نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیارگروه جغرافیا و برنامه ریزی شهری، دانشگاه محقق اردبیلی، دانشکده علوم انسانی، اردبیل، ایران

2 کارشناسی ارشد گروه جغرافیا و برنامه ریزی شهری، دانشگاه محقق اردبیلی، دانشکده علوم انسانی، اردبیل، ایران

10.22108/gep.2020.120666.1242

چکیده

داده‌های سنجش از دور و الگوریتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای، ارزیابی روند تغییرات محیطی را در مقایسة چندزمانه امکان‌پذیر می‌کنند. هدف پژوهش حاضر، ارزیابی روند تغییرات کاربری اراضی محدوده و حریم شهر زنجان طی دو دهة گذشته با استفاده از الگوریتم‌های شی‌گرا و پیکسل پایه است.
در این پژوهش، از تصاویر ماهواره‌ای لندست 5 سنجندة TM سال‌های 1999 و 2009 و سنجندة OLI/TRIS لندست 8 سال 2019 استفاده شد؛ همچنین از قابلیت‌های سامانة گوگل‌ارث انجین به‌منظور اخذ تصاویر تصحیح‌شده و طبقه‌بندی کاربری اراضی استفاده شد. به‌منظور تهیة نقشة کاربری اراضی، الگوریتم‌های طبقه‌بندی ماشین بردار پشتیبان، حداقل فاصله و جنگل تصادفی در بستر گوگل‌ارث انجین با روش نزدیک‌ترین همسایة الگوریتم طبقه‌بندی شی‌گرا در نرم‌افزار eCognition مقایسه شدند. براساس نتایج ارزیابی صحت، ضرایب کاپا و صحت کلی الگوریتم طبقه‌بندی شی‌گرا برای سال 2019 و الگوریتم طبقه‌بندی ماشین بردار پشتیبان برای سال‌های 1999 و 2009، بهترین نتیجه را نسبت به سایر الگوریتم‌ها نشان دادند و مبنای ارزیابی تغییرات کاربری قرار گرفتند.
نتایج ارزیابی تغییرات طی سال‌های گذشته (1999- 2019) نشان می‌دهد اراضی دیمی 1264 هکتار، مراتع 648 هکتار، زراعت آبی و فضای سبز 142 هکتار و شبکة دسترسی راهها 122 هکتار به کاربری اراضی ساخته‌شده تغییر کاربری دادند و مناطق حومه‌ای جدید مانند شهرک الهیه، گلشهر، کاظمیه، کارمندان، کوی سایان، کوی فرهنگ، کوی فاطمیه و شهر آرا نیز در این دوره توسعه یافته‌اند؛ این امر ضرورت توجه به موضوع گسترش شهری و پیامدهای آن را در شهر و پیرامون آن نشان می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification and Assessment of Land Use Changes in Zanjan City Using Object-Oriented Analysis and Google Earth Engine System

نویسندگان [English]

  • Alireza Mohammadi 1
  • Behrooz Khodabandehlou 2

1 Associate Professor, Department of Urban Geography and Planning, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran (Corresponding Author Email: a.mohammadi@uma.ac.ir)

2 Master of Remote Sensing and GIS, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

چکیده [English]

 
To assess environmental changes, monitoring systems and remote sensing satellites provide powerful tools that make the assessment of environmental change trends easier by multi-temporal comparisons. In recent decades, remote sensing data and GIS techniques for various aspects of urban spatial expansion and urban dispersal such as mapping (for expansion pattern), control (for process pattern recognition), measurement and evaluation (for analysis), and modeling (for Expansion simulation) are used. The object-based analysis is one of the emerging advanced techniques in the classification of satellite images. The object-oriented classification uses a segmentation process and a learning algorithm to analyze the spectral, spatial, and textural properties of the pixels. Along with the object-oriented classification method, Google Earth Engine, with extensive support for free satellite data and images, enables the classification and processing of high-speed satellite imagery that can be used in the monitoring and mapping land use.
 
Methodology:
In the present study, the digital data of the Landsat satellite provided by GEE are used. The data do not require pre-processing and initial correction (geometric, radiometric, etc.) and are readily available for processing. Landsat image types (1 to 8) can be summons with any processing level in GEE. In this study, atmospheric correction images of the Surface Reflectance Tier1 are used. This dataset is modified for atmospheric errors and includes OLI / TIRS sensors for Landsat 8. With simple coding patterns in GEE, the images of 1999, 2009, and 2019 are corrected for the processing step. GEE has provided a modern set of pixel-based classification that can be used for monitoring and mapping. By analyzing the corrected image of 1999, 2009, and 2019 and capturing the training samples, the images are classified with the support vector machine algorithms, random forest, and minimum distance. To perform object-oriented analysis and classification, images are segmented using the multiresolution segmentation algorithm in specialized recognition software. Geometric properties of land use classes (including shape, size, texture) are used for segmentation. By analyzing the results of the segmentation of images with different scale parameters, the optimal values ​​of scale, shape, and compression for the images used are obtained. In this study, based on spatial resolution and image quality, four land use and land cover classes were considered in Zanjan urban areas. These classes include built-up, irrigated and urban green areas, dry farming, and rangelands. By selecting the above classes, training samples for multi-temporal images (1999, 2009, and 2019) are prepared. The nearest neighbor algorithm is used to classify images based on the object-oriented method. In this process, the maximum difference index of mean and NDVI vegetation index are also applied for each of the classes to reduce class mixing and improve the classification accuracy of influential parameters such as normalized difference built-up index (ndbi), mean and standard deviation of each band, area, the ratio of length to width, compaction, and brightness. Statistical parameters of kappa coefficients and overall accuracy are used for the accurate assessment of the classified images. To understand the changes in the area, after producing the land use maps and assessing them, the classification methods are used to evaluate the land use changes that occurred in the period 1999 to 2019. 
 
Discussion:
After the classification of Landsat 5 and 8 satellite images, land use maps of 1999, 2009, and 2019 are prepared using object-oriented and pixel-based methods. Since in this study the parameters and characteristics of mean and standard deviation of bands, NDBI, NDVI indices, etc. are used to improve the results of the algorithm nearest neighbor object-oriented method, the results of image classification accuracy assessment show that the object-oriented method is weaker in separating rangelands and built-up in 1999 and 2009 than the support vector machine classification method. However, the object-oriented classification results for 2019 show the best performance of all the utilized classification algorithms. Due to the better results of the support vector machine classification method for 1999 and 2009 and the object-oriented method for 2019, the results of these methods are used in the assessment of land use changes in the study area. According to the results, significant changes have occurred in the region from 1999 to 2019. During this period, the land (mainly Zanjan) showed an increase of 5036 hectares. Also, the results show that Zanjan has grown and expanded into rangelands and dry farming in the suburbs over the period 1999 to 2019.
 
Conclusion:
Comparing the results of classifier accuracy assessment, the nearest neighbor object-oriented classification algorithm for 2019 showed better performance in terms of kappa coefficient and overall accuracy than other algorithms. Also, by comparing the results of the assessment of the classification maps of 1999 and 2009, the support vector machine algorithm showed the best performance compared to other classification algorithms in the study area. The support vector machine was the basis for the assessment of changes. Based on the results of land use changes assessment, in recent years, significant land use changes have occurred around Zanjan city. The reason for the increased land area in Zanjan in 2019 (26.12%) is the increase of population and the development of new settlements in the suburbs, and consequently, the reduction of agricultural rangelands.
 
Keywords: Google Earth Engine, Object-Oriented, Support Vector Machine, Zanjan City.
 
