بررسی تغییرات کاربری اراضی جنگلهای شهرستان باغملک با استفاده از الگوریتم شبکه عصبی
محورهای موضوعی : سیستم اطلاعات جغرافیایی
پروین باقری فر
1
*
,
رضا بصیری
2
,
شهرام یوسفی خانقاه
3
,
حمید رضا پور خباز
4
1 - کارشناس ارشد جنگل شناسی و اکولوژی جنگل، دانشگاه صنعتی خاتم الانبیاء (ص)، بهبهان، ایران
2 - دانشیار گروه جنگلداری دانشگاه صنعتی خاتم الانبیاء (ص)، بهبهان، ایران
3 - استادیار گروه مرتع و آبخیزداری، دانشگاه صنعتی خاتم الانبیاء (ص)، بهبهان، ایران
4 - دانشیار گروه محیط زیست، دانشگاه صنعتی خاتم الانبیاء (ص)، بهبهان، ایران
کلید واژه: تغییرات کاربری اراضی, تصاویر ماهوارهای لندست, شهرستان باغملک, سنجش از دور, شبکه عصبی مصنوعی,
چکیده مقاله :
زمینه و هدف: پایش دقیق تغییرات کاربری اراضی و عوارض سطح زمین به منظور درک تعاملات متقابل بین فعالیتهای انسانی و پدیدههای طبیعی، نقش حیاتی در تصمیمگیریهای مدیریتی و برنامهریزی محیط زیست ایفا میکند. این مطالعه با هدف تحلیل تغییرات کاربری اراضی جنگلهای شهرستان باغملک در بازه زمانی 1369 تا 1390، با استفاده از دادههای ماهوارهای و فناوری سیستم اطلاعات جغرافیایی (GIS) انجام شده است. برای این منظور، از تصاویر ماهواره لندست شامل سنجنده TM (سال 1369) و سنجنده ETM+ (سال 1390) استفاده شد.
روش بررسی: در این تحقیق، از الگوریتم شبکه عصبی مصنوعی (ANN) برای طبقهبندی تصاویر ماهوارهای استفاده شد. ساختار شبکه شامل یک مدل پرسپترون چندلایه با یک لایه پنهان، چهار نورون ورودی (متناظر با باندهای طیفی تصاویر TM و ETM+) و چهار نورون خروجی (متناظر با کلاسهای کاربری اراضی) طراحی شد. نقشه کاربری اراضی بر اساس چهار کلاس اصلی شامل مناطق جنگلی، مرتعی، کشاورزی و بدون پوشش تهیه شد. به منظور ارزیابی دقت نتایج طبقهبندی، نقشههای تولیدی با دادههای واقعیت زمینی جمعآوریشده از طریق GPS مقایسه شدند.
یافتهها: نتایج ارزیابی صحت نشان داد که روش شبکه عصبی مصنوعی عملکرد بسیار بالایی در طبقهبندی کاربری اراضی دارد. صحت کلی نقشه طبقهبندیشده برای تصویر TM برابر با 22/98 درصد و برای تصویرETM+ برابر 34/98 درصد برآورد شد. این مقادیر نشاندهنده قابلیت بالای این روش در شناسایی و تفکیک کلاسهای کاربری اراضی است.
بحث و نتیجهگیری: یافتههای این پژوهش نشان داد که الگوریتم شبکه عصبی مصنوعی میتواند بهعنوان یک ابزار کارآمد در تهیه نقشههای پوشش اراضی با دقت و صحت بالا مورد استفاده قرار گیرد. این روش بهویژه در مطالعات تغییرات کاربری اراضی و برنامهریزیهای توسعه پایدار محیط زیست، ابزاری قدرتمند و قابلاطمینان است.
Background and Objective: Accurate monitoring of land use and land cover changes is crucial for understanding the interactions between human activities and natural phenomena, playing a vital role in management decision-making and environmental planning. This study aims to analyze the land use changes in the forests of Baghmalek County over the period from 1987 to 2011 using satellite data and Geographic Information System (GIS) technology. For this purpose, Landsat satellite images, including the TM sensor (1987) and ETM+ sensor (2011), were utilized.
Methodology: In this research, an Artificial Neural Network (ANN) algorithm was employed for the classification of satellite images. The network structure consisted of a multilayer perceptron model with one hidden layer, four input neurons (corresponding to the spectral bands of TM and ETM+ images), and four output neurons (representing the land use classes). The land use map was developed based on four primary classes: forest, rangeland, agricultural, and bare land. To assess the accuracy of the classification results, the produced maps were compared with ground truth data collected through GPS measurements.
