکاتور معکوس و زون 39 می‏باشند تصاویر با یکدیگر موزاییک و ادغام شدند و سپس براساس مرزهای محدوده مورد مطالعه تصاویر حاصل از مرحله قبل برش داده شده و به عنوان تصاویر نهایی برای انجام پژوهش انتخاب شدند. از آنجایی که هدف مطالعه‏ی حاضر، بررسی تغییرات کاربری اراضی دشت ری است، تصاویر مورد نیاز به گونه‏ای از میان تصاویر در دسترس انتخاب شدند که دارای شرایط تشابه فصل از نظر پوشش گیاهی، نزدیک بودن تاریخ تصاویر از نظر ماه، حداکثر میزان سبز بودن گیاهان، درختان، زمین‏های کشاورزی و مزارع موجود در منطقه و دارای حداقل پوشش ابر باشند. همچنین جهت پردازش و رقومی‏سازی این تصاویر از نرم‏افزارهای 5.3 ENVIکه قابلیت بالایی درتحلیل سامانه اطلاعات جغرافیایی دارد و نرم‏افزار 10.6 ArcGIS که برای تهیه نقشه‏های چندزمانه کاربری اراضی کاربرددارد برای پهنه بندی الگوی تغییرات اراضی استفاده شده است.

آماده‏سازی، پیش‏پردازش و پردازش تصاویر ماهواره‏ای

به طور کلی مراحل کار سنجش از دور شامل: پیش پردازش، پردازش و پس پردازش تصاویر می‏باشد (26). مرحله پیش پردازش در واقع تصحیح وبهینه سازی اطلاعات می‏باشد که سعی می‏شود خطاهای سیستماتیک و غیرسیستماتیک موجود در تصاویر تصحیح گردد. به عبارتی دیگر پیش پردازش داده‏ها به منظورآماده سازی آن‏ها برای ورود به طبقه‏بندی صورت می‏گیرد. از جمله مراحل پیش پردازش تصحیحات هندسی و رادیو متریکی هستند که قبل ازهرگونه استفاده از تصاویر ماهواره‏ای باید توسط کاربران کنترل شوند (27).

پیش از شروع تجزیه و تحلیل بر روی داده‏های سنجش از دور باید تصحیحاتی بر روی این داده‏های خام انجام شود.

از مهمترین مراحل در پردازش تصاویر ماهوره‏ای، مرحله پیش‏پردازش این تصاویر است، به دلیل اینکه تمامی محاسبات بعدی بر اساس تصویر تولیدی در این مرحله انجام می‏گیرد در این مرحله بایستی خطاها شناسایی شوند (28). به عبارت دیگر داده‏های ماهواره‏ای دارای یکسری خطاها می‏باشند که باید نسبت به برطرف کردن آن‏ها اقدام کرد. تصاویرماهواره‏ای گاهی باخطاهای سیستماتیک رادیومتریک مواجه می‏شوند که ارزش آن‏ها را برای بررسی‏های بعدی وپردازش‏هایی که به‏منظور استخراج اطلاعات ارزشمندانجام می‏شوند، ازبین می‏برد. به همین منظور لازم است تااین خطاها تا حد امکان ازروی تصاویر ماهواره‏ای برداشته شوند (29). این خطاها را می‏توان به دو گروه خطاهای ژئومتریک و خطاهای رادیومتریک دسته‏بندی کرد (30).

هر عامل یا پارامتری که امواج الکترومغناطیس (EMR)[13] رسیده به سنجنده را تحت تاثیر قرار دهد به گونه‏ای که ماهیت اولیه آن را تغییر دهد به عنوان یک عامل اثرگذار و خطای رادیومتریکی شناخته می‏شود. تصحیح اتمسفری نیز در راستای تصحیح رادیومتریکی بوده و برای برطرف‏‏سازی اثرات اتمسفر، که به وسیله پراکنش و جذب مولکولی ذرات موجود در اتمسفر در هنگام تابش و در حسگر در هنگام بازتاب از سطح ایجاد می‏شود به کار می‏رود، مهمترین عوامل ایجاد‏کننده خطاهای رادیومتریکی زمین، اتمسفر و سنجنده است (31).

معمولاً تصاویر ماهواره‏ای دارای انحرافاتی هستند و نمی‏توان از این تصاویر به عنوان نقشه‏های مسطح بطور مستقیم استفاده کرد. هدف از تصحیحات هندسی جبران خطاهایی است که لایه‏ی رقومی تصحیح شده قابلیت انطباق با موقعیت‏های سطح زمین را داشته باشد (32).

به طور کلی منظور ازتصحیح هندسی یک تصویر، تغییر سیستم مختصات اجزای سازنده تصویر و انطباق آن با نقشه‏های نظیرویا تصویری است که قبلا برروی آن تصحیح هندسی صورت گرفته است (23).

