ارزیابی کارایی استفاده از تغییرات خرد اقلیم در تفکیک پوشش اراضی در مقایسه با برخی از روش‌های طبقه‌بندی نظارت‌شده در محیط‌های شهری خشک
محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطینجمه ستاری 1 , ملیحه عرفانی 2 , فاطمه جهانی شکیب 3
1 - دانشجوی کارشناسی ارشد- گروه محیط زیست - دانشکده منابع طبیعی - دانشگاه زابل
2 - استادیار, گروه محیط‌زیست، دانشکده منابع طبیعی، دانشگاه زابل، زابل، ایران
3 - استادیار.گروه محیط زیست. دانشکده منابع طبیعی و محیط زیست. دانشگاه بیرجند. بیرجند. ایران
کلید واژه: سنجش از دور, طبقه‌بندی خشک, خرد اقلیم, استخراج پدیده‌ها, مناطق خشک و نیمه خشک,
چکیده مقاله :
تفکیک بین اراضی بایر و ساخت و ساز شده از یکی از مهم‌ترین مسائل در تهیه نقشه کاربری اراضی/ پوشش اراضی در اقلیم‌های خشک و نیمه‌خشک است. در این راستا پژوهشگران بسیاری سعی در افزایش دقت طبقه‌بندی از طریق به کارگیری روش‌های مختلف داشته‌اند که دنبال کردن برخی از روش‌ها پیچیده و زمانبر است. از این رو مقاله حاضر با هدف به کارگیری تغییرات خرد اقلیم از طریق اجرای الگوریتم پهنه‌بندی محلی اقلیم ( LCZ ) در شناسایی کاربری اراضی با تاکید بر تفکیک مناطق ساخت و ساز شده در یکی از شهرهای خشک ایران انجام شد و کارایی روش با بررسی صحت طبقه‌بندی در مقایسه با روش‌های مختلف نظارت شده شامل حداکثر احتمال، حداقل فاصله، فیشر، KNN، Artmapفازی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان مقایسه گردید. منطقه مورد مطالعه شهر زاهدان بوده که دارای رشد مناطق ساخت و ساز شده بسیار چشمگیری در دهه‌های گذشته است. به این منظور از چهار دوره از تصاویر ماهواره لندست هشت سال 2020 استفاده شد. نمونه‌های تعلیمی از گوگل ارث استخراج شد و صحت‌سنجی نتایج طبقه‌بندی‌ها به کمک 218 نقطه تصادفی انجام شد. نتایج صحت‌سنجی نشان داد که استفاده از الگوریتم LCZ با صحت کلی و ضریب کاپای 33/96 درصد و 95/0 بالاترین و پس از آن روش‌های ماشین بردار پشتیبان و فیشر با صحت کلی 61/87 و 03/83 و ضریب کاپای 82/0 و 75/0 قرار دارند. از این‌رو برای مطالعات کاربری اراضی/پوشش اراضی روش LCZ که خرد اقلیم‌های محلی را در نظر می‌گیرد، پیشنهاد می‌شود.
The distinction between barren and build-up areas is one of the most important issues in land use/land cover mapping in arid and semi-arid climates. In this regard, many researchers have tried to increase the accuracy of classification using different methods that, some of which are complex and time-consuming. Therefore, the present study conducted aimed to apply micro-climate change through the implementation of Local Climate Zoning (LCZ) algorithm in land use identification with emphasis on the separation of build-up areas in one of the arid cities of Iran, and the efficiency of the method by investigation the classification accuracy was compared with various supervised methods including maximum likelihood, minimum distance, Fisher, KNN, fuzzy, artificial neural network and support vector machine. The study area is Zahedan city, which has a very significant growth of build-up areas in recent decades. For this purpose, four periods of Landsat satellite images year 2020 were used. Training samples were extracted from Google Earth and the validation of the classification results was performed using 218 random points. The accuracy results showed that the use of LCZ algorithm with overall accuracy and kappa coefficient of 96.33% and 0.95, respectively is the highest and then the support vector machine and Fisher methods with overall accuracy of 86.61 and 83.03 and kappa coefficient of 0.82 and 0.75, respectively. Therefore, for land use / land cover studies, the LCZ method that considers the micro-climate, is proposed.
_||_