انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Trend Analysis of MODIS-NDVI Time Series and Its Relationship with Land Use Changes in Golestan Province تحلیل روند سری‌ زمانی تصاویر پوشش گیاهی (MODIS-NDVI) و ارتباط آن با تغییرات کاربری اراضی در استان گلستان 1 20 104760 10.48308/gisj.2024.234882.1207 FA مرتضی دستی گردی گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران. مهدی نادی گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران. 0000-0003-0854-8380 بهاره شامگانی مشهدی گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران. Journal Article 2024 02 24 Introduction: Human activities and climate change directly affect the earth's surface cover. In the northern part of the country, land use changes have emerged as a significant factor contributing to the destruction of vegetation in Hyrcanian forests. Unfortunately, this destruction has persisted over the past few decades due to human activities. Golestan province, known for its diverse climate and surface cover, has experienced noticeable changes in vegetation, illustrating the impacts of these activities. Therefore, it is crucial to monitor the dynamics of vegetation in order to gain a better understanding of how vegetation respond to human pressures. This knowledge is essential for preserving the Hyrcanian forests. Materials and Methods: The investigation and monitoring of vegetation cover in Golestan province involved the use of the Normalized Difference Vegetation Index (NDVI). To analyze vegetation trends over a 20-year period, 16-day combined MODIS-NDVI time series data (MOD13Q1) with a spatial resolution of 250 meters, were utilized. The research began with the acquisition of raw NDVI images in HDF format from the NASA website. These 920 images, from the 16-day time series, were then analyzed statistically. To standardize the images and facilitate further analysis, they were converted into 460 images through mosaicing and scaling between -1 and +1. The evaluation of serial trends was performed in IDRISI TerrSet software, where the images underwent a preprocessing step to remove seasonal anomalies. The changes in vegetation activity and their significance were subsequently analyzed using the non-parametric Mann-Kendall method. Results and Discussion: The results indicate that 20% of the studied area experienced a decrease in vegetation, while 80% exhibited an increase. Out of these, 5% had a significant decrease, and 50% showed a significant increase in vegetation, while the remaining had no discernible trend. Over the past 20 years, a total of 4088 square kilometers of vegetation has been lost. To analyze the impact of human activities on these changes, location maps of cities and main routes were utilized. The findings revealed that the northern plains of Golestan exhibited a greater reduction in vegetation due to easier land access for human activities, changes in land use, and urban development. The cities of Kordkoy, Bandar Gaz, Aqqala, Gorgan, Azadshahr, and Ramian experienced the most significant increase in vegetation cover, whereas the cities of Bandar Turkman, Gonbadkavoos, Minoodasht, and Kalaleh witnessed the most significant decrease. The main routes leading to Golestan province, including Gorgan-Bujnoord, Gorgan-Sari, Azadshahr-Semnan, Incheh Brun West Road, and Incheh Brun East Road, all showed a decline in vegetation in their vicinity. Due to the significant climatic diversity in Golestan province, surface cover changes were examined at specific locations where a substantial reduction in vegetation cover was expected. Conclusion: Based on the research conducted from 2001 to 2020, it can be concluded that the highlands of Golestan province, particularly the western highlands, have witnessed an increase in vegetation. This phenomenon is believed to be correlated with the rise in temperature resulting from global warming, which has created more favorable conditions for plant growth in these highland areas. In contrast, low-altitude regions such as plains, coastal areas, lower elevations, and especially areas surrounding cities and roads, have experienced a decline in vegetation cover. This decline can be attributed to human activities, including changes in land use and urbanization in the northern plains of Golestan. These changes signify the loss of extensive vegetation and the exacerbation of detrimental impacts from both human activities and natural factors. Although the reduction in vegetation in the highlands has been relatively slower compared to the lower regions, concerns arise regarding the destruction of vegetation in pristine forest areas. These developments highlight the urgent need for immediate attention and implementation of measures for sustainable management of natural resources and adaptation to climate change. مقدمه: تغییرات اقلیمی و فعالیت‌های انسانی تأثیر مستقیم در پوشش سطح زمین‌ دارند. تغییرات کاربری اراضی در شمال کشور از مهم‌ترین علل تخریب پوشش گیاهی در جنگل‌های هیرکانی بوده که در دهه‌های اخیر، به‌دلیل فعالیت‌های انسانی، به وقوع پیوسته است. تغییرات پوشش گیاهی در استان گلستان، با تنوع اقلیم و پوشش سطحی، نشان‌دهندۀ تأثیرات این فعالیت‌هاست. بر‌این‌اساس نظارت بر پویایی پوشش گیاهی نیازی اساسی، برای درک بهتر دربارۀ چگونگی واکنش پوشش گیاهی به فشارهای انسانی، درجهت حفظ جنگل‌های هیرکانی است. مواد و روش‌ها: بررسی و پایش پوشش گیاهی با بررسی نمایۀ نرمال‌شدۀ تفاضل پوشش گیاهی (NDVI) انجام شد. برای تحلیل روند پوشش گیاهی در استان گلستان، از داده‌های سری زمانی ترکیبی شانزده‌روزۀ MODIS-NDVI به‌نام MOD13Q1، با قدرت تفکیک مکانی 250 متر در دورۀ بیست‌ساله استفاده شد. در این پژوهش، پیش‌از بررسی روند تغییرات پوشش گیاهی در منطقه، ابتدا تصاویر خام NDVI با فرمت HDF محصول از سایت ناسا دانلود و ازلحاظ آماری، بررسی و تحلیل شدند. بدین‌ترتیب 920 تصویر سری زمانی شانزده‌روزۀ پوشش گیاهی نمایۀ NDVI در نرم‌افزار GIS، پس‌از موزاییک‌سازی، به 460 تصویر تبدیل و با استفاده از ضرب فاکتور مقیاس تصاویر، به‌حالت استاندارد بین 1- تا 1+ درآمدند. برای ارزیابی روند سری در نرم‌افزار IDRISI TerrSet، ابتدا تصاویر با استفاده از بی‌هنجاری مؤلفۀ فصلی حذف شد. فرایند تحلیل روند ‌تغییرات ‌فعالیت‌ پوشش ‌گیاهی‌ و‌ معنی‌داری ‌آن ‌به‌روش غیرپارامتری من‌ـ کندال‌ انجام‌ شد‌. نتایج: نتایج نشان داد که 20% از مساحت منطقۀ مورد مطالعه دارای روند کاهشی در پوشش گیاهی است؛ درحالی‌که 80% روند افزایشی داشته است. از‌این‌میان، 5% دارای کاهش معنادار و 50% دارای افزایش معنی‌دار پوشش گیاهی و مابقی بدون روند هستند. طی بیست سال گذشته، 4088 کیلومترمربع از پوشش گیاهی از دست ‌رفته است. تحلیل تأثیر فعالیت‌های انسانی در این تغییرات با استفاده از نقشه‌های موقعیتی شهرستان‌ها و مسیرهای اصلی انجام ‌شد. نتایج نشان داد که در دشت‌های شمالی گلستان، به‌دلیل دسترسی آسان‌تر به زمین‌ها برای فعالیت‌های انسانی، تغییر کاربری اراضی و توسعۀ شهرنشینی، کاهش پوشش گیاهی بیشتری رخ داده است. بیشترین افزایش معنی‌دار پوشش گیاهی در شهرستان‌هایی مانند کردکوی، بندر گز، آق‌قلا، گرگان، آزادشهر، رامیان و بیشترین کاهش معنی‌دار در شهرستان‌های بندر ترکمن، گنبد کاووس، مینودشت و کلاله مشاهده ‌شده است. مسیرهای اصلی منتهی به استان گلستان شامل گرگان‌ـ بجنورد، گرگان‌ـ ساری، آزادشهرـ سمنان، جادۀ غربی اینچه برون و جادۀ شرقی اینچه برون است که همگی شاهد روند کاهشی در پوشش گیاهی در اطراف خود بوده‌اند. ازآنجاکه استان گلستان از تنوع اقلیمی چشمگیری برخوردار است، تغییرات پوشش سطحی در نقاط منتخب با کاهش معنی‌دار پوشش گیاهی نیز بررسی شد. بحث و نتیجه‌گیری: براساس نتایج این تحقیق از سال 2001 تا 2020، مناطق مرتفع استان گلستان، به‌ویژه ارتفاعات غربی شاهد افزایش پوشش گیاهی بوده‌اند که احتمالاً با افزایش دما براَثر گرمایش جهانی و بهبود شرایط دمایی برای گیاهان در این ارتفاعات مرتبط است. در مقابل، پوشش گیاهی مناطق کم‌ارتفاع واقع در دشت‌ها، نوار ساحلی، ارتفاعات پایین‌تر و به‌خصوص حاشیۀ شهرها و جاده‌ها درحال از دست رفتن است. فعالیت‌های انسانی، مانند تغییر کاربری اراضی و توسعۀ شهرنشینی در دشت‌های شمالی گلستان به کاهش پوشش گیاهی دامن زده‌اند. این تغییرات نشان‌دهندۀ کاهش پوشش گیاهی انبوه و افزایش تأثیرات منفی انسانی و طبیعی‌اند. در ارتفاعات، به‌رغم روند آرام‌تر کاهش پوشش گیاهی درقیاس با مناطق پایین‌دست، نگرانی‌هایی بابت تخریب پوشش گیاهی در مناطق بکر جنگلی وجود دارد. تحولات یادشده نیازمند توجه و اقدامات فوری، برای مدیریت پایدار منابع طبیعی و سازگاری با تغییرات اقلیمی است.

