کارایی سامانه گوگل ارث انجین (GEE) در ارزیابی تغییرات کاربری اراضی و پیش بینی آن با مدل مارکوف (مطالعه موردی دشت ارومیه)
محورهای موضوعی : زیرساخت اطلاعات مکانی و طبقه بندی
ناصر سلطانی
1
,
وحید محمدنژاد
2
1 - استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه ، ارومیه، ایران
2 - استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه، ارومیه، ایران
کلید واژه: گوگل ارث انجین, طبقه بندی, کاربری اراضی, ارومیه,
چکیده مقاله :
پیشینه و هدف کاربری اراضی منعکس‌کننده ویژگی های تعاملی بین انسان و محیط زیست و تشریح نحوه بهره برداری انسان برای یک یا چند هدف بر روی زمین است. کاربری اراضی، معمولاً بر اساس استفاده انسان از زمین، با تأکید بر نقش کاربردی زمین در فعالیت های اقتصادی تعریف می شود. نقش کاربری اراضی یکی از فاکتورهای اساسی در مطالعات منابع طبیعی و مدیریت محیط زیست است. اطلاع از تغییرات کاربری اراضی و بررسی علل و عوامل آن ها در یک دوره زمانی می تواند مورد توجه برنامه ریزان و مدیران باشد. استفاده از داده های ماهواره ای به دلیل فراهم ساختن دید وسیع و یکپارچه از یک منطقه، قابلیت تکرارپذیری، دسترسی آسان، دقت بالای اطلاعات به دست آمده و سرعت بالای تجزیه و تحلیل ابزار مناسبی برای تهیه نقشه کاربری اراضی مخصوصاً در مناطق جغرافیایی وسیع است. یکی از روش های پرکاربرد استخراج اطلاعات از تصاویر ماهواره ای، طبقه بندی است که به کاربران امکان تولید اطلاعات مختلف را می دهد. برای تفکیک پدیده های موضوعی و استخراج دقیق تر اطلاعات، با توجه به نوع روش طبقه بندی، منطقه موردمطالعه، ویژگی های نقاط تعلیمی نتایج متفاوتی حاصل می شود. سامانه گوگل ارث انجین (GEE)، سیستمی مبتنی بر وب و محاسبات ابری است که توسط شرکت گوگل و به‌منظور ذخیره سازی و تحلیل حجم عظیمی از داده ها در مقیاس پتا بایت (ازجمله تصاویر مختلف ماهواره ای، مدل های رقومی ارتفاعی، داده های اقلیمی، داده های وکتوری)، راه اندازی شده است. سرعت در پردازش و دسترسی به داده های متنوع از مسائل و مشکلات مطالعات مربوط به تغییرات کاربری اراضی است. این مشکلات به لطف سامانه گوگل ارث انجین، برطرف شده است. هدف مقاله حاضر طبقه بندی تصاویر ماهواره ای با استفاده از روش یادگیری ماشین بردار در دو دوره 2000 و 2020 و تهیه نقشه کاربری اراضی این دو دوره در محیط سامانه گوگل ارث انجین است.مواد و روش هادر پژوهش حاضر شهر ارومیه به همراه نواحی اطراف آن (دشت ارومیه)، مورد ارزیابی قرارگرفته است. به‌منظور تهیه نقشه های کاربری اراضی و مطالعه تغییرات آن، تصاویر مربوط به سنجنده ETM+ ماهواره لندست 7 برای سال 2000 و سنجنده OLI لندست 8 مربوط به سال 2020 استفاده شده است. از تصاویر مربوط به ماه جون، زمانی که پوشش گیاهی به حداکثر رشد رویشی رسیده است، استفاده گردید. روش های مختلفی برای پایش و اندازه گیری تغییرات پوشش زمین و کاربری اراضی توسعه پیداکرده است. در مقاله حاضر کارایی سامانه گوگل ارث انجین به منظور گردآوری، مدیریت و پردازش داده های سنجش از دور مورد ارزیابی قرار گرفته است تا بتوان سرعت و دقت این سامانه را اثبات و معرفی کرد. جهت تهیه نقشه کاربری اراضی، از روش طبقه بندی ماشین بردار پشتیبان (Support Vector Machine)، استفاده شده است. تفاوت عمده این مقاله با سایر پژوهش ها این است که مدیریت و پردازش تصاویر در سامانه گوگل ارث انجین صورت گرفته است که این امر سبب می شود تا محقق نیازی به نرم افزارهای پرهزینه و سنگین مانند ENVI نداشته باشد و تنها با دسترسی به اینترنت بتواند پردازش های مورد نظر را انجام دهد. با توسعه کد مربوط به طبقه بندی تصاویر با استفاده از روش ماشین بردار پشتیبان، اقدام به طبقه بندی تصاویر سال های 2000 و 2020 شد. شش کلاس کاربری شامل زمین های بایر، اراضی انسان‌ساخت، باغات، کشاورزی آبی، کشاورزی دیم و پهنه های آبی مشخص گردید. پس از طبقه بندی تصاویر ماهواره ای، نتایج کار در گوگل درایو ذخیره و برای تحلیل های بعدی آماده شد. نتایج طبقه بندی وارد محیط نرم‌افزارArcGIS شد و صحت طبقه بندی با استفاده از نقاط کنترلی به دست آمده از تصاویر گوگل ارث و همچنین داده های مربوط به طرح آمایش سرزمین استان آذربایجان غربی مورد ارزیابی قرار گرفت. در مقاله حاضر علاوه بر تهیه نقشه کاربری اراضی در سامانه گوگل ارث انجین، به پیش‌بینی و مدل سازی کاربری ها برای سال 2040 با استفاده از تخمینگر انتقال مارکوف استفاده شد.نتایج و بحث پس از فراخوانی و اعمال طبقه بندی در محیط گوگل ارث انجین با استفاده از روش SVM، نقشه کاربری اراضی برای سال های 2000 و 2020 تهیه شد. نقشه های تهیه شده شامل کاربری های اراضی ساخته شده، پهنه های آبی، باغات، کشاورزی آبی، کشاورزی دیم و زمین های بایر است. مقایسه کاربری های مختلف بین سال های 2000 و 2020 نشان می دهد که تغییرات گسترده ای در آن ها رخ داده است. برخی از این تغییرات افزایشی و برخی کاربری ها، منفی است. زمین های بایر در سال 2020 نسبت به سال 2000، در حدود 10 کیلومتر مربع، اراضی ساخته‌شده (انسان‌ساخت)، 42.62 کیلومترمربع، باغات 67 کیلومترمربع و پهنه های آبی 0.39 کیلومتر مربع افزایش مساحت را نشان می دهد. در مقابل کشاورزی دیم 39.45 و کشاورزی آبی 80 کیلومترمربع از مساحت خود را ازدست‌داده‌اند. دلیل افزایش باغات را می توان در تغییر کاربری های کشاورزی آبی به باغی و همچنین توسعه شهری و ایجاد زیرساخت های انسانی مختلف دانست که در سال های اخیر بسیار مشهود است. بیشترین تغییرات مربوط است به کاربری باغات با روند مثبت که طی آن بسیاری از زمین های کشاورزی آبی تبدیل به اراضی باغی شده اند. همین تغییرات سبب شده تا میزان تولید محصولات باغی شهرستان ارومیه افزایش‌یافته و به یکی از قطب های تولید محصولات باغی به ویژه سیب تبدیل بشود. از طرف دیگر مساحت زمین های انسان‌ساخت تقریباً دو برابر شده است که این امر معمولاً در سایر نقاط کشور نیز اتفاق می افتد و امری عادی است. معمولاً با افزایش جمعیت شهرها و همچنین روستاها و نیاز به احداث ساختمان های جدید و امکانات زیرساختی مثل کارخانه ها، زمینهای ورزشی، جاده ها، فضاهای سرگرمی و غیره، کاربری های انسان ساخت افزایش پیداکرده است. طبق نقشه پیش بینی‌شده برای سال 2040 با استفاده از CA-Markov در نرم افزار ادریسی، بیشترین رشد مربوط به کاربری کشاورزی دیم است. پیش بینی می شود طی این دوره مساحت زمین های دیم به 73.40 کیلومترمربع برسد. زمین‌ساخته شده به 90.9 کیلومترمربع افزایش خواهد یافت. در حالی که مقدار آن در سال 2020، 76.38 کیلومترمربع بوده است. از طرف دیگر مساحت باغات از 31.61 کیلومترمربع در سال 2020 به 72.15 کیلومترمربع افزایش خواهد یافت. زمین های کشاورزی آبی نیز با روند افزایشی به 27.38 کیلومترمربع خواهد رسید.نتیجه گیری بررسی ها نشانگر آن است که رشد اراضی ساخته شده در شهر ارومیه و پیرامون آن، متناسب و همسو با سایر کاربری ها نیست و این مسئله منجر به پیشی گرفتن رشد مساحت کاربری اراضی ساخته شده نسبت به سایر کاربری ها شده است و این مسئله باعث ایجاد پدیده گستردگی در شهر ارومیه شده است. از طرف دیگر نتایج نشان می دهد که بررسی و مطالعه کاربری اراضی با استفاده از سری زمانی تصاویر ماهواره ای، صرفه‌جویی در زمان و هزینه است و همان طور که در مقاله اشاره شده است، کاربری های مختلف برای سال ها 2000 و 2020 با استفاده از سامانه گوگل ارث انجین تهیه و تغییرات آن ها مشخص شد.
