پایش تغییرات پوشش زمین در شمال غرب ایران با استفاده از روش انتقال نمونه های آموزشی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: نقشه پوشش زمین یکی از پارامترهای اساسی در تحلیل های جغرافیایی و برنامه ریزی های مکانی محسوب می شود. به طور کلی، تصویر ماهواره ای، الگوریتم طبقه بندی و نمونه آموزشی سه پارامتر اصلی در تهیه نقشه های پوشش زمین به شمار می روند و مهم ترین نقش را درزَمینه صحت، هزینه و منابع محاسباتی مورد نیاز برای تهیه این نقشه ها ایفا می کنند. کیفیت نمونه آموزشی تأثیر شایان توجهی در صحت نتایج طبقه بندی دارد. بر این اساس، هدف اصلی این پژوهش تهیه نمونه های آموزشی معتبر، با استفاده از روش انتقال نمونه های آموزشی برای پایش تغییرات پوشش زمین در شمال غرب ایران، بین سال های 2002 تا 2022 است.مواد و روش ها: منطقه مورد مطالعه، با مساحتی بالغ بر 7653 کیلومترمربع، در شمال غرب ایران واقع شده است. ازلحاظ جغرافیایی، این محدوده در مختصات 35 59 °44 تا 25 01 °46 طول شرقی و 46 02 °38 تا 47 48 °38 عرض شمالی قرار دارد. داده های مورد استفاده در این پژوهش شامل تصاویر ماهواره ای و داده های مرجع زمینی است و تصاویر به کاررفته در این پژوهش شامل تصاویر ماهواره ای سری لندست می شود. روش پژوهش پنج مرحله کلی را دربرمی گیرد. در مرحله اول، تصاویر ماهواره ای لندست از سایت سازمان زمین شناسی امریکا دریافت و مراحل پیش پردازش تصاویر (تصحیح رادیومتریک و هندسی) روی آنها انجام شد. در مرحله دوم، با استفاده از تصاویر دارای قدرت تفکیک مکانی بالا (تصاویر سامانه Google Earth) و برداشت زمینی، نمونه های آموزشی مورد نظر تهیه شدند. مرحله سوم شامل انتقال نمونه های آموزشی است. برای این کار، در ابتدا، با استفاده از دو پارامتر فاصله اقلیدسی (ED) و فاصله زاویه طیفی (SAD)، شباهت طیفی نمونه های آموزشی در سال های مرجع و هدف بررسی شد. در ادامه، با تعیین آستانه مورد نظر، نمونه های آموزشی انتقال یافته از نمونه های انتقال نیافته تفکیک شدند. در انتهای مرحله سوم، صحت نمونه های آموزشی انتقال یافته ارزیابی شد؛ بدین منظور داده های مرجع تهیه شده از سامانه Google Earth به کار رفت. در مرحله چهارم، با استفاده از نمونه های آموزشی انتقال یافته، تصاویر ماهواره ای در سال های گوناگون طبقه بندی شد و درنَهایت در مرحله پنجم، با به کارگیری شاخص های حاصل از ماتریس خطا، صحت تصاویر طبقه بندی شده ارزیابی شد.نتایج و بحث: نتایج به دست آمده نشان داد آستانه 9/0 تا 1/1 مناسب ترین آستانه برای تفکیک نمونه های آموزشی انتقال یافته از نمونه های آموزشی انتقال نیافته در سال های گوناگون است. بر این اساس، می توان گفت بین صحت و درصد نمونه های آموزشی انتقال یافته رابطه ای معکوس وجود دارد و با افزایش درصد نمونه های آموزشی انتقال یافته، از صحت آنها کاسته می شود. بررسی صحت نمونه های آموزشی انتقال یافته، براساس هریک از پارامترها (فاصله زاویه طیفی و فاصله اقلیدسی)، نشان داد صحت نمونه های آموزشی انتقال یافته براساس پارامتر فاصله زاویه طیفی بیشتر از نمونه های آموزشی انتقال یافته براساس پارامتر فاصله اقلیدسی است. همچنین استفاده از نمونه های انتقال یافته، براساس هر دو پارامتر، باعث افزایش 45/10درصدی صحت درمقایسه با حالتی شده است که از پارامتر فاصله اقلیدسی برای انتقال نمونه های آموزشی استفاده شده و نیز افزایش 5درصدی صحت را درقیاس با وضعیتی دربرداشته که از پارامتر فاصله زاویه طیفی برای انتقال نمونه های آموزشی استفاده شده است. بررسی درصد انتقال نمونه های آموزشی در کلاس های کاربری گوناگون نشان داد، به طور میانگین، 6/80٪ از نمونه های آموزشی کلاس آب، 4/75٪ از نمونه های آموزشی کلاس اراضی بایر، 2/71٪ نمونه های آموزشی کلاس اراضی انسان ساخت، 6/64٪ نمونه های آموزشی کلاس مرتع، 2/60٪ از نمونه های آموزشی کلاس اراضی زراعی و 4/54٪ نمونه های آموزشی کلاس تالاب از سال مرجع (1401) به هریک از سال های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده اند. همچنین ارزیابی صحت نمونه های آموزشی انتقال یافته در کلاس های کاربری گوناگون نشان داد کلاس های آب، اراضی انسان ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به ترتیب، بیشترین صحت را در نمونه های آموزشی انتقال یافته دارا بودند. بررسی تغییرات پوشش زمین بین سال های 1381 تا 1401 نشان داد روند تغییرات مساحت کلاس های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان ساخت، در این بازه زمانی، افزایشی بوده است؛ همچنین کلاس های مرتع و اراضی زراعی، در این بازه زمانی، دارای روند تغییرات ثابت نبوده و روند تغییرات آنها در سال های گوناگون، متفاوت بوده است. اما درحالت کلی، مساحت این دو کلاس طی سال 1401، درقیاس با سال 1381 افزایش یافته است.