https://gisj.sbu.ac.ir/article_104760_b2a514f9aa864440c3d2d243bee0430d.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Futures Study on the Livability of Worn Texture in Urban Crises (Case Study: Imamzadeh Yahya Neighborhood, Tehran) آینده‎پژوهی زیست‎پذیری بافت فرسوده در بحران‎های شهری (نمونۀ ‎موردی: محلۀ امام‎زاده یحیی، تهران) 21 38 104820 10.48308/gisj.2024.233760.1187 FA غزاله گودرزی گروه شهرسازی، دانشکده عمران، معماری و هنر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران رضا لر گروه شهرسازی، دانشکده عمران، معماری و هنر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 2023 11 13 Introduction: With the growth of urban populations, attention to urban safety and security has become one of the primary priorities for city managers and urban planners. Urban crises, especially in historical and deteriorated fabrics, can pose serious threats to the safety and livability of neighborhoods and lead to widespread destruction. Due to their specific characteristics—such as physical deterioration, high population density, lack of adequate infrastructure, and weak urban services—deteriorated urban fabrics are among the most vulnerable areas when facing urban crises like earthquakes, floods, and other natural or social disasters. In recent years, various studies and programs have been conducted to rehabilitate and renovate these areas and improve the quality of life for their residents. However, the focus on the livability of these fabrics in the face of urban crises and the use of futures studies for crisis prediction and management have received less attention. On the other hand, defining multipurpose spaces and their balanced distribution within neighborhoods, particularly in deteriorated fabrics with historical value, can contribute to improving the quality of life before a crisis and enhancing crisis management afterward. Materials and Methods: The lack of integration of future research with planning and crisis management is one of the gaps that this research examines how to improve crisis management conditions in the future by using future research techniques and spatial models, and fills this gap with innovation based on predictive analysis and possible scenarios. This research focuses on preserving the livability of deteriorated urban fabrics during urban crises using futures studies, specifically concentrating on the Imamzadeh Yahya neighborhood. It employs scenario writing to explore possible options for the future livability of this neighborhood. By analyzing livability criteria during crises using ArcGIS software and multi-criteria decision-making techniques, and leveraging CommunityVIZ Scenario360 software, the study examines the impact of variables across three different scenarios. Ultimately, the optimal scenario for creating multipurpose spaces is proposed. Results and Discussion: The findings reveal that selecting the optimal scenario and analyzing various layers emphasize the importance of open spaces, connectivity arteries, and vacant areas in the deteriorated urban fabric of the Imamzadeh Yahya neighborhood for urban crisis management. Furthermore, the research using CommunityVIZ Scenario 360 demonstrated that the northern and northwestern areas of the neighborhood are identified as suitable locations for defining multipurpose spaces, which can be effective in spatial enhancement and maintaining livability after a crisis. Additionally, the results indicate that low-cost and minimal projects, such as the use of multipurpose spaces and the consolidation of small-scale functions, can assist in restoring and improving the livability of historical and deteriorated neighborhoods even in crisis conditions. The findings suggest that multipurpose spaces, by offering diverse services and enhancing resilience, can lead to improved quality of life and increased satisfaction among residents. Conclusion: The results of this study indicate that the inequitable distribution of services and facilities can challenge urban crisis management and significantly diminish both city resilience and quality of urban life. Each neighborhood, in accordance with its population size, requires access to essential functions such as commercial, educational, green spaces, recreational, and healthcare facilities to address residents' basic needs at least in the initial hours of a crisis. Transitioning from traditional planning methods to modern approaches, including the use of advanced models and software, alongside urban futures studies, can lead to significant improvements in post-crisis conditions. سابقه و هدف: با رشد جمعیت در شهرها، توجه به امنیت و ایمنی شهری به یکی از اولویت‌های مدیران و برنامه‌ریزان شهری تبدیل شده است. بحران‌های شهری، به‌‌ویژه در بافت‌های تاریخی و فرسوده، می‌توانند تهدیدهایی جدی برای امنیت و زیست‌پذیری محله‌ها ایجاد کنند و موجب تخریب گسترده‌ای شوند. بافت‌های فرسودۀ شهری به‌دلیل ویژگی‌های خاصشان، همچون فرسودگی کالبدی، تراکم جمعیتی بالا، کمبود زیرساخت‌های مناسب و ضعف در خدمات شهری، در مواجهه با بحران‌های شهری همچون زلزله، سیل و سایر بلایای طبیعی یا اجتماعی، ازجملۀ آسیب‌پذیرترین مناطق به شمار می‌روند. طی سال‌های اخیر، پژوهش‌ها و برنامه‌های متعددی درراستای بهسازی و نوسازی این بافت‌ها و ارتقای کیفیت زندگی ساکنان آن‌ها انجام شده است. بااین‌حال توجه به زیست‌پذیری این بافت‌ها، در رویارویی با بحران‌های شهری و استفاده از آینده‌پژوهی برای پیش‌بینی و مدیریت بحران‌ها کمتر مورد توجه قرار گرفته است. ازسویی، تعریف فضاهای چندمنظوره و توزیع متناسب آن‌ها در محلات، به‌ویژه در بافت‌های فرسودۀ با ارزش تاریخی، می‌تواند به بهبود کیفیت زندگی قبل‌از بحران و بهبود مدیریت بحران‌ها، پس‌از وقوع آن‌ها، کمک کند. مواد وروش‌ها: ادغام نشدن آینده‌پژوهی با برنامه‌ریزی و مدیریت بحران یکی از شکاف‌هایی است که این پژوهش، با استفاده از تکنیک‌های آینده‌پژوهی و مدل‌های فضایی، به بررسی چگونگی بهبود شرایط مدیریت بحران در آینده می‌پردازد و این شکاف را با نوآوری مبتنی‌بر تحلیل‌های پیش‌بینی و سناریوهای محتمل، پر می‌کند. ازاین‌رو پژوهش حاضر، با هدف حفظ زیست‎پذیری بافت‌های فرسوده در بحران‎های شهری براساس روش آینده‌پژوهی، بر محلۀ امام‌زاده یحیی تمرکز داشته و با استفاده از شیوۀ سناریونویسی، گزینه‌های ممکن برای آیندۀ زیست‌پذیری این محله را بررسی کرده است. در این پژوهش، ضمن تحلیل معیارهای زیست‌پذیری در زمان بحران با استفاده از نرم‌افزار ArcGIS و تکنیک‌های تصمیم‌گیری چندمعیاره، از نرم‌افزار CommunityVIZ Scenario360 بهره گرفته شده و تأثیر متغیرها در سه سناریوی متفاوت بررسی و در نهایت، سناریوی بهینه، برای ایجاد فضاهای چندمنظوره پیشنهاد شده است. نتایج و بحث: یافته‌ها نشان می‌دهد که انتخاب سناریوی برتر و تحلیل لایه‌های گوناگون بر اهمیت فضاهای باز، شریان‌های ارتباطی و فضاهای خالی در بافت فرسودۀ محلۀ امام‌زاده یحیی، درزَمینۀ مدیریت بحران‌های شهری، تأکید دارد. همچنین نتایج تحقیق با استفاده از ابزار CommunityVIZ Scenario 360 نشان داد نواحی شمالی و شمال‌غرب محله به‌منزلۀ نقاط مناسب برای تعریف فضاهای چندمنظوره شناسایی شده‌اند که می‌توانند، در تجهیز فضایی و حفظ زیست‌پذیری پس‌از بحران، مؤثر باشند. یافته‌ها حاکی از آن است که استفاده از فضاهای چندمنظوره و تجمیع کاربری‌های خرد، حتی در شرایط بحرانی، می‌توانند به بازگرداندن و ارتقای زیست‌پذیری محلات تاریخی و فرسوده کمک کنند و فضاهای چندمنظوره، با عرضۀ خدمات متنوع و افزایش تاب‌آوری، در بهبود کیفیت زندگی و ارتقای رضایت ساکنان نقشی تأثیرگذار خواهند داشت. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که توزیع ناعادلانۀ خدمات و امکانات می‌تواند مدیریت بحران‌های شهری را با چالش مواجه کند و تاب‌آوری شهر و کیفیت زندگی شهری را کاهش چشمگیری بدهد. هر محله، متناسب با جمعیت آن، نیازمند دسترسی به کاربری‌های ضروری مانند تجاری، آموزشی، فضای سبز، ورزشی و درمانی است تا، حداقل در ساعات ابتدایی وقوع بحران، نیازهای اولیۀ ساکنان برطرف شود. گذار از برنامه‌ریزی‌های سنتی به روش‌های نوین و بهره‌گیری از مدل‌ها و نرم‌افزارهای پیشرفته، همراه با آینده‌پژوهی شهری، می‌تواند بهبود شایان توجهی در شرایط پس‌از بحران ایجاد کند.

