کیوان محمدزاده

زمین به عنوان یک سطح پیوسته می تواند به واحدهای دارای خصوصیات فیزیکی و مورفولوژیکی مشترک طبقه بندی شود که ممکن است به عنوان یک شرط مرزی برای طیف گسترده ای از حوزه های کاربردی باشد. این مطالعه روشی برای طبقه بندی فرم زمین ارائه می دهد که ژئومورفومتری عمومی چشم انداز را نشان می دهد. در پژوهش حاضر شهرستان ماکو در آذربایجان غربی بنا به شرایط خاص منطقه ازنظر مورفولوژی و محیط پیرامونی انتخاب و برای استخراج لندفرم ها از روش فازی شیءگرا استفاده شد. به منظور انجام پردازش، مشتقات لایه رقومی ارتفاع (شیب، بافت انحنای حداکثر، حداقل، مسطح و انحنای پروفیل) به همراه تصویر ماهواره سنتینل 2A مورد استفاده قرار گرفت. پس از انجام مراحل پیش پردازش، ابتدا مقیاس بهینه سگمنت سازی با استفاده از افزونه ESP پیش بینی گردید و سپس اشیاء تصویر برای انجام پردازش با مقیاس 9 و 17 و 27 ایجاد شد. به منظور استخراج لندفرم ها از تعداد 160 نمونه زمینی استفاده و درجه عضویت الگوریتم های مختلف محاسبه گردید و الگوریتم هایی که بیشترین درجه عضویت را داشتند برای طبقه بندی استفاده شدند. در این تحقیق تعداد 14 نوع لندفرم در منطقه مطالعه شناسایی و استخراج گردید. نتایج تحقیق نشان می دهد که روش فازی شیءگرا توانسته است با دقت کلی 87 درصد و شاخص کاپای 85 درصد لندفرم ها را طبقه بندی کند. مزیت روش های شیءگرا این است که خیلی سریع بوده و نتایج دارای دقت خوب و بالایی هستند.

منابع آبی در گذر زمان و با افزایش جمعیت در حال کاهش می باشد، لذا مدیریت این منابع بسیار ضروری است.  در مطالعه حاضر بخشی از رود آجی چای بنا به شرایط خاص منطقه از نظر توپولوژی و محیط پیرامونی انتخاب و به منظور استخراج پهنه های آبی از دو روش نزدیک ترین همسایگی و فازی شئ گرا استفاده شد.  برای بهبود نتایج، نتایج حاصل از اعمال شاخص های استخراج آب به عنوان لایه های کمکی به همراه تصویر ماهواره سنتینل 2A  در نرم افزار eCognition  به کار برده شد.  به منظور انجام پردازش شئ گرا ابتدا واحدهای پردازش ایجاد گردید، سپس در روش نزدیک ترین همسایگی جهت بهبود نتایج، فضای نمونه های برداشتی با استفاده از الگوریتم FSO  بهینه گردید. در روش فازی شئ گرا پس از محاسبه درجه های عضویت پهنه های آبی استخراج شد.  بررسی نتایج نشان داد که روش فازی شیء گرا (دقت کلی 98 درصد) نسبت به روش نزدیک ترین همسایگی ( دقت کلی 95 درصد) نتایج بهتری را در استخراج دقیق پهنه های آبی ارائه می دهد.  روش نزدیک ترین همسایگی کارایی لازم برای تشخیص پهنه های آبی از عوارضی نظیر جاده ها، سایه و ابر را ندارد و این عوارض را به عنوان پهنه های آبی طبقه بندی می کند که باعث کاهش کیفیت و دقت طبقه بندی می شود، ولی در روش فازی شئ گرا به دلیل محاسبه درجه های عضویت این مشکل مرتفع گردیده و باعث افزایش دقت استخراج پهنه های آبی می گردد.

