حمید سلیمانی یوزبند

این پژوهش به بررسی تغییرات پوشش گیاهی و دمای سطح زمین در شهرستان رشت طی سال های 2010، 2015، 2020 و 2024 پرداخته است. برای این منظور، از تصاویر ماهواره ای لندست و شاخص های متنوع گیاهی و آبی شامل NDVI، MNLI، MSR، SAVI، OSAVI، VARI، MNDWI، IPVI و EVI استفاده شده است. این داده ها در سامانهGoogle Earth Engine (GEE) پردازش شدند و نتایج با دقت بالا تحلیل گردیدند. تحلیل داده های پوشش گیاهی نشان داد که در مناطق تحت توسعه شهری و صنعتی، کاهش قابل توجهی در سلامت و تراکم پوشش گیاهی رخ داده است. به طور خاص، در نواحی شمالی و شرقی رشت، شاخص های NDVI و SAVI  نشان دهنده تخریب شدید پوشش گیاهی و تبدیل زمین های کشاورزی و جنگلی به مناطق مسکونی و صنعتی هستند. این تغییرات همچنین به کاهش کیفیت زیست محیطی منجر شده است. در تحلیل دمای سطح زمین، نتایج نشان داد که دما در مناطق شهری به دلیل کاهش پوشش گیاهی و افزایش زیرساخت های سخت مانند آسفالت و بتن، به طور قابل توجهی افزایش یافته است. پدیده جزیره حرارتی شهری به وضوح قابل مشاهده بود. میانگین دما از 6/17 تا 3/65 درجه سلسیوس در سال های مورد مطالعه متغیر بوده است. مناطق دارای پوشش گیاهی انبوه به دلیل تبخیر و تعرق بیشتر، دمای پایین تری را تجربه کرده اند، در حالی که مناطق فاقد پوشش گیاهی و دارای زیرساخت های سخت، دماهای بالاتری نشان دادند. این پژوهش بر اهمیت استفاده از شاخص های گیاهی و آبی برای پایش تغییرات محیط زیستی تأکید دارد. یافته ها می توانند مبنای بهبود برنامه ریزی های مدیریتی برای حفاظت از منابع طبیعی، کاهش اثرات منفی توسعه شهری و صنعتی و بهبود کیفیت زندگی ساکنان منطقه باشند. علاوه بر این، نتایج بر اهمیت پایش مستمر پوشش گیاهی و دمای سطح زمین برای شناسایی مناطق بحرانی و تدوین راهکارهای مناسب تأکید می کنند.

این پژوهش باهدف بررسی و مقایسه شاخص های استخراج پوشش برف در سامانه گوگل ارث انجین (GEE) برای توده کوهستان سهند انجام شده است. در این مطالعه، پس از اعمال عملیات بهبود تصویر و افزایش وضوح تصاویر ماهواره ای لندست 8 از 30 متر به 15 متر، شاخص های مختلف برف شامل NDSI، NDSII، NDSall، NBSIMS، SWI و S3 محاسبه و به کار گرفته شدند. نتایج حاصل از تحلیل تصاویر نشان داد که تمامی شاخص های مورد استفاده توانایی بالایی در شناسایی و تفکیک مناطق برفی به ویژه در نواحی با آلبیدوی پایین، سایه ها و توپوگرافی خشن دارند. شاخص های NDSInw و S3 با دقت کلی 100 درصد و ضریب کاپای 1 به عنوان بهترین شاخص ها برای تفکیک پوشش برف از سایر ویژگی های سطح زمین در این منطقه معرفی شدند. همچنین، شاخص های NBSIMS و SWI نیز به شکل مناسبی در شناسایی ویژگی های آبی و مرطوب در مناطق برفی عمل کردند و نشان دادند که می توانند در تحلیل های هیدرولوژیکی و مدیریت منابع آب به کار روند. این مطالعه نشان می دهد که داده های ماهواره ای با شاخص های طیفی مناسب می تواند به شناسایی دقیق تر پوشش برف، تخمین میزان آب موجود در برف و بررسی تغییرات فصلی برف کمک کند. این نتایج اطلاعات ارزشمندی برای مدیریت منابع آب، پیش بینی سیلاب ها و تحلیل تأثیرات تغییرات اقلیمی فراهم می کند. در این پژوهش مشخص شد که شاخص های NDSInw و S3 با دقت کلی ۱۰۰ درصد و ضریب کاپای ۱، بهترین عملکرد را در تفکیک پوشش برف از سایر عوارض سطح زمین در منطقه کوهستان سهند دارند. همچنین شاخص های NBSIMS و SWI در شناسایی نواحی مرطوب و برف آب مؤثر ظاهر شدند. این یافته ها اهمیت استفاده از فناوری های سنجش از دور را در پایش پوشش برف و مدیریت منابع طبیعی در مناطق کوهستانی به خوبی نشان می دهند.

هشترود یکی از شهرستان های جنوبی استان آذربایجان شرقی و مرکز شهرستان هشترود است. این شهر در بین مختصات جغرافیایی 36 درجه و 45 دقیقه الی 37 درجه و 24 دقیقه عرض شمالی و 46 درجه و 25 دقیقه الی 47 درجه و 24 دقیقه طول شرقی واقع شده است. هدف این تحقیق، تهیه نقشه کشت گندم با استفاده از روش های یادگیری ماشین با تصاویر ماهواره ای سنتینل 2 می باشد. روش پژوهش: در این پژوهش، ابتدا تصاویر ماهواره Sentinel2-L2A تهیه شده و با استفاده از مجموعه تصاویر دارای اطلاعات بازتاب زمینی، شاخص پوشش گیاهی نرمال شده استخراج شد. سپس با استفاده از زبان برنامه نویسی R در محیط Jupyter Notebook الگوریتم های طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی روی تصاویر اعمال شدند و در آخر خروجی های هر دو الگوریتم در نرم افزار Arcmap تجزیه و تحلیل شده و از نقشه های نهایی خروجی گرفته شد. نتایج: در نهایت مشاهده شد که الگوریتم جنگل تصادفی با میزان دقت کلی 93 درصد و ضریب کاپای 87 درصد عملکرد بهتر و مناسب تری نسبت به الگوریتم ماشین بردار پشتیبان با دقت کلی 90 درصد و ضریب کاپای 82 درصد داشته است. این انتخاب به دلیل دقت بالاتر و ضریب کاپای بیشتر آن نسبت به سایر الگوریتم ها است که نشان دهنده توافق بیشتر با واقعیت و دقت بالاتر در پیش بینی ها می باشد. نتیجه گیری: نتایج حاصل از اجرای این الگوریتم ها نشان داد که هر الگوریتم دارای نقاط قوت و ضعف خاص خود می باشد. الگوریتم ماشین بردار پشتیبان به دلیل ساختار ساده و کارایی مناسب در بسیاری از مسائل طبقه بندی مورد استفاده قرار می گیرد. با این حال، در این پژوهش در مقایسه با دیگر الگوریتم یعنی الگوریتم جنگل تصادفی عملکرد ضعیف تری داشت. الگوریتم جنگل تصادفی نیز به دلیل توانایی در ترکیب مدل های مختلف و کاهش اثر بیش برازش معمولا نتایج دقیقی ارائه می دهد. با این حال، پیچیدگی محاسبات بالای آن می تواند در کاربردهای بزرگ تر مشکل ساز باشد.