Background and ObjectiveLand use reflects the interactive features between humans and the environment and describes how humans are exploited for one or more purposes on earth. Land use is usually defined based on human use of land, with an emphasis on the functional role of land in economic activities. Land use map is one of the main factors in the study of natural resources and environmental management. Knowing the changes in land use and examining their causes and factors in a period of time can be of interest to planners and managers. The use of satellite data is a good tool for land use mapping, especially in large geographical areas, due to the provision of a wide and integrated view of an area, reproducibility, easy access, high accuracy of information obtained, and high-speed analysis. One of the most widely used methods of extracting information from satellite images is image classification, which allows users to generate different information. Google Earth Engine (GEE) is a web, cloud-based system developed by Google to store and analyze large amounts of data at the petabyte scale (including various satellite imagery, digital models, climatic and vector data). Speed in processing and access to diverse data is one of the issues and problems of land use change studies. The purpose of this paper is to classify satellite images using the support vector machine learning method in the two periods of 2000 and 2020 and to produce a land use map of these two periods in the Google Earth engine system. Materials and Methods In this paper, Urmia city and its surrounding areas (Urmia plain) have been evaluated. In order to prepare land use maps and study its changes, Landsat 7 ETM+ sensor for 2000 and Landsat OLI 8 for 2020 have been used. Images from June were used, when vegetation reached its maximum vegetative growth. Various methods have been developed to monitor and measure land cover and land use changes. In this paper, the efficiency of the Google Earth Engine system for collecting, managing, and processing remote sensing data has been evaluated in order to prove and introduce the speed and accuracy of this system. In order to produce the land use map, the Support Vector Machine classification method has been used. The main difference between this paper and other research is that the management and processing of images have been done in the Google Earth Engine system, which means that the researcher does not need expensive and licensed software such as ENVI and only by access to the Internet can do the processing. By developing the code for image classification using the support vector machine method, the images of 2000 and 2020 were classified. Six land use classes were identified, including barren lands, man-made lands, orchards, irrigated agriculture, rainfed agriculture, and irrigated areas. After classifying images, the results were stored in Google Drive and prepared for further analysis. The classification results were entered into ArcGIS software and the classification accuracy was evaluated using control points obtained from Google Earth images as well as data related to the land use management plan of West Azerbaijan province. In this paper, in addition to preparing a land use map in the Google Earth Engine system, it was used to forecast and model land uses for 2040 using the CA-Markov transfer estimator. Results and Discussion After calling and classification of images in the Google Earth engine environment using the SVM method, land use map for 2000 and 2020 was produced. The prepared maps include man-made lands, orchards, irrigated agriculture, rainfed agriculture, and barren lands. A comparison of different land use in 2000 and 2020 shows that extensive changes have taken place in them. Some of these changes are positive and some are negative. The area of barren lands in 2020 compared to 2000 has increased by about 10 square kilometers, man-made lands, 42.62 square kilometers, orchards 67 square kilometers, and water bodies 0.39 square kilometers. In contrast, rainfed agriculture has lost 39.45 and irrigated agriculture has lost 80 square kilometers. The reason for the increase in orchards can be seen in the change of irrigated agricultural uses to orchards, as well as urban development and the creation of various human infrastructures, which is very evident in recent years. Most of the changes are related to the use of orchards with a positive trend during which many irrigated agricultural lands have become garden lands. These changes have increased the production of horticultural products in Urmia and become one of the hubs of horticultural production, especially apples. the area of man-made land has almost doubled, which usually happens in other parts of the country and is normal. Usually, with the increase in the population of cities as well as villages and the need to build new buildings and infrastructure facilities such as factories, sports fields, roads, entertainment spaces, etc., man-made uses have increased. According to the forecast for 2040 using the CA-Markov method in Idrisi software, the highest growth is related to rainfed agricultural use. It is predicted that during this period, the area of rainfed lands will reach 73.40 square kilometers. The man-made land will increase to 90.9 square kilometers. While its value in 2020 was 76.38 square kilometers. On the other hand, the area of orchards will increase from 31.61 square kilometers in 2020 to 72.15 square kilometers. Irrigated agriculture will increase to 27.38 square kilometers with an increasing trend. Conclusion Studies show that the growth of man-made lands in Urmia city and its surroundings is not commensurate with other land uses and this has led to the growth of land use area of the man-made lands compared to other uses and this issue has caused the phenomenon of expansion has become in Urmia city. On the other hand, the results show that the study of land use using the time series of satellite images is a time saver and cost, and as mentioned in the paper. different land uses for the years 2000 and 2020, prepared using the Google Earth system, and their changes were identified. Another important result of this paper is the high efficiency of the GEE system in processing large volumes of satellite images. Using this system does not require any specialized remote sensing software and the user can easily process various data using a computer browser or even a smartphone. Another important point is that in this system, there is no need to download different images, but the user can only download the processing result. This is very useful in terms of time and processing speed. The GEE system is able to process large volumes of time series data (here satellite imagery), different regions of the world with very high speed and very low time, and present the results in the form of various maps and graphs.
Afify HA. 2011. Evaluation of change detection techniques for monitoring land-cover changes: A case study in new Burg El-Arab area. Alexandria Engineering Journal, 50(2): 187-195. doi:https://doi.org/10.1080/014311698216062.
Asghari S, Mohammadnejad V, Emami H. 2019. Investigation land use change with use of a pixel-based method and object-oriented method and analysis of the effect of land use change on soil erosion (Case study of Maragheh county) Quantitative Geomorphological Researches, 29(8): 160-178. (In Persian).
Burges CJ. 1998. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2): 121-167. doi:https://doi.org/10.1023/A:1009715923555.
Civco DL, Hurd JD, Wilson EH, Arnold CL, Prisloe Jr MP. 2002. Quantifying and describing urbanizing landscapes in the Northeast United States. Photogrammetric Engineering and Remote Sensing, 68(10): 1083-1090. http://worldcat.org/issn/00991112.
Deng C, Wu C. 2012. BCI: A biophysical composition index for remote sensing of urban environments. Remote Sensing of Environment, 127: 247-259. doi:https://doi.org/10.1016/j.rse.2012.09.009.
Goldblatt R, You W, Hanson G, Khandelwal AK. 2016. Detecting the boundaries of urban areas in india: A dataset for pixel-based image classification in google earth engine. Remote Sensing, 8(8): 634. doi:https://doi.org/10.3390/rs8080634.
Hansen MC, Loveland TR. 2012. A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment, 122: 66-74. doi:https://doi.org/10.1016/j.rse.2011.08.024.
Hartter J, Lucas C, Gaughan AE, Aranda LL. 2008. Detecting tropical dry forest succession in a shifting cultivation mosaic of the Yucatán Peninsula, Mexico. Applied Geography, 28(2): 134-149. doi:https://doi.org/10.1016/j.apgeog.2007.07.013.
Herold M, Scepan J, Clarke KC. 2002. The use of remote sensing and landscape metrics to describe structures and changes in urban land uses. Environment and planning A, 34(8): 1443-1458. doi:https://doi.org/10.1068/a3496.
Heydarian P, Rangzan K, Maleki S, Taghizadeh A. 2014. Land use change detection using post classification comparison LandSat satellite images (Case study: land of Tehran). Journal of RS and GIS for Natural Resources, 4(4): 1-10. http://girs.iaubushehr.ac.ir/article_516552_en.html. (In Persian).
Johnson RD, Kasischke E. 1998. Change vector analysis: A technique for the multispectral monitoring of land cover and condition. International Journal of Remote Sensing, 19(3): 411-426. doi:https://doi.org/10.1080/014311698216062.
Keshavarz A, Ghasemiyan H. 2005. A fast algorithm based on support vector machine for classification of hyperspectral images using spatial correlation. Iranian Journal of Electrical Engineering and Computer Engineering, 3: 44-37. (In Persian).
Li G, Lu D, Moran E, Hetrick S. 2013. Mapping impervious surface area in the Brazilian Amazon using Landsat Imagery. GIScience & Remote Sensing, 50(2): 172-183. doi:https://doi.org/10.1080/15481603.2013.780452.
Liu C, Shao Z, Chen M, Luo H. 2013. MNDISI: a multi-source composition index for impervious surface area estimation at the individual city scale. Remote Sensing Letters, 4(8): 803-812. doi:https://doi.org/10.1080/2150704X.2013.798710.
Lu D, Mausel P, Brondizio E, Moran E. 2004. Change detection techniques. International Journal of Remote Sensing, 25(12): 2365-2401. doi:https://doi.org/10.1080/0143116031000139863.
Lu D, Weng Q. 2004. Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering & Remote Sensing, 70(9): 1053-1062. doi:https://doi.org/10.14358/PERS.70.9.1053.
Mokhtari M, Najafi A. 2015. Comparison of support vector machine and neural network classification methods in land use information extraction through Landsat TM data. Journal of Science and Technology of Agriculture and Natural Resources, 19(72): 35-45. doi:https://doi.org/10.1080/014311698216062. (In Persian).
Mountrakis G, Im J, Ogole C. 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3): 247-259. doi:https://doi.org/10.1016/j.isprsjprs.2010.11.001.
Patel NN, Angiuli E, Gamba P, Gaughan A, Lisini G, Stevens FR, Tatem AJ, Trianni G. 2015. Multitemporal settlement and population mapping from Landsat using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation, 35: 199-208. doi:https://doi.org/10.1016/j.jag.2014.09.005.
Pourahmad A, Seifodini F, Parnon Z. 2011. Migration and land use change in Islamshahr city. Arid Regions Geographic Studies, 2(5): 131-150. https://www.sid.ir/en/journal/ViewPaper.aspx?id=251656. (In Persian).
Schneider A, Friedl MA, Potere D. 2010. Mapping global urban areas using MODIS 500-m data: New methods and datasets based on ‘urban ecoregions’. Remote Sensing of Environment, 114(8): 1733-1746. doi:https://doi.org/10.1016/j.rse.2010.03.003.
Seto KC, Fragkias M, Güneralp B, Reilly MK. 2011. A meta-analysis of global urban land expansion. PloS one, 6(8): e23777. doi:https://doi.org/10.1371/journal.pone.0023777.
Shao Y, Li GL, Guenther E, Campbell JB. 2015. Evaluation of topographic correction on subpixel impervious cover mapping with CBERS-2B data. IEEE Geoscience and Remote Sensing Letters, 12(8): 1675-1679. doi:https://doi.org/10.1109/LGRS.2015.2419135.
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(7): 1-17. doi:https://doi.org/10.3389/feart.2017.00017.
Soffianian AR, Khodakarami L. 2011. Land Use Mapping Using Fuzzy Classification: Case Study in Three Catchment Areas in Hamedan Province. Town and Country Planning, 3(4): 95-114. https://jtcp.ut.ac.ir/article_23206_23200.html?lang=en. (In Persian).
Sun Z, Guo H, Li X, Lu L, Du X. 2011. Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine. Journal of Applied Remote Sensing, 5(1): 053501. doi:https://doi.org/10.1117/1.3539767.
Sun Z, Xu R, Du W, Wang L, Lu D. 2019. High-resolution urban land mapping in China from sentinel 1A/2 imagery based on Google Earth Engine. Remote Sensing, 11(7): 752. doi:https://doi.org/10.3390/rs11070752.
Wahap N, Shafri HZ. 2020. Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia. In: IOP Conference Series: Earth and Environmental Science, vol 1. IOP Publishing, pp 012003. https://iopscience.iop.org/article/012010.011088/011755-011315/012540/012001/012003/meta.
Wang Z, Gang C, Li X, Chen Y, Li J. 2015. Application of a normalized difference impervious index (NDII) to extract urban impervious surface features based on Landsat TM images. International Journal of Remote Sensing, 36(4): 1055-1069. doi:https://doi.org/10.1080/01431161.2015.1007250.
Weng Q, Hu X. 2008. Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN. IEEE Transactions on Geoscience and Remote Sensing, 46(8): 2397-2406. doi:https://doi.org/10.1109/TGRS.2008.917601.