نتیجه گیری: پیشنهاد می شود در مطالعات آتی، از سایر تصاویر ماهواره ای (ازجمله تصاویر ماهواره ای سنتینل 2) نیز به منظور انتقال نمونه های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره ای گوناگون، در انتقال نمونه های آموزشی، ارزیابی شود. همچنین بررسی اثربخشی روش انتقال نمونه های آموزشی در انتقال نمونه های آموزشی سایر پوشش های زمینی می تواند درزمره موضوعات پژوهشی در مطالعات بعدی قرار گیرد.منطقه مورد مطالعه با مساحتی بالغ بر 7653 کیلومترمربع در شمال غرب ایران واقع شده است. از لحاظ جغرافیایی محدوده مورد نظر در مختصات ´´35 ´59 °44 تا ´´25 ´01 °46 طول شرقی و ´´46 ´02 °38 تا ´´47 ´48 °38 عرض شمالی واقع شده است. داده های مورد استفاده در این پژوهش شامل تصاویر ماهواره ای و داده های مرجع زمینی می باشد. تصاویر مورد استفاده در این پژوهش شامل تصاویر ماهواره ای سری لندست می باشد.روش انجام پژوهش شامل پنج مرحله کلی می باشد. در مرحله اول تصاویر ماهواره ای لندست 5 و 8 از سایت سازمان زمین شاسی آمریکا اخذ شده و مراحل پیش پردازش تصاویر (تصحیح رادیومتریک و هندسی) بر روی آن ها انجام شد. در مرحله دوم با استفاده از تصاویر با قدرت تفکیک مکانی بالا (تصاویر سامانه Google Earth) و برداشت زمینی، نمونه های آموزشی مورد نظر تهیه شدند. مرحله سوم شامل انتقال نمونه های آموزشی می باشد. برای این کار در ابتدا بررسی شباهت طیفی نمونه های آموزشی در سال های مرجع و هدف با استفاده از دو پارامتر فاصله اقلیدسی و فاصله زاویه طیفی انجام شد. در ادامه با تعیین آستانه مورد نظر، نمونه های آموزشی انتقال یافته از نمونه های انتقال نیافته تفکیک شدند. در انتهای مرحله سوم، ارزیابی صحت نمونه های آموزشی انتقال یافته انجام شد، برای این کار از داده های مرجع تهیه شده از سامانه Google Earth استفاده شد. در مرحله چهارم با استفاده از نمونه های آموزشی انتقال یافته، طبقه بندی تصاویر ماهواره ای در سال های مختلف انجام شد و در نهایت در مرحله پنجم با استفاده از شاخص های حاصل از ماتریس خطا، ارزیابی صحت تصاویر طبقه بندی شده انجام شد.نتایج به دست آمده نشان داد، آستانه 0/9 تا 1/1 (اختلاف انحراف معیار از میانگین) مناسب ترین آستانه برای تفکیک نمونه های آموزشی انتقال یافته از نمونه های آموزشی انتقال نیافته در سال های مختلف می باشد. بر این اساس می توان گفت یک رابطه معکوس بین صحت نمونه های آموزشی انتقال یافته و درصد نمونه های آموزشی انتقال یافته وجود دارد و با افزایش درصد نمونه های آموزشی انتقال یافته از صحت آن ها کاسته می شود.بررسی صحت نمونه های آموزشی انتقال یافته بر اساس هر یک از پارامترها (فاصله زاویه طیفی و فاصله اقلیدسی) نشان داد نمونه های آموزشی انتقال یافته بر اساس پارامتر فاصله زاویه طیفی از صحت بیشتری نسبت به نمونه های آموزشی انتقال یافته بر اساس پارامتر فاصله اقلیدسی برخوردار می باشند. همچنین استفاده از نمونه های انتقال یافته بر اساس هر دو پارامتر باعث افزایش 10/45 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله اقلیدسی برای انتقال نمونه های آموزشی استفاده شده است و افزایش 5 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله زاویه طیفی برای انتقال نمونه های آموزشی استفاده شده است.بررسی درصد انتقال نمونه های آموزشی در کلاس های کاربری مختلف نشان داد به طور میانگین 80/6 درصد از نمونه های آموزشی کلاس آب، 75/4 درصد از نمونه های آموزشی کلاس اراضی بایر، 71/2 درصد از نمونه های آموزشی کلاس اراضی انسان ساخت، 64/6 درصد از نمونه های آموزشی کلاس مرتع، 60/2 درصد از نمونه های آموزشی کلاس اراضی زراعی و 54/4 درصد از نمونه های آموزشی کلاس تالاب از سال مرجع (1401) به هر یک از سال های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده اند. همچنین ارزیابی صحت نمونه های آموزشی انتقال یافته در کلاس های کاربری مختلف نشان داد کلاس های آب، اراضی انسان ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به ترتیب از بیشترین صحت در نمونه های آموزشی انتقال یافته برخوردار بودند.