انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Effects of Climate Change on Vegetation Phenology of Urmia Lake Basin Using AVHRR Time Series Data اثر تغییر اقلیم بر فنولوژی پوشش گیاهی حوضه دریاچه ارومیه با استفاده از سری زمانی تصاویر NOAA-AVHRR 1 14 100998 10.48308/gisj.2021.100998 FA فرزانه حدادی بارفروشی کارشناس ارشد سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران، ایران داود عاشورلو استادیار مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران، ایران علیرضا شکیبا دانشیار مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران، ایران علی اکبر متکان استاد مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0000-0001-5394-4599 حسین عقیقی استادیار مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2020 06 27 Introduction: Climate change is considered one of the most significant challenges facing humanity. This phenomenon has had notable impacts on agricultural production in most parts of the world, especially in arid and semi-arid regions. The average temperature has also increased in many areas over the past few decades. Today, various studies utilize remote sensing indices as one of the modern methods for identifying climate change. One of the important remote sensing indices is the phenology characteristics of vegetation cover, which has demonstrated a promising ability in identifying and estimating vegetation cover in recent studies. Materials and Methods: The five-day time series of the Normalized Difference Vegetation Index (NDVI) from NOAA-AVHRR images and plant phenology parameters were utilized to examine changes in vegetation cover in rangeland and rainfed agricultural lands of the Urmia Lake basin over the years 1984-2013. Temperature and precipitation data were obtained from meteorological stations in the Urmia Lake basin and were used in comparison with satellite image results. Results and Discussion: The results of the time series analysis over the thirty year period in the Urmia Lake basin revealed that the start of the growing season in Oshnavieh, Saqqez, and Sarab areas in 2013 commenced earlier than in 1984, while in the Maragheh area, it started later. The end of the growing season in Oshnavieh, Saqqez, and Takab ended earlier, and based on the peak growth parameter, vegetation in these counties reached its maximum value earlier. The results also showed the length of the growing season in Oshnavieh, Maragheh, and Saqqez counties has shortened, respectively. Conclusion: The results obtained from satellite images and climate data indicated that the observed changes in phenology parameters are location-dependent. Cold nights and warm days at the start of the growing season decreasing and increasing, respectively. However, warm days increased at the end of the growing season. These changes have increased the slope of the plant growth phenology curve during the senescence period, ultimately reducing the length of the growing season. تغییر اقلیم به عنوان یکی از مهم‌ترین چالش‌های پیش روی بشر می‌باشد. این پدیده تاکنون تاثیرات قابل توجهی را بر تولیدات کشاورزی در اکثر نقاط جهان مخصوصا مناطق خشک و نیمه خشک بر جای گذاشته است. همچنین، در اکثر مناطق دنیا طی دهه‌های اخیر، متوسط درجه حرارت افزایش یافته است. امروزه در تحقیقات مختلف، شاخص‌های سنجش از دور به عنوان یکی از روش‌های نوین در شناسایی تغییر اقلیم استفاده می‌شوند. یکی از شاخص‌های مهم سنجش از دور، ویژگی‌های فنولوژی پوشش گیاهی است که در مطالعات اخیر توانایی خوبی در شناسایی و تخمین پوشش گیاهی نشان داده است. در مطالعه حاضر، با استفاده از سری زمانی 5 روزه شاخص نرمال شده پوشش‌گیاهی (NDVI) از تصاویر NOAA-AVHRR و پارامترهای فنولوژی گیاه، تغییرات پوشش‌گیاهی مناطق مراتع و اراضی دیم حوضه دریاچه ارومیه در طول سال‌های 2013-1984 مورد بررسی قرار گرفت. داده‌های اقلیمی دما و بارش از ایستگاه‌های هواشناسی حوضه دریاچه ارومیه اخذ و در مقایسه با نتایج تصاویر ماهواره‌ای استفاده گردید. نتایج تحلیل سری زمانی در طی سی سال دوره آماری در حوضه دریاچه ارومیه نشان داد، پارامتر شروع فصل رشد در منطقه اشنویه، سقز و سراب در سال 2013 نسبت به سال 1984 زودتر آغاز شده است. اما در منطقه مراغه دیرتر آغاز شده است. پارامتر پایان فصل رشد در اشنویه، سقز و تکاب زودتر به پایان رسیده است. همچنین پارامتر اوج رشد در شهرستان‌های مذکور پوشش گیاهی زودتر به حداکثر مقدار خود رسیده است. طول فصل رشد در شهرستان‌های اشنویه، مراغه و سقز به ترتیب کوتاه‌تر شده است. نتایج تحلیل‌های آماری بدست آمده از تصاویر ماهواره‌ای و داده‌های اقلیمی نشان داد که تغییرات پارامترهای فنولوژی به مکان وابسته می‌باشد و همچنین شب‌های سرد و روزهای گرم در ابتدای فصل رشد به ترتیب کاهش و افزایش یافته است. اما در انتهای فصل رشد روزهای گرم افزایش داشته است. این تغییرات باعث افزایش شیب منحنی فنولوژی رشد گیاه در زمان پیری گیاه شده است و در نهایت طول فصل رشد را کاهش داده است.

https://gisj.sbu.ac.ir/article_100998_d2d6a6b56468fcb0520f39f124f487bf.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 The Advances, Challenges and Perspectives in the Correction Field of Free Night Light Satellite Image پیشرفت‌ها، چالش‌ها و دیدگاه‌ها درزَمینۀ تصحیح تصاویر ماهواره‌ای نور شب رایگان 15 48 102886 10.48308/gisj.2022.102886 FA فاطمه احمدی دانشجوی کارشناسی ارشد مهندسی فتوگرامتری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران عباس کیانی استادیار گروه مهندسی نقشه‌برداری، دانشکدة عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران یاسر ابراهیمیان قاجاری استادیار گروه مهندسی نقشه‌برداری، دانشکدة عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران Journal Article 2022 05 04 Introduction: Remote sensing provides a powerful data source for the mapping of urban areas and the monitoring of urban dynamics on a range of scales. Among the variues types of remote sensing data, images captured at night offer an effective means ofmonitoring human activities on a global scale. The distinctive features and capabilities of these images permit the separation of urban areas and other human activities, the main feature of which is the use of light at night by accurately measuring the location, from the background without light. Via providing uninterrupted and continuous monitoring from the night world perspective, these images provide a valuable source of information about human activities over time from the past to the present. The time series analysis of this data is highly valuable for discovering, estimating and monitoring social and economic dynamics in countries, especially sub-regions where there are no official statistics. With recent developments in night-time data satellite sensors and new research conducted in this field, this study aims to review the advances in night-time sensors, introduce the existing data and products, review and express the advantages and disadvantages of each one, and review the methods and solutions presented in previous research for solving the existing problems and limitations in order to improve these images. Materials and methods: The main objective of this research is to introduce and review the general charactristics of night-time light data, discussing their advantages, challenges, and methods for addressing these challenges. The majority of studies on DMSP night light images focus on two spatial and temporal dimensions. In the spatial dimension, inherent deficiencies of this dataset are observed, such as saturated numerical values in central urban areas and flourishing effects in suburban and rural areas. In the temporal dimension, the lack of calibration in the processor, necessitates the implementation of additional processes on annual products of stable DMSP night light data in order to examine urban dynamics. The existing methods for correcting spatial problems are divided into tow categories: spectral and non-spectral. Similarly, methods for addressing temporal issues are divided into two categories: annual calibration of night