https://gisj.sbu.ac.ir/article_104820_866a768b0a4755fa94d81183069d8f27.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Evaluation of the Performance of the Singular Spectrum Analysis (SSA) Algorithm in Reconstructing Missing Data with Different Intensities in the Hourly Land Surface Temperature Time Series ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد در بازسازی داده‌های ازدست‌رفته با شدت‌های متفاوت در سری زمانی ساعتی دمای سطح زمین 39 58 104819 10.48308/gisj.2024.235694.1219 FA هادی زارع خورمیزی گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران محمد جعفری گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران حمید رضا غفاریان مالمیری گروه جغرافیا، بخش برنامه‌ریزی محیطی، دانشگاه یزد، یزد، ایران. علی طویلی گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران، کرج، ایران. حمیدرضا کشتکار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. Journal Article 2024 05 15 Introduction and Purpose: Generating Land Surface Temperature (LST) data with temporal and spatial continuity is in great demand for hydrology, meteorology, ecology, environment, and, etc. studies. Approximately, 60 to 75 percent of the Earth is covered by clouds at any given moment. Therefore, clouds, by creating an obstacle, absorb part of the thermal energy emitted from the earth by affecting thermal infrared energy, creating gaps and outliers in LST time series data. Removing the effect of cloud cover is always a common problem in the field of using satellite images. The purpose of this research is to evaluate the performance of Multi-channel Singular Spectrum Analysis (M-SSA) in order to reconstruct gaps and remove outlier data due to the cloud coverage in the hourly LST time series of the Meteosat-9 satellite. Materials and Methods: The study area in the present research was whole Iran. Also, the hourly LST time series of the SEVIRI sensor from the Meteosat-9 geostationary satellite in 2022 was used. At first, using SSA software and the Monte Carlo test, the window size and the number of significant components of an hourly LST time series were determined. Then, using the identified significant components, LST time series were reconstructed using M-SSA algorithm. Reconstruction error in clear sky conditions with available time series data and reconstruction error in cloudy sky conditions by creating artificial missing data (artificial cloud) with intensities of 10, 20, 30, ..., 90% in time series were evaluated using root mean square error (RMSE) and coefficient of determination (R2) statistics. Results: On average, in Iran, 25.5% of the hourly LST time series in 2022 was lost due to cloud cover, and the highest percentage of lost data was observed at the edge of the Caspian Sea. The results of analyzing the annual hourly LST time series in a window size of 96 hours with the Monte Carlo test showed that components 1 to 5 are significant components of this time series. These components control 97.5% of the LST time series variance. The frequency of the first, second-third, and fourth-fifth components are respectively 0, 0.042 and 0.083 cycles per image. The first component indicates annual periodic changes, the second and third components indicate 24-hour or daily temperature changes, and the fourth and fifth components indicate 12-hour periodic temperature changes. Based on the results, the RMSE and the R2 between the original and the reconstructed data in clear sky conditions were 1.38 and 0.99 Kelvin, respectively. Also, in cloudy sky conditions, the RMSE error up to the level of 80% of randomly lost data (artificial cloud) was always less than 2.1 Kelvin. Discussion and Conclusion: The main key to reconstructing time series with periodic behavior is to identify significant periodic components and trends. In hourly LST time series, annual, 24-, 12- and 8-hour periods are the most important components of the time series. These components are formed due to the rotation of the earth around itself and the sun and the deviation of its axis. Therefore, these components are generally the same for the reconstruction of hourly LST time series in the major part of the globe. Based on the findings, M-SSA algorithm can be effective in reconstructing lost data with large distance in LST time series due to consideration of periodic components and trends as well as using temporal and spatial correlation. One of the significant cases in reconstructing the effect of cloud cover in the present study and many other studies is the reconstruction of LST with the clear sky condition. Therefore, reconstruction of LST under cloud cover can be a challenge and suggestion for further studies in the future. مقدمه و هدف: تولید داده‌های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی، برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست‌محیطی و دیگر موارد، تقاضای چشمگیری دارد. تقریباً 60 تا 75% کرۀ زمین در هر لحظه با ابرها پوشیده می‌شود؛ بنابراین ابرها، با ایجاد مانعی، باعث جذب بخشی از انرژی حرارتی بازتاب‌یافته از زمین می‌شوند و با تأثیر در انرژی فروسرخ حرارتی، سبب ایجاد داده‌های از دست‌رفته و نامعتبر در سری‌های زمانی LST می‌شوند. رفع اثر پوشش ابر همواره مسئله‌ای رایج درزَمینۀ استفاده از تصاویر ماهواره‌ای است. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد– چندکاناله (M-SSA)، به‌منظور بازسازی داده‌های ازدست‌رفته و دورافتاده با استفاده از پوشش ابر در سری‌ زمانی LST ساعتی ماهوارۀ Meteosat-9 است. مواد و روش‌ها: منطقۀ مطالعاتی، در پژوهش حاضر، کشور ایران در نظر گرفته شد و نیز از سری زمانی LST ساعتی سنجندۀ SEVIRI از ماهوارۀ زمین‌ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا، با استفاده از نرم‌افزار SSA و آزمون مونت کارلو، اندازۀ پنجره و تعداد مؤلفه‌های معنی‌دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مؤلفه‌های معنی‌دار شناسایی‌شده و نیز الگوریتم M-SSA، سری‌های زمانی LST بازسازی شد. خطای بازسازی در شرایط آسمان صاف، با داده‌های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری، ازطریق ایجاد داده‌های ازدست‌رفتۀ مصنوعی (ابر مصنوعی) با شدت‌های 10، 20، 30، ...، 90% در سری زمانی، با استفاده از آماره‌های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R2) اندازه‌گیری شد. نتایج: به‌طور میانگین، در سطح ایران، 5/25% از سری زمانی LST ساعتی در سال 2022 به‌دلیل پوشش ابر از دست ‌رفته است که بیشترین میزان داده‌های ازدست‌رفته در حاشیۀ دریای خزر مشاهده شد. نتایج تحلیل سری زمانی LST ساعتی سالیانه در اندازۀ پنجرۀ 96ساعته با آزمون مونت کارلو نشان داد مؤلفه‌های 1 تا 5 جزء مؤلفه‌‌های معنی‌دار این سری زمانی‌اند. این مؤلفه‌ها 5/97% از تغییرات سری زمانی LST را در کنترل دارند. فرکانس‌ مربوط به مؤلفه‌های اول، دوم با سوم، چهارم با پنجم به‌ترتیب 0، 042/0 و 083/0 سیکل بر تصویر است. مؤلفۀ اول تغییرات دوره‌‌ای سالیانه، مؤلفۀ دوم با سوم تغییرات دوره‌ای 24ساعته یا روزانۀ دما، و مؤلفۀ چهارم با پنجم تغییرات دوره‌ای‌ 12ساعتۀ دما را نشان می‌دهد. براساس نتایج، RMSE و R2 بین داده‌های موجود و داده‌های بازسازی‌شدۀ سری زمانی LST ساعتی با استفاده از الگوریتم M-SSA، در شرایط آسمان صاف، به‌ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری، خطای RMSE تا سطح 80% دادۀ ازدست‌رفته به‌صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود. بحث و نتیجه‌گیری: کلید اصلی بازسازی سری‌های زمانی، با رفتار دوره‌ای، شناسایی مؤلفه‌های معنی‌دار دوره‌ای و روندهاست. در سری‌های زمانی LST ساعتی، دوره‌های سالیانه، 24، 12 و 8ساعته از مهم‌ترین مؤلفه‌های سری زمانی‌اند. این مؤلفه‌ها از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می‌گیرند. بنابراین، این مؤلفه‌ها اغلب برای بازسازی سری‌های زمانی LST ساعتی در بیشتر بخش‌های کرۀ زمین، یکسان‌اند. براساس یافته‌ها، الگوریتم M-SSA با توجه به در نظر گرفتن مؤلفه‌های دوره‌ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی، می‌تواند در بازسازی داده‌های ازدست‌رفتۀ دارای فاصلۀ بزرگ در سری‌های زمانی LST مؤثر باشد. یکی از موارد شایان توجه در بازسازی اثر پوشش ابر، در پژوهش حاضر و بسیاری از پژوهش‌های دیگر، بازسازی دمای سطح زمین با شرط آسمان صاف است. بنابراین بازسازی دمای سطح زمین زیر پوشش ابر می‌تواند چالش و پیشنهادی برای مطالعات بیشتر در آینده باشد.

https://gisj.sbu.ac.ir/article_104819_9e7ed42b9d31ef50ef8c9996f51eaa2b.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Assessment of Areas Susceptible to Desertification with Emphasis on Erosion Models Using Multi-Criteria Decision Analysis A Case Study (Sistan Suture Zone and Afghan Blocks) ارزیابی مناطق مستعد بیابان‌‍‌زایی با تأکید بر مدل‌های فرسایش به‌کمک تحلیل‌های تصمیم‌گیری چندمعیاره (مطالعۀ موردی: سوچرزون سیستان و بلوک افغان) 59 78 104850 10.48308/gisj.2024.234399.1198 FA سجاد طالقانی گروه جغرافیا دانشگاه فردوسی مشهد، آزمایشگاه علم / سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، مشهد، ایران عاطفه بردوئی گروه جغرافیا دانشگاه فردوسی مشهد، آزمایشگاه علم / سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، مشهد، ایران امیرحسین نجفی ده جلالی گروه جغرافیا دانشگاه فردوسی مشهد، آزمایشگاه علم / سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، مشهد، ایران مسعود مینائی گروه جغرافیا دانشگاه فردوسی مشهد، آزمایشگاه علم / سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، مشهد، ایران Journal Article 2024 01 09 Introduction: Desertification is one of the major challenges of today's world, threatening environmental sustainability. This phenomenon arises from land degradation in arid and semi-arid regions and can have serious consequences for the environment, economy, and society. Due to its geographic location in the dry and semi-arid belt of the world, Iran is at risk of desertification. To combat this phenomenon, it is essential to identify and assess the influential factors, determine vulnerable areas, and use models to evaluate this issue. The use of remote sensing technologies and Geographic Information Systems (GIS) can be beneficial in assessing and monitoring desertification. These technologies enable comprehensive and accurate examination of land cover changes and assist in the management and protection of at-risk areas. This study aims to identify areas susceptible to desertification in the eastern belt of Iran (Sistan Suture Zone and Afghan Blocks) using multi-criteria decision analysis models based on the Ordered Preferential Approach (OPA). Materials and Methods: The geological zone of Sistan and the Afghan Blocks, covering an area of over 106,000 square kilometers, is located in the eastern belt of Iran and includes parts of Sistan and Baluchestan and South Khorasan provinces. According to the De Martonne climate classification, this area falls within the arid and hyper-arid climate zones. Such conditions, along with vegetation degradation and the drying up of water resources, have made this region susceptible to desertification. In this study, to obtain a map of