انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Comparative Analysis of Different Image Fusion Methods at the Pixel and Decision Levels on the Accuracy of Land Use and Land Cover Classification بررسی مقایسه‌‌ای روش‌های گوناگون ادغام تصویر در سطح پیکسل و تصمیم بر دقت طبقه‌بندی کاربری و پوشش اراضی 105313 10.48308/gisj.2025.235304.1215 FA فاطمه بالویی دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران مصطفی کابلی زاده دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران 0000-0001-6058-822X Journal Article 2024 04 08 <strong>ABSTRACT</strong><br /><strong>Introduction: </strong>This research examines and evaluates various methods of fusion satellite images to produce high accuracy land use and land cover maps in the Ahvaz region. Considering the importance of accurate land use information in natural resource management, urban planning, and sustainable development, this study aims to analyze different integration methods and investigate their impact on the accuracy of land use classification. In this context, two major levels of data integration are explored: pixel-level integration and decision-level integration. Pixel-level integration involves combining information from multiple images simultaneously at the individual pixel level, which can significantly improve the accuracy and quality of the final images. On the other hand, decision-level integration focuses on combining the results obtained from different classification algorithms.<br /><strong>Materials and Methods: </strong>In this research, images from two sensors, Landsat 8 and Sentinel 2, were used. Landsat 8, with a spatial resolution of 30 meters, and Sentinel 2, with a spatial resolution of 10 meters, were specifically chosen for applications related to land use and land cover<strong>.</strong>In the first step, images were integrated at the pixel level using various integration methods, including Discrete Wavelet Transform (DWT), Spatial Filtering based on Intensity Modulation (SFIM), Gram Schmidt (GS), Multiplicative (MP), Brovey Transform and Principal Component Analysis (PC). Each of these methods was specifically designed to preserve the spectral and spatial characteristics in the integrated images.In the second step, two classification methods, Maximum Likelihood Classification (MLC) and Support Vector Machine (SVM), were employed to create classified images. This choice was made because of the high ability of both methods to differentiate various land use and land cover classes. As a final step, the use of the Dempster-Shafer method as a decision-level integration approach was examined. This method allows for the combination of evidence and information from various sources, facilitating the production of more accurate and reliable results.<br /><strong>Results </strong><strong>and </strong><strong>discussion</strong><strong>: </strong>The results of this study indicated that the Support Vector Machine (SVM) method achieved higher accuracy in land use and land cover classification compared to the Maximum Likelihood Classification (MLC) method. The land use classification derived from the SFIM image using MLC, along with those obtained from GS, PC, and Brovey using SVM, were selected for decision-level integration due to their high Kappa coefficient and overall accuracy. The final land use map obtained through Dempster-Shafer integration exhibited an overall accuracy of 98.38% and a Kappa coefficient of 97.67%. These results reflect an improvement of 5 to 7 percent compared to the four land uses utilized.<strong> </strong>The increase in accuracy in class differentiation signifies success in more precise identification and classification of land use classes. Furthermore, the results revealed that the Dempster-Shafer method provided significant improvements, particularly in distinguishing similar classes such as soil and residential-road, leading to a notable increase in producer accuracy for these classes.Additionally, the examination of confusion matrices showed that the application of the Dempster-Shafer method reduced ambiguity in the classification of various land use classes. This emphasizes that the correct selection of integration and classification methods can directly enhance the accuracy and quality of land use maps<strong>.</strong><br /><strong>Conclusion: </strong>This research clearly demonstrates that the use of the Dempster-Shafer method as an effective tool in integrating classified data can significantly increase the accuracy of land use maps. Moreover, this study emphasizes that selecting appropriate integration methods at both the pixel and decision levels can positively impact the quality of land use maps<strong>.</strong><strong> </strong>Ultimately, this research serves as a valuable reference for future studies in the field of remote sensing data integration and its applications in natural resource management and urban planning, underscoring the importance of having accurate land use maps<strong>.</strong><br />. چکیده<br /><br />مقدمه:این پژوهش به بررسی و ارزیابی روش‌های مختلف ادغام تصاویر ماهواره‌ای به‌منظور تولید نقشه‌های کاربری اراضی با دقت بالا در منطقه اهواز، می‌پردازد. با توجه به اهمیت اطلاعات دقیق کاربری اراضی در مدیریت منابع طبیعی، برنامه‌ریزی‌های شهری و توسعه پایدار، این مطالعه تلاش دارد تا روش‌های مختلف ادغام را تحلیل کند و تأثیر آن‌ها بر دقت طبقه‌بندی کاربری اراضی را بررسی نماید. در این راستا، دو سطح عمده از ادغام داده‌ها مورد بررسی قرار می‌گیرد: ادغام در سطح پیکسل و ادغام در سطح تصمیم‌گیری.ادغام در سطح پیکسل به ترکیب اطلاعات چندین تصویر به‌صورت همزمان در سطح پیکسل‌های فردی می‌پردازد، که می‌تواند بهبود قابل توجهی در دقت و کیفیت تصاویر نهایی ایجاد کند. از طرف دیگر، ادغام در سطح تصمیم‌گیری به ترکیب نتایج حاصل از الگوریتم‌های طبقه‌بندی مختلف می‌پردازد.<br /><br /><br /><strong>مقدمه: </strong>این پژوهش روش‌‌های گوناگون ادغام تصاویر ماهواره‌‌ای را به‌‌منظور تولید نقشه‌‌های کاربری اراضی با دقت مناسب در منطقة اهواز، بررسی و ارزیابی می‌کند. با توجه به اهمیت اطلاعات دقیق کاربری اراضی در مدیریت منابع طبیعی، برنامه‌‌ریزی‌‌های شهری و توسعة پایدار، این مطالعه تلاش دارد روش‌‌های گوناگون ادغام را تحلیل کند و تأثیر آن‌‌ها را در دقت طبقه‌‌بندی کاربری اراضی بررسی نماید. در این راستا، دو سطح عمدة ادغام داده‌‌ها بررسی می‌شود: ادغام در سطح پیکسل و ادغام در سطح تصمیم‌‌گیری. ادغام در سطح پیکسل به ترکیب هم‌زمان اطلاعات چندین تصویر در سطح پیکسل‌‌های فردی می‌‌پردازد که می‌‌تواند بهبود شایان توجهی در دقت و کیفیت تصاویر نهایی ایجاد کند. ازدیگرسو، ادغام در سطح تصمیم‌‌گیری به ترکیب نتایج حاصل از الگوریتم‌‌های گوناگون طبقه‌‌بندی می‌‌پردازد.<br /><strong>مواد و روش‌‌ها:</strong> در این تحقیق، از تصاویر دو سنجندة لندست‌ـ ۸ و سنتینل‌ـ ۲ استفاده شده است. سنجندة لندست‌ـ ۸ با تفکیک مکانی 3۰ متر و سنجندة سنتینل‌ـ ۲ با قدرت تفکیک 10 متر، به‌‌ویژه برای کاربردهایی درزَمینة کاربری اراضی و پوشش زمین، انتخاب شدند. در گام نخست، تصاویر در سطح پیکسل با بهره‌‌گیری از روش‌‌های گوناگون ادغام، شامل تبدیل موجک (DWT)، هموارسازی فیلتر متکی‌بر تعدیل شدت (SFIM)، گرام‌ـ اشمیت (GS)، ضرب (MP)، تبدیل Brovey و تحلیل مؤلفه‌‌های اصلی (PCA) تلفیق شدند. هریک از این روش‌‌ها به‌‌طور خاص برای حفظ ویژگی‌‌های طیفی و مکانی در تصاویر ادغام‌‌شده طراحی شده‌‌اند. در گام دوم، به‌‌منظور ایجاد تصاویر طبقه‌‌بندی‌شده، دو روش حداکثر احتمال (MLC) و ماشین بردار پشتیبان (SVM) به‌ کار گرفته شد. این انتخاب به‌‌دلیل توانایی بالای دو روش در تفکیک کلاس‌‌های متفاوت کاربری و پوشش اراضی بود. در آخرین مرحله، استفاده از روش دمپسترـ شفر به‌‌منزلة روشی برای ادغام در سطح تصمیم‌‌گیری، بررسی شد. این روش، با ترکیب شواهد و اطلاعات از منابع گوناگون، امکان تولید نتایج دقیق‌‌تر و مورد اطمینان‌‌تر را فراهم می‌‌آورد.<br /><strong>بحث و نتایج:</strong> نتایج این تحقیق نشان داد که روش ماشین بردار پشتیبان، در مقایسه با روش حداکثر احتمال، دقت بیشتری در طبقه‌‌بندی کاربری اراضی دارد. کاربری حاصل از تصویر روش SFIM به‌روش حداکثر احتمال و GS، PC و Brovey حاصل طبقه‌‌بندی ماشین بردار پشتیبان، به‌علت ضریب کاپا و دقت کلی زیاد، برای تلفیق در سطح تصمیم‌‌گیری انتخاب شدند. نقشة کاربری نهایی حاصل از ادغام، با استفاده از روش دمپسترـ شفر، دقت کلی 3۸/9۸% و ضریب کاپای 6۷/9۷% را نشان داد. این نتایج بهبود پنج تا هفت‌درصدی را در مقایسه با چهار کاربری مورد استفاده، نشان می‌دهد. افزایش دقت در تفکیک کلاس‌‌ها نشان‌‌دهندة موفقیت در شناسایی و طبقه‌‌بندی دقیق‌‌تر کلاس‌‌های کاربری است. به‌‌علاوه، نتایج نشان داد که روش دمپسترـ شفر، به‌‌طور خاص، در تفکیک کلاس‌‌های مشابه مانند خاک و مسکونی‌ـ جاده بهبود درخور توجهی به دست داده است؛ به‌‌گونه‌ای ‌‌که دقت تولیدکننده درمورد این کلاس‌‌ها افزایش چشمگیری یافت. همچنین، با بررسی ماتریس‌‌های ابهام، مشخص شد که استفاده از روش دمپسترـ شفر باعث کاهش ابهام در طبقه‌‌بندی کلاس‌‌های متفاوت کاربری شده است. این نکته تأکید می‌‌کند که انتخاب صحیح روش‌‌های ادغام و طبقه‌‌بندی می‌‌تواند مستقیماً به بهبود دقت و کیفیت نقشه‌‌های کاربری اراضی کمک کند.