Wu C, Murray AT. 2003. Estimating impervious surface distribution by spectral mixture analysis. Remote sensing of Environment, 84(4): 493-505. doi:https://doi.org/10.1016/S0034-4257(02)00136-0.
Wu M, Zhao X, Sun Z, Guo H. 2019. A hierarchical multiscale super-pixel-based classification method for extracting urban impervious surface using deep residual network from worldview-2 and LiDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(1): 210-222. doi:https://doi.org/10.1109/JSTARS.2018.2886288.
Xu H. 2010. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI). Photogrammetric Engineering & Remote Sensing, 76(5): 557-565. doi:https://doi.org/10.14358/PERS.76.5.557.
Yousef S, Tazeh M, Mirzaee S, Moradi H, Tavangar S. 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of RS and GIS for Natural Resource, 5(3): 67-76. (In Persian).
Zhang C, Sargent I, Pan X, Li H, Gardiner A, Hare J, Atkinson PM. 2018. An object-based convolutional neural network (OCNN) for urban land use classification. Remote Sensing of Environment, 216: 57-70. doi:https://doi.org/10.1016/j.rse.2018.06.034.
_||_Afify HA. 2011. Evaluation of change detection techniques for monitoring land-cover changes: A case study in new Burg El-Arab area. Alexandria Engineering Journal, 50(2): 187-195. doi:https://doi.org/10.1080/014311698216062.
Asghari S, Mohammadnejad V, Emami H. 2019. Investigation land use change with use of a pixel-based method and object-oriented method and analysis of the effect of land use change on soil erosion (Case study of Maragheh county) Quantitative Geomorphological Researches, 29(8): 160-178. (In Persian).
Burges CJ. 1998. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2): 121-167. doi:https://doi.org/10.1023/A:1009715923555.
Civco DL, Hurd JD, Wilson EH, Arnold CL, Prisloe Jr MP. 2002. Quantifying and describing urbanizing landscapes in the Northeast United States. Photogrammetric Engineering and Remote Sensing, 68(10): 1083-1090. http://worldcat.org/issn/00991112.
Deng C, Wu C. 2012. BCI: A biophysical composition index for remote sensing of urban environments. Remote Sensing of Environment, 127: 247-259. doi:https://doi.org/10.1016/j.rse.2012.09.009.
Goldblatt R, You W, Hanson G, Khandelwal AK. 2016. Detecting the boundaries of urban areas in india: A dataset for pixel-based image classification in google earth engine. Remote Sensing, 8(8): 634. doi:https://doi.org/10.3390/rs8080634.
Hansen MC, Loveland TR. 2012. A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment, 122: 66-74. doi:https://doi.org/10.1016/j.rse.2011.08.024.
Hartter J, Lucas C, Gaughan AE, Aranda LL. 2008. Detecting tropical dry forest succession in a shifting cultivation mosaic of the Yucatán Peninsula, Mexico. Applied Geography, 28(2): 134-149. doi:https://doi.org/10.1016/j.apgeog.2007.07.013.
Herold M, Scepan J, Clarke KC. 2002. The use of remote sensing and landscape metrics to describe structures and changes in urban land uses. Environment and planning A, 34(8): 1443-1458. doi:https://doi.org/10.1068/a3496.
Heydarian P, Rangzan K, Maleki S, Taghizadeh A. 2014. Land use change detection using post classification comparison LandSat satellite images (Case study: land of Tehran). Journal of RS and GIS for Natural Resources, 4(4): 1-10. http://girs.iaubushehr.ac.ir/article_516552_en.html. (In Persian).
Johnson RD, Kasischke E. 1998. Change vector analysis: A technique for the multispectral monitoring of land cover and condition. International Journal of Remote Sensing, 19(3): 411-426. doi:https://doi.org/10.1080/014311698216062.
Keshavarz A, Ghasemiyan H. 2005. A fast algorithm based on support vector machine for classification of hyperspectral images using spatial correlation. Iranian Journal of Electrical Engineering and Computer Engineering, 3: 44-37. (In Persian).
Li G, Lu D, Moran E, Hetrick S. 2013. Mapping impervious surface area in the Brazilian Amazon using Landsat Imagery. GIScience & Remote Sensing, 50(2): 172-183. doi:https://doi.org/10.1080/15481603.2013.780452.
Liu C, Shao Z, Chen M, Luo H. 2013. MNDISI: a multi-source composition index for impervious surface area estimation at the individual city scale. Remote Sensing Letters, 4(8): 803-812. doi:https://doi.org/10.1080/2150704X.2013.798710.
Lu D, Mausel P, Brondizio E, Moran E. 2004. Change detection techniques. International Journal of Remote Sensing, 25(12): 2365-2401. doi:https://doi.org/10.1080/0143116031000139863.
Lu D, Weng Q. 2004. Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering & Remote Sensing, 70(9): 1053-1062. doi:https://doi.org/10.14358/PERS.70.9.1053.
Mokhtari M, Najafi A. 2015. Comparison of support vector machine and neural network classification methods in land use information extraction through Landsat TM data. Journal of Science and Technology of Agriculture and Natural Resources, 19(72): 35-45. doi:https://doi.org/10.1080/014311698216062. (In Persian).
Mountrakis G, Im J, Ogole C. 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3): 247-259. doi:https://doi.org/10.1016/j.isprsjprs.2010.11.001.
Patel NN, Angiuli E, Gamba P, Gaughan A, Lisini G, Stevens FR, Tatem AJ, Trianni G. 2015. Multitemporal settlement and population mapping from Landsat using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation, 35: 199-208. doi:https://doi.org/10.1016/j.jag.2014.09.005.
Pourahmad A, Seifodini F, Parnon Z. 2011. Migration and land use change in Islamshahr city. Arid Regions Geographic Studies, 2(5): 131-150. https://www.sid.ir/en/journal/ViewPaper.aspx?id=251656. (In Persian).
Schneider A, Friedl MA, Potere D. 2010. Mapping global urban areas using MODIS 500-m data: New methods and datasets based on ‘urban ecoregions’. Remote Sensing of Environment, 114(8): 1733-1746. doi:https://doi.org/10.1016/j.rse.2010.03.003.
Seto KC, Fragkias M, Güneralp B, Reilly MK. 2011. A meta-analysis of global urban land expansion. PloS one, 6(8): e23777. doi:https://doi.org/10.1371/journal.pone.0023777.
Shao Y, Li GL, Guenther E, Campbell JB. 2015. Evaluation of topographic correction on subpixel impervious cover mapping with CBERS-2B data. IEEE Geoscience and Remote Sensing Letters, 12(8): 1675-1679. doi:https://doi.org/10.1109/LGRS.2015.2419135.
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(7): 1-17. doi:https://doi.org/10.3389/feart.2017.00017.
Soffianian AR, Khodakarami L. 2011. Land Use Mapping Using Fuzzy Classification: Case Study in Three Catchment Areas in Hamedan Province. Town and Country Planning, 3(4): 95-114. https://jtcp.ut.ac.ir/article_23206_23200.html?lang=en. (In Persian).
Sun Z, Guo H, Li X, Lu L, Du X. 2011. Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine. Journal of Applied Remote Sensing, 5(1): 053501. doi:https://doi.org/10.1117/1.3539767.
Sun Z, Xu R, Du W, Wang L, Lu D. 2019. High-resolution urban land mapping in China from sentinel 1A/2 imagery based on Google Earth Engine. Remote Sensing, 11(7): 752. doi:https://doi.org/10.3390/rs11070752.
Wahap N, Shafri HZ. 2020. Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia. In: IOP Conference Series: Earth and Environmental Science, vol 1. IOP Publishing, pp 012003. https://iopscience.iop.org/article/012010.011088/011755-011315/012540/012001/012003/meta.
Wang Z, Gang C, Li X, Chen Y, Li J. 2015. Application of a normalized difference impervious index (NDII) to extract urban impervious surface features based on Landsat TM images. International Journal of Remote Sensing, 36(4): 1055-1069. doi:https://doi.org/10.1080/01431161.2015.1007250.
Weng Q, Hu X. 2008. Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN. IEEE Transactions on Geoscience and Remote Sensing, 46(8): 2397-2406. doi:https://doi.org/10.1109/TGRS.2008.917601.
Wu C, Murray AT. 2003. Estimating impervious surface distribution by spectral mixture analysis. Remote sensing of Environment, 84(4): 493-505. doi:https://doi.org/10.1016/S0034-4257(02)00136-0.
Wu M, Zhao X, Sun Z, Guo H. 2019. A hierarchical multiscale super-pixel-based classification method for extracting urban impervious surface using deep residual network from worldview-2 and LiDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(1): 210-222. doi:https://doi.org/10.1109/JSTARS.2018.2886288.
Xu H. 2010. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI). Photogrammetric Engineering & Remote Sensing, 76(5): 557-565. doi:https://doi.org/10.14358/PERS.76.5.557.
Yousef S, Tazeh M, Mirzaee S, Moradi H, Tavangar S. 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of RS and GIS for Natural Resource, 5(3): 67-76. (In Persian).
Zhang C, Sargent I, Pan X, Li H, Gardiner A, Hare J, Atkinson PM. 2018. An object-based convolutional neural network (OCNN) for urban land use classification. Remote Sensing of Environment, 216: 57-70. doi:https://doi.org/10.1016/j.rse.2018.06.034.
کارایی سامانه گوگل ارث انجین (GEE) در ارزیابی تغییرات کاربری اراضی و پیش بینی آن با مدل مارکوف (مطالعه موردی دشت ارومیه)
چکیده
آگاهی از كاربريهاي اراضي و نحوة تغييرات آن در گذر زمان يكي از مهمترين موارد در برنامه ريزي و مديريت اراضي است. با اطلاع از نسبت تغييرات كاربريها در گذر زمان ميتوان نحوة تغييرات در آينده را پيش بيني نمود و اقداماتي پيشگيرانه و مقتضي انجام داد. هدف مقاله حاضر تهیه نقشه کاربری اراضی شهر ارومیه و نواحی اطراف آن با استفاده از سامانه گوگل ارث انجین و پیش بینی تغییرات کاربری برای سالهای آینده است. بدین منظور از تصاویر ماهوارهای لندست برای سالهای 2000 و 2020 استفاده شده است. مهمترین تفاوت این مقاله با سایر مقالات این حوزه، تفاوت در ابزار استفاده شده جهت تهیه نقشه کاربری اراضی است. در این مقاله از سامانه گوگل ارث انجین (GEE)، به منظور فراخوانی، مدیریت، پردازش و طبقه بندی تصاویر ماهوارهای لندست 7 سنجنده ETM و لندست 8 سنجنده OLI استفاده شده است. تصاویر سالهای مذکور وارد محیط GEE شد و با استفاده از روش ماشین بردار پشتیبان، اقدام به طبقه بندی آنها و تهیه نقشههای کاربری اراضی گردید. نتایج نشان می دهد که کاربریهای سال 2020 نسبت به 2000 تغییرات گسترده ای را متحمل شدهاند. بیشترین تغییرات منفی مربوط به اراضی کشاورزی آبی به میزان 80 کیلومتر مربع است. بیشترین افزایش سطح نیز مربوط به اراضی باغات به میزان 67 کیلومتر مربع است. اغلب اراضی کشاورزی آبی به نفع باغات و همچنین اراضی ساخته شده توسط انسان، عقب نشینی کرده است. همچنین مشخص شد که استفاده از سامانه گوگل ارث انجین راهی مطمئن و بدون هزینه برای پردازش حجم زیادی از تصاویر ماهوارهای از منابع مختلف محسوب میشود که سرعت بالای پردازش آن سبب صرفه جویی بسیار خوب در زمان میشود. جهت صحت سنجی طبقه بندی، از ضرایب کاپا، صحت کاربر، صحت تولید کننده و صحت کلی استفاده شد.