areas prone to desertification, wind and water erosion potential maps were first generated using the RWEQ and RUSLE models, respectively, in the study area. The results of these models, along with other indicators such as vegetation cover, soil salinity, land use, temperature, soil classification, bulk density, and climate classification, were weighted using a multi-criteria decision analysis model based on the Ordered Preferential Approach (OPA). Finally, a map of areas susceptible to desertification in the eastern belt of Iran was produced. Results and Discussion: The results of this study showed that the average wind erosion potential in the eastern belt of Iran is 64 kg per square meter. Notably, 16% of this area, primarily located in the eastern and southeastern parts, including the cities of Zabol, Saravan, and Khash, has a wind erosion potential exceeding 512 kg per square meter. In contrast, the average water erosion was found to be 24.36 tons per hectare, with the highest rates of water erosion exceeding 40 tons per hectare covering 34.5% of the study area, primarily in the northern region, including the city of Nehbandan in South Khorasan province and central parts of the area. Finally, the results of the multi-criteria decision analysis model based on the Ordered Preferential Approach indicated that the most significant factors identified by experts in recognizing areas susceptible to desertification in this region are wind erosion, vegetation cover, and soil salinity. The eastern and southeastern parts of the area are severely affected by desertification. Conclusion: Erosion in the eastern belt of Iran has multiple negative consequences, including reduced soil fertility and threats to livelihoods, food security, and public health. The degradation of vegetation, loss of water resources, and conversion of these areas into barren lands, particularly in the eastern half of Iran, which has faced extensive drought in recent years, have had the most significant impact on desertification. To deal with this problem, there is a need for management such as resource management, sustainable agricultural development and biodiversity conservation. These initiatives should be designed and implemented considering the specific conditions of each region and with the participation of local communities and experts. The results of this study indicate that the use of models based on the Ordered Preferential Approach can be effective in identifying vulnerable areas for the formulation of effective management plans. Additionally, incorporating indicators such as grazing management, population, and groundwater levels in future studies will facilitate a better assessment of desertification status. سابقه و هدف: بیابان‌زایی یکی از چالش‌های مهم دنیای امروز است که پایداری محیط‌زیست را تهدید می‌کند. این پدیده از تخریب زمین در مناطق خشک و نیمه‌خشک ناشی می‌شود و می‌تواند پیامدهای جدی برای محیط‌زیست، اقتصاد و جامعه داشته باشد. ایران، به‌دلیل موقعیت جغرافیایی‌اش در کمربند خشک و نیمه‌خشک جهان، درمعرض خطر بیابان‌زایی قرار دارد. برای مقابله با این پدیده، شناسایی و ارزیابی عوامل مؤثر، تعیین مناطق آسیب‌پذیر و استفاده از مدل‌هایی به‌منظور ارزیابی این پدیده ضروری است. در این راستا، استفاده از علم سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) می‌تواند در ارزیابی و نظارت بر بیابان‌زایی مفید باشد. این فنّاوری‌ها امکان بررسی گسترده و دقیق تغییرات پوشش زمین را فراهم می‌آورند و به مدیریت و حفاظت از مناطق درمعرض خطر کمک می‌کنند. هدف این پژوهش شناسایی مناطق مستعد بیابان‌زایی در کمربند شرقی ایران (سوچرزون سیستان و بلوک افغان)، با استفاده از مدل تحلیل‌های تصمیم‌گیری چندمعیاره، مبتنی‌بر رویکرد اولویت ترتیبی (OPA) است. مواد و روش‌ها: زون زمین‌شناسی سیستان و بلوک افغان، با مساحت بیش از 106هزار کیلومترمربع، در کمربند شرقی ایران قرار دارد و شامل بخش‌هایی از استان سیستان و بلوچستان و خراسان جنوبی می‌شود. این منطقه، براساس طبقه‌بندی اقلیمی دومارتن، در اقلیم خشک و فراخشک قرار می‌گیرد. وجود چنین شرایطی در این منطقه، همراه با تخریب پوشش گیاهی و خشک شدن منابع آبی، آن را مستعد بیابان‌زایی کرده است. در این پژوهش برای به دست آوردن نقشۀ مناطق مستعد بیابان‌زایی، در ابتدا، نقشۀ پتانسیل فرسایش بادی و فرسایش آبی، به‌ترتیب با استفاده از مدل‌های RWEQ و RUSLE در منطقۀ مورد مطالعه حاصل شد. سپس نتایج این مدل‌ها به‌همراه سایر شاخص‌ها، ازقبیل پوشش گیاهی، شوری خاک، کاربری اراضی، درجۀ حرارت، رده‌بندی خاک، جرم مخصوص ظاهری خاک و طبقه‌بندی اقلیمی، با استفاده از مدل تصمیم‌گیری چندمعیاره مبتنی‌بر اولویت ترتیبی (OPA) وزن‌دهی شدند و در نهایت، نقشۀ مناطق مستعد بیابان‌زایی در کمربند شرقی ایران به دست آمد. نتایج و بحث: نتایج این مطالعه نشان داد که میانگین پتانسیل فرسایش بادی، در کمربند شرقی ایران، 64 کیلوگرم بر مترمربع است. این درحالی است که 16% این منطقه، که اغلب در بخش‌های شرقی و جنوب‌شرق قرار دارد و شامل شهرستان‌های زابل، سراوان و خاش می‌شود، دارای پتانسیل فرسایش بادی بیش از 512 کیلوگرم بر مترمربع است. در مقابل، میانگین فرسایش آبی 24/36 تن در هکتار به دست آمده است؛ بیشترین میزان فرسایش آبی بیش از 40 تن در هکتار و در 5/34% از مساحت منطقۀ مورد مطالعه رخ می‌دهد که اغلب در شمال منطقه، شامل شهرستان نهبندان در استان خراسان جنوبی و بخش‌های مرکزی منطقه واقع شده است. در نهایت، نتایج مدل تصمیم‌گیری ‌چندمعیاره ‌مبتنی‌بر اولویت ترتیبی نشان داد که مهم‌ترین شاخص‌ها ازمنظر متخصصان، در شناسایی مناطق مستعد بیابان‌زایی در این منطقه، شاخص‌های فرسایش بادی و پوشش گیاهی و شوری خاک است و بخش‌های شرقی و جنوب‌شرق ناحیه به‌شدت تحت تأثیر بیابان‌زایی قرار دارند. بحث و بررسی: فرسایش در کمربند شرقی ایران پیامدهای منفی متعددی دارد؛ ازجمله کاهش حاصلخیزی خاک و تهدید معیشت، امنیت غذایی و سلامت مردم. تخریب پوشش گیاهی، از بین رفتن منابع آبی و تبدیل این مناطق به زمین‌های بایر، به‌خصوص در نیمۀ شرقی ایران که در سال‌های اخیر با پدیدۀ خشکسالی گسترده‌ای مواجه شده‌اند، بیشترین تأثیر را در بیابان‌زایی داشته است. برای مقابله با این مشکل، به ابتکارات مدیریتی مانند مدیریت منابع آب، توسعۀ کشاورزی پایدار و حفاظت از تنوع زیستی نیاز است. این ابتکارها باید، با توجه به شرایط خاص هر منطقه و با مشارکت جوامع محلی و متخصصان، طراحی و اجرا شوند. نتایج این مطالعه نشان داد که استفاده از مدل‌های ‌مبتنی‌بر رویکرد اولویت ترتیبی می‌تواند، در شناسایی مناطق آسیب‌پذیر به‌منظور تدوین برنامه‌های مدیریتی، مؤثر باشد. همچنین استفاده از شاخص‌هایی مانند مدیریت چرا، جمعیت و سطح آب‌های زیرزمینی، در مطالعات آتی، امکان ارزیابی بهتر وضعیت بیابان‌زایی را فراهم می‌کند.

https://gisj.sbu.ac.ir/article_104850_b4e9fef44e63edf34ff1a0c5c83b5c58.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Flood risk Monitoring of June 1402 in Zanjan Province Using Sentinel-1 Images پایش خطر سیل خرداد 1402 استان زنجان با استفاده از تصاویر سنتینل‌– 1 79 92 104998 10.48308/gisj.2024.234929.1210 FA عبدالله فرجی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه زنجان، زنجان ایران نفیسه رحیمی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه زنجان، زنجان ایران Journal Article 2024 02 27 Introduction: Proper flood management requires the exact location and time of flooding so that crisis management planners can reduce the risk of flooding with proper management by providing solutions. Studies in this field have been carried out by researchers with different methods such as the use of Sentinel 1 and Sentinel 2 satellite gauges and it has been proven that flood monitoring with the help of remote sensing is a suitable tool for the quick direction of the flooded area. It is used in the early management of natural disasters, especially floods. The purpose of this study is to prepare a map of the extent of water caused by the flood of June Zanjan 1402 with the help of Sentinel 1 images. This map can be used in the management and planning of land users in flood plains, raising the level of awareness and warning people about flood spots. In the region, the development of flood risk reduction plans, the preparation of comprehensive flood risk management plans, and the preparation of guidelines for dealing with and resilience to critical conditions are contracted. Materials and Methods: The research method was carried out in steps: in the first step it was collected with the help of Sentinel-1, then in the second step: SAR data were pre-processed. The third step: the images were post-processed in the ENVI environment, with the help of the tree algorithm, and in the last step: the images were converted into vector files. Results and Discussion: Examining the changes in flooding after seven days of flooding in the region shows that the highest water level in the northern regions of the province is in the vicinity of the main and sub-rivers of the Qezal-Ozen watershed, especially in Tarem city. It was land with 312/067192, after which more number of polygons were seen in the north of Zanjan city in the area of Qezl-Ozen aquifer basin, Lower Zanjanrud, Pare, Ghani-Biglo, higher aquifer with the area of 150/713193, which these aquifers has taken more It has occurred under the impact of tectonics in the region around Qezl-Ozen river. Most of the flood water was seen in Mahenshan, in the northern part of Mahenshan city, in Mahenshan and Uriad divisions with 375 polygons and the extent of flood water was 26/618086. In Ijroud city in Zarin Abad, in the direction of the Ijroud river, most of the flood water was in the direction of the Ijroud river with the extent of 21/06405 and with flooding of 24 polygon centers, in Abhar city, the water is from the flood in Soltanieh center in Zangan. The river (one of the branches of the Qezal Ozen River) with an area of 96 lands was seen as a face with 547 flood polygons around the river.In the flood of June 1402 in Zanjan province, the height of the area was a key factor in controlling the direction of the flood and the persistence of water on the ground (5-b). The amount of flood water receding at altitudes less than 500 meters was very low compared to higher altitudes, in such a way that water retention was not seen at altitudes above 1000 meters, in the high places of Zanjan such as parts of Tarem, Zanjan and Mahenshan after Atmospheric precipitation had started to flow faster from the low-lying and flat areas, so that after seven days of the flood, water retention was not seen in these heights. While at altitudes of less than 500 meters, which mainly included the low altitude areas of the Qezl-Ozen catchment and its main and tributary rivers, most of the runoff was collected in the topographic holes of Tarem and Zanjan, in these low-lying areas. The region caused widespread flooding and flooding even in the population centers of these regions. Conclusion: In the upcoming research, in order to measure the extent of water caused by the flood and to prepare a flood