در این تحقیق تصاویر ماهواره‏ایی از سایت سازمان زمین‏شناسی ایالات متحده آمریکا (USGS) دانلود گردید.جهت پردازش تصاویر ماهواره‏ای ابتدا خطاهای هندسی و رادیومتریک داده‏های خام شناسایی و برطرف شدند. برای تصحیح هندسی تصاویر با توجه به زمین مرجع بودن تصاویر، از روش تصویر به تصویراستفاده شده است. برای انطباق دقیق موقعیت پدیده‏ها با مختصات جغرافیایی آن‏ها در سطح زمین، تصویر سال 1399 به دلیل نزدیک بودن به زمان تحقیق و شناخت بهتر پدیده‏ها بر اساس نقشه‏های توپوگرافی 1:50000 و 27 نقطه کنترل زمینی برداشت شده با GPS، با پراکنش مناسب از تقاطع جاده‏ها و خیابان هاونقاط مشخص و... با خطای (RMS)[14] 36/0پیکسل تصحیح هندسی شد و به عنوان مرجع، برای تصحیح تصاویر سال‏های 1396، 1393، 1390 و 1378 با استفاده از معادله درجه اول مورد استفاده قرار گرفت. پس از تصحیح هندسی، برای ایجاد تصویر جدید، نمونه‏برداری مجدد با روش نزدیکترین همسایه انجام گرفت. در این روش برای محاسبه درجه روشنایی پیکسل تصویر جدید، از درجه روشنایی پیکسل‏های مجاور استفاده می‏شود و ارزش طیفی پیکسلی که به پیکسل جدید نزدیک‏تر است به آن تعلق می‏گیرد. این روش از تغییر ارزش پیکسل‏های اولیه جلوگیری می‏کند (33).

در نهایت تصویر سال‏های 1396، 1393، 1390 و 1387 نسبت به تصویر سال 1399 با خطای RMS کمتر از 39/0 پیکسل تصحیح هندسی شدند. به منظور انجام تصحیح اتمسفری از الگوریتم FLAASH در محیط نرم‏افزار 5.3 ENVI استفاده شد. از آنجایی که این الگوریتم از مدل انتقال تابش 4 MODTRAN استفاده می‏کند دارای دقت تصحیح اتمسفری بالایی است (34).

الگوریتم تصحیح اتمسفری FLAASH با فرض حضور پیکسل‏های تیره که می‏توان به عنوان پیکسل مرجع با بازتاب سطحی مشخص در نظر گرفته شود، انجام می‏شود (35).

نسخه 5.3 ENVI محیطی برای بصری‏سازی و پردازش تصاویر ماهواره‏ای است که با استفاده ازاین نرم‏افزار می‏توان تصاویر حاصل از سنجنده‏های هوابرد و فضابرد را به انجام رساند. همچنین، امکان پردازش انواع داده‏های سنجش ازدوردریک محیط کاربرپسند بصورت جامع فراهم شده است. تصحیح اتمسفری، به میزان قابل ملاحظه‏ای وضوح تصویر را افزایش می‏دهد. در جدول 1 پارامترهای ورودی مدل FLAASH ارائه شده است.

طبقه‏بندی تصاویر

یکی از تحلیل‏های مهمی که برروی تصاویر ماهواره‏ای انجام می‏گیرد، طبقه بندی این تصاویر می‏باشد. در حقیقت فرآیند طبقه‏بندی تصویر، تبدیل داده‏ها به اطلاعات قابل درک است (36). طبقه‏بندی رقومی تصاویرکمک می‏کند تا فرآیند طبقه‏بندی به واقعیت نزدیک‏تر باشد (37). طبقه‏بندی تصاویر به عنوان اصلی‏ترین مرحله پردازش تصاویر محسوب می‏شود در این روش، امکان تبدیل فضای تصویر (بازتاب‏های ثبت شده در باندهای مختلف) به فضای واقعی (نقشه‏های پوشش زمین و کاربری اراضی) ممکن می‏شود. اصولاً، طبقه‏بندی فرآیند دسته‏بندی پیکسل‏ها در تعداد مشخصی از دسته‏بندی بر اساس ارزش‏های بازتابشی ثبت شده در فضای هر تصویر ماهواره‏ای است (38). به طورکلی می‏توان روشهای طبقه بندی رابه دو روش نظارت شده و نظارت نشده تقسیم بندی نمود(37).

جهت طبقه‏بندی نظارت شده تصاویر ماهواره‏ای، پس از تعیین کلاس‏های کاربری ‏اراضی ابتدا باید برداشت نمونه‏ های تعلیمی یا آموزشی برای هر کدام از کلاس‏ها با دقت انجام شود. انتخاب این نمونه‏ها باید به صورتی انجام شود تا این نمونه‏ها سطح منطقه تحقیق با کاربری‏های مختلف را پوشش داده و دارای پراکنش مناسبی در سطح تصویر باشند. نمونه‏های آموزشی مورد نیاز بر اساس بازدید‏های صحرایی به صورت تصادفی با استفاده از دستگاه ¹ (GPS) برای هر یک از کاربری‏های شناسایی شده در منطقه و تصاویر ماهواره‏ای نرم افزار Google Earth با بزرگ‏نمایی بالا و بازدیدهای میدانی جهت تایید صحت نمونه‏های برداشت شده از طریق Google Earth که روش توصیه شده توسط محققین مختلف است، تهیه شده است(39) شکل(2). پس از جمع‏آوری نمونه‏های تعلیمی و پیاده‏سازی بر روی تصاویر در نرم‏افزار 5.3 ENVI ازالگوریتم حداکثر احتمال همسایگی برای طبقه‏بندی تصاویر استفاده شد. در نهایت نقشه کاربری اراضی اولیه برای هر تصویر بر اساس نمونه‏های آموزشی برداشت شده و الگوریتم حداکثر احتمال همسایگی تهیه گردید.

