سامانه مدیریت نشریات علمی دانشگاه کاشان

عیشویی, ادیت, میریعقوب زاده, میرحسن, شاهدی, کاکا. (1405). ارزیابی مناسب‌ترین الگوریتم یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات کاربری/ پوشش اراضی در حوضه آبخیز گرگان‌رود. سامانه مدیریت نشریات علمی, 15(50), 1-18. doi: ‎10.22052/deej.2026.258129.1131
ادیت عیشویی; میرحسن میریعقوب زاده; کاکا شاهدی. "ارزیابی مناسب‌ترین الگوریتم یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات کاربری/ پوشش اراضی در حوضه آبخیز گرگان‌رود". سامانه مدیریت نشریات علمی, 15, 50, 1405, 1-18. doi: ‎10.22052/deej.2026.258129.1131
عیشویی, ادیت, میریعقوب زاده, میرحسن, شاهدی, کاکا. (1405). 'ارزیابی مناسب‌ترین الگوریتم یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات کاربری/ پوشش اراضی در حوضه آبخیز گرگان‌رود', سامانه مدیریت نشریات علمی, 15(50), pp. 1-18. doi: ‎10.22052/deej.2026.258129.1131
عیشویی, ادیت, میریعقوب زاده, میرحسن, شاهدی, کاکا. ارزیابی مناسب‌ترین الگوریتم یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات کاربری/ پوشش اراضی در حوضه آبخیز گرگان‌رود. سامانه مدیریت نشریات علمی, 1405; 15(50): 1-18. doi: ‎10.22052/deej.2026.258129.1131

ارزیابی مناسب‌ترین الگوریتم یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات کاربری/ پوشش اراضی در حوضه آبخیز گرگان‌رود

مهندسی اکوسیستم بیابان
مقاله 1، دوره 15، شماره 50، خرداد 1405، صفحه 1-18    اصل مقاله (1.13 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): ‎10.22052/deej.2026.258129.1131
نویسندگان
ادیت عیشویی1؛ میرحسن میریعقوب زاده* 2؛ کاکا شاهدی3
1گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
2دانشگاه ارومیه، دانشکده منابع طبیعی، گروه مهندسی مرتع و آبخیزداری
3گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده
آگاهی از نسبت کاربری اراضی و نحوه تغییرات آن در گذر زمان یکی از مهم‌ترین مسائل برنامه‎ریزی‌ زیست‌محیطی می‌باشد. در تحقیق حاضر به‌منظور ارزیابی مناسب‌ترین الگوریتم‌های یادگیری ماشین در طبقه‌بندی تصاویر ماهواره‌ای از تصاویر ماهواره‎ای لندست 8 طی سال‎های 2013، 2017 و 2019 در حوضه گرگان‌رود استان گلستان استفاده شده است. به‌منظور آشکارسازی تغییرات کاربری/ پوشش اراضی از الگوریتم تفاضل تصویر استفاده گردید. همچنین به‌منظور ارزیابی دقت الگوریتم‌های طبقه‌بندی از نمونه‌های تعلیمی به روش پیمایش زمینی استفاده گردید. نتایج حاصل از ضریب کاپا در به‌کارگیری الگوریتم‎های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی به ترتیب ۷۹/0 و 77/0 در سال ۲۰۱۹ و 79/0 و 81/0 در سال 2017 و 86/0 و 79/0 در سال 2013 به دست آمد که بیانگر دقت مناسب‌تر در طبقه‌بندی تصاویر ماهواره‌ای و همچنین کارایی تصاویر لندست ۸ در تهیه نقشه کاربری اراضی می‌باشد. نتایج حاصل از آشکارسازی تغییرات کاربری اراضی نشان می‌دهد که در طول سال‌های ۲۰۱۳ تا ۲۰۱۹ پوشش جنگلی در منطقه مورد مطالعه تغییرات اندکی داشته است. باتوجه به وضعیت توپوگرافی منطقه و سکونت آبخیزنشینان در رقوم ارتفاعی مختلف، منطقه مورد مطالعه در معرض خطر کاهش پوشش جنگلی و افزایش اراضی دیم در اراضی شیب‌دار و متعاقباً وقوع سیلاب قرار دارد.
