Investigating and Monitoring Land Use Changes Using Geographic Information System, Remote Sensing Technique and Supervised Classification Methods (Case Study: Swadkoh City)

محورهای موضوعی : فصلنامه علمی پژوهشی سنجش از دور راداری و نوری و سیستم اطلاعات جغرافیایی

Razyeh Shaban Mirfazlolah ¹ (Employee of document registration office of Mashhad, Mashhad, Iran)
Amin Mohamadi deh Cheshmeh ² (Expert of Mapping Engineering)

تاریخ دریافت : 1400/10/25 تاریخ پذیرش : 1400/12/27 تاریخ انتشار : 1401/01/05

کلید واژه: Neural network, land use, remote sensing, Kalardasht city,

چکیده مقاله :

Investigation and analysis of land use changes was done using remote sensing and GIS techniques with supervised classification methods. The selected images from the years 2000 and 2022 were taken by the Landsat satellite. Necessary pre-processing of the images was done and then the best band combination was selected. The best band combinations of 2000 and 2022 were selected as 245 and 467, respectively, using the OIF index. The area changes from 2000 to 2022, in the support vector machine method, the uses of dense pasture, poor pasture, agriculture, residential, forest have had area changes of 9580.53, 34267.49, 237.2, 1603.41, 26527.57 hectares. Therefore, the use of dense pasture and forest has decreased by 5.87% and 16.25%, and other uses have increased. The area changes from 2000 to 2022, in the neural network method, the uses of dense pasture, poor pasture, agriculture, residential, forest have had area changes of 6021.05, 33869.57, 360.79, 1492.16, 29701.47 hectares. Therefore, the use of dense pasture and forest has decreased by 3.69% and 18.20%, and the use of poor pasture has increased by 20.75%, agriculture by 0.22%, and residential by 0.91%. In the assessment of classification accuracy, kappa coefficient and overall accuracy in the support vector machine method in 2000 were 0.84 and 0.87 and in 2022, 0.86 and 0.88 were obtained. Kappa coefficient and overall accuracy were obtained in 2000, 0.94 and 0.95 and in 2022, 0.96 and 0.97 in the neural network method. Therefore, the neural network method has higher accuracy.

چکیده انگلیسی:

Investigation and analysis of land use changes was done using remote sensing and GIS techniques with supervised classification methods. The selected images from the years 2000 and 2022 were taken by the Landsat satellite. Necessary pre-processing of the images was done and then the best band combination was selected. The best band combinations of 2000 and 2022 were selected as 245 and 467, respectively, using the OIF index. The area changes from 2000 to 2022, in the support vector machine method, the uses of dense pasture, poor pasture, agriculture, residential, forest have had area changes of 9580.53, 34267.49, 237.2, 1603.41, 26527.57 hectares. Therefore, the use of dense pasture and forest has decreased by 5.87% and 16.25%, and other uses have increased. The area changes from 2000 to 2022, in the neural network method, the uses of dense pasture, poor pasture, agriculture, residential, forest have had area changes of 6021.05, 33869.57, 360.79, 1492.16, 29701.47 hectares. Therefore, the use of dense pasture and forest has decreased by 3.69% and 18.20%, and the use of poor pasture has increased by 20.75%, agriculture by 0.22%, and residential by 0.91%. In the assessment of classification accuracy, kappa coefficient and overall accuracy in the support vector machine method in 2000 were 0.84 and 0.87 and in 2022, 0.86 and 0.88 were obtained. Kappa coefficient and overall accuracy were obtained in 2000, 0.94 and 0.95 and in 2022, 0.96 and 0.97 in the neural network method. Therefore, the neural network method has higher accuracy

متن کامل:



بررسي و تحليل تغییرات کاربري اراضي با استفاده از تکنيک سنجش از دور، GIS  و  روش های طبقه بندی نظارت شده

……………………………………………….

 

چکیده

امروزه شهرنشینی و پیامدهای زیست محیطی آن و تغییرات کاربری های بی برنامه بر همگان آشکار شده است. بررسي و تحليل تغییرات کاربري اراضي با استفاده از تکنيک سنجش از دور و GIS با روش های طبقه بندی نظارت شده، انجام شد. تصاویر انتخابی مربوط به سال های 2000 و 2022 ماهواره لندست بوده است. پیش پردازش های لازم تصاویر انجام شد و سپس بهترین ترکیب باندی انتخاب گردید. بهترین ترکیب باندی سال 2000 و 2022 به ترتیب 245 و 467 با استفاده از شاخص OIF انتخاب شد. تغییرات مساحت از سال 2000 تا 2022، در روش ماشین بردار پشتیبان، کاربری های مرتع متراکم، مرتع فقیر، کشاورزی، مسکونی، جنگل دارای تغییرات مساحت 9580.53، 34267.49، 237.2، 1603.41، 26527.57 هکتار بوده است. بنابراین کاربری مرتع متراکم و جنگل 5.87% و 16.25% کاهش و سایر کاربری ها افزایش یافته است. تغییرات مساحت از سال 2000 تا 2022، در روش شبکه عصبی، کاربری های مرتع متراکم، مرتع فقیر، کشاورزی، مسکونی، جنگل دارای تغییرات مساحت 6021.05، 33869.57، 360.79، 1492.16، 29701.47 هکتار بوده است. بنابراین کاربری مرتع متراکم و جنگل 3.69% و 18.20% کاهش و کاربری های مرتع فقیر %20.75، کشاورزی %0.22 و مسکونی 0.91% افزایش یافته است.  در ارزیابی صحت طبقه بندی ضریب کاپا و دقت کلی در روش ماشین بردار پشتیبان سال 2000، 0.84 و 0.87 و در سال 2022، 0.86 و 0.88 به دست آمد. ضریب کاپا و دقت کلی در سال 2000، 0.94 و 0.95 و در سال 2022، 0.96 و 0.97 در روش شبکه عصبی به دست آمد. بنابراین روش شبکه عصبی دارای دقت بالاتری هم در سال 2000 و هم در سال 2022 نسبت به روش ماشین بردار پشتیبان بود.

