انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 An Improved Approach for Spectral-spatial Classification of Hyperspectral Images using Weighted Genetic and Neural Network Algorithms روشی بهبودیافته به‌منظور طبقه‌بندی طیفی‌ـ مکانی تصاویر ابرطیفی به‌کمک الگوریتم‌های ژنتیک وزن‌دار و شبکۀ عصبی 1 17 103395 10.48308/gisj.2023.103395 FA داود اکبری دانشیار گروه مهندسی نقشه برداری، دانشکده مهندسی، دانشگاه زابل، زابل، ایران علی اشرفی استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه بیرجند، بیرجند، ایران مصطفی یعقوب زاده دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران Journal Article 2022 04 12 Introduction: Hyperspectral remote sensing technology has seen significant progress in the last two decades. This progress is very evident in the design and construction of sensors as well as in the development and implementation of data processing methods. Today, most researches in the field of hyperspectral remote sensing technology emphasize on the classification of these images. Classification methods of hyperspectral images are divided into two categories: spectral or pixel-based classification and spectral-spatial or object-based classification. In this research, the spectral-spatial classification of hyperspectral image in an urban environment has been discussed. Since an urban environment has complex features in terms of elements, hyperspectral data effectively help to identify, extract and produce a map of their constituent elements. Identification of different materials in urban environments is very important in various applications, such as mobile phone communications, virtual reality, architecture and urban modeling, and planning and management of cities. Material and methods: In this research, two hyperspectral images of Pavia and Berlin, which are part of the standard images in the field of hyperspectral remote sensing, were used to evaluate the proposed method. In the proposed method, the dimensions of the hyperspectral image are first reduced with the help of the PCA algorithm, Then, ten spatial features mean, standard deviation, degree of variation, homogeneity, correlation, dissimilarity, energy, entropy, wavelet transform and Gabor filter are extracted from the reduced bands. Then, the weighted genetic algorithm is applied to the obtained spectral and spatial features and finally the obtained features are classified with the help of MLP algorithm. Results and discussion: In the tests conducted for the genetic algorithm, chromosomes have genes equal to the number of spectral and spatial features. In these tests, the crossover and mutation rates were considered as 0.5 and 0.05, respectively. Also, to create a balance between the two parameters of accuracy and calculation time, the initial population size was 30 and the maximum number of repetitions for stopping was 100. However, in practice for both hyperspectral images, since the active condition is used to stop the algorithm, the iteration process does not reach step 100 and before that the algorithm reaches a stable state and stops. The MLP classification algorithm was implemented with 3 hidden layers consisting of 5, 6 and 8 neurons and evaluated with 500 iterations. The proposed classification method was compared with SVM, MLP and MSF algorithms. In both hyperspectral images, the map obtained by the proposed method includes single nova regions in comparison with other algorithms. In the Pavia image, the proposed method has caused an increase of 13, 7, and 6 percent, and in the Berlin image, it has caused an increase of 9, 6, and 5 percent, in the Kappa coefficient parameter, respectively, compared to the SVM, MLP, and MSF algorithms. The reason for this increase in the accuracy of the proposed method can be the use of nearest neighbor information and two stages of dimensionality reduction. Conclusion: In this research, a new method for spectral-spatial classification of hyperspectral images was introduced. In the proposed method, the dimensions of the hyperspectral image were first reduced and ten features were extracted as the nearest neighborhood information from the reduced bands. Then, a weighted genetic algorithm was applied to the obtained features to reduce the dependence between them. Genetic algorithm is one of the most efficient and effective methods in reducing the dimensionality of hyperspectral images. In the binary genetic algorithm, each chromosome has values of one and zero, while in the weighted genetic algorithm, the weight values are between zero and one. The proposed method was implemented on two hyperspectral images of Pavia and Berlin, and the quantitative and qualitative experiments show the superiority of the proposed method. The lower accuracy of the results in the Berlin image may be due to the complexity of this image compared to the Pavia image. سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهۀ گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده‌ها و همچنین در توسعه و اجرای روش‌های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینۀ فنّاوری سنجش از دور ابرطیفی، بر طبقه‌بندی این تصاویر تأکید دارد. روش‌های طبقه‌بندی تصاویر ابرطیفی در دو دستۀ طبقه‌بندی طیفی یا مبتنی‌بر پیکسل و طبقه‌بندی طیفی– مکانی یا مبتنی‌بر شیء قرار می‌گیرند. در این تحقیق، به طبقه‌بندی طیفی‌– مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط‌های شهری، از نظر عناصر به‌کاررفته در آنها، ویژگی‌های پیچیده‌ای دارند، داده‌های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازندۀ آنها کمک مؤثری می‌کنند. شناسایی مواد گوناگون در محیط‌های شهری اهمیت بسیاری در زمینۀ کاربردهای گوناگون، همچون ارتباط تلفن‌های همراه، واقعیت مجازی، معماری و مدل‌سازی شهری و برنامه‌ریزی و مدیریت شهرها دارد. مواد و روش‌ها: در این تحقیق، برای ارزیابی روش‌ پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزۀ سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به‌کمک الگوریتم PCA کاهش می‌یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجۀ تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش‌یافته استخراج می‌شود. در ادامه، الگوریتم ژنتیک وزن‌دار بر ویژگی‌های طیفی و مکانی به‌دست‌آمده اعمال می‌شود و در انتها، ویژگی‌های حاصل به‌کمک الگوریتم MLP طبقه‌بندی می‌شود. نتایج و بحث: در آزمون‌های انجام‌شده در زمینۀ الگوریتم ژنتیک، کروموزوم‌ها دارای ژن‌هایی برابر با تعداد ویژگی‌های طیفی و مکانی‌اند. در این آزمون‌ها، میزان تقاطع و جهش به‌ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحلۀ 100 نمی‌رسد و قبل ‌از آن، الگوریتم به وضعیت پایدار می‌رسد و متوقف می‌شود. الگوریتم طبقه‌بندی MLP با سه لایۀ پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش‌ طبقه‌بندی پیشنهادی بیان‌شده با الگوریتم‌های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشۀ‌ حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم‌ها مناطق یکنواخت‌تری را دربرمی‌گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به‌ترتیب الگوریتم‌های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می‌تواند استفاده از اطلاعات نزدیک‌ترین همسایگی و دو مرحلۀ کاهش ابعاد باشد. نتیجه‌گیری: در این تحقیق، روشی جدید به‌منظور طبقه‌بندی طیفی‌– مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش ‌یافت و ده ویژگی،‌ به‌منزلۀ اطلاعات نزدیک‌ترین همسایگی‌ها، از باندهای کاهش‌یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن‌دار روی ویژگی‌های به‌دست‌آمده، به‌منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش‌ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی‌که در الگوریتم ژنتیک وزن‌دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش‌ها برتری کمّی و کیفی به‌کارگیری این روش را نشان می‌دهد. کم‌بودن دقت نتایج در تصویر برلین می‌تواند به‌دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.