جدول 1- پارامترهای ورودی مدل FLAASH برای هر تصویر

Table 1- FLAASH model input parameters for each image

شکل 2 - نقشه موقعیت نقاط تعلیمی برداشت شده

Figure 2- Map of the location of educational points[15]

جهت بهبود نتایج حاصله و حذف پیکسل نویزهای تصاویر طبقه‏بندی شده از فیلتر اکثریت با ابعاد 3×3 استفاده شده است. الگوریتم حداکثر احتمال همسایگی، از روش‏های طبقه‏بندی پیکسل‏پایه و از پرکاربردترین الگوریتم‏ها در طبقه‏بندی تصاویر ماهواره‏ای است. این الگوریتم ازدسته الگوریتم‏های یادگیری برپایه مثال بوده وجزء 10 الگوریتم برتر داده‏کاوی محسوب می‏شود (40). در این روش کلاسی به پیکسل مورد نظر تعلق می‏گیرد که بیش‏ترین احتمال تعلق پیکسل به آن کلاس وجود دارد .درفرآیند طبقه بندی باالگوریتم نزدیک‏ترین همسایه پیکسل‏ها براساس وزنشان به کلاس‏های مختلف نسبت داده می‏شوند (طبقه‏بندی نرم) دراین روش طبقه‏بندی، پیکسل آمیخته ازیک درجه عضویت برای هرکلاس برخوردار است و بر اساس منطق فازی متناسب با بیشترین درجه عضویت دریک کلاس خاص طبقه بندی می‏شوند (41). به هنگام استفاده ازطبقه‏بندی نزدیک‏ترین همسایه، بالاترین درجه عضویت، نزدیک ترین فاصله ازیک نمونه معین را نشان می‏دهد. برای هرکدام ازشیءهای تصویری افزایش شیب تابع نزدیک‏ترین همسایه می‏تواند باعث افزایش نتیجه بهترین طبقه‏بندی گردد (42).

این روش پارامتریک کلاس‏بندی، از واریانس و کوواریانس داده‏ها برای تفکیک طبقات استفاده می‏کند (43). الگوریتم نزدیک‏ترین همسایگی یک روش پارامتری مورد استفاده برای طبقه‏بندی ورگرسیون است.درهرمورد، ورودی شامل نزدیک‏ترین نمونه‏های آموزشی در فضای ویژگی می‏باشد. در هر مورد طبقه‏بندی ورگرسیون، می‏توان به کمک همسایگان وزن‏دهی را انجام داد، به طوری که همسایه نزدیک‏تر اهمیت بیشتری نسبت به همسایه دورتر دارد (44).

در این روش، از پارامترهای آماری برای هر دسته (کلاس) از کاربری اراضی استفاده می‏شود و فرض می‏شود که هر کلاس کاربری در هر باند، دارای تابع توزیع نرمال می‏باشد. در این روش، احتمال تعلق یک پیکسل مشخص، به یک کلاس مورد نظر بر اساس رابطه (1) محاسبه می‏شود (45).

رابطه 1

در رابطه فوق i نشانگر هر کلاس کاربری می‏باشد. X داده n بعدی است (n تعداد باندها می‏باشد). پارامتر p(wi) احتمال اینکه کلاس wi در تصویر وجود داشته باشد را محاسبه می‏کند و فرض شده است که مقدار آن برای همه کلاس‏ها یکسان است. |Σi| دترمینان ماتریس کوواریانس داده‏ها در کلاس wi، Σxi^-1، ماتریس معکوس آن و mi نیز، بردار میانگین است.

تعیین روش پایش تغییرات

آشکارسازی تغییرات فرآیندی است که وضعیت تغییرات پدیده‏ها را از روی تصاویر به دست آمده در زمان‏های مختلف مشخص می‏کند. روش‏های مختلفی برای آشکارسازی تغییرات کاربری اراضی از داده‏های سنجش از دور ایجاد شده‏اند. این روش‏ها به‏طور کلی در دو طبقه قرار می‏گیرند، دسته اول روش‏ پیش‏طبقه‏بندی است، روش‏هایی که آشکارسازی تغییرات را انجام می‏دهند و سپس طبقات را مشخص می‏کنند (46).

فرض اساسی در این روش‏ها این است که تغییرات کاربری زمین، در نتیجه تفاوت‏های مقادیر بازتاب پیکسل‏ها بین تاریخ‏های مورد نظر است (47). دسته دوم، رویکرد پس‏طبقه‏بندی است، روش‏هایی هستند که اول طبقات را مشخص می‏کنند و سپس آشکارسازی تغییرات را انجام می‏دهند (46). برای محاسبه و تعیین تغییرات در این تحقیق از روش مقایسه پس از طبقه‏بندی استفاده شد و تغییرات کاربری اراضی در مقاطع زمانی مورد مطالعه تعیین گردید جدول (3و4). این روش جهت تعیین تغییرات نیاز به نقشه‏های کلاس‏بندی شده‏ای دارد که به‏ طور مستقل تهیه شده‏اند. از مزایای این روش این است که می‏تواند داده‏های پایه‏ای سازگار با محیط GIS ایجاد کند که به عنوان کلاس یا گروه تعریف می‏شود و مقادیر کمی هر کلاس را تعیین نماید (48). این محاسبه عددی با مقایسه دو نقشه طبقه‏بندی شده کاربری اراضی، با استفاده از جفت کلاس‏های مشخص شده توسط تحلیل گر انجام می‏شود (49). برای محاسبه و اندازه‏گیری بزرگی تغییرات هر یک از کلاس‏های کاربری اراضی در هر دوره زمانی، از تفاضل مساحت محدوده هر کلاس در سال دوم از مساحت سال اول بر اساس رابطه (2) محاسبه شده است.