کلیدواژه‌ها
آشکارسازی تغییرات کاربری اراضی؛ لندست؛ جنگل تصادفی؛ ماشین بردار پشتیبان؛ گرگان‌رود
مراجع
  1. Azimi, M., Rahbar, Gh., & Mansouri, Sh. )2019). Site selection and prioritization of the areas appropriatie for floodwater spreading using GIS and AHP (Case study: Gorganrud river basin, Golestan). Journal of Environmental Science and Technology, 20 (4 (79)), 179-192. [In Persian].
  2. Bagherifar, P., Basiri, R., Yosefi Khaneghah, Sh., & Pourkhabbaz, H. (2023). The comparison of Artificial Neural Network to and maximum likelihood algorithms for forest changes detection. Journal of Environment Science and Technology., Vol 25, No. 8. P75-88. [In Persian].
  3. Bolstad, P., & Lillesand, T. M. (1991). Rapid maximum likelihood classification. Photogrammetric engineering and remote sensing, 57(1), 67-74.
  4. Bonyad Amir, A., & Hajigaderi, T. (2007). Mapping Zanjan basin natural forests Using ETM+ Landsat 7 data. Soil And Water Science Journal (Agriculture and Natural resources science and technology). 11 (42b), 627-638. [In Persian].
  5. Cao, X., Chen, J., Imura, H., & Higashi, O. (2009). A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data. Remote Sensing of Environment, 113 (10), 2205-2209.
  6. Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press.
  7. Daneshi, A., & Panahi, M. (2016). Efficiency Comparison of Support Vector Machine and Maximum Likelihood Algorithms for Monitoring Land Use Changes. Iranian Remote Sensing and GIS. 8 (2), 73-86. [In Persian].
  8. Davodpour, R., & Toranjzar, H. (2018). Preparation of Land Use Map Using ETM+ Landsat (A Case Study in Hendodar Watershed). Journal of Environmental Science and Technology. 22 (6). [In Persian].
  9. Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification. International Journal of remote sensing, 23 (4), 725-749.
  10. Islam, K., Jashimuddin, M., Nath, B., & Nath, T. K. (2018). Land use classification and change detection by using multi-temporal remotely sensed imagery: The case of Chunati wildlife sanctuary, Bangladesh. The Egyptian Journal of Remote Sensing and Space Science, 21 (1), 37-47.
  11. Jahanbakhshi, F., & Ekhtesasi, M. R. (2019). Performance evaluation of three image classification methods (Random Forest, Support Vector Machine and the Maximum Likelihood) in land use mapping. Journal of Water and Soil Science, 2019, Vol. 22, No. 4, p235-246. [In Persian].
  12. Kafy, A.A., Saha, M., Rahaman, Z.A., Rahman, M.T., Liu, D., Fattah, M.A., Al Rakib, A., AlDousari, A.E., Rahaman, S.N., Hasan, M.Z. & Ahasan, M.A.K. (2022). Predicting the impacts of land use/land cover changes on seasonal urban thermal characteristics using machine learning algorithms. Building and Environment, 217, p.109066.
  13. Karami, O., Hoseini Nasr, S.M., Jalijvand, H., Miryaghoubzadeh, M.H. (2015). Determination of Babolrood basin Capability for Various Land Uses Using Multi Criteria Decision Making Methods. J Watershed Manage Res. 6 (11), 171-181.
  14. Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11 (5), 352-359.
  15. Kazemi, M., Nohegar, A., & Mirdady, M. (2017). Best classification method choosing in landuse mapping using OLI sensor Landsat 8 satellite (Case study: Behesht-Gomshode watershed, Fars region). Iran Natural Ecosystems. 8 (1), 79-97. [In Persian].
  16. Lillesand, T.M., Kiefer, R.W., & Chipman, J.W. (2004). Remote Sensing and Image Interpretation, fifth edition Wiley and Sons. New York, 763.
  17. López-Serrano, P. M., Corral-Rivas, J. J., Díaz-Varela, R. A., Álvarez-González, J. G., & López-Sánchez, C. A. (2016). Evaluation of radiometric and atmospheric correction algorithms for aboveground forest biomass estimation using Landsat 5 TM data. Remote sensing, 8 (5), 369.
  18. Madadi, A., & Mozaffari, H. (2019). Comparison and Evaluation of Supervised Classification Methods for Extraction and Detection of Changes in Geomorphologic Landforms of Sojasrood Basin. Quantitave Geomorphological Research. 7 (3), 71-90. [In Persian].