https://gisj.sbu.ac.ir/article_103395_a23c14420da932133a248fc4d072e9df.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Sensitivity Analysis of the Spectral Response of the Plant Leaf to the Biophysical-Biochemical Variables Using the PROSPECT Radiative Transfer Model تحلیل حساسیت رفتار طیفی برگ گیاه در برابر متغیرهای بیوفیزیکی‌– بیوشیمیایی برگ با استفاده از مدل انتقال تابش PROSPECT 17 33 103728 10.48308/gisj.2023.103728 FA الهه اکبری استادیار، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران محمد حاجب مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران مهرداد جیهونی استادیار، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران سعید حمزه دانشیار، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران، تهران، ایران Journal Article 2023 01 14 Background and aim: Determining how the leaf biochemical content affects its reflectance and spectral behavior through remote sensing can contribute to understanding the ecosystem process and its parameters, such as plant water stress. The optical properties of the canopy are strongly dependent on the optical properties of the leaves and the soil. Also, due to the non-availability of detailed information on the optical properties of leaves, the interpretation of spectral data collected through remote sensing has faced limitations. The internal structure of the leaf controls the amount of reflectance and transmission in the entire electromagnetic spectrum, but physical models have been developed to obtain detailed information and a comprehensive description of the optical properties of the leaf. In addition to calculating the leaf’s spectral response, reversible models such as PROSPECT can calculate a small number of internal characteristics of the leaf, such as the amount of chlorophyll, leaf water content, and leaf structure. Using the reversibility property, it is possible to quantitatively determine the amount of water in the leaves and a small amount of biomass from the spectrum collected through the sensors. Therefore, the use of these models and their integration with remote sensing data, which are non-destructive for the plant and provide the possibility of monitoring in time and space, can open the way for studies and modeling related to the internal characteristics of plant leaves. Materials and methods: In this research, the effect of leaf biophysical-biochemical variables, including leaf chlorophyll content (LCC), leaf structure, and leaf water content on reflectance, were quantitatively analyzed. To do so, the PROSPECT leaf radiative transfer model, which was developed to simulate the spectral behavior of plant leaves, was used. As a result, the effect of the quantity of leaf parameters, including chlorophyll, leaf water content, and leaf structure, on the shape of the spectral curve of the leaf has been investigated. The study employed two other parameters considered constant to study the effects caused by each parameter. By changing the value of the desired parameter, the spectral curves corresponding to the selected values are extracted using the PROSPECT model. The effect of the desired parameter on the leaf’s spectral reflectance was investigated by comparing and analyzing the resulting curves. Results and discussion: The research results indicate that the increase of leaf chlorophyll with the effect of reducing the reflectance leads to the rise in triangular plant indices. Based on the leaf structure and inner layers in the near-infrared (NIR) spectrum, it is possible to distinguish monocots, dicots, and old plants. Also, in the NIR spectrum, the amount of reflectance in old, dicotyledonous, and monocots decreases, respectively. In dicots with spongy parenchyma, more reflectance is expected in the NIR spectrum than in monocots. Monocots can be distinguished from other plants due to their lower reflectance in the 1400 to 1900 nm range. The influence of water content on leaf spectral reflectance starts from the wavelength of 1000 nm and continues until the end of the reflective range, 2500 nm, and with the increase of water content, the reflectance decreases. The drying of the plant does not have much effect on the reflectance, but drying more than a certain amount of leaf water content (0.03 to 0.04 ) causes a significant increase in the reflectance, especially outside the water-absorbing bands. Therefore, finding the critical points of the reflectance curve against the water content can help detect severe water stress in plants. By examining the graphs, we can see that the critical point occurs around the leaf water content of 0.03 to 0.04 . Conclusion: Finding the critical points of the reflectance curve against leaf water content can be used to detect severe water stress in plants. In the PROSPECT model, the effect of the ground soil on the spectral reflectance of plants is not considered. Thus, it is suggested that models such as SAIL and SLC be used, which have been improved for this purpose. Also, considering that the PROSPECT model output is the plant’s leaf spectral curve, canopy radiative transfer models such as the SAIL and SLC can also be employed. سابقه و هدف: تعیین نحوۀ اثرگذاری محتوای بیوشیمیایی برگ در بازتاب و رفتار طیفی آن، ازطریق سنجش از دور، می‌تواند به درک فرایند اکوسیستم و پارامترهای آن، همچون تنش آبی گیاه، کمک شایان توجهی کند. ویژگی‌های نوری تاج‌پوشش بسیار تحت تأثیر ویژگی‌های نوری برگ‌ها و خاک زمینه است. همچنین به‌دلیل دردسترس‌نبودن اطلاعات دقیق دربارۀ ویژگی‌های نوری برگ‌ها، تفسیر اطلاعات طیفی را که ازطریق سنجش از دور گرد می‌آیند، با محدودیت‌هایی روبه‌رو کرده است. ساختار داخلی برگ میزان انعکاس و عبور را در کل طیف الکترومغناطیس، کنترل می‌کند اما، برای کسب اطلاعات دقیق و توصیف جامع دربارۀ ویژگی‌های نوری برگ، مدل‌های فیزیکی توسعه یافته‌اند. مدل‌های برگشت‌پذیر همانند PROSPECT علاوه‌بر محاسبۀ پاسخ طیفی برگ، امکان محاسبۀ مقدار کمّی ویژگی‌های درونی برگ، مانند میزان کلروفیل، محتوای آب و ساختار برگ را فراهم می‌کنند. با استفاده از ویژگی برگشت‌پذیری، می‌توان براساس طیف جمع‌آوری‌شده ازطریق سنجنده‌ها، کمّیت آب برگ‌ها و زیست‌تودۀ آنها را مشخص کرد. بنابراین استفاده از این مدل‌ها و تلفیق آن با داده‌های دورسنجی که برای گیاه غیرتخریبی است، امکان پایش در بُعد زمان و مکان را فراهم می‌آورد و می‌تواند راه‌گشای مطالعات و مدل‌سازی‌های مرتبط با ویژگی‌های درونی برگ گیاهان باشد. مواد و روش‌ها: در این پژوهش، اثر کمّی متغیرهای بیوفیزیکی‌– بیوشیمیایی برگ شامل محتوای کلروفیل برگ، ساختار برگ و محتوای آب آن در میزان بازتاب تحلیل شده است. برای این منظور، مدل انتقال تابش PROSPECT که برای شبیه‌سازی رفتار طیفی برگ گیاهان توسعه داده شده، به کار رفته است. در نتیجه، تأثیر کمّیت پارامترهای برگ شامل کلروفیل، محتوای آب و ساختار برگ در شکل منحنی طیفی برگ بررسی شده است. روش کار بدین‌ترتیب است که به‌منظور مطالعۀ تأثیرات ناشی از هریک از پارامترها، دو پارامتر دیگر ثابت در نظر گرفته می‌شوند و با تغییر مقدار پارامتر مورد نظر، منحنی‌های طیفی متناظر با مقادیر انتخاب‌شده، با به‌کارگیری مدل PROSPECT استخراج می‌شود. با مقایسۀ منحنی‌های حاصل و تحلیل آنها، تأثیر پارامتر مورد نظر در بازتاب طیفی برگ مطالعه و بررسی می‌شود. نتایج و بحث: نتایج تحقیق حاکی از آن است که افزایش کلروفیل، با اثر در کاهش انعکاس، به افزایش میزان شاخص‌های گیاهی مثلثی منجر می‌شود. براساس ساختار برگ و لایه‌های داخلی، در محدودۀ فروسرخ نزدیک، امکان تشخیص گیاهان تک‌لپه‌ای، دولپه‌ای و نیز گیاهان پیر وجود دارد. همچنین در محدودۀ فروسرخ نزدیک، میزان انعکاس در گیاهان پیر، گیاهان دولپه‌ای و تک‌لپه‌ای به‌ترتیب کاهش می‌یابد. در محدودۀ فروسرخ نزدیک، در گیاهان دولپه‌ای که دارای پارانشیم اسفنجی‌اند، بیشتر از گیاهان تک‌لپه‌ای انتظار بازتاب می‌رود. گیاهان تک‌لپه‌ای، به‌دلیل بازتاب کمترشان در محدودۀ 1400 تا 1900 نانومتر، از سایر گیاهان تفکیک‌پذیرند. اثرگذاری محتوای آب در بازتاب طیفی برگ از طول‌موج 1000 نانومتر آغاز می‌شود و تا پایان محدودۀ انعکاسی، 2500 نانومتر، ادامه دارد و با افزایش محتوای آب، کاهش بازتاب رخ می‌دهد. خشک‌شدن گیاه، تا مراحلی، تأثیر چندانی در بازتاب ندارد ولی خشکیدن آب برگ، بیشتر از مقداری معین (03/0 تا 04/0 گرم بر سانتی‌متر مربع) باعث افزایش چشمگیر بازتاب، به‌ویژه خارج از باندهای جذبی آب می‌شود. بنابراین با پیداکردن نقاط بحرانی منحنی بازتاب در مقابل محتوای آب می‌توان به تشخیص تنش‌های شدید آبی در گیاهان کمک کرد. با بررسی نمودارها می‌توان پی برد که نقطۀ بحرانی در حوالی محتوای آب 03/0 تا 04/0 گرم بر سانتی‌متر مربع اتفاق می‌افتد. نتیجه‌گیری: با یافتن نقاط بحرانی منحنی بازتاب در مقابل محتوای آب، می‌توان تنش‌های شدید آبی در گیاهان را تشخیص داد. در مدل PROSPECT، اثر خاک زمینه در بازتاب طیفی گیاهان در نظر گرفته نمی‌شود؛ بنابراین استفاده از مدل‌هایی مانند SAIL و SLC پیشنهاد می‌شود که برای این منظور ارتقا یافته‌اند. همچنین با توجه به اینکه خروجی مدل PROSPECT منحنی طیفی برگ گیاه است، می‌توان استفاده از مد‌ل‌های انتقال تابش تاج‌پوشش گیاه، مانند مدل SAIL و SLC را نیز بررسی کرد.