References:
- Butt, A., Shabbir, R., Ahmad, S. S., & Aziz, N. (2015). Land Use Change Mapping and Analysis Using Remote Sensing and GIS: A Case Study of Simly Watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2), 251-259.
- Campbell, J. B., & Wynne, R. H. (2011). Introduction to Remote Sensing. Guilford Press.
- De Oliveira Silveira, E. M., De Menezes, M. D., Júnior, F. W. A., Terra, M. C. N. S., & De Mello, J. M. (2017). Assessment of Geostatistical Features for Object-Based Image Classification of Contrasted Landscape Vegetation Cover. Journal of Applied Remote Sensing, 11(3), 036004.
- Dewan, A. M., & Yamaguchi, Y. (2009). Land Use and Land Cover Change in Greater Dhaka, Bangladesh: Using Remote Sensing to Promote Sustainable Urbanization. Journal of Applied Geography, 29(3), 390-401.
- Dingle Robertson, L., & King, D. J. (2011). Comparison of Pixel-and Object-Based Classification in Land Cover Change Mapping. International Journal of Remote Sensing, 32(6), 1505-1529.
- El-Asmar, H. M., Hereher, M. E., & El Kafrawy, S. B. (2013). Surface Area Change Detection of the Burullus Lagoon, North of the Nile Delta, Egypt, Using Water Indices: A Remote Sensing Approach. The Egyptian Journal of Remote Sensing and Space Science, 16(1), 119-123.
- Esam, I., Abdalla, F., & Erich, N. (2012). Land Use and Land Cover Changes of West Tahta Region, Sohag Governorate, Upper Egypt. Journal of Geographic Information System, 4(06), 483.
- Feizizadeh, B., Blaschke, T., Nazmfar, H., Akbari, E., & Kohbanani, H. R. (2013). Monitoring Land Surface Temperature Relationship to Land Use/Land Cover from Satellite Imagery in Maraqeh County, Iran. Journal of Environmental Planning and Management, 56(9), 1290-1315.
- Ghebrezgabher, M. G., Yang, T., Yang, X., Wang, X., & Khan, M. (2016). Extracting and Analyzing Forest and Woodland Cover Change in Eritrea Based on Landsat Data Using Supervised Classification. The Egyptian Journal of Remote Sensing and Space Science, 19(1), 37-47.
- Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. Journal of Remote Sensing of Environment, 202, 18-27.
- Huo, L. Z., Boschetti, L., & Sparks, A. M. (2019). Object-Based Classification of Forest Disturbance Types in the Conterminous United States. Journal of Remote Sensing, 11(5), 477.
- Im, J., Jensen, J. R., & Tullis, J. A. (2008). Object‐Based Change Detection Using Correlation Image Analysis and Image Segmentation. International Journal of Remote Sensing, 29(2), 399-423.
- Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote Sensing and Image Interpretation. John Wiley & Sons.
- Ma, L., Li, M., Ma, X., Cheng, L., Du, P., & Liu, Y. (2017). A Review of Supervised Object-Based Land-Cover Image Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 130, 277-293.
- Mahmoudi, F. T., Samadzadegan, F., & Reinartz, P. (2014). Object Recognition Based on the Context Aware Decision-Level Fusion in Multiviews Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1), 12-22.
- Rawat, J. S., & Kumar, M. (2015). Monitoring Land Use/Cover Change Using Remote Sensing and GIS Techniques: A Case Study of Hawalbagh Block, District Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1), 77-84.
- Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Journal of Frontiers in Earth Science, 5, 17.
- Weih, R. C., & Riggan, N. D. (2010). Object-Based Classification vs. Pixel-Based Classification: Comparative Importance of Multi-Resolution Imagery. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 38(4), C7.
- Weng, Q. (2012). Remote Sensing of Impervious Surfaces in the Urban Areas: Requirements, Methods, and Trends. Journal of Remote Sensing of Environment, 117, 34-49.
- Whiteside, T. G., Boggs, G. S., & Maier, S. W. (2011). Comparing Object-Based and Pixel-Based Classifications for Mapping Savannas. International Journal of Applied Earth Observation and Geoinformation, 13(6), 884-893.
- Yan, G., Mas, J. F., Maathuis, B. H. P., Xiangmin, Z., & Van Dijk, P. M. (2006). Comparison of Pixel‐Based and Object‐Oriented Image Classification Approaches—a Case Study in a Coal Fire Area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, 27(18), 4039-4055.
- Zha, Y., Gao, J., & Ni, S. (2003). The Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery. International Journal of Remote Sensing, 24(3), 583-594.
 

کلیدواژه‌ها [English]

  • Google Earth Engine
  • Object-Oriented
  • Support Vector Machine
  • Zanjan City..‎

مقدمه

رشد و گسترش سریع شهرها به دلیل تغییرات گسترده در کاربری و پوشش زمین، تأثیرات منفی بر کیفیت زیست‌محیطی جهانی داشته است (کاکه‌ممی و همکاران، 1396: 123). برای ارزیابی تغییرات محیطی، سیستم‌های پایش و ماهواره‌های سنجش از دور، تکنولوژی قدرتمندی را فراهم می‌آورند که ارزیابی روند تغییرات محیطی را با مقایسة چندزمانه امکان‌پذیر می‌کند (Esam et al.‚ 2012: 483; Feizizadeh et al.‚ 2013: 1290).

در دهه‌های اخیر، از داده‌های سنجش از دور و تکنیک‌های GIS برای ابعاد مختلف گسترش فضایی شهری و پراکنش شهری مانند نقشه‌کشی (برای شناخت الگوی گسترش)، کنترل (برای شناخت فرایند گسترش)، اندازه‌گیری و سنجش (به‌منظور تحلیل) و مدل‌سازی (برای شبیه‌سازی گسترش) استفاده شده است (زنگنه‌شهرکی، 1395: 73). با طبقه‌بندی تصاویر رقومی سنجش از دور، نقشه‌های موضوعی حاوی اطلاعات مانند نوع پوشش زمین و نوع پوشش گیاهی به دست می‌آید. درنتیجه تشخیص تغییرات براساس این نقشه‌ها انجام می‌شود (Ghebrezgabher et al.‚ 2016: 37; Rawat and Kumar‚ 2015: 77; El-Asmar et al.‚ 2013: 119; Dewan and Yamaguchi‚ 2009: 390).

یکی از تکنیک‌های پیشرفتة در حال ظهور درزمینة طبقه‌بندی تصاویر ماهواره‌ای، تجزیه و تحلیل مبتنی بر اشیاست (Weng‚ 2012: 34). طبقه‌بندی شی‌گرا از یک فرایند تقسیم‌بندی و الگوریتم یادگیری برای تجزیه و تحلیل ویژگی‌های طیفی، مکانی و بافتی پیکسل‌ها بهره می‌برد (Weih and Riggan‚ 2010: 7). این فرایند یک طبقه‌بندی نیمه‌اتوماتیک را فراهم می‌کند که از روش‌های طبقه‌بندی پیکسل پایه دقیق‌تر است (Weih and Riggan‚ 2010: 7; Whiteside et al.‚ 2011: 884; Butt et al.‚ 2015: 251). مزیت روش شی‌گرا این است که از پیکسل‌های منفرد استفاده نمی‌کند، بلکه مجموعه‌ای از پیکسل‌های مجاور را با اطلاعات طیفی، بافتی و هندسی مشخص می‌کند. با در نظر گرفتن این اطلاعات با روش مبتنی بر اشیا، امکان دستیابی به نتایج بهتر فراهم می‌شود (Campbell and Wynne‚ 2011: 4).

از دیگر منابع اطلاعاتی و نرم‌افزارهای استفاده‌شده در پایش زمانی تغییرات کاربری اراضی، سامانة تخصصی سنجش از دور تحت وب مانند سامانة گوگل‌ارث انجین است؛ این سامانه با پشتیبانی گسترده از داده‌ها و تصاویر ماهواره‌ای رایگان، امکان طبقه‌بندی و پردازش تصاویر ماهواره‌ای را با سرعت بسیار زیاد و آسان فراهم کرده است (احراری، 1398: 1Shelestov et al.‚ 2017: 17; ).

 

پیشینة پژوهش

با توجه به اهمیت موضوع، در پژوهش‌های پیشین از روش‌ها و تکنیک‌های مختلفی به‌منظور طبقه‌بندی و ارزیابی تغییرات کاربری اراضی استفاده شده است؛ در ادامه به تعدادی از آنها اشاره می‌شود.

ویته‌ساید و همکاران[1] (2011) در پژوهشی روش‌های طبقه‌بندی شی‌گرا و پیکسل پایه را مقایسه کردند. مقایسة نتایج ارزیابی صحت کلی روش‌های یادشده نشان داد روش شی‌گرا در مقایسه با روش پیکسل پایه به دلایل استفاده از اطلاعات مدل رقومی ارتفاع[2] و تعریف قوانین برای بعضی از کلاس‌ها صحت بیشتری دارد.

