حسین جولایی - گروه مهندسی نقشه برداری، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
علیرضا وفایی نژاد - گروه مهندسی نقشه برداری، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

پیشینه و اهداف: موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهواره ای، به یک مرکزیت اساسی در جامعه تبدیل شده است. دسترسی آسان و پایدار به داده های ماهواره ای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهره برداری بهینه از این تصاویر، لازم است نمونه هایی از تصاویر جمع آوری شده و سپس پیکسل های آن ها بر اساس ویژگی ها و مشخصه های منطقه ای طبقه بندی شوند. این فرآیند، با چالش هایی همچون پراکندگی داده ها مواجه است که با استفاده از روش های طبقه بندی مناسب قابل حل است. در این مطالعه، به منظور ارزیابی مساحت کاربری های زمین در شهرها، روش های متنوعی از یادگیری ماشین مورد استفاده قرارگرفته است. به جای استفاده از یک روش ثابت و مطلق برای طبقه بندی پیکسل ها، چهار روش مختلف یادگیری ماشین جداگانه برای هر تصویر مورد بررسی قرارگرفته است. این روش های متنوع از یادگیری ماشین امکان انتخاب بهترین و پرکارایی ترین روش برای هر تصویر را فراهم می کنند، به گونه ای که توانایی تشخیص و طبقه بندی پیکسل ها برای مساحت های کاربری زمین در شهرها را بهبود می بخشند و دقت و کارایی را افزایش می دهند.روش ها : در این تحقیق، از تصویر ماهواره ای لندست ۹ برای مطالعه و تحلیل منطقه های مختلف تهران در سال ۲۰۲۳ استفاده شده است. ابتدا، تصویر مورد نظر تحت تصحیحات لازم قرارگرفته و سپس، چهار الگوریتم یادگیری ماشین متناسب (که شامل K- نزدیک ترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال بودند) برای طبقه بندی تصاویر ماهواره ای لندست ۹ مرتبط با چهار منطقه مختلف تهران (شامل ۲، ۵، ۲۱، ۲۲) به کار گرفته شدند. برای ارزیابی دقت نتایج، بیش از ۲۰۰ نقطه چک با استفاده از روش Stratified Random بر روی تصویر ایجاد شدند و سپس از Google Earth Pro برای بررسی دقیق نقاط چک استفاده شد. دقت طبقه بندی کلی و ضریب کاپا به عنوان معیارهای ارزیابی بهترین روش طبقه بندی پیکسل های تصویر مورد بررسی قرار گرفتند. در مرحله بعد، منطقه مورد مطالعه به منظور درک بهتر مساحت کاربری های زمین در آن ناحیه به بلوک های مساوی تقسیم شد. سپس با استفاده از روابط آماری رستری (Zonal Statistic)، میزان مساحت کاربری های زمین در هر بلوک مورد بررسی قرار گرفت.یافته ها: بر اساس روش های مورد استفاده، عملکرد روش SVM در این مطالعه به دقت بیشترین مقدار ممکن، که معادل ۹۵ درصد است، و ضریب کاپا، که به نسبت ۸۹ درصد است، دست یافت. این نتایج ممکن است به دلیل عدم یکنواختی پهنه های پیکسل در محیط های شهری پرتراکم توجیه شود. علاوه بر این، مساحت های مختلفی از زمین از جمله مناطق سبز با مساحت ۱۲ کیلومترمربع، زمین های بایر با مساحت ۶۴ کیلومترمربع و مناطق ساخته شده با مساحت ۱۳۷ کیلومترمربع نیز در این تحلیل مورد بررسی قرار گرفتند.نتیجه گیری: از طریق این رویکرد، ما یک روش طبقه بندی بسیار دقیق را برای تحلیل تصاویر ماهواره ای مربوط به ماهواره لندست ۹ ارائه داده ایم. این روش، امکان ارزیابی دقیق تری از مساحت کاربری های زمین را فراهم می کند و به تصمیم گیریان شهری و سیاست گذاران ارتباط مستقیمی با بینش های ارزشمندی برای توسعه پایدار در شهرها ارائه می دهد. این امر، می تواند در فرآیند تسهیل طرح های توسعه ای برای بهبود شهرها و زندگی شهروندان نقش موثری ایفا کند، زیرا اطلاعات دقیق و معتبری را ارائه می دهد که به تصمیم گیری های استراتژیک در حوزه توسعه شهری کمک می کند و امکان اعمال تغییرات موثرتر و هدفمندتر در سیاست ها و برنامه های شهری را فراهم می سازد.

تصویر ماهواره ای لندست ۹, یادگیری ماشین, کاربری زمین, طبقه بندی