رابطه (2) MC=A_i2-A_i1                                                    

در رابطه فوق، MC بزرگی تغییرات، A_i2 وAi1 نیز به ترتیب مساحت کلاس i در سال دوم و مساحت آن کلاس در تصویر سال قبل است. با تقسیم نتیجه رابطه (2) بر مقدار مساحت آن کلاس در سال اول و ضرب در 100، بر طبق رابطه (3)، روند یا درصد تغییر (PC) هر کلاس محاسبه می‏شود.

رابطه (3) PC=(MC/A_i1) ×100                                       

ارزیابی صحت طبقه‏بندی

در طبقه‏بندی نظارت شده، اساس کار طبقه‏بندی روی نمونه‏های تعلیمی و خصوصیات طیفی آنها استوار می‏باشد. در مطالعات دورسنجی به منظور ارزیابی صحت نقشه‏های تولید شده، نقشه واقعیت زمینی )نقشه مبنا( را میتوان به صورت بصری از روی تصاویر هوایی بزرگ مقیاس و یا از روش میدانی تهیه کرد برای تهیه نقشه واقعیت زمینی دقیق از تمام کاربری‏ها در منطقه مورد مطالعه، با استفاده از GPS، نمونه‏های تعلیمی به صورت پراکنده و تصادقی برداشت شد و در حین برداشت موقعیت این نقاط بر روی تصویر منطقه مورد مطالعه، نیز مشخص گردید. از طریق معیار تفکیک واگرایی جفریز- ماتوسیتا بهترین مجموعه کلاس‏ها برای طبقه‏بندی تعیین شد حد تفکیک معیار واگرایی و فاصله جفریز- ماتوسیتا بین 2-0 می‏باشد اگر در کلاس‏ها حد تفکیک پذیری بیش از 9/1 باشد نشان دهنده این است که کلاس‏ها تفکیک پذیری خوبی دارند و در صورتی که حد تفکیک‏پذیری کمتر از 1 باشد، نشان دهنده این است که تفکیک پذیری پایین دارند(50).

در فرایند طبقه‏بندی تصاویر، تا زمانی که دقت تصاویر تولید

شده مورد ارزیابی قرار نگرفته و تایید نشود، به نتایج آن نمی‏توان اعتماد کرد. بنابراین، باید صحت تصاویر تولید شده مورد سنجش قرار گیرد. بدین منظور، آماره دقت کلی‏کلاس‏بندی و ضریب کاپا، با استفاده از ماتریس خطا محاسبه شد .دقت کلی طبقه‏بندی، درصد سلول‏هایی را که به درستی طبقه‏بندی شده‏اند را نشان می‏دهد و از جمع عناصر قطر اصلی ماتریس خطا، تقسیم بر تعداد کل پیکسل‏ها به‏‏‏‏‏دست می‏آید. در نقشه‏های کاربری استخراج شده از تصاویر ماهواره‏ای، این مقدار باید بالاتر از 85 درصد باشد که از طریق رابطه (4) محاسبه می‏شود (7).

رابطه (4)                                                   

در رابطه (4)، OA بیانگر دقت کلی، N تعداد کل پیکسل‏های مورد استفاده در طبقه‏بندی و Pij جمع عناصر قطر اصلی ماتریس خطا است. ضریب کاپا نیز تطابق بین نتایج طبقه‏بندی و واقعیت زمینی را نشان می‏دهد که از طریق رابطه (5) محاسبه می‏شود (51).

رابطه (5)                                

در رابطه (5)، P0 بیانگر درستی مشاهده شده و Pc بیانگر توافق مورد انتظار است. حالت ایده‏آل برای مقدارضریب کاپا عدد یک می‏باشد و چنانچه این مقدار برابر صفر باشد طبقه‏بندی کاملاً تصادفی و اگر مقدار منفی به دست بیاید نشان‏دهنده خطا در طبقه‏بندی است. در جدول (2) نتایج حاصل از محاسبات دقت کلی و ضریب کاپا برای هر یک از طبقه‏بندی‏های انجام شده نشان داده شده است.

یافته‏های تحقیق

پس از اعمال روش طبقه‏بندی نظارت ‏شده حداکثر احتمال همسایگی با استفاده از نمونه‏های آموزشی در نرم‏افزار ENVI، طبقه‏بندی تصاویر ماهواه‏ای انجام شد. بدین ترتیب نقشه کاربری‏ اراضی برای سال‏های 1387، 1390، 1393، 1396 و 1399 در 4 کلاس کاربری اراضی شامل اراضی‏زراعی آبی، بایر، مسکونی و صنعتی، مطابق شکل‏های (3 تا 7) استخراج شد. در مرحله بعد، با انجام بازدید میدانی و نمونه‏برداری تصادفی با دستگاه GPS از کاربری‏های مختلف در سطح منطقه، پارامترهای صحت کلی و ضریب کاپا بر طبق جدول (2) بدست آمد. سپس به منظور گرفتن خروجی و ساخت نقشه، از نرم‏افزار 10.6Arc Map استفاده شده است. پس از به دست آوردن خروجی مدنظر، بر اساس نقشه‏های تولیدی، مساحت هر کلاس و شناسایی تغییرات کلاس‏های مختلف در طول دوره‏های زمانی مورد مطالعه بر اساس روش مقایسه پس ازطبقه بندی درجدول های(4و3) محاسبه گردید.