https://gisj.sbu.ac.ir/article_103728_2bfbf38b476fcfa804c5a86d193b34b3.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Spatial Monitoring of Drought Using Remote Sensing Indices, Case Study: Sistan and Baluchestan Province پایش مکانی خشکسالی با استفاده از شاخص‌های سنجش از دوری (مطالعۀ موردی: استان سیستان و بلوچستان) 35 56 103976 10.48308/gisj.2023.231123.1156 FA معصومه نبوی زاده دانشجوی دکتری گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران کمال امیدوار استاد گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران Journal Article 2023 03 18 Introduction: Drought monitoring is crucial due to its widespread impacts on the economy, environment, and society. To monitor droughts accurately, comprehensive and integrated meteorological and hydrological data are essential, particularly in areas such as Sistan and Baluchestan Province, which is facing a severe drought. Climatic studies indicate that Sistan and Baluchestan province has evolved into an arid region highly susceptible to prolonged droughts due to a combination of climatic factors such as low precipitation, high evaporation rates, strong winds, and limited vege-tation cover. Based on research conducted between 2000 and 2015, approximately 58% of the province's total area has been directly affected by drought. These findings align with previous studies, which have shown that dry years with below-average rainfall constitute more than 52% of the province's climatic record. Materials and methods: In this study, MODIS and GRACE satellite data were utilized to comprehensively assess drought in Sistan and Baluchestan province. The Vegetation Health Index (VHI) was employed to monitor vegetation changes, while the Terrestrial Water Storage (TSDI) was used to analyze groundwater variations. The Global Land Data Assimilation System (GLDAS) soil moisture data served as a reference for result validation. Given the limitations of GRACE data, a 16-year common period (2002-2017) was selected for the analysis. Additionally, the Standardized Precipitation Evapotranspiration Index (SPEI) was calculated over a 30-year period (1987-2018) to examine long-term drought trends. Results and discussion: Geographically, VHI drought maps revealed that Sistan and Baluchestan province has experienced moderate to severe drought throughout the study period, with increasing drought severity in the years leading up to the study. To monitor hydrological drought, GRACE satellite data was utilized to measure changes in terrestrial water storage. This is a significant step in comprehensively understanding hydrological drought in the study province. The TSDI index, a quantitative measure of drought, was calculated to monitor hydrological drought in all 50 third-level sub-basins. The drought monitoring process began by calculating the deficit, defining drought as four consecutive months with negative TWSA. Results clearly show an increasing drought deficit from south to north in the study province. Almost all basins experienced large deficits from 2011 onwards. By estimating the deficit and the overall decrease in groundwater storage in April, this study demonstrated that all basins were experiencing a water storage deficit in the critical and exceptional range in the years leading up to the end of the study period. Conclusion: Results from the VHI revealed that the study province has experienced widespread drought in recent years. The southern and central regions of the province have faced more severe drought classes. Analysis of drought index graphs across different severity classes confirmed that all watersheds have experienced drought conditions, particularly in recent years. Data analysis indicates a severe water crisis in the province. Urgent and coordinated actions are required to address this challenge. Shifting to drought-resistant crops, improving irrigation efficiency, and securing water rights are essential steps towards a sustainable future. سابقه و هدف: پایش خشکسالی به‌دلیل تأثیرات گستردۀ آن در اقتصاد، محیط‌زیست و جامعه، مسئله‌ای حیاتی است. برای پایش دقیق خشکسالی، داده‌های جامع و یکپارچۀ هواشناسی و هیدرولوژیکی ضروری است؛ به‌ویژه در مناطقی مانند استان سیستان و بلوچستان که با خشکسالی شدید مواجه است. مطالعات اقلیمی نشان می‌دهد که استان سیستان و بلوچستان، به‌دلیل عوامل اقلیمی مانند بارندگی اندک، تبخیر بالا، بادهای شدید و پوشش گیاهی محدود، به منطقه‌ای خشک و بسیار مستعد خشکسالی‌های طولانی‌مدت تبدیل شده است. مواد و روش‌ها: در این پژوهش، برای ارزیابی جامع خشکسالی در استان سیستان و بلوچستان، از داده‌های ماهواره‌ای مادیس و گریس بهره گرفته شد و شاخص پوشش گیاهی VHI برای پایش تغییرات پوشش گیاهی و شاخص TSDI برای تحلیل تغییرات منابع آب زیرزمینی به کار رفت. برای اعتبارسنجی نتایج، داده‌های رطوبت خاک GLDAS به‌منزلۀ دادۀ مرجع در نظر گرفته شد. با توجه به محدودیت‌های داده‌ای گریس، دورۀ مشترک شانزده‌ساله (2002-2017) برای تحلیل انتخاب شد. همچنین، برای بررسی روندهای بلندمدت خشکسالی، شاخص SPEI طی دورۀ سی‌ساله (1987-2018) محاسبه شد. نتایج: از لحاظ جغرافیایی، نقشه‌های VHI نشان داد استان سیستان و بلوچستان، در تمامی سال‌ها، با خشکسالی متوسط و ملایم روبه‌رو بوده و در سال‌های منتهی به دورۀ مطالعاتی، بر شدت خشکسالی‌ها افزوده شده است. به‌منظور پایش خشکسالی هیدرولوژیکی، از محصول ماهواره‌ای گریس استفاده شده است که تغییر در مقدار آب زمینی را اندازه‌گیری می‌کند. نتایج مطالعۀ شاخص TSDI مفهوم کمّی خشکسالی را پوشش می‌دهد. این شاخص، با هدف پایش خشکسالی هیدرولوژیکی، در تمامی حوضه‌های آبریز درجۀ 3 (پنجاه حوضه) محاسبه شد. فرایند پایش خشکی، در گام نخست، با محاسبۀ کسری خشکسالی به‌منزلۀ ماه‌هایی با TWSA منفی به‌صورت چهار ماه متوالی تعریف شد. نتایج میزان افزایش کسری خشکسالی، از جنوب به شمال استان مورد مطالعه را به‌خوبی به نمایش گذاشته است. تمامی حوضه‌ها، تقریباً از 2011، با کسری‌های بزرگی مواجه بودند. این مطالعه، ازطریق برآورد کسری و کاهش ذخیرۀ کلی آب زمینی در ماه آوریل، نشان داد تمامی حوضه‌ها، در سال‌های منتهی به پایان دورۀ مطالعاتی، شاهد کمبود ذخیرۀ آب، آن هم در محدودۀ خطرناک و استثنایی بوده‌اند. نتیجه‌گیری: نتایج حاصل از VHI نشان داد که استان مورد مطالعه، در سال‌های اخیر، دچار خشکسالی گسترده‌ای شده است. مناطق جنوبی و مرکزی استان با کلاس‌های شدیدتر خشکسالی مواجه بوده‌اند. تحلیل نمودارهای شاخص خشکسالی، در کلاس‌های متفاوت شدت خشکسالی، تأیید می‌کند که همۀ حوضه‌های آبریز با شرایط خشکسالی، به‌ویژه در سال‌های اخیر، روبه‌رو بوده‌اند. داده‌ها نشان می‌دهند که استان با بحران شدید آب مواجه است. اقدامات فوری و هماهنگ برای مقابله با این چالش ضروری است.

https://gisj.sbu.ac.ir/article_103976_f76fcc0b09cef15a1f4bc954b3d66420.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Estimating the Runoff Coefficient by Combining Arc CN-Runoff, SCS-CN and ICAR Empirical Relationship (Case Study: Selseleh Study Area - Lorestan Province) برآورد ضریب رواناب با تلفیقی از ابزار Arc CN – Runoff، SCS – CN و رابطۀ تجربی ICAR (مطالعۀ موردی: محدودۀ مطالعاتی سلسله‌– استان لرستان) 57 76 104068 10.48308/gisj.2023.228883.1120 FA یزدان یاراحمدی دانشجوی دکتری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران حجت الله یونسی دانشیارگروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه لرستان، خرم‌آباد، ایران احمد گودرزی دکتری، شرکت سهامی آب منطقه‌ای لرستان، خرم‌آباد، ایران سعید رستمی دکتری، شرکت سهامی آب منطقه‌ای لرستان، خرم‌آباد، ایران Journal Article 2022 09 20 Introduction: Determining the value of the runoff coefficient is one of the biggest problems and the main source of uncertainty in many water resources projects. In most researches related to water resources, the runoff coefficient values are taken from the tables of values depending on the conditions of the studied area. The main concern in this method is the selection of values that are subjectively chosen from a vague method and reflect a personal judgment of useful data, hence an appropriate method for determining the runoff coefficient