Results: The accuracy assessment results demonstrated that the ANN method performed exceptionally well in classifying land use. The overall accuracy of the classified map for the TM image was estimated at 98.22%, while for the ETM+ image, it reached 98.34%. These values indicate the high capability of this method in identifying and differentiating land use classes.
Discussion and conclusion: The findings of this study reveal that the Artificial Neural Network algorithm can serve as an effective tool for producing land cover maps with high accuracy and reliability. This approach is particularly powerful and dependable for studies on land use changes and sustainable environmental development planning.
1- Valjarević, A., Morar, C., Brasanac-Bosanac, L., Cirkovic-Mitrovic, T., Djekic, T., Mihajlović, M., Milevski, I., Culafic, G., Luković, M., Niemets, L. & Sehida, K. 2025. Sustainable land use in Moldova: GIS & remote sensing of forests and crops. Land Use Policy, 152: 107515.
2- Yang, Z. & Solangi, Y.A. 2024. Analyzing the relationship between natural resource management, environmental protection, and agricultural economics for sustainable development in China. Journal of Cleaner Production, 450: 141862.
3- Mir, Y.H., Mir, S., Ganie, M.A., Bhat, J.A., Shah, A.M., Mushtaq, M. & Irshad, I. 2025. Overview of land use and land cover change and its impacts on natural resources. In Ecologically Mediated Development: Promoting Biodiversity Conservation and Food Security, pp. 101-130. Singapore: Springer Nature Singapore.
4- Samadzadegan, F., Toosi, A. & Dadrass Javan, F. 2025. A critical review on multi-sensor and multi-platform remote sensing data fusion approaches: current status and prospects. International Journal of Remote Sensing, 46(3): 1327-1402.
5- فیضی¬زاده، ب و حاجی ¬میر¬رحیمی، س، م، «کاربرد تصاویر سنجش از دور در تهیه نقشه¬های کاربری اراضی». ماهنامه نقشه¬برداری،1387؛ سال نوزدهم، شماره 100: 1-6
6- ناصری، م.، ح. شتایی¬جویباری، ش. حبشی، ه. 1401. پهنه¬بندی سوختگی برگ تاج¬پوشش درختی با استفاده از تصاویر پهپاد و سنتینل 2 در پارک جنگلی دلند استان گلستان. نشریه پژوهش های علوم و فناوری چوب و جنگل، 29(4): 92-75. https://doi.org/10.22069/jwfst.2023.20939.2001
7- Di Biase, R. M., Marcelli, A., Corona, P., Stehman, S. V., & Fattorini, L. 2025. Design-based mapping of errors in remote sensing-based land use/land cover maps. Stochastic Environmental Research and Risk Assessment, 39: 1077–1092. doi:10.1007/s00477-025-02908-2.
8- ناصری، م.، ح. شتایی¬جویباری، ش. محمدی، ج. احمدی، ش. 1398. قابلیت تصویر ماهواره¬ای Rapid Eye در تهیه نقشه پراکنش تاج پوشش درختان منظقه جنگلی دشت¬برم استان فارس. مجله بوم¬شناسی جنگل¬های ایران، 7(14): 69-58. http://dx.doi.org/10.29252/ifej.7.14.58.
9- Nandi, A. & Jana, N.D., 2019. Accuracy improvement of neural network training using particle swarm optimization and its stability analysis for classification. arXiv preprint arXiv:1905.04522.
10- Papadopoulos, A.A. & Rajati, M.R., 2019. Simultaneous classification and novelty detection using deep neural networks. arXiv preprint arXiv:1906.03509.
11- Chakraborty, M., Biswas, S.K. & Purkayastha, B. 2020. Data mining using neural networks in the form of classification rules: a review. In 2020 4th International Conference on Computational Intelligence and Networks (CINE), pp. 1–6. IEEE.
12- Naseri, M.H. & Shataee Jouibary, S. 2023. Improvement of forest canopy density mapping of sparse forests using RS/GIS-based classification approach. Arab. J. Geosci., 16(9): 1–13.
13- Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems, 29: 433–449.
14- عزیزی قلانی، س و همکاران، «کاربرد شبکه عصبی مصنوعی و رگرسیون حداقل مربعات معمولی در مدل¬سازی تغییرات کاربری سرزمین». جنگل و فرآورده¬های چوب، مجله منابع طبیعی ایران، 1394؛ دوره 68، شماره 1: 1-16.