کلید واژه: کاربري اراضي، شهرستان کلاردشت، سنجش از دور، شبکه عصبی

1- مقدمه

برنامه ريزی كاربری اراضی شهری، ساماندهی مكانی و فضايی فعالیت ها و عملكردهای شهری بر اساس خواسته ها و نیازهای جامعه شهری است و هسته اصلی برنامه ريزی شهری را شكل می دهد. كاربری اراضی شهری و چگونگی توزيع فضايی مكانی آن، يكی از مهمترين كاركردها به منظور استفاده بهینه از فضای شهری است(ضرابی و همکاران، 1389). گروهی كاربری زمین را پیشنهادهای مختلف برای استفاده از سطح زمین دانسته و برخی ديگر، آن را استفاده ای كه توسط انسان از زمین می شود، تعريف کرده اند. گروهی ديگر نیز آن را فعالیت انسان در زمین كه آن فعالیت مستقیماً با زمین در ارتباط باشد تعريف می کنند(1999،Best). كاربری زمین، تهیه اطلاعات اساسی درباره ويژگی های زمین و فعالیت های مختلفی است كه در آن صورت می پذيرد. از اين اطلاعات برای تأمین و تجزيه وتحلیل نحوه استفاده از زمین در وضع موجود و برای تهیه نقشه ای كه در آينده شیوه استفاده از زمین را معین نمايد، استفاده می شود(ضرابی و همکاران، 1389). يكی از مسائل مهم در برنامه ريزی كاربری زمین شهری، مسئله ی توزيع و پراكنش درست کاربری هاست؛ به گونه ای كه اين پراكنش و چیدمان کاربری ها بتواند به طور منطقی، جوابگوی خواست ها و نیازهای جمعیتی باشد. مشكلاتی كه همواره شهرهای جهان سوم با آن روبه رو هستند، فشار جمعیتی در دهه های گذشته، به علاوه ی رشد سريع و دور از اصول و بدنمای شهرها است. شهرهای میانه اندام نیز، چون ظرفیت بالای جذب جمعیت رادارند، سهم بیشتری از اين رشد بی برنامه را دارند(موحد و صمدی، 1390). تغییر کاربری زمین شامل تغییر نوع کاربری ها و تغییر در نحوۀ پراکنش و الگوهای فضایی فعالیت ها و کاربری ها می باشد(Briassoulis, 2000). به عبارت دیگر تغییر کاربری اراضی یعنی تغییر در نوع استفاده از زمین که لزوماً تغییر در سطح زمین نبوده، بلکه تغییر در تراکم و مدیریت زمین نیز می باشد. امروزه در دنیا توجه خاصی به کنترل تحولات کاربری اراضی و پوشش سطح زمین شده که بیش تر به دلیل تنظیم سیاست های مربوط به کاربری اراضی بوده است که نیاز به اطلاعات کافی و جدید در مورد روند تحولات کاربری اراضی دارد. علل تغییر کاربری زمین بین کشورهای توسعه یافته و در حال توسعه متفاوت است. در کشورهای توسعه یافته تغییر کاربری زمین ریشه در دلایل اقتصادی مانند کشاورزی بزرگ مقیاس، توسعه ی شهری و افزایش نیاز به نگهداری کیفیت محیط زیست برای نسل فعلی و نسل های آتی دارد. اما در کشورهای در حال توسعه رشد سریع جمعیت، فقر و موقعیت اقتصادی عوامل اصلی می باشد(Nigal et al,2008).

برنامه ریزی کاربری اراضی شهر، علم تقسیم زمین و مکان برای کاربردها و مصارف مختلف زندگی است که به منظور استفاده بهینه و مؤثر از زمین و انتظام فضائی مناسب و کارا صورت می گیرد. برنامه ریزی کاربری اراضی شهری ساماندهی مکانی و فضائی عملکردهای شهری بر اساس خواست ها و نیازهای جامعه شهری است و هسته اصلی برنامه ریزی شهری را تشکیل می دهد(سعیدنیا، 1387). در برنامه ریزی کاربری اراضی شهری تلاش می شود الگوهای اراضی شهری به صورت علمی مشخص شود و مکان یابی  فعالیت های مختلف شهر در انطباق و هماهنگی با یکدیگر و سیستم های شهری قرار گیرد(زیاری، 1389). داده های ماهواره ای یکی از سریع ترین روشها جهت تهیه ی نقشه کاربری اراضی است(یوسفی و همکاران،1393). تلفیق سنجش از دور و داده های سامانه اطلاعات جغرافیایی در کاهش هزینه، کوتاه کردن زمان و افزایش جزئیات و دقت اطلاعات می تواند بسیار موثر باشد(محمداسماعیل، 1389). تکنیک های سنجش از دور، با استفاده از تصاویر چندزمانه، حجم عظیمی از اطلاعات را در اختیار محقق قرار می دهد. تکنیک های سنجش از دور در کشف و شناسایی الگوی تغییرات کاربری منبع خوبی برای مدیریت و برنامه ریزی است.

 