<br /><strong>نتیجه‌‌گیری:</strong> این تحقیق به‌‌وضوح بیان می‌کند استفاده از روش دمپسترـ شفر ابزار مؤثری در ادغام داده‌‌های طبقه‌‌بندی‌شده است که می‌‌تواند دقت نقشه‌‌های کاربری اراضی را افزایش چشمگیری دهد؛ علاوه‌بر این، تأکید می‌‌کند که انتخاب روش‌‌های مناسب ادغام در سطح پیکسل و تصمیم‌‌گیری می‌‌تواند، در کیفیت نقشه‌‌های کاربری اراضی، تأثیرات مطلوب شایان توجهی داشته باشد. در نهایت، این پژوهش مرجع کارآمدی برای تحقیقات آینده، درزَمینة ادغام داده‌‌های سنجش از دور و کاربردهای آن در مدیریت منابع طبیعی و برنامه‌‌ریزی شهری، محسوب می‌‌شود و بر اهمیت نقشه‌‌های دقیق کاربری اراضی تأکید می‌‌کند. https://gisj.sbu.ac.ir/article_105313_580ac0ba6b4286b3622c37f6c49e4884.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Evaluation and Analysis of the Evolution and Completeness of Building Data in Volunteered Geographic Information (Case Study: OpenStreetMap Building Information in Mashhad City) ارزیابی و تحلیلی بر ارتقا و کامل‌بودن داده‌های ساختمانی در اطلاعات جغرافیایی داوطلبانه (مطالعة موردی: اطلاعات ساختمانی OpenStreetMap در شهر مشهد) 105525 10.48308/gisj.2025.234725.1203 FA هدیه حسن نیا بدرآباد مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0009-0009-8556-3366 بابک میرباقری مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0000-0002-4161-1540 مسعود مینائی گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران. آزمایشگاه علم / سیستم اطلاعات جغرافیایی و سنجش از دور، مشهد، ایران 0000-0001-6233-416X Journal Article 2024 02 05 <strong>Introduction and Objectives:</strong> The advent of digital sensors, smartphones, crowdsourced applications, and vibrant social media platforms has dramatically transformed the landscape of geographic data accessibility. This transformation is even more pronounced with the emergence of user-generated content, a hallmark of Web 2.0 technologies. This participatory phenomenon is termed Volunteered Geographic Information (VGI), of which OpenStreetMap (OSM) serves as a prominent illustration. OSM offers an extensive repository of detailed and frequently updated geospatial data concerning physical infrastructures, including buildings, roads, and other vital landmarks. Though OSM provides this wealth of data free of charge and continues to expand its database, the quality of the information necessitates meticulous evaluation to determine its suitability for various practical applications. Research across the globe has underscored the efficacy of VGI; however, there remains a significant gap in studies investigating the quality of spatial information pertaining specifically to buildings within OSM, particularly in regions like Iran. This study aims to address this gap by focusing on three critical aspects: first, it will evaluate the quality of building data captured in OSM; second, it will analyze the enhancements and overall completeness of this data from the years 2018 to 2023; and third, it will explore the intricate relationship between land use patterns and population density, utilizing the building data derived from OSM. Through this comprehensive examination, the study hopes to shed light on the integrity of VGI in representing urban landscapes.<br /><strong>Materials and Methods:</strong> The study area, encompassing districts 9 and 11 of Mashhad, was divided into a grid of 1 x 1 km cells, serving as the foundational framework for our analysis. Within each cell, we assessed three key metrics from 2018 to 2023: building density, completeness, and the quantity of buildings documented in OpenStreetMap (OSM) data. Notably, the ratio of officially registered charges to the overall count of charges within the voluntary dataset indicates the extent to which official data is represented in the voluntary dataset. This metric reflects the completeness of the voluntary data relative to official sources. Subsequently, we analyzed the correlation between building density and data completeness for each grid cell. Additionally, demographic parameters, including population and land use, were incorporated into the evaluation process.<br /><strong>Results and Discussion:</strong> The construction data sourced from OpenStreetMap (OSM) across the 9th and 11th districts of Mashhad has witnessed an impressive twentyfold increase from 2018 to 2023. This extraordinary expansion is particularly evident in the eastern and northeastern sectors of the city, where development has surged. Among the various land use categories identified, residential areas, followed by residential-commercial zones, commercial spaces, and educational institutions, display the highest frequency of construction activities in that specific order. Moreover, there exists a notable and robust correlation between the OSM building data and the population residing within each building block. However, this connection has exhibited significant fluctuations throughout the analyzed period, indicating varying patterns of growth and development. Furthermore, an intriguing relationship emerges between the density index and the completeness of the data; in regions where the density of OSM building data is greater, users tend to exhibit a heightened willingness to create and delineate new buildings, reflecting an active engagement in urban development.<br /><strong>Conclusion:</strong> An in-depth examination of completeness index values reveals a noteworthy discrepancy in the OpenStreetMap (OSM) dataset, which significantly underrepresents the actual number of buildings when compared to official records. This research compellingly illustrates that, although OSM data can serve as a valuable resource for geographical analyses in urban environments—especially within bustling metropolises such as Mashhad—there exists a pressing necessity for enhancements and validation of the data to attain a higher level of accuracy. Moreover, a meticulous evaluation of key performance indicators can provide profound insights that not only enhance the reliability of the OSM dataset but also bolster its applications in urban planning and other related fields, thereby paving the way for more informed decision-making processes<strong>.</strong> <strong>مقدمه و هدف:</strong> افزایش فزایندة حسگر‌های دیجیتال، تلفن‌‌های هوشمند، برنامه‌های کاربردی جمع‌سپاری و رسانه‌های اجتماعی موجب افزایش سریع میزان داده‌های جغرافیایی شده ‌است. در این راستا، منبعی نوین و شایان توجه از اطلاعات جغرافیایی، به‌صورت محتوای وب، ازسوی کاربران در دسترس قرار گرفته است. این منبع اغلب با فنّاوری‌هایی با عنوان Web 2.0 پشتیبانی می‌شود. در چارچوب جغرافیای نوین، افراد داده‌های دریافتی از محیط خود را گرد‌آوری و بارگذاری می‌کنند و از این طریق، به بهبود داده‌هایی که دیگران مطرح کرده‌اند، کمک می‌کنند. این روش نوین با عناوینی همچون اطلاعات مکانی مردم‌گستر یا Volunteered Geographic Information (VGI) شناخته می‌شود. یکی از منابع VGI داده‌های وب‌سایت OpenStreetMap (OSM) است که انواع گوناگونی از داده‌های مکان‌مبنا، ازجمله ساختمان‌ها را شامل می‌شود. استفاده از داده‌های OSM مزیت‌های بسیاری دارد زیرا این داده‌ها به‌رایگان در دسترس‌اند و به‌سرعت به‌روز می‌شوند. پایگاه دادة OSM، هم ازنظر تعداد کاربران و هم ازنظر حجم داده‌های مکانی، به‌سرعت در حال توسعه است. ازاین‌رو به مجموعه‌داده‌ای جهانی، پرکاربرد و باکیفیت تبدیل شده ‌است. با وجود اینکه دسترسی به چنین داده‌هایی جالب‌توجه به نظر می‌رسد، کیفیت این داده‌ها به ارزیابی نیاز دارد؛ بنابراین تناسب آن‌ها برای اهدافی خاص باید ارزیابی شود. به‌رغم مطالعات انجام‌شده در سطح جهان و مزایای بهره‌برداری از اطلاعات مکانی مردم‌گستر در ایران، تحقیقات بسیار اندکی درزَمینة داده‌های فضایی مرتبط با ساختمان‌ها در OSM انجام شده ‌است. ازاین‌رو در پژوهش حاضر: 1) کیفیت داده‌های ساختمانی OSM ارزیابی می‌شود؛ 2) روند ارتقا و کامل‌بودن ساختمان‌ها در داده‌های OSM، طی دورة زمانی شش‌ساله‌ای (2023-2018)، بررسی می‌شود و 3) ارتباط بین کاربری اراضی و جمعیت با داده‌های ساختمانی OSM ارزیابی می‌شود.<br /><strong>مواد و روش‌ها:</strong> منطقة مورد مطالعه (مناطق 9 و 11 مشهد) به شبکه‌ای سلولی با اندازة 1×1 کیلومتر تقسیم شد و این مساحت، به‌منزلة واحد جغرافیایی، مبنای محاسبات قرار گرفت. برای هر واحد جغرافیایی، سه معیار (تراکم ساختمانی، کامل‌بودن و تعداد ساختمان در داده‌های OSM) در منطقة مورد مطالعه، متعلق به سال‌های 2018 تا 2023، بررسی شد. شایان ذکر است که تعداد عوارض رسمی متناظر در مجموعه‌دادة جغرافیایی داوطلبانه، به تعداد کل عوارض مجموعه‌دادة رسمی، میزان حضور داده‌های رسمی را در مجموعه‌دادة جغرافیایی داوطلبانه نشان می‌دهد. این مقدار همان میزان کامل‌بودن داده‌های داوطلبانه در قیاس با داده‌های رسمی است. در گام بعدی، رابطة بین تراکم و کامل‌بودن داده‌های ساختمانی، درمورد هر سلول شبکه، محاسبه شد و دو پارامتر جمعیت و کاربری اراضی نیز در بررسی‌ها به کار رفت.<br /><strong>نتایج و بحث:</strong> دادة ساختمانی OSM در مناطق 9 و 11 مشهد، از 2018 تا 2023، بیست‌برابر افزایش یافته و این افزایش، به‌ویژه درمورد مناطق شرق و شمال‌شرق، مشهود‌تر است. همچنین کاربری اراضی مسکونی، مسکونی‌ـ تجاری، تجاری و آموزشی، به‌ترتیب، بیشترین فراوانی را به خود اختصاص داده‌اند. به‌رغم همبستگی مثبت و معنادار بین داده‌های ساختمانی OSM و جمعیت هر بلوک ساختمانی، این همبستگی در بازة زمانی مورد بررسی به‌صورت نوسانی متغیر بوده ‌است. مقدار همبستگی‌ها میان شاخص تراکم و کامل‌بودن نشان می‌دهد، در مکان‌هایی که تراکم دادة ساختمانی در دادة OSM بیشتر بوده ‌است، کاربران تمایل بیشتری به ایجاد و ترسیم ساختمان جدید داشته‌اند.