light data and adjustment of temporal patterns. NPP-VIIRS monthly images encompass various features including fixed light values such as city lights and transportation routes, as well as noise values such as gas flames, biomass burning, and background noise. Therefore, preprocessing is necessary before utilizing this data. Furthermore, the positioning accuracy of Loujia_01 data is lower than its spatial resolution, resulting in image displacement of up to 650 meters in some areas. Geometric correction is applied to rectify this issue, and various correction methods have been investigated. Discussion: A general comparison of the data sets reveals that, despite the existing problems and limitations, the DMSP stable night light data outperforms other night light datasets due to its longer time series, which spans from 1992 to 2013. This extended temporal coverage makes it a valuable resource for research on urban dynamics and estimating the overall growth trend of cities. On the other hand, NPP-VIIRS offers advantages and is sensitive to faint light sources. However, its passage time at 1:30 in the morning, when many lights are turned off, limits its utility for urban studies. Consequently, it may not be the optimal choice for exclusively investigating urban areas exclusively. Nevertheless, the NPP-VIIRS data is more useful in research related to economic activities. Furthermore, the sensor's lack of sensitivity to blue light emitted by LEDs impacts its ability to accurately quantify artificial light emissions from the ground. Conclusion: The objective of this study was to introduce types of remote sensing night light data and their analysis. In short, current research in the field of correcting spatial saturation and blooming problems is divided into two categories: spectral and non-spectral. Non-spectral methods typically rely solely on night light data, although they may also incorporate non-remote sensing data. Spectral methods often employ spectral indices that are related to vegetation and ground surface temperature. Currently, correcting DMSP images from the temporal dimension can be achieved through inter-data calibration, specifically via the fixed reference regions or reference pixels method. One of the most reliable methods in this field is the reference area method. Following the conclusion of the DMSP-OLS mission, the VIIRS was introduced. In contrast to the annual data of this satellite, the monthly data requires correction due to the presence of background noise, and stray lights. A reviews of existing studies indicates that the majority of methods aim to remove noise using specific frameworks although with differing assumptions. Finally, considering the current challenges and limitations of night light satellites, several recommendations for future progress and development in this field are put forth. Further investigation could be conducted into the integration of DMSP-OLS data with NPP-VIIRS data or higher resolution Loujia-01 data, with the objective of developing a longer time series for future research on urban dynamics. سابقه و هدف: سنجش ‌از دور منبع داده‌ای قدرتمند برای نقشه‌برداری از مناطق شهری و نظارت بر پویایی شهرنشینی است. از بین داده‌های سنجش‌ازدوری، تصاویری که در شب اخذ می‌شوند راهی مؤثر برای نظارت بر فعالیت‌های انسانی، در مقیاس جهانی، فراهم کرده است؛ زیرا این تصاویر با توجه به ویژگی‌ها و قابلیت‌هایشان می‌توانند مناطق شهری و سایر فعالیت‌های انسانی را که ویژگی اصلی‌شان استفاده از نور در شب است، با اندازه‌گیری صحیح مکانی، از پس‌زمینۀ بدون نور جدا کنند. این تصاویر با نظارت مستمر و مداوم از منظرة شبانۀ جهانی، منبع و نتایج ارزشمندی از فعالیت‌های انسانی را، از گذشته تا امروز، فراهم می‌کند و تجزیه‌وتحلیل سری زمانی این داده‌ها برای کشف، تخمین و نظارت بر پویایی اجتماعی و اقتصادی در کشورها، به‌ویژه مناطق فرعی که آمار رسمی مورد ‌اعتمادی دربارة آنها وجود ندارد، بسیار ارزشمند است. با توجه به پیشرفت سنجنده‌های ماهواره‌ای نور شب در سال‌های اخیر و تحقیقات جدید انجام‌شده درزَمینة داده‌های نور شب، هدف از این تحقیق بررسی پیشرفت‌های سنجندة شبانه، معرفی انواع داده‌ها و محصولات دردسترس، بررسی و بیان مزایا و معایب هریک و همچنین مروری بر روش‌ها و راه‌حل‌های مطرح‌شده در تحقیقات پیشین است تا مشکلات و محدودیت‌های این تصاویر حل شود. مواد و روش‌ها: هدف اصلی از این تحقیق معرفی و بررسی کلی داده‌های نور شب، مزایا و چالشهای هریک و روش‌های بیان‌شده به‌منظور تصحیح مشکلات و چالشهاست. مطالعات درزَمینة تصاویر نور شب DMSP اغلب بر دو بعد مکانی و زمانی تمرکز دارد. در بعد مکانی، نواقص ذاتی این مجموعه داده، یعنی مقادیر اشباع‌شدة مقادیر رقومی در مناطق مرکزی شهری و تأثیرات شکوفایی در مناطق حومة شهری و روستایی درخور توجه است. در بعد زمانی، به‌دلیل فقدان کالیبراسیون در پردازنده، به فرایندهای اضافی روی محصولات سالیانة داده‌های پایدار نور شب DMSP برای بررسی پویایی‌های شهری نیاز است؛ روش‌های کنونی تصحیحات مشکلات مکانی در دو دستة طیفی و غیرطیفی قرار می‌گیرد. روش‌های مطرح‌شده برای تصحیح مشکلات زمانی این سنجنده نیز، در دو دستة کالیبراسیون سالیانة داده‌های نور شب و تنظیم الگوی زمانی، بررسی شده است. تصاویر ماهیانة NPP-VIIRS محصولی است که علاوه‌بر مقادیر نورهای ثابت، مانند چراغ‌های شهرها و مسیر‌های حمل‌ونقل، مقادیری نویزی مانند شعله‌های گاز و سوختن زیست‌توده و نویز پس‌زمینه را نیز شامل می‌شود؛ به همین دلیل، پیش‌از استفاده لازم است پردازش شود. همچنین ازآنجا‌که دقت موقعیت‌یابی داده‌های لوجیا کمتر از وضوح مکانی آن است، جابه‌جایی تصویر در برخی مکان‌ها ممکن است به 650 متر برسد؛ ازاین‌رو تصحیح هندسی در این تصویر انجام می‌شود. انواع این روش‌ها در این مقاله بررسی شده است. بحث و بررسی: طی مقایسه‌ای کلی، می‌توان نتیجه‌ گرفت که در بررسی عملکرد داده‌های نور شب گوناگون، داده‌های نور پایدار شبانة DMSP، به‌رغم مشکلات و محدودیت‌های موجود، دارای سری زمانی طولانی‌تری درقیاس با داده‌های نور شب دیگر است زیرا دورة زمانی 1992 تا 2013 را دربرمی‌گیرد و همچنان، در بسیاری تحقیقات درزَمینة بررسی پویایی شهری و برآورد روند کلی رشد شهر، کاربرد دارد. درمقایسه، NPP-VIIRS از مزایایی برخوردار است و به نور کمتر نیز حساسیت نشان می‌دهد اما زمان عبور این ماهواره ساعت 1:30 بامداد است؛ در این ساعت شب، بسیاری از چراغ‌ها خاموش می‌شوند و به همین علت ممکن است، درمواردی که فقط از دادة نور شب برای بررسی مناطق شهری استفاده می‌شود، مناسب نباشد. همچنین طی بررسی‌های انجام‌شده، این تصویر در تحقیقات درزَمینة فعالیت‌های اقتصادی کاربرد بیشتری داشته است و حساسیت‌نداشتن آن به نور آبی ازLED ها در توانایی سنجنده، در تعیین کمّیت نورهای مصنوعی ساطع‌شده از زمین، تأثیر می‌گذارد. نتیجه‌گیری: این بررسی با هدف معرفی انواع داده‌های نور شب سنجش‌ازدوری و بررسی آنها انجام شده است و به‌طور خلاصه می‌توان گفت، درحال حاضر، تحقیقات درزَمینة‌ تصحیح مشکلات مکانی اشباع و شکوفایی به دو دستة طیفی و غیرطیفی تقسیم میشوند. دسته‌های غیرطیفی اغلب فقط با استفاده از دادة نور شب و در برخی موارد، با استفاده از داده‌های غیرسنجش‌ازدوری ترکیب می‌شوند. بررسی روش‌های طیفی نشان میدهد که اغلب این روش‌ها از شاخص‌های طیفی مربوط به پوشش گیاهی و دمای سطح زمین استفاده می‌کنند. درحال حاضر، تصحیح تصاویر DMSP از بعد زمانی با کالیبراسیون بین داده‌ها، به‌طور خاص، با استفاده از روش مناطق مرجع ثابت یا پیکسل‌های مرجع انجام‌شدنی است. از معتبرترین روشهای مطرح‌شده در این زمینه، روش منطقة مرجع است. پس‌از پایان مأموریت سنجندة DMSP-OLS، سنجندة VIIRS معرفی‌ شده است. برخلاف دادة سالیانة این ماهواره، دادة ماهیانة آن به‌علت وجود نویزهای پس‌زمینه، نورهای سرگردان و مواردی ازاین‌دست، نیاز به تصحیح دارد. طبق بررسی‌های انجام‌شده براساس مطالعات موجود در روند تحقیقات، می‌توان گفت بیشتر مطالعات و روش‌ها سعی در حذف نویزها با استفاده از چارچوبی مشخص، اما با فرض‌های متفاوت، دارند. درنَهایت، با توجه به چالش‌ها و محدودیت‌های فعلی ماهواره‌های نور شب، چند پیشنهاد اصلی برای پیشرفت و توسعه در این زمینه مطرح می‌شود؛ ادغام داده‌های DMSP-OLS با داده‌های NPP-VIIRS یا با وضوح بالاتر داده‌های لوجیا می‌تواند بیشتر مورد مطالعه قرار گیرد تا یک سری زمانی طولانی‌تر برای تحقیقات آینده، به‌منظور بررسی پویایی شهری و موارد مشابه، ایجاد شود.