محمودی و همکاران[3] (2015) با به‌کارگیری روش‌های پردازش شی‌‌گرای تصاویر ماهواره‌ای در مناطق شهری و همچنین توابع GLCM اقدام به استخراج عارضه کردند و به این نتیجه رسیدند که به‌کارگیری اطلاعات بافتی همراه با تلفیق سایر لایه‌های اطلاعاتی (چندمنظره‌ای) موجب کاهش ابهام در تشخیص عارضه‌های تصویر می‌شود و صحت کلی و ضریب کاپا را افزایش می‌دهد.

دی اولیوریا سیلوریا و همکاران[4] (2017) از روش شی‌گرا و تصاویر لندست 8 و سنتینل برای طبقه‌بندی پوشش اراضی چشم‌انداز جنگلی در برزیل استفاده کردند. نتایج مطالعه نشان داد کاربرد روش یادشده به‌طور چشمگیری موجب افزایش دقت طبقه‌بندی تصاویر شده است.

هواو و همکاران[5] (2019) برای بررسی تخریب منطقه‌ای جنگلی در ایالات متحده در بازة زمانی 2003- 2011 از داده‌های ماهوارة لندست و روش طبقه‌بندی شی‌گرا استفاده کردند. آنها صحت کلی طبقه‌بندی تصاویر را 1/88 درصد گزارش و روش شی‌گرا را روشی مناسب در پایش تخریب اراضی جنگلی معرفی کردند.

در ایران، پورمحمدی و همکاران (1387) در پژوهشی، گسترش فضایی‌کالبدی شهر زنجان را با تأکید بر تغییر کاربری زمین طی دورة 1355- 1384 ارزیابی کردند. نتایج نشان داد همبستگی، شدت، وسعت و مکانیزم تبدیل و تغییر کاربری اراضی شهری زنجان به‌مثابة برآیند و تجسم گسترش فضایی‌کالبدی است و در چه ابعاد و مقیاسی کاربری شهری به ترتیب شدت عمل موجب گسترش فضایی‌کالبدی کاربری‌های اراضی دیم، بایر، باغ و اراضی کشت آبی پیرامون خود شده است.

فیضی‌زاده و سلمانی (1395) با به‌کارگیری الگوریتم‌های شی‌‌گرا و تکنیک‌های پردازش تصویر برای مدل‌سازی اراضی تخریبی حاصل از رشد شهری در ارومیه اقدام کرده‌اند. این پژوهشگران با بهره‌مندی از شاخص‌های بافت و الگوهای طیفی، انواع کاربری‌های اراضی محدودة شهر ارومیه را مدل‌سازی و تغییرات حاصل از گسترش اراضی شهری و آثار آن را بر تحولات کاربری اراضی بررسی کردند.

اصغری سراسکانرود و همکاران (1398) در پژوهشی نقشة کاربری اراضی شهر زنجان را با استفاده از تصاویر ماهواره‌ای سنتینل-2 استخراج و الگوریتم‌های طبقه‌بندی پیکسل پایه و شی‌گرا را مقایسه کردند. نتایج حاصل از طبقه‌بندی پیکسل پایه و شی‌گرا نشان داد روش شی‌گرا با اعمال پارامترهای مؤثر بر طبقه‌بندی و توسعة قوانین برای اصلاح طبقه‌بندی اولیة شی‌گرا با ضریب کاپای 95/0 درصد ازنظر دقت در استخراج نقشة کاربری اراضی نسبت به روش پیکسل پایه از اولویت برخوردار است.

در این پژوهش از قابلیت‌های سامانة گوگل‌ارث انجین برای اخذ و طبقه‌بندی تصاویر ماهواره‌ای در محدوده و حریم شهر زنجان استفاده شده است؛ همچنین نتایج طبقه‌بندی شی‌گرا و طبقه‌بندی پیکسل پایه در بستر GEE[6] مقایسه می‌شود تا از بین روش‌ها، روشی بهینه به‌منظور تهیة نقشة کاربری اراضی و ارزیابی تغییرات انتخاب شود. نتایج این پژوهش برای برنامه‌ریزان شهری، محیطی و منطقه‌ای از یک سو و ارزیابی تغییرات به‌منزلة مؤلفه‌ای مهم در مدیریت شهری و تغییرات محیط‌های شهری از سوی دیگر کاربردی است.

روش‌‌شناسی پژوهش

محدودة پژوهش

شهر زنجان به‌مثابة نخستین و بزرگ‌ترین نقطة شهری استان زنجان، یکی از شهرهای میانه‌اندام بزرگ کشور در ردة جمعیتی 250- 500 هزار نفری و مرکز سیاسی‌اداری استان است (پورمحمدی و همکاران، 1387: 33). در این پژوهش، محدوده و حریم شهر زنجان با مساحت 24273 هکتار به‌مثابة منطقة پژوهش در نظر گرفته شده است (شکل 1). موقعیت جغرافیایی منطقه 48 درجه و 21 دقیقه تا 48 درجه و 43 دقیقه طول شرقی و 36 درجه و 33 دقیقه تا 36 درجه و 44 دقیقه عرض شمالی است. برمبنای تقسیم‌بندی صورت‌گرفته، شهر زنجان به سه منطقة شهری و 25 ناحیه تقسیم‌بندی شده است. براساس آخرین سرشماری عمومی نفوس و مسکن در سال 1395، جمعیت شهر به 430871 نفر رسیده و نسبت جمعیت شهر به جمعیت استان 74/40 درصد بوده است (مرکز آمار ایران، 1395).

 

شکل 1. موقعیت منطقة پژوهش (منبع: نویسندگان، 1399)

روش پژوهش

در این مقاله به‌منظور دستیابی به تغییرات کمی و کیفی رخ‌داده در منطقه، از نقشه‌های کاربری براساس داده‌های رقومی ماهواره‌ای سری لندست 5 و 8 سنجنده‌های TM و OLI/TIRS ارائه‌شده در GEE استفاده شده است که به پیش‌پردازش‌ها و تصحیحات اولیه (هندسی، رادیومتریکی و...) نیازی ندارند و به‌صورت آماده برای پردازش عرضه شدند. پردازش داده‌ها در سیستم‌های معمولی بسیار زمان‌بر است؛ بنابراین با استفاده از پلتفرم محاسبات ابری GEE، تصویر پردازش شده است. GEE کل بایگانی لندست را به همراه تعداد زیادی از مجموعه‌داده‌های شفاف از ناسا، آژانس فضایی اروپا (ESA) و سایر تصاویر موجود در اختیار قرار داده است. فراخوانی انواع تصاویر لندست (1 تا 8) با هر نوع سطح پردازشی در GEE امکان‌پذیر است.

در این پژوهش، از تصاویر تصحیح اتمسفری‌شدة سطح Surface Reflectance Tier1 استفاده شده است (earthengine.google.com). با استفاده از کدهای نسبتاً سادة JavaScript، تصاویر سال‌های 1999، 2009 و 2019 به‌صورت تصحیح‌شده تجزیه و تحلیل و برای مرحلة پردازش آماده شد (Gorelick et al.‚ 2017: 18). گفتنی است فاصلة زمانی بین تصاویر 10 سال است و از تصاویر فصل تابستان (تیرماه) به دلیل نبود پوشش ابر استفاده شده است. درنهایت براساس قوانین تعریف‌شده، تصاویر سال‌های مدنظر با قدرت تفکیک مکانی 30 متر دریافت شد. مشخصات کامل تصاویر استفاده‌شده در تهیة نقشه‌های کاربری اراضی در جدول 1 آمده است. ازجمله دلایل استفاده از باندهای حرارتی تصاویر، وجود تفاوت دمایی مناطق انسان‌ساخت (شهر) با مناطق طبیعی و درنتیجه نقش مؤثر آن در تفکیک و طبقه‌بندی کلاس‌های کاربری اراضی است. فلوچارت مراحل پژوهش در شکل 2 نشان داده شده است.