طبقه بندی تصاویر ماهواره ای با استفاده از تصاویر لندست بین سال های 1381 تا 1401 انجام شد. بر این اساس، پوشش های سطحی زمین در شش کلاس کاربری مختلف طبقه بندی شد. نتایج ارزیابی صحت طبقه بندی نشان داد صحت کلی تصاویر طبقه بندی شده در سال های 1401، 1396، 1392، 1387 و 1381 به ترتیب 94/95، 91/93، 90/74، 89/45 و 88/94 درصد است. بررسی صحت طبقه بندی کلاس های کاربری مختلف بر اساس دو پارامتر صحت تولیدکننده و صحت کاربر نشان داد، کلاس آب از بیشترین صحت تولید کننده و کاربر در میان کلاس های مختلف برخوردار است، به طوری که صحت تولیدکننده و کاربر آن در تصویر طبقه بندی شده سال 1401 به ترتیب 98/2 و 99/34 درصد می باشد. از طرفی کمترین صحت تولیدکننده و کاربر در کلاس تالاب به دست آمد؛ به طوری که، صحت تولیدکننده و کاربر آن در تصویر طبقه بندی شده سال 1401 به ترتیب 90/1 و 91/25 درصد است.بررسی تغییرات پوشش زمین بین سال های 1381 تا 1401 نشان داد، روند تغییرات مساحت کلاس های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان ساخت در این بازه زمانی افزایشی بوده است، همچنین کلاس های مرتع و اراضی زراعی دارای روند تغییرات ثابت در این بازه زمانی نبوده و روند تغییرات آن ها در سال های مختلف متفاوت بوده است. اما در حالت کلی مساحت این دو کلاس در سال 1401 نسبت به سال 1381 افزایش یافته است. بررسی تغییرات مساحت اراضی انسان ساخت در این بازه زمانی نشان دهنده افزایش محسوس مساحت این کلاس کاربری می باشد؛ به طوری که مساحت آن از 20/38 کیلومتر مربع در سال 1381 به 123/98 کیلومتر مربع در سال 1401 افزایش یافته است.پیشنهاد می شود در مطالعات آتی از سایر تصاویر ماهواره ای (از جمله تصاویر ماهواره ای سنتینل-2) نیز به منظور انتقال نمونه های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره ای مختلف در انتقال نمونه های آموزشی مورد ارزیابی قرار گیرد. همچنین بررسی اثربخشی روش انتقال نمونه های آموزشی در انتقال نمونه های آموزشی سایر پوشش های زمینی می تواند از جمله موضوعات پژوهشی در مطالعات بعدی محسوب شود.Monitoring Land Cover Changes in Northwestern Iran Using Training Samples Migration Method
Introduction: Land cover maps are essential elements in geographical analysis and spatial planning. The accuracy and effectiveness of these maps rely on three factors: Satellite imagery, classification algorithms and training samples. The quality of the training dataset significantly impacts the accuracy of classification results. This study aims to generate reliable training samples using the training sample migration method to monitor land cover changes in northwestern Iran from 2002 to 2022.Materials and Methods: The study area covers 7653 square kilometers in northwestern Iran, situated between 44°35′59′′ to 46°01′25′′ longitude and 38°38′46′′ to 38°47′48′′ latitude. Data utilized in this research include satellite images and ground truth data, specifically Landsat images. The research methodology comprises five main steps. Initially, satellite images were obtained, followed by pre-processing steps involving radiometric and geometric corrections. Subsequently, training samples were prepared using high-resolution satellite images (Google Earth images) and ground surveys. The third step involved training sample migration, where spectral similarity between training samples from reference and target years was assessed using two parameters: Euclidean distance (ED) and spectral angle distance (SAD). After determining a suitable threshold, migrated training samples were distinguished from non-migrated samples. Evaluation of the accuracy of migrated training samples was conducted using reference data derived from Google Earth. In the fourth