https://gisj.sbu.ac.ir/article_102886_08ac899112f67619218e6efa5cc58025.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Optimization of the Results of the ML-Based GMDH Algorithm in order to Increase the Accuracy of Walnut Pollen Detection and Horizontal Optical Depth through the TLBO Algorithm بهینه‌سازی نتایج الگوریتم ML-Based GMDH به‌منظور افزایش دقت تشخیص گردوغبار و عمق دید افقی ازطریق الگوریتم TLBO 49 66 102900 10.48308/gisj.2022.102900 FA مهدی امیری استاد گروه فنّاوری اطلاعات، مرکز علمی کاربردی علوموفنون علامه طبرسی، دانشگاه جامع علمی کاربردی، تهران، ایران فرزاد امیری استادیارگروه مهندسی صنایع، دانشکدة مدیریت مهندسی، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران محمد حسین پوراسد دانشجوی دکتری گروه فنّاوری اطلاعات سلامت، دانشکدة پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران سیف اله سلیمانی استادیار گروه مهندسی کامپیوتر، دانشکدة مهندسی، دانشگاه اراک، اراک Journal Article 2022 02 05 Introduction: As one of the most essential needs of living beings, clean air quality has been threatened by natural and human activities. In recent years, dust storms have been increasing spatially and temporally, causing numerous damages to social, economic, and environmental health for the residents of the southern and southwestern regions of Iran. In the present study, MODIS sensor data were used to investigate dust storms and detect horizontal optical depth. Materials and Methods: The advantages of MODIS sensor data include high spectral and temporal resolution. Additionally, meteorological station data were collected based on the study period. After preprocessing the data and preparing field observations, the necessary features for modeling were extracted using the differential method between selected bands of each MODIS sensor image, along with features extracted from ground-based meteorological station sensors. After further investigations and evaluations and using the viewpoints of meteorological experts, 36 differential features from various MODIS image bands and six features from ground-based meteorological station data, totaling 42 features, were extracted. Subsequently, using feature selection techniques, the best features were identified. A novel method named ML-Based GMDH, which improves the GMDH neural network by altering partial functions with machine learning models, was employed to detect dust concentration and horizontal optical depth. To achieve optimal accuracy, the hyper-parameters of this model were heuristically tuned using the TLBO optimization algorithm. Additionally, machine learning methods such as Basic GMDH, SVM, MLP, MLR, RF, and their ensemble models were implemented to compare with the main approach. According to the results, the TLBO-tuned ML-Based GMDH method provided superior accuracy in detecting dust concentration compared to the aforementioned machine-learning methods. Results and Discussion: The SVM-PSO method was selected as the best method in the feature selection phase, the RF method was chosen as the best method among basic classification methods, and the Ensemble SVM and Ensemble RF methods were selected as the best methods in the ensemble and classification phase. It was also observed that using the ensemble approach led to a desirable improvement in horizontal optical depth classification. In the second approach, a method titled ML-Based GMDH, which improves the GMDH neural network by altering partial functions with machine learning algorithms, was used for estimating dust concentration. Additionally, to achieve suitable accuracy, the hyper-parameters of this model were finely tuned using the TLBO optimization algorithm. The results showed that this method provided appropriate accuracy in estimating dust concentration and horizontal optical depth, out performing the best-selected methods from the first approach سابقه و اهداف: کیفیت هوای پاک، به‌منزلة یکی از ضروری‏ترین نیازهای موجودات زنده، براَثر فعالیت‏های طبیعی و انسانی به‌مخاطره افتاده است. در سال‌های اخیر، طوفان‌های گردوغبار ازلحاظ مکانی و زمانی همواره درحال افزیش بوده و سبب آسیب‌های بی‌شمار درحوزة سلامت اجتماعی، اقتصادی و زیست‌محیطی، برای ساکنان مناطق جنوب و جنوب‏غرب ایران، شده است. در پژوهش حاضر، به‌منظور بررسی طوفان‌های گردوغبار و تشخیص عمق دید افقی، داده‏های سنجندة مادیس به‌کار رفته است. مواد و روش‌ها: از مزایای داده‏های سنجندة مادیس می‏توان به توان تفکیک طیفی و زمانی بالا اشاره کرد. همچنین داده‏های ایستگاه‌های هواشناسی با توجه به بازة زمانی مورد مطالعه جمع‌آوری شده است. پس‌از پیش‏پردازش داده‏ها و آماده‌سازی مشاهدات میدانی، به‌منظور استخراج ویژگی‏های مورد نیاز برای انجام‌دادن مدل‎سازی‎ها، ازطریق روش تفاضلی بین باندهای منتخب هر تصویر داده‏های سنجندة مادیس، به‌همراه ویژگی‌های استخراج‌شده از سنسورهای ایستگاه‌های هواشناسی زمینی استفاده شده است. با بررسی‌های بیشتر و ارزیابی‌های صورت‌گرفته و استفاده از دیدگاه‌های خبرگان هواشناسی، 36 ویژگی تفاضلی از باندهای گوناگون تصاویر مادیس و شش ویژگی از داده‌های ایستگاه‌های هواشناسی زمینی، یعنی درمجموع 42 ویژگی، استخراج شده است. در ادامه، ازطریق تکنیک‌های انتخاب ویژگی، بهترین ویژگی‌ها شناسایی و با به‌کارگیری روشی جدید با نام ML-Based GMDH، که حاصل بهبود شبکة عصبی GMDH ازطریق تغییر توابع جزئی با مدل‌های یادگیری ماشین است، برای تشخیص غلظت گردوغبار و دید افقی استفاده شد. برای دستیابی به دقت مناسب نیز ابرپارامترهای این مدل به‌صورت ابتکاری، با استفاده از الگوریتم بهینه‌سازی TLBO، تنظیم شدند. در ادامه، روش‌های یادگیری ماشین Basic GMDH SVM، MLP، MLR، RF و مدل گروهی آنها نیز، برای مقایسه با رویکرد اصلی، اجرایی شد؛ طبق نتایج، روش ML-Based GMDH تنظیم‌شده با TLBOبا ایجاد بهبود درقیاس با روش‏های یادگیری ماشین ذکرشده، دقت بهتری را در تشخیص غلظت گردوغبار فراهم کرده است. نتایج و بحث: روش SVM-PSO به‌منزلة روش برتر در مرحلة انتخاب ویژگی، روش RF به‌منزلة روش برتر در میان روش‎های پایة دسته‌بندی و روش‎های Ensemble SVM و Ensemble RF به‌منزلة روش‎های برتر در مرحلة گروهی و دسته‌بندی انتخاب شدند. همچنین مشاهده شد، با استفاده از رویکرد گروهی، بهبود مطلوبی در تشخیص دستة دید افقی پدید آمد. در رویکرد دوم، روشی با عنوان ML-Based GMDH که حاصل بهبود شبکة عصبی GMDH ازطریق تغییر توابع جزئی با مدل‌های یادگیری ماشین است، استفاده شد که کاربرد آن در تقریب غلظت گردوغبار است. همچنین، برای دستیابی به دقت مناسب، ابرپارامترهای این مدل با الگوریتم بهینه‌سازی TLBO با دقت بسیار بالا تنظیم شدند. نتایج حاصل نشان دادند این روش، با ایجاد بهبود درمقایسه با بهترین روش‏های انتخابی از رویکرد اول، دقت مناسبی را در تقریب غلظت گردوغبار و عمق دید افقی فراهم کرده است.