جدول 2- نتایج حاصل از صحت طبقه بندی تصاویر

Table 2- The results of the accuracy of image classification

مأخذ: محاسبات نگارندگان، 1400

Source: Authors' calculations, 1400

جدول 3- مساحت و درصد انواع کاربری‏ها در مقاطع زمانی مورد مطالعه در منطقه تحقیق و تغییرات آنها

Table 3- The area and percentage of land use types in the studied time periods in the research area and their changes

جدول 4- مساحت و درصد انواع کاربری‏ها در مقاطع زمانی مورد مطالعه در منطقه تحقیق و تغییرات آنها

Table 4- The area and percentage of land use types in the studied time periods in the research area and their changes

بر اساس نتایج حاصل، تغییرات انواع کاربری‏های اراضی برای سال‏های 1387، 1390، 1393، 1396 و 1399 به شرح زیر بوده است:

اراضی با کاربری کشاورزی

این اراضی به صورت کشت آبی شامل زراعت آبی و باغات است و در نقشه‏های کاربری اراضی مشخص شده‏اند. مساحت این اراضی در فاصله زمانی 1387 تا 1399 به میزان82/4 درصد افزایش یافته است. بر اساس نتایج مشخص شد که سطح این اراضی از 10/202 کیلومتر‏‏مربع (38/66 درصد) در سال 1387 به 35/204 کیلومتر‏‏مربع (67.12) درصد در سال 1390 و از 68/207 کیلومتر‏‏ مربع (21/68) درصد در سال 1393 به 68/211 کیلومتر‏‏ مربع (52/69 درصد) در سال 1396 و 76/216 کیلومتر‏‏ مربع (20/71 درصد) در سال 1399 افزایش یافته‏اند.

اراضی با کاربری صنعتی

سطح این اراضی در فاصله زمانی 1387 تا 1399 به میزان 3.21 درصد افزایش یافته است. سطح این اراضی از 45/34 کیلومتر ‏‏مربع (32/11 درصد) در سال 1387 به 72/35 کیلومتر‏‏ مربع (73/11 درصد) در سال 1390 و از 70/38 کیلومتر ‏‏مربع (84/12 درصد) در سال 1393 به 72/41 کیلومتر‏‏ مربع (70/13 درصد) در سال 1396 و 22/44 کیلومتر‏‏ مربع (52/14 درصد) در سال 1399 افزایش یافته‏اند.

اراضی با کاربری مسکونی

مساحت این اراضی نیز در فاصله زمانی مذکور به میزان 54/0 درصد افزایش یافته است. سطح این اراضی از 12/11 کیلومتر‏‏ مربع (65/3 درصد) در سال 1387 به 32/11 کیلومتر‏‏ مربع (72/3 درصد) در سال 1390 و از 23/12 کیلومتر‏‏ مربع (02/4 درصد) در سال 1393 به 36/12 کیلومتر‏‏ مربع (06/4 درصد) در سال 1396 و 76/12 کیلومتر‏‏ مربع (19/4 درصد) در سال 1399 افزایش یافته‏اند.

اراضی با کاربری بایر

مساحت اراضی با کاربری مرتع وبایر طی فاصله زمانی 1387 تا 1399 به میزان 56/8 درصد کاهش یافته است. سطح این اراضی از 79/56 کیلومتر مربع (65/18 درصد) در سال 1387 به 09/53 کیلومتر ‏‏مربع (44/17 درصد) در سال 1390 و از 86/44 کیلومتر‏‏ مربع (93/14 درصد) در سال 1393 به 71/38کیلومتر ‏‏مربع (72/12 درصد) در سال 1396 و 72/30 کیلومتر‏‏ مربع (09/10 درصد) در سال 1399 رسیده است. دلیل این امرتبدیل مراتع به اراضی کشاورزی و مناطق مسکونی و صنعتی و چرای بی رویه در طی سالیان اخیر بوده است.

بحث و نتیجه‏گیری

آشکارسازی و بررسی تغییرات یکی از مهم‏ترین کاربردهای داده‏های سنجش از دور است. قابلیت تکرار دوره‏ای در طی زمان، باعث شده است که بتوان از این داده‏ها جهت شناسایی و بررسی پدیده‏های متغیر و پویا در محیط استفاده کرد. در این راستا روش‏های رقومی متعددی برای آشکارسازی و کشف تغییرات و تحولات پدیده‏های سطح زمین در سنجش از دور توسعه یافته است. تحقیق حاضر با هدف آشکارسازی تغییرات کاربری اراضی برای چهار دوره زمانی3 ساله، از سال 1387 تا 1399 در سطح دشت ری انجام شد. برای انجام تحقیق حاضر از تصاویر ماهواره‏ای چند زمانه سنجش از دور استفاده شده است و پس از تهیه نقشه کاربری اراضی هر دوره، میزان تغییرات کاربری اراضی هرکدام از دوره‏ها استخراج شد. شکل (8) مساحت کاربری‏های اراضی سال‏های 1387، 1390، 1393، 1396 و 1399 و شکل‏های (10 و 9) درصد کاربری‏ها در سال‏های 1387 و 1399 را نشان می‏دهند.

،براساس این نمودارها و نتایج حاصل از بررسی تغییرکاربری اراضی در منطقه، طی فاصله زمانی 1387 تا 1399، مساحت اراضی بایر در بازه زمانی مورد مطالعه روند کاهشی و سایر کاربری‏ها روند افزایشی را طی نموده است، بطوری‏که وسعت اراضی با کاربری کشاورزی، صنعتی و مسکونی به ترتیب به میزان 66/14 کیلومتر مربع، 77/9 و 64/1کیلومتر مربع و بر حسب درصد این کاربری‏ها به میزان 82/4 درصد برای کشاورزی، 2/3 درصد برای صنعتی و 54/0 برای مسکونی دارای روند افزایشی می‏باشد که درنتیجه آن اراضی با کاربری بایر به میزان 07/26 کیلومتر مربع معادل56/8 درصد کاهش یافته است.