کلمات کلیدی: گوگل ارث انجین، طبقه بندی، کاربری اراضی، ارومیه
Efficiency of Google Earth Engine (GEE) system in land use change assessment and predicting it using CA-Markov model (Case study of Urmia plain)
Abstract:
Knowledge of land uses and how it changes over time is one of the most important issues in land use planning and management. By knowing the ratio of changes in land use over time, we can predict how changes will occur in the future and take preventive and appropriate measures. The purpose of this paper is to prepare a land use map of Urmia and its surroundings and predict land use changes for the coming years using GEE. Landsat satellite imagery for 2000 (ETM 7) and 2020 (OLI 8), has been used for this purpose. These images were entered in to GEE platform and land use maps were produced using SVM classification. The most important difference between this paper and other papers in this field is the difference in the tools used to prepare the land use map. In this paper, Google Earth Engine (GEE) system is used to call, manage, process and classify satellite images. This system eliminates the need for the user to download images one by one from various sources as well as heavy remote sensing software. This system is based on Java scripts and can be used with Internet access. The results show that the uses of 2020 have undergone extensive changes compared to 2000. The most negative changes are related to irrigated agricultural lands of 80 square kilometers. The largest increase in area is related to garden lands of 67 square kilometers. Most irrigated agricultural lands have retreated in favor of orchards as well as man-made lands. It has also been found that using the Google Earth Engine system is a safe and cost-free way to process large volumes of satellite images from various sources, which speeds up the processing time very well. Kappa coefficients, user accuracy and overall accuracy were used for validation.
Keywords: Google Earth Engine, Classification, Land use, Urmia
مقدمه
کاربری اراضی منعکس کننده ویژگیهای تعاملی بین انسان و محیط زیست و تشریح نحوه بهرهبرداری انسان برای یک یا چند هدف بر روی زمین است. کاربری اراضی، معمولا بر اساس استفاده انسان از زمین، با تاکید بر نقش کاربردی زمین در فعالیتهای اقتصادی تعریف میشود (2). تغییر کاربری زمین شامل تغییر نوع کاربریها و تغییر در نحوه پراکنش و الگوهای فضایی فعالیت‌ها و کاربریها است. آشکارسازی‌تغییرات فرآیندی است که امکان مشاهده و تشخیص تفاوت‌ها و اختلافات سری زمانی پدیده‌ها، عارضه‌ها و الگوهای سطح زمین را فراهم می کند (15). نقشة كاربري اراضي يكي از فاكتورهاي اساسي در مطالعات منابع طبيعي و مديريت محيط زيست مي باشد. اطلاع از تغییرات کاربري اراضی و بررسی علل و عوامل آن ها در یک دوره زمانی میتواند مورد توجه برنامه ریزان و مدیران باشد(11) آشکارسازی به هنگام و دقیق تغییرات عوارض سطح زمین، درک بهتری از روابط و کنش‌های میان انسان و پدیدههای طبیعی به منظور مدیریت و استفاده مناسب از منابع را فراهم میکند (1). معمولا، آشکارسازی تغییرات فرآیندی ناشی از تشخیص مناطق تغییر یافته در دو تصویر و دو زمان متفاوت میباشد. استفاده از دادههای ماهوارهای به دلیل فراهم ساختن دید وسیع و یکپارچه از یک منطقه، قابلیت تکرارپذیری، دسترسی آسان، دقت بالای اطلاعات به دست آمده و سرعت بالای تجزیه و تحلیل ابزار مناسبی برای تهیه نقشه کاربری اراضی مخصوصا در مناطق جغرافیایی وسیع است (25). یکی از روشهای پركاربرد استخراج اطلاعات از تصاویر ماهوارهای، طبقهبندی است كه به كاربران امکان تولید اطلاعات مختلف را میدهد. برای تفکیك پدیدههای موضوعی و استخراج دقیقتر اطلاعات، با توجه به نوع روش طبقهبندی، منطقه مورد مطالعه، ویژگیهای نقاط تعلیمی نتایج متفاوتی حاصل میشود (17) دادههای ماهوارهای یکی از سریعترین و كم هزینهترین روشهای در اختیار محققان جهت تهیه نقشه كاربری اراضی میباشد. تجزیه و تحلیل این دادهها میتواند بینشهای صحیح جهت تعامل انسان با محیط طبیعی را فراهم كند به خصوص استفاده از تجزیه و تحلیل تصاویر چند طیفی میتواند به انسان جهت شناسایی پوشش زمین كمك كند(20).
در سالهای اخیر به دلیل در دسترس قرار گرفتن تصاویر ماهوارهای با قدرت تفکیک مناسب، کمک فراوانی به تهیه انواع نقشههای موضوعی شده است. وجود این دادهها به همراه توسعه روشهای مختلف استخراج و طبقهبندی اراضی مانند یادگیری ماشین (30، 27، 32، 35 و 26)، طبقه بندی شیء گرا (29، 14 و 5)، ترکیبهای باندی (31، 13، 4 و 16)، تحلیلهای رگرسیونی (23)، جنگل تصادفی و یادگیری عمیق، موجب شده تا محققان مختلف بتوانند مطالعات مربوط به کاربری اراضی را انجام دهند. روشهای مطروحه در بالا نیازمند سیستمهای سخت افزاری و نرم افزای قدرتمندی است که تحلیلهای پیچیدهای را شامل میشوند (5). بنابراین باید به منظور رفع این مشکلات، از دادهها و تصاویر ماهوارهای برخط و روشها و نرم افزارهای سادهتری برای این منظور استفاده کرد. به طوری که بتوان با سرعت و دقت بالا بدون نیاز به سیستم کامپیوتری قدرتمند و برای یک منطقه وسیع مطالعات را انجام داد (7).
سامانه گوگل ارث انجین (GEE)، سیستمی مبتنی بر وب و محاسبات ابری است که توسط شرکت گوگل و به منظور ذخیره سازی و تحلیل حجم عظیمی از دادهها در مقیاس پتا بایت (از جمله تصاویر مختلف ماهوارهای، مدلهای رقومی ارتفاعی، دادههای اقلیمی، دادههای وکتوری)، راه اندازی شده است (22). ویژگی بسیار خوب این سامانه، مجانی بودن آن، عدم نیاز به سخت افزار پیشرفته و گرانقیمت و دسترسی آزاد و آنلاین به پایگاه دادههای سازمان فضایی اروپا و آمریکا و بسیاری از پایگاههای اطلاعاتی دیگر است (6، 19 و 24). این امر سبب میشود تا بدون صرف هزینه و با صرف زمان اندک بتوان به تصاویر مختلف ماهوارهای از جمله تصاویر راداری دسترسی داشت. برای مثال در زمینه مطالعات پوشش گیاهی میتوان توسط این سیستم شاخص تراکم پوشش گیاهی، تاج پوشش گیاهی، میزان فتوسنتز گیاهی و میزان رطوبت موجود در گیاهان را پایش کرد (21، 26 و 30). تهیه نقشههای مربوط به پوشش زمین (32)، و بررسی ویژگیهای آنها مانند محاسبه دمای سطح زمین (27)، پایش مناطق حفاظت شده (33)، پایش منابع آب و مناطق مرطوب (14) نیز در این سیستم قابل انجام هستند. همچنین در زمینه کشاورزی و پایش محصولات کشاورزی (29)، تهیه نقشه فرسایش خاک (5)، مطالعات مربوط به مخاطرات محیطی مطالعات زیادی با استفاده از سامانه گوگل ارث انجین انجام شده است (4 و 31).
هدف مقاله حاضر طبقه بندی تصاویر ماهواره ای با استفاده از روش یادگیری ماشین بردار در دو دوره 2000 و 2020 و تهیه نقشه کاربری اراضی این دو دوره در محیط سامانه گوگل ارث انجین میباشد.
مواد و روشها
منطقه مورد مطالعه
در پژوهش حاضر شهر ارومیه به همراه نواحی اطراف آن (دشت ارومیه)، مورد ارزیابی قرار گرفته است (شکل 1). مساحت عرصه تحقیق 285 کیلومترمربع است. ویژگیهای ارتفاعی و شیب منطقه با استفاده از مدل رقومی ارتفاعی 5/12 متر بدست آمد. حداکثر ارتفاع منطقه 1967 و حداقل آن 1281متر و متوسط ارتفاع منطقه 1326 متر از سطح دریاست. به لحاظ وضعیت توپوگرافیکی، بخش اعظم منطقه هموار بوده و تنها در بخشهای غربی آن ناهمواری وجود دارد. از نظر شیب، شیبهای زیر 2 درصد با مساحتی برابر با 6/117 کیلومتر مربع، بیشترین فراروانی را دارند. در کل شیب های زیر 12 درصد که معمولا برای توسعه مراکز انسانی و کشاورزی مناسب هستند 16/209 کیلومتر مربع از کل مساحت منطقه را شامل میشوند. این امر به همراه وجود رودخانه شهر چای که از وسط منطقه عبور میکند، سبب تشکیل خاکهای غنی شده که خود منجر به توسعه زمینهای کشاورزی در قالب باغات میوه و کشت آبی شده است. از طرف دیگر دسترسی به آبهای سطحی و همچنین آبهای زیرزمینی مناسب سبب توسعه هر چه بیشتر زمین های کشاورزی و سکونتگاههای انسانی شده است.