step, classification of satellite images from different years was performed using the migrated training samples. Finally, the accuracy of the classified images was assessed through the calculation of a confusion matrix in the fifth step.Results and Discussion: The results indicate that a threshold of 0.9 to 1.1 is optimal for distinguishing migrated training samples from non-migrated training samples across different years. It can be observed that there is an inverse relationship between the accuracy of migrated training samples and the percentage of migrated training samples, with an increase in the percentage leading to decreased accuracy. Evaluation of the accuracy of migrated training samples based on each parameter (SAD and ED) reveals that migrated training samples based on the SAD parameter exhibit higher accuracy than those based on the ED parameter. Furthermore, the use of migrated samples based on both parameters has resulted in a 10.45% increase in accuracy compared to using the ED parameter alone, and a 5% increase compared to using the SAD parameter alone. Analysis of the percentage of migrated training samples in different land cover classes demonstrates that, on average, 80.6% of water class training samples, 75.4% of bare land class samples, 71.2% of built-up class samples, 64.6% of grassland class samples, 60.2% of cropland class samples, and 54.4% of wetland class samples were migrated from the reference year (2022) to each of the target years (2002, 2007, 2012, and 2017). The accuracy assessment of migrated training samples in different land cover classes also reveals that the water, built-up, bare land, grassland, cropland, and wetland classes had the highest accuracy in the migrated training samples, in that order. Analysis of land cover changes between 2002 and 2022 indicates a decrease in the area of bare land, water, and wetland classes from 2002 to 2022, while the area of the built-up class has increased during this period. Additionally, the grassland and cropland classes did not exhibit a consistent trend of change during this period, with their trends differing in different years. However, overall, the area of these two classes increased in 2022 compared to 2002. Conclusion: Future studies should consider using other satellite images (including Sentinel-2) for migrating training samples to evaluate the impact of different spectral bands and satellite images on the migration process. Furthermore, investigating the effectiveness of the training sample migration method for migrating training samples of other land covers could be a potential research topic for future studies.The study area is located in northwestern Iran with an area of 7653 square kilometers. The study area lies between 44°35′59′′ to 46°01′25′′ longitude and 38°38′46′′ to 38°47′48′′ latitude. This study used satellite images and ground truth data.The research methodology consists of five main steps. The initial step involved obtaining satellite images and performing pre-processing steps (radiometric and geometric correction). In the second step, training samples were collected using high-resolution satellite images (Google Earth images) and ground surveys. The third step involved the migration of training samples. To do this, the spectral similarity of the training samples from the reference and target years was first calculated using two parameters: Euclidean distance (ED) and spectral angle distance (SAD). Then, adopting the specified threshold, the migrated training samples were separated from the non-migrated samples. Furthermore, the accuracy of the migrated training samples was