شکل 8- مساحت کاربری‏اراضی در مقاطع زمانی مورد مطالعه در منطقه تحقیق

Figure 8- Land use area in the studied time periods in the research area

  area                                                                                                                                   بر اساس این نمودارها و نتایج حاصل از بررسی تغییر کاربری اراضی در منطقه

بررسی دقت طبقه‏بندی نقشه‏های تولیدی، نشان دهنده دقت بالای آنها است که علت آن استفاده از نمونه‏های آموزشی برداشت شده با دستگاه GPS وتصاویرماهواره‏ای نرم‏افزار گوگل‏ارت با بزرگ‏نمــایی بالا، انجام عملیات میدانی برای بررسی صحت نمونه‏های آموزشی انتخاب شده، سطح زیاد و دقت در انتخاب نمونه‏های آموزشی است. این نتیجه با نظریه جانسن که صحت قابل قبول طبقه‏بندی کاربری اراضی با استفاده از تصاویر ماهواره‏ای را بالاتر از 85 درصد می‏داند مطابقت دارد (52). نتایج حاصل ازجدول2 نشان دهنده این است که طبقه‏بندی نظارت شده حداکثر احتمال همسایگی درسال 1399 باصحت کلی78/95درصد وضریب کاپا 93درصد نسبت به سال‏های 1387، 1390، 1393 و 1396 داری دقت بالاتری است. یکی ازدلایل مهم دستیابی به صحت بالادراین روش این است که علاوه براطلاعات طیفی، ازاطلاعات مربوط به بافت،شکل،موقعیت ومحتوانیزدرفرآیند طبقه بندی استفاده می‏شود .

نتایج تحقیق انجام شده گویای این مطلب است که مهم‏ترین عامل تغییرات کاربری اراضی درمنطقه، فعالیت‏های انسانی است که موجب تغییرات بسیاری در کاربری اراضی شده است، تجزیه وتحلیل مساحت این کاربری‏ها نشان داد که سطح اراضی کشاورزی افزایش چشمگیری پیداکرده که عمدتا این افزایش نتیجه تبدیل کاربری بایربه کشاورزی می‏باشد. افزایش جمعیت وگسترش فیزیکی شهرهای نزدیک منطقه موردتحقیق (ازجمله تهران وری) و نیازبه منابع غذایی بیشترباعث تبدیل این منطقه به عنوان یکی از قطب‏های مهم کشاورزی استان تهران گردیده است. درحقیقت یکی ازاهداف این تحقیق، مطالعه کاربری اراضی به منظورکمی کردن مساحت کاربری‏ها درمنطقه است تابتوان باتکیه براین اعدادکمی درتحقیقات وپژوهشهای بعدی رابطه بین تغییرات کاربریها و علت افزایش آلودگی‏های خاک وآب درمنطقه را بررسی نمود. درنهایت نتایج این مطالعه گویای این است که تلفیق فن های سنجش ازدور و سیستم اطلاعات جغرافیایی در اجرای مدل های ارزیابی تغییرات مکانی-زمانی کاربری اراضی، به منظور آگاهی از نوع و درصد کاربری اراضی و میزان تغییرات آن ها، بسیار کارآمد می‏باشد و به عنوان یک پارامتر مدیریتی می تواند برنامه ریزان بخش های مختلف اجرایی را در پایش و مدیریت محیط زیست یاری نماید.

Refrence

• Rawat, J., Manish Kumar, b., 2015. National Authority for Remote Sensing and Space Sciences. The Egyptian Journal of Remote Sensing and Space Sciences, vol. 18, pp. 77–84
• Mesbahzadeh, T., Soleimani Sardoo, F., 2019. Effects of land use change on agricultural water quality in Kerman Plain using remote sensing technique. Environmental Sciences Journal, vol.16, pp. 33-46
• Lynn, I., Manderson, A., Page, M., Harmsworth, G., Eyles, G., Douglas, G., Mackay, A., 2009. Land Use Capability Survey Handbook. New Zealand handbook for the classification of land, pp. 8-12
• Assefa, b., 2010. Analysis of Impact of Resettlement on Land Use and Land Cover Dynamics and Change Modeling: The Case of Selected Resettlement Kebeles in Gimbo Woreda, Kafa Zone. A Thesis Submitted to the School of Graduate Studies of Addis Ababa University for the Degree of Master of Science in Environmental Science, pp. 5-18
• Akhtar Alam, M., Sultan Bhat, M., 2020. Using Landsat satellite data for assessing the land use and land cover change in Kashmir valley. GeoJournal, vol. 85, pp. 1529–1543
• Feizizadeh, B., 2017. Modeling the Trends of the Land Use/Cover Change and Its Impacts on the Erosion System of the Allavian Dam Based on the Remote Sensing and GIS Techniques. Journal of Hydrogeomorphology, Vol. 3(11), pp.21-38
• Coppin, P., 2014. Review Article Digital change detection methods in ecosystem monitoring. International Journal of Remote Sensing, Vol. 25, pp. 1565-1596
• Brian, W., Michael, B., 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, vol. 31, pp. 525-532
• Shanani Hoveyzeh, S., Zarei, H., 2017. Investigation of Land Use Changes During the Past Two Last Decades (Case Study: Abolabas Basin). Journal of Watershed Management Research, vol. 7 (14), pp. 237-244
• Singh, SK., Mustak, S., Srivastava, PK., Szabó, S., Islam, T., 2015. Predicting spatial and decadal LULC changes through cellular automata Markov chain models using earth observation datasets and geo-information. Journal of Environmental Processes, vol. 2(1), pp. 107-115
• Hosseini, S.B., Saremi, A., Noori Gheydari, M., Sedghi, H., Firoozfar, A., Nikbakht, J., 2019. Pixel Based Classificatrion Analyisis of Land Use Land Cover in Tarom Basin. Journal of Soil and Water Resources Conservation, Vol. 8(4), pp. 135-151
• Farokhnia, A., Morid, S., Delavar, M., 2018. Study of Land Use Change in the Urmia Lake Water Shed Based on Landsat-TM Images and