2- پیشینه پژوهش

تحقیقات زیادی در زمینه کارایی تصاویر ماهواره ای و سنجش از دور در ارزیابی تغییرات کاربری اراضی انجام پذیرفته است. در پژوهشی (ملاآقازاده و همکاران، 1400)، کاربرد سنجش از دور را در ارزیابی تغییرات حوضه آبخیز هراز بررسی کردند. نتایج نشان داد طی این دوره، مساحت اراضی طبیعی(جنگل و مرتع) با نرخ تغییر حدود 828 هکتار در سال بوده است و به همین میزان به مساحت اراضی باغی و مسکونی افزوده شده است. (بزمی و همکاران، 1400)، به آشکارسازی تغییرات کاربری اراضی شهرستان ارومیه با استفاده از سنجش از دور پرداختند. در پژوهش از دو دسته داده استفاده شد. دسته اول شامل داده های حاصل از تصایر ماهواره ای و دسته دوم داده های زمینی برداشت شده از ایستگاه زمینی ارومیه که شامل دما و سایر پا.رامتر های مورد استفاده دراین تحقیق میباشد. نتایج نشان داد که که کاربری اراضی شهری، در شهرستان ارومیه طی دوره آماری 30 ساله با تغییرات چشمگیری روبرو بوده که طی دوره مورد مطالعه با افزایشی 5 برابری مواجه بوده است. عرصه های باتلاقی و لجن زارهای شرق دریاچه ارومیه روند کاهشی چشمگیری داشته است.(روحاني و همکاران، 1400)، بررسي تغيير كاربري اراضي استان قم را همراه با پارامترهاي اقليمي با استفاده از فناوري سنجش از دور ماهواره اي انجام دادند. نتایج نشان داد بين گام زماني سال 2014 تا سال 2019 كلاسهاي شهري، پهنه هاي آبي، كشاورزي و مراتع نوع 1 و 3 رشد قابل توجهي داشته اند. همچنين بين دو گام زماني 2009 تا 2014 به طور ميانگين حدود 30 درصد از كل مراتع يعني نوع مرتع مختلف طبقه بندي شده به زمين هاي باير تبديل شده اند.( تقیلو، 1400)، طبقه بندی و آشکارسازی تغییرات کاربری اراضی شهرستان ارومیه را با استفاده از روش شیءگرا در دوره ی زمانی 2009 تا 2018 انجام دادند. نتایج حاصل از آشکارسازی کاربری اراضی شهرستان ارومیه نشان داد که در طی دوره ی 9 ساله مساحت این کاربری ها از 1597.51 کیلومترمربع در سال 2009 به 1678.39 کیلومترمربع در سال 2018 تغییر کاربری داشته است. بیش ترین سطح تغییرات از لحاظ درصد کاربری ها مربوط به مراتع است که تخریب شده و کم ترین تغییرات کاربری ها مربوط به کاربری نمکزار بوده است. (et al Tarko ، 2020)، تأثیر در دسترس بودن تصویر و فرآیندهای تغییر بر سازگاری کاربری اراضی را بررسی کردند. نتایج تحقیق نشان داد که برای افزایش کارایی داده های مرجع با تفسیر بصری باید براساس نوع مورد انتظار تغییر زمین تنظیم شوند و نوع فرآیند تغییر زمین تأثیرقابل توجهی بر ثبات تفاسیر بصری دارد درحالی که اثر حاشیه ای تعداد تصاویر قابل توجه نبود.(Kwevu et al، 2020)، به ارزیابی پیوند بین تغییرات پوشش زمین، سیاست و درگیری در مجموعه جنگلی مائو شرقی کنیا پرداختند. پژوهش از داده های سری زمانی تصاویر ماهواره ای برای مجتمع جنگلی مائو شرقی بین سال های 1976 تا 2014 استفاده کرده است. نتایج پژوهش نشان داد که بین سال های 1976 تا 2014 بیش از 40 درصد از زمین های جنگلی به کاربری های دیگر تبدیل شده اند. 
joa et al(2021)، بیان کردند که طبقه بندی پوشش زمین به دست آمده از NDVI چند ساله عملکرد بهتری نسبت به داده های چند طیفی دارد. یک طبقه بندی دقیق بر اساس سری زمانی خوشه های گیاهان در جنگل های فصلی، امکان ایجاد تنوع فصلی کلاس های پوشش زمین در فصول بارانی و خشک و همچنین انتقال بین فصول را فراهم می کند. مهمترین متغیرهایی که به دقت کمک کردند باندهای قرمز، مادون قرمز نزدیک (NIR) و مادون قرمز کوتاه (SWIR) در طبقه بندی چند طیفی تاریخ های یکسان و ماه های فصل خشک بیشترین مربوط به طبقه بندی NDVI چند ساله بودند. (محمدی و همکاران، 1400)، به بررسی روند تغییرات کاربری اراضی در حوزه ی آبخيز دشت ماهیدشت با استفاده از تصاویر سنجش از دور پرداختند. نتایج حاصل از مطالعه نشان داد که در دوره اول مطالعه (سال ۱۹۸۷) بیشترین وسعت کاربری اراضی مربوط به اراضی دیم با مساحت 1558.63 کیلومتر مربع و کمترین وسعت مربوط به اراضی مسکونی یا مساحت 15.77 کیلومتر مربع بوده است. همچنین در دوره ی دوم (۱۹۸۷-۲۰۰۰) بیشترین وسعت کاربری اراضی مربوط به اراضی دیم با مساحت 1465.74 کیلومترمربع بوده است.(2021، Guan et al)، در کشور ژاپن با استفاده از شیوه CA-Markov به مدلسازی تغییر کاربری اراضی پرداختند. اگر چه هدف اصلی آنها مدلسازی اراضی شهری بود، اما به پیش بینی تغییر کاربری اراضی کشاورزی و جنگلی تا سال 2042 نیز پرداخته اند. بر اساس پیش بینی های صورت گرفته توسط آنها از سال 2006 تا سال 2042، سطح اراضی کشاورزی از 36% به 28% و اراضی جنگلی از 44% به 41% کاهش و اراضی شهری و ساخت بشر از 12% به 16% افزايش خواهد يافت. از آنجا که هدف اصلی فناوري سنجش از دور، شناسایی و تفکیک پدیده هاي زمینی و قرار دادن آن ها در گروه ها یا طبقه بندي هاي مشخص است، طبقه بندي تصاویر ماهواره اي را می توان به عنوان مهم ترین بخش تغییر اطلاعات ماهواره اي به شمار آورد. امروزه، از متداول ترین و دقیق ترین روش هاي طبقه بندی مورد استفاده می توان به روش های نظارت شده ماشین بردار پشتیبان و شبکه عصبی اشاره کرد که در این پژوهش از آن استفاده شده است.

3- مواد و روش ها

·       معرفی منطقه مورد مطالعه

شهرستان سوادکوه یکی از شهرستان‌های استان مازندران در شمال ایران است که در ناحیه البرز مرکزی و در مجاورت استان سمنان قرار گرفته‌است. این شهرستان از دهستان‌های راستوپی با ۶۰ آبادی، ولوپی با ۳۲ آبادی، سرخ‌کلا ۱۷ آبادی و کسلیان با ۱۶ آبادی تشکیل شده‌است. طول و عرض جغرافیایی این شهرستان بین عـرض جغرافیـایی  49 دقیقه و 35 درجه تا 23 دقیقه و 36 درجه نیم کـره شـمالی و در بین طول جغرافیایی 39 دقیقه و 52 درجه تـا 14 دقیقـه و 53 درجـه نـیم کـره شـرقی قرار دارد (سازمان مدیریت و برنامه ریزی،1395). در شکل 1، نمایی از محدوده مطالعاتی پژوهش مشاهده می‌گردد.

 

شکل1- نقشه موقعیت جغرافیایی منطقه مورد مطالعه

·       روش پژوهش

در این مطالعه ابتدا کلیات تحقیق بررسی شد و سپس سوابق علمی پژوهش مورد بررسی قرار گرفت. جهت بازدید میدانی و برداشت نمونه برداری از گیرنده GPS استفاده و بازدید اولیه ای از محدوده مطالعاتی صورت پذیرفت. سپس با استفاده از نرم افزار ENVI  نقشه کاربری اراضی با استفاده از روش SVM(ماشین بردار پشتیبان) و شبکه عصبی آماده شد. تصاویر مورداستفاده در تحقیق حاضر، تصاویر لندست 5، سنجنده  TMسال 2000 و لندست 8 سنجنده OLI سال 2022 می‌باشد.