https://gisj.sbu.ac.ir/article_102900_9eb4f8b1e2a151e57614a1a64f83c807.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Spatial Analysis of GOVID-19 Outbreak Using Spatial Regression تحلیل فضایی میزان ابتلا به کویدـ19 با کاربرد رگرسیون فضایی 67 80 102903 10.48308/gisj.2022.102903 FA سمیه رفعتی استادیار گروه جغرافیا، دانشگاه سید جمال‌الدین اسدآبادی، اسدآباد همدان، ایران ابوذر رمضانی استادیار سیستم اطلاعات مکانی، گروه نقشه‌برداری، دانشگاه سید جمال‌الدین اسدآبادی، همدان، ایران 0000-0002-0129-2178 علیرضا صادقی نیا استادیار گروه علوم انسانی و اجتماعی، دانشگاه فرهنگیان، تهران، ایران Journal Article 2022 01 21 Introduction: The COVID-19 epidemic is considered a geographical phenomenon, and its impact on decision-making and daily life is significant. Geographic information systems (GIS) and spatial techniques play crucial roles in analyzing the spread of COVID-19 globally. Studies using spatial analysis have highlighted the importance of social and health variables in infection and mortality rates, despite existing uncertainties about the effects of meteorological variables. Given Iran's climatic diversity, it is valuable to identify the key spatial factors influencing COVID-19. Therefore, this study aims to model and determine the factors affecting the COVID-19 epidemic based on available data. Materials and Methods: This study investigated the factors influencing the distribution of COVID-19 infection rates using global and local spatial regression methods. Seventy-three cities were selected, with data on COVID-19 infections available from March 10 to June 20, 2019. The factors considered were altitude, population density, average age, the ratio of the population over 55 years to the total population, and meteorological parameters, including humidity, temperature, pressure, and wind speed. Their relationships with the disease were analyzed using spatial statistics methods. Stepwise regression identified population density, air pressure, average age, and wind speed as significant predictors, and the occurrence of the disease was modeled using the Ordinary Least Squares (OLS) technique. Due to the unstable relationship between the independent and dependent variables, the Geographically Weighted Regression (GWR) technique was used. Principal Component Analysis (PCA) and SPSS software were employed to address spatial variability and multicollinearity. Results and Discussion: The results showed that the OLS model was statistically significant, with variance values explained by the model being non-random. However, the explanatory variables had an inconsistent relationship with the dependent variable in both geographic and data spaces. The residual distribution deviated somewhat from normal, indicating model instability. Thus, the GWR technique was applied for modeling. PCA addressed multicollinearity (due to a cluster pattern in meteorological variables), reducing meteorological factors to one component, explaining nearly 70% of the variance. The model improved by consolidating the average age and the ratio of the population over 55 into one factor. Subsequently, population density, meteorological factors, and age demographics were utilized as predictive variables in the GWR model. A 10% increase in the adjusted R-squared of the GWR model (63%) demonstrated its relative improvement over the OLS model. Moran's spatial autocorrelation test indicated that, while the cluster pattern of residuals was less pronounced in the GWR model than in the OLS model, it remained significant at the 99% confidence level. Hot spot analysis at the 95% confidence level identified the western parts of Kurdistan province and the northern and western parts of Khuzestan province as hot spots (areas of significant underestimation), and the eastern parts of Hamadan province and the northern parts of Bushehr province as cold spots (areas of significant overestimation). Thus, at least one variable affecting disease occurrence was not considered. Other potential factors, such as cultural, health, and genetic variables, were not included due to unavailability or measurement difficulties. Conclusion: This study highlights the importance of demographic and environmental factors in COVID-19 infection rates and provides a foundation for further research in the study area. سابقه و هدف: همه‌گیری کوویدـ 19 به‌منزلة‌ پدیده‌ای جغرافیایی درنظر گرفته می‌شود که تجزیه‌وتحلیل فضایی و تأثیر جغرافیایی آن، در تصمیم‌گیری و جنبه‌های زندگی روزمره، بسیار اهمیت می‌یابد. سامانة اطلاعات جغرافیایی و تکنیک‌های مکانی می‌توانند نقش مهمی در تجزیه‌و‌تحلیل کلان‌داده‌های شیوع این بیماری در سطح جهانی ایفا کنند. مطالعات انجام‌شده باکمک تکنیک‌های تحلیل فضایی توانسته‌اند میزان اهمیت متغیرهای اجتماعی و بهداشتی را در میزان ابتلا و موارد مرگ‌ومیر ناشی از بیماری کووید‌ـ 19 نشان دهند؛ هرچند درمورد تأثیر متغیرهای هواشناسی در ‌این‌ زمینه، مطابق با متفاوت‌بودن نتایج پژوهش‌های پیشین، همچنان ابهاماتی وجود دارد. با توجه به تنوع اقلیمی ایران، با انجام‌دادن پژوهش‌هایی در این زمینه به‌منظور آشکارسازی عوامل مهم و اثرگذار فضایی، می‌توان گام‌های مؤثری برداشت. بنابراین هدف این مطالعه مدل‌سازی و تعیین عوامل تأثیرگذار در پراکنش بیماری کوویدـ 19، براساس داده‌های موجود و دردسترس است. مواد و روش‌ها: در این مطالعه، با استفاده از روش‌های رگرسیون فضایی عمومی و محلی، عوامل تأثیرگذار در پراکنش میزان ابتلا به بیماری کوویدـ 19 بررسی شد. برای این منظور، 73 شهرستان که آمار تعداد مبتلایان به بیماری کوویدـ 19 آنها (طی دوره‌ای کوتاه، از دهم اسفند 98 تا بیستم خرداد 99 به‌تفکیک شهرستان‌ها) دردسترس بوده است، انتخاب شدند. عوامل ارتفاع، تراکم جمعیت و میانگین سنی،‌ نسبت جمعیت بالای 55 سال به جمعیت کل و همچنین پارامترهای هواشناسی شامل رطوبت، دما، فشار و سرعت باد انتخاب و رابطة آنها با این بیماری، به‌کمک روش‌های آمار فضایی، بررسی شد. براساس روش رگرسیون گام‌به‌گام تراکم جمعیت، فشار هوا، میانگین سن و سرعت باد به‌منزلة پیش‌بینی‌کننده‌های معنی‌دار تعیین شدند و بروز بیماری با استفاده از تکنیک‌ OLS مدل‌سازی شد. سپس با توجه به ناایستابودن رابطة متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده‌ها، تکنیک GWR به‌کار رفت و برای افزایش تغییرپذیری فضایی و برطرف‌کردن مشکل هم‌راستایی خطی، از روش تحلیل مؤلفه‌های اصلی و نرم‌افزار SPSS بهره برده شد. نتایج و بحث: نتایج نشان داد مدل عمومی ارائه‌شده به‌طور کلی به‌لحاظ آماری معنی‌دار است و مقادیر واریانس توجیه‌شده با مدل تصادفی نیست اما رابطة متغیرهای مستقل با متغیر وابسته، هم در بعد فضایی و هم در بعد داده‌ها، ناایستاست. همچنین مشخص شد توزیع باقی‌مانده‌ها تاحدی از توزیع نرمال انحراف نشان می‌دهد که چه‌بسا به‌دلیل وجود ناایستایی در مدل باشد. بنابراین تکنیک رگرسیون وزن‌دار جغرافیایی برای مدل‌سازی به‌کار گرفته شد. به‌منظور اجرای آن و افزایش تغییرپذیری فضایی برای رفع مشکل هم‌راستایی خطی (به‌دلیل وجود الگوی خوشه‌ای در متغیرهای هواشناسی)، روش تحلیل مؤلفه‌های اصلی استفاده شد و عوامل هواشناسی به یک فاکتور کاهش یافت. این عامل نزدیک به 70٪ تغییرات این متغیرها را توجیه می‌کند. کاهش عوامل متغیرهای میانگین سن و نسبت جمعیت بالای 55 سال نیز به یک عامل باعث بهبود نتایج شد. بنابراین تراکم جمعیت، عامل هواشناسی و عامل سن به‌منزلة متغیرهای پیش‌بینی‌کننده در مدل‌سازی با تکنیک GWR درنظر گرفته شدند. افزایش 10درصدی ضریب تعیین تعدیل‌شدة مدل وزن‌دار جغرافیایی (63٪) نشان از بهبود نسبی نتایج این مدل درقیاس با مدل عمومی دارد. نتایج آزمون خودهمبستگی فضایی موران نشان داد، با اینکه از شدت الگوی خوشه‌ای باقی‌مانده‌ها در این مدل درمقایسه با مدل OLS کاسته شده است، همچنان در سطح اطمینان 99٪ معنی‌دار است. تحلیل نقاط داغ در سطح اطمینان 95٪ نشان داد بخش‌های غربی استان کردستان، بخش‌های شمالی و غربی استان خوزستان نقاط داغ (الگوی خوشه‌ای کم‌برآورد معنی‌دار) و بخش‌های شرقی استان همدان و بخش‌های شمالی استان بوشهر نقاط سرد (الگوی خوشه‌ای بیش‌برآورد معنی‌دار) هستند. بنابراین دست‌کم یک متغیر تأثیرگذار در بروز این بیماری درنظر گرفته نشده است. با توجه به اینکه متغیرهای احتمالی درنظر گرفته‌نشده همچون عوامل فرهنگی، بهداشتی و ژنتیکی دردسترس نبوده‌اند و یا ممکن است اندازه‌گیری آنها سخت بوده باشد، از بررسی آنها صرف‌نظر شد. نتیجه‌گیری: نتایج این مطالعه اهمیت و میزان تأثیر عوامل جمعیت‌شناختی و محیطی را در میزان ابتلا به بیماری ‌کوویدـ 19 روشن کرده است و می‌تواند برای ادامة مطالعاتی در این زمینه راه‌گشا باشد.