evaluated using reference data prepared from the Google Earth. In the fourth step, using the migrated training samples, the classification of satellite images in different years was performed. Finally, using the indices obtained from the confusion matrix, the accuracy of the classified images was evaluated.The results showed that the threshold of 0.9 to 1.1 is the optimal threshold for separating migrated training samples from non-migrated training samples in different years. We also found a reverse correlation between the accuracy of the migrated training samples and the percentage of the migrated training samples, with higher percentages resulting in lower accuracy.The accuracy assessment of the migrated training samples based on each parameter (SAD and ED) showed that the migrated training samples using the SAD parameter have higher accuracy than the migrated training samples using the ED parameter. Moreover, employing the migrated samples considering both parameters has increased the accuracy by 10.45% compared to using the ED parameter to migrate the training samples, and by 5% compared to using the SAD parameter to migrate the training samples.The analysis of the percentage of migrated training samples in different land cover classes showed that, on average, 80.6% of the training samples of the water class, 75.4% of the bare land, 71.2% of the built-up, 64.6% of the grassland, 60.2% of the cropland, and 54.4% of the wetland were migrated from the reference year (2022) to each of the target years (2002, 2007, 2012, and 2017). The accuracy assessment of the migrated training samples in different land cover classes also showed that the water, built-up, bare land, grassland, cropland, and wetland classes had the highest accuracy in the migrated training samples, in that order.The classification of satellite images was performed using Landsat images between 2002 and 2022. Accordingly, satellite images were classified into six different land cover classes. The accuracy assessment results showed that the overall accuracy of the classified images in 2022, 2017, 2012, 2007, and 2002 was 94.95%, 91.93%, 90.74%, 89.45%, and 88.94%, respectively. The accuracy assessment of different land cover classes based on two parameters, producer accuracy and user accuracy, showed that the water class has the highest producer and user accuracy among different classes (98.2% and 99.34%, respectively in 2022). In contrast, the wetland class had the lowest producer and user accuracy (90.1% and 91.25%, respectively in 2022).The analysis of land cover changes between 2002 and 2022 showed that the area of bare land, water, and wetland classes decreased from 2002 to 2022, while the area of built-up class increased during this period. Furthermore, the grassland and cropland classes did not exhibit a constant trend of change during this time period, and their trends varied by year. However, the area of these two classes increased in 2022 compared to 2002. The analysis of the changes in the area of built-up class throughout this period shows a significant increase in the area of this land cover, which has increased from 20.38 square kilometers in 2002 to 123.98 square kilometers in 2022.It is suggested that in future studies, other satellite images, like Sentinel-2, be used to migrate training samples in order to evaluate the effect of different spectral bands and satellite images on the migration of training samples. In addition, investigating the effectiveness of the training sample migration method in migration training samples of other land covers can be one of the research topics in future studies.
تبلیغات