zoning map for the month of June in Zanjan province and to evaluate the factors affecting it such as height and vegetation, Sentinel-1 images were prepared for before and after the flood. It was processed and classified into three classes and analyzed, and it was found that the largest amount of flood that entered Zanjan province was from the north of the province, especially Tarem city. Also, the study of the height factor in the flooding of the region showed that the heights of less than 500 meters, which mainly included the sub-basins of Qezl-Ozen and the rivers around it, had a high potential for flooding. Flooding also showed that the grassland vegetation has increased the flood potential of these areas due to insufficient permeability of rainfall in these areas. سابقه و هدف: مدیریت مناسب سیل نیازمند دانستن مکان و زمان دقیق وقوع آن است تا برنامه‌ریزان مدیریت بحران، با اقدامات مدیریتی مناسب و ازطریق بیان راهکارها، بتوانند خطرپذیری سیل را کاهش دهند. در این‌ زمینه، محققان مطالعات گوناگونی انجام داده‌اند و از روش‌های متفاوتی، همچون به‌کارگیری سنجنده‌های ماهواره‌ای سنتینل‌– 1 و سنتیل‌– 2، بهره برده‌اند. طبق این مطالعات ثابت شده است که پایش سیل، به‌کمک سنجش از دور، ابزاری مناسب برای استخراج سریع منطقۀ سیل‌زده است و می‌توان آن را در مدیریت زودهنگام بلایای طبیعی، به‌ویژه سیل، به کار برد. ازاین‌رو هدف این مطالعه تهیۀ نقشۀ وسعت آب ناشی از سیلاب خرداد زنجان در 1402، با کمک تصاویر سنتینل‌– 1 است. این نقشه را می‌توان، در مدیریت و برنامه‌ریزی کاربری اراضی هنگام وقوع سیلاب، افزایش سطح آگاهی عمومی و هشدار دادن به ساکنان نقاط سیل‌خیز در منطقه، توسعۀ طرح‌های کاهش خطرهای سیلاب، تهیۀ برنامه‌های جامع مدیریت خطرپذیری سیلاب و دستورالعمل رویارویی و تاب‌آوری در برابر شرایط بحرانی، استفاده کرد. مواد و روش‌ها: روش پژوهش چندین گام داشت. گام نخست جمع‌آوری داده با کمک سنتینل‌– 1 و گام دوم پیش‌پردازش داده‌های SAR در محیط SNAP-6 بود. در گام سوم، تصاویر در محیط ENVI، به‌کمک الگوریتم درخت، پس‌پردازش شد و در گام نهایی، تصاویر به فایل بردار تبدیل شد. نتایج و بحث: بررسی تغییرات آب‌گرفتگی، پس‌از گذشت هفت روز از وقوع سیلاب در منطقه، گویای این است که بیشترین وسعت آب‌گرفتگی در مناطق شمالی استان، در مجاورت رودخانه‌های اصلی و فرعی حوضۀ آبریز قزل‌اوزن و به‌ویژه در شهرستان طارم رخ داده که میزان آن 067192/312 هکتار بوده است. پس‌از آن، بیشترین میزان آب‌گرفتگی در شمال شهرستان زنجان و محدودۀ حوضۀ آبخیز قزل‌اوزن، زنجان‌رود پایین، چایپاره، غنی‌بیگلو با وسعت 713193/150 هکتار دیده شد که بیشتر این آب‌گرفتگی‌ها تحت تأثیر ژئومورفولوژی منطقه در اطراف رودخانۀ قزل‌اوزن رخ داده بود. در شهرستان ماهنشان،‌ عمدۀ آب ناشی از سیل در بخش شمالی آن شهرستان، ازجمله بخش‌هایی از ماهنشان و اوریاد، با وسعت آب 618086/26 هکتار دیده شد. در شهرستان ایجرود نیز در زرین‌آباد، بیشترین وسعت آب ناشی از سیلاب در مسیر رود ایجرود، با وسعت 06405/21 هکتار بود. در شهرستان ابهر آب ناشی از سیلاب در مرکز سلطانیه در زنگان‌رود (یکی از شعبه‌های رودخانۀ قزل‌اوزن) با وسعت 96 هکتار، به‌صورت متمرکز در اطراف رودخانه دیده شد. طی سیلاب خرداد 1402 در استان زنجان، ارتفاع منطقه عامل مهمی در کنترل حرکت سیلاب و ماندگاری آب روی سطح زمین بود. میزان عقب‌نشینی آب سیلاب، در ارتفاعات، کمتر از 500 متر و درمقایسه با ارتفاعات بیشتر، خیلی اندک بود؛ به‌گونه‌ای که در ارتفاع 1000 متر و بیشتر، ماندگاری آب دیده نشد. در نقاط مرتفع زنجان همچون بخش‌هایی از طارم، زنجان و ماهنشان، بعداَز وقوع نزولات جوّی، آب از مناطق کم‌ارتفاع و مسطح سریع‌تر جریان یافته بود و با گذشت هفت روز از وقوع سیل، ماندگاری آبی در این ارتفاعات دیده نشد؛ درصورتی‌که در ارتفاعات کمتر از 500 متر، اغلب شامل نواحی کم‌ارتفاع حوضۀ آبریز قزل‌اوزن و رودخانه‌های اصلی و فرعی آن، بیشتر رواناب‌ها در چاله‌های توپوگرافی طارم و زنجان جمع شد. پست بودن این مناطق باعث پخش‌شدگی آب سیلاب و آب‌گرفتگی گسترده‌ای، حتی در مراکز جمعیتی این نواحی شد. نتیجه‌گیری: در پژوهش پیش‌ رو، به‌منظور سنجش وسعت آب ناشی از سیل و تهیۀ نقشۀ پهنه‌بندی سیلاب رخ‌داده طی خرداد در استان زنجان و ارزیابی عوامل مؤثر در آن، همچون ارتفاع و پوشش گیاهی، تصاویر سنتینل‌– 1 متعلق به قبل و پس‌از وقوع سیل تهیه، پردازش و در سه کلاس، طبقه‌بندی و تحلیل شد. بدین‌ترتیب مشخص شد که بیشترین حجم سیلاب واردشده به استان زنجان مربوط به شمال استان، به‌ویژه شهرستان طارم، بوده است. همچنین بررسی عامل ارتفاع در سیل‌خیزی منطقه نشان داد ارتفاعات کمتر از 500 متر، که اغلب زیرحوضه‌های قزل‌اوزن و رودخانه‌های اطراف آن را دربرمی‌گیرند، پتانسیل چشمگیری در آب‌گرفتگی داشته‌اند. بررسی پوشش سطح زمین در بخش‌های دچار آب‌گرفتگی نیز نشان داد که پوشش گیاهی علف‌زار، به‌دلیل نارسایی در نفوذپذیری نزولات جوّی در این مناطق، پتانسیل سیل‌خیزی این نواحی را بیشتر کرده است.

https://gisj.sbu.ac.ir/article_104998_de1536b2319074ad520b61db0ff360fe.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Estimation of Soil Organic Carbon Content at Various Moisture Levels Using Visible/Near-Infrared Spectroscopy برآورد مقدار کربن آلی خاک در سطوح متفاوت رطوبتی با طیف‌سنجی مرئی/ فروسرخ نزدیک 93 110 104997 10.48308/gisj.2024.235669.1218 FA مهرداد آقائی سعدی گروه مهندسی مکانیک بیوسیستم، دانشگاه تربیت مدرس، تهران، ایران سعید مینایی گروه مهندسی مکانیک بیوسیستم، دانشگاه تربیت مدرس، تهران، ایران بهاره جمشیدی بخش تحقیقات هوشمندسازی کشاورزی، موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران حسینعلی بهرامی گروه علوم خاک، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران سهام میرزایی شورای ملی تحقیقات ایتالیا، موسسه روش‌شناسی، تجزیه و تحلیل محیطی، پوتنزا، ایتالیا Journal Article 2024 05 12 Introduction: Determination of organic-carbon-content variation in the field is crucial due to the importance of soil organic carbon content, including its role in increasing soil resistance against wind and water erosion. This study examines the ability of reflectance visible-near infrared (Vis/NIR) spectrometry for measurement and prediction of soil organic carbon content and the effect of the type of spectral preprocessing on the accuracy of multivariable predictive models was studied. Material and Methods: In this research, spectroscopy of soil samples was performed at 7 moisture levels in the interactance measurement mode in the 350-2500 nm spectral range using a contact probe. Spectrophotometry of 5 different sections of each soil sample was carried out and the data were processed and analyzed. Spectral data obtained from the spectrophotometer included unwanted information, background and noise in addition to the information of the samples. In order to arrive at accurate and reliable analytical models, pre-processing of the spectral data was required prior to regression model simulation. Multivariate calibration models of partial least squares (PLS) were developed based on the reference measurements and the information of the preprocessed spectra using a combination of different methods for assessment and prediction of soil organic carbon content. These included: smoothing (moving average (MA), and Savitzky-Golay (SG)); normalizing (multiplicative scatter correction (MSC), standard normal Variate (SNV)); as well as increasing the spectral resolution (first and second derivatives (D1, D2)). Results and Discussion: Results showed that NIR spectroscopy is a suitable method for measurement of organic carbon content in soil samples. Prediction utilizing the data analyzed using the PLS model based on SG + MSC, produced the best detection results. Thus, SG+MSC preprocessing (Rc2 =0.81, RMSEC = 0.239, Rp2 = 0.79, RMSEP = 0.252) is suitable for predicting the amount of soil OC with high accuracy (SDR= 3.191). Results showed that reflectance rate diminishes with increasing moisture content reducing the ability of the PLS model to predict organic carbon content. This is true across all the preprocessing methods. In addition, the determined index values and validation criteria showed that prediction of organic carbon content with the PLS model using SG+D1+MSC, SG+MSC, SG+MSC, SG+D1+MSC, SG+SNV and SG+SNV combinations gives the best detection results for the following moisture levels, respectively: 6, 12, 18, 24, 30 and 36%. Conclusion: Vis/NIR spectroscopy can be used as an alternative to conventional laboratory methods for soil organic-carbon-content determination. Results showed that the use of Vis/NIR spectroscopy for determination of soil organic carbon content can be considered in the site-specific management of fields, which can ultimately lead to saving inputs and reducing the pressure on the environment. . سابقه و هدف: تعیین تغییرات مقدار کربن آلی در مزرعه، به‌دلیل اهمیت و نقش مقدار کربن آلی در خاک، ازجمله نقش مؤثر آن در افزایش مقاومت خاک در برابر فرسایش باد و آب، از اهمیت ویژه‌ای برخوردار است. در این پژوهش، توانایی روش طیف‌سنجی Vis/NIR بازتابی به‌منظور سنجش و پیش‌بینی مقدار کربن آلی نمونه‌های خاک، در هفت تیمار رطوبتی و همچنین اثر پیش‌پردازش‌های گوناگون طیفی در دقت مدل‌های چندمتغیرۀ پیش‌بینی‌کننده، مطالعه شد. مواد و روش‌ها: طیف‌گیری از نمونه‌های خاک در هفت تیمار رطوبتی، در مد اندازه‌گیری برهم‌کنش و محدودۀ‌ طیفی 350-2500 نانومتر و به‌صورت تماسی، از پنج ناحیۀ متفاوت انجام شد. داده‌های طیفی به‌دست‌آمده از اسپکترومتر، افزون‌بر اطلاعات نمونه، شامل اطلاعات ناخواستۀ پس‌زمینه و نویزها نیز می‌شوند. به‌همین‌دلیل برای دستیابی به مدل‌های واسنجی پایدار و دقیق و مورد اعتماد، به پیش‌پردازش داده‌های طیفی پیش‌از تدوین مدل‌های رگرسیون نیاز است. بدین‌منظور، این پردازش‌ها برای سنجش و پیش‌بینی مقدار کربن آلی خاک انجام شد: تدوین مدل‌های‌ واسنجی چندمتغیرۀ رگرسیون حداقل مربعات جزئی (PLS) برپایۀ‌ اندازه‌گیری‌های مرجع و اطلاعات طیف‌های پیش‌پردازش‌شده، با ترکیب روش‌های گوناگون هموارسازی (میانگین‌گیری متحرک (MA)، ساویتزکی‌– گولای (SG))، نرمال‌سازی (تصحیح پخش افزاینده (MSC)، توزیع نرمال استاندارد (SNV)) و افزایش قدرت تفکیک طیفی (مشتق‌های اول و دوم (D1 و D2)). نتایج و بحث: نتایج نشان داد که از روش طیف‌سنجی می‌توان برای سنجش مقدار کربن آلی خاک بهره‌ برد. مدل PLS، برپایۀ ترکیب SG+MSC، بهترین پیش‌بینی را در مقدار کربن آلی (OC) نمونه‌های خاک داشت؛ به‌گونه‌ای که پیش‌پردازش SG+MSC (81/0R2c =، 239/0RMSEC=، 79/0R2p=، و 252/0RMSEP=) با دقت مناسبی (17/2SDR=) توانست مقدار OC را پیش‌بینی کند. بررسی نتایج نشان داد که با افزایش رطوبت، مقدار بازتاب کاهش پیدا می‌کند و از توانایی مدل PLS برپایۀ روش‌های گوناگون پیش‌پردازش در سنجش مقدار کربن آلی نمونه‌ها کاسته می‌شود. همچنین مقادیر شاخص‌های تعیین‌شده و معیارهای اعتبارسنجی نشان داد که مدل PLS برپایۀ ترکیب‌های SG+D1+MSC، SG+MSC، SG+MSC، SG+D1+MSC، SG+SNV و SG+SNV بهترین نتایج پیش‌بینی مقدار کربن آلی را به‌ترتیب، برای تیمارهای رطوبتی 6، 12، 18، 24، 30 و 36% دارد. نتیجه‌گیری: طیف‌سنجی Vis/NIR را می‌توان، به‌منزلۀ روشی جایگزین برای روش‌های مرسوم آزمایشگاهی، در تعیین مقدار کربن آلی خاک به کار برد. نتایج پژوهش‌ها حاکی از آن است که استفاده از طیف‌سنجی Vis/NIR در تعیین مقدار کربن آلی خاک می‌تواند، در مدیریت موضعی مزارع، مورد توجه قرار گیرد و این کار به صرفه‌جویی در نهاده‌ها و کاهش فشار بر محیط‌زیست منجر می‌شود.