https://gisj.sbu.ac.ir/article_102903_489c5731dff317e63b7df8fed96356f8.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Evaluation of the Effect of Drought on the Vegetation of Iran Using Satellite Images and Meteorological Data ارزیابی تأثیر خشکسالی در پوشش گیاهی ایران با استفاده از تصاویر ماهواره‌ای و داده‌های هواشناسی 81 102 103394 10.48308/gisj.2023.103394 FA صمد خسروی یگانه دانشجوی دکتری گروه جغرافیا، دانشکدة ادبیات و علوم انسانی، دانشگاه لرستان، خرم‌آباد، لرستان، ایران مصطفی کرم پور استادیار گروه جغرافیا، دانشکدة ادبیات و علوم انسانی، دانشگاه لرستان، خرم‌آباد، لرستان، ایران بهروز نصیری دانشیار گروه جغرافیا، دانشکدة ادبیات و علوم انسانی، دانشگاه لرستان، خرم‌آباد، لرستان، ایران Journal Article 2023 01 25 Introduction: Drought conditions can vary from moderate to severe and have different durations, necessitating continuous and operational monitoring. The longer the drought persists, the more pronounced its impact on vegetation and water resources becomes, and the more severe the drought, the greater the limitation of services for humans and the alteration of natural systems. Habitat destruction for wildlife, reduced water quality, and reduced access to water resources could be consider as most effects of drought. Drought monitoring is essential for researchers, managers, and decision-makers to identify vulnerable areas, which can be used to reduce the consequences of drought. Material and Methods: In this study, an attempt has been made to investigate the vegetation drought situation in Iran by using Suomi NPP infrared sensor images obtained from the Earth Data website (earthdata.nasa.gov) and using (NDVI), (VCI), (TCI), and (VHI) indices. The study period, spanning from April 1st to July (the 13th to 26th week), was selected as it encompasses the typical drought duration in Iran. The Standard Precipitation Index (SPI) was calculated for Iran using daily precipitation data from 143 synoptic stations. Subsequently, the correlation coefficient was calculated between SPI and each of the indices (NDVI), (VCI), (TCI), and (VHI). In infrared images, M bands have a resolution of 750 meters, while I bands have a resolution of 375 meters. Results and Discussion: Based on the rainfall data recorded in synoptic meteorological stations, there is minimal rainfall during the summer months (July, August, and September). Conversely, the majority of rainfall occurs during the autumn, winter, and spring seasons. Consequently, the water year in most regions of Iran commences approximately in the third decade of September and continues until the second and third decade of June annually. In this study area, the optimal temporal base for monitoring and estimating drought on the vegetation is from April 1st to June 30th. In this article, the effect of precipitation on vegetation conditions was investigated using the standardized precipitation index (SPI), derived from monthly precipitation data from synoptic meteorological stations. Iran experiences a dry season in summer, with August being the driest month of the year. The temporal and spatial changes in drought for each vegetation indicator are markedly different. Conclusion: Based on the majority of years experiencing drought, the vegetation cover is expected to face mild or severe drought. This is demonstrated by a decrease in the values of each indicator. In years that the vegetation was affected by drought, the values of the indices show a decrease in April, followed by an increase in June and July. This suggests the beginning of a severe drought. Based on the calculated SPI, it was determined that the area experiences low precipitation during the hot months, indicating a lower rate compared to other months. مقدمه: شرایط خشکسالی ممکن است، از متوسط تا شدید و با مدت زمان متفاوت، متغیر باشد؛‌ این تغییرات به نظارت مداوم و عملیاتی نیاز دارد. هرچه خشکسالی بیشتر طول بکشد، در پوشش گیاهی و منابع آبی تأثیر بیشتری می‌گذارد و خشکسالی تشدید می‌شود؛ درنتیجه، ممکن است خدمات به انسان‌ها را محدود کند و سیستم‌های طبیعی را تغییر دهد. از جمله تأثیرات خشکسالی، تخریب زیستگاه حیات‌وحش، کاهش کیفیت آب و کاهش دسترسی به منابع آب است. پایش خشکسالی برای محققان، مدیران و تصمیم‌گیرندگان، ‌به‌منظور شناسایی مناطق آسیب‌پذیر، ضروری است و نتایج آن با هدف کاهش پیامدهای خشکسالی به‌کار می‌رود. مواد و روش‌ها: در این مطالعه تلاش شده است، با استفاده از تصاویر مادون‌قرمز سنجندة Suomi NPP دریافتی از سایتearth data.nasa.gov و بهره‌گیری از شاخص‌هایNDVI ، VCI، TCIو VHIوضعیت خشکسالی پوشش گیاهی در ایران بررسی شود. دورة مورد مطالعه 2021-2013، اول آوریل تا انتهای جولای (هفتة 13 تا 26 میلادی)، به‌صورت میانگین هفتگی است. میانگین ماهیانة شاخص استاندارد بارش (SPI) در ایران با استفاده از داده‌های بارش روزانة 143 ایستگاه سینوپتیک به‌دست آمد. سپس ضریب همبستگی (SPI) با هریک از شاخص‌های VHI، TCI، VCI و NDVI محاسبه شد. در تصاویر مادون‌قرمز، باندهای M دارای قدرت تفکیک 750 و باندهای I برابر با 375 متر است. نتایج و بحث: براساس داده‌های بارش ثبت‌شده در ایستگاه‌های هواشناسی سینوپتیک، می‌توان گفت که عمده بارش در فصل‌های پاییز، زمستان و بهار رخ داده و سهم تابستان در بارش سالانه اندک می باشد. بنابراین سال آبی، در بیشتر مناطق ایران، به‌طور تقریبی از دهة سوم سپتامبر شروع و تا دهة دوم و سوم ژوئن هر سال ادامه دارد. در منطقة مورد مطالعه، بهترین پایة زمانی برای پایش و برآورد آن از اول آوریل تا اواخر ژوئن است. در فصل تابستان، ایران یک فصل خشک را می‌گذراند و ماه اوت خشک‌ترین ماه سال است. تغییرات زمانی و مکانی خشکسالی هریک از شاخص‌های پوشش گیاهی با یکدیگر تفاوت زیادی دارد. نتیجه: میزان هریک از شاخص‌ها در شرایطی که پوشش گیاهی در وضعیت خشکسالی قرار دارد کاهش یافته و در طبقة خشکسالی خفیف و سپس شدید قرار می‌گیرد. بدین ترتیب، طی سال‌هایی که خشکسالی رخ داده است، مقدار شاخص‌ها از ماه آوریل روند نزولی دارد و در ژوئن و جولای، شاخص‌ها به‌سمت خشکسالی شدید میل پیدا می‌کند. براساس محاسبات، مشخص شد که مقدار شاخص استاندارد بارش در پهنة مورد مطالعه، طی ماه‌های گرم سال منفی است. این نکته بیانگر پایین‌بودن میزان بارش دریافتی درقیاس با دیگر ماه‌های سال است.

https://gisj.sbu.ac.ir/article_103394_0a5415cc2f18a978aec8d596a5494ecc.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Evaluation of Classical Statistical Methods for Estimating and Reconstructing the Daily Temperature in Iran ارزیابی روش‌های آمار کلاسیک در تخمین و بازسازی دمای روزانۀ کشور ایران 103 112 103725 10.48308/gisj.2023.103725 FA محمد خالدی گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایران قاسم زارعی مؤسسة تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران Journal Article 2023 02 16 Introduction: Effective decision-making and management in the field of sustainable development of natural resources require access to accurate and up-to-date climatic information. This information enables the examination of the role of climate change in various issues and the formulation of effective management strategies accordingly. In this context, temperature as one of the most important climatic indicators plays a key role in environmental analyses and research. Given the fundamental role of temperature in various situations, access to precise and comprehensive temperature data is of high importance. Such data should be sufficiently detailed to provide a clear and complete picture of temperature patterns over time. Unfortunately, climatic data often faces problems such as statistical discontinuities and measurement errors, which can lead to incorrect decisions and inefficient planning. In this