مسعود بختیاری کیا

اهداف: پایش تغییرات کاربری ها و درک پویایی آن در یک حوضه آبخیز، از جایگاه خاصّی در مدیریت پایدار آن حوضه برخوردار است. هدف تحقیق حاضر، استفاده از سنجش از دور و GIS جهت تهیه نقشه تغییرات و شناسایی انتقالات کاربری اراضی و پوشش زمین با به کارگیری ماتریس انتقال و تصاویر ماهواره لندست در حوضه آبخیز دریاچه ارومیه می باشد. روش: جهت انجام تحقیق، از تصاویر ماهواره لندست در دوره زمانی ۲۰۱۵ ۱۹۸۸ استفاده گردید. بدین منظور پس از انجام پیش پردازش های موردنظر، جهت انجام طبقه بندی از روش های ماشین بردار پشتیبان و روشیءگرا استفاده و سپس اعتبارسنجی گردیدند. همچنین جهتِ برآورد میزان انتقالات و دیگر ویژگی های حوضه آبخیز دریاچه ارومیه، ابتدا ماتریس انتقالی استخراج شده و سپس طبقه بندی شئ گرا بین دوره های زمانی ۲۰۱۵ ۱۹۸۸ ارائه شد. سپس با استفاده از فرمول های موردنظر، میزان پایداری، افزایش، کاهش، تغییرات کل، تغییرات خالص و مبادله همزمان کاربری های اراضی و پوشش زمین مشخّص گردید. یافته ها/ نتایج: پس از ارزیابی صحت، صحت کلّی برای نقشه های حاصل از ماشین بردار پشتیبان و روش شئ گرا به ترتیب برابر با ۹۴ و ۹۲ درصد و مقدار کاپای آنها به ترتیب ۹۲ و ۸۹ برآورد شد که نشان دهنده برتری روش شئ گرا در مقایسه با روش ماشین بردار پشتیبان است. در کل، هر دو روشِ طبقه بندی توانستند صحت قابل قبولی برای نقشه های کاربری اراضی و پوشش زمین ارائه دهند. نتایج حاصل از انتقالات نشان داد به طور میانگین، ۵۹ درصد از چهره زمین در حوضه آبخیز دریاچه ارومیه در فاصله زمانی ۲۰۱۵ ۱۹۸۸ پایداری پوشش داشته است، که بیشترین میزان این تداوم براساس مقدار این کاربری در فاصله زمانی ۲۰۱۵ ۱۹۸۸ مربوطه به مناطق مسکونی می-باشد. حدود ۱۴ درصد از سطح حوزه آبخیز دریاچه ارومیه به صورت تبادل همزمان بوده است. همچنین سطوح آبی حوضه آبخیز دریاچه ارومیه در دوره زمانی فوق، بیشترین ازدست دادگی و کمترین تبادل همزمان را تجربه کرده است. نتیجه گیری: حوضه آبخیز دریاچه ارومیه در این فاصله زمانی (۲۰۱۵ ۱۹۸۸) تغییرات و انتقالات شدیدی را تجربه کرده است، تاجایی که تنها ۵۹ درصد از چهره زمین، ثابت مانده و قسمت های دیگر، انواعی از انتقال ها را تجربه کرده اند. همچنین سطوح آبی و سپس مراتع، بیشترین آسیب-پذیری را تجربه کرده اند که نشان از افزایش اراضی فاقد پوشش و اراضی زراعی (کشاورزی) می-باشد. این تجزیه وتحلیل ما را به سنجش و تجسّم میزان انتقالات عمده LULC درجهت برنامه ریزیِ آینده حوضه آبخیز دریاچه ارومیه توصیه می کند.

طرح مسئله: رشد جمعیت شهری و توسعه فیزیکی مداوم شهرها باعث تغییر پوشش طبیعی زمین می شود و آن را به پوشش مصنوعی و سطوح نفوذناپذیر تبدیل می کند. افزایش چشمگیر این سطوح به پیامدهای منفی در بسیاری از حوزه ها می انجامد؛ ازجمله افزایش رواناب سطحی و خطر سیل، کاهش میزان تغذیه آب های زیرزمینی و تشدید اثر جزیره گرمایی. به این دلایل برآورد دقیق و پایش روند تغییرات این محدوده ها ضروری است. در این زمینه داده های سنجش از دور، یک راه حل مقرون به صرفه برای تهیه سطوح نفوذناپذیر و نظارت بر آنهاست. هدف: هدف پژوهش حاضر، شناسایی سطوح نفوذناپذیر شهری با استفاده از تصاویر راداری است. روش: در پژوهش پیش رو ویژگی های بافتی ماتریس هم رخداد سطوح خاکستری (GLCM) با استفاده از روش های طبقه بندی حداکثر احتمال، شبکه عصبی مصنوعی و ماشین بردار پشتیبان روی تصویر راداری Sentinel-1 برای تعیین سطوح نفوذناپذیر شهر بندرعباس ارزیابی می شود. نتایج: به منظور بررسی صحت پردازش های انجام شده با روش های به کاررفته، از روش های برآورد دقت کل و ضریب کاپا استفاده شد. صحت کلی 0/97، 14/98 و 40/98درصد و ضریب کاپا 95/0، 97/0 و 97/0 به ترتیب برای طبقه بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان به دست آمد که نشان دهنده مناسب بودن روش های استفاده شده برای آشکارسازی سطوح نفوذناپذیر شهری است. نوآوری: برای استخراج اطلاعات سطوح شهری بیشتر از الگوریتم های طبقه بندی متداول ویژگی های طیفی بهره برده می شود. این مسئله باعث می شود حجم زیادی از اطلاعات فضایی مفید مانند بافت در طبقه بندی تصاویر نادیده گرفته شود. با توجه به اینکه تصاویر SAR به مشخصات هندسی سطوح شهری حساس اند، می توان با استفاده از ویژگی های بافتی تصاویر راداری، سطوح نفوذناپذیر شهری را با دقت مناسبی آشکارسازی کرد که تاکنون کمتر به آن توجه شده است.

سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده GeoEye سال 2009، دقت روش های سه گانه طبقه بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش های لازم بر روی تصویر، با استفاده از آلگوریتم های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده  مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی7/94 درصد و ضریب کاپا 93/0، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 1/93 درصد و ضریب کاپا 90/0) و روش بیشترین شباهت (با دقت صحت کلی 2/92 درصد و ضریب کاپا 89/0)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت روش های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش ها،  می تواند سطوح نفوذناپذیر را تشخیص دهد.