Pixel-Based and Object-Based Classification Techniques, Iran J Irrig. Drain, Vol.4(12), pp. 823-839

• Rodríguez Echeverry, J., Echeverría, C., Oyarzún, C., Morales, L., 2018. Impact of land-use change on biodiversity and ecosystem services in the Chilean temperate forests. Landscape Ecology, Vol. 33, pp 439-453
• Kiani salmi, E., Ebrahimi, A., 2018. cover changes in the city of Shahrekord, and predicting its future status, using remote-sensing data and CA-Markov. Spatial Planning, Vol. 8 (1), pp.71-88
• Sabzghabaei, G., Raz, S., Dashti, S., Yousefi Khanghah, S., 2017. Study the Changes of Land Use by the Help of GIS & RS Case Study: AndimeshkCity. Iranian Journal of Geography And Development, vol. 15 (46), pp.35-42
• Mazaheri, M.R., Esfandyari, M., Masihabadi, M. H., Kamali, A., 2014. Monitoring time changes in land use using remote sensing techniques and GIS (Case study: Jiroft, Kerman). Journal of RS and GIS for Natural Resources,Vol. 4 (2), pp. 25-39
• Pandian, M., Rajagopal, N., Sakthivel, G., Amrutha, D.E., 2014. Land use and land cover change detection using remote sensing and GIS in parts of Coimbatore and Tiruppur districts, Tamil Nadu, India. International Journal of Remote Sensing & Geoscience, Vol. 3 (1), pp. 15-20
• Yousefi, M., Farsi, J., 2014. Detection of land -use changes using remote sensing data (Case study: Bojnourd plain). Journal of Geography and Environmental Studies, vol. 2 (7), pp. 95-106
• Mallupattu, P.K., Sreenivasula Reddy, J.R., 2013. Analysis of land use/land cover changes using remote sensing data and GIS at an Urban Area, Tirupati, India. The Scientific World Journal, pp.1-6
• Aldoski, J., Mansor, S.B., MohdShafri, H.Z., 2013. Monitoring Land Cover Changes in Halabja City Iraq. International Journal of Sensor and Related Networks, Vol.1, pp. 20-30
• Haque, M.I., Basak, R., 2017. Land cover change detection using GIS and remote sensing techniques: A spatiotemporal study on Tanguar Haor Bangladesh. J.Rem. Sens Space Sci, vol. 20(2), pp. 251-263
• Erener, A., Düzgün,S., Yalciner, A.C., 2012. Evaluating land use/cover change with temporal satellite data and information systems. Procedia Technology, Vol. 1, pp. 385 – 389
• Rafi sharif abad,J., 2015. Investigating the trend of land use changes on the quality of underground water in Yazd-Ardakan Plain. Scientific Research Quarterly of Geography and Regional Planning, Vol 7, Number 1, pp. 189-199.(In Persian)
• Sabzghabaei, G., Raz, S., Dashti, S., Yousefi Khanghah, S., 2017. Study the Changes of Land Use by the Help of GIS & RS Case Study: AndimeshkCity. Iranian Journal of Geography And Development, vol. 15 (46), pp.35-42
• Nasrollahi, M., Investigating the trend of changes in land use and land cover on the status of underground water using satellite images (case study: Dasht Gilangharb). Quarterly Scientific Research Journal of Geographical Information (Sephr), Vol. 23, Number 91, Page 97-89(In Persian)
• Jensen, J.R., 2007. Remote Sensing of the Environment: An Earth Resource Perspective. 2nd Edition. Prentice Hall: Saddle River
• Song, C., Woodcodk, C.E., Seto, K.C., Lenney, M.P., Macomber, S.A., 2001. Classification and change detection using Landsat TM data: when and how to correct atmospheric effect. Remote Sensing of Environment, vol.75, pp. 230–244
• Chander, G., Markham, B.L., Helder, D.L., 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, Vol. 113, PP.893-903
• Kerle, N., janssen. L., huurneman, c., 2004. Principles of remote sensing, 3th edition. issn 1567-5777, Netherland, 540
• Shalaby, A., Tateishi, R., 2007. Remote sensing and GIS for mapping and monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt. Applied Geography,vol. 27 (1), pp. 28-41
• San, B. T., Suzan, M.L., 2010. Evaluation of different atmospheric correction algorithms for EO-1 Hyperion imagery. International Archives of the Photogrammetry Remote Sensing and Spatial Information Science, Vol. 8, pp. 392-397
• Shanani Hoveyzeh, S.M., Zarei, H., 2017. Investigation of Land Use Changes During the Past Two Last Decades (Case Study: Abolabas Basin). Journal of Watershed Management Research, vol. 7 (14), pp. 237-244
• Yang, X., Lo, C.P., 2002. Using A Time Series Of Satelite Imagery To Detect Land Use And Land Cover Change In The Atlanta, Georgia Metropolitan Area. International Journal of Remote Sensing, vol. 29, pp.1775-1798
• Matthew, M.W., Adler Golden, S.M., Berk, A., Felde, G., Anderson, G.P., Gorodetzky, D., Paswaters, S., Shippert, M., 2002. Atmospheric correction of spectral imagery: evaluation of the FLAASH algorithm with a Viris data.