research, statistical methods have been employed to analyze existing temperature data and their statistical discontinuities. These methods include geographical coordinates (graphical), normal ratio, weighted correlation coefficient, and arithmetic mean, which are well-established and widely used in completing climatic data. Selecting the most appropriate method from among these can enhance the accuracy of temperature data estimation and play a pivotal role in decisions based on more comprehensive and reliable data. The objective of this research is to identify the optimal methodology for estimating data and addressing statistical discontinuities. This will assist researchers, managers, and policymakers in the field of sustainable development and in better understanding climatic conditions, enabling them to make more informed and effective decisions. Material and Methods: In order to address the statistical gap, a number of well-known and popular classical statistical methods were evaluated for estimating Iran temperature data. These included geographical coordinates, normal ratio, weighted correlation coefficient, and arithmetic mean. In order to determine the best method for completing missing information, data from 125 stations with complete information (without any missing data) over 21 years (2000 to 2020) were used. Given the extensive and time-consuming nature of the calculations, a random selection of 10% of the stations with an appropriate spatial distribution was employed to carry out the data filling operations. The information of the selected stations was removed at each stage separately and reconstructed based on their five nearest stations. To evaluate the aforementioned methods, statistical evaluation criteria such as R-squared (R2), root mean square error (RMSE), and mean absolute deviation (MAD) were used. Results and discussion: The results of the analysis of computational values through the normal ratio method were evaluated against observational values. It was found that all the stations under study exhibited a high correlation, indicating the acceptability of the normal ratio method to data estimation. The average values obtained from the evaluation of results indicate that the methods of normal ratio, weighted correlation coefficient, geographical coordinates, and arithmetic mean are prioritized in order, with RMSE values of 3.05, 3.28, 3.30, and 3.51 degrees Celsius, respectively. Consequently, the normal ratio method is the most suitable among the other studied methods and can be employed to address issues such as a lack of information, existing data errors, and also the expansion of the study period. Conclusion: Among the methods reviewed, the normal ratio method is generally more acceptable and of higher quality than the other methods and is recommended for use in future research within similar study ranges. In subsequent ranks, the methods of geographical coordinates, weighted correlation, and arithmetic mean are placed, respectively. It is notable that, although the other methods are considered of secondary importance, they nevertheless demonstrate satisfactory efficacy in certain locations. Consequently, under varying circumstances, a range of methods may be employed to address data deficiencies, and the optimal approach should be selected and utilized in accordance with the specific study area. سابقه و هدف: تصمیم‌گیری و مدیریت مؤثر درزَمینۀ توسعة پایدار منابع طبیعی نیازمند دسترسی به اطلاعات دقیق و به‌روز اقلیمی است. این اطلاعات امکان بررسی نقش تغییرات اقلیمی را در موضوعات گوناگون مهیا می‌کنند و براساس آن، می‌توان راهکار‌های مدیریتی مؤثری را تدوین کرد. در این‌ راستا، پارامتر دما یکی از مهم‌ترین شاخص‌های اقلیمی است که نقش محوری را در تحلیل‌ها و پژوهش‌های محیطی ایفا می‌کند. با توجه به نقش اساسی دما در موضوعات گوناگون، دسترسی به داده‌های دمایی دقیق و جامع اهمیت بسیاری دارد. این داده‌ها باید به‌گونه‌ای باشند که بتوانند تصویری واضح و کامل از الگوهای دمایی، در طول زمان، ارائه دهند. اما متأسفانه، داده‌های اقلیمی اغلب با مشکلاتی مانند انقطاع آماری و خطاهای اندازه‌گیری مواجه‌اند. این مشکلات ممکن است به تصمیم‌گیری‌های نادرست و برنامه‌ریزی‌های ناکارآمد منجر شوند. در این پژوهش، با استفاده از روش‌های آماری، سعی شده است داده‌های دمایی موجود و انقطاع‌های آماری آنها با استفاده از روش‌هایی ازجمله مختصات جغرافیایی (گرافیکی)، نسبت نرمال، ضریب همبستگی وزنی و میانگین حسابی که در تکمیل داده‌های اقلیمی شناخته‌شده و پرکاربردند، تحلیل و ارزیابی شود. انتخاب روش مناسب از میان این روش‌ها می‌تواند دقت تخمین داده‌های دمایی را افزایش دهد و در تصمیم‌گیری‌های مبتنی‌بر داده‌های جامع‌تر و معتبرتر، نقش اساسی داشته باشد. درنَهایت، هدف از این پژوهش معرفی بهترین روش برای تخمین اطلاعات و رفع انقطاع آماری است که پژوهشگران، مدیران و سیاست‌گذاران را درزَمینة توسعة پایدار و درک بهتر شرایط اقلیمی و اتخاذ تصمیماتی هوشمندانه‌تر و مؤثرتر، یاری خواهد کرد. مواد و روش‌ها: در این پژوهش، به‌منظور رفع خلأ آماری، روش‌های شناخته‌شده و محبوب آمار کلاسیک شامل روش مختصات جغرافیایی، نسبت نرمال، ضریب همبستگی وزنی و میانگین حسابی، در تخمین داده‌های دمایی کشور ارزیابی شد. به‌منظور بررسی بهترین روش برای تکمیل اطلاعات مفقودی، از اطلاعات 125 ایستگاه استفاده شد. این ایستگاه‌ها دارای اطلاعات کامل (بدون هیچ‌گونه مفقودی)، درطول 21 سال (2020-2000 م.) بودند. ازآنجاکه محاسبات گسترده و زمان‌بر بودند، با انتخاب 10٪ این ایستگاه‌ها به‌صورت تصادفی با پراکندگی مکانی مناسب، عملیات پرکردن اطلاعات روی ایستگاه‌های منتخب انجام شد. اطلاعات ایستگاه‌های منتخب، در هر مرحله و به‌صورت جداگانه، حذف و براساس پنج ایستگاه مجاور خود، بازسازی شدند و به‌منظور ارزیابی روش‌های مذکور، از معیار‌های ارزیابی آماری ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین انحراف مطلق (MAD) استفاده شد. نتایج و بحث: با ارزیابی نتایج حاصل از بررسی مقادیر محاسباتی ازطریق روش نسبت نرمال درمقابل مقادیر مشاهداتی، مشخص شد تمامی ایستگاه‌های مورد بررسی همبستگی بالایی دارند؛ این نکته بیانگر مقبولیت روش نسبت نرمال برای تخمین داده‌هاست. با توجه به مقادیر متوسط حاصل از ارزیابی نتایج، روش نسبت نرمال، ضریب همبستگی وزنی، مختصات جغرافیایی و میانگین حسابی به‌ترتیب، با مقدار RMSE معادل 05/3، 28/3، 30/3 و 51/3 درجة سلسیوس، اولویت‌بندی می‌شوند. بنابراین روش نسبت نرمال در میان سایر روش‌های مورد مطالعه از مقبولیت بیشتری برخوردار است و ازاین‌رو، در رفع مشکلاتی اعم‌از فقدان اطلاعات، خطای موجود در داده‌ها و همچنین گسترش دورة زمانی مطالعاتی، می‌توان از آن بهره برد. نتیجه‌گیری: در میان روش‌های مورد بررسی، روش نسبت نرمال به‌صورت کلی مقبولیت و کیفیتی بیشتر از دیگر روش‌ها دارد که توصیه می‌شود در پژوهش‌های آتی، در محدودة مطالعاتی مشابه، از این روش استفاده شود. در مراتب بعدی، به‌ترتیب روش مختصات جغرافیایی، همبستگی وزنی و میانگین حسابی قرار دارند. شایان توجه است، با اینکه سایر روش‌ها در مراتب اهمیت بعدی واقع شده‌اند، همچنان در برخی ایستگاه‌ها کارآیی مناسبی نشان می‌دهند؛ بنابراین در شرایط متفاوت، روش‌های متنوعی می‌تواند نیاز به ترمیم داده‌ها را رفع کند و با توجه به محدودة مورد مطالعه، باید بهترین روش انتخاب شود و به‌کار رود.