شکل 1. محدوده مورد مطالعه
روش تحقیق
دادهها
به منظور تهیه نقشههای کاربری اراضی و مطالعه تغییرات آن، تصاویر مربوط به سنجده ETM ماهواره لندست 7 برای سال 2000 و سنجده OLI لندست 8 مربوط به سال 2020 استفاده شده است (جدول 1). تصاویر مذکور در محیط سامانه گوگل ارث انجین (GEE)، فراخوانی گردیده و مورد پردازش قرار گرفت. با توجه به این امر نیازی به انجام تصحیحات اتمسفری تصاویر نیست. چرا که این سامانه تصاویر تصحیح شده به صورت بازتاب زمینی (surface reflectance) را در اختیار کاربر قرار میدهد. این امر سبب بهبود ویژگیهای تصویر و استخراج بهتر عوارض از آنها میشود (28). در انتخاب زمان تصاویر بازه زمانی یکسان در نظر گرفته شد. یعنی از تصاویر مربوط به ماه جون (June)، زمانی که پوشش گیاهی به حداکثر رشد رویشی رسیده است، استفاده گردید.
جدول 1. تصاویر مورد استفاده در تحقیق
ماهواره | سنجنده | شماره ردیف و گذر | ترکیب باندی | قدرت تفکیک مکانی | تاریخ | ایستگاه گیرنده زمینی |
لندست 7 | ETM | 169-034 | 4-3-2 | 30 | 1 جون الی 1 جولای 2000 | SGS00 |
لندست 8 | OLI | 169-034 | 5-4-3 | 30 | 1 جون الی 1 جولای 2020 | LGN01 |
روش طبقه بندی
طبقهبندي تصاویر ماهواره ای، فرآیند پیچیدهای است. مراحل کلی طبقهبندي تصویر شامل: انتخاب روش مناسب طبقهبندی، پردازش، انتخاب نمونههاي تعلیمی و پردازش پس از طبقهبندي و ارزیابی دقت و صحت نتایج است (10). هیچ طبقهبندي تا زمانی که دقت آن مورد ارزیابی قرار نگرفته است، تکمیل نیست و براي کسب اطمینان از نسبت صحت نقشه استخراج شده از تصاویر ماهوارهاي دقت آن باید مورد ارزیابی قرار گیرد. دقت طبقه بندي بیانگر سطح اعتماد به نقشه استخراج شده است (8 ). نتایج ارزیابی دقت معمولاً به صورت ماتریس خطا ارائه میشود. این ماتریس حاصل مقایسه پیکسل به پیکسل، پیکسلهاي معلوم با پیکسلهاي متناظر در نتایج طبقه بندي است(9 و 34). روشهای مختلفی برای پایش و اندازهگیری تغییرات پوشش زمین و کاربری اراضی توسعه پیدا کرده است. در مقاله حاضر کارایی سامانه گوگل ارث انجین به منظور گردآوری، مدیریت و پردازش دادههای سنجش از دور مورد ارزیابی قرار گرفته است تا بتوان سرعت و دقت این سامانه را اثبات و معرفی کرد. جهت تهیه نقشه کاربری اراضی، از روش طبقه بندی ماشین بردار پشتیبان (Support Vector Machine)، استفاده شده است.
ماشین بردار پشتیبان در واقع یک طبقه بندی کننده دودویی است (12) که اولین بار توسط ویپنیگ در سال 1998 معرفی شد (3). این روش طبقهبندي یک روش آماري غیر پارامتریک نظارت شده است (18). در این روش با استفاده از همه باندها و یک الگوریتم بهینه سازي، نمونههایی که مرزهاي کلاسها را تشکیل میدهند به دست میآیند و با استفاده از آنها یک مرز تصمیم گیري خطی بهینه براي جدا کردن کلاس ها محاسبه می شود. این نمونهها را بردارهاي پشتیبان میگویند (17). براي محاسبه مرز تصمیمگیري دو کلاس کاملاً جدا از هم، از روش حاشیه بهینه استفاده میشود. این حاشیه به گونهاي محاسبه میشود که تمام نمونههاي کلاس 1+ در یک طرف مرز و تمام نمونههاي کلاس 1- در طرف دیگر مرز واقع شوند و مرز تصمیم گیري به گونهاي می باشد که فاصله نزدیک ترین نمونههاي آموزشی هر دو کلاس از هم در راستاي عمود بر مرز تصمیم گیري تا جایی که ممکن است حداکثر شود. اگر بخواهیم مرز تصمیم گیري را به طور موازي توسط دو خط از دو طرف گسترش دهیم تا از بین نزدیک ترین نمونههاي دو کلاس بگذرد مرز تصمیم گیري بهینه به وجود میآید که مرزي است که بیشترین فاصله بین نمونههاي دو کلاس دارد (شکل 2).
همانطور که قبلا اشاره شده تفاوت عمده این مقاله با سایر پژوهشها این است که مدیریت و پردازش تصاویر در سامانه گوگل ارث انجین صورت گرفته است که این امر سبب میشود تا محقق نیازی به نرم افزارهای پر هزینه و سنگین مانند ENVI نداشته باشد و تنها با دسترسی به اینترنت بتواند پردازشهای مورد نظر را انجام دهد.
شکل 2. مفهوم ماشین بردار پشتیبان
پردازش تصاویر در گوگل ارث انجین (GEE)
جهت تهیه نقشههای کاربری منطقه مورد مطالعه برای سالهای 2000 و 2020، کدهای اسکریپتی در سامانه گوگل ارث انجین توسعه داده شد. بدین منظور هم از کتابخانه اسکریپتی این سامانه و هم از سایر کتابخانهها بهره گرفته شده است. این کدها هم برای سال 2000 و هم برای 2020 ایجاد شد که دارای پنج جزء اصلی هستند. الف: فراخوانی تصاویر سنجدههای ETM و OLI؛ ب: مشخص کردن محدوده مورد مطالعه و برش تصاویر براساس محدوده و مشخص کردن نمونههای تعلیمی؛ پ: طبقه بندی تصاویر با استفاده از روش ماشین بردار پشتیبان؛ ت: ارزیابی صحت طبقه بندی و ج: خروجی گرفتن از نتایج. در مرحله اول تصاویر ماهواره لندست 7 و 8 برای منطقه مورد مطالعه فراخوانی شد و سپس با بکارگیری فیلتر تاریخ و محدوده مورد مطالعه و پوشش ابری کمتر از 5 درصد، تصاویر نهایی مورد نظر انتخاب شد. سپس با اعمال ترکیب باندی مناسب اقدام به تعریف نمونههای تعلیمی گردید (شکل 3). سپس با توسعه کد مربوط به طبقه بندی تصاویر با استفاده از روش ماشین بردار پشتیبان، اقدام به طبقه بندی تصاویر سالهای 2000 و 2020 شد. شش کلاس کاربری شامل زمینهای بایر، اراضی انسان ساخت، باغات، کشاورزی آبی، کشاورزی دیم و پهنههای آبی مشخص گردید. پس از طبقه بندی تصاویر ماهوارهای، نتایج کار در گوگل درایو ذخیره و برای تحلیلهای بعدی آماده شد. نتایج طبقه بندی وارد محیط نرم افزار ArcGIS 10.8 شد و صحت طبقه بندی با استفاده از نقاط کنترلی بدست آمده از تصاویر گوگل ارث و همچنین دادههای مربوط به طرح آمایش سرزمین استان آذربایجان غربی مورد ارزیابی قرار گرفت.
جهت برآورد صحت و دقت تصاویر طبقه بندی شده، ضرایب کاپا، صحت تولید کننده، صحت کاربر و صحت کلی تصاویر محاسبه و مورد مقایسه قرار گرفت. بدین منظور در نرم افزار ArcGIS، و بر اساس محدوده مورد مطالعه، به صورت تصادفی و به طور متوسط 250 نقطه نمونه ایجاد شد. بدین صورت که دو تصویر مستخرج از سامانه GEE، یک به یک وارد محیط نرم افزار GIS شد. نقاط ایجاد شده با روش تصادفی، ارزشهای بین 1 و 6 را به خود گرفته و با مقایسه این ارزشها با تصاویر گوگل مپ و داده های مربوط به طرح آمایش سرزمین استان آذربایجان غربی، صحت یا عدم صحت نقاط انتخابی ارزیابی شد. با بررسیهای صورت گرفته مشخص شد که تصاویر گوگل مپ منطقه مورد مطالعه، مربوط به سالهای 2003 و 2020 هستند که این امر بیانگر مناسب بودن تصاویر مرجع انتخابی جهت صحت سنجی نتایج است. در نهایت با تشکیل ماتریس نقاط نمونه برداری شده مقادیر صحت نقشهها به دست آمد. صحت کاربر، صحت تولید کننده، صحت کل و ضریب کاپا برای دو تصویر طبقه بندی شده محاسبه گردید. همچنین میانگین صحت دو تصویر نیز برآورد شد. ضریب کاپای میانگین برابر با 961/85 درصد است. میانگین صحت کل 31/92 درصد، صحت تولید کننده 023/92 درصد و صحت کاربر برابر با 96/91 درصد میباشد.
شکل 3. طبقه بندی تصاویر ماهوارهای در گوگل ارث انجین
در مقاله حاضر علاوه بر تهیه نقشه کاربری اراضی در سامانه گوگل ارث انجین، به پیش بینی و مدلسازی کاربریها برای سال 2040 با استفاده از تخمینگر انتقال مارکوف پرداخته شده است. مدلسازی تغییرات کاربری اراضی، ابزاری ضروری برای تجزیه و تحلیل های محیط زیستی و برنامه ریزی های مدیریتی است. زنجیره مارکوف برای مدلسازی تغییرات کاربری اراضی زمین در جایی که توصیف تغییرات و فرآیندهای سیمای سرزمین مشکل باشد ابزاری مناسب است. هر فرآیند مارکوف در جایی استفاده میشود که وضعیت آینده یک سیستم را بتوان به طور کلی بر اساس وضعیت ما قبل آن سیستم مدل سازی کرد. تحلیل زنجیره مارکوف، تغییرات کاربری را از یک دوره به دوره دیگر بیان میکند و از آن به عنوان یک پایهای برای نقشه سازی تغییرات آینده استفاده میکند. این کار با استفاده از توسعه یک ماتریس احتمال انتقال تغییرات کاربری زمین از زمان 1 به زمان 2 انجام میگیرد. به منظور مدلسازی تغییرات کاربری اراضی در منطقه مورد مطالعه، نقشههای طبقه بندی شده برای سالهای 2000 و 2020، وارد نرم افزار ادریسی و مدل Land Change Model (LCM)، گردید و ابتدا آشکارسازی تغییرات صورت گرفت. در مرحله بعد کاهش، افزایش و تغییر خالص کاربریهای مختلف و نقشه تغییرات و انتقال کاربریهای مدلسازی شد. زنجیره مارکوف سه خروجی دارد. ماتریس احتمال انتقال که احتمال کاربری به کاربری دیگر را نشان میدهد. این ماتریس نتیجه جدول حاصل از تطابق نقشههای دو تصویر است که توسط خطای نسبی اصلاح شده است. ماتریس مساحت انتقال یافته که تعداد سلولهایی را که برای تغییر از یک پوشش به نوع دیگر در یک دوره زمانی مشخص را ثبت میکند. این ماتریس با ضرب هر ستون از ماتریس احتمال انتقال در تعداد سلولهای کاربری زمین مربوطه به آن در تصویر دوم ایجاد میشود.