should be selected. Materials and methods: In order to carry out this research, data including digital elevation model information, land use classes, soil texture, and meteorological and hydrological statistics (rainfall and runoff) related to the research area for a 20-year statistical period (2001-2021) were used. Using the obtained land use map, the land use map of the area was classified into 9 land uses. Also, to prepare a map of soil hydrological groups, the soil texture map was used at a depth of 200 cm in the study area of Selseleh, and according to the type of soil texture, the soil hydrological group was extracted for each area. Finally, the soil hydrological group was divided into three categories (A-B-C). The map of the land use layer and soil hydrological groups was entered into the Arc CN - Runoff tool environment, and finally the Intersect operation was applied on two layers and the land use layer - hydrological group (Land soil) was prepared, and this new layer is only for display. The surface is covered by two layers and the map of runoff curve number, soil surface maintenance, volume, height and runoff coefficient is prepared based on this layer. Finally, the value of the runoff coefficient was estimated in three conditions of dry, medium and wet moisture conditions and a comparison was made. Results: The results of the research showed that in the study area, the runoff coefficient (CR) in three conditions of dry, medium and wet moisture conditions is equal to 0.26, 0.53 and 0.77, respectively. Therefore, the dry humid state has decreased by 68% compared to the average, and the more humid state has increased by 37% compared to the average. Correlation analysis between the runoff coefficient and characteristics of the study area showed that in the study area, the runoff coefficient series is influenced by 6 physiographic characteristics of the study area: area, slope, waterway length and Gravel's coefficient, maximum height and density of waterways. The value of the runoff curve number (CN) in dry, medium and wet conditions for the whole area was estimated as 65, 81 and 92, respectively. The amount of soil surface retention (S) in dry, medium and wet moisture conditions for the whole range was estimated as 138.74, 59.60 and 23.42 mm, respectively. The amount of runoff height (Q) in dry, medium and wet moisture conditions for the whole area was estimated as 27.78, 55.73 and 79.31 mm, respectively. The amount of runoff volume (V) in dry, medium and wet moisture conditions for the whole area was estimated as 3710.64, 7164.03 and 10070.46 thousand cubic meters, respectively. Conclusion: These conditions require the implementation of basic measures to increase vegetation cover, including digging holes and leveling along with plans to increase vegetation cover, generally in the form of planting and sowing pasture plants in the area, and rainfall in the area can provide sufficient moisture for their success. Establishing a rainwater collection system can also be effective due to the low permeability of the soil in the region, and it can be used to increase vegetation and other uses. سابقه و هدف: تعیین مقدار ضریب رواناب یکی از بزرگ‌ترین مشکلات و منبع اصلی فقدان اطمینان در بسیاری از پروژه‌های منابع آب است. در بیشتر پژوهش‌هایی که در زمینۀ منابع آب انجام می‌شود، مقادیر ضریب رواناب از جدول‌های مقادیر با توجه به ‌شرایط منطقۀ مورد مطالعه برداشته می‌شود. نگرانی اصلی، در این روش، انتخاب مقادیری است که به‌صورت ذهنی طبق روشی مبهم انتخاب می‌شوند و قضاوتی شخصی را دربارۀ داده‌های مفید منعکس می‌کنند؛ ازاین‌رو برای تعیین ضریب رواناب باید روشی مناسب انتخاب شود. مواد و روش‌ها: به‌منظور اجرای این پژوهش، از داده‌هایی شامل اطلاعات مدل رقومی ارتفاعی، کلاس‌های کاربری اراضی، بافت خاک و آمار هواشناسی و هیدرولوژیکی (بارش و رواناب) مرتبط با منطقۀ مورد پژوهش، طی دورۀ آماری بیست‌ساله‌ای (1380-1400)، استفاده شد. با استفاده از نقشۀ کاربری اخذ شده اراضی، نقشۀ کاربری اراضی محدوده در نُه کاربری طبقه‌بندی شد. همچنین برای تهیۀ نقشۀ گروه‌های هیدرولوژیکی خاک، نقشۀ بافت خاک در عمق 200سانتی‌متری محدودۀ مطالعاتی سلسله به کار رفت و با توجه به نوع بافت خاک، گروه هیدرولوژیکی خاک مختص هر محدوده استخراج شد. در نهایت، گروه هیدرولوژیک خاک در سه دسته (A,B,C) قرار گرفت. نقشۀ لایۀ کاربری اراضی و گروه‌های هیدرولوژیکی خاک وارد محیط ابزار Arc CN – Runoff شد و در نهایت، عملیات تلفیق روی دو لایه اعمال و لایۀ کاربری اراضی‌– گروه هیدرولوژیکی (Land Soil) تهیه شد؛ این لایۀ جدید فقط سطح پوشیده‌شده با دو لایه را نشان می‌دهد و نقشۀ شمارۀ منحنی رواناب، نگهداشت سطحی خاک، حجم، ارتفاع و ضریب رواناب براساس این لایه تهیه می‌شود. در نهایت، مقدار ضریب رواناب در سه حالت وضعیت رطوبتی خشک، متوسط و مرطوب برآورد شد و مقایسه‌ای صورت گرفت. نتایج: نتایج پژوهش نشان داد، در محدودۀ مطالعاتی سلسله، میزان ضریب رواناب (CR) در سه حالت وضعیت رطوبتی خشک، متوسط و تر، به‌ترتیب برابر با 26/0، 53/0 و 77/0 است. بنابراین حالت رطوبتی خشک، در قیاس با متوسط، 68% کاهش و حالت رطوبتی تر، در مقایسه با متوسط، 37% افزایش داشته است. بررسی همبستگی بین ضریب رواناب و مشخصات محدودۀ مطالعاتی نشان داد که در محدودۀ مطالعاتی سلسله، ضریب رواناب تحت تأثیر شش ویژگی فیزیوگرافی محدودۀ مطالعاتی مساحت، شیب، طول آبراهه و ضریب گراولیوس، حداکثر ارتفاع و تراکم آبراهه‌ای است. مقدار شمارۀ منحنی رواناب (CN) در حالت رطوبتی خشک، متوسط و تر برای کل محدوده، به‌ترتیب برابر با 65، 81 و 92 برآورد شد. میزان نگهداشت سطحی خاک (S) در حالت رطوبتی خشک، متوسط و تر، درمورد کل محدوده، به‌ترتیب برابر با 74/138، 60/59 و 42/23 میلی‌متر به دست آمد. میزان ارتفاع رواناب (Q) در حالت رطوبتی خشک، متوسط و تر، درمورد کل محدوده، به‌ترتیب 78/27، 73/55 و 31/79 میلی‌متر برآورد شد. میزان حجم رواناب (V) در حالت رطوبتی خشک و متوسط و تر، درمورد کل محدوده، به‌ترتیب 64/3710، 03/7164 و 46/10070هزار مترمکعب حاصل شد. نتیجه‌گیری: این شرایط نیازمند اجرای اقدامات اساسی به‌منظور افزایش پوشش گیاهی، شامل عملیات چاله‌کندن و جویچۀ تراز همراه با طرح‌های افزایش پوشش گیاهی، اغلب به‌صورت بوته‌کاری و بذرپاشی گیاهان مرتعی در محدوده است و بارش منطقه می‌تواند رطوبت کافی را برای موفقیت آنها فراهم کند. استقرار سامانۀ جمع‌آوری آب باران نیز، با توجه به نفوذپذیری کم خاک منطقه، می‌تواند مؤثر باشد و از آن در افزایش پوشش گیاهی و دیگر مصارف استفاده شود.

https://gisj.sbu.ac.ir/article_104068_a207e84bd9c500494a7ebd83805efa98.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Evaluation of Soil Calcium Carbonate Using of Satellite Images and NIR Spectroscopy برآورد کربنات‌کلسیم خاک با استفاده از تصاویر ماهواره‌ای و طیف‌سنجی فروسرخ نزدیک 77 94 104236 10.48308/gisj.2024.233142.1179 FA پری ناز عبدلی کارشناسی ارشد علوم و مهندسی خاک، دانشکدۀ کشاورزی، دانشگاه ملایر، ملایر، ایران سهیلاسادات هاشمی استادیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ملایر، ملایر، ایران Journal Article 2023 09 17 Introduction: One of the advantages of remote sensing and visible-near infrared (Vis–NIR) spectroscopy is the speed, simplicity, and cost-effectiveness of analysis compared to traditional methods. Remote sensing is a scientific discipline that involves collecting data while minimizing direct physical contact with the objects being studied. To fully leverage the rapid analysis capabilities of Vis–NIR spectroscopy, it is essential to exploit its advantages over conventional analytical techniques. The aim of this research is to utilize Landsat 8 satellite sensors and the near-infrared spectrum for agricultural and forestry applications in the Gyan Nahavand plain of Hamadan Province to estimate soil calcium carbonate. Material and methods: Forty-eight soil samples were collected from the surface layer (0-30 cm), followed by air drying and sieving to a 2-mm particle size. Several physicochemical characteristics of the soils were analyzed. A Landsat 8 image from September 2019 was utilized for remote sensing studies. The calculated values for each sample