<br /><strong>نتیجه‌گیری:</strong> با توجه به مقادیر شاخص کامل‌بودن، می‌توان نتیجه گرفت که ساختمان‌های به‌ثبت‌رسیده در OSM بسیار کمتر از تعداد واقعی ساختمان‌ها در دادة رسمی است. با توجه به این تحقیق، می‌توان گفت که داده‌های OSM برای تحلیل جغرافیایی ساختمان‌ها در شهرهای بزرگ، مانند مشهد، مناسب‌اند اما، برای استفاده‌های بیشتر و دقیق‌تر، به تکمیل و بهبود این داده‌ها نیاز است. همچنین بررسی شاخص‌های تأثیرگذار می‌تواند، به‌منظور استفادة مطمئن‌تر از این داده‌ها، اطلاعات سودبخشی در اختیار کاربران قرار دهد. https://gisj.sbu.ac.ir/article_105525_d6884fdc0d5cfe021c177ead2ed13260.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Change Detection in Residential Areas Construction by Using Photogrammetry Products آشکارسازی تغییرات ساخت‌وساز مناطق مسکونی با استفاده از محصولات فتوگرامتری 105524 10.48308/gisj.2025.236867.1231 FA محمدامین بخشی مرکز علم و فناوری مهندسی ژئوماتیک، دانشکده پیامبر اعظم (ص)، دانشگاه جامع امام حسین (ع)، تهران، ایران 0009-0000-8884-7545 مهرداد اسلامی مرکز علم و فناوری مهندسی ژئوماتیک، دانشکده پیامبر اعظم (ص)، دانشگاه جامع امام حسین (ع)، تهران، ایران 0000-0002-4446-7361 علی سرکارگر اردکانی مرکز علم و فناوری مهندسی ژئوماتیک، دانشکده پیامبر اعظم (ص)، دانشگاه جامع امام حسین (ع)، تهران، ایران 0009-0000-0562-9340 رامین سعدی اسفنگره مرکز علم و فناوری مهندسی ژئوماتیک، دانشکده پیامبر اعظم (ص)، دانشگاه جامع امام حسین (ع)، تهران، ایران 0000-0002-5425-3690 Journal Article 2024 09 10  <br /><strong>Introduction:</strong> Change detection, one of the applications of remote sensing images and photogrammetric data, with a history of over four decades in various military and civilian domains, plays an important role in urban management, crisis management, monitoring natural resources, ensuring security, and governmental governance. Monitoring and controlling changes within the boundaries and urban areas, especially in addressing unauthorized land-use changes, is one of the most critical needs of urban management. For this purpose, using classical methods, despite their simplicity and accessibility, lacks the necessary efficiency due to limitations in accuracy, speed, and comprehensiveness. On the other hand, implementing new deep learning-based methods such as neural networks also faces challenges due to the difficulties in preparing training data, being time-consuming and costly, and requiring powerful computational and hardware resources. This paper aims to present a relatively fast, cost-effective, and high-accuracy process for detecting and identifying changes in residential areas.<br /><strong>Material and Methods:</strong> The proposed process, aimed at overcoming the limitations of previous methods, is based on the use of photogrammetric products, including Digital Surface Models (DSM) and orthophotomosaics, along with the application of various filters. The input data, with horizontal and vertical accuracies better than 30 cm, have been prepared and enable the identification of buildings that have undergone changes over time. The proposed process involves generating a Digital Difference Model (DDM) by subtracting two-time DSMs, which visualizes height changes in both positive and negative directions. Initial targets are then extracted by applying height and area threshold limits, combined with multiple filtering stages on the input data. To reduce recognition errors caused by factors such as shadows, vegetation, vehicles, and other existing features, orthophotomosaic classification using intelligent algorithms is performed and applied to the Digital Difference Model. This step reduces the impact of interfering features and leads to the extraction of the final targets.<br /><strong>Results and Discussion:</strong> To evaluate the performance of the proposed process, two study areas in Yazd Province were selected: one with a simple urban texture and the other with a complex urban texture. The data include orthophotomosaics with a pixel size of 10 cm for both study areas. Additionally, the Digital Surface Models (DSMs) have pixel sizes of 40 cm and 10 cm, respectively. It is worth noting that the time interval between data acquisitions was two months for the first study area and three years for the second. The results of implementing the proposed process achieved an overall accuracy of over 90% in the first study area and over 83% in the second. Optimal values for height and area thresholds and filter settings were determined through a trial-and-error process, by defining various events and precisely analyzing the counts of correct targets, missed targets, and false targets to achieve the highest accuracy. Analysis and evaluation of the proposed process show that applying appropriate filters in four stages increased the overall algorithm accuracy by more than 30%.<br /><strong>Conclusion:</strong> The proposed process is highly dependent on the study area and the threshold values corresponding to its urban texture. Despite this limitation, the presented method, due to its lower cost and higher speed compared to similar methods, has broad applicability in areas similar to those studied. Additionally, the results of this paper show that this process, due to its high accuracy and acceptable results, can serve as an effective tool in the field of urban management and monitoring authorized and unauthorized changes, contributing to improving decision-making processes in this domain and effectively addressing the need for urban boundary control. For other areas with textures different from those in this study, it is necessary to calculate optimal values for operational components and thresholds using a similar methodology <strong>سابقه و هدف:</strong> شناسایی تغییرات یکی از کاربردهای تصاویر و داده‌های سنجش ‌از دور و فتوگرامتری، با سابقه‌ای بیش از چهار دهه در حوزه‌های گوناگون نظامی و غیرنظامی، برای اهداف و عوارض گوناگون است که در مدیریت شهری، مدیریت بحران، پایش منابع طبیعی، تأمین امنیت و حکمرانی دولت‌ها نقش مهمی ایفا می‌کند. پایش و کنترل تغییرات در محدوده و حریم شهرها، به‌ویژه در مواجهه با تغییر کاربری غیرمجاز زمین، از ضروری‌ترین نیازهای مدیریت شهری است. روش‌های کلاسیک، به‌رغم سادگی و دردسترس‌بودن، به‌دلیل محدودیت‌های دقت و سرعت و جامعیت، کارآیی لازم را ندارند. در مقابل، اجرای روش‌های جدید مبتنی‌بر یادگیری عمیق، مانند شبکه‌های عصبی نیز به‌دلیل مشکلات آماده‌سازی داده‌های آموزشی، زمان‌بر و هزینه‌بربودن و نیازداشتن به منابع محاسباتی و سخت‌افزاری قدرتمند، با چالش‌هایی همراه است. این مقاله،‌ با هدف مطرح‌کردن فرایندی تقریباً سریع، کم‌هزینه و دارای دقت بالا برای شناسایی و آشکارسازی تغییرات در مناطق مسکونی، انجام شد.<br /><strong>مواد و روش‌ها:</strong> هدف از طرح فرایند پیشنهادی برطرف‌کردن محدودیت‌های روش‌های پیشین، مبتنی‌بر استفاده از محصولات فتوگرامتری، شامل مدل رقومی سطح (DSM) و تصاویر ارتوفتوموزائیک و اعمال فیلترهای گوناگون روی آن‌هاست. داده‌های ورودی، با دقت‌های مسطحاتی و ارتفاعی بهتر از ۳۰ سانتی‌متر، تهیه شده و امکان شناسایی ساختمان‌هایی را که در طول زمان دچار تغییرات شده‌اند، فراهم می‌کنند. فرایند پیشنهادی شامل تولید مدل رقومی اختلاف (DDM) از تفریق مدل رقومی سطح دوزمانه است که این مدل، تغییرات ارتفاعی را در دو جهت مثبت و منفی، نمایش می‌دهد. سپس با اعمال حدهای آستانة ارتفاع و مساحت، همراه با چند مرحلة فیلترگذاری روی دادة ورودی، اهداف اولیه استخراج می‌شوند. برای اینکه خطای شناسایی ناشی از وجود عوارضی نظیر سایه‌ها، پوشش گیاهی و خودروها کاهش یابد، تصاویر ارتوفتوموزائیک با استفاده از الگوریتم‌های هوشمند، طبقه‌بندی می‌شود و به مدل رقومی اختلاف، اعمال می‌شود. این مرحله تأثیر عوارض مزاحم را کاهش می‌دهد و به استخراج اهداف نهایی منجر می‌شود.<br /><strong>نتایج و بحث:</strong> برای ارزیابی عملکرد فرایند پیشنهادی، دو منطقة مطالعاتی در استان یزد، یک منطقه دارای بافت شهری ساده و دیگری دارای بافت شهری پیچیده، انتخاب شد. داده‌ها شامل تصاویر ارتوفتوموزائیک، با اندازة پیکسل ۱۰ سانتی‌متر، برای هر دو منطقة مطالعاتی می‌شود. مدل‌های رقومی سطح نیز به‌ترتیب، دارای اندازة پیکسل ۴۰ و ۱۰ سانتی‌متر است. شایان ذکر است که فاصلة زمانی تهیة داده‌ها، برای منطقة مطالعاتی اول، برابر با دو ماه و در منطقة مطالعاتی دوم، سه سال است. نتایج اجرای فرایند پیشنهادی، در منطقة مطالعاتی اول، با دقت کلی بیش از %۹۰ و در منطقة دوم، با دقت کلی بیش از %۸۳ به دست آمد. تعیین مقادیر بهینه برای حدهای آستانة ارتفاع و مساحت و مقادیر فیلترها، به‌نحوی که به بالا‌ترین دقت برسند، ازطریق فرایند آزمون‌وخطا و با تعریف رخدادهای گوناگون و بررسی و شمارش دقیق تعداد اهداف صحیح، اهداف جاافتاده و اهداف اشتباه، انجام شد. تحلیل و ارزیابی فرایند پیشنهادی نشان می‌دهد که اعمال فیلترهای مناسب، در چهار مرحله، دقت کلی الگوریتم را تا بیش از %۳۰ افزایش داده ‌است.