پیش‌پردازش داده‌ها

تصحيح هندسي، راديومتري و اتمسفري تصاوير ماهواره‌ای، فرآيندي ضروري قبل از استفاده از اين داده‌هاست. داده‌های حاصل از سامانه‌های سنجش‌ازدور اعم از عکس‌های هوایی و تصاویر حاصل از اسکنرها(تصاویر ماهواره‌ای) دارای خطاهای گوناگونی می‌باشند و اصولاً” قبل از اینکه مورد تفسیر و تجزیه تحلیل قرار گیرند، باید تصحیح گردند. این خطاها را می‌توان به دودسته هندسی و رادیوم تری تقسیم نمود. خطاهای هندسی مربوط به موقعیت پدیده‌ها یا پیکسل‌ها در تصویر نسبت به دیگر پدیده‌ها و موقعیت مطلق آن، و خطای رادیومتری مربوط به میزان بازتاب ثبت‌شده در تصویر می‌باشد. از مهم‌ترین خطاهای عکس‌های هوایی، خطای جابجایی ناشی از پستی‌وبلندی و عدم تعادل هواپیما در هنگام عکس‌برداری و همچنین بازتاب‌های متفاوت ثبت‌شده برای یک پدیده معین در عکس‌های هوایی یک منطقه (تیرگی و روشنی بیش‌ازحد) به دلیل تغییر مکان هواپیما و زاویه تابش می‌باشد. کاربران (مفسرین) عکس‌های هوایی قادر به تصحیح خطای جابجایی نمی‌باشند. این خطا را تنها به کمک فن فتوگرامتری و استفاده از مدل دوربین می‌توان تصحیح نمود.درهرحال بازتاب نابرابر در عکس‌های مختلف را نمی‌توان تصحیح نمود.

داده‌های حاصل از سنجنده های ماهواره‌ای که به زمین مخابره می‌شوند و به‌عنوان داده‌های خام (Raw data) معروف هستند نیز دارای خطاهای زیادی می‌باشند.این خطاها می‌توانند ناشی از سکو (تغییر ارتفاع مدار و عدم تعادل)، سنجنده(پدیده پانوراما، نابرابری ضرایب تنظیم آشکارسازها) و محیط (کرویت و پستی‌وبلندی‌های زمین، چرخش زمین، اثرات اتمسفر) باشند. بسیاری از این خطاها با آگاهی از مشخصات مدار ، سنجنده و کره زمین در ایستگاه‌های گیرنده داده‌های ماهواره‌ای تصحیح و تصاویر تحت عنوان داده‌های استاندارد و یا تصحیح‌شده سامانه‌ای در اختیار کاربران قرار می‌گیرند. این تصحیحات عمدتاً” شامل تعادل سکو، پانوراما، تنظیم آشکارسازها، کرویت و چرخش زمین می‌باشند. اکثر ماهواره‌های که امروزه در مدار هستند از سنجنده هایی از نوع Pushbroom  استفاده می‌کنند. کیفیت داده‌های این نوع سنجنده ها به لحاظ هندسی و رادیومتری به‌مراتب بهتر از داده‌های سنجنده هایی از نوع Wiskbroom می باشند. هرچند که تصاویر ماهواره‌ای پس از دریافت از ماهواره در ایستگاه‌های گیرنده زمینی مورد تصحیحات اولیه (سامانه‌ای) قرار می‌گیرند، اما همچنان دارای خطاهایی نظیر خطای جابجایی ناشی از پستی‌وبلندی هستند، ضمن آنکه  برخی فاقد مختصات نیز می‌باشند. هیچ‌گونه تصحیح هندسی بر روی عکس‌های هوایی انجام نمی‌گیرد لذا هر دو نوع این داده‌ها قبل از اینکه مورد تجزیه‌وتحلیل قرار گیرند، باید مورد تصحیحات هندسی تکمیلی قرار گیرند و به لحاظ مختصات با یک مبنای استاندارد که معمولاً” نقشه‌های توپوگرافی در نظر گرفته می‌شوند، مطابقت داده شوند. در این پژوهش تصاویر TM با استفاده از تصاویر لندست 8 از روش چندجمله‌ای و در نمونه‌برداری مجدد از روش نزدیک‌ترین همسایه استفاده‌شده است.

داده‌های ماهواره‌ای را نیز می‌توان به یکی از روش‌های استفاده از نقاط کنترل زمینی، استفاده از پارامترهای مداری ماهواره‌ای و همبستگی مورد تصحیح هندسی قرارداد و با یک مبنا مطابقت داد. مبنا می‌تواند یک تصویر و یا یک نقشه باشد. درصورتی‌که مبنا یک تصویر باشد، تصحیح از نوع تصویر به تصویر و اگر مبنا نقشه باشد، تصحیح از نوع تصویر به نقشه خواهد بود. که در این تحقیق از روش تصویر به تصویر جهت تصحیح هندسی استفاده گردید. چنانچه مبنا تطابق خود زمین مرجع باشد، فرآیند را تطابق هندسی مطلق و در غیر این صورت تطابق هندسی را نسبی می‌نامند. روش همبستگی را تنها می‌توان در تطابق هندسی تصویر به تصویر به کار گرفت. برای فرایند یادشده واژه‌های گوناگونی متداول می‌باشند، ازجمله، تصحیح، تثبیت زمین مرجع سازی، کدگذاری زمینی و  Rectificationواژه‌های یادشده را می‌توان کم‌وبیش مترادف در نظر گرفت و تطابق هندسی نامید. نوعی خاص از تطابق هندسی Orthorectification نام دارد که در فرآیند آن با استفاده از مدل رقومی ارتفاع زمین خطای جابجایی ناشی از پستی‌وبلندی نیز برطرف می‌گردد. متداول‌ترین روش تطابق هندسی، استفاده از نقاط کنترل زمینی می‌باشد.

تهیه نقشه کاربری اراضی

جهت تهیه نقشه کاربری اراضی از تصاویر ماهواره ای و روش های ماشین بردار پشتیبان و شبکه عصبی استفاده شد. در ادامه این روش ها که از روش های طبقه بندی نظارت شده است توضیح داده می شود.

v       شبکه عصبی مصنوعی Artificial Neural Network (ANN)

·       شبکه هاي با تابع پایه شعاعی (RBF)¹

شبکه هاي RBF نیازمند نرون هاي بیشتري نسبت به شبکه هاي استاندارد پیشخور با الگوریتم پس انتشار خطا می باشند ولی اغلب این شبکه ها را می توان در زمانی کوتاه تر نسبت به زمان مورد نیاز براي شبکه‌هاي پیشخور، آموزش داد. این شبکه ها زمانی که بردارهاي ورودي فراوانی در دسترس باشد از عملکرد مطلوب تري برخوردارند. شبکه هاي RBF نوعی شبکه عصبی پیشخور می باشند و ساختار آنها شبیه شبکه هاي MLP می باشد(گلابی و همکاران،1392).