نتایج و بحث
پس از فراخوانی و اعمال طبقه بندی در محیط گوگل ارث انجین با استفاده از روش SVM، نقشه کاربری اراضی برای سالهای 2000 و 2020 تهیه شد (شکل 4). نقشههای تهیه شده شامل کاربریهای اراضی ساخته شده، پهنه های آبی، باغات، کشاورزی آبی، کشاورزی دیم و زمینهای بایر است. مقایسه کاربریهای مختلف بین سالهای 2000 و 2020 نشان میدهد که تغییرات گسترده ای در آنها رخ داده است. برخی از این تغییرات افزایشی و برخی کاربریها، منفی است. زمینهای بایر در سال 2020 نسبت به سال 2000، در حدود 10 کیلومترمربع، اراضی ساخته شده (انسان ساخت)، 62/42 کیلومتر مربع، باغات 67 کیلومتر مربع و پهنههای آبی 39/0 کیلومتر مربع افزایش مساحت را نشان میدهد. در مقابل کشاورزی دیم 45/39 و کشاورزی آبی 80 کیلومتر مربع از مساحت خود را از دست دادهاند. دلیل افزایش باغات را می توان در تغییر کاربریهای کشاورزی آبی به باغی و همچنین توسعه شهری و ایجاد زیرساختهای انسانی مختلف دانست که در سالهای اخیر بسیار مشهود است.
مشخصات و مساحت هر یک از کاربریها برای دو بازه زمانی مورد مطالعه در جدول 2 نشان داده شده است. تحلیل جدول مشخص میکند که بیشترین تغییرات مربوط است به کاربری باغات با روند مثبت که طی آن بسیاری از زمینهای کشاورزی آبی تبدیل به اراضی باغی شدهاند. همین تغییرات سبب شده تا میزان تولید محصولات باغی شهرستان ارومیه افزایش یافته و به یکی از قطبهای تولید محصولات باغی به ویژه سیب تبدیل بشود. از طرف دیگر مساحت زمینهای انسان ساخت تقزیبا دو برابر شده است که این امر معمولا در سایر نقاط کشور نیز اتفاق می افتد و امری عادی است. معمولا با افزایش جمعیت شهرها و همچنین روستاها و نیاز به احداث ساختمانهای جدید و امکانات زیرساختی مثل کارخانه ها، زمین های ورزشی، جادهها، فضاهای سرگرمی و ...، کاربریهای انسان ساخت افزایش پیدا کرده است. بیشترین کاهش کاربری نیز به زمین های زراعی آب با 80 کیلومتر مربع بر میگردد که عمدتا یا به باغات تبدیل شدهاند و یا تحت تاثیر توسعه عمرانی قرار گرفته و به کاربریهای انسان ساخت تبدیل شده است. تنها پهنه آبی منطقه مورد مطالعه، رودخانه شهر چای است که مساحت آن در سال 2020 افزایش داشته است. این افزایش عمدتا به دلیل دخالت انسانی در بستر رودخانه و تعریض آن و همچنین ایجاد بندهای رسوب گیر بسیار کوچک در مسیر آن است. این امر سبب جمع شدن آب در پشت بندها و در نتیجه افزایش پهنههای آبی شده است.
شکل 4. نتایج طبقه بندی تصاویر ماهواره ای در محیط گوگل ارث انجین (GEE)
جدول 2. مساحت هر یک از کاربریها به کیلومتر مربع
کاربریها | سال 2000 | سال 2020 |
| ||
کاربری اراضی | مساحت (کیلومترمربع) | درصد مساحت | مساحت (کیلومترمربع) | درصد مساحت | تغییرات |
بایر | 96/9 | 49/3 | 07/20 | 06/7 | 11/10+ |
ساخته شده | 76/33 | 85/11 | 38/76 | 89/26 | 62/42+ |
کشاورزی دیم | 31/70 | 69/24 | 86/30 | 83/10 | 45/39- |
کشاورزی آبی | 91/147 | 94/51 | 13/67 | 63/23 | 78/80- |
باغات | 78/22 | 99/7 | 87/89 | 61/31 | 09/67+ |
پهنه آبی | 030/0 | 010/0 | 42/0 | 15/0 | 39/0+ |
مجموع | 284 | 100 | 284 | 100 |
|
پیش بینی تغییرات برای سال 2040
در این مقاله نقشههای کاربری اراضی برای سالهای 2000 و 2020 با استفاده از روش ماشین بردار پشتیبان در محیط سامانه گوگل ارث انجین تهیه شد و سپس با استفاده از مدل ساز تغییر زمین (LCM)، در نرم افزار ادریسی، نقشه پیش بینی شده برای سال 2040 تهیه گردید (شکل 5).
شکل 4. نقشه کاربریهای پیش بینی شده برای سال 2040
نقشه پیش بینی شده برای سال 2040 با استفاده از CA-Markov در نرم افزار ادریسی، نشان می دهد که تغییرات زیادی در منطقه مورد مطالعه روی داده است. تحلیل مساحت پهنهها نشان میدهد که بیشترین رشد مربوط به کاربری کشاورزی دیم است. پیش بینی می شود طی این دوره مساحت زمین های دیم به 40/73 کیلومترمربع برسد. زمین ساخته شده به 9/90 کیلومتر مربع افزایش خواهد یافت. در حالی که مقدار آن در سال 2020، 38/76 کیلومتر مربع بوده است. از طرف دیگر مساحت باغات از 61/31 کیلومتر مربع در سال 2020 به 15/72 کیلومتر مربع افزایش خواهد یافت.زمین های کشاورزی آبی نیز با روند افزایشی به 38/27 کیلومتر مربع خواهد رسید. البته این نکته را نباید فراموش کرد که این پیش بینیها صرفا بر اساس تصاویر ماهوارهای گذشته و حال است. در حالی که عوامل متعددی قادر هستند این روند و پیش بینی را دچار اختلال کنند.
نتیجه گیری
با افزایش سریع جمعیت شهرنشین، تحولات مربوط به کالبد و فضای شهری، شتابآلود میشود و این تحولات منجر به پیدایش پدیده گستردگی و تغییر کاربری و انهدام فضاهای سبز، باغات و اراضی کشاورزی در اطراف شهر میگردد. بررسی‌ها نشانگر آن است که رشد اراضی ساخته شده در شهر ارومیه و پیرامون آن، متناسب و همسو با سایر کاربریها نمیباشد و این مسئله منجر به پیشی گرفتن رشد مساحت کاربری اراضی ساخته‌شده نسبت به سایر کاربریها شده است و این مسئله باعث ایجاد پدیده گستردگی در شهر ارومیه شده است. از طرف دیگر نتایج نشان میدهد که بررسی و مطالعه کاربری اراضی با استفاده از سری زمانی تصاویر ماهواره ای، صرفه جویی در زمان و هزینه است و همانطور که در مقاله اشاره شده است، کاربریهای مختلف برای سالها 2000 و 2020 با استفاده از سامانه گوگل ارث انجین تهیه و تغییرات آنها مشخص شد. ضریب کاپای میانگین برابر با 961/85 درصد است. میانگین صحت کل 31/92 درصد، صحت تولید کننده 023/92 درصد و صحت کاربر برابر با 96/91 درصد میباشد. از دیگر نتایج مهم این مقاله، مشخص شدن کارایی بسیار بالای سامانه GEE در پردازش حجم عظیمی از تصاویر ماهوارهای است. استفاده از این سامانه نیاز به هیچ نرم افزار تخصصی سنجش از دور نداشته و کاربر به راحتی میتواند با استفاده از مرورگر کامپیوتر و حتی گوشی خود دادههای مختلف را پردازش کند. نکته مهم دیگر این است که در این سامانه نیاز به دانلود تصاویر مختلف نیست بلکه کاربر میتواند فقط نتیجه پردازش را دانلود کند. این امر به لحاظ زمان و سرعت در پردازش بسیار سودمند است. بنابراین نتیجه اینکه سامانه GEE قادر است حجم زیادی از دادهای سری زمانی (در اینجا تصاویر ماهوارهای)، مناطق مختلف جهان را با سرعت بسیار بالا و زمان بسیار اندک پردازش کرده و نتایج را به صورت نقشهها و نمودارهای مختلف ارایه دهد. این یافتهها در ارتباط با کارایی سامانه گوگل ارث انجین با نتایج گولدبلت (6)، که محدودهای شهری را با استفاده از سامانه GEE در هندوستان مشخص کرده بود، پاتل (19)، که نقشه گسترش سکونتگاهای انسانی را با استفاده از سری زمانی تصاویر لندست برآورد کرده و همچنین شلستوی (24)، سان (27) و وهاپ (28) که برسی کارایی سامانه گوگل ارث انجین در پردازش حجم زیادی از دادههای ماهوارهای را بررسی کردهاند، مطابقت دارد.
منابع مورد استفاده
1. Afify H.A. 2011. Evaluation of change detection techniques for monitoring land-cover changes: A case study in new Burg El-Arab area. Alexandria engineering journal, 50(2): 187-195. https://doi.org/10.1080/014311698216062
2. Asghari S, Mohammadnejad V, Emami H. 2019. Investigation Land use change with Use of a Pixel-based method and Object-Oriented Method and Analysis of the Effect of Land Use Change on Soil Erosion (case Study of Maragheh County). Quantitative Geomorphological Researches, 29(8): 160-178. (In Persian).
3. Burges C.J. 1998. A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2: 121-167.
4. Civco D, L Hurd J. D, Wilson E. H, Arnold C. L, Prisloe Jr M. P. 2002. Quantifying and describing urbanizing landscapes in the Northeast United States. Photogrammetric Engineering and Remote Sensing, 68(10): 1083-1090.
5. Deng C, Wu C. 2012. BCI: A biophysical composition index for remote sensing of urban environments. Remote Sensing of Environment, 127: 247-259. https://doi.org/10.1016/j.rse.2012.09.009.
6. Goldblatt R, You W, Hanson G, Khandelwal A. K. 2016. Detecting the boundaries of urban areas in india: A dataset for pixel-based image classification in google earth engine. Remote Sensing, 8(8): 634. https://doi.org/10.3390/rs8080634.
7. Hansen M. C, Loveland T. R. 2012. A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment, 122, 66-74. https://doi.org/10.1016/j.rse.2011.08.024.