<br /><strong>نتیجه‌گیری:</strong> فرایند پیشنهادی بسیار تحت تأثیر منطقة مطالعاتی و مقادیر حد آستانة متناسب با بافت شهری آن قرار دارد. با وجود این محدودیت، روش مطرح‌شده به‌دلیل هزینة کمتر و سرعت بالاتر، در قیاس با دیگر روش‌ها، امکان اجرایی گسترده‌ای در منطقه‌های مشابه با مناطق مورد مطالعه دارد. همچنین نتایج این مقاله‌ نشان می‌دهد که این فرایند، به‌علت دقت بالا و نتایج مورد قبول، می‌تواند به‌منزلة ابزاری کارآمد در حوزة مدیریت شهری و پایش تغییرات مجاز و غیرمجاز، بهره‌برداری شود و در بهبود فرایندهای تصمیم‌گیری در این زمینه، مؤثر باشد و نیازهای آن به کنترل حریم شهری را به‌خوبی برطرف کند. درمورد دیگر مناطقی که بافت متفاوتی با مناطق مطرح‌شده در این مقاله‌ دارند، مقادیر بهینه باید با روشی مشابه، درمورد مؤلفه‌های اجرایی و حدهای آستانه، محاسبه شود. https://gisj.sbu.ac.ir/article_105524_dc920fd02306ee53ed1169c14cbd7cf7.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Efficient Adaptive Local Thresholding for Improving Elevation Change Detection in Urban Environments Using Bi-temporal LiDAR Data آستانه‌گذاری محلی تطبیقی برای بهبود تشخیص تغییرات ارتفاعی در محیط‌های شهری با استفاده از داده‌های لایدار دوزمانه 105522 10.48308/gisj.2025.238545.1250 FA وحید احمدی مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0009-0009-1589-2746 علی اکبر متکان مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0000-0001-5394-4599 Journal Article 2025 01 28 <strong>Introduction:</strong> Three-dimensional changes in urban environments have become one of the most critical topics in urban environmental studies and structural change monitoring. As cities rapidly expand and the number of construction projects continues to increase, identifying and monitoring these changes have gained significant importance. Furthermore, the ability to simulate and predict urban changes can help urban planners and decision-makers make informed choices. In this regard, the use of three-dimensional data, such as LiDAR point clouds, is an effective method for accurately simulating and detecting three-dimensional changes at the urban level.<br /><strong>Materials and Methods:</strong> The primary objective of this research is to develop an algorithm for identifying and analyzing elevation changes in urban areas using bi-temporal LiDAR data processing techniques. These elevation changes can result from various factors, such as the construction and demolition of buildings, changes in land use, or variations in vegetation cover. In this study, LiDAR point cloud data from the years 2014 and 2019, collected from the coastal region of Duck in North Carolina, were utilized. These datasets contain three-dimensional points with X, Y, and Z coordinates, along with intensity values recorded from the Earth's surface using a LiDAR sensor. To identify elevation changes, the distance between the two point clouds was computed. The relative distance between corresponding points was determined using Delaunay triangulation, which created an irregular triangular network from one set of points and measured the distance between this network and the corresponding points in the other dataset. Following this step, a local adaptive thresholding method was applied to detect elevation changes at various scales. This method has the advantage of identifying localized changes more effectively than global detection techniques, which may overlook smaller variations.<br /><strong>Result and Discussion:</strong> In this research, the two point clouds were merged into a single dataset to analyze elevation changes in urban environments. This process resulted in a unified point cloud with higher density in unchanged areas. In contrast, in areas where elevation changes occurred, multiple elevation surfaces emerged, leading to an increase in elevation variance. This effect was particularly noticeable in cases where land use had changed or where buildings had been demolished and reconstructed. The variance differences were clearly visible, providing strong indicators of real changes in the urban landscape. In regions experiencing changes, the elevation variance of the combined point cloud increased significantly, highlighting structural modifications. Conversely, in areas without elevation changes, the elevation variance remained low. This method proved especially effective in detecting minor changes that are often overlooked by conventional global change detection methods.<br /><strong>Conclusion:</strong> To evaluate the accuracy of the proposed approach, key performance metrics such as completeness, correctness, overall quality, and the F1 score were computed. The results demonstrated that the proposed method performed exceptionally well in detecting elevation changes in urban areas. Specifically, in regions where changes in building heights or land use had occurred—such as the conversion of land into buildings or vegetation into urban structures—the algorithm successfully identified changes with high precision. In particular, for two subsets of the study area where building demolition and construction activities took place, the completeness metric exceeded 98%, while accuracy in other metrics ranged between 86% and 98%. For the third subset, where vegetation was converted into residential land use, completeness was measured at 85%, with accuracy in other metrics ranging between 83% and 98%. The local adaptive thresholding method introduced in this study effectively identifies elevation changes in complex urban environments. This technique is particularly efficient in detecting small-scale, localized changes that global methods may overlook. The results of this research have significant implications for urban planning, infrastructure monitoring, and disaster management, as they can enhance decision-making processes in these domains. Future studies should focus on applying this method to various urban environments while considering its computational efficiency and scalability for processing large-scale datasets. The integration of advanced machine learning models with this approach could further improve change detection accuracy and automation, leading to more efficient monitoring of urban transformations. <strong>مقدمه:</strong> تغییرات سه‌بعدی در محیط‌های شهری یکی از مهم‌ترین موضوعات در مطالعات تغییرات محیط‌زیست شهری و پایش تغییرات ساختاری آن است. با توجه به رشد سریع شهرها و افزایش تعداد پروژه‌های ساخت‌وساز، شناسایی و پایش این تغییرات اهمیت بسیاری یافته است. ازسوی‌دیگر، امکان شبیه‌سازی و پیش‌بینی تغییرات شهری می‌تواند به برنامه‌ریزان شهری و مقامات مسئول، در اتخاذ تصمیمات بهینه، کمک کند. در این راستا، استفاده از داده‌های سه‌بعدی مانند ابر نقاط لایدار یکی از روش‌های مؤثر در شبیه‌سازی دقیق تغییرات سه‌بعدی در سطح شهر است.<br /><strong>مواد و روش‌ها:</strong> هدف این تحقیق توسعة الگوریتمی درزَمینة شناسایی و تحلیل تغییرات ارتفاعی در مناطق شهری، با استفاده از پردازش داده‌های لایدار دوزمانه است. این تغییرات ممکن است از عوامل متفاوتی، مانند ساخت و تخریب ساختمان‌ها، تغییرات کاربری اراضی و یا تغییرات در رشد پوشش گیاهی ناشی شوند. در این تحقیق، داده‌های ابر نقطة لایدار متعلق به سال‌های 2014 و 2019، از منطقة ساحلی داک در کارولینای شمالی، در اختیار قرار گرفت. این داده‌ها شامل نقاط سه‌بعدی با مؤلفه‌های X، Y و Z و شدت نور است که با استفاده از سنجشگر لایدار، از سطح زمین برداشت شده‌اند. در این مطالعه، برای شناسایی تغییرات ارتفاعی، فاصلة بین دو ابر نقطه محاسبه شد. فاصلة بین دو ابر نقطه با به‌کاربردن فاصلة مجموعه‌ای نقاط از شبکة نامنظم مثلثی ایجادشده از سری دیگر نقاط به دست آمد. سپس روش آستانه‌گذاری محلی تطبیقی استفاده شد که قادر است تغییرات ارتفاعی در مقیاس‌های متفاوت را شناسایی کند.<br /><strong>نتایج:</strong> در این پژوهش، دو ابر نقطه در مجموعه‌داده‌ای، برای شناسایی تغییرات ارتفاعی در مناطق شهری، ترکیب شدند. این روش موجب ایجاد ابر نقطة واحد، با چگالی بیشتر، در نواحی بدون تغییر می‌شود؛ درحالی‌که در نواحی دارای تغییرات ارتفاعی، سطح‌های ارتفاعی متفاوتی ایجاد شد که سبب افزایش واریانس ارتفاعی می‌شود. به‌ویژه درمواردی که کاربری زمین تغییر کرده و یا ساختمان‌ها تخریب و بازسازی شده‌اند، این تفاوت‌های واریانس را می‌شد به‌وضوح مشاهده کرد. در مناطق دارای تغییر، مقدار واریانس ارتفاعی نقاط ترکیبی افزایش چشمگیری یافت که نشان‌دهندة تغییرات واقعی در سطح زمین بود. در مقابل، در مناطقی که تغییرات ارتفاعی نداشتند، واریانس ارتفاعی نقاط ترکیبی در محدودة پایین باقی ماند. این روش، به‌ویژه برای شناسایی تغییرات کوچک که ممکن است در روش‌های سراسری نادیده گرفته شوند، مناسب است.