https://gisj.sbu.ac.ir/article_103725_3b860de11cc59ee17909f9f5d6bbb4dd.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Land Use Change Detection Based on Satellite Images in the Haraz Watershed Plain تغییرات کاربری اراضی مبتنی‌بر تصاویر ماهواره‌ای در جلگۀ هراز 113 128 104055 10.48308/gisj.2023.232979.1176 FA فاطمه شکریان استادیار گروه مهندسی آبخیزداری، دانشکدة منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران کریم سلیمانی استاد گروه مهندسی آبخیزداری، دانشکدة منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران Journal Article 2023 09 02 Introduction: One of the most important steps towards sustainable development is the protection of land integrity, so that a part of the land is changed annually for several reasons, and the withdrawal of such lands from the production path creates irreparable damages. Given the high intensity of land use change in Mazandaran province, including the Haraz plain, which represents a significant environmental issues at both macro and spatial scales, the monitoring and analysis of theese changes can be considered a valuable tool for for the management and planning of land use. Considering that Haraz plain has not been spared from the crisis of destructive land use changes in recent decades, the need to monitor, highlight and process these changes as one of the most important management factors in this region is confirmed. Material and methods: In order to investigate land use changes, it is necessary to integrate a number of layers over a specific period of time. This research aims to investigate land use changes in Haraz Plain from 1980 to 2021. Therefore, Landsat data was employed to quantify the changes. By applying atmospheric, geometric, and radiometric corrections, image enhancement operations were performed and land use change maps were produced based on the supervised classification method, maximum likelihood algorithm and basis component analysis functions. The type of land use changes was determined from the difference function of the identification images and the accuracy of the maps using the overall accuracy test and the Kappa statistic. Results and discussion: The results showed that from 1980 to 1990, the area of forest lands decreased by 4 km2. The rangeland area also decreased from 450 to 436 km2. From 2000 to 2010, the area of forest land decreased from 272 to 270 km2 and rangeland decreased from 432 to 420 km2. Finally, between 2011 and 2021, the area of forest lands decreased by 9 km2 and the rangeland area decreased by 5 km2. The results indicated a reduction in the area of forest and rangeland, accompanied by an increase in the area of agricultural land and residential areas. Conclusion: The results obtained and the defined goals allow us to conclude that the area in question underwent changes in terms of its use during the considered statistical period (1980-2021). These changes were noticeable. Therefore, human factors interventions play a pivotal role in land use changes. The results of this study can assist planners in identifying the factors influencing land use changes and in making appropriate management decisions in the future. سابقه و هدف: یکی از مهم‌ترین قدم‌ها به‌سمت توسعۀ پایدار حفاظت از تمامیت اراضی است؛ به‌طوری که سالیانه بخشی از اراضی، به‌دلایل متعدد، تغییر کاربری می‌یابند و خروج این‌گونه اراضی از مسیر تولید لطمات جبران‌ناپذیری درپِی دارد. ازآنجاکه شدت تغییر کاربری اراضی در استان مازندران، ازجمله جلگۀ هراز، به‌منزلۀ یکی از مهم‌ترین مسائل زیست‌محیطی، در مقیاس‌های کلان زمانی و مکانی رخ می‌دهد، بارزسازی و پایش تغییرات کاربری به‌منظور شناخت اولیه و ارزیابی روند تغییرات آنها می‌تواند روشی مفید برای مدیریت و برنامه‌ریزی به‌شمار رود. با توجه به اینکه جلگۀ هراز، در دهه‌های اخیر، از بحران تغییرات مخرب کاربری اراضی در امان نبوده است، لزوم پایش، بارزسازی و روندیابی این تغییرات یکی از مهم‌ترین فاکتورهای مدیریتی در این منطقه محسوب می‌شود. مواد و روش‌ها: بررسی تغییرات کاربری‌ اراضی نیازمند تلفیق لایه‌ها در بازة زمانی معین است. هدف این پژوهش بررسی تغییر کاربری‌های اراضی جلگۀ هراز از 1980 تا 2021 است. بر این‌ اساس، برای سنجش تغییرات، از داده‌های لندست استفاده شد. با اعمال تصحیحات اتمسفری، هندسی و رادیومتری، عملیات بارزسازی تصاویر اجرا و با بهره‌گیری از روش طبقه‌بندی نظارت‌شده، الگوریتم حداکثر احتمال و اعمال توابع تحلیل مؤلفه‌مبنا، نقشه‌ها تولید شدند. نوع تغییرات کاربری ‌از تابع تفاضل تصاویر شناسایی و صحت نقشه‌ها، با استفاده از آزمون صحت کلی و آمارة کاپا، تعیین شد. نتایج و بحث: نتایج نشان داد، از 1980 تا 1990، چهار کیلومترمربع از مساحت اراضی جنگلی کاسته شد و مساحت مراتع نیز از 450 به 436 کیلومترمربع کاهش یافت. از سال 2000 تا 2010، مساحت اراضی جنگلی از 272 به 270 کیلومترمربع و مراتع نیز از 432 به 420 کیلومترمربع رسیده است. درنَهایت، طی سال‌های‌ 2011 تا 2021، از مساحت اراضی جنگلی نُه کیلومترمربع و مرتع نیز پنج کیلومترمربع کاسته شده است. نتایج بررسی روند تغییرات کاربری‌های اراضی منطقه حاکی از آن است که مساحت اراضی جنگلی و مرتعی کاهش یافته و به مساحت اراضی کشاورزی و مناطق مسکونی افزوده شده است. نتیجه‌گیری: با توجه به نتایج به‌دست‌آمده و اهداف تعریف شده، می‌توان اذعان کرد کاربری‌های منطقه، طی دورة آماری درنظر گرفته‌شده (2021-1980)، با تغییرات مساحت روبه‌رو بودند و تغییر محسوسی را نیز نشان دادند. بنابراین دخالت‌های عوامل انسانی نقش اصلی را در تغییرات کاربری اراضی دارد. این نتایج می‌تواند به برنامه‌ریزان، در شناخت عوامل مؤثر در تغییر کاربری و اتخاذ تصمیمات صحیح مدیریتی در سطوح گوناگون، کمک کند.

https://gisj.sbu.ac.ir/article_104055_5ccbe43bcaee5d87b39a5d9a53b0560e.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 1 2024 05 21 Monitoring Land Cover Changes in Northwestern Iran Using Training Samples Migration Method پایش تغییرات پوشش زمین در شمال‌غرب ایران با استفاده از روش انتقال‌ نمونه‌های آموزشی 129 154 104489 10.48308/gisj.2024.233836.1188 FA میثم محرمی دانشجوی دکتری گروه سنجش از دور و GIS، دانشکدة جغرافیا، دانشگاه تهران، تهران، ایران سارا عطارچی دانشیار گروه سنجش از دور و GIS، دانشکدة جغرافیا، دانشگاه تهران، تهران، ایران ریچارد گلاگوئن مدیر بخش فنّاوری اکتشاف، مرکز هلم‌هولتز درسدن‌ـ روسندورف، مؤسسة فنّاوری منابع هلم‌هولتز فرایبرگ، فرایبرگ، آلمان 0000-0002-4383-473X سید کاظم علوی پناه استاد گروه سنجش از دور و GIS، دانشکدة جغرافیا، دانشگاه تهران، تهران، ایران Journal Article 2023 11 19 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. سابقه و هدف: نقشة پوشش زمین یکی از پارامترهای اساسی در تحلیل‌های جغرافیایی و برنامه‌ریزی‌های مکانی محسوب می‌شود. به‌طور کلی، تصویر ماهواره‌ای، الگوریتم طبقه‌بندی و نمونة‌ آموزشی سه پارامتر اصلی در تهیة نقشه‌های پوشش زمین به‌شمار می‌روند و مهم‌ترین نقش را درزَمینة صحت، هزینه و منابع محاسباتی مورد نیاز برای تهیة این نقشه‌ها ایفا می‌کنند. کیفیت نمونة آموزشی تأثیر شایان توجهی در صحت نتایج طبقه‌بندی دارد. بر این اساس، هدف اصلی این پژوهش تهیة نمونه‌های آموزشی معتبر، با استفاده از روش انتقال نمونه‌های آموزشی برای پایش تغییرات پوشش زمین در شمال‌غرب ایران، بین سال‌های 2002 تا 2022 است. مواد و روش‌ها: منطقة مورد مطالعه، با مساحتی بالغ‌بر 7653 کیلومترمربع، در شمال‌غرب 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. داده‌های مورد استفاده در این پژوهش شامل تصاویر ماهواره‌ای و داده‌های مرجع زمینی است و تصاویر به‌کاررفته در این پژوهش شامل تصاویر ماهواره‌ای سری لندست می‌شود. روش پژوهش پنج مرحلة کلی را دربرمی‌گیرد. در مرحلة اول، تصاویر ماهواره‌ای لندست از سایت سازمان زمین‌شناسی امریکا دریافت و مراحل پیش‌پردازش تصاویر (تصحیح رادیومتریک و هندسی) روی آنها انجام شد. در مرحلة دوم، با استفاده از تصاویر دارای قدرت تفکیک مکانی بالا (تصاویر سامانة Google Earth) و برداشت زمینی، نمونه‌های آموزشی مورد نظر تهیه شدند. مرحلة سوم شامل انتقال نمونه‌های آموزشی است. برای این کار، در ابتدا، با استفاده از دو پارامتر فاصلة اقلیدسی (ED) و فاصلة زاویة طیفی (SAD)، شباهت طیفی نمونه‌های آموزشی در سال‌های مرجع و هدف بررسی شد. در ادامه، با تعیین آستانة مورد نظر، نمونه‌های آموزشی انتقال‌یافته از نمونه‌های انتقال‌نیافته تفکیک شدند. در انتهای مرحلة سوم، صحت نمونه‌های آموزشی انتقال‌یافته ارزیابی شد؛ بدین‌منظور داده‌های مرجع تهیه‌شده از سامانة Google Earth به‌کار