جدول 1. مشخصات تصاویر استفاده‌شده در تهیة نقشه‌های کاربری اراضی در سال‌های مختلف (منبع: نویسندگان، 1399)

سنجنده

ردیف

گذر

تاریخ میلادی

تاریخ شمسی

باندهای استفاده‌شده

TM

166

35

06/07/1999

15/4/1378

باندهای چندطیفی 1، 2، 3، 4، 5، 7 و باند 6 حرارتی

TM

166

35

01/07/2009

10/04/1388

باندهای چندطیفی 1، 2، 3، 4، 5، 7 و باند 6 حرارتی

OLI / TIRS

166

35

27/06/2019

06/04/1398

باندهای چندطیفی 2، 3، 4، 5، 6، 7 و باندهای حرارتی 10 و 11

 

تحلیل گوگل‌ارث انجین

تحلیل شی‌گرا

 کدنویسی و دریافت تصاویر استفاده‌شده

سگمنت‌بندی تصاویر دریافتی از GEE

تعریف کلاس‌ها

تعریف کلاس‌ها

انتخاب نمونه‌های تعلیمی

اعمال پارامترها

ماشین بردار پشتیبان

جنگی تصادفی

حداقل فاصله از میانگین

نزدیک‌ترین همسایه

طبقه‌بندی پیکسل پایه در GEE

طبقه‌بندی شی‌‌گرا

ارزیابی صحت طبقه‌بندی‌کننده‌ها

ارزیابی تغییرات کاربری اراضی شهر زنجان در بازة زمانی 1999- 2019

انتخاب الگوریتم بهینة طبقه‌بندی

انتخاب نمونه‌های تعلیمی

شکل 2. مراحل پژوهش (منبع: نویسندگان، 1399)

طبقه‌بندی شی‌گرای تصاویر

لازمة اجرای این پژوهش، در اختیار داشتن نقشة کاربری اراضی صحیح در مقاطع زمانی مختلف است. به این ترتیب از دو تکنیک طبقه‌بندی شی‌گرا و پیکسل پایة تصاویر ماهواره‌ای استفاده شده است. برای اجرای تحلیل و طبقه‌بندی شی‌گرا، نخست تصاویر با استفاده از الگوریتم چندمقیاسه در نرم‌افزار تخصصی eCognition سگمنت‌بندی شد. پارامترهای تأثیرگذار در این الگوریتم عبارت‌اند از: تعیین مقیاس مناسب که به‌طور غیرمستقیم از اندازة اجسام تأثیر می‌پذیرد، ضریب رنگ یا شکل که به یکنواختی رنگ و شکل اجسام بستگی دارد و هرچه مقدار بیشتری برای آن انتخاب شود، دامنة آن بزرگ‌تر و اجسام بیشتری انتخاب می‌شود و ضریب فشردگی یا نرمی که متناسب با بافت و ویژگی‌های هندسی عوارض زمینی تعیین شد. تعیین پارامترهای سگمنت‌بندی با سعی و خطا و بررسی بصری نتیجة سگمنت‌بندی به دست آمد (Yan et al.‚ 2006: 4039; Im et al., 2008: 399; Dingle Robertson and King‚ 2011: 1505 ). در این پژوهش به‌منظور سگمنت‌بندی از اطلاعات مربوط به ویژگی‌های هندسی کلاس‌های کاربری اراضی (شامل شکل، اندازه و بافت) استفاده شد. با تجزیه و تحلیل نتایج سگمنت‌بندی تصاویر با پارامتر مقیاس متفاوت، درنهایت مقادیر بهینة مقیاس، ضریب شکل و فشردگی برای تصاویر استفاده‌شده به دست آمد (جدول 2).

جدول 2. مقادیر بهینة پارامترهای سگمنت‌بندی تصاویر استفاده‌شده (منبع: نویسندگان، 1399)

سال

پارامتر

1999

2009

2019

مقیاس

10

15

25

ضریب شکل

3/0

2/0

1/0

ضریب فشردگی

7/0

5/0

7/0

 

با انتخاب کلاس‌های کاربری اراضی، نمونه‌های تعلیمی برای تصاویر چندزمانة 1999، 2009 و 2019 تهیه شد. در روش شی‌گرا، نواحی تعلیمی به‌صورت اشیاء تصویری هستند. این روش در مقایسه با روش‌های پیکسل پایه به نمونه‌های تعلیمی کمتری نیاز دارد. یک شیء نمونه معمولاً پیکسل‌های نمونة زیاد و تغییرات آنها را دربرمی‌گیرد. میزان صحت طبقه‌بندی به‌طور مستقیم به دقیق انتخاب‌شدن نمونه‌ها بستگی دارد (پاشازاده، 1388: 84).

در پردازش شی‌گرا، انتخاب ویژگی‌ها (پارامترها)، گامی مهم در فرایند طبقه‌بندی محسوب می‌شود؛ زیرا عملکرد طبقه‌بندی را بهبود می‌بخشد و پیچیدگی محاسبات را با حذف اطلاعات اضافی کاهش می‌دهد (Ma et al., 2017: 277). در این پژوهش به‌منظور طبقه‌بندی تصاویر براساس روش شی‌گرا از الگوریتم نزدیک‌ترین همسایه استفاده شد. در این فرایند به‌منظور کاهش اختلاط کلاس‌ها و افزایش صحت طبقه‌بندی از پارامترهای تأثیرگذار نظیر شاخص طیفی توسعة شهری NDBI، میانگین و انحراف معیار هریک از باندها، مساحت، نسبت طول به عرض، فشردگی، درجة روشنایی، شاخص حداکثر اختلاف از میانگین و شاخص پوشش گیاهی NDVI برای هریک از کلاس‌های یادشده استفاده شد (فیضی‌زاده و هلالی، 1389: 78؛ فیضی‌زاده و همکاران، 1394: 112). درنهایت نقشه‌های موضوعی کاربری اراضی با ابزار طبقه‌بندی[7] در نرم‌افزار eCognition تهیه شد. در ادامه نحوة محاسبة بعضی شاخص‌ها و ویژگی‌ها شرح داده شده است.

 

شاخص طیفی توسعة شهری [8]NDBI2

این شاخص مناطقی از شهر را بارزتر می‌کند که بازتاب زیاد در محدودة مادون قرمز طول موج کوتاه (SWIR) در مقایسه با محدودة مادون قرمز نزدیک (NIR) دارند. شاخص NDBI در اصل با باندهای 4 و 5 سنجندة TM توسعه داده شده بود؛ با وجود این، این شاخص برای سنجنده‌های چندطیفی برخوردار از یک باند SWIR در محدودة طول موج 55/1 تا 75/1 میکرومتر و یک باند NIR در محدودة طول موج 76/0 تا 90/0 میکرومتر نیز کاربردی است (رابطة 1)؛ (Zha et al.‚ 2003: 589).

رابطة 1

 

درجة روشنایی (Brightness)

درجة روشنایی از عواملی است که در طبقه‌بندی مناطق و کاربری‌ها به کار گرفته می‌شود. مناطق شهری نسبت به مناطق کشاورزی و دیگر کاربری‌ها درجة روشنایی متفاوتی دارند. در رابطة 2، B مقدار میانگین درجة روشنایی از یک شی،  مجموع همة میانگین‌های روشنایی در باندهای مرئی و  تعداد باندهاست.

رابطة 2

 

حداکثر اختلاف (MaxDiff)

برای محاسبة این شاخص، رابطة 3 به کار گرفته می‌شود. در این رابطه، مقادیر مینیمم و ماکزیمم به ترتیب میانگین کمترین و بیشترین اشیاست.