<br /><strong>بحث و نتیجه‌گیری:</strong> برای ارزیابی دقت نتایج، معیارهایی چون کامل‌بودن، درستی، کیفیت کلی و امتیاز F1 محاسبه شد. نتایج نشان داد که روش پیشنهادی، در شناسایی تغییرات ارتفاعی در مناطق شهری، عملکرد بسیار خوبی داشته است. به‌طور خاص، در مناطقی که تغییرات ارتفاعات ساختمان‌ها یا تغییرات کاربری زمین، مانند تبدیل زمین به ساختمان یا درخت به ساختمان، روی داده بود، با استفاده از الگوریتم پیشنهادی می‌توان تغییرات را به‌درستی و بسیار دقیق‌تر شناسایی کرد. به‌ویژه، در دو زیرمجموعة اول از منطقة مورد مطالعه که تغییرات ارتفاعی در سطوح تخریب و یا ساخت ساختمان‌ها دیده می‌شد، دقت شناسایی تغییرات در معیار کامل‌بودن بیش از 98% بود و در سایر معیارها، این دقت بین 86 تا 98% متغیر است. در زیرمجموعة سوم از منطقة مورد مطالعه که پوشش گیاهی به کاربری مسکونی تبدیل شده بود، دقت شناسایی تغییرات در معیار کامل‌بودن 85% بود و در سایر معیارها نیز، دقت بین 83 تا 98% متغیر است. روش آستانه‌گذاری محلی تطبیقی که در این تحقیق مطرح شد، قادر است تغییرات ارتفاعی در محیط‌های شهری پیچیده را به‌خوبی شناسایی کند. این روش، به‌ویژه در شناسایی تغییرات کوچک و محلی که ممکن است در روش‌های سراسری نادیده گرفته شوند، عملکرد مناسبی دارد. استفاده از نتایج این تحقیق در برنامه‌ریزی شهری، پایش تغییرات زیرساخت‌ها و مدیریت بلایا می‌تواند به بهبود تصمیم‌گیری‌ها کمک کند. پیشنهاد می‌شود که در پژوهش‌های آینده، این شیوه در مناطق گوناگون شهری آزموده شود و به‌ویژه کارآیی محاسباتی آن مورد توجه قرار گیرد. https://gisj.sbu.ac.ir/article_105522_c9dcd906db2ebf1a5dd1ff07e57fd249.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Evaluation of Half-Hour GPM-GSMAP_G (V04) and One-Hour GPM-IMERG_F (V06) Satellite Precipitation Products in East Azarbaijan Province ارزیابی دو محصول بارش ماهواره‌ای نیم‌ساعتة GPM-GSMAP_G (V04) و یک‌ساعتة GPM-IMERG_F (V06) در استان آذربایجان شرقی 105641 10.48308/gisj.2025.237011.1232 FA تقی مهدوی گروه عمران، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران 0000-0002-3003-0142 Journal Article 2024 09 24 <strong>Background and Purpose</strong>: Indirect measurement of precipitation through remote sensing is a practical way to achieve a comprehensive estimate of precipitation and to better understand the phenomenon of precipitation and its effective parameters in a wide spatial area with high spatial and temporal resolution. On the other hand, in satellite precipitation products, due to the use of different algorithms and correction methods by using ground rain gauge observations, there is a need to check the accuracy of these satellite precipitation products in different parts of the globe. Two satellite precipitation products with high and accurate temporal and spatial resolution in the new era are: 1-GPM-IMERGE precipitation product with a spatial resolution of 0.1 degrees and a temporal resolution of 0.5 hours, which is presented in three versions. 2- GPM-GSMAP rainfall product with a spatial resolution of 0.1 degrees and a time resolution of 1 hour, which this satellite rainfall product often provides in three versions. Most of the researches comparing the GSMAP and IMERGE products have compared these two products on a daily and larger time scale, and there are rare studies on an hourly scale. The purpose of this study is two research satellite precipitation products GPM-IMERG_F and GPM-GSMaP_G on a 6-hour scale (sub-daily) in East Azarbaijan province. Considering the lack of a dense rain gauge network in the region, along with the environmental disaster of drought in Lake Urmia, and the importance of rainfall information as a primary data in most water studies, it is necessary to move towards the use of satellite data to estimate rainfall in different areas; Therefore, it is necessary to evaluate the accuracy of these satellite precipitation products in the study area.<br /><strong>Materials and Methods: </strong>In this research, to evaluate the detection capability of satellite precipitation products, seven binary matching criteria including: probability of detection (POD), critical success index (CSI), false alarm ratio (FAR), Hick skill score index (HSS), bias frequency index (FBI), The correct ratio (PC) and the statistical index of true skill (TSS) and for the quantitative analysis of the accuracy of satellite precipitation products from six statistical indices including regression coefficient (R), root mean square error (RMSE), three bias indices (MBias, RBias, Bias) and the mean absolute error (MAE) index is used. Also, from the analysis of the Taylor diagram and the comparison of the spatial patterns of precipitation and the probability density curve of cumulative 6-hour precipitation and the performance of satellite precipitation products in terms of topography and altitude have been compared.<br /><strong>Results: </strong>Despite the more accurate spatial and temporal resolution of both precipitation products, they still present a significant bias in some stations. Based on the Taylor diagram analysis, in all stations, the point corresponding to the IMERG_F satellite was closer to the observed point, and as a result, the IMERG_F product is better than the GSMaP_G product. Although both products had relatively similar spatial patterns in terms of statistical and binary indices, the GPM-IMERG_F product had much better accuracy and detection capability than the GPM-GSMaP_G product, so that the GPM-IMERG_F product has a cumulative probability density curve very close to the ground synoptic stations in terms of topography and altitude.<br /><strong>Conclusion: </strong>GSMaP_G product has the best performance in the region. Compared to station observations, the IMERG_F product is underestimated, while the GSMaP_G product is overestimated. Compared to GSMaP_G, the IMERG_F product can better reproduce the 6-hour rainfall intensity PDF. In the region, the highest frequency of 6-hour rainfall occurs in the range of 0-0.1 mm and 5-10 mm in 6 hours, and the lowest frequency of rainfall occurs in the rainfall intensity of more than 20 mm in 6 hours. The IMERG_F product agrees well with the station observations in terms of frequency, when the rainfall intensity is greater than 1 mm in 6 hours. This study will be valuable to algorithm developers of these products as well as users of these products and can help in applications such as natural disaster risk reduction and hydrological modeling, especially in areas with a sparse rain gauge network.. <strong>سابقه و هدف: </strong>اندازه‌گیری غیرمستقیم بارش ازطریق سنجش از دور، برای دستیابی به برآوردی جامع درمورد بارش و شناخت بهتر این پدیده و پارامترهای مؤثر در آن، در گسترة مکانی وسیع با قدرت تفکیک زمانی و مکانی بالا و دقیق، شیوه‌ای عملی است. ازسویی، به‌دلیل به‌کارگیری الگوریتم‌ها و روش‌های تصحیح گوناگون با استفاده از مشاهدات باران‌سنج زمینی در محصولات بارشی ماهواره‌ای، باید دقت این محصولات در بخش‌های متفاوت کرة زمین بررسی شود. دو محصول بارش ماهواره‌ای با قدرت تفکیک زمانی و مکانی بالا و دقیق، در عصر جدید، عبارت‌اند از: 1) محصول بارشی GPM-IMERGE با وضوح مکانی 1/0 درجه و وضوح زمانی 5/0 ساعت که در سه نسخه عرضه می‌شود؛ 2) محصول بارشی GPM-GSMAP با وضوح مکانی 1/0 درجه و وضوح زمانی 1 ساعت که این محصول هم اغلب در سه نسخه عرضه می‌شود. بیشتر تحقیقاتی که دو محصول GSMAP و IMERGE را مقایسه کرده‌اند مقیاس زمانی روزانه و بزرگ‌تر را در نظر داشته‌اند و مطالعات اندکی هم در مقیاس ساعتی انجام شده است. هدف از این پژوهش بررسی دو محصول بارش ماهواره‌ای تحقیقاتی GPM-IMERG_F و GPM-GSMaP_G، در مقیاس شش‌ساعتی (کمتر از روزانه)، در استان آذربایجان شرقی است. با توجه به وجودنداشتن شبکة باران‌سنجی متراکم در منطقه، همراه با فاجعة زیست‌محیطی بروز خشکی در دریاچة ارومیه و اهمیت اطلاعات بارش به‌منزلة داده‌ای اولیه در بیشتر مطالعات آبی، روی‌آوردن به استفاده از داده‌های ماهواره‌ای برای برآورد بارش در مناطق متفاوت، ضروری است؛ بنابراین باید دقت و صحت این محصولات بارشی ماهواره‌ای، در منطقة مورد مطالعه هم، ارزیابی شود.<br /><strong>مواد و روش‌ها:</strong> در این تحقیق، برای ارزیابی توانمندی تشخیص محصولات بارش ماهواره‌ای، از هفت معیار مطابقت دودویی استفاده شده است که عبارت‌اند از مقدار احتمال تشخیص (POD)، شاخص موفقیت بحرانی (CSI)، مقدار نسبت هشدار اشتباه (FAR)، شاخص امتیاز مهارت هیک (HSS)، شاخص فرکانس انحراف (FBI)، نسبت صحیح (PC) و شاخص آماری مهارت واقعی (TSS). برای تحلیل کمّی دقت محصولات بارشی ماهواره‌ای نیز این شش شاخص آماری به کار رفته است: ضریب رگرسیون (R)، جذر میانگین مربعات خطا (RMSE)، سه شاخص انحراف (Bias، RBias، MBias) و شاخص میانگین خطای مطلق (MAE). همچنین تحلیل دیاگرام تیلور، بررسی تغییرات مکانی بارش، ترسیم منحنی چگالی احتمال تجمعی بارش شش‌ساعته و بررسی عملکرد محصولات، در ارتفاعات گوناگون، انجام شده است.<br /><strong>نتایج:</strong> با وجود وضوح مکانی و زمانی دقیق‌تر هر دو محصول بارشی، این دو محصول هنوز هم سوگیری شایان ‌توجهی را در برخی ایستگاه‌ها ارائه می‌دهند. براساس تحلیل دیاگرام تیلور در همة ایستگاه‌ها، نقطة مربوط به ماهوارة IMERG_F به نقطة مشاهده‌شده نزدیک‌تر بود و درنتیجه، عملکرد محصول IMERG_F بهتر از محصول GSMaP_G است. اگرچه هر دو محصول الگوهای مکانی نسبتاً مشابهی، ازنظر شاخص‌های آماری و دودویی داشتند، محصول GPM-IMERG_F دقت و توانایی تشخیص بسیار بهتری در قیاس با محصول GPM-GSMaP_G داشت؛ به‌طوری که محصول GPM-IMERG_F منحنی چگالی احتمالی تجمعی بسیار نزدیک به ایستگاه‌ها را ازنظر شدت بارندگی، بازتولید کرد. عملکرد توپوگرافی و ارتفاعی هر دو محصول روند نسبتاً مشابهی دارد.