فهرست نشریات علمی دسترسی آزاد ایران

مقدمه نقشه‌های کاربری/پوشش زمین از ابزارهای کلیدی در مدیریت منابع طبیعی، برنامه‌ریزی منطقه‌ای و دستیابی به توسعه پایدار به شمار می‌آیند و ازاین‌رو ضرورت پایش دقیق و به‌روز آنها بیش‌ازپیش احساس می‌شود. تغییرات ناشی از عوامل انسانی و طبیعی، الگوهای کاربری زمین را به‌طور مستمر دستخوش تحول کرده و پیامدهای قابل‌توجهی بر بوم‌سازگان‌های محلی و جهانی ایجاد کرده‌اند. در دهه‌های اخیر، پیشرفت فناوری سنجش از دور و الگوریتم‌های یادگیری ماشین تحول مهمی در استخراج و طبقه‌بندی داده‌های مکانی ایجاد کرده است. سامانه گوگل ارث انجین (GEE) به‌عنوان بستری قدرتمند برای پردازش کلان‌داده‌های مکانی-زمانی، امکان تولید نقشه‌های دقیق و به‌روز را فراهم می‌کند. در این چارچوب، مطالعه حاضر با تمرکز بر ترکیب تصاویر چندزمانه، بهره‌گیری از داده‌های کمکی و مقایسه سه الگوریتم یادگیری ماشین در یک حوزه آبخیز وسیع و ناهمگن همچون کارون ۱، با هدف بهبود دقت طبقه‌بندی و تقویت قابلیت پایش تغییرات بلندمدت پوشش زمین انجام شده است.   مواد و روش‌ها به‌منظور ارزیابی تغییرات کاربری و پوشش زمین در حوزه آبخیز کارون ۱، تصاویر سنجنده‌های ETM+ لندست ۷ (سال ۲۰۰۲) وOLI  لندست ۸ (سال ۲۰۲۴) با پوشش ابری کمتر از ۱۰ درصد و با لحاظ میانگین بارندگی بلندمدت، از طریق GEE  و در قالب داده‌های بازتاب سطحی تصحیح‌شده مورد استفاده قرار گرفت. تصاویر ترکیبی حاصل از نُه صحنه تصویری لندست طی دوره اوج رشد پوشش گیاهی (اردیبهشت تا تیر ماه) با فیلتر میانه تهیه و سپس مطابق مرز حوضه برش داده شدند. در ادامه، تعداد ۱۹۲۰ نقطه آموزشی در قالب هفت کلاس کاربری/پوشش زمین مطابق طبقه‌بندی آندرسون و بر پایه داده‌های میدانی، تصاویر هوایی و گوگل ارث برداشت شد. این داده‌ها به‌صورت تصادفی به دو مجموعه آموزش (۶۰ درصد) و ارزیابی (۴۰ درصد) تقسیم شدند. متغیرهای کمکی (مانند NDVI، NDBI، NDWI و DSM) استخراج و در کنار باندهای طیفی اصلی گنجانده شدند. آزمایش‌های طبقه‌بندی در GEE با استفاده از سه الگوریتم نظارت شده CART، RF و SVM اجرا شدند. پارامترهای مدل و رویه‌های آموزشی برای اطمینان از تکرارپذیری و سازگاری در بین روش‌ها پیکربندی شدند.   نتایج و بحث  نتایج نشان داد که الگوریتم‌های CART،RF  و SVM نقشه‌های طبقه‌بندی را با دقت عالی تولید کردند و بهره‌گیری از شاخص‌های پوشش گیاهی و داده‌های کمکی، دقت کلی و ضریب کاپای طبقه‌بندی را در هر دو سال افزایش داد. بیشینه دقت کلی و کاپا مربوط به الگوریتم SVM بود که در سال ۲۰۰۲ به‌ترتیب ۹۳ و 91.5 درصد و در سال ۲۰۲۴ برابر ۹۳ و ۹۲ درصد به‌دست آمد. همچنین بر اساس نتایج هر سه الگوریتم، بخش عمده‌ای از مساحت حوضه (به‌طور متوسط ۴۰ درصد) از مراتع و حدود ۲۷ درصد از جنگل تشکیل شده است. روند زمانی نتایج نیز نشان‌دهنده کاهش مساحت مراتع و جنگل‌ها و به‌ویژه کاهش پهنه‌های آبی بر اساس الگوریتم SVM  است.   نتیجه‌گیری نتایج این پژوهش نشان داد که به‌کارگیری الگوریتم‌های یادگیری ماشین در بستر گوگل ارث انجین امکان تولید نقشه‌های دقیق کاربری/پوشش زمین و پایش مؤثر تغییرات محیطی را در یک حوزه آبخیز وسیع و ناهمگن فراهم می‌سازد. نتایج حاصل می‌تواند به‌عنوان ابزاری کارآمد در برنامه‌ریزی کاربری اراضی، مدیریت منابع طبیعی، پایش تخریب پوشش گیاهی و کنترل تغییرات کاربری در منطقه مورد استفاده قرار گیرد. با این حال، محدودیت‌های ناشی از وضوح مکانی تصاویر لندست و خطاهای اختلاط پیکسلی به‌ویژه در مرز بین طبقات کاربری/پوشش زمین ازجمله چالش‌های این مطالعه محسوب می‌شوند. بر این اساس، پیشنهاد می‌شود در پژوهش‌های آتی از داده‌های با قدرت تفکیک مکانی بالاتر مانند تصاویر سنتینل برای بهبود دقت طبقه‌بندی به‌ویژه در پوشش‌های گیاهی بهره گرفته شود.