·       تعداد لایه هاي پنهان

تعداد لایه هاي پنهان تا حد امکان باید کم باشد. ثابت شده است که هر تابع می تواند حداکثر با سه لایه پنهان تقریب زده شود. ابتدا شبکه با یک لایه پنهان آموزش داده می شود که در صورت عملکرد نامناسب، تعداد لایه هاي پنهان افزایش خواهد یافت(گلابی و همکاران،1392).

·       تعداد نرون هاي لایه پنهان

اندازه یک لایه مخفی عموماً به طور تجربی بدست می آید براي یک شبکه عصبی با اندازه معقول تعداد نرون هاي مخفی با یک نسبت کوچکی از تعداد ورودي ها انتخاب می گردد. اگر شبکه به جواب مطلوب همگرا نگردد تعداد نرون هاي لایه مخفی را افزایش می دهند و اگر شبکه همگرا گردید و از قدرت تعمیم خوبی هم برخوردار بود در صورت امکان تعداد نرون هاي مخفی کمتري را مورد آزمایش قرار می دهند (گلابی و همکاران،1392).

·       توابع محرك²

نرون ها می توانند از توابع محرك متفاوتی جهت تولید خروجی استفاده کنند. که از رایج ترین آنها می توان به توابع لگاریتم سیگموئیدي، تانژانت سیگموئیدي و تابع محرك خطی اشاره کرد(گلابی و همکاران،1392).

·       روش هاي آموزش در شبکه هاي عصبی مصنوعی

جهت آموزش شبکه هاي عصبی، الگوریتم هاي آموزشی متفاوتی وجود دارد این روش ها عبارتند از:

Ø       الگوریتم مومنتوم³

در این الگوریتم می توان قانون تغییر وزن ها را طوري در نظر گرفت که تغییر وزن در تکرار n ام تا حدي به اندازه تغییر وزن در تکرار قبلی بستگی داشته باشد.

رابطه(1)                                                                         

که در آن مقدار ممنتم α بصورت 0≤ α ≤1 می باشد (گلابی و همکاران، 1392). 

Ø       الگوریتم لونبرگ – مارکوارت (LM)

الگوریتم لونبرگ - مارکوارت در میان روش هاي مختلف آموزش به روش پس انتشار خطا، دارای همگرایی سریع تر در آموزش شبکه هاي با اندازه متوسط است. الگوریتم پس انتشار خطا، وزن هاي شبکه و مقادیر بایاس⁴ را در جهتی تغییر می دهد که تابع عملکرد با سرعت بیشتري کاهش یابد(گلابی و همکاران،1392).

Ø       الگوریتم گرادیان نزولی⁵ (CG)

الگوریتم استاندارد گرادیان نزولی فقط از تقریب محلی شیب سطح کارآمدي در تعیین بهترین جهت حرکت وزن ها براي رسیدن به کمترین خطا، استفاده می کند. این روش معمولاً از مشتقات دوم و یا تقریبی از آنها براي تصحیح وزن ها استفاده می نماید(گلابی و همکاران،1392).

·       تعداد تکرار یا سیکل

زمانی که پارامترهاي شبکه پس از یک دوره کامل ارائه الگوها به دست آمدند در اصطلاح به این نوع تکرار یک سیکل می گویند. تعداد تکرارهاي شبکه برابرتعداد داده هاي یادگیري می باشد(گلابی و همکاران،1392).

·       ارزیابی عملکرد شبکه

جهت بررسی و آزمون اعتبار شبکه ها، می توان از روش های زیر استفاده کرد:

Ø       ضریب تعیین همبستگی خطی (R2)

توان دوم ضریب همبستگی خطی را، یعنی R2 که میزان همبستگی بین دو متغیر (داده هاي محاسباتی وداده‌هاي مشاهداتی) را تعیین می کند، ضریب تعیین همبستگی خطی می نامند.

رابطه(2)                                                                            

avg.obs: میانگین داده هاي مشاهداتی، n: تعداد کل زوج داده هاي مشاهداتی و محاسباتی، obs: داده هاي مشاهداتی، Calc: داده هاي محاسباتی متناظر با داده هاي مشاهداتی. مقدار ایده آل براي R2 یک می‌باشد (گلابی و همکاران،1392).

Ø       میانگین مربعات خطا⁶ (MSE)

رابطه(3)                                                                                            

N= تعداد داده ها.

مقدار ایده آل براي معیار MSE صفر می باشد(گلابی و همکاران،1392).

v       طبقه بندی ماشین بردار پشتیبان Support Vector Machines (SVM)

ماشین بردار پشتیبان یک روش کلاسه بندی الگو است که اولین بار توسط ویپنیگ معرفی شد(Burges, 1998). این روش یک روش آماری غیر پارامتریک نظارت شده است(Mountrakis et al, 2011). SVM تقریباً شبیه شبکه های عصبی بوده که با استفاده از یک تابع کرنل سیگموئیدی، معادل شبکه عصبی پرسپترون دو لایه ای می باشد(Rao، 2013). به عبارتی این تابع داده های آموزشی را که به صورت غیرخطی در فضای چندبعدی با استفاده از تابع کرنل طرح ریزی می شود را در یک مجموعه داده به صورت خطی از هم جدا می کند که نتیجه آن طبقه بندی خطی بین داده ها می باشد که از جمله قابلیت های آن می باشد و قدرت تفکیک پذیری را افزایش می دهد(Vapnik،1999). ویژگی اصلی این روش توانایی بالا در استفاده از نمونه های تعلیمی کمتر و رسیدن به دقت بالاتر نسبت به سایر روشهای قبلی می باشد(et al Mantero، 2005). این طبقه بندی کننده به صورت باینری عمل کرده و دو کلاس را با استفاده از یک فراصفحه از هم جدا می کند(Srivastava & Bhambhu،2009). برای تعریف نحوه قرارگیری این صفحه از کرنل هایی استفاده می گردد که کرنل چندجمله ای به صورت ذیل است.

رابطه(4)                                                                   

xi,x: مجموعه ای از داده های آموزشی، g گاما: یک پارامتر تعریف شده توسط کاربر به عنوان عرض کرنل، d: درجه چندجمله ای، r: اریب یا تمایل و T ماتریس واحد. در این کرنل از پارامترها برای بهبود خطای طبقه بندی استفاده می شود که افزایش آن تا حدی باعث کم شدن خطای طبقه بندی می شود. همچنین از یک مقدار به عنوان آستانه تحریک بایاس⁷ استفاده می گردد.