<br /><strong>نتیجه‌گیری:</strong> محصول GSMaP_G بهترین عملکرد را در منطقه دارد. در مقایسه با مشاهدات ایستگاه‌ها، محصول IMERG_F کم‌تخمینی و ازدیگرسو، محصول GSMaP_G بیش‌تخمینی دارد. محصول IMERG_F می‌تواند PDF شدت بارش شش‌ساعته را بهتر از محصول GSMaP_G بازتولید کند. در این منطقه، بیشترین فرکانس بارش شش‌ساعته در محدودة 0-1/0 میلی‌متر و 5-10 میلی‌متر طی شش ساعت رخ می‌دهد و کمترین فراوانی بارندگی، در شدت بارندگی بیش از 20 میلی‌متر، طی شش ساعت ظاهر می‌شود. زمانی که شدت بارش بیشتر از 1 میلی‌متر طی شش ساعت است، فرکانس محصول IMERG_F با مشاهدات ایستگاهی مطابقت دارد. این مطالعه برای کاربران و توسعه‌دهندگان الگوریتم این محصولات ارزشمند خواهد بود و می‌تواند در کاربردهایی مانند کاهش خطر بلایای طبیعی و مدل‌سازی هیدرولوژیکی، به‌ویژه در مناطقی با شبکة باران‌سنجی پراکنده، یاری‌گر باشد. https://gisj.sbu.ac.ir/article_105641_4bf2dc7729a1cc7ae519539c9fdd3017.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Comparative Analysis of the Accuracy of Satellite Precipitation Products in Mazandaran Province: Quantitative and Qualitative Evaluation with Emphasis on Station Data تحلیل تطبیقی دقت محصولات بارش ماهواره‌ای در استان مازندران: ارزیابی کمّی‌وکیفی با تأکید بر داده‌های ایستگاهی 105642 10.48308/gisj.2025.237418.1236 FA صدیقه برارخان‌پور احمدی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0009-0006-5968-9115 رضا نوروز ولاشدی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0000-0003-1543-0866 مهدی نادی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0000-0003-0854-8380 خلیل قربانی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران 0000-0002-1901-4045 کریم سلیمانی گروه علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0000-0002-5357-6797 Journal Article 2024 11 01 <strong>Introduction: </strong>Estimation of spatiotemporal patterns of precipitation is difficult in Mazandaran province due to several factors, including the lack of ground observations, diverse climate zones, and extreme mountain slopes.<strong> </strong>Satellite precipitation products can provide a suitable solution for measuring the amount of precipitation, especially in areas with scattered ground stations, and provide a new approach to observe precipitation globally with remote sensing.<strong> </strong>However, despite the wide use of these products in various fields of study, the quantitative evaluation of these products is a fundamental challenge due to their inherent error and uncertainty, which should be considered in different temporal and spatial scales before their direct use.<br /><strong>Materials and Methods: </strong>In the first step, CHIRPS, CMORPH, SM2RAIN, PERSIANN-CDR and IMERG gridded precipitation products were extracted from the database of each product in NetCDF format at the global level. Then, precipitation data for each product was selected for grids located in Mazandaran province by coding in the R programming environment and Geographic Information System (GIS). In the next step, the evaluation and comparison of these products against 15 synoptic stations in the Mazandaran province at the station-grid and regional spatial scales and monthly and annual time scales using the statistical evaluation criteria of Spearman's correlation coefficient (CC), Root Mean Square Error (RMSE), Mean Absolute Error (MAD), Kling-Gupta efficiency (KGE) and Nash-Sutcliffe efficiency (NSE), as well as drawing statistical diagrams (Taylor, etc.) were performed. In order to evaluate the grid to the station, the data of the closest grid to each synoptic station was extracted for each precipitation product and compared with the precipitation data of station in different time scales.<strong> </strong><br /><strong>Results and Discussion: </strong>The results of the regional evaluation of satellite precipitation products on a monthly and annual scale have shown that the IMERG and CMORPH products are more compatible, while the CHIRPS product performed well only in the dry months of the year.<strong> </strong>However, the accuracy of the products was higher on a monthly scale than on an annual scale.<strong> </strong>The Taylor diagram results indicated relatively high accuracy of IMERG, CHIRPS and CMORPH products (correlation 0.8-0.7) at stations located in coastal areas and relatively low accuracy at high altitudes (correlation 0.35). While for the PERSIAN product, the data accuracy was low for all regions, with a negative correlation in coastal areas. However, the results of the evaluation of precipitation products at the station level showed the better performance of the IMERG product and then CMORPH (CC=0.7-0.8 and RMSE=2-4 mm) in estimating monthly precipitation mainly in the eastern half of the province. While the lowest accuracy and the weakest performance was for the PERSIANN-CDR product.<strong> </strong>The highest CC value of precipitation products was equal to 0.8, which was mainly in the eastern and coastal areas of the province, but the lowest value was related to the PERSIANN-CDR product (CC=0.05).<strong> </strong>The RMSE values are mainly between 2 and 15 mm in the mountainous and eastern half of the province, respectively, and the lowest values are for the IMERG and CMORPH products. The values of KGE and NSE were also closer to the optimal value mainly in the coastal and eastern areas (NSE=0.5 and KGE=0-1), which was better for the CMORPH product.<strong> </strong>However, the BIAS values for all products varied between (-0.4)-1 mm, which was underestimated in coastal and low-altitude areas, but overestimated in high-altitude areas.<strong> </strong>Investigating the effect of the distance between the synoptic station and grid precipitation on the accuracy of the precipitation product has also shown that for the CMORPH, IMERG (in high areas) and SM2RAIN products, a low or higher distance between the station and the grid has reduced or increased the uncertainty. However, for most of the precipitation products, the significant increase in elevation has increased the uncertainty in satellite precipitation estimation.<br /><strong>Conclusion: </strong>The most accurate precipitation product in Mazandaran province includes the IMERG product. One of the main problems in the accuracy of precipitation products in this region is the complex topography (large height difference) and the proximity to the Caspian Sea. However, the use of modern methods such as remote sensing systems as a solution for estimating precipitation represents scientific advances in this field, and this can be used as a guide for decision-makers in climate and hydrological studies. <strong>سابقه و هدف: </strong>برآورد الگوهای مکانی‌ـ زمانی بارش در استان مازندران، به‌دلیل عوامل متعددی ازجمله فقدان مشاهدات زمینی، مناطق متنوع آب‌وهوایی و شیب‌های شدید کوه‌نگاری، مشکل است. محصولات بارش ماهواره‌ای می‌توانند راه‌حلی مناسب برای اندازه‌گیری میزان بارش، به‌ویژه در نواحی دارای ایستگاه‌های زمینی پراکنده، فراهم کنند و رویکردی جدید برای مشاهدة بارش در سطح جهانی، با سنجش از دور، به دست دهند. بااین‌حال، به‌رغم استفادة گستردة این محصولات درزَمینه‌های مطالعاتی گوناگون، ارزیابی کمّی این محصولات به‌دلیل خطای ذاتی و عدم‌قطعیت‌ آن‌ها، چالشی اساسی است که قبل‌از استفادة مستقیم از آن‌ها باید در مقیاس‌های زمانی و مکانی متفاوت مورد توجه قرار گیرد.<br /><strong>مواد و روش‌ها: </strong>در گام نخست، محصولات بارش شبکه‌ای CHIRPS، CMORPH، SM2RAIN، PERSIANN-CDR و IMERG از پایگاه دادة هریک از محصولات، با فرمت NetCDF در سطح جهانی استخراج شد. سپس داده‌های بارش هر محصول برای شبکه‌های واقع در پهنة استان مازندران، با کدنویسی در محیط برنامه‌نویسی R و سامانة اطلاعات جغرافیایی (GIS)، انتخاب شد. در گام بعد، این محصولات در مقابل پانزده ایستگاه هم‌دیدی در سطح استان مازندران، در مقیاس‌های مکانی ایستگاه‌ـ شبکه و منطقه‌ای و مقیاس‌های زمانی ماهیانه و سالیانه ارزیابی و مقایسه شدند. این کار با استفاده از معیارهای ارزیابی آماری ضریب همبستگی اسپیرمن (CC)، ریشة میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAD)، کارآیی کلینگ‌ـ گوپتا (KGE) و کارآیی نش‌ساتکلیف (NSE) و همچنین رسم نمودارهای آماری (تیلور و ...) انجام شد. به‌منظور ارزیابی شبکه به ایستگاه، داده‌های نزدیک‌ترین شبکه به هر ایستگاه هم‌دیدی برای هر محصول بارش، استخراج و با داده‌های بارش آن ایستگاه در مقیاس‌های زمانی متفاوت، مقایسه شد.<br /><strong>نتایج و بحث: </strong>نتایج بررسی منطقه‌ای محصولات بارش ماهواره‌ای، در مقیاس ماهیانه و سالیانه، بیانگر انطباق بیشتر محصولات IMERG و CMORPH بوده است؛ درحالی‌که محصول CHIRPS فقط در ماه‌های خشکِ سال عملکرد مناسبی داشت. بااین‌حال دقت محصولات در مقیاس ماهیانه بیشتر از سالیانه بود. نتایج دیاگرام تیلور گویای دقت نسبتاً بالای محصولات IMERG، CHIRPS و CMORPH (همبستگی 7/0-8/0) در ایستگاه‌های واقع در نواحی ساحلی و دقت نسبتاً پایین در ارتفاعات (همبستگی 35/0) بوده است. درعین‌حال برای محصول بارش PERSIAN، دقت داده‌ها درمورد تمامی مناطق، اندک بود و در نواحی ساحلی، مقدار همبستگی منفی داشت. باوجوداین‌، نتایج ارزیابی محصولات بارش در سطح ایستگاه‌ها بیانگر عملکرد بهتر محصول IMERG و سپس CMORPH (CC=0.7-0.8 و RMSE=2-4 mm) در برآورد بارش ماهیانه، عمدتاً در نیمۀ شرقی استان بود. کمترین دقت و ضعیف‌ترین عملکرد را نیز محصول PERSIANN-CDR داشته است. بیشترین مقدار CC محصولات بارش برابر 8/0 و اغلب در نواحی شرقی و ساحلی استان بود اما کمترین آن به محصول PERSIANN-CDR (CC=0.05) تعلق داشت. مقادیر RMSE معمولاً بین 2 تا 15 میلی‌متر، به‌ترتیب، در نواحی کوهستانی و نیمه‌شرقی استان متغیر بود که کمترین آن به محصول IMERG و CMORPH تعلق داشت. مقادیر KGE و NSE نیز بیشتر در نواحی ساحلی و شرقی به مقدار بهینه نزدیک‌تر بوده است (NSE=0.5 و KGE=0-1) که درمورد محصول CMORPH بهتر بود. بااین‌حال مقادیر بایاس (BIAS)، درمورد همة محصولات، بین 4/0- تا 1 میلی‌متر متغیر و در نواحی ساحلی و کم‌ارتفاع، دارای کم‌برآوردی بود اما در نواحی مرتفع، بیش‌برآوردی داشت. بررسی تأثیر فاصلة ایستگاه هم‌دیدی و بارش شبکه‌ای در دقت محصول بارش نیز نشان داده است که برای محصولات CMORPH، IMERG (در نواحی مرتفع) و SM2RAIN، فاصلة کم یا زیاد بین ایستگاه و شبکه باعث کاهش یا افزایش عدم‌قطعیت شده است. بااین‌حال، درمورد اغلب محصولات بارش، افزایش شایان ملاحظة ارتفاع موجب افزایش عدم‌قطعیت در برآورد بارش ماهواره‌ای شده است.