رفت. در مرحلة چهارم، با استفاده از نمونه‌های آموزشی انتقال‌یافته، تصاویر ماهواره‌ای در سال‌های گوناگون طبقه‌بندی شد و درنَهایت در مرحلة پنجم، با به‌کارگیری شاخص‌های حاصل از ماتریس خطا، صحت تصاویر طبقه‌بندی‌شده ارزیابی شد. نتایج و بحث: نتایج به‌دست‌آمده نشان داد آستانة 9/0 تا 1/1 مناسب‌ترین آستانه برای تفکیک نمونه‌های آموزشی انتقال‌یافته از نمونه‌های آموزشی انتقال‌نیافته در سال‌های گوناگون است. بر این اساس، می‌توان گفت بین صحت و درصد نمونه‌های آموزشی انتقال‌یافته رابطه‌ای معکوس وجود دارد و با افزایش درصد نمونه‌های آموزشی انتقال‌یافته، از صحت آنها کاسته می‌شود. بررسی صحت نمونه‌های آموزشی انتقال‌یافته، براساس هریک از پارامترها (فاصلة زاویة طیفی و فاصلة اقلیدسی)، نشان داد صحت نمونه‌های آموزشی انتقال‌یافته براساس پارامتر فاصلة زاویة طیفی بیشتر از نمونه‌های آموزشی انتقال‌یافته براساس پارامتر فاصلة اقلیدسی است. همچنین استفاده از نمونه‌های انتقال‌یافته، براساس هر دو پارامتر، باعث افزایش 45/10درصدی صحت درمقایسه با حالتی شده است که از پارامتر فاصلة اقلیدسی برای انتقال نمونه‌های آموزشی استفاده شده و نیز افزایش 5درصدی صحت را درقیاس با وضعیتی دربرداشته که از پارامتر فاصلة زاویة طیفی برای انتقال نمونه‌های آموزشی استفاده شده است. بررسی درصد انتقال نمونه‌های آموزشی در کلاس‌های کاربری گوناگون نشان داد، به‌طور میانگین، 6/80٪ از نمونه‌های آموزشی کلاس آب، 4/75٪ از نمونه‌های آموزشی کلاس اراضی بایر، 2/71٪ نمونه‌های آموزشی کلاس اراضی انسان‌ساخت، 6/64٪ نمونه‌های آموزشی کلاس مرتع، 2/60٪ از نمونه‌های آموزشی کلاس اراضی زراعی و 4/54٪ نمونه‌های آموزشی کلاس تالاب از سال مرجع (1401) به هریک از سال‌های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده‌اند. همچنین ارزیابی صحت نمونه‌های آموزشی انتقال‌یافته در کلاس‌های کاربری گوناگون نشان داد کلاس‌های آب، اراضی انسان‌ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به‌ترتیب، بیشترین صحت را در نمونه‌های آموزشی انتقال‌یافته دارا بودند. بررسی تغییرات پوشش زمین بین سال‌های 1381 تا 1401 نشان داد روند تغییرات مساحت کلاس‌های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان‌ساخت، در این بازة‌ زمانی، افزایشی بوده است؛ همچنین کلاس‌های مرتع و اراضی زراعی، در این بازة‌ زمانی، دارای روند تغییرات ثابت نبوده و روند تغییرات آنها در سال‌های گوناگون، متفاوت بوده است. اما درحالت کلی، مساحت این دو کلاس‌ طی سال 1401، درقیاس با سال 1381 افزایش یافته است. نتیجه‌گیری: پیشنهاد می‌شود در مطالعات آتی، از سایر تصاویر ماهواره‌ای (ازجمله تصاویر ماهواره‌ای سنتینل‌ـ 2) نیز به‌منظور انتقال نمونه‌های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره‌ای گوناگون، در انتقال نمونه‌های آموزشی، ارزیابی شود. همچنین بررسی اثربخشی روش انتقال نمونه‌های آموزشی در انتقال نمونه‌های آموزشی سایر پوشش‌های زمینی می‌تواند درزمرة موضوعات پژوهشی در مطالعات بعدی قرار گیرد. منطقه مورد مطالعه با مساحتی بالغ بر 7653 کیلومترمربع در شمال‌غرب 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. داده‌های مورد استفاده در این پژوهش شامل تصاویر ماهواره‌ای و داده‌های مرجع زمینی می‌باشد. تصاویر مورد استفاده در این پژوهش شامل تصاویر ماهواره‌ای سری لندست می‌باشد. روش انجام پژوهش شامل پنج مرحله کلی می‌باشد. در مرحله اول تصاویر ماهواره‌ای لندست 5 و 8 از سایت سازمان زمین‌شاسی آمریکا اخذ شده و مراحل پیش‌پردازش تصاویر (تصحیح رادیومتریک و هندسی) بر روی آن‌ها انجام شد. در مرحله دوم با استفاده از تصاویر با قدرت تفکیک مکانی بالا (تصاویر سامانه Google Earth) و برداشت زمینی، نمونه‌های آموزشی مورد نظر تهیه شدند. مرحله سوم شامل انتقال نمونه‌های آموزشی می‌باشد. برای این کار در ابتدا بررسی شباهت طیفی نمونه‌های آموزشی در سال‌های مرجع و هدف با استفاده از دو پارامتر فاصله اقلیدسی و فاصله زاویه طیفی انجام شد. در ادامه با تعیین آستانه مورد نظر، نمونه‌های آموزشی انتقال‌یافته از نمونه‌های انتقال‌نیافته تفکیک شدند. در انتهای مرحله سوم، ارزیابی صحت نمونه‌های آموزشی انتقال‌یافته انجام شد، برای این‌کار از داده‌های مرجع تهیه شده از سامانه Google Earth استفاده شد. در مرحله چهارم با استفاده از نمونه‌های آموزشی انتقال‌یافته، طبقه‌بندی تصاویر ماهواره‌ای در سال‌های مختلف انجام شد و در نهایت در مرحله پنجم با استفاده از شاخص‌های حاصل از ماتریس خطا، ارزیابی صحت تصاویر طبقه‌بندی شده انجام شد. نتایج به‌دست آمده نشان داد، آستانه 0/9 تا 1/1 (اختلاف انحراف معیار از میانگین) مناسب‌ترین آستانه برای تفکیک نمونه‌های آموزشی انتقال‌یافته از نمونه‌های آموزشی انتقال‌نیافته در سال‌های مختلف می‌باشد. بر این اساس می‌توان گفت یک رابطه معکوس بین صحت نمونه‌های آموزشی انتقال‌یافته و درصد نمونه‌های آموزشی انتقال‌یافته وجود دارد و با افزایش درصد نمونه‌های آموزشی انتقال‌یافته از صحت آن‌ها کاسته می‌شود. بررسی صحت نمونه‌های آموزشی انتقال‌یافته بر اساس هر یک از پارامترها (فاصله زاویه طیفی و فاصله اقلیدسی) نشان داد نمونه‌های آموزشی انتقال‌یافته بر اساس پارامتر فاصله زاویه طیفی از صحت بیشتری نسبت به نمونه‌های آموزشی انتقال‌یافته بر اساس پارامتر فاصله اقلیدسی برخوردار می‌باشند. همچنین استفاده از نمونه‌های انتقال‌یافته بر اساس هر دو پارامتر باعث افزایش 10/45 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله اقلیدسی برای انتقال نمونه‌های آموزشی استفاده شده است و افزایش 5 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله زاویه طیفی برای انتقال نمونه‌های آموزشی استفاده شده است. بررسی درصد انتقال نمونه‌های آموزشی در کلاس‌های کاربری مختلف نشان داد به‌طور میانگین 80/6 درصد از نمونه‌های آموزشی کلاس آب، 75/4 درصد از نمونه‌های آموزشی کلاس اراضی بایر، 71/2 درصد از نمونه‌های آموزشی کلاس اراضی انسان‌ساخت، 64/6 درصد از نمونه‌های آموزشی کلاس مرتع، 60/2 درصد از نمونه‌های آموزشی کلاس اراضی زراعی و 54/4 درصد از نمونه‌های آموزشی کلاس تالاب از سال مرجع (1401) به هر یک از سال‌های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده‌اند. همچنین ارزیابی صحت نمونه‌های آموزشی انتقال‌یافته در کلاس‌های کاربری مختلف نشان داد کلاس‌های آب، اراضی انسان‌ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به‌ترتیب از بیشترین صحت در نمونه‌های آموزشی انتقال‌یافته برخوردار بودند. طبقه‌بندی تصاویر ماهواره‌ای با استفاده از تصاویر لندست بین سال‌های 1381 تا 1401 انجام شد. بر این اساس، پوشش‌های سطحی زمین در شش کلاس کاربری مختلف طبقه‌بندی شد. نتایج ارزیابی صحت طبقه‌بندی نشان داد صحت کلی تصاویر طبقه‌بندی شده در سال‌های 1401، 1396، 1392، 1387 و 1381 به‌ترتیب 94/95، 91/93، 90/74، 89/45 و 88/94 درصد است. بررسی صحت طبقه‌بندی کلاس‌های کاربری مختلف بر اساس دو پارامتر صحت تولیدکننده و صحت کاربر نشان داد، کلاس آب از بیشترین صحت تولید‌کننده و کاربر در میان کلاس‌های مختلف برخوردار است، به‌طوری‌که صحت تولیدکننده و کاربر آن در تصویر طبقه‌بندی شده سال 1401 به‌ترتیب 98/2 و 99/34 درصد می‌باشد. از طرفی کمترین صحت تولیدکننده و کاربر در کلاس تالاب به‌دست آمد؛ به‌طوری‌که، صحت تولیدکننده و کاربر آن در تصویر طبقه‌بندی شده سال 1401 به‌ترتیب 90/1 و 91/25 درصد است. بررسی تغییرات پوشش زمین بین سال‌های 1381 تا 1401 نشان داد، روند تغییرات مساحت کلاس‌های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان‌ساخت در این بازه زمانی افزایشی بوده است، همچنین کلاس‌های مرتع و اراضی زراعی دارای روند تغییرات ثابت در این بازه زمانی نبوده و روند تغییرات آن‌ها در سال‌های 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 انسان‌ساخت در این بازه زمانی نشان‌دهنده افزایش محسوس مساحت این کلاس کاربری می‌باشد؛ به‌طوری که مساحت آن از 20/38 کیلومتر مربع در سال 1381 به 123/98 کیلومتر مربع در سال 1401 افزایش یافته است. پیشنهاد می‌شود در مطالعات آتی از سایر تصاویر ماهواره‌ای (از جمله تصاویر ماهواره‌ای سنتینل-2) نیز به‌منظور انتقال نمونه‌های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره‌ای مختلف در انتقال نمونه‌های آموزشی مورد ارزیابی قرار گیرد. همچنین بررسی اثربخشی روش انتقال نمونه‌های آموزشی در انتقال نمونه‌های آموزشی سایر پوشش‌های زمینی می‌تواند از جمله موضوعات پژوهشی در مطالعات بعدی محسوب شود.

https://gisj.sbu.ac.ir/article_104489_14f46e107515b2994bf58ebf0046e35c.pdf