---

[1] . Radial basis function

[2] . Activity function

[3] . Momentum

[4] . Bias 

[5] . Conjugate Gradient

[6] . Mean square of Error

[7] 1. Bias 

 

شکل2- نمونه ای از طبقه بندی کننده SVM(et al Borra،2019)

ارزیابی صحت طبقه بندی

·       روش های ارزیابی دقت 

ارزیابی دقت به منظور مقایسه روش‌های مختلف پهنه بندی از نظر دقت، بهبود و اصلاح الگوریتم‌های روش‌های مختلف طبقه‌بندی، انتخاب بهترین الگوریتم‌های طبقه‌بندی و ارزیابی دقت نتایج کاری، انجام می‌گیرد. این کار به روش معمول با مقایسه یک نقشه مرجع و نقشه حاصل از روش‌های مختلف طبقه‌بندی و تولید ماتریس خطا صورت می‌گیرد.

جدول1- جدول نمونه‌ای از ماتریس خطا برای ارزیابی دقت روش‌های پهنه بندی(مظاهری،1375)

 

 

عنصرهای قطری در این ماتریس بیانگر تعداد پیکسل‌هایی هستند که به طور صحیح طبقه بندی شده‌اند و در مقابل، المان‌های غیر قطری بیانگر پیکسل‌هایی هستند که به طور صحیح طبقه‌بندی نشده‌اند. دو نوع خطا از این ماتریس محاسبه می‌کنند که یکی خطای نوع اول: بیانگر در صد پیکسل‌هایی است که نسبت به نقشه مرجع غلط طبقه‌بندی شده‌اند به آن خطای حذفی یک نیز گویند و دیگری خطای نوع دوم: بیانگر درصد پیکسل‌هایی است که در نقشه طبقه‌بندی شده در کلاس‌هایی قرار گرفته‌اند که نبایستی باشند، به آن خطای مرتکب شده یک نیز گویند. در عمل برای خلاصه کردن نتایج طبقه‌بندی دقت کلی را به صورت‌های زیر محاسبه می‌کنند.

·       روش حداقل دقت مورد انتظار از طبقه بندی

رابطه(5)                                                        در این روش فقط از عنصر‌های قطری برای محاسبه دقت استفاده می‌شود. یعنی فرض بر این است که همه طبقه‌ها با دقت برابر طبقه ‌بندی شده‌اند، در حالی که در عمل چنین نیستند. دو نتیجه دیگر که از این ماتریس برای هر طبقه، محاسبه می‌کنند عبارت است از: دقت مورد درخواست کاربران یک و دقت حاصل از طبقه بندی یک که اولی از نسبت بین تعداد پیکسل‌های صحیح طبقه بندی، و دومی از نسبت بین تعداد پیکسل‌های صحیح طبقه‌بندی شده به تعداد پیکسل‌ها در آن ستون از طبقه مورد نظر به دست می‌آیند. رابطه بین این دقت‌ها و خطا‌های ذکرشده به صورت زیر است:

(دقت) دقت حاصل از طبقه بندی - 1= خطای حذفی

(قابلیت اعتماد) دقت مورد در خواست کاربران - 1 = خطای مرتکب شده

·       ضریب کاپا

ضریب کاپا به عنوان معیار دیگری در بیان صحت نقشه‌ها، برای هر ماتریس به کمک عناصر قطری و حاشیه ای محاسبه شده و نشان دهنده آن است که طبقه بندی چقدر با داده‌های واقعی توافق دارد. میزان کلی توافق برای هر ماتریس، بر پایه تفاوت بین توافق عملی طبقه بندی (توافق بین طبقه بندی رایانه‌ای و داده‌های واقعیت زمینی که توسط عناصر قطری جدول نمایش داده می‌شوند) و توافق شانسی (که از مقادیر فرعی پیکسل بدست می‌آید) محاسبه می‌گردد. بنابراین ضریب کاپا نشان دهنده توافق صحت کلی با حالت موجود در طبیعت است. برای مثال اگرچه صحت کلی یک طبقه بندی می‌تواند 80 % باشد ولی این درصد به اندازه کاپا که برای آن تعیین شده با طبیعت توافق دارد. در صورت کوچک بودن کاپا می توان چنین تفسیر کرد که این صحت بالا، احتمالاً ناشی از دخالت طبقه‌های بزرگ بوده که خوب تفکیک نشده است. بهترین طبقه بندی زمانی است که صحت کلی و ضریب کاپا هر دو بالا باشد(et al Warner،2001). ضریب کاپا از رابطه زیر محاسبه می‌گردد:

رابطه(6)                                                                                                                               

رابطه (7)                                                                                                                                                                                                   

رابطه(8)                                                                                                                                                                                                              

: Pii عناصر قطر اصلی

Pio: جمع        

m: تعداد طبقه‌ها        

N: تعداد کل نمونه‌های آزمایشی در تمام طبقات        

میزان این ضریب می‌تواند بین صفر و یک متغیر باشد که ضریب کاپا معادل یک به مفهوم توافق و همسویی 100% بین حاصل طبقه‌بندی و واقعیت زمینی می‌باشد(مظاهری،1375). در تحقیق حاضر پس از طبقه بندی نهایی، جهت ارزیابی دقت تعداد 200 نقطه کنترل زمینی در نظر گرفته شد و ارزیابی دقت با پارامتر ضریب کاپا و دقت کلی محاسبه گردید.

 

4- یافته ها و بحث

پس از بررسی تصاویر ماهواره ای دریافتی محدوده مطالعاتی و انطباق آن‌ها با نقشه شبکه معابر موجود تعداد 40 نقطه کنترل با GPS برداشت شد که تطابق کامل تصاویر ماهواره‌ای با نقاط GPS و نقشه معابر موجود مورد تائید قرار گرفت و تصحیح هندسی انجام نشد. سپس تصاویر ازلحاظ بازتاب‌های طیفی، کنتراست، وجود خطاهای ابرناکی و ... کنترل و این خطاها در تصویر مشاهده نشد و تصحیح رادیومتریکی نیز مورد نیاز واقع نشد. با استفاده از شاخصOIF، بهترین باندها جهت شرکت در ترکیب باندی و طبقه بندی تصویر سال‌های مطالعاتی به دست آمد که در جدول2، نشان داده‌شده است.

جدول2- بالاترین رتبه بندی شاخص OIF سال 2000 و 2022

OIF Index Highest Ranking(2000)
1	b2	b4	b5	02/54
OIF Index Highest Ranking(2022)
1	b4	b6	b7	38/8922

 

 

شکل3- ترکیب باندی 245 سال 2000

 

شکل4- ترکیب باندی 467 سال 2022

برای طبقه بندی تصاویر منطقه مطالعاتی، با توجه به بازدیدهای میدانی و نظرات کارشناسان و متخصصان کلاس‌های کاربری تعریف شد که کاربری‌ها شامل مرتع متراکم، مرتع فقیر، کشاورزی، مسکونی و جنگل بود که نقشه‌های کاربری آن برای سال‌های 2000 و 2022 تهیه شد که به‌صورت زیر می‌باشد. در این پژوهش از 2 روش شبکه عصبی و ماشین بردار پشتیبان برای طبقه بندی استفاده شد.