https://gisj.sbu.ac.ir/article_104997_2275949358d46d9e59922551351f383e.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Performance Analysis of Support Vector Machine, Random Forest, and Maximum Likelihood Algorithms in Land Use Classification of the Metropolitan Area of Mashhad تحلیل کارآیی الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال در شناسایی کاربری اراضی منطقۀ کلان‌شهری مشهد 111 132 105144 10.48308/gisj.2024.236864.1230 FA ساجده باغبان گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران محمدرحیم رهنما گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران محمد اجزاء شکوهی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران حسین وحیدی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2024 09 10 Introduction: Considering that the value and usability of any map produced from satellite images depend on its accuracy, evaluating the accuracy of satellite image classification methods is of great importance. Therefore, this research aims to analyse the performance of Support Vector Machine (SVM), Random Forest (RF), and Maximum Likelihood Classification (MLC) algorithms in identifying land use and land cover (LULC) in the metropolitan area of Mashhad. Numerous algorithms have been developed for satellite image classification to date, and their performance varies under different conditions. For this reason, this study first identifies the most commonly used algorithms through a review of previous research, and then, by assessing the characteristics of various classifiers, selects the three algorithms: Support Vector Machine, Random Forest, and Maximum Likelihood. There are various studies regarding the performance of different classification algorithms, each yielding different results. Given that multiple studies have shown that LULC mapping accuracy is related to time and location, and that each of these studies has emphasized the accuracy of different algorithms, their results cannot be generalized to the geographical conditions of Iran. On the other hand, there has not been sufficient research in the geomorphological conditions of Iran to assess the accuracy of classification algorithms, and most studies validating these algorithms have been conducted in case studies outside of Iran. Therefore, considering the differences in algorithm results under various conditions, examining the accuracy and performance of these algorithms focusing on the extensive and diverse metropolitan area of Mashhad may yield novel and noteworthy findings. Materials and Methods: The present research is applied in terms of purpose and descriptive-analytical in terms of nature. Data collection in this study has been conducted through a documentary-library method. In this study, images from the OLI sensor on the Landsat 8 satellite were used. The classification of satellite images was performed in two stages: preprocessing and processing. After assessing the accuracy of the classification using the Kappa coefficient, confusion matrix, coefficient of variation, and User's accuracy and Producer's accuracy coefficients, the best algorithm for classifying land uses in the metropolitan area of Mashhad was determined in five classes: 1- Built-up areas, 2- Barren land, 3- Mountainous areas, 4- Green spaces, and 5- Water bodies. Results and Discussion: The results from the evaluation of standard deviation (SD) and coefficient of variation (CV) regarding the area share percentage in a LULC class by various algorithms indicate that barren lands were classified with higher accuracy, while water bodies and green spaces were classified with lower accuracy. The examination of U_Accuracy and P_Accuracy coefficients shows that the overall accuracy of the classification for all studied algorithms falls within the range of good to excellent. However, a more detailed examination of these algorithms reveals that the greatest challenge in class identification lies in built-up areas, mountainous regions, and green spaces, whereas the identification of barren lands faces fewer challenges. The Kappa coefficient and analyses based on the confusion matrix also demonstrate the variation in accuracy among each LULC classifier. The differences in the accuracy of the classifiers used are marginal, but these slight variations hold significant importance in the context of LULC planning. Given that these marginal differences are evident in sensitive land uses such as built-up areas and green spaces, selecting an algorithm with the highest accuracy and lowest error is of special importance. Conclusion: The results of the Kappa coefficient evaluation and confusion matrix analyses indicate that the SVM approach has greater overall accuracy and a higher Kappa coefficient compared to RF and MLC methods. Specifically, the algorithms achieved overall accuracies of 0.93, 0.88, and 0.80, respectively. Therefore, Support Vector Machine demonstrates the highest accuracy and least error among the studied classifiers. Considering that numerous studies have shown that LULC mapping accuracy is related to time and location, it is suggested that future research analyse the accuracy of classifiers under different morphoclimatic and geomorphic conditions. سابقه و هدف: ازآنجاکه ارزش و امکان استفاده از هر نقشۀ تولیدشده براساس تصاویر ماهواره‌ای با توجه به میزان صحت آن مشخص می‌شود، ارزیابی صحت روش طبقه‌بندی تصاویر ماهواره‌ای دارای اهمیت چشمگیری است. ازاین‌رو این پژوهش با هدف تحلیل کارآیی الگوریتم‌های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و حداکثر احتمال (MLC)، در شناسایی کاربری و پوشش اراضی (LULC) منطقۀ کلان‌شهری مشهد انجام شده است. تا به امروز الگوریتم‌های بسیار زیادی، به‌منظور طبقه‌بندی تصاویر ماهواره‌ای، توسعه یافته‌اند که عملکرد آن‌ها، در شرایط گوناگون، متفاوت است. به‌همین‌دلیل در این پژوهش، ابتدا با مروری بر پژوهش‌های پیشین، پرکاربردترین الگوریتم‌ها شناسایی شده و سپس، با سنجش ویژگی‌های انواع طبقه‌بندی‌کننده‌ها، سه الگوریتم ماشین بردار پشتیبان و جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به اینکه مطالعات متعدد نشان داده است دقت نقشه‌برداری LULC تحت تأثیر زمان و مکان قرار دارد و هریک از پژوهش‌های انجام‌شده نیز بر دقت الگوریتم‌های متفاوتی تأکید کرده‌اند، نتایج آن‌ها درمورد شرایط جغرافیایی ایران تعمیم‌پذیر نیست. ازطرفی، در شرایط ژئومورفولوژیک ایران، پژوهش‌های کافی به‌منظور سنجش دقت الگوریتم‌های طبقه‌بندی انجام نشده و اغلب مطالعات صحت‌سنجی الگوریتم‌ها در نمونه‌های موردی خارج از ایران انجام شده است. ازاین‌رو با توجه به تفاوت نتایج الگوریتم‌ها در شرایط گوناگون، بررسی دقت و عملکرد الگوریتم‌ها با تمرکز بر منطقۀ وسیع و متنوع کلان‌شهری مشهد می‌تواند نتایج بدیع و جالب‌توجهی به‌همراه داشته باشد. مواد و روش‌ها: روش تحقیق حاضر، ازمنظر هدف، کاربردی و ازمنظر ماهیت، توصیفی‌– تحلیلی است. گردآوری اطلاعات در این پژوهش به‌روش اسنادی‌– کتابخانه‌ای انجام شده است. در این مطالعه، تصویر سنجندۀ OLI در ماهوارۀ لندست‌– 8 تهیه شده است. طبقه‌بندی تصاویر ماهواره‌ای در دو مرحلۀ پیش‌پردازش و پردازش تصاویر انجام شده و پس‌از ارزیابی صحت طبقه‌بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختلاط، ضریب تغییرات و ضرایب User's accuracy و Producer's accuracy، بهترین الگوریتم در طبقه‌بندی کاربری‌های منطقۀ کلان‌شهری مشهد مشخص شد؛ این کاربری‌ها شامل پنج دسته و بدین‌قرار است: 1) مناطق ساخته‌شده؛ 2) اراضی بایر؛ 3) مناطق کوهستانی؛ 4) فضاهای سبز؛ 5) پهنه‌های آبی. نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC با استفاده از الگوریتم‌های گوناگون نشان می‌دهد که اراضی بایر با دقت بیشتر و پهنه‌های آبی و فضاهای سبز با دقت کمتری طبقه‌بندی شده‌‌اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می‌دهد که به‌طور کلی، صحت طبقه‌بندی دسته‌ها در تمامی الگوریتم‌های مورد مطالعه، در بازۀ خوب تا عالی قرار می‌گیرد. اما بررسی دقیق‌تر این الگوریتم‌ها نشان می‌دهد که بیشترین چالش شناسایی طبقه‌ها درمورد مناطق ساخته‌شده، مناطق کوهستانی و فضاهای سبز وجود دارد و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیل‌های مبتنی‌بر ماتریس اختلاط نیز تنوع در دقت هر طبقه‌بندی‌کنندۀ LULC را نشان می‌دهد. تفاوت در دقت طبقه‌بندی‌کننده‌های مورد استفاده جزئی است اما این تغییرات جزئی اهمیت بسیار چشمگیری درزَمینۀ برنامه‌ریزی LULC دارد. با توجه به اینکه این اختلافات جزئی در کاربری‌های حساسی، مانند مناطق ساخته‌شده و فضاهای سبز دیده می‌شود، انتخاب الگوریتمی دارای بیشترین دقت و کمترین خطا اهمیت ویژه‌ای دارد. نتیجه‌گیری: نتایج بررسی ضریب کاپا و تحلیل‌های مبتنی‌بر ماتریس اختلاط نشان می‌دهد که رویکرد SVM دقت کلی بیشتر و ضریب کاپای بالاتری از روش‌های RF و MLC دارد؛ به‌گونه‌ای‌ که الگوریتم‌های SVM، RF و MLC به‌ترتیب، دقت کلی معادل 93/0، 88/0 و 80/0% را به دست آورده‌اند. بنابراین ماشین بردار پشتیبان بیشترین دقت و کمترین خطا را در بین طبقه‌بندی‌کننده‌های مورد مطالعه دارد. براین‌اساس که مطالعات متعدد گویای ارتباط میان دقت نقشه‌برداری LULC با زمان و مکان است، درمورد تحقیقات آینده، تحلیل دقت طبقه‌بندی‌کننده‌ها برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می‌شود.