رابطة 3

 

 

 

طبقه‌بندی پیکسل پایة تصاویر

در این پژوهش، از طبقه‌بندی پیکسل پایه در بستر GEE استفاده شده است که مجموعه‌ای مدرن از الگوریتم‌های طبقه‌بندی را شامل می‌شود و قابلیت پایش و تهیة نقشة کاربری را دارد (Shelestov et al.‚ 2017: 17)؛ به بیان دیگر، امکان طبقه‌بندی به روش‌های مختلف ازجمله الگوریتم‌های ماشین بردار پشتیبان[9]، جنگل تصادفی[10]، حداقل فاصله از میانگین[11] و... در بستر GEE وجود دارد. این قابلیت مهم در سرعت پردازش و طبقه‌بندی تصاویر به نحو مؤثری عمل می‌کند؛ به‌طوری که با فراخوانی تصاویر تصحیح‌شدة سال‌های 1999، 2009 و 2019 و برداشت نمونه‌های تعلیمی، طبقه‌بندی تصاویر با الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی و حداقل فاصله از میانگین انجام شد. طبقه‌بندی جنگل تصادفی، یک طبقه‌بندی‌کنندة نسبتاً سریع و غیرخطی برای داده‌های دارای نویز قوی است (Rodriguez-Galiano et al.‚ 2012: 94). ماشین بردار پشتیبان، الگوریتمی است که نوع خاصی از مدل‌های خطی دارای حداکثر حاشیة ابر صفحه را می‌یابد. حداکثرکردن حاشیة ابر صفحه به حداکثرشدن تفکیک بین طبقات منجر می‌شود. به نزدیک‌ترین نقاط آموزشی به حداکثر حاشیة ابر صفحه، بردارهای پشتیبان گفته می‌شود. از این بردارها (نقاط) فقط برای مشخص‌کردن مرز بین طبقات استفاده می‌شود (Shin et al.‚ 2005: 128).

الگوریتم طبقه‌بندی حداقل فاصله از میانگین، روشی است که در آن در گام نخست مقادیر میانگین طیفی در هر باند و برای هر کلاس تعیین می‌شود. پس از مشخص‌شدن پیکسلی که میانگین ارزش طیفی نمونه‌های انتخابی هر طبقه را به خود اختصاص داده است، فاصلة هر پیکسل طبقه‌بندی‌نشده با پیکسل‌های میانگین مقایسه می‌شود و سپس پیکسل مدنظر به کلاسی اختصاص می‌یابد که کمترین فاصله را با میانگین دارد (علوی‌پناه، 1392: 309). به‌منظور طبقه‌بندی نظارت‌شده، مناطقی به‌مثابة نمونه‌های تعلیمی برای هر کلاس به‌صورت تصادفی مشخص شد. با برداشت نمونه‌های تعلیمی در مرحلة قبل، طبقه‌بندی تصاویر با الگوریتم‌های یادشده انجام شد. تعداد نمونه‌های تعلیمی سال‌های بررسی‌شده برای هریک از کلاس‌های کاربری اراضی و پراکنش فضایی نمونه‌ها (برای نمونه سال 2019) در جدول 3 و شکل 3 نشان داده شده است. فقهیچ طبقه‌بندی‌ای تا زمان ارزیابی صحت آن تکمیل نیست؛ بنابراین برای اطمینان از صحت طبقه‌بندی، صحت طبقه‌بندی ارزیابی می‌شود. صحت طبقه‌بندی نشان‌دهندة سطح اعتماد به نقشة استخراج‌شده است و در نقشه‌های کاربری اراضی به‌دست‌آمده از تصاویر سنجش از دور، باید دست‌کم 85 درصد باشد (Lillesand et al.‚ 2015: 4). به‌منظور ارزیابی صحت نقشه‌های کاربری اراضی از داده‌های برداشت میدانی با استفاده از GPS برای تصویر سال 2019 و برای سال‌های 2009 و 1999 از تصاویر گوگل‌ارث استفاده شد. با اعمال نمونه‌های کنترل زمینی که به‌صورت تصادفی برداشت شد، ماتریس خطا و آماره‌های ضریب کاپا و صحت کلی هریک از نقشه‌های کاربری اراضی چندزمانه به دست آمد. تعداد نمونه‌های کنترلی سال‌های مختلف در جدول 4 آورده شده است. در ادامه، با انجام تصحیحاتی روی نقشه‌های کاربری، نقشه‌های نهایی کاربری اراضی استخراج شد. پس از تهیة نقشه‌های کاربری چندزمانه و اعتبارسنجی الگوریتم‌های طبقه‌بندی استفاده‌شده، تغییرات کاربری اراضی در بازة زمانی 1999 تا 2019 در سطح منطقه ارزیابی شد.

جدول 3. تعداد نمونه‌های تعلیمی تصاویر سال‌های بررسی‌شده (منبع: نویسندگان، 1399)

کاربری سال

زراعت دیمی

مرتع

اراضی ساخته‌شده

راه

زراعت آبی

مجموع

1999

181

147

115

109

130

682

2009

243

121

160

137

138

799

2019

290

175

301

153

145

1064

جدول 4. تعداد نمونه‌های کنترلی اعتبارسنجی تصاویر طبقه‌بندی‌شدة سال‌های بررسی‌شده (منبع: نویسندگان، 1399)

کاربری سال

زراعت دیمی

مرتع

اراضی ساخته‌شده

راه

زراعت آبی

مجموع

1999

101

109

89

98

92

490

2009

76

93

91

106

85

451

2019

117

147

113

82

100

559

 

 

شکل 3. تعداد و پراکنش فضایینمونه‌های تعلیمی برای هریک از کلاس‌های سال 2019(منبع: نویسندگان،1399)

 

یافته‌های پژوهش

طبقه‌بندی و ارزیابی صحت

در این پژوهش با توجه به قدرت تفکیک مکانی تصاویر (30 متر)، شرایط منطقة مدنظر و بازدید میدانی تصاویر در پنج کلاس اراضی ساخته‌شده (شامل شهر زنجان، روستاهای حومة شهر، شهرک‌های صنعتی)، راههای ارتباطی (شامل راههای اصلی و فرعی)، زراعت آبی و فضای سبز شهری، زراعت دیمی و مراتع در محدوده و حریم شهر زنجان طبقه‌بندی شد. با مقایسة الگوریتم‌های طبقه‌بندی پیکسل پایه در بستر سامانة GEE، مشخص می‌شود الگوریتم طبقه‌بندی ماشین بردار پشتیبان قابلیت مطلوب و بهتری در جداسازی کاربری اراضی منطقه در سال‌های 1999 و 2009 نسبت به روش‌های حداقل فاصله از میانگین، جنگل تصادفی و حتی روش طبقه‌بندی شی‌‌گرا دارد. نتایج نشان می‌دهد این سامانه با فراهم‌سازی محیطی مناسب و به‌صرفه ازلحاظ سرعت، زمان، هزینه و... در پردازش تصاویر ماهواره‌ای، نتایج مناسبی در بعضی الگوریتم‌های طبقه‌بندی استفاده‌شده دارد. الگوریتم طبقه‌بندی حداقل فاصله از میانگین، نتایج ضعیف‌تری را در تفکیک تمامی کاربری‌های اراضی منطقه نسبت به سایر روش‌های طبقه‌بندی استفاده‌شده نشان داد؛ اما الگوریتم طبقه‌بندی جنگل تصادفی نسبت به روش حداقل فاصله تا میانگین، عملکرد نسبتاً بهتری در جداسازی کلاس‌های کاربری اراضی منطقه دارد (جدول 5).

در این پژوهش از پارامترها و ویژگی‌های مختلفی ازجمله میانگین و انحراف معیار باندها، شاخص‌هایNDBI ، شاخص NDVI  و... به‌منظور ارتقای نتایج الگوریتم نزدیک‌ترین همسایة روش شی‌گرا استفاده شده است؛ ولی نتایج ارزیابی صحت طبقه‌بندی تصاویر نشان می‌دهد روش شی‌گرا نتایج ضعیف‌تری در جداسازی کاربری‌های مرتع و اراضی ساخته‌شده در سال‌های 1999 و 2009 نسبت به روش طبقه‌بندی ماشین بردار پشتیبان داشته است؛ با وجود این نتایج طبقه‌بندی شی‌گرا برای سال 2019 نسبت به تمامی الگوریتم‌های طبقه‌بندی استفاده‌شده، بهترین عملکرد را نشان داد (جدول 5). پس از طبقه‌بندی تصاویر ماهواره‌ای استفاده‌شده، نقشه‌های کاربری اراضی سال‌های 1999، 2009 و 2019 به روش‌های شی‌‌گرا و پیکسل پایه تهیه شد (شکل 4، 5، 6 و 7). با توجه به نتایج بهتر الگوریتم طبقه‌بندی ماشین بردار پشتیبان برای سال‌های 1999 و 2009 و الگوریتم شی‌گرا برای سال 2019، از نتایج این روش‌ها برای آشکارسازی تغییرات کاربری اراضی منطقه استفاده شد.