unit were generated using ERDAS Imagine 9.1 software. The values for each band at the 48 sampling points were entered into Excel, and the variables were statistically described. In the remote sensing method, the spectral reflectance of the samples was extracted and processed across ten primary bands. In addition to the primary bands, combinations of bands and calcite indices were also employed. Correlations between the values of the primary bands, band compositions, calcite indices, and the amount of soil calcite were analyzed. The best model was selected by fitting various multivariate regressions without excluding outlier data. Spectral analysis of the targeted soils was conducted using a FieldSpec 3 spectroradiometer, with a wavelength range of 350-2500 nm. After recording the spectra, various preprocessing methods were evaluated. The Pearson correlation test and linear regression analyses were performed using SPSS 24.1 software. Results and discussion: Laboratory results indicated that the average soil calcium carbonate content in agricultural and forested areas was 30% and 22.22%, respectively. The findings revealed that bands 10 and 11 exhibited a significant correlation with soil calcite in forested areas (p < 0.05). Twelve band compositions at the 5% significance level and six band compositions at the 1% significance level demonstrated a significant correlation with the amount of soil calcite. Additionally, the R1 index ((Band5/Band4)/(Band5/Band2)) showed a significant correlation with soil calcite (p < 0.05). The correlation between the measured calcite in the laboratory and the equation derived from satellite imagery was found to be moderate (r² = 0.45) for agricultural use. In the spectroscopic analysis, the highest correlation was observed at a wavelength of 612 nm (r² = 0.85**). Based on modeling using Partial Least Squares Regression (PLSR), the determination coefficient for the calibration group for calcite was 0.8, with a Root Mean Square Error (RMSE) of 4.8%. In the validation group, the determination coefficient was 0.5, and the RMSE was 7.8%. Among the models fitted using multivariate regression with satellite images, the Stepwise Multivariate Linear Regression (SMLR) model is recommended as a suitable approach for estimating calcite. The Partial Least Squares Regression (PLSR) model has also proven to be nearly suitable for estimating calcite using the spectroscopic method. Conclusion: The overall results indicate that the model developed using regression statistical methods in remote sensing has effectively estimated the amount of soil calcite in agricultural lands. The quantities obtained through remote sensing and laboratory analyses show minimal differences. Therefore, it can be concluded that the remote sensing method is successful in estimating soil calcite levels. Additionally, the results from spectrometry demonstrate that the PLSR model is suitable for estimating soil calcite, provided that a larger number of samples is utilized. In general, we can conclude that the Vis-NIR spectroscopy method offers greater accuracy compared to remote sensing and titration methods, although it requires a more extensive sample set. It is recommended to increase the number of spectroscopic samples to enhance the accuracy of the findings and to ensure that the same number of samples is used for a more effective comparison between the two land uses. سابقه و هدف: از مزایای دانش سنجش از دور و طیف‌سنجی مرئی‌– فروسرخ نزدیک، سرعت و سادگی و هزینۀ اندک آن، در مقایسه با روش قدیمی است. سنجش از دور دانش گردآوری داده‌ها، با حداقل تماس مستقیم فیزیکی با اشیای مورد اندازه‌گیری است. طیف‌سنجی مرئی‌– فروسرخ نزدیک دامنه‌ای از جذب را با سرعت آنالیز بالا، در مقایسه با روش سنتی، برآورد می‌کند. هدف از این تحقیق به‌کاربردن داده‌های ماهوارۀ لندست 8 و طیف فروسرخ نزدیک، در کاربری‌های کشاورزی و جنگل در دشت گیان نهاوند، استان همدان، برای تخمین کربنات‌کلسیم ‌خاک است. مواد و روش‌ها: 48 نمونۀ خاک از عمق 30- 0 سانتی‌متری برداشته و سپس هواخشک، و از الک دومیلی‌متری عبور داده شد. برخی ویژگی‌های فیزیکی و شیمیایی خاک‌ها اندازه ‌گرفته شد. به‌منظور مطالعات سنجش از دور، تصویر لندست 8 متعلق به تاریخ نمونه‌برداری (سپتامبر 2019) به کار رفت. مقادیر محاسبه‌شدۀ هریک از قطعات نمونه در محیط ERDAS imagine 9.1 ایجاد شد. ارزش هر باند، برای 48 نقطه، در محیط اکسل وارد و در نهایت، مراحل توصیف‌های آماری متغیرها انجام شد. در روش سنجش از دور، انعکاس طیفی نمونه‌ها روی ده باند اصلی استخراج و پردازش شد. سپس همبستگی بین ارزش باندهای اصلی، ترکیب باندها، و شاخص‌های کلسیت با مقدار کلسیت خاک انجام شد. با برازش انواع رگرسیون‌های چندمتغیره بدون حذف داده‌های پرت، بهترین مدل انتخاب شد. آنالیز طیفی خاک‌های مورد نظر با استفاده از دستگاه طیف‌سنج زمینی، با دامنۀ طول‌موج 2500-350 نانومتر، انجام شد. پس از ثبت طیف‌ها، انواع روش‌های پیش‌پردازش مورد ارزیابی قرار گرفت. همبستگی پیرسون و رگرسیون خطی در محیط SPSS 24.1 سنجیده شد. نتایج و بحث: نتایج آزمایشگاهی نشان داد که میانگین کربنات‌کلسیم خاک، در کاربری کشاورزی و جنگل، به‌ترتیب 30 و 22/22% است. طبق نتایج، باندهای 10 و 11 رابطه معنی‌داری با کلسیت خاک در کاربری جنگل داشته‌اند (05/0>p). دوازده ترکیب باندی در سطح 5% و شش ترکیب باندی در سطح 1% با میزان کلسیت خاک، ارتباط معنی‌داری نشان دادند. همچنین شاخص R1 ((باند 2/ باند 5)/(باند 4/ باند 5))، با کلسیت خاک، رابطه معنی‌داری داشت (05/0>p). رگرسیون بین کلسیت محاسبه‌شده در آزمایشگاه و معادلۀ حاصل از تصویر ماهواره‌ای، در کاربری‌های کشاورزی، برابر (45/0=r2) به ‌دست آمد. در روش طیف‌سنجی، بیشترین همبستگی در طول‌موج‌ 612 نانومتر (**85/0=r2) مشاهده شد. براساس مدل‌سازی با رگرسیون حداقل مربعات جزئی (PLSR)، مقدار ضریب تبیین در گروه کالیبراسیون درمورد کلسیت 8/0 و مقادیر RMSE برابر با 8/4%، مقدار ضریب تبیین در گروه اعتبارسنجی برابر با 5/0 و مقدار RMSE برابر با 8/7% محاسبه شد. از بین مدل‌های برازش‌یافته با رگرسیون چندمتغیره، در تصاویر ماهواره‌ای، مدل SMLR برای برآورد کلسیت مناسب به نظر می‌رسد. مدل رگرسیونی حداقل مربعات جزئی، برای برآورد کلسیت به‌روش طیف‌سنجی نیز، تقریباً مناسب بوده است. نتیجه‌گیری: نتایج کلی نشان داد که مدل برآوردشده از روش آماری رگرسیون، در سنجش از دور، توانسته است میزان کلسیت خاک را در اراضی کشاورزی برآورد کند و میزان به‌دست‌آمده براساس روش سنجش از دور و آزمایشگاه اختلاف ناچیزی با یکدیگر دارند. بنابراین می‌توان گفت روش سنجش از دور، در برآورد کلسیت خاک، موفق بوده است. نتایج طیف‌سنجی نیز نشان داد که مدل PLSR، در برآورد مقدار کلسیت خاک، مدل مناسبی است؛ به‌شرط آنکه تعداد نمونه‌ها بیشتر باشد. در برآورد کلی، می‌توان نتیجه گرفت روش طیف‌سنجی مرئی‌– فروسرخ نزدیک دارای صحت بیشتری از روش سنجش از دور و تیتراسیون است؛ منتها به تعداد نمونه‌های‌ بیشتری نیاز دارد. توصیه می‌شود، برای افزایش صحت کار، تعداد نمونه‌های طیف‌سنجی افزایش یابد و برای مقایسۀ بهتر بین دو کاربری نیز، تعداد نمونه‌های انتخابی برابر باشد.