 

 

شکل 5- نقشه کاربری اراضی سال 2000 با روش ماشین بردار پشتیبان

 

شکل 6- نقشه کاربری اراضی سال 2022 با روش ماشین بردار پشتیبان

جدول 3- مساحت تغییر کاربری ها از سال 2000 تا 2022 طبقه بندی ماشین بردار پشتیبان

میزان تغییرات			2022		2022		2000		2000		کلاس ها
درصد	مساحت(هکتار)	درصد		مساحت(هکتار)		درصد		مساحت(هکتار)
87/5-	53/9580-	36/18		05/29961		22/24		58/39541		مرتع متراکم
99/20	49/34267	31/39		51/64156		31/18		02/29889		مرتع فقیر
15/0	20/273	15/1		44/1878		01/1		24/1641		کشاورزی
98/0	41/1603	31/1		19/2140		33/0		78/536		مسکونی
25/16-	57/26527-	88/39		79/65090		16/56		36/91618		جنگل
-	-	100		98/163226		100		98/163226		مجموع

 

 

شکل7- نقشه کاربری اراضی سال 2000 با روش شبکه عصبی

 

شکل8- نقشه کاربری اراضی سال 2022 با روش شبکه عصبی

جدول 4- مساحت تغییر کاربری ها از سال 2000 تا 2022 طبقه بندی شبکه عصبی

میزان تغییرات		2022	2022	2000	2000	کلاس ها
درصد	مساحت(هکتار)	درصد	مساحت(هکتار)	درصد	مساحت(هکتار)
69/3-	05/6021-	87/19	06/32437	56/23	11/38458	مرتع متراکم
75/20	57/33869	40/41	07/67570	65/20	50/33700	مرتع فقیر
22/0	79/360	21/1	22/1968	98/0	43/1607	کشاورزی
91/0	16/1492	26/1	69/2048	34/0	53/556	مسکونی
20/18-	47/29701-	27/36	94/59202	47/54	41/88904	جنگل
-	-	100	98/163226	100	98/163226	مجموع

 

ارزیابی صحت و دقت طبقه بندی تصویر

به منظور برآورد میزان دقت طبقه بندی تصویر، از دو فاکتور ضریب کاپا و دقت کلی بهره برده شد که مقادیر برای دوره های مختلف برآورد و در جدول5، درج شده است. نتایجی که در جدول ارائه شده است بیانگر این مهم است که در بین روشهای طبقه بندی تصویر، برای هر دو سال مورد مطالعه بالاترین ضریب کاپا و دقت کلی مربوط به روش شبکه عصبی تعلق دارد. 

جدول5- مقادیر ضریب کاپا و دقت کلی تصاویر طبقه‌بندی‌شده برای دوره‌های مختلف

طبقه‌بندی/ پارامتر آماری		ماشین بردار پشتیبان	شبکه عصبی
سال 2000	ضریب کاپا	844/0	870/0
	دقت کلی	862/0	881/0
سال 2022	ضریب کاپا	942/0	954/0
	دقت کلی	964/0	978/0

تغییرات مساحت از سال 2000 تا 2022، در روش ماشین بردار پشتیبان، کاربری های مرتع متراکم، مرتع فقیر، کشاورزی، مسکونی، جنگل دارای تغییرات مساحت 9580.53، 34267.49، 237.2، 1603.41، 26527.57هکتار بوده است. بنابراین کاربری مرتع متراکم و جنگل 5.87% و 16.25% کاهش و سایر کاربری ها افزایش یافته است. تغییرات مساحت از سال 2000 تا 2022، در روش شبکه عصبی، کاربری های مرتع متراکم، مرتع فقیر، کشاورزی، مسکونی، جنگل دارای تغییرات مساحت 6021.05، 33869.57، 360.79، 1492.16، 29701.47 هکتار بوده است. بنابراین کاربری مرتع متراکم و جنگل 3.69% و 18.20% کاهش و کاربری های مرتع فقیر %20.75، کشاورزی %0.22 و مسکونی 0.91% افزایش یافته است. همچنین نتایج طبقه‌بندی نشان می‌دهد درحالی‌که رشد و توسعه مناطق مسکونی و تبدیل زمین‌های کشاورزی، مراتع و جنگل ها به مسکونی و مراتع فقیر همواره مثبت بوده است، طی دوره 2010 الی 2022 این روند بسیار فزاینده بود است به‌طوری‌که تقریباً 70 درصد مساحت مسکونی افزوده‌شده در طول 10 سال اخیر متعلق به سال‎های 2010-2022 است. پس از طبقه‌بندی و ارزیابی تغییرات، ضریب کاپا و دقت کلی حاصل از طبقه‌بندی به منظور ارزیابی روش پیشنهادی تحقیق محاسبه گردید که در جدول (5) نتایج آن مشاهده می‌شود.

5- نتیجه گیری

با افزایش سریع جمعیت، تحولات مربوط به کالبد و فضاهای شهری شتاب آلود می‌شود و این تحولات منجر به تغییر کاربری، تخریب، انهدام جنگل ها، باغات و اراضی کشاورزی اطراف شهر می‌گردد. این تحقیق در پی ارزیابی تغییرات کاربری شهرستان سوادکوه با روش های شبکه عصبی و ماشین بردار پشتیبان، و تصاویر ماهواره‎ای چند زمانه در بستر سنجش‌ازدور و سیستم اطلاعات مکانی بوده است. نتایج تحقیق نشان داد که رشد و توسعه کاربری مسکونی و مراتع ضعیف در سوادکوه، نسبت به سایر کاربری‌ها همسو نبوده و این موضوع باعث پیشی گرفتن رشد مساحت کاربری اراضی مسکونی گردیده است. آنچه می‌توان از این تحقیق استنباط نمود این است که فناوری سنجش‌ازدور در امر کشف تغییرات در طی دوره‌های زمانی مختلف بسیار کارآمد بوده و در صورت در دسترس بودن داده‌هایی کامل و تصاویری چند زمانه می‌توان به نتایج مفیدی رسید که در تلفیق با الگوریتم‌های هوشمند امکان ارائه راهکارهایی برای پیش‌بینی، پیشگیری از مسائل رشد نامتوازن شهر و پیشرفت یک منطقه ارائه داد. استفاده از این تکنیک سبب کاهش هزینه‌ها و صرفه‌جویی در زمان می‌شود. نتایج تحقیق با نتایج تحقیقات (روحاني و همکاران، 1400) که به بررسي تغيير كاربري اراضي استان قم پرداختند و همچنین تحقیقات (محمدی و همکاران،1400)، (et al Guan، 1400) که همگی صحت نتایج پردازش تصاویر ماهواره ای را در ارزیابی تغییرات تایید کردند مطابقت داشت. بر این اساس پیشنهادهایی به شرح ذیل ارائه می‌گردد.