طبقه بندی تصاویر ماهواره ای با استفاده از پردازش شی گرا تاکنون با بهره گیری از تکنیک های مختلف به طور گسترده ای مورد استفاده قرار گرفته است. اگرچه تعداد بسیار زیادی الگوریتم طبقه بندی برای تصاویر ارائه شده، اما به ندرت بر روی یک مورد یکسان بایکدیگر مقایسه شده اند. در این پژوهش، تصویر ماهواره آیکونوس با استفاده از سه الگوریتم طبقه بندی شی ءگرا از جمله؛ آستانه گذاری، نزدیک ترین همسایگی و طبقه بندی فازی در تهیه نقشه کاربری اراضی مورد مقایسه قرار گرفته است. جهت طبقه بندی و مقایسه نتایج حاصل از هر سه روش مورد مطالعه از نقاط کنترل زمینی یکسان استفاده شده است و در نهایت بهترین الگوریتم طبقه بندی با استفاده از روش های ارزیابی صحت از جمله؛ شاخص دقت کلی و ضریب کاپای طبقه بندی مشخص گردید. نتایج حاصل از طبقه بندی و ارزیابی دقت نشان دهنده بالاترین میزان دقت کلی و ضریب کاپا برای الگوریتم فازی شی ءگرا می باشد که دقت بالای این روش به دلیل بررسی د رجه عضویت پارامترهای مؤثر د ر طبقه بند ی و استفاد ه از پارامترها و معیار های دارای بیشترین د رجه عضویت در طبقه بندی می باشد. همچنین تکنیک  نزدیک ترین همسایگی با استفاده از الگوریتم FOS با تولید دقت کلی 92/0 و ضریب کاپا 909/0 بعد از الگوریتم فازی شی ءگرا بیشترین دقت را دارا می باشد. روش تعیین آستانه به دلیل دخالت کاربر در تعیین آستانه ها - جهت طبقه بندی - کمترین دقت را در استخراج کاربری های اراضی بین سه روش مورد مقایسه نشان می دهد. به دلیل ماهیت مقایسه ای این پژوهش نتایج آن برای شناسایی روش های بهینه در تولید و تهیه نقشه کاربری اراضی از تصاویر با قدرت تفکیک مکانی بالا از اهمیت بالایی برخوردار بوده و قابل استفاده برای پژوهشگران و سازمان های تولیدکننده نقشه های کاربری اراضی می باشد.

زمین لغزش ها یکی از بزرگ ترین مخاطرات محیطی هستند که خسارات اقتصادی، مالی، جانی، همراه با تخریب تأسیسات و افزایش هزینه ها را به دنبال دارند. پژوهش حاضر به منظور پهنه بندی خطر زمین لغزش و همچنین پهنه بندی آسیب پذیری روستاها در مقابل خطر زمین لغزش با استفاده از روش تحلیل شبکه (ANP < /span>) در یکی از زیر حوضه های سفیدرود واقع در شهرستان رودبار انجام گرفت. در این تحقیق برای پهنه بندی خطر زمین لغزش در منطقه موردمطالعه، 14 عامل تأثیرگذار شامل ارتفاع، شیب، جهت شیب، فاصله از جاده، فاصله از گسل، فاصله از رودخانه، زمین شناسی، نوع خاک، اقلیم، کاربری اراضی، بارندگی، شاخص رطوبت توپوگرافیک(TWI)، شاخص طول شیب (LS) و شاخص قدرت آبراهه ای (SPI) مورد استفاده قرار گرفت. به همین منظور بعد از شناسایی فاکتورهای مؤثر در زمین لغزش، در محیط نرم افزار Super decision  وزن هرکدام از فاکتورها مشخص گردید، سپس وزن های به دست آمده در محیط نرم افزار Arc GIS اعمال شده و نقشه نهایی پهنه بندی زمین لغزش به دست آمد. در این تحقیق فاصله از گسل، جهت شیب، فاصله از آبراهه ها و شیب به ترتیب بیشترین اهمیت را به خود اختصاص دادند. بررسی نتایج نشان داد که بیش از 50 درصد منطقه موردمطالعه دارای خطر متوسط به بالا بوده و از طرفی پهنه بندی آسیب پذیری روستاها در مقابل خطر زمین لغزش نشان داد که از مجموع 188 روستا، تعداد 49 روستا (53/25 درصد) در پهنه های با خطر زیاد و خیلی زیاد قرار گرفت. و این تهدیدی جدی برای ساکنان این نواحی تلقی می شود.