https://gisj.sbu.ac.ir/article_104236_1b0947f2e3a8b34c96088579431ab0fd.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Land Use Changes Modeling and Predictions Using CA-ANN Hybrid Model in Khamir and Qeshm Mangrove Forests مدل‌سازی و پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل ترکیبی CA-ANN در جنگل‌های مانگرو خمیر و قشم 95 114 104488 10.48308/gisj.2024.233850.1189 FA پروانه سبحانی استادیار، گروه محیط زیست، دانشگاه لرستان، دانشکده منابع طبیعی، خرم آباد، ایران افشین دانه کار استاد گروه محیط زیست، دانشگاه تهران، دانشکده منابع طبیعی، کرج، ایران Journal Article 2023 11 20 Introduction: Currently, one of the most important environmental issues in the world is land use change and increasing unsustainability in natural ecosystems and protected areas. Mangrove forests grow in tropical coastal areas and are one of the most vulnerable and endangered ecosystems in the world. Land use changes generally affect the integrity of these natural ecosystems and also lead to habitat conversion and pose a threat to plant and animal life. The direct consequences of these changes and their effects include a decrease in the health and area of mangrove forests, intensification of global warming and climate change, a decrease in coastal water quality, a decrease in biodiversity, fragmentation of coastal habitats, and the destruction of biological resources. Therefore, spatio-temporal monitoring of land use changes and modeling and predicting the trend of these changes can contribute to integrated management and proper planning in mangrove forests. Accordingly, in the present study, the spatial-temporal changes in land use of Khamir and Qeshm mangrove forests during the years 1989-2023 were investigated. In addition, to model and predict the trend of these changes, a combined CA-ANN model was investigated based on the descriptive variables of altitude, slope, population density, distance from settlements, distance from city center, and distance from roads for the year 2060. Materials and Methods: Khamir and Qeshm mangrove forests (Hara Protected Area) with an area of 86,258 ha located in Hormozgan province. In this study, the spatial-temporal changes in land use in this region were investigated using a set of Landsat satellite images (1989-2023) in the Google Earth Engine (GEE) web-based system. In addition, to model and predict these changes, a combined artificial neural network and cellular automata (CA-ANN) model was examined based on descriptive variables of altitude, slope, population density, distance from settlements, distance from city center, and distance from roads, and a map of the possible trend of land use changes for the year 2060 was also prepared. Finally, the ordinary least squares (OLS) regression model was used to analyze the impact of these variables on the trend of land use changes in the region. Results and Discussion: According to the results, the mangrove forests of Khamir and Qeshm show a decreasing trend in 2023 compared to 1989. The results of the prediction of land use changes also showed that tidal zones and bare lands will increase in 2060, while mangrove forests and aquatic areas will decrease. Also, the most significant changes are related to the reduction of mangrove forests (in the northern and southeastern regions of the region) and the increase of other unnatural areas (tidal zones and bare lands in the area of Bandar Khamir in the north and northeast of the region, as well as on the outskirts of the villages of Laft to Goran). Accordingly, considering the values of the probability of transition, mangrove forest covers are susceptible to transformation into other unnatural areas. In addition, the results of the regression model analysis showed that the most important descriptive variables affecting land use changes include distance from settlements and roads due to greater accessibility and the possibility of high development of human activities in these natural habitats. In this regard, the continued increase in land use changes in the Khamir and Qeshm mangrove forests will lead to the destruction and extinction of a large area of these valuable biological reserves in the south of the country. Conclusion: Given that the Khamir and Qeshm mangrove forests are considered areas under environmental protection and management boundaries, the implementation of proposed projects and the construction of any infrastructure and development in this area must be carried out by management plans (zoning) and environmental assessments. On the other hand, land use changes outside the management boundaries of the area must be limited to minimize the reduction in the integrity and fragmentation of the habitat in these natural habitats. Accordingly, reducing the adverse effects of land use changes in this area requires appropriate planning and integrated management in the proper utilization of these natural resources. The findings of this study can also help stakeholders create an opportunity to develop appropriate strategies to protect the mangrove forests of Khamir and Qeshm and restore these habitats. سابقه و هدف: درحال‌حاضر یکی از مهم‌ترین مسائل محیط‌زیستی جهان تغییرات کاربری اراضی و افزایش ناپایداری در اکوسیستم‌های طبیعی و مناطق تحت حفاظت است. جنگل‌های مانگرو در مناطق ساحلی گرمسیری رشد می‌کنند و یکی از آسیب‌پذیرترین و درمعرض‌خطرترین اکوسیستم‌های جهان شمرده می‌شوند. تغییرات کاربری اراضی به‌طورکلی در یکپارچگی این اکوسیستم‌های طبیعی تأثیر می‌گذارد و همچنین به تغییرات زیستگاه منجر می‌شود و تهدیدی برای زندگی گیاهان و حیوانات به ‌شمار می‌رود. پیامدهای مستقیم این تغییرات و تأثیرات ناشی از آن شامل کاهش سلامت و مساحت جنگل‌های مانگرو، تشدید گرمایش جهانی و تغییرات اقلیمی، کاهش کیفیت آب ساحلی، کاهش تنوع زیستی، تکه‌تکه‌شدن زیستگاه‌های ساحلی و همچنین تخریب منابع زیستی خواهد بود. بنابراین پایش مکانی‌– زمانی تغییرات کاربری اراضی و مدل‌سازی و پیش‌بینی ‏روند این تغییرات می‌تواند به مدیریت یکپارچه و برنامه‌ریزی صحیح درمورد جنگل‌های ‏مانگرو کمک کند. بر این ‌اساس، در مطالعۀ حاضر، تغییرات مکانی‌– زمانی کاربری‌های اراضی جنگل‌های مانگرو خمیر و قشم طی سال‌های 1989-2023 بررسی شد. علاوه‌براین به‌منظور مدل‌سازی و پیش‌بینی روند این تغییرات، مدل‌‌ ترکیبی CA-ANN براساس متغیرهای توصیفی ارتفاع، شیب، تراکم جمعیت، فاصله از ‏سکونتگاه‌ها مرکز شهر و جاده‌ها، برای سال 2060 مورد بررسی قرار گرفت. مواد و روش‌ها: جنگل‌های مانگرو خمیر و قشم (منطقۀ حفاظت‌شدۀ حرا)، با مساحت ‏86,258 هکتار، در استان هرمزگان واقع شده است. در این مطالعه، تغییرات مکانی‌– زمانی کاربری‌های اراضی این منطقه، با استفاده از مجموعه تصاویر ماهواره‌ای لندست (1989-2023) در سامانۀ تحت وب گوگل ارث انجین (GEE) بررسی شد. علاوه‌براین، به‌منظور مدل‌سازی و پیش‌بینی این تغییرات، مدل‌‌ ترکیبی شبکۀ عصبی مصنوعی و اتومای سلولی (CA-ANN)، براساس متغیرهای توصیفی ارتفاع، شیب، تراکم جمعیت، فاصله از ‏سکونتگاه‌ها و مرکز شهر و جاده‌ها، بررسی شد و نقشۀ روند احتمالی تغییرات کاربری اراضی، برای سال 2060 نیز تهیه شد. در نهایت، با استفاده از مدل رگرسیونی حداقل مربعات معمولی (OLS)، میزان تأثیرگذاری این متغیرها در روند تغییرات کاربری‌های اراضی منطقه تحلیل شد. نتایج و بحث: مطابق نتایج، جنگل‌های مانگرو خمیر و قشم در سال 2023، در مقایسه با سال 1989، روندی ‏کاهشی را نشان می‌دهند. ‏‏نتایج پیش‌بینی تغییرات کاربری اراضی نیز نشان داد، در سال 2060، ‏پهنه‌های جزرومدی و ‏اراضی لخت افزایش و در مقابل، جنگل‌های مانگرو و پهنه‌های آبی کاهش خواهند یافت. همچنین بیشترین تغییرات به کاهش جنگل‌های مانگرو (در ‏مناطق شمالی و جنوب‌شرق منطقه) و افزایش سایر مناطق غیرطبیعی (پهنه‌های جزرومدی و اراضی لخت در محدودۀ ‏بندر خمیر، در شمال و شمال‌شرق منطقه و همچنین حاشیۀ روستاهای لافت تا گوران) بازمی‌گردد و با توجه به مقادیر احتمال انتقال، پوشش‌های جنگلی مانگرو مستعد تبدیل‌شدن به سایر مناطق غیرطبیعی‌ هستند‏. برمبنای نتایج تحلیل مدل رگرسیونی نیز، عمده‌ترین متغیرهای توصیفی تأثیرگذار در تغییرات کاربری اراضی شامل فاصله از سکونتگاه‌ها و جاده‌ها است، زیرا در این ‏رویشگاه‌های طبیعی، دسترسی و امکان توسعۀ فعالیت‌های انسانی بیشتر است. در این زمینه، تداوم افزایش تغییرات کاربری‌های اراضی، در جنگل‌های مانگرو خمیر و قشم، به نابودی و انقراض گسترۀ وسیعی از این ذخایر ارزشمند زیستی در جنوب کشور منجر می‌شود. ‏نتیجه‌گیری: با توجه به اینکه جنگل‌های مانگرو در خمیر و قشم جزء مناطق حفاظت‌شدۀ محیط‌زیست و مرزهای مدیریتی محسوب می‌شوند، اجرای پروژه‌های پیشنهادی و احداث هرگونه زیرساخت و توسعه در این منطقه باید با توجه به طرح‌های مدیریتی (زون‌بندی) و ارزیابی‌های زیست‌محیطی انجام شود. از سویی، تغییرات کاربری‌ها باید در خارج از مرز مدیریتی منطقه محدود شود تا کاهش یکپارچگی و ازهم‌گسیختگی زیستگاه، در این رویشگاه‌های طبیعی، به حداقل برسد. بر این ‌اساس، کاهش تأثیرات نامطلوب ناشی از تغییرات ‏کاربری اراضی، در این منطقه، نیازمند برنامه‌ریزی مناسب و مدیریتی یکپارچه در بهره‌وری صحیح از این منابع طبیعی است. یافته‌های این مطالعه می‌تواند به ذی‌نفعان نیز، در ایجاد فرصتی برای توسعۀ راهبردهای مناسب به‌منظور حفاظت از جنگل‌های مانگرو خمیر و قشم و احیای این رویشگاه‌ها، یاری رساند.