- استفاده از تصاویری با قدرت تفکیک مکانی بالا مانندSPOT ،IRS ،ASTER  و... که نتایج دقیق‌تری از طبقه‌بندی و تغییرات کاربری به محقق ارائه خواهد داد.

- استفاده از مدل سلول های خودکار در پیش بینی تغییرات در سال های آتی

- پایش مستمر تغییرات کاربری های بکر از جمله جنگل و مرتع در محدوده مطالعاتی

منابع

بزمی، نسرین السادات.، حجازی زاده، زهرا.، ضیائیان فیزوز آبادی، پرویز.، جانباز قبادی، غلامرضا.،(1400)، آشکارسازی تغییرات کاربری اراضی شهرستان ارومیه با استفاده از سنجش از دور، نشریه تحقیقات کاربردی علوم جغرافیایی، دوره 16، صص 69-86.

تقیلو، علی اکبر.،(1400)، طبقه بندی و آشکارسازی تغییرات کاربری اراضی شهرستان ارومیه با استفاده از روش شیءگرا در دوره ی زمانی 2009-2018، فصلنامه ی چشم انداز مطالعات شهری و روستایی، دوره2، شماره4، 1-16.

روحاني، نيما.، مرادي فرج، افسانه.، مجردي، برات.، رجائي، طاهر.، جباري، احسان.، (1400)، بررسي تغيير كاربري اراضي استان قم همراه با پارامترهاي اقليمي با استفاده از فناوري سنجش از دور ماهواره اي، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال دوازدهم، شماره چهارم، صص 28-46.

زیاری، کرامت الله.، (1389)، برنامه ريزي شهرهاي جديد، تهران، انتشارات سمت، چاپ دوازدهم.

سعیدنیا، احمد، (1387)، کتاب سبز راهنمای شهرداری ها، جلد دوم (کاربری زمین شهر). مرکز مطالعات برنامه ریزی شهری. تهران. انتشارات سازمان شهرداری ها و دهیاری های کشور، وزارت کشور.

ضرابی، اصغر، رشیدی نیک، سیامک، قاسمی راد، حمدالله (1389)، تحلیل و ارزيابی کاربری اراضی در شهر ايذه، مجله پژوهش و برنامه ريزی شهری، سال اول، شماره سوم.

گلابی، محمدرضا.، آخوندعلی، علی محمد.، رادمنش، فریدون.،(1392)، مقایسه عملکرد الگوریتم هاي مختلف شبکه عصبی مصنوعی در مدل سازي بارندگی فصلی مطالعه موردي؛ ایستگاه هاي منتخب استان خوزستان، نشریه تحقیقات کاربردي علوم جغرافیایی سال سیزدهم، شماره 30.

محمد اسماعیل، ز.، (1389)، پایش تغییرات کاربری اراضی کرج با استفاده از تکنیک سنجش از دور، مجله پژوهش های خاک(علوم خاک و آب)، 24(1): 81-88.

محمدی، سیره صی.، توکلی، محسن.، زرافشانی، کیومرث.، مهدی زاده، حسین.، (1400)، بررسی روند تغییرات کاربری اراضی در حوزه ی آبخيز دشت ماهی دشت با استفاده از تصاویر سنجش از دور، پایداری، توسعه و محیط زیست، دوره دوم، شماره ۲، صص53-70.

مظاهری ، ح.، (1375). پژوهشی در شناسایی و پهنه بندی مناطق حساس به فرسایش در حوضه آبخیز رودخانه آبشینه(همدان) پایان نامه کارشناسی ارشد، جغرافیای طبیعی دانشگاه تربیت مدرس(326ص).

ملاآقاجانزاده، ساره.، سلیمانی، کریم.، حبیب نژاد، محمود.، کاویان، عطاالله.، رحمانی، محمد.،(1400)، کاربرد سنجش از دور در ارزیابی تغییرات کاربری اراضی حوضه آبخیز هراز، فصلنامه تحقیقات جغرافیایی، دوره 36، شماره3، صص 275-284.

موحد، علی، صمدی، محمدحسین (1390)، ارزيابی کمی و کیفی کاربری اراضی شهر مريوان، مجله پژوهش های جغرافیای انسانی، شماره 8.

یوسفی، صالح.، تازه، مهدی.، میرزایی.، سمیه، مرادی.، حمیدرضا.، توانگر، شهلا.، (1393)، مقایسه الگوریتم های مختلف طبقه بندی تصاویر ماهواره ای در تهیه نقشه کاربری اراضی(نمونه موردی: شهرستان نور)، سنجش از دور و سامانه ی اطلاعات جغرافیایی در منابع طبیعی، 3(5)، 66(74).

Best, R.H (1999): Land use and living space.Methuen.pp:19-20.

Borra, Surekha., Thanki, Rohit., Dey, Nilanjan,.2019, Satellite Image Analysis: Clustering and Classification, SpringerBriefs in Applied Sciences and Technology, ISBN 978-981-13-6424-2 (eBook), https://doi.org/10.1007/978-981-13-6424-2.

Briassoulis, H. (2000). Analysis of Land use change: Theoretical and modeling approaches. Morgantown: West Virginia University.

Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.

Guan, D.; Li, H.; Inohae, T.; Su, W.; Nagaie, T & Hokao, K.(2021)., Modeling urban land use change by the integration of cellular automaton and Markov Model. Ecological Modeling. 222(20-22):3761- 3772.

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.

Rao, S., Sharma, A., (2013), "Cost parameter analysis and comparison of linear Kernel and Hollinger Kernel mapping of SVM on image retrieval and effects of addition of positive images", International Journal of Computer Applications, 73 (2): 5 – 12.

Srivastava, D. K., Bhambhu, L., (2009), "Data classification using support vector machine", Theoretical and Applied Information Technology, 49: 1–7. ] on line[: www.jatit.org.

Tarko, A., Tsendbazar, N. E., de Bruin, S., &Bregt, A. K. (2020). Influence of image availability and change processes on consistency of land transformation interpretations. International Journal of Applied Earth Observation and Geoinformation, 86, 102005.

Vapnik, V. N., (1999), "The nature of statistical Learning theory", Second Edition, New York: Springer-Verlag.

Warner, A., S . Blonski, G. Gasser, R. Royan & V. Zanoni., (2001). An approach to application Validation of multispectral sensors using AVIRIS data, Journal Portugal, Remote Sensing, 9pp.

 

 

 

  

 

---