• 20-Kaufman, Y.J., Wald, A.E., Remer, L.A., Gao, B.C., Li, R.R., Flynn, L., 1997. The Channel Correlation with Visible Reflectance for Use in Remote Sensing of Aerosol. IEEE Transactions On Geoscience And Remote Sensing, Vol. 35, pp. 1286-1298
• Mountrakis G., Im, J., Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 66(3), pp. 247-259
• Oommen, T., Misra, D., Twarakavi, N.K., Prakash, A., Sahoo, B., Bandopadhyay, S., 2008. An objective analysis of support vector machine based classification for remote sensing. Mathematical Geosciences, Vol. 40(4), pp. 409-424
• Omidvar, K., Narangifard, M., Abbasi, H., 2015. Detecting the Changes of land uses and vegetation cover using remote sensing in Yasooj city.Geography and Territorial Spatial Arrangement5, Vol. 16, pp. 111-126
• Chen, J., Zhu, X., Vogelmann, J.E., Gao, F., Jin, S., 2011. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images. Remote sensing of environment, Vol. 115, PP 1053-1064
• Wu, X., Kumar, V., Quinlan, J.R., Ghosh, J., Yang, Q., Motoda, H., 2007. Top 10 algorithms in data mining. J Knowl Inf Syst, pp.1–37
• Myint, S.W., Gober, P., Brazel, A., Grossman Clarke, S., Weng, Q., 2011. Per-pixel vs. objectbased classification of urban land cover extraction using high spatial resolution imagery. Remote sensing of environment1, Vol. 15(5), pp. 1145-1161
• Wijaya, A., Budiharto, R.S., Tosiani, A., Murdiyarso, D., Verchot, L.V., 2015. Assessment of Large Scale Land Cover Change Classifications and Drivers of Deforestation in Indonesia. The International Archives of Photogrammetry. Remote Sensing and Spatial Information Sciences, Vol. 40(7),pp. 557-573
• Rezaei Moghadam, M.H., Andaryani, S., Valizadeh, K., Almaspor, F., 2016. Determine the best algorithm for land use and land cover extraction and changes detecting from Landsat satellite images(Case Study: Sufi chay Basin of Maragheh). Journal of Geographic Space, Vol. 16 (55), pp. 65-85
• Teixeira, L.A., Oliveira, A .L., 2010. A method for automatic stock trading combining technical analysis and nearest neighbor classification. Expert Systems with Applications, Vol. 37, pp. 6885–6890
• Fan, F., Weng, Q., Wang, Y., 2007. Land use and land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+imagery.Sensors,Vol. 7, pp.1323-1342
• Dewan, A.M., Yamaguchi, Y., 2009. Land use and land cover change in Greater Dhaka, Bangladesh: Using remote sensing to promote sustainable urbanization. Applied Geography, Vol. 29, PP. 390-401
• OnateValdivieso, F., Sendra, J. B., 2010. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling. Journal of Hydrology, Vol. 395(3-4), pp.256-263
• Ward, D., Phinn, S.R., Murray, A.T., 2000. Monitoring growth in rapidly urbanizing areas using remotely sensed data. ProfessionalGeographer, vol. 52(3), 371-386
• Lunetta, R.S., Elvidge, C.D., 1998. Remote Sensing Change Detection: Environmental Monitoring Methods and Applications. Ann Arbor Press, Chelsea, MI, pp. 318
• Niyazi,Y., 2019. Comparison of two methods of maximum likelihood classification and artificial neural network in extracting land use map (case study of Sedailam area). Journal of Geography and Development, No. 20, pp. 119-133(In Persian)
• Feizizadeh, B., 2017. Modeling the Trends of the Land Use/Cover Change and Its Impacts on the Erosion System of the Allavian Dam Based on the Remote Sensing and GIS Techniques. Journal of Hydrogeomorphology, Vol. 3 (11) , pp.21-38
• Jensen, J.R., 2004. Digital change detection. Introductory digital image processing: A remote sensing perspective, pp.467-494

[1]- دانشجوی دکتری گروه مدیریت محیط‌زیست، دانشکده منابع‌ طبیعی و محیط‌زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

[2]- دانشیارگروه مدیریت محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران( مسئول مکاتبات)

[3]- استاد گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.

[4]- دانشیار، عضوهیئت علمی موسسه مدیریت خاک وآبخیزداری. تهران، ایران.

[5]-PH. D Student Department of Environmental Management, Department of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

[6]- Associate Professor, Department of  Environmental Management, Department of  Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran .*(Corresponding Author)

[7] -Professor of  Environmental Engineering, Department of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

[8] -Associate Professor, Faculty Member of Soil and Watershed Management Institute. Tehran, Iran

¹ Remote Sensing

² Geographic Information System

¹ United States Geological Survey

² Fast Line-of-sight Atmospheric Analysis of Spectral Hypercube

³ Electro Magnetic Radiation -

¹ Root Mean Square Error

¹ Global positioning System