https://gisj.sbu.ac.ir/article_104488_f30cfbbe3d4a41e2f77185c78da5156b.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Developing a Spatiotemporal Habitat Suitability Model to Assess Biodiversity Changes in Response to Climate Change توسعۀ مدل مکانی‌– زمانی مطلوبیت زیستگاه برای ارزیابی تغییرات تنوع زیستی در پاسخ به تغییر اقلیم 115 137 104849 10.48308/gisj.2024.236293.1225 FA الهام ابراهیمی دانشجوی دکتری، گروه تنوع زیستی و مدیریت اکوسیستم، پژوهشکدة علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران فراهم احمد زاده دانشیار، گروه تنوع زیستی و مدیریت اکوسیستم، پژوهشکدة علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران اصغر عبدلی استاد، گروه تنوع زیستی و مدیریت اکوسیستم، پژوهشکدة علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران بابک نعیمی استادیار، گروه پویایی کمّی تنوع زیستی، گروه زیست‌شناسی، دانشگاه اوترخت، هلند Journal Article 2024 07 16 Introduction: Biodiversity loss is a global threat to humanity. To address these challenges, international environmental organizations have adopted specific strategic goals and plans within the Kunming-Montreal Global Biodiversity Framework to understand how biodiversity changes over time and to identify the factors influencing these changes. Biodiversity modeling tools, particularly habitat suitability models (species distribution models), play a critical role in this effort. Despite significant advances in modeling techniques and the growing availability of spatial data, current models face serious limitations in accurately predicting biodiversity status and changes, hindering the development of an effective framework for monitoring biodiversity over time. One of the most significant practical limitations of these models is the inconsistency of recorded data in terms of species presence frequency and spatial extent across different time periods. This inconsistency limits the development of spatiotemporal models necessary for understanding species distribution dynamics over time. The objective of this study is to propose a solution to overcome the inconsistencies in biodiversity data over time and to develop a computational process for spatiotemporal habitat suitability modeling. Subsequently, spatiotemporal models were employed to quantify changes in species distribution. Materials and Methods: In this study, a spatiotemporal biodiversity model was developed using presence data of the Roan antelope (Hippotragus equinus). Long-term species presence data spanning from 1901 to 2020 were sourced from the global biodiversity database GBIF to develop the spatiotemporal models. Additionally, species time series data (abundance data) from the LPI and BioTime databases were used to validate the assessment of biodiversity changes. Climatic data were extracted from the CRU TS database, which was used to generate 19 annual environmental layers. After data cleaning and preparation, and selecting appropriate climatic variables by testing for multicollinearity, the time series data were integrated into a single data table or data pool. In this approach, species presence data for each year were linked to the corresponding climatic data for that year and location. To improve model efficiency and reduce uncertainty, 10 common machine learning algorithms were selected to calibrate the spatiotemporal models. After model validation, spatial distribution predictions for each year were obtained by combining predictions from different models using weighted averaging (ensemble), resulting in a 120-year time series of species distribution predictions. Next, the Sen’s slope estimator function was used to calculate the trend of habitat suitability changes over 120 years for each pixel. Results and Discussion: The results of model validation demonstrated that all modeling approaches performed exceptionally well, with AUC values ranging from 0.926 to 0.996, indicating high predictive accuracy. Analysis of the biodiversity trend maps over time revealed a gradual decline in the probability of species presence in southern latitudes. In contrast, an increase in presence probability was observed in the central African belt, suggesting shifts in species distribution patterns. Further validation of the results was carried out using time series data on species distribution and abundance from BioTime and LPI sources. This validation showed that the model accurately matched real data in 88% and 84% of the cases where habitat suitability had decreased. These findings confirm the high accuracy of the model in predicting both species distribution and changes over time. This strong correlation between model predictions and actual data underscores the effectiveness of the proposed spatiotemporal models in capturing and reflecting real-world biodiversity trends. Conclusion: The proposed solution in this study not only enables spatiotemporal modeling for analyzing species distribution patterns and their changes but also improves the accuracy of ecological niche quantification, enhancing spatial distribution predictions and reducing uncertainty in assessments. This approach addresses temporal data inconsistency challenges by increasing sample size and coverage, allowing optimal use of all available records. This study emphasizes the importance of the temporal dimension in species distribution models, particularly in regions with significant climatic changes, and can assist managers in making conservation decisions aligned with sustainable development goals, biodiversity conservation, and the KM-GBF global framework. سابقه و هدف: ازدست‌دادن تنوع‌زیستی تهدیدی جهانی برای انسان‌ها محسوب می‌شود. برای مقابله با این تهدیدها، سازمان‌های جهانی محیط‌زیستی اهداف و برنامه‌های استراتژیک ویژه‌ای را در قالب چارچوب جهانی تنوع‌زیستی کونمینگ‌– مونترال، به‌منظور درک چگونگی تغییرات تنوع‌زیستی در طول زمان و شناسایی عوامل تأثیرگذار در آنها، تصویب کردند. بدین‌منظور ابزارهای مدل‌سازی تنوع زیستی، به‌ویژه مدل‌های مطلوبیت زیستگاه (توزیع گونه‌ای) که از پرکاربردترین روش‌های شناخته‌شده برای مطالعات تنوع زیستی محسوب می‌شوند، نقشی اساسی دارند. با وجود پیشرفت‌های شگرف در توسعۀ روش‌های مدل‌سازی در کنار دسترسی روزافزون به داده‌های مکانی، مدل‌های فعلی در پیش‌بینی دقیق وضعیت و تغییرات تنوع‌زیستی محدودیت‌های جدی دارند؛ این مسئله به ناممکن‌بودن ایجاد چارچوبی مناسب برای پایش تنوع زیستی در طول زمان منجر می‌شود. یکی از مهم‌ترین محدودیت‌های کاربردی این مدل‌ها ناسازگاری داده‌های ثبت‌شده، به‌لحاظ فراوانی و گسترۀ مکانی حضور گونه‌ها در بازه‌های زمانی متفاوت است. این شرایط امکان توسعۀ مدل‌های مکانی‌– زمانی را که در درک پویایی و تغییرات توزیع جغرافیایی گونه‌ها طی زمان ضروری‌اند، محدود می‌کند. هدف از این مطالعه بیان راه‌حلی برای غلبه بر مشکلات ناسازگاری داده‌های تنوع زیستی در طول زمان، و توسعۀ فرایند محاسباتی برای مدل‌سازی مکانی‌– زمانی مطلوبیت زیستگاه و سپس کمّی‌سازی تغییرات در توزیع مکانی است. مواد و روش‌ها: در این مطالعه، برای توسعۀ مدل مکانی‌– زمانی تنوع زیستی، از داده‌های حضور گونۀ نوعی بز کوهی (Hippotragus equinus) استفاده شد. داده‌های سری زمانی بلندمدت حضور این گونه بین سال‌های ۱۹۰۱ تا ۲۰۲۰ از پایگاه‌ دادۀ جهانی GBIF، به‌منظور توسعۀ مدل‌های مکانی‌– زمانی، و همچنین داده‌های سری زمانی تنوع زیستی (فراوانی گونه) در پایگاه‌های اطلاعاتی LPI و BioTime برای اعتبارسنجی ارزیابی تغییرات تنوع زیستی به کار رفت. به‌علاوه، داده‌های اقلیمی از پایگاه‌ دادۀ CRUTS استخراج شدند که براساس آنها، لایه‌های اطلاعاتی نوزده‌گانۀ زیست‌اقلیمی به‌صورت سالیانه تولید شد. پس از پاک‌سازی و آماده‌سازی داده‌های گونه‌ و انتخاب متغیرهای مناسب در حین آزمایش چندخطی‌گری، داده‌های سری زمانی به‌صورت یکپارچه در جدول دادۀ واحد یا استخر داده گردآوری شدند. در این رویکرد، داده‌های حضور گونه متعلق به هر سال به اطلاعات اقلیمی همان سال و مکان پیوند داده شد. سپس برای توسعۀ مدل مکانی‌– زمانی و به‌منظور بهبود کارآیی و کاهش عدم‌قطعیت مدل‌ها، ده الگوریتم مرسوم یادگیری ماشینی انتخاب و مدل‌های مکانی‌– زمانی کالیبره شدند. پس از اعتبارسنجی مدل‌ها، الگوی مکانی توزیع گونه با ترکیب پیش‌بینی‌های حاصل از مدل‌های گوناگون، با استفاده از میانگین‌گیری وزنی (انسمبل) برای هر سال، پیش‌بینی شد؛ این کار به تولید سری زمانی ۱۲۰ساله شامل پیش‌بینی‌های توزیع مکانی گونه‌ای منجر شد. در گام بعدی، با استفاده از تابع تخمینگر شیب سن، روند تغییرات مطلوبیت زیستگاهی در طول ۱۲۰ سال در هر پیکسل محاسبه شد. نتایج و بحث: نتایج اعتبارسنجی مدل‌ها نشان داد که تمامی روش‌های مدل‌سازی از عملکرد بسیار خوبی برخوردار بودند؛ به‌گونه‌ای‌که شاخص AUC برای این مدل‌ها بین 996/0 و 926/0 محاسبه شد. تحلیل نقشه‌های روند تغییرات تنوع زیستی در طول زمان نشان داد که در عرض‌های جنوبی، احتمال حضور گونه به‌تدریج کاهش یافته است؛ درحالی‌که در کمربند میانی افریقا، افزایش احتمال حضور این گونه مشاهده می‌شود. صحت‌سنجی نتایج، با استفاده از داده‌های سری زمانی توزیع و فراوانی گونه‌ از منابع BioTime و LPI، نشان داد که به‌ترتیب در 88% و 84% نقاط کاهش مطلوبیت زیستگاهی، مدل با داده‌های واقعی هم‌پوشانی دارد؛ ‌این مسئله دقت بالای مدل را در پیش‌بینی توزیع و تغییرات گونه‌ای در طول زمان تأیید می‌کند. نتیجه‌گیری: راه‌حل ارائه‌شده در این مطالعه، افزون بر اینکه امکان مدل‌سازی مکانی‌– زمانی برای تحلیل الگوهای توزیع گونه‌ها و تغییرات آنها را فراهم می‌آورد، با افزایش دقت در کمّی‌سازی آشیان بوم‌شناختی، به بهبود پیش‌بینی الگوهای توزیع مکانی و کاهش عدم اطمینان در ارزیابی‌ها کمک می‌کند. این رویکرد با ارتقای پوشش و اندازۀ نمونه‌ها، چالش‌های در زمینۀ ناسازگاری زمانی داده‌ها را حل می‌کند و استفادۀ بهینه از تمامی رکوردهای اطلاعاتی موجود را ممکن می‌سازد. این مطالعه بر اهمیت بُعد زمانی در مدل‌های توزیع گونه‌ای تأکید دارد و این رویکرد، به‌ویژه در مناطقی با تغییرات اقلیمی بیشتر، از اهمیت فراوانی برخوردار است و می‌تواند در راستای اهداف توسعۀ پایدار، حفاظت از تنوع زیستی و چارچوب جهانی KM-GBF به مدیران برای تصمیم‌گیری حفاظتی کمک کند.

