کارایی سامانه گوگل ارث انجین (GEE) در ارزیابی تغییرات کاربری اراضی و پیش بینی آن با مدل مارکوف (مطالعه موردی دشت ارومیه)

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 303

متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GIRS-12-3_006

تاریخ نمایه سازی: 20 شهریور 1400

Abstract:

پیشینه و هدف کاربری اراضی منعکس کننده 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، معمولا بر اساس استفاده انسان از زمین، با تاکید 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 مخصوصا 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 به منظور 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 ۲۰۰۰ و ۲۰۲۰ 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. به منظور تهیه نقشه های کاربری اراضی و مطالعه تغییرات آن، تصاویر مربوط به سنجنده ETM+ ماهواره لندست ۷ برای سال ۲۰۰۰ و سنجنده OLI لندست ۸ مربوط به سال ۲۰۲۰ 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 ۲۰۰۰ و ۲۰۲۰ شد. شش کلاس کاربری شامل زمین های بایر، اراضی انسان ساخت، 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 نرم افزارArcGIS  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 پیش بینی و مدل سازی کاربری ها برای سال ۲۰۴۰ 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 ۲۰۰۰ و ۲۰۲۰ 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 ۲۰۰۰ و ۲۰۲۰ 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 ۲۰۲۰ نسبت به سال ۲۰۰۰، در حدود ۱۰ کیلومتر مربع، اراضی ساخته شده (انسان ساخت)، ۴۲.۶۲ کیلومترمربع، باغات ۶۷ کیلومترمربع و پهنه های آبی ۰.۳۹ کیلومتر مربع افزایش مساحت را نشان می­دهد. در مقابل کشاورزی دیم ۳۹.۴۵ و کشاورزی آبی ۸۰ کیلومترمربع از مساحت خود را ازدست داده اند. 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 افزایش یافته و به یکی از قطب های تولید محصولات باغی به ویژه سیب تبدیل بشود. از طرف دیگر مساحت زمین های انسان ساخت تقریبا 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 ساختمان های جدید و امکانات زیرساختی مثل کارخانه ها، زمین های ورزشی، جاده ها، فضاهای سرگرمی و غیره، کاربری های انسان ساخت افزایش پیداکرده است. طبق نقشه پیش بینی شده برای سال ۲۰۴۰ 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 ۷۳.۴۰ کیلومترمربع برسد. زمین ساخته شده به ۹۰.۹ کیلومترمربع افزایش خواهد یافت. در حالی که مقدار آن در سال ۲۰۲۰، ۷۶.۳۸ کیلومترمربع بوده است. از طرف دیگر مساحت باغات از ۳۱.۶۱ کیلومترمربع در سال ۲۰۲۰ به ۷۲.۱۵ کیلومترمربع افزایش خواهد یافت. زمین های کشاورزی آبی نیز با روند افزایشی به ۲۷.۳۸ 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، صرفه جویی در زمان و هزینه است و همان طور که در مقاله اشاره شده است، کاربری های مختلف برای سال ها ۲۰۰۰ و ۲۰۲۰ با استفاده از سامانه گوگل ارث انجین تهیه و تغییرات آن ها مشخص شد. 

Authors

ناصر سلطانی

استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه ، ارومیه، ایران

وحید محمدنژاد

استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه، ارومیه، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Afify HA. ۲۰۱۱. Evaluation of change detection techniques for monitoring ...
  • Asghari S, Mohammadnejad V, Emami H. ۲۰۱۹. Investigation land use ...
  • Burges CJ. ۱۹۹۸. A tutorial on support vector machines for ...
  • Civco DL, Hurd JD, Wilson EH, Arnold CL, Prisloe Jr ...
  • Deng C, Wu C. ۲۰۱۲. BCI: A biophysical composition index ...
  • Goldblatt R, You W, Hanson G, Khandelwal AK. ۲۰۱۶. Detecting ...
  • Hansen MC, Loveland TR. ۲۰۱۲. A review of large area ...
  • Hartter J, Lucas C, Gaughan AE, Aranda LL. ۲۰۰۸. Detecting ...
  • Herold M, Scepan J, Clarke KC. ۲۰۰۲. The use of ...
  • Heydarian P, Rangzan K, Maleki S, Taghizadeh A. ۲۰۱۴. Land ...
  • Johnson RD, Kasischke E. ۱۹۹۸. Change vector analysis: A technique ...
  • Keshavarz A, Ghasemiyan H. ۲۰۰۵. A fast algorithm based on ...
  • Li G, Lu D, Moran E, Hetrick S. ۲۰۱۳. Mapping ...
  • Liu C, Shao Z, Chen M, Luo H. ۲۰۱۳. MNDISI: ...
  • Lu D, Mausel P, Brondizio E, Moran E. ۲۰۰۴. Change ...
  • Lu D, Weng Q. ۲۰۰۴. Spectral mixture analysis of the ...
  • Mokhtari M, Najafi A. ۲۰۱۵. Comparison of support vector machine ...
  • Mountrakis G, Im J, Ogole C. ۲۰۱۱. Support vector machines ...
  • Patel NN, Angiuli E, Gamba P, Gaughan A, Lisini G, ...
  • Pourahmad A, Seifodini F, Parnon Z. ۲۰۱۱. Migration and land ...
  • Schneider A, Friedl MA, Potere D. ۲۰۱۰. Mapping global urban ...
  • Seto KC, Fragkias M, Güneralp B, Reilly MK. ۲۰۱۱. A ...
  • Shao Y, Li GL, Guenther E, Campbell JB. ۲۰۱۵. Evaluation ...
  • Shelestov A, Lavreniuk M, Kussul N, Novikov A, Skakun S. ...
  • Soffianian AR, Khodakarami L. ۲۰۱۱. Land Use Mapping Using Fuzzy ...
  • Sun Z, Guo H, Li X, Lu L, Du X. ...
  • Sun Z, Xu R, Du W, Wang L, Lu D. ...
  • Wahap N, Shafri HZ. ۲۰۲۰. Utilization of Google Earth Engine ...
  • Wang Z, Gang C, Li X, Chen Y, Li J. ...
  • Weng Q, Hu X. ۲۰۰۸. Medium spatial resolution satellite imagery ...
  • Wu C, Murray AT. ۲۰۰۳. Estimating impervious surface distribution by ...
  • Wu M, Zhao X, Sun Z, Guo H. ۲۰۱۹. A ...
  • Xu H. ۲۰۱۰. Analysis of impervious surface and its impact ...
  • Yousef S, Tazeh M, Mirzaee S, Moradi H, Tavangar S. ...
  • Zhang C, Sargent I, Pan X, Li H, Gardiner A, ...
  • نمایش کامل مراجع