  19. Mazaheri, M. R., Esfandiari, M., Masih Abadi, M. H., & Kamali, A. (2013). Detecting temporal land use changes using remote sensing and GIS techniqes (Case study: Jiroft, Kerman Province). Journal of Applied RS & GIS Techniques in Natural Resource Science. 4 (2), 25-39. [In Persian].
  20. Mir Yaghoobzadeh M H, Ghanbarpour M R. Investigation of Digital Detection Accuracy of Snow, Cloud and Earth Using MODIS Imagery. jwmseir 2010; 3 (9) :51-54
  21. Mousavi, S.H., Ranjbar, A., & Haseli, M. (2015). Investigation and trend detection of Landuse change in Abarkouh basin using satellite data (1976-2014). Scientific-Research Quaterly of Geographical Data (Sepehr). 25 (97), 129-146. [In Persian].
  22. Mousavinejad, S.H., Habashi, H., Kiani, F., Shataee, Sh., & Abdi, O. (2017). evaluation of soil erosion using imagery spot5 satellite in chehel chi catchment of golestan province. journal of wood and forest science and technology, 24 (2), 73-86. [In Persian].
  23. NazariSamani, A., Ghorbani, M., & Kouhbandani, H.R. (2010). Evaluation of LandUse change detection of Talegan Watershed between 1366 to 1380 study period. Rangeland journal. 4 (3) 442-451. [In Persian].
  24. Pal, M. (2005). Random forest classifier for remote sensing classification. International journal of remote sensing, 26 (1), 217-222.
  25. Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote sensing of environment, 86 (4), 554-565.
  26. Pouteau, R., Meyer, J. Y., & Stoll, B. (2011). A SVM-based model for predicting distribution of the invasive tree Miconia calvescens in tropical rainforests. Ecological modelling, 222 (15), 2631-2641.
  27. Richards, J. A., & Richards, J. A. (2022). Remote sensing digital image analysis (Vol. 5, pp. 256-258). Berlin/Heidelberg, Germany: springer.
  28. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS journal of photogrammetry and remote sensing, 67, 93-104.
  29. Saha, J., Ria, S. S., Sultana, J., Shima, U. A., Seyam, M. M. H., & Rahman, M. M. (2024). Assessing seasonal dynamics of land surface temperature (LST) and land use land cover (LULC) in Bhairab, Kishoreganj, Bangladesh: A geospatial analysis from 2008 to 2023. Case Studies in Chemical and Environmental Engineering, 9, 100560.
  30. Motakan, A., & Hajeb, M. (2013). Comparison of the ability of SVM, ANN and MLC classifiers in optimizing the Lidar data filtering algorithms. Iranian Remote Sensing and GIS. 5 (2), 1-16. [In Persian].
  31. Rahmani, N., Shahedi, K., Soleimani, K., Miryaghoubzadeh, M.H. (2016). Evaluation of the Land use Change Impact on Hydrologic Characteristics (Case Study: Kasilian Watershed). J Watershed Manage Res. 7 (13), 32-23. doi:18869/acadpub.jwmr.7.13.32
  32. Singh, A. (1989). Digital change detection techniques using remotely sensed data. International Journal of Remote Sensing 10: 989–1003.
  33. Taghadosi, M.M., Hasanlou, M., & Eftekhari, K. (2019). Evaluating and comparing supervised classification algorithms with the aim of mapping soil salinity levels using Sentinel-2 satellite imageries. Scientific - Research Quarterly of Geographical Data (SEPEHR). Vo.28, No.110. p37-52.  doi: 10.22131/sepehr.2019.36608. [In Persian].
  34. Vapnik, V.N. (1995). The Nature of Statistical Learning Theory (New York: Springer-Verlag).
  35. Yousefi, S., Moradi, H.R., Hosseini, S.H., & Mirzaee, S. (2011). Land use change detection using LandSat TM and ETM+ satellite images over Journal of Applied RS & GIS Techniques in Natural Resource Science 2 (3), 97-105. [In Persian].
  36. Zare, M., Teimouriyan, T., & Joory, M.H. (2017). Monitoring land use-land cover change detection using the change and stability index and comparing after classification. Iran Natural Ecosystems. 8 (1), 123-136. [In Persian].
آمار
تعداد مشاهده مقاله: 159
تعداد دریافت فایل اصل مقاله: 180