https://gisj.sbu.ac.ir/article_104849_ae6f2c0d0ec1df8ef3b069f0691171be.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 16 4 2024 11 21 Change Detection in Remote Sensing Data Using Attention Network تشخیص تغییرات در داده‌های سنجش از دور با استفاده از شبکۀ توجه 139 163 104935 10.48308/gisj.2024.236243.1224 FA روح اله عنایتی دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، دانشکدۀ مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران رضا روانمهر استادیار گروه کامپیوتر،گروه کامپیوتر، دانشکدۀ مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران واهه آغازاریان استادیار گروه کامپیوتر،گروه کامپیوتر، دانشکدۀ مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران Journal Article 2024 07 11 Introduction: Detecting changes in remote sensing data is a critical task in environmental sciences, natural resource management, urban planning, and disaster management. Despite recent advancements in this field, many existing methods only address specific challenges and are unable to provide a comprehensive solution for various types of data and applications. These limitations include the inability to handle multispectral, hyperspectral, and radar data and the lack of capability to deliver accurate and timely results using parallel processing and optimized computing resources. Additionally, current methods are often confined to binary change detection and cannot accurately identify the specific types of changes. Therefore, the primary aim of this research is to develop an innovative and comprehensive change detection method that can overcome these limitations and be effectively used in real-world applications. Materials and Methods: In this study, we propose a novel approach based on the combination of a transformer network and an automated attention model, capable of processing and analyzing remote sensing data with high accuracy and efficiency. This method utilizes multispectral, hyperspectral, and radar data obtained from Sentinel-2, QuickBird, and TerraSAR-X satellites. These data are collected over different time periods and include diverse information such as vegetation changes, land use, and structural changes. The proposed method employs feature fusion techniques using convolutional and transformer layers to integrate information from the data, thereby enhancing change detection accuracy. Additionally, the use of spatial attention mechanisms helps identify spatial relationships between features, focusing on key areas to improve change detection accuracy. The transformer-based network, developed to determine similarity, is enhanced with automated attention mechanisms that capture complex relationships between features over temporal sequences. This capability is especially important for detecting subtle changes that may be overlooked by other methods. For operational implementation, the proposed method was deployed and evaluated on a high-performance system, including a 24-core Xeon E5-2697 v2 CPU, 28 GB of memory, a 200 GB SSD, and a powerful RTX 2080 Ti graphics card with 11 GB of RAM and CUDA 11. Results and Discussion: The results obtained from this research indicate the superiority of the proposed method compared to existing methods. Evaluations were conducted using metrics such as Precision, Recall, F1-score, Overall Accuracy (OA), and Intersection over Union (IoU). The proposed method outperformed other methods across all these metrics. Notably, overall accuracy (OA) increased significantly, reaching over 95% on some datasets. These results indicate that the proposed method can not only accurately detect binary changes but also identify the types of changed features with high precision. These capabilities are achieved through the use of advanced deep learning techniques and parallel processing. Moreover, the implementation of the SoFRB(Enayati et al. 2023) framework has enhanced the efficiency of the proposed method, enabling the processing of large volumes of data in less time. Our analysis demonstrates that the proposed method has high adaptability with different datasets and can effectively operate under various conditions. Furthermore, this method can serve as an efficient tool for various applications, including environmental monitoring, urban planning, precision agriculture, and disaster management. Conclusion: The proposed method integrates modern deep learning techniques and parallel processing to significantly improve the accuracy and efficiency of change detection in remote sensing data. The findings of this study show that the proposed method is reliable not only in experimental settings but also in practical applications. Specifically, this method can effectively monitor environmental changes, detect alterations in urban infrastructures, and manage natural and human-induced disasters. These results promise widespread applications of this method in various fields. Future research could include further improvements in different areas, such as model optimization, the use of more diverse and extensive datasets, and the exploration of the impact of newer deep learning and parallel processing techniques. سابقه و هدف: تشخیص تغییرات، در داده‌های سنجش از دور، وظیفه‌ای بسیار مهم در علوم محیط‌زیست، مدیریت منابع طبیعی، برنامه‌ریزی شهری و مدیریت بحران‌هاست. با وجود پیشرفت‌های اخیر در این زمینه، بسیاری از روش‌های موجود صرفاً به چالش‌های خاصی می‌پردازند و قادر به دادن راه‌حلی جامع، برای انواع متفاوت داده‌ها و کاربردها نیستند. این محدودیت‌ها شامل ناتوانی در مدیریت داده‌های چندطیفی، فراطیفی و راداری، و نیز ناتوانی در بیان نتایج دقیق و سریع با استفاده از پردازش موازی و بهینه‌سازی منابع پردازشی می‌شود. علاوه‌براین، روش‌های فعلی اغلب به تشخیص تغییرات باینری محدود می‌شوند و قادر به شناسایی دقیق نوع ویژگی‌های تغییریافته نیستند. بنابراین هدف اصلی این تحقیق توسعۀ روشی نوآورانه و جامع برای تشخیص تغییرات است که بتواند این محدودیت‌ها را برطرف کند و در دنیای واقعی، کاربردهای مؤثری داشته باشد. مواد و روش‌ها: در این مطالعه، روش جدیدی مبتنی‌بر ترکیب شبکۀ ترانسفورمر و مدل توجه خودکار مطرح می‌کنیم که قادر به پردازش و تحلیل داده‌های سنجش از دور، با دقت و کارآیی بالاست. این روش از داده‌های چندطیفی، فراطیفی و راداری بهره می‌برد که از ماهواره‌های سنتینل‌– 2، QuickBird و TerraSAR-X به دست آمده‌اند. این داده‌ها در بازه‌های زمانی متفاوتی جمع‌آوری شده و شامل اطلاعات گوناگون، ازجمله تغییرات پوشش گیاهی، کاربری زمین و تغییرات ساختاری‌اند. روش پیشنهادی از تکنیک‌های ادغام ویژگی‌ها بهره می‌برد که با استفاده از لایه‌های کانولوشن و ترانسفورمر، اطلاعات موجود در داده‌ها را ترکیب می‌کند و دقت تشخیص تغییرات را افزایش می‌دهد. علاوه‌براین استفاده از مکانیسم توجه فضایی به شناسایی روابط مکانی بین ویژگی‌ها کمک می‌کند و با تمرکز بر نواحی کلیدی، دقت تشخیص تغییرات را بهبود می‌بخشد. شبکۀ مبتنی‌بر ترانسفورمر که برای تعیین شباهت توسعه یافته است، با مکانیسم‌های توجه خودکار تقویت شده که امکان دریافت روابط پیچیدۀ بین ویژگی‌ها را در دنباله‌های زمانی فراهم می‌کند. این ویژگی، به‌ویژه برای تشخیص تغییرات جزئی که ممکن است در سایر روش‌ها نادیده گرفته شوند، اهمیت دارد. در بستر عملیاتی، روش پیشنهادی روی سیستمی با کارآیی بالا، شامل یک CPU 24 هسته‌ای Xeon E5-2697 v2، 28 گیگابایت حافظه، دیسک SSD با ظرفیت 200 گیگابایت و یک کارت گرافیک RTX 2080 Ti با 11 گیگابایت RAM و CUDA 11 اجرا و ارزیابی شد. نتایج و بحث: نتایج این تحقیق برتری روش پیشنهادی را در مقایسه با روش‌های موجود نشان می‌دهند. ارزیابی‌ها براساس معیارهای دقت، بازخوانی، F1-score، دقت کلی (OA) و هم‌پوشانی متقاطع (IoU) انجام شد. این روش توانست، در تمامی این معیارها، عملکردی بهتر از روش‌های دیگر نشان دهد. به‌طورخاص دقت کلی افزایش چشمگیری یافت و در برخی مجموعه داده‌ها، به بیش از 95% رسید. این نتایج حاکی از آن است که روش پیشنهادی نه‌تنها قادر به تشخیص دقیق تغییرات باینری است بلکه می‌تواند نوع ویژگی‌های تغییریافته را نیز با دقت بالا شناسایی کند. این قابلیت‌ها به‌دلیل استفاده از تکنیک‌های پیشرفتۀ یادگیری عمیق و پردازش موازی به دست آمده‌اند. همچنین استفاده از چارچوب SoFRB باعث بهبود کارآیی روش پیشنهادی شده و امکان پردازش داده‌های حجیم را، در زمان کمتر، فراهم کرده است. تحلیل‌های ما بیان می‌کند که روش پیشنهادی می‌تواند، با مجموعه داده‌های متفاوت، انطباق بالایی نشان دهد و در شرایط گوناگون کارکرد مؤثری داشته باشد. به‌علاوه، این روش می‌تواند ابزار کارآمدی در زمینه‌های متفاوت، ازجمله نظارت بر محیط‌زیست، برنامه‌ریزی شهری، کشاورزی دقیق و مدیریت بحران‌ها باشد. نتیجه‌گیری: روش پیشنهادی ترکیبی از تکنیک‌های مدرن یادگیری عمیق و پردازش موازی است که دقت و کارآیی تشخیص تغییرات در داده‌های سنجش از دور را بهبود چشمگیری بخشیده است. نتایج این تحقیق نشان می‌دهد که روش پیشنهادی نه‌تنها در شرایط آزمایشگاهی بلکه در کاربردهای عملی نیز مورد ‌اعتماد است. به‌طورخاص این روش می‌تواند در نظارت بر تغییرات محیط‌زیست، شناسایی تغییرات در زیرساخت‌های شهری و مدیریت بحران‌های طبیعی و انسانی، نقش مؤثری داشته باشد. این نتایج نویدبخش کاربردهای گسترده این روش در حوزه‌های گوناگون است. همچنین تحقیقات آینده می‌تواند شامل بهبودهای بیشتری در زمینه‌های گوناگون، مانند بهینه‌سازی مدل، استفاده از داده‌های بیشتر و متنوع‌تر و بررسی تأثیر استفاده از تکنیک‌های جدیدتر یادگیری عمیق و پردازش موازی باشد.

https://gisj.sbu.ac.ir/article_104935_4aa5dcc76eba0d242e9a2082f0083f44.pdf