جدول 5. نتایجآماریارزیابیصحتطبقه‌بندی‌کننده‌هادرسال‌های بررسی‌شده (منبع: نویسندگان، 1399)

سال

الگوریتم

1999

2009

2019

صحت کلی

ضریب کاپا

صحت کلی

ضریب کاپا

صحت کلی

ضریب کاپا

شی‌گرا

45/80

79/0

30/92

90/0

86/95

94/0

ماشین بردار

81/94

93

69/94

93/0

78/94

93/0

حداقل فاصله

57/82

78/0

13/74

67/0

84/88

86/0

جنگل تصادفی

24/85

81/0

65/89

86/0

30/88

85/0

 

 

شکل 4. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم حداقل فاصله از میانگین (منبع: نویسندگان، 1399)

 

شکل 5. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم جنگل تصادفی (منبع: نویسندگان، 1399)

 

 

شکل 6. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم ماشین بردار پشتیبان (منبع: نویسندگان، 1399)

 

شکل 7. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم شی‌گرا (منبع: نویسندگان، 1399)

 

ارزیابی تغییرات کاربری اراضی شهر زنجان (1999- 2019)

با توجه به نقشه‌های به‌دست‌آمده و محاسبات آماری سال‌های 1999، 2009 و 2019، بیشترین درصد اراضی منطقه، اراضی دیمی است. طی دو دهة گذشته درصد زیادی از اراضی مرتعی به اراضی کشاورزی دیمی تبدیل شده است. با بررسی توزیع فضایی اراضی ساخته‌شده (عمدتاً شهر زنجان) طی دورة مطالعاتی، مشاهده می‌شود پراکنش فضایی شهر به سمت اراضی دیمی، مراتع و زراعت آبی پیرامون شهر زنجان بوده است. یکی از بحران‌های اصلی درزمینة تغییرات کاربری اراضی، تبدیل زمین‌های کشاورزی و باغ‌ها به مناطق شهری است که لزوم توجه به این زمینه بیش از پیش در پژوهش‌های شهری احساس می‌شود.

نتایج به‌دست‌آمده از آشکارسازی و پایش تغییرات کاربری اراضی طی سال‌های 1999 تا 2019، مقدار تغییر خالص هریک از کاربری‌ها را نشان می‌دهد؛ به‌طوری که طی این بازة زمانی، کاربری اراضی ساخته‌شده 1984 هکتار، زراعت دیمی 2744 هکتار و راههای دسترسی 1206 هکتار افزایش سطح داشته است؛ درمقابل زراعت آبی و پوشش‌های فضای سبز منطقه حدود 1517 هکتار و اراضی مرتعی 4417 هکتار روند کاهش سطح را تجربه کرده‌اند. بررسی روند تغییرات اثبات‌کنندة این مدعاست که اراضی ساخته‌شده (شهر)، بیشترین تغییر و تبدیل را به ترتیب از اراضی دیمی 1264 هکتار، مراتع 648 هکتار، زراعت آبی و فضای سبز 142 هکتار و شبکة دسترسی راهها 122 هکتار داشته است. جزئیات تغییرات در شکل‌های 8 و 9 و جدول 6 آورده شده است. در طول 20 سال بررسی‌شده، از درصد زمین‌های کشاورزی دیمی، آبی و مرتعی به نفع اراضی ساخته‌شده و راهها کاسته شده است و مناطق حومة جدید مانند شهرک الهیه، گلشهر، کاظمیه، کارمندان، کوی سایان، کوی فاطمیه، شهر آرا و... در بازة زمانی 1999- 2019 توسعه یافته‌اند؛ همچنین یافته‌های پژوهش نشان می‌دهد بیشترین سهم تغییرات در سال‌های بین 1999 تا 2019 به کاهش اراضی مرتعی به نفع اراضی دیمی و شهری مربوط است؛ با وجود این از اراضی دیمی و آبی حومة شهر زنجان طی بازة زمانی بررسی‌شده، مساحت زیادی به اراضی ساخته‌شده و راهها تبدیل شده است.

جدول 6. خلاصه‌ای از تغییرات کاربری اراضی منطقه (هکتار) در بازة زمانی 1999 تا 2019 (منبع: نویسندگان، 1399)

سال

کاربری

1999

2009

2019

مساحت

درصد مساحت

مساحت

درصد مساحت

مساحت

درصد مساحت

زراعت دیمی

7/9378

64/38

77/11383

9/46

93/12122

94/49

مراتع

77/7795

21/32

58/5602

08/23

93/3378

92/13

اراضی ساخته‌شده

81/2178

98/8

12/2841

7/11

46/4162

15/17

راه

44/323

33/1

49/685

82/2

92/1529

3/6

زراعت آبی

64/4596

94/18

4/3760

49/15

12/3079

69/12

مجموع

36/24273

100

36/24273

100

36/24273

100

 

 

شکل 8. نمودار درصد تغییرات کاربری اراضی در بازة زمانی 1999- 2019 (منبع: نویسندگان، 1399)

 

شکل 9. نقشة تغییرات کاربری اراضی به اراضی ساخته‌شدة محدوده و حریم شهر زنجان در بازه‌های زمانی 1999- 2019 (منبع: نویسندگان، 1399)

نتیجه‌گیری

در این پژوهش با مقایسة الگوریتم‌های شی‌گرا و پیکسل پایه با هدف انتخاب الگوریتم بهینة طبقه‌بندی، روند تغییرات کاربری اراضی محدوده و حریم شهر زنجان در بازة زمانی 1999 تا 2019 ارزیابی شد. با مقایسة نتایج ارزیابی صحت طبقه‌بندی‌کننده‌ها، روش نزدیک‌ترین همسایة الگوریتم طبقه‌بندی شی‌گرا برای سال 2019 با ضریب کاپا و صحت کلی به ترتیب 94/0 درصد و 86/95 درصد نسبت به سایر الگوریتم‌ها، عملکرد مناسبی را نشان داد. ازجمله دلایل صحت زیاد طبقه‌بندی شی‌گرا در این پژوهش، استفاده از پارامترها و شاخص‌هایی نظیر شاخص طیفی توسعة شهری NDBI، میانگین حداکثر اختلاف باندها، درجة روشنایی و... است. با مقایسة نتایج ارزیابی صحت نقشه‌های طبقه‌بندی سال‌های 1999 و 2009، الگوریتم ماشین بردار پشتیبان بهترین عملکرد را ازلحاظ ضرایب کاپا و صحت کلی نسبت به سایر روش‌ها در منطقه نشان داد. در این پژوهش از قابلیت‌های سامانة گوگل‌ارث انجین درزمینة تهیة تصاویر تصحیح‌شده و همچنین طبقه‌بندی تصاویر با الگوریتم‌های مختلف به نحو مؤثری استفاده شده است. این سامانه با فراهم‌سازی بستری مناسب به‌منظور پردازش‌های سریع در پروژه‌های سنجش از دور و GIS نقش مؤثری را ایفا می‌کند و نتایج گویای آن است که طبقه‌بندی پیکسل پایة الگوریتم ماشین بردار پشتیبان در بستر این سامانه با سرعت و دقت زیاد انجام شده است.

نتایج نشان می‌دهد الگوریتم‌های طبقه‌بندی شی‌گرا در محیط نرم‌افزار تخصصی eCognition و ماشین بردار پشتیبان در بستر گوگل‌ارث انجین برای تهیة نقشه‌های کاربری اراضی با استفاده از داده‌های ماهواره‌ای سری لندست بسیار کارا و مفید است. پژوهشگران دیگر نیز قابلیت این الگوریتم‌ها را در مناطق مختلف جهان به اثبات رسانده‌اند (اصغری سراسکانرود و همکاران، 1398؛ et al., 2015 Mahmoudi؛De Oliveira Silveira et al., 2017 ؛et al., 2017  Huang؛ Liu et al., 2018؛ Huo et al., 2019) که نتایج پژوهش آنها با نتایج این پژوهش مطابقت دارد.