https://gisj.sbu.ac.ir/article_105144_3ab555101a8d7066ad6760646e058652.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Evaluating the Efficiency of InSAR Coherence in Crop Type Mapping Using Machine Learning ارزیابی کارآیی همدوسی تداخل‌سنجی راداری به‌منظور تعیین نوع کشت اراضی کشاورزی با استفاده از یادگیری ماشین 133 160 105853 10.48308/gisj.2025.238522.1249 FA فاطمه امیری گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران علی شمس الدینی گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران 0000-0002-4559-7563 محمد شریفی کیا گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2025 01 25 Introduction: The optimal use of agricultural land is a key concern for authorities due to agriculture's significant role in job creation, foreign exchange earnings, ensuring food security, and reducing reliance on imports. Gathering information about the spatial distribution and cultivated areas of various crops can enhance their efficient usage. One effective method for obtaining this information is through satellite imagery. Remote sensing technology, with its ability to provide high-resolution images and extensive spatial and temporal coverage, has become a dominant approach for crop type mapping. One of the remote sensing data that has recently received attention in the field of crop type mapping is the interferometric coherence images of synthetic aperture radar (InSAR). The sensitivity of these images to crop’s structure, making them valuable for monitoring and mapping crop types. In global literature, InSAR coherence images have been widely used in research related to agricultural products. However, in Iran, the use of coherence data for monitoring phenology and distinguishing different crops has not received much attention, despite its unique capabilities. Therefore, evaluating the efficiency of coherence data and its potential for adopting optimal agricultural management policies in Iran can be highly beneficial. Methodology: The main objective of this study is to evaluate the efficiency of machine learning-based InSAR coherence data for crop type mapping. To achieve this, a one-year time series of Synthetic Aperture Radar (SAR) data was compiled from Sentinel-1 phase information for the 2019 crop year, for the Ardabil plain, located to the west and northwest of Ardabil city. A network of SAR image pairs with short spatial and temporal baselines was created to produce coherence data. Field data were collected from 1,358 fields containing various crops. To avoid mixed pixels, a 10-meter buffer was established around the edges of each crop field. A total of 156,026 pixels from the coherence images were sampled and randomly divided into three groups: training (70%), validation (15%), and test (15%). To select the appropriate time interval for using coherence images, the phenological response of the crops to the InSAR coherence was analyzed. During the time interval, the phenological signals of the studied crops were compared with the signals of the built-up areas and bare soil to ensure that they were not mixed. Consequently, the multi-temporal InSAR coherence values in the selected time interval were used as input to the Support Vector Machine (SVM) classifier with different kernels to distinguish and identify the type of crops. Result: The study of the coherence time series values in the selected control areas revealed distinct differences in the coherence behavior of various crops when compared to one another, as well as in comparison to both built-up and bare soil areas. The InSAR coherence data match well with the main phenological stages of the crops. Among the different SVM kernels tested, the radial basis function (RBF) kernel achieved the highest overall accuracy of 59.69% during the validation phase, utilizing various combinations of the parameters c and gamma. In the testing phase, the crop type map produced using the SVM classifier with the RBF kernel reached an overall accuracy of 60.6%. This model performed best in identifying wheat and least effectively in identifying alfalfa. User accuracy was notably higher for wheat and potato plants, while it was lower for corn, broad bean, and alfalfa. Conclusion: Coherence images offer valuable insights for identifying and classifying crops in Iran. Leveraging machine learning techniques can enhance the utility of coherence data in monitoring and categorizing different crop types. Several factors influence the effectiveness of coherence images and the performance of classification algorithms, including the number of training samples available for each crop, the number of coherence features, the use of complementary data, sensor parallax (spatial baseline), topographical features (slope and aspect), the temporal resolution, and the classification algorithm. These characteristics should be carefully considered to optimize the analysis. مقدمه: استفادۀ بهینه از زمین‌های کشاورزی یکی از دغدغه‌های مسئولان است زیرا کشاورزی ازنظر اشتغال‌زایی، ارزآوری، تأمین امنیت غذایی کشور و وابستگی کمتر به ارز خارجی دارای اهمیت بسیار است. به دست آوردن اطلاعات دربارۀ الگوی توزیع مکانی و سطح زیرکشت محصولات زراعی می‌تواند به استفادۀ کارآمد از آن‌ها کمک ‌کند. ازجملۀ روش‌های مناسب به‌منظور حصول اطلاعات درمورد سطح زیرکشت محصولات زراعی، بهره‌گیری از تصاویر ماهواره‌ای است. حوزۀ سنجش‌ از‌ دور، با امکان ارائۀ تصاویر دارای قدرت تفکیک‌های مناسب و همچنین پوشش مکانی و زمانی وسیع، به رویکردی غالب برای استخراج سطح زیرکشت و‌ پایش محصولات زراعی تبدیل شده است. یکی از داده‌های سنجش‌ازدوری که اخیراً در حوزۀ نقشه‌برداری نوع محصول زراعی مورد توجه قرار گرفته، تصاویر همدوسی تداخل‌سنجی رادار دریچۀ مصنوعی است که به‌دلیل حساسیت بالا به ساختار محصولات زراعی، به نظارت و نقشه‌برداری آن‌ها کمک بسیاری می‌کند. در منابع جهانی، تصاویر همدوسی InSARکاربردی گسترده در تحقیقات مرتبط با محصولات زراعی داشته است. این درحالی است که در ایران، بهره‌گیری از داده‌های همدوسی برای پایش فنولوژی و تفکیک محصولات زراعی گوناگون، به‌ر‌غم توانایی‌های منحصربه‌فرد آن، چندان مورد توجه قرار نگرفته است. از‌این‌رو ارزیابی کارآیی داده‌های همدوسی و قابلیت‌های آن‌ها برای اتخاذ سیاست‌های مدیریت کشاورزی بهینه در ایران می‌تواند بسیار کارساز باشد. روش‌شناسی: هدف اصلی مطالعۀ حاضر ارزیابی کارآیی داده‌های همدوسی مبتنی‌بر یادگیری ماشین، به‌منظور نقشه‌برداری نوع محصول زراعی است. بدین‌منظور سری زمانی یک‌ساله‌ای متعلق به سال زراعی 1398 (2019 میلادی)، از داده‌های همدوسی دارای اطلاعات فاز ماهوارۀ سنتینل‌– 1، درمورد بخشی از اراضی دشت اردبیل واقع در غرب و شمال‌غرب شهر اردبیل، تهیه شد. در ‌این راستا زنجیره‌ای از جفت تصاویر راداری، با خط‌مبناهای مکانی و زمانی کوتاه، برای تولید داده‌های همدوسی به کار رفت. داده‌های میدانی از 1358 قطعه‌زمین با محصولات متفاوت برداشت شد. در مرز قطعات زراعی، حریمی ده‌متری برای جلوگیری از پیکسل‌های مخلوط در نظر گرفته شد. درمجموع، 156026 پیکسل از تصاویر همدوسی، برای نمونه، برداشت و به‌صورت تصادفی به سه دستۀ آموزشی (70%)، اعتبارسنجی (15%) و آزمایشی (15%) تقسیم شد. به‌منظور انتخاب بازۀ زمانی مناسب برای استفاده از تصاویر همدوسی، پاسخ فنولوژیکی محصولات به همدوسی تحلیل شد. در بازۀ زمانی انتخابی، سیگنال‌های فنولوژیکی محصولات مورد بررسی، با سیگنا‌ل‌های مناطق شاهد ساخته‌شده و خاک لخت، مقایسه شد تا درمورد اختلاط نیافتن آن‌ها اطمینان به دست آید. بدین‌ترتیب داده‌های همدوسی چندزمانه در بازۀ انتخابی، به‌منزلۀ ورودی طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان با کرنل‌های متفاوت، برای تفکیک و شناسایی نوع محصولات زراعی استفاده شدند. نتایج: بررسی مقادیر سری زمانی همدوسی، در مناطق شاهد انتخابی، حاکی از تمایز رفتار همدوسی محصولات زراعی متفاوت، درمقایسه با هم و نیز درقیاس با مناطق ساخته‌شده و خاک لخت است. بر‌این‌اساس داده‌های همدوسی انطباق خوبی با مراحل فنولوژیکی اصلی محصولات زراعی نشان می‌دهند. از میان کرنل‌های گوناگون طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان، کرنل تابع پایۀ شعاعی بیشترین میزان صحت کلی برابر را با 69/59%، با ترکیب متفاوتی از پارامترهای c و گاما در مرحلۀ اعتبارسنجی نشان داد. صحت کلی نقشۀ‌ نوع محصول زراعی تولید‌شده با استفاده از طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان و کرنل تابع پایۀ شعاعی، در مرحلۀ آزمایش، برابر با 6/60% است که بهترین عملکرد را در شناسایی گندم و بدترین را درمورد یونجه داشته است. صحت کاربر، برای گیاهان گندم و سیب‌زمینی، بالاتر و برای گیاهان ذرت، باقلا و یونجه، پایین‌تر است. جمع‌بندی: به‌طور کلی، می‌توان گفت تصاویر همدوسی اطلاعات ارزشمندی به‌منظور شناسایی و تفکیک محصولات زراعی در ایران ارائه می‌دهند. استفاده از قابلیت‌های یادگیری ماشین می‌تواند، در پایش و تفکیک انواع محصولات زراعی، به داده‌های همدوسی کمک کند. در این راستا، عواملی همچون تعداد نمونه‌های آموزشی هر محصول، تعداد ویژگی‌های همدوسی، استفاده از داده‌های مکمل، اختلاف‌منظر سنجنده (خط‌مبنای مکانی)، ویژگی‌های توپوگرافیکی (شیب و جهت)، فاصلۀ زمانی بین تصاویر رادار و نوع الگوریتم طبقه‌بندی تصویر، کارآیی تصاویر همدوسی و طبقه‌بندی‌کننده را تحت تأثیر قرار می‌دهند که باید مورد توجه قرار گیرند.