<br /><strong>نتیجه‌گیری:</strong> دقیق‌ترین محصول بارش در استان مازندران شامل محصول IMERG بوده است. یکی از مشکلات اصلی در دقت محصولات بارش، در این منطقه، توپوگرافی پیچیده (اختلاف ارتفاع زیاد) و هم‌جواری با دریای خزر است. بااین‌حال استفاده از روش‌های نوین، مانند سامانه‌های سنجش از دور به‌منزلة راهکاری برای برآورد بارش، نشان‌دهندۀ پیشرفت‌های علمی در این حوزه است و می‌تواند راهنمای تصمیم‌گیرندگان در مطالعات آب‌وهوایی و هیدرولوژیکی باشد. https://gisj.sbu.ac.ir/article_105642_a4b3183762b2294c6860c55e741e293c.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Air Quality Assessment by Monitoring PM10 and PM2.5 Parameters Using Multispectral Satellite Images Seyed Mohammad Mozafari1, Ramin Saadi1* , Sima Neyrizi2 ارزیابی کیفیت هوا با نظارت بر پارامترهای PM10 و PM2.5 با استفاده از تصاویر ماهواره‌ای چندطیفی 105739 10.48308/gisj.2025.237862.1239 FA سیدمحمد مظفری دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران 0000-0003-1155-1812 رامین سعدی دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران 0000-0002-5425-3690 سیما نیریزی دانشکدة ژئوماتیک، دانشگاه ITS، سوربایا، اندونزی 0009-0009-8918-9682 Journal Article 2024 12 09 <strong>Background and Objectives:</strong> Air pollution, particularly particulate matter (PM2.5 and PM10), poses significant challenges in large urban areas, leading to severe impacts on public health, ecosystems, and overall quality of life. These issues are especially pronounced in densely populated cities such as Tehran, where air quality management is of utmost importance. Accurate monitoring and forecasting of air quality are essential for developing effective public health and policy strategies. However, the spatial limitations of ground-based air quality monitoring stations prevent comprehensive observation of air quality variations across the entire city. To address these limitations, this study utilized satellite imagery from Landsat-8 and Sentinel-2 to predict particulate matter concentrations, specifically PM2.5 and PM10. By combining spectral reflectance data with advanced machine learning methods, the research aims to identify efficient predictive models and determine the most influential spectral bands for estimating particulate matter concentrations.<br /><strong>Materials and Methods:</strong> The study began by developing linear regression models using single-band reflectance and multi-band combinations to establish relationships between spectral data and particulate matter concentrations. To capture more complex patterns, nonlinear regression models were also examined. For optimal feature selection, a hybrid Genetic Algorithm-Support Vector Regression (GA-SVR) method was implemented. The Genetic Algorithm (GA) identified the optimal spectral band combinations, while Support Vector Regression (SVR) constructed robust predictive models based on these optimized features. Key evaluation metrics, including the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE), were used to assess and compare model performance. To ensure reliability and generalizability, data were divided into training (70%) and testing (30%) subsets, and cross-validation was applied to validate the models’ robustness.<br /><strong>Results and Discussion:</strong> The findings revealed that the visible spectrum bands of Landsat-8 and Sentinel-2 showed strong correlations with PM2.5 and PM10 concentrations. Linear regression models developed using bands 1 and 2 of Landsat-8 and bands 2, 3, and 4 of Sentinel-2 achieved significant correlations in the training datasets. For Landsat-8, the R² values for PM2.5 were 70.56% and 67.24% for training and testing datasets, respectively, while Sentinel-2 reached an R² of 68.89% for the testing dataset. The RMSE values for Landsat-8 were 7.01 and 7.48 for the training and testing datasets, respectively, while Sentinel-2 demonstrated superior performance with RMSE values of 6.93 and 7.32. These results highlight the effectiveness of Sentinel-2 imagery in predicting particulate matter concentrations. In the nonlinear regression analysis, power models showed the highest R² values among the tested models. The normalized RMSE (NRMSE) values ranged between 0.066 and 0.115, demonstrating greater accuracy than linear models. Although nonlinear models proved more capable of capturing complex relationships, their high computational costs and only marginal accuracy improvements suggest that combining linear models with feature optimization is a more practical approach.The GA-SVR model yielded the best prediction accuracy, showing that shorter wavelengths play a crucial role in estimating particulate matter concentrations. With optimized feature selection, this model achieved an R² close to 70%, underscoring the potential of GA-SVR as a powerful tool for enhancing prediction accuracy in air quality studies.<br /><strong>Conclusion:</strong> This study underscores the critical importance of visible spectrum bands in predicting air quality. Sentinel-2 imagery, when combined with the optimal spectral bands identified through the GA-SVR method, demonstrated superior accuracy in estimating PM2.5 concentrations. Linear regression models yielded reliable results; however, the integration of feature optimization and advanced machine learning methods significantly enhanced prediction performance. The GA-SVR model achieved remarkable accuracy, with R² values as high as 70.56%, underscoring the effectiveness of optimized models for precise and timely air quality monitoring across various spatial scales. These findings highlight the transformative potential of leveraging multispectral satellite imagery alongside machine learning techniques to address the complexities of urban air pollution, offering a robust framework for more informed environmental management and decision-making. <strong>سابقه و هدف:</strong> آلودگی هوا، به‌ویژه ذرات معلق (PM2.5 وPM10)، یکی از چالش‌های جدی در شهرهای بزرگ است که پیامدهای مخربی برای سلامت عمومی، زیست‌بوم‌ها و کیفیت زندگی دارد. این تأثیرات، در مناطق پرجمعیتی مانند تهران، به‌وضوح بیشتر احساس می‌شود. ازاین‌رو نظارت و پیش‌بینی دقیق کیفیت هوا برای تصمیم‌گیری‌های مؤثر در حوزة سیاست‌گذاری و سلامت عمومی ضروری است. بااین‌حال محدودیت پوشش مکانی ایستگاه‌های زمینی سنجش کیفیت هوا مانع از ثبت کامل تغییرات کیفیت هوا در سطح شهر می‌شود. در این پژوهش، برای غلبه بر این محدودیت، از تصاویر ماهواره‌ای لندست‌ـ 8 و سنتینل‌ـ 2 استفاده شده است تا مدل‌هایی، برای پیش‌بینی غلظت ذرات معلق، به‌ویژه PM2.5 و PM10، توسعه داده شود. در این مطالعه، داده‌های بازتاب طیفی ماهواره‌ای و مدل‌های یادگیری ماشین ترکیب شد تا کارآمدترین مدل‌ها، برای پیش‌بینی آلودگی هوا و تعیین باندهای طیفی مؤثر در برآورد غلظت ذرات معلق، شناسایی شود.<br /><strong>مواد و روش‌ها</strong>: در گام نخست، از روابط تک‌باندی و ترکیب باندها استفاده شد تا مدل‌های رگرسیون خطی، برای ایجاد ارتباط خطی بین بازتاب طیفی و غلظت ذرات معلق، توسعه یابد. سپس برای مدل‌سازی روابط پیچیده‌تر بازتاب طیفی و ذرات معلق، روابط غیرخطی بررسی شدند. برای بهینه‌سازی انتخاب باندهای طیفی، رویکرد ترکیبی GA-SVR به‌ کار رفت؛ به‌طوری‌ که الگوریتم ژنتیک (GA)، برای شناسایی ترکیب بهینة باندهای طیفی، و الگوریتم ژنتیک و رگرسیون بردار پشتیبان (SVR) برای ساخت یک مدل پیش‌بینی قوی‌تر، روی مجموعة ویژگی‌های بهینه‌شده اعمال شد. معیارهای ارزیابی R²، RMSE و میانگین خطای مطلق (MAE) برای سنجش و مقایسة اثربخشی هریک از روش‌های مدل‌سازی به کار رفتند. به‌منظور ارزیابی تعمیم‌پذیری، داده‌ها به دو بخش آموزشی (70%) و آزمایشی (30%) تقسیم شد. علاوه‌بر این، برای اطمینان از استحکام مدل، از روش اعتبارسنجی متقابل بهره گرفته شد.