بررسی مراحل رشد و توسعة فیزیکی شهر زنجان در دوره‌های مختلف زمانی نشان می‌دهد این شهر رشد و توسعة جمعیتی و فیزیکی چشمگیری را تجربه کرده است. از سال 1999 تا 2019 گسترش فیزیکی شهر جالب توجه بوده و مساحت شهر حدود دو برابر در طول 20 سال رشد داشته است؛ توسعة فیزیکی شهر در راستای افزایش جمعیت در طول این دوره بوده و جمعیت شهر نیز در سال 1375 از 288706 نفر به 430871 نفر در سال 1395 رسیده است (مرکز آمار ایران، 1395). افزایش جمعیت به‌صورت مستقیم آثار منفی بر منابع زمین دارد و موجب انتقال کاربری‌های طبیعی زمین به کاربری‌های دیگر ازجمله کاربری مسکونی و توسعة سکونتگاهها و سایر انواع توسعة انسان‌ساخت می‌شود. بر این اساس انجام پروژه‌های ارزیابی تغییرات پوشش و کاربری زمین به‌منظور پایش و مدیریت منابع طبیعی و زیست‌محیطی این مناطق ضروری است.

تغییرات نشان می‌دهد بیشترین توسعة اراضی طی دو دهة گذشته در قسمت‌های شرقی و غربی شهر بوده است. داشتن اراضی برای توسعة آتی شهری، یک فرصت برای هر شهر محسوب می‌شود، ولی تغییرات گسترده و بدون برنامه که همان مفهوم رشد پراکنده را در شهر زنجان گوشزد می‌کند، ممکن است به‌لحاظ مدیریت و برنامه‌ریزی توسعة شهری، شهر را در داشتن امکانات و زیرساخت‌ها و خدمات مربوط به توسعة شهری برای شهروندان مشکل‌آفرین کند.

لازم است به‌منظور کاهش پراکنش افقی این شهر و درنتیجه کاهش مشکلات ناشی از آن، نظارت بیشتر بر محدوده‌ها و حریم شهرها، استفاده از شیوه‌های انبوه‌سازی و بلندمرتبه‌سازی (شهر فشرده)، استفاده از زمین‌های بایر و خالی موجود در داخل شهر (توسعة میان‌افزا) و هدایت سمت توسعة شهر در جهاتی جز زمین‌های کشاورزی در اولویت باشد تا شاهد آثار زیست‌محیطی ازجمله تبدیل و تخریب زمین‌های کشاورزی به اراضی شهری، آلودگی آب و خاک، فرسایش خاک و... در سطح منطقه نباشیم.

به‌طور کلی استفاده از GEE، قابلیت پردازش و طبقه‌بندی تصاویر ماهواره‌ای را دارد و رویکردی جالب توجه و کارآمد برای تهیة نقشة کاربری اراضی و نظارت بر گسترش فیزیکی شهرها به‌ویژه شهر زنجان است.



[1]. Whiteside et al.

[2]. DEM

[3]. Mahmoudi et al.

[4]. De Oliveira Silveira et al.

[5]. Huo et al.

[6]. Google Earth Engine (GEE)

[7]. Classification

[8]. Normalized Difference Built-Up index

[9]. Support Vector Machine

[10]. Random Forest

[11]. Minimum Distance

منابع

احراری، امیرحسین، (1398). موتور مجازی پردازش تصاویر ماهواره‌ای (آموزش سامانة گوگل‌ارث انجین)، جلد اول، چاپ اول، تهران، انتشارات کلید آموزش، 248 صفحه.

اصغری سراسکانرود، صیاد، خدابنده‌لو، بهروز، ناصری، احمد، مرادی، علی، (1398). استخراج نقشة کاربری اراضی با استفاده از مقایسة الگوریتم‌های مختلف طبقه‌بندی پیکسل پایه و شی‌گرا؛ مطالعة موردی: شهر زنجان، فصلنامة علمی‌پژوهشی اطلاعات جغرافیایی (سپهر)، دورة 28، شمارة 110، 195- 208.

پاشازاده، غلامحسن، (1388). مقایسة روش‌های پیکسل پایه و شی‌گرا در طبقه‌بندی کاربری اراضی شهری با استفاده از داده‌های سنجش از دور؛ مطالعة موردی: ارومیه، پایان‌نامة کارشناسی ارشد رشتة سنجش از دور و GIS، استادان راهنما: شکیبا، علیرضا، ضیاییان فیروزآبادی، پرویز، دانشگاه شهید بهشتی تهران، دانشکدة علوم زمین.

پورمحمدی، محمدرضا، جمالی، فیروز، اصغری زمانی، اکبر، (1387). ارزیابی گسترش فضاییکالبدی شهر زنجان با تأکید بر تغییرات کاربری زمین، پژوهش‌های جغرافیایی، دورة 63، شمارة 63، 29- 46.

زنگنه‌شهرکی، سعید، (1395). مدیریت گسترش کالبدی شهر با رویکرد رشد هوشمند شهری، جلد اول، چاپ اول، تهران، انتشارات دانشگاه تهران، 340 صفحه.

علوی‌پناه، سید کاظم، (1392). کاربرد سنجش از دور در علوم زمین (علوم خاک)، چاپ چهارم، تهران، انتشارات دانشگاه تهران، 478 صفحه.

فیضی‌زاده، بختیار، پیرنظر، مجتبی، زندکریمی، آرش، عابدی قشلاقی، حسن، (1394). ارزیابی استفاده از الگوریتم‌های فازی در افزایش دقت نقشه‌های کاربری اراضی استخراج‌شده با روش‌های پردازش شی‌گرا، فصلنامة علمی‌پژوهشی اطلاعات جغرافیایی (سپهر)، دورة 24، شمارة 94، 107- 117.

فیضی‌زاده، بختیار، هلالی، حسین، (1389). مقایسة روش‌های پیکسل پایه، شی‌گرا و پارامترهای تأثیرگذار در طبقه‌بندی پوشش/ کاربری اراضی استان آذربایجان غربی، پژوهش‌های جغرافیای طبیعی (پژوهش‌های جغرافیایی سابق)، دورة 41، شمارة 77، 73- 84.

فیضی‌زاده، بختیار، خدمت‌زاده، علی، نیکجو، محمدرضا، (1397). ریز طبقه‌بندی اراضی باغی و زراعی با استفاده از تکنیک‌های پردازش شی‌پایه و الگوریتم‌های فازی با هدف تخمین سطح زیر کشت، نشریة تحقیقات کاربردی علوم جغرافیایی، دورة 18، شمارة 48، 201- 216.

فیضی‌زاده، بختیار، سلمانی، سعید، (1395). مدل‌سازی تخریب اراضی کشاورزی براثر رشد و توسعة شهری با به‌کارگیری روش‌های شی‌پایة پردازش تصاویر ماهواره‌ای در محدودة شهری ارومیه، مجلة آمایش سرزمین، دورة 8، شمارة 2، 177-202.

کاکه‌ممی، آزاد، قربانی، اردوان، کیوان بهجو، فرشاد، میرزایی موسی‌وند، امیر، (1396). مقایسۀ روش‌های تفسیر چشمی و رقومی در تهیۀ نقشة کاربری و پوشش اراضی استان اردبیل، مجلة کاربرد سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، دورة 8، شمارة 3، 121- 134.

مرکز آمار ایران، (1395). سرشماری عمومی نفوس و مسکن سال 1395، مرکز آمار ایران https://www.amar.org.ir/.

Butt, A., Shabbir, R., Ahmad, S.S., Aziz, N., (2015). Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan, The Egyptian Journal of Remote Sensing and Space Science, 18 (2), 251- 259.

Campbell, J.B., Wynne, R.H., (2011). Introduction to remote sensing, Guilford Press.

De Oliveira Silveira, E.M., De Menezes, M.D., Júnior, F.W.A., Terra, M.C.N.S., De Mello, J.M., (2017). Assessment of geostatistical features for object-based image classification of contrasted landscape vegetation cover, Journal of Applied Remote Sensing, 11 (3), 036004.

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, 29 (3), 390- 401.

Dingle Robertson, L., King, D.J., (2011). Comparison of pixel-and object-based classification in land cover change mapping, International Journal of Remote Sensing, 32 (6), 1505- 1529.

El-Asmar, H.M., Hereher, M.E., El Kafrawy, S.B., (2013). Surface area change detection of the Burullus Lagoon, North of the Nile Delta, Egypt, using water indices: A remote sensing approach, The Egyptian Journal of Remote Sensing and Space Science, 16 (1), 119- 123.