8. Hartter J, Lucas C, Gaughan AE, Aranda LL. 2008. Detecting tropical dry forest succession in a shifting cultivation mosaic of the Yucatán Peninsula, Mexico. Applied Geography, 28(2):134-149. https://doi.org/10.1016/j.apgeog.2007.07.013.
9. Herold M, Scepan J, Clarke K C. 2002. The use of remote sensing and landscape metrics to describe structures and changes in urban land uses. Environment and Planning A, 34(8): 1443-1458. https://doi.org/10.1068/a3496.
10. Heydarian P, Rangzan K, Maleki S, Taghizadeh A. 2014. Land use change detection using post classification comparison LandSat satellite images (Case study: land of Tehran), Journal of RS and GIS for Natural Resource. 4(13): 1-10.
11. Johnson RD, Kasischke ES. 1998. Change vector analysis: A technique for the multispectral monitoring of land cover and condition. International Journal of Remote Sensing, 19(3): 411-426. https://doi.org/10.1080/014311698216062
12. Keshavarz A, Ghasemiyan H. 2005. a fast algorithm based on support vector machine for classification of hyperspectral images using spatial correlation, Iranian journal of electrical engineering and computer engineering, 3: 44-37 (In Persian).
13. Li G, Lu D, Moran E, Hetrick S. 2013. Mapping impervious surface area in the Brazilian Amazon using Landsat Imagery. GIScience & remote sensing, 50(2): 172-183. doi: 10.1080/15481603.2013.780452.
14. Liu C, Shao Z, Chen M, Luo H. 2013. MNDISI: a multi-source composition index for impervious surface area estimation at the individual city scale. Remote sensing letters, 4(8): 803-812. https://doi.org/10.1080/2150704X.2013.798710.
15. Lu D, Mausel P, Brondizio E, Moran E. 2004. Change detection techniques. International journal of remote sensing, 25(12), pp.2365-2401, https://doi.org/10.1080/014311698216062
16. Lu D, Weng, Q. 2004. Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering & Remote Sensing, 70(9): 1053-1062.
17. Mokhtari M, Najafi A. 2015. Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data. 19(72): 35-45, https://doi.org/10.1080/014311698216062
18. Mountrakis G, Ogole C.2011. Support vector machines in remote sensing: A review. Isprs journal of photogrammetry and Remote Sensing, 13: 247-259. https://doi.org/10.1016/j.isprsjprs.2010.11.001.
19. Patel N. N, Angiuli E, Gamba P, Gaughan A, Lisini G, Stevens F. R, Trianni G. 2015. Multitemporal settlement and population mapping from Landsat using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation, 35: 199-208. https://doi.org/10.1016/j.jag.2014.09.005.
20. Pourahmad A, Seifodini F, Parnon Z. 2011. Migration and Land Use Change in Islamshahr City, Arid Regions Geographic Studies. 2 (5): 131-150
21. Schneider A, Friedl M, Potere D. 2010. Mapping global urban areas using MODIS 500-m data: New methods and datasets based on urban ecoregions. Remote Sensing of Environment, 114(8): 1733-1746. https://doi.org/10.1016/j.rse.2010.03.003.
22. Seto K, Fragkias M, Güneralp B, Reilly M. K. 2011. A meta-analysis of global urban land expansion. PloS one, 6(8): e23777.
23. Shao Y, Li G. L, Guenther E, Campbell J. B. 2015. Evaluation of topographic correction on subpixel impervious cover mapping with CBERS-2B data. IEEE Geoscience and Remote Sensing Letters, 12(8): 1675-1679. DOI: 10.1109/LGRS.2015.2419135.
24. 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): 1-10. https://doi.org/10.3389/feart.2017.00017.
25. Soffianian A, Khodakarami L. 2001. Land Use Mapping Using Fuzzy Classification: Case Study in Three Catchment Areas in Hamedan Province. Journal of Town and Country Planning, 3(4):95-114.
26. Sun Z, Guo H, L, X, Lu L, Du X. 2011. Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine. Journal of Applied Remote Sensing, 5(1), 053501. https://doi.org/10.1117/1.3539767.
27. Sun Z, Xu R, Du W, Wang L, Lu D. 2019. High-resolution urban land mapping in China from sentinel 1A/2 imagery based on Google Earth Engine. Remote Sensing, 11(7): 752. https://doi.org/10.3390/rs11070752.
28. Wahap N, Helmi ZM. 2020. Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia, IOP Conference Series: Earth and Environmental Science.
29. Wang Z, Gang C, Li X, Chen Y, Li J. 2015. Application of a normalized difference impervious index (NDII) to extract urban impervious surface features based on Landsat TM images. International Journal of Remote Sensing, 36(4): 1055-1069. https://doi.org/10.1080/01431161.2015.1007250.
30. Weng Q, Hu X. 2008. Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN. IEEE Transactions on Geoscience and Remote Sensing, 46(8), 2397-2406. DOI: 10.1109/TGRS.2008.917601.
31. Wu C, Murray A. T. 2003. Estimating impervious surface distribution by spectral mixture analysis. Remote sensing of Environment, 84(4): 493-505. https://doi.org/10.1016/S0034-4257(02)00136-0.
32. Wu M, Zhao X, Sun Z, Guo, H. 2019. A hierarchical multiscale super-pixel-based classification method for extracting urban impervious surface using deep residual network from worldview-2 and LiDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(1): 210-222. DOI: 10.1109/JSTARS.2018.2886288.
33. Xu H. 2010. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI). Photogrammetric Engineering & Remote Sensing, 76(5): 557-565. DOI:10.14358/PERS.76.5.557.
34. Yousefi S, Tazeg M, Mirzaee S, Moradi H, Tavangar SH. 2014. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city), Journal of RS and GIS for Natural Resource 5(3): 67-76. (In Persian).
35. Zhang C, Sargent I, Pan X, Li H, Gardiner A, Hare J, Atkinson P. M. 2018. An object-based convolutional neural network (OCNN) for urban land use classification. Remote sensing of environment, 216, 57-70. https://doi.org/10.1016/j.rse.2018.06.034.
کارایی سامانه گوگل ارث انجین (GEE) در ارزیابی تغییرات کاربری اراضی و پیش بینی آن با مدل مارکوف (مطالعه موردی دشت ارومیه)
طرح مساله
کاربری اراضی منعکس کننده ویژگیهای تعاملی بین انسان و محیط زیست و تشریح نحوه بهرهبرداری انسان برای یک یا چند هدف بر روی زمین است. کاربری اراضی، معمولا بر اساس استفاده انسان از زمین، با تاکید بر نقش کاربردی زمین در فعالیتهای اقتصادی تعریف میشود. نقشة كاربري اراضي يكي از فاكتورهاي اساسي در مطالعات منابع طبيعي و مديريت محيط زيست مي باشد. اطلاع از تغییرات کاربري اراضی و بررسی علل و عوامل آن ها در یک دوره زمانی میتواند مورد توجه برنامه ریزان و مدیران باشد. استفاده از دادههای ماهوارهای به دلیل فراهم ساختن دید وسیع و یکپارچه از یک منطقه، قابلیت تکرارپذیری، دسترسی آسان، دقت بالای اطلاعات به دست آمده و سرعت بالای تجزیه و تحلیل ابزار مناسبی برای تهیه نقشه کاربری اراضی مخصوصا در مناطق جغرافیایی وسیع است. یکی از روشهای پركاربرد استخراج اطلاعات از تصاویر ماهوارهای، طبقهبندی است كه به كاربران امکان تولید اطلاعات مختلف را میدهد. برای تفکیك پدیدههای موضوعی و استخراج دقیقتر اطلاعات، با توجه به نوع روش طبقهبندی، منطقه مورد مطالعه، ویژگیهای نقاط تعلیمی نتایج متفاوتی حاصل میشود. سامانه گوگل ارث انجین (GEE)، سیستمی مبتنی بر وب و محاسبات ابری است که توسط شرکت گوگل و به منظور ذخیره سازی و تحلیل حجم عظیمی از دادهها در مقیاس پتا بایت (از جمله تصاویر مختلف ماهوارهای، مدلهای رقومی ارتفاعی، دادههای اقلیمی، دادههای وکتوری)، راه اندازی شده است. سرعت در پردازش و دسترسی به داده های متنوع از مسایل و مشکلات مطالعات مربوط به تغییرات کاربری اراضی است. این مشکلات به لطف سامانه گوگل ارث انجین، برطرف شده است.
هدف
هدف مقاله حاضر طبقه بندی تصاویر ماهواره ای با استفاده از روش یادگیری ماشین بردار در دو دوره 2000 و 2020 و تهیه نقشه کاربری اراضی این دو دوره در محیط سامانه گوگل ارث انجین میباشد.
روش تحقیق
در پژوهش حاضر شهر ارومیه به همراه نواحی اطراف آن (دشت ارومیه)، مورد ارزیابی قرار گرفته است. به منظور تهیه نقشههای کاربری اراضی و مطالعه تغییرات آن، تصاویر مربوط به سنجده ETM ماهواره لندست 7 برای سال 2000 و سنجده OLI لندست 8 مربوط به سال 2020 استفاده شده است. از تصاویر مربوط به ماه جون (June)، زمانی که پوشش گیاهی به حداکثر رشد رویشی رسیده است، استفاده گردید. روشهای مختلفی برای پایش و اندازهگیری تغییرات پوشش زمین و کاربری اراضی توسعه پیدا کرده است. در مقاله حاضر کارایی سامانه گوگل ارث انجین به منظور گردآوری، مدیریت و پردازش دادههای سنجش از دور مورد ارزیابی قرار گرفته است تا بتوان سرعت و دقت این سامانه را اثبات و معرفی کرد. جهت تهیه نقشه کاربری اراضی، از روش طبقه بندی ماشین بردار پشتیبان (Support Vector Machine)، استفاده شده است. تفاوت عمده این مقاله با سایر پژوهشها این است که مدیریت و پردازش تصاویر در سامانه گوگل ارث انجین صورت گرفته است که این امر سبب میشود تا محقق نیازی به نرم افزارهای پر هزینه و سنگین مانند ENVI نداشته باشد و تنها با دسترسی به اینترنت بتواند پردازشهای مورد نظر را انجام دهد. با توسعه کد مربوط به طبقه بندی تصاویر با استفاده از روش ماشین بردار پشتیبان، اقدام به طبقه بندی تصاویر سالهای 2000 و 2020 شد. شش کلاس کاربری شامل زمینهای بایر، اراضی انسان ساخت، باغات، کشاورزی آبی، کشاورزی دیم و پهنههای آبی مشخص گردید. پس از طبقه بندی تصاویر ماهوارهای، نتایج کار در گوگل درایو ذخیره و برای تحلیلهای بعدی آماده شد. نتایج طبقه بندی وارد محیط نرم افزار ArcGIS 10.8 شد و صحت طبقه بندی با استفاده از نقاط کنترلی بدست آمده از تصاویر گوگل ارث و همچنین دادههای مربوط به طرح آمایش سرزمین استان آذربایجان غربی مورد ارزیابی قرار گرفت. در مقاله حاضر علاوه بر تهیه نقشه کاربری اراضی در سامانه گوگل ارث انجین، به پیش بینی و مدلسازی کاربریها برای سال 2040 با استفاده از تخمینگر انتقال مارکوف استفاده شد.