<br /><strong>نتایج و بحث:</strong> تحلیل‌ها نشان داد که باندهای طیف مرئی، در هر دو ماهوارة لندست‌ـ 8 و سنتینل‌ـ 2، ارتباط معناداری با غلظت PM2.5 و PM10 دارند. مدل‌های رگرسیون خطی، با استفاده از باندهای 1 و 2 لندست‌ـ 8 و باندهای 2، 3 و 4 سنتینل‌ـ 2، همبستگی شایان ‌توجهی در داده‌های آموزشی ایجاد کردند. مقدار R² برای PM2.5 در لندست‌ـ 8 به‌ترتیب، در داده‌های آموزشی و آزمایشی، 56/70% و 24/67% بود؛ درحالی‌که این مقدار در سنتینل‌ـ 2، برای داده‌های آزمایشی به 89/68% رسید. مقادیر RMSE برای داده‌های آموزشی و آزمایشی لندست‌ـ 8 به‌ترتیب، 01/7 و 48/7 بود؛ درصورتی‌که در سنتینل‌ـ 2، مقادیر 93/6 و 32/7<strong> </strong>ثبت شد که نشان‌دهندة عملکرد برتر سنتینل‌ـ 2 است. در مدل‌های رگرسیون غیرخطی، نتایج نشان داد که مدل‌های توانی مقادیر شایان ‌توجهی از R² را به دست می‌دهند. در این مدل‌ها، مقادیر NRMSE بین 066/0 تا 115/0 محاسبه شد که در قیاس با مدل‌های خطی، دقت بیشتر داشتند. مدل‌های رگرسیون غیرخطی توانایی بیشتری در مدل‌سازی روابط پیچیده دارند اما، به‌دلیل بار محاسباتی زیاد و افزایش محدود دقت، استفاده از مدل‌های خطی همراه با بهینه‌سازی مبتنی‌بر یادگیری ماشین، به‌منزلة رویکردی کارآمدتر، توصیه می‌شود. مدل GA<strong>-</strong>SVR<strong> </strong>بیشترین دقت را در پیش‌بینی‌ها داشت و نشان داد که طول‌موج‌های کوتاه‌تر بیشترین توانایی را در پیش‌بینی غلظت ذرات معلق دارند. با بهینه‌سازی انتخاب ویژگی‌ها، این مدل به R<strong>²</strong><strong> </strong>حدود 70%<strong> </strong>دست یافت. این نتایج حاکی از توان بالای مدل GA-SVR در بهبود دقت پیش‌بینی است.<br /><strong>نتیجه‌گیری: </strong>نتایج نشان داد که باندهای طیف مرئی در مدل‌های پیش‌بینی کیفیت هوا بیشترین تأثیر را دارند. مدل‌سازی با سنتینل‌ـ 2 و استفاده از باندهای بهینة شناسایی‌شده ازطریق روش GA-SVR بیشترین دقت را در پیش‌بینی PM2.5 داشت. تحلیل مقایسه‌ای نشان داد، در عین اینکه مدل‌های رگرسیون خطی عملکرد مورد قبولی دارند، ترکیب بهینه‌سازی ویژگی‌ها و یادگیری‌ ماشین سبب افزایش چشمگیر در دقت پیش‌بینی می‌شود و اطلاعات ارزشمندی، دربارة باندهای طیفی مؤثر، برای نظارت بر PM فراهم می‌کند. مدل GA-SVR، با مقدار R<strong>²</strong> نزدیک به 70%،<strong> </strong>بیانگر توانمندی مدل‌های بهینه‌شده برای نظارت دقیق و به‌موقع بر کیفیت هوا در مقیاس‌های مکانی گوناگون است.<br />. https://gisj.sbu.ac.ir/article_105739_0abe1ed5150cfed205c906a2772e8d6a.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Evaluation of the Deep Learning-Based Sat-MVSF Algorithm in DSM Extraction from High Resolution Satellite Images ارزیابی الگوریتم مبتنی‌بر یادگیری عمیق Sat-MVSF در تولید مدل رقومی سطح از تصاویر ماهواره‌ای با حد تفکیک مکانی بالا 105854 10.48308/gisj.2025.235883.1220 FA امیرحسین قورخانه‌چی زیرک گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران 0009-0009-7034-1648 امین صداقت گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران 0000-0002-0414-5800 نازیلا محمدی گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران 0000-0002-9131-8633 نیما احمدیان گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران 0009-0006-1956-6671 Journal Article 2024 06 03 <strong>Introduction:</strong> The extraction of 3D geospatial information from the Earth’s surface using remote sensing and photogrammetric data has become a pivotal and widely utilized subject within the field of geosciences, attracting increasing attention from researchers in recent years. One of the most significant outputs of such data is the Digital Surface Model (DSM), which, in addition to representing the Digital Elevation Model (DEM), includes all natural and man-made features such as vegetation, trees, buildings, and other structures. DSM extraction plays a crucial role in a wide array of applications, including urban planning, building detection, disaster management, 3D modeling, and change monitoring. In recent years, remarkable advances in deep learning have significantly influenced the process of 3D information extraction from remote sensing data. Traditional 3D reconstruction methods often face challenges such as managing large datasets, complexity in extracting features, and difficulity in accessing acurate details. In this context, the use of deep neural networks for extracting complex features from multi-view images has introduced a transformative approach in this domain.<br /><strong>Material and Methods:</strong> A novel deep learning-based algorithm, Sat-MVSF, has recently been developed for DSM extraction from multi-view satellite images. This algorithm is designed to extract DSM from multi-view satellite images and performs all steps, from image preprocessing to final DSM generation, based on deep learning. Given the limited availability of training data and the authors' claims regarding the generalizability of the trained model weights, the objective of this study is to evaluate the performance of the Sat-MVSF algorithm in generating DSMs from high-resolution satellite images. The main innovations of this research include: 1) Preparation of three sets of WorldView-3 satellite data and two sets of ZY3-2 satellite data, involving block bundle adjustment for RPC refinement and reference DSM generation using LiDAR point clouds. 2) DSM extraction using the Sat-MVSF algorithm for multi-view images from both WorldView-3 and ZY3-2 sensors, followed by performance comparison against existing algorithms such as S2P and SS-DSM, as well as commercial software including CATALYST and ERDAS IMAGINE. To ensure a comprehensive evaluation, the performance of all algorithms is analyzed across three types of areas: (1) non-built areas, (2) building areas with moderate elevation changes, and (3) building areas with significant elevation changes. The dataset used in this study consists of five sets of satellite images—three from WorldView-3 and two from ZY3-2—with each set containing three overlapping images.<br /><strong>Results and Discussion:</strong> The results demonstrate that Sat-MVSF outperforms many existing algorithms and commercial software in DSM extraction. For WorldView-3 imagery, Sat-MVSF achieves an average vertical accuracy of 1.1 meters and completeness of 87%, surpassing SS-DSM and commercial tools. On the other hand, S2P provides slightly better height accuracy (1.0 meters), suggesting Sat-MVSF is less precise in terms of elevation RMSE but still competitive. However, the performance of the S2P algorithm on the WV3-3 dataset is highly dependent on the study area, given that it has low elevation completeness. In the ZY3-2 datasets, Sat-MVSF achieves elevation accuracies of 2.43 and 3.27 meters, indicating acceptable performance. More specifically, in the first two WorldView-3 datasets, S2P attains the best performance with completeness of 90.76% and 90.16%, and elevation accuracies of 0.94 and 1.1 meters, respectively. In the third dataset, Sat-MVSF leads with a completeness of 83% and a elevation accuracy of 1.04 meters. The obtained results show that S2P performs best in building zones with significant elevation changes with accuracies of 1.03, 1.14, and 0.88 meters for the first, second, and third datasets, respectively and CATALYST application achieves the highest accuracy in non-built-up areas with values of 0.71, 1.12, and 0.68 meters across the same datasets. Overall, commercial software such as CATALYST and ERDAS IMAGINE exhibit higher height errors in built-up areas which have significant elevation differences. The reason for this is that these softwares use interpolation methods to fill gaps, which reduces accuracy in building areas with height differences. Given that if the height threshold limit is considered to be a large number in calculating the height accuracy and height completeness evaluation criteria, the error increases, meaning that pixels with a high height error are considered as correct pixels, and both the height accuracy and height completeness criteria will optimistically have a high value. At a small height threshold limit, both criteria will have a low value. استخراج اطلاعات مکانی سه‌بعدی از سطح زمین، با بهره‌گیری از داده‌های سنجش ‌از دور و فتوگرامتری، یکی از موضوعات محوری و پرکاربرد در حوزة علوم زمین محسوب می‌شود که در سال‌های اخیر، توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم‌ترین محصولات حاصل از این داده‌ها مدل رقومی سطح (DSM) است که علاوه‌بر مدل ارتفاعی زمین (DEM)، تمامی عوارض طبیعی و ساخت‌ بشر نظیر پوشش‌های گیاهی، درختان، ساختمان‌ها و سایر سازه‌های انسانی را نیز شامل می‌شود. استخراج DSM نقش مهمی در کاربردهای گوناگون، ازجمله طراحی شهری، شناسایی و استخراج ساختمان‌ها، مدیریت بحران، مدل‌سازی سه‌بعدی و پایش تغییرات ایفا می‌کند. در سال‌های اخیر، پیشرفت چشمگیر در حوزة یادگیری عمیق در فرایند استخراج اطلاعات سه‌بعدی برمبنای داده‌های سنجش ‌از دور تأثیر درخور ‌توجهی داشته است. روش‌های معمول بازسازی سه‌بعدی با چالش‌هایی همچون مدیریت حجم انبوه داده‌ها، پیچیدگی در استخراج ویژگی‌ها و دشواری در دستیابی به جزئیات دقیق روبه‌رو هستند. در این راستا، بهره‌گیری از شبکه‌های عصبی عمیق برای استخراج ویژگی‌های پیچیده از تصاویر چندمنظری، زمینه‌ساز تحول در این حوزه شده است. یکی از الگوریتم‌های نوین مبتنی‌بر یادگیری عمیق که به‌تازگی توسعه یافته است، Sat-MVSF نام دارد. این الگوریتم با هدف استخراج DSM از تصاویر ماهواره‌ای چندمنظری طراحی شده است و تمامی مراحل، از پیش‌پردازش تصاویر تا تولید نهایی DSM را برمبنای یادگیری عمیق انجام می‌دهد. با توجه به محدودیت داده‌های آموزشی و همچنین ادعای نویسندگان مبنی‌بر امکان تعمیم گستردة وزن‌های آموزش‌دیده، هدف این پژوهش ارزیابی عملکرد الگوریتم Sat-MVSF در تولید مدل رقومی سطح، با استفاده از تصاویر ماهواره‌ای با حد تفکیک مکانی بالاست. نوآوری این تحقیق شامل این موارد است: 1) آماده‌سازی سه دسته‌دادة ماهواره‌ای از سنجندة Worldview-3 و دو دسته