Esam, I., Abdalla, F., Erich, N., (2012). Land use and land cover changes of west tahta region, sohag governorate, upperegypt, Journal of Geographic Information System, 4 (06), 483.

Feizizadeh, B., Blaschke, T., Nazmfar, H., Akbari, E., Kohbanani, H.R., (2013). Monitoring land surface temperature relationship to land use/land cover from satellite imagery in Maraqeh County, Iran, Journal of Environmental Planning and Management, 56 (9), 1290- 1315.

Ghebrezgabher, M.G., Yang, T., Yang, X., Wang, X., Khan, M., (2016). Extracting and analyzing forest and woodland cover change in Eritrea based on landsat data using supervised classification, The Egyptian journal of Remote Sensing and Space Science, 19 (1), 37- 47.

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sensing of Environment, 202, 18- 27.

https://earthengine.google.com

Huang, H., Chen, Y., Clinton, N., Wang, J., Wang, X., Liu, C., Zhu, Z., (2017). Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine, Remote Sensing of Environment, 202, 166- 176.

Huo, L.Z., Boschetti, L., Sparks, A.M., (2019). Object-Based Classification of Forest Disturbance Types in the Conterminous United States, Remote Sensing, 11 (5), 477.

Im, J., Jensen, J.R., Tullis, J.A., (2008). Object‐based change detection using correlation image analysis and image segmentation, International Journal of Remote Sensing, 29 (2), 399- 423.

Jensen, J., (2005). Introductory digital image processing: A remote sensing perspective (3rd ed.), Upper Saddle River, NJ: Prentice Hall, 526.

Lillesand, T., Kiefer, R.W., Chipman, J., (2015). Remote sensing and image interpretation, John Wiley & Sons.

Liu, X., Hu, G., Chen, Y., Li, X., Xu, X., Li, S., Wang, S., (2018). High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform, Remote sensing of environment, 209, 227- 239.

Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., (2017). A review of supervised object-based land-cover image classification, ISPRS Journal of Photogrammetry and Remote Sensing, 130, 277- 293.

Mahmoudi, F.T., Samadzadegan, F., Reinartz, P., (2014). Object recognition based on the context aware decision-level fusion in multiviews imagery, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (1), 12- 22.

Rawat, J.S., Kumar, M., (2015). Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India, The Egyptian Journal of Remote Sensing and Space Science, 18 (1), 77- 84.

Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P., (2012). “An assessment of the effectiveness of a random forest classifier for land-cover classification”. ISPRS Journal Photogrammetry and Remote Sensing, 67, 93- 104.

Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., Skakun, S., (2017). Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping, Frontiers in Earth Science, 5, 17.

Shin, S., Kyung, L., Taik, S., Hyun., Kim J., )2005(. An application of support vector machines in bankruptcy prediction model, Expert Systems with Applications, 28, 127- 135.

Weih, R.C., Riggan, N.D., (2010). Object-based classification vs. pixel-based classification: comparative importance of multi-resolution imagery, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38 (4), 7.

Weng, Q., (2012). Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends, Remote Sensing of Environment, 117, 34- 49.

Whiteside, T.G., Boggs, G.S., Maier, S.W., (2011). Comparing object-based and pixel-based classifications for mapping savannas, International Journal of Applied Earth Observation and Geoinformation, 13 (6), 884- 893.

www.earthengine.google.com/ 2020.

Yan, G., Mas, J.F., Maathuis, B.H.P., Xiangmin, Z., Van Dijk, P.M., (2006). Comparison of pixelbased and objectoriented image classification approachesa case study in a coal fire area, Wuda, Inner Mongolia, China, International Journal of Remote Sensing, 27 (18), 4039- 4055.

Zha, Y., Gao, J., Ni, S., (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery, International journal of remote sensing, 24 (3), 583- 594.

 

References:

- Butt, A., Shabbir, R., Ahmad, S. S., & Aziz, N. (2015). Land Use Change Mapping and Analysis Using Remote Sensing and GIS: A Case Study of Simly Watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2), 251-259.

- Campbell, J. B., & Wynne, R. H. (2011). Introduction to Remote Sensing. Guilford Press.

- De Oliveira Silveira, E. M., De Menezes, M. D., Júnior, F. W. A., Terra, M. C. N. S., & De Mello, J. M. (2017). Assessment of Geostatistical Features for Object-Based Image Classification of Contrasted Landscape Vegetation Cover. Journal of Applied Remote Sensing, 11(3), 036004.

- Dewan, A. M., & Yamaguchi, Y. (2009). Land Use and Land Cover Change in Greater Dhaka, Bangladesh: Using Remote Sensing to Promote Sustainable Urbanization. Journal of Applied Geography, 29(3), 390-401.

- Dingle Robertson, L., & King, D. J. (2011). Comparison of Pixel-and Object-Based Classification in Land Cover Change Mapping. International Journal of Remote Sensing, 32(6), 1505-1529.

- El-Asmar, H. M., Hereher, M. E., & El Kafrawy, S. B. (2013). Surface Area Change Detection of the Burullus Lagoon, North of the Nile Delta, Egypt, Using Water Indices: A Remote Sensing Approach. The Egyptian Journal of Remote Sensing and Space Science, 16(1), 119-123.

- Esam, I., Abdalla, F., & Erich, N. (2012). Land Use and Land Cover Changes of West Tahta Region, Sohag Governorate, Upper Egypt. Journal of Geographic Information System, 4(06), 483.

- Feizizadeh, B., Blaschke, T., Nazmfar, H., Akbari, E., & Kohbanani, H. R. (2013). Monitoring Land Surface Temperature Relationship to Land Use/Land Cover from Satellite Imagery in Maraqeh County, Iran. Journal of Environmental Planning and Management, 56(9), 1290-1315.

- Ghebrezgabher, M. G., Yang, T., Yang, X., Wang, X., & Khan, M. (2016). Extracting and Analyzing Forest and Woodland Cover Change in Eritrea Based on Landsat Data Using Supervised Classification. The Egyptian Journal of Remote Sensing and Space Science, 19(1), 37-47.

- Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. Journal of Remote Sensing of Environment, 202, 18-27.

- Huo, L. Z., Boschetti, L., & Sparks, A. M. (2019). Object-Based Classification of Forest Disturbance Types in the Conterminous United States. Journal of Remote Sensing, 11(5), 477.

- Im, J., Jensen, J. R., & Tullis, J. A. (2008). Object‐Based Change Detection Using Correlation Image Analysis and Image Segmentation. International Journal of Remote Sensing, 29(2), 399-423.

- Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote Sensing and Image Interpretation. John Wiley & Sons.

- Ma, L., Li, M., Ma, X., Cheng, L., Du, P., & Liu, Y. (2017). A Review of Supervised Object-Based Land-Cover Image Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 130, 277-293.

- Mahmoudi, F. T., Samadzadegan, F., & Reinartz, P. (2014). Object Recognition Based on the Context Aware Decision-Level Fusion in Multiviews Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1), 12-22.

- Rawat, J. S., & Kumar, M. (2015). Monitoring Land Use/Cover Change Using Remote Sensing and GIS Techniques: A Case Study of Hawalbagh Block, District Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1), 77-84.

- Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Journal of Frontiers in Earth Science, 5, 17.

- Weih, R. C., & Riggan, N. D. (2010). Object-Based Classification vs. Pixel-Based Classification: Comparative Importance of Multi-Resolution Imagery. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 38(4), C7.

- Weng, Q. (2012). Remote Sensing of Impervious Surfaces in the Urban Areas: Requirements, Methods, and Trends. Journal of Remote Sensing of Environment, 117, 34-49.

- Whiteside, T. G., Boggs, G. S., & Maier, S. W. (2011). Comparing Object-Based and Pixel-Based Classifications for Mapping Savannas. International Journal of Applied Earth Observation and Geoinformation, 13(6), 884-893.

- Yan, G., Mas, J. F., Maathuis, B. H. P., Xiangmin, Z., & Van Dijk, P. M. (2006). Comparison of Pixel‐Based and Object‐Oriented Image Classification Approaches—a Case Study in a Coal Fire Area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, 27(18), 4039-4055.

- Zha, Y., Gao, J., & Ni, S. (2003). The Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery. International Journal of Remote Sensing, 24(3), 583-594.