نتایج و بحث
پس از فراخوانی و اعمال طبقه بندی در محیط گوگل ارث انجین با استفاده از روش SVM، نقشه کاربری اراضی برای سالهای 2000 و 2020 تهیه شد. نقشههای تهیه شده شامل کاربریهای اراضی ساخته شده، پهنه های آبی، باغات، کشاورزی آبی، کشاورزی دیم و زمینهای بایر است. مقایسه کاربریهای مختلف بین سالهای 2000 و 2020 نشان میدهد که تغییرات گسترده ای در آنها رخ داده است. برخی از این تغییرات افزایشی و برخی کاربریها، منفی است. زمینهای بایر در سال 2020 نسبت به سال 2000، در حدود 10 کیلومترمربع، اراضی ساخته شده (انسان ساخت)، 62/42 کیلومتر مربع، باغات 67 کیلومتر مربع و پهنههای آبی 39/0 کیلومتر مربع افزایش مساحت را نشان میدهد. در مقابل کشاورزی دیم 45/39 و کشاورزی آبی 80 کیلومتر مربع از مساحت خود را از دست دادهاند. دلیل افزایش باغات را می توان در تغییر کاربریهای کشاورزی آبی به باغی و همچنین توسعه شهری و ایجاد زیرساختهای انسانی مختلف دانست که در سالهای اخیر بسیار مشهود است. بیشترین تغییرات مربوط است به کاربری باغات با روند مثبت که طی آن بسیاری از زمینهای کشاورزی آبی تبدیل به اراضی باغی شدهاند. همین تغییرات سبب شده تا میزان تولید محصولات باغی شهرستان ارومیه افزایش یافته و به یکی از قطبهای تولید محصولات باغی به ویژه سیب تبدیل بشود. از طرف دیگر مساحت زمینهای انسان ساخت تقزیبا دو برابر شده است که این امر معمولا در سایر نقاط کشور نیز اتفاق می افتد و امری عادی است. معمولا با افزایش جمعیت شهرها و همچنین روستاها و نیاز به احداث ساختمانهای جدید و امکانات زیرساختی مثل کارخانه ها، زمین های ورزشی، جادهها، فضاهای سرگرمی و ...، کاربریهای انسان ساخت افزایش پیدا کرده است. طبق نقشه پیش بینی شده برای سال 2040 با استفاده از CA-Markov در نرم افزار ادریسی، بیشترین رشد مربوط به کاربری کشاورزی دیم است. پیش بینی می شود طی این دوره مساحت زمین های دیم به 40/73 کیلومترمربع برسد. زمین ساخته شده به 9/90 کیلومتر مربع افزایش خواهد یافت. در حالی که مقدار آن در سال 2020، 38/76 کیلومتر مربع بوده است. از طرف دیگر مساحت باغات از 61/31 کیلومتر مربع در سال 2020 به 15/72 کیلومتر مربع افزایش خواهد یافت.زمین های کشاورزی آبی نیز با روند افزایشی به 38/27 کیلومتر مربع خواهد رسید.
نتیجه گیری
بررسی‌ها نشانگر آن است که رشد اراضی ساخته شده در شهر ارومیه و پیرامون آن، متناسب و همسو با سایر کاربریها نمیباشد و این مسئله منجر به پیشی گرفتن رشد مساحت کاربری اراضی ساخته‌شده نسبت به سایر کاربریها شده است و این مسئله باعث ایجاد پدیده گستردگی در شهر ارومیه شده است. از طرف دیگر نتایج نشان میدهد که بررسی و مطالعه کاربری اراضی با استفاده از سری زمانی تصاویر ماهواره ای، صرفه جویی در زمان و هزینه است و همانطور که در مقاله اشاره شده است، کاربریهای مختلف برای سالها 2000 و 2020 با استفاده از سامانه گوگل ارث انجین تهیه و تغییرات آنها مشخص شد. از دیگر نتایج مهم این مقاله، مشخص شدن کارایی بسیار بالای سامانه GEE در پردازش حجم عظیمی از تصاویر ماهوارهای است. استفاده از این سامانه نیاز به هیچ نرم افزار تخصصی سنجش از دور نداشته و کاربر به راحتی میتواند با استفاده از مرورگر کامپیوتر و حتی گوشی خود دادههای مختلف را پردازش کند. نکته مهم دیگر این است که در این سامانه نیاز به دانلود تصاویر مختلف نیست بلکه کاربر میتواند فقط نتیجه پردازش را دانلود کند. این امر به لحاظ زمان و سرعت در پردازش بسیار سودمند است. سامانه GEE قادر است حجم زیادی از دادهای سری زمانی (در اینجا تصاویر ماهوارهای)، مناطق مختلف جهان را با سرعت بسیار بالا و زمان بسیار اندک پردازش کرده و نتایج را به صورت نقشهها و نمودارهای مختلف ارایه دهد.
واژگان کلیدی: کلمات کلیدی: گوگل ارث انجین، طبقه بندی، کاربری اراضی، ارومیه
Efficiency of Google Earth Engine (GEE) system in land use change assessment and predicting it using CA-Markov model (Case study of Urmia plain)
Statement of the Problem:
Land use reflects the interactive features between humans and the environment and describes how humans are exploited for one or more purposes on earth. Land use is usually defined based on human use of land, with an emphasis on the functional role of land in economic activities. Land use map is one of the main factors in the study of natural resources and environmental management. Knowing the changes in land use and examining their causes and factors in a period of time can be of interest to planners and managers. The use of satellite data is a good tool for land use mapping, especially in large geographical areas, due to the provision of a wide and integrated view of an area, reproducibility, easy access, high accuracy of information obtained and high-speed analysis. One of the most widely used methods of extracting information from satellite images is image classification, which allows users to generate different information. Google Earth Engine (GEE) is a web, cloud-based system developed by Google to store and analyze large amounts of data at the petabyte scale (including various satellite imagery, digital models, climatic and vector data). Speed in processing and access to diverse data is one of the issues and problems of land use change studies.
Purpose:
The purpose of this paper is to classify satellite images using support vector machine learning method in the two periods of 2000 and 2020 and to produce a land use map of these two periods in the Google Earth engine system.
Methodology:
In this paper, Urmia city and its surrounding areas (Urmia plain) has been evaluated. In order to prepare land use maps and study its changes, Landsat 7 ETM sensor for 2000 and Landsat OLI 8 for 2020 have been used. Images from June were used, when vegetation reached its maximum vegetative growth. Various methods have been developed to monitor and measure land cover and land use changes. In this paper, the efficiency of Google Earth Engine system for collecting, managing and processing remote sensing data has been evaluated in order to prove and introduce the speed and accuracy of this system. In order to produce the land use map, the Support Vector Machine classification method has been used. The main difference between this paper and other research is that the management and processing of images has been done in Google Earth Engine system, which means that the researcher does not need expensive and licensed software such as ENVI and only by accessing to the Internet can do the processing. By developing the code for image classification using the support vector machine method, the images of 2000 and 2020 were classified. Six land use classes were identified, including barren lands, man-made lands, orchards, irrigated agriculture, rainfed agriculture, and irrigated areas. After classifying images, the results were stored in Google Drive and prepared for further analysis. The classification results were entered into ArcGIS 10.8 software and the classification accuracy was evaluated using control points obtained from Google Earth images as well as data related to the land use management plan of West Azerbaijan province. In this paper, in addition to preparing a land use map in the Google Earth Engine system, it was used to forecast and model land uses for 2040 using the CA-Markov transfer estimator.
Results and discussion:
After calling and classification of images in the Google Earth engine environment using SVM method, land use map for 2000 and 2020 was produced. The prepared maps include man-made lands, orchards, irrigated agriculture, rainfed agriculture and barren lands. A comparison of different land use in 2000 and 2020 shows that extensive changes have taken place in them. Some of these changes are positive and some are negative. The area of barren lands in 2020 compared to 2000 has increased by about 10 square kilometers, man-made lands, 42.62 square kilometers, orchards 67 square kilometers and water body 0.39 square kilometers. In contrast, rainfed agriculture has lost 39.45 and irrigated agriculture has lost 80 square kilometers. The reason for the increase in orchards can be seen in the change of irrigated agricultural uses to orchards, as well as urban development and the creation of various human infrastructures, which is very evident in recent years. Most of the changes are related to the use of orchards with a positive trend during which many irrigated agricultural lands have become garden lands. These changes have increased the production of horticultural products in Urmia and become one of the hubs of horticultural production, especially apples. the area of man-made land has almost doubled, which usually happens in other parts of the country and is normal. Usually, with the increase in the population of cities as well as villages and the need to build new buildings and infrastructure facilities such as factories, sports fields, roads, entertainment spaces, etc., man-made uses have increased. According to the forecast for 2040 using the CA-Markov method in Idrisi software, the highest growth is related to rainfed agricultural use. It is predicted that during this period, the area of rainfed lands will reach 73.40 square kilometers. The man-made land will increase to 90.9 square kilometers. While its value in 2020 was 76.38 square kilometers. On the other hand, the area of orchards will increase from 31.61 square kilometers in 2020 to 72.15 square kilometers. Irrigated agricultural will increase to 27.38 square kilometers with an increasing trend.
Conclusion:
Studies show that the growth of man-made lands in Urmia city and its surroundings is not commensurate with other land uses and this has led to the growth of land use area of the man-made lands compared to other uses and this issue has caused the phenomenon of expansion has become in Urmia city. On the other hand, the results show that study of land use using the time series of satellite images is a time saver and cost, and as mentioned in the paper. different land uses for the years 2000 and 2020, prepared using Google Earth system and their changes were identified. Another important result of this paper is the high efficiency of the GEE system in processing large volumes of satellite images. Using this system does not require any specialized remote sensing software and the user can easily process various data using a computer browser or even a smart phone. Another important point is that in this system, there is no need to download different images, but the user can only download the processing result. This is very useful in terms of time and processing speed. The GEE system is able to process large volumes of time series data (here satellite imagery), different regions of the world with very high speed and very low time, and present the results in the form of various maps and graphs.
Keywords: Google Earth Engine, Classification, Land use, Urmia