https://gisj.sbu.ac.ir/article_105853_808ceb3bbca8c50d340b5fe068268044.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Improving land Cover Classification in Mountainous Areas by Combining Sentinel-1 Images From Different Orbits and Assessing Radiometric Terrain Flattening Effects بهبود طبقه‌بندی پوشش زمین در نواحی کوهستانی با ترکیب تصاویر سنتینل‌– ۱ از مدارهای گوناگون و ارزیابی تأثیرات تصحیح رادیومتریک توپوگرافی 161 180 105953 10.48308/gisj.2025.239329.1258 FA محمد ابراهیمی دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،تهران، ایران محمودرضا صاحبی دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،تهران، ایران Journal Article 2025 04 05 Introduction: In recent years, land cover has been recognized as a key indicator for assessing climate change, ecosystems, and the management of natural resources. Growing challenges in acquiring up-to-date and accurate data have led to the adoption of modern remote sensing technologies. Among these, the Sentinel-1 Synthetic Aperture Radar (SAR) imagery has emerged as a reliable source for land surface characterization. These images are produced by a SAR system using active microwave technology, enabling effective operation in all weather conditions. Therefore, this technology proves to be an appropriate tool for generating reliable and detailed land cover maps. The aim of this research is to improve the classification of land cover by simultaneously utilizing images acquired from both the ascending and descending orbits of Sentinel-1. In addition, the study investigates the impact of applying radiometric terrain flattening corrections on the overall accuracy of the classification results. Materials and Methods: This study examined three different regions in Iran: Marand, Sari, and Chadegan, which were selected due to their varied land cover characteristics and the presence of mountainous areas. The data used consisted of Sentinel-1 satellite images with VV and VH polarizations from both ascending and descending passes. Preprocessing steps included applying orbit file, thermal noise removal, border noise removal, calibration, radiometric terrain flattening, speckle filtering, Range-Doppler terrain correction, and conversion to decibels. Additionally, the data were rescaled to a specific range using the min-max normalization method. The Random Forest (RF) algorithm was then employed to classify land cover into five classes: water, soil, vegetation, urban areas, and agriculture. Finally, the results were evaluated using overall accuracy, the kappa coefficient, and class-specific accuracy metrics. Results and Discussion: The results indicate that the simultaneous use of ascending and descending images without applying radiometric terrain flattening significantly improves classification accuracy across all study areas. For example, in Marand, the overall classification accuracy increased from 65.33% to 79.17%, representing an approximate improvement of 13%. In Sari, the combination of images raised the overall accuracy from 55.67% to 75.41%, while in Chadegan, it resulted in an approximate 12% increase from 56.88% to 68.06%. Regarding class-specific accuracy, in Marand, the vegetation class improved from 43.41% to 69.64%, and in Sari, the soil class accuracy increased from 19.57% to 46.40%. Numerical analysis suggests that combining images from different orbits provides complementary perspectives of the Earth's surface, helping to reduce distortions caused by viewing angles and topography. In addition, the results reveal that while radiometric terrain flattening can enhance the accuracy of certain classes when using a single image, its application in the combination of two images may cause excessive similarity between some classes, ultimately reducing overall performance. Conclusion: In conclusion, this research highlights the importance of concurrently using Sentinel-1 images from both ascending and descending orbits, particularly when radiometric terrain flattening is not applied, which plays a crucial role in enhancing the accuracy of land cover classification. The observed improvement in overall accuracy, ranging from 13% to 20% across different study areas, underscores the strong potential of this approach for land cover mapping. Moreover, the findings of this study demonstrate that the preprocessing methods employed for Sentinel-1 images have a significant impact on the accuracy and efficiency of classification models. In some cases, applying radiometric terrain flattening can lead to a decrease in both accuracy and efficiency. Therefore, optimally combining Sentinel-1 data from multiple orbital passes can lead to more accurate and reliable land cover maps. The approach presented in this study can thus serve as a valuable reference for future studies in the field of remote sensing, particularly those focused on improving land cover classification for environmental and agricultural applications. سابقه و هدف: در سال‌های اخیر، پوشش زمین به‌‌منزلۀ شاخصی کلیدی در بررسی تغییرات اقلیمی، سیستم‌های اکولوژیکی و مدیریت منابع طبیعی مورد توجه قرار گرفته است. محدودیت‌هایی که در مسیر تهیۀ داده‌های به‌روز و دقیق وجود دارد نیاز به استفاده از فنّاوری‌های نوین سنجش از دور را افزایش داده است. در این میان، تصاویر راداری سنتینل‌– ۱ که به سامانۀ رادار با روزنۀ مجازی (SAR) مجهز است، به‌دلیل فنّاوری مایکروویو فعال خود و با امکان عملکرد در هر شرایط جوّی، می‌تواند ابزاری مناسب برای تهیۀ نقشه‌های پوشش زمین به ‌شمار آید. هدف این تحقیق بهبود طبقه‌بندی پوشش زمین، با استفادۀ هم‌زمان از تصاویر دریافتی از مدارهای بالارونده و پایین‌روندۀ سنتینل‌– ۱ و بررسی تأثیر تصحیح رادیومتریک توپوگرافی در صحت نتایج طبقه‌بندی است. مواد و روش‌ها: در این تحقیق سه منطقۀ متفاوت در ایران، شامل شهرهای مرند و ساری و چادگان، به‌دلیل ویژگی‌های متفاوت پوشش زمین و وجود نواحی کوهستانی، بررسی شد. داده‌های مورد استفاده، در این تحقیق، تصاویر ماهوارۀ سنتینل‌– ۱ با قطبش‌های VV و VH در هر دو گذر بالارونده و پایین‌رونده است. پیش‌پردازش داده‌ها انجام شد که مراحلی همچون اعمال فایل مداری، حذف نویز حرارتی، حذف نویز حاشیه، کالیبراسیون، تصحیح رادیومتریک توپوگرافی، فیلتر اسپکل، تصحیح توپوگرافی رنج داپلر و تبدیل به دسی‌بل را دربرمی‌گرفت. همچنین با استفاده از روش نرمال‌سازی کمینه‌– بیشینه، داده‌ها به بازه‌ای مشخص تغییرمقیاس یافتند. سپس الگوریتم جنگل تصادفی (RF) برای طبقه‌بندی پوشش زمین به‌ کار رفت. این طبقه‌بندی شامل پنج کلاس آب، خاک، پوشش گیاهی، مناطق شهری و کشاورزی است. در انتها، نتایج با استفاده از معیارهای صحت کلی، ضریب کاپا و صحت هر کلاس ارزیابی شد. نتایج و بحث: نتایج نشان می‌دهد که استفادۀ هم‌زمان از تصاویر بالارونده و پایین‌رونده، بدون اعمال تصحیح رادیومتریک توپوگرافی، باعث بهبود شایان توجه صحت طبقه‌بندی در تمامی مناطق مورد مطالعه می‌شود. برای نمونه، در مرند، صحت کلی طبقه‌بندی از 3/65% به 17/79% افزایش یافته که معادل با بهبود تقریبی 13% است. در ساری، ترکیب تصاویر به افزایش صحت کلی از 67/55% به 41/75% منجر شده است. همچنین در چادگان، افزایش حدود 12درصدی صحت کلی از 88/56% به 06/68% مشاهده شده است. ازنظر صحت کلاسی، در مرند، صحت کلاس پوشش گیاهی ارتقای چشمگیری از 41/43% به 64/69% داشته و در ساری، صحت کلاس خاک از 57/19% به 40/46% بهبود یافته است. تحلیل عددی نشان می‌دهد ترکیب تصاویر، از مدارهای گوناگون، دیدگاه‌های مکملی از سطح زمین ارائه می‌دهد که به کاهش اعوجاج‌های ناشی از زاویۀ دید و توپوگرافی کمک می‌کند. همچنین نتایج نشان می‌دهد که اعمال تصحیح رادیومتریک توپوگرافی تأثیر دوگانه‌ای دارد. در حالت تک‌تصویری، می‌تواند به بهبود صحت برخی کلاس‌ها کمک کند اما، در ترکیب دو تصویر، ممکن است باعث شباهت بیش‌ازحد بین برخی کلاس‌ها شود و در نهایت، عملکرد کلی را کاهش دهد. نتیجه‌گیری: این تحقیق تأکید می‌کند که به‌کارگیری هم‌زمان تصاویر سنتینل‌– ۱ از مدارهای بالارونده و پایین‌رونده، به‌ویژه بدون استفاده از تصحیح رادیومتریک توپوگرافی، نقش کلیدی در افزایش صحت طبقه‌بندی پوشش زمین دارد. افزایش صحت کلی طبقه‌بندی به‌میزان ۱۳ تا ۲۰% در مناطق متفاوت، نشان از پتانسیل بالای این رویکرد در طبقه‌بندی پوشش زمین دارد. ازسوی‌دیگر، نتایج بیان می‌کند که نحوۀ پیش‌پردازش تصاویر سنتینل‌– 1 در صحت و کارآیی مدل تأثیر‌گذار است و استفاده از تصحیح رادیومتریک توپوگرافی، در برخی موارد، باعث کاهش صحت و کارآیی مدل می‌شود. به‌عبارت‌دیگر، ترکیب بهینۀ داده‌های سنتینل‌– 1 در مدارهای گوناگون می‌تواند به ارائۀ نقشه‌های دقیق‌تر و مورد اعتمادتر منجر شود. بنابراین رویکرد مطرح‌شده می‌تواند، به‌منزلۀ مرجعی برای مطالعات آینده در حوزۀ سنجش از دور، بهبود طبقه‌بندی پوشش زمین و کاربردهای محیط‌زیستی و کشاورزی مطرح شود.

https://gisj.sbu.ac.ir/article_105953_190df2fa5ad406240e2c890a0ee8a5b4.pdf