15- غلامعلی¬فرد، م و همکاران، «مدل¬سازی تغییرات کاربری اراضی سواحل استان مازندران با استفاده ازLCM در محیط GIS»، مجله محیط شناسی، 1391؛ سال 38، شماره 4: 109-124.
16- اکبری، ا و همکاران، «تهیه نقشه کاربری اراضی شهر سبزوار با استفاده از روش¬های حداکثر احتمال و شبکه عصبی مصنوعی پرسپترون چند لایه»، فصلنامه آمایش محیط، 1392؛ شماره 23: 127-148.
17- Mas, J.F. 2003. An Artificial Neural Networks Approach to Map Land Use/cover Using Landsat Imagery and Ancillary Data. Proceedings of the International Geosciences and Remote Sensing Symposium IEEE IGARSS 2003,10(3): 3498-3500.
18- Guindon, B., Zhang, Y. & Dillabaugh, C. 2004. Landsat urban mapping based on a combined spectral–spatial methodology. Remote Sens. Environ. 92: 218–232.
19- ناصری، م.، ح. شتایی¬جویباری، ش. محمدی، ج. احمدی، ش. 1399. مطالعه خشکیدگی درختان بلوط ایرانی (Quercus brantii Lindi) با استفاده از تصاویر ماهواره¬ای در جنگل¬های دشت¬برم استان فارس. مجله بوم-شناسی جنگل¬های ایران، 8(16): 80-70. http://dx.doi.org/10.52547/ifej.8.16.72
20- Mahdavi, A. 2010. IRS-1C image data applications for land use/land cover mapping in Zagros region: a case study: Ilam watershed, West of Iran. Caspian J. Env. Sci, 8(1), pp 35-41.
21- Chavez, P.S., 1996. Image-based atmospheric corrections—Revisited and improved.Photogrammetric Engineering and Remote Sensing, 62, pp 1025– 1036.
22- زبيري، محمود و مجد، علیر¬ضا، 1390، «آشنايي با فن سنجش از دور و کاربرد در منابع طبيعي»، انتشارات دانشگاه تهران، 316 ص.
23- علوی¬پناه، س. ک و همکاران، «بررسی تغییر¬پذیری طیفی پدیده¬های مختلف پوشش گیاهی و آب با استفاده از سنجش از دور»، پژوهش¬های جغرافیایی، 1385؛ شماره 58: 99-81.
24- اکبر¬پور، ا و همکاران، «مقایسه روش¬های فازی و حداکثر احتمال در تهیه لایه کاربری اراضی با کمک داده¬های ETM+ (مطالعه موردی: حوضه آبریز کامه)»، فصلنامه علمی - پژوهشی تحقیقات مرتع و بیابان، 1384؛ جلد 13، شماره 1: 12-1.
25- Eastman, J.R. 2003. IDRISI Kilimanjaro: guide to GIS and image processing. Worcester, MA: Clark Labs, Clark University.
26- Lu, D., Mausel, P., Brondízio, E. & Moran, E. 2004. Change detection techniques. Int. J. Remote Sens., 25(12): 2365–2407.
27- علوی¬پناه، س، ک و مسعودی، م، «تهیه نقشه کاربری اراضی با استفاده از داده¬های رقومی ماهواره لندست TM و سیستم¬های اطلاعات جغرافیایی (مطالعه موردی: منطقه موک استان فارس) »، مجله علوم کشاورزی و منابع طبیعی، 1380؛ سال 1، شماره 7: 76-65.
28- نظری سامانی، ع و همکاران، «ارزیابی روند تغییرات کاربری اراضی حوزه¬ آبخیز طالقان در دوره¬ی زمانی 1366 تا 1380»، مجله علمی- پژوهشی مرتع، 1389؛ سال 4، شماره 3: 451-442.
29- Vanacker, V., Govers, G., Poesen, J., Deckers, Dercon, G. & Loaiza, G. 2003. The impact of environmental change on the intensity and spatial pattern of water erosion in a semi-aridmountainous Andean environment. CATENA, 51: 329-347.
30- Tipaniat, U., Nitin. T., 2003. A satellite based monitoring of changes in mangroves in Krabi, Thailand, Proceedings of map Asia conference 2003, Malaysia.
31- Kelarestaghi, A., Ahmadi, H. & Jafari, M. 2006. Land use change detection and spatial distribution using digital and satellite data- case study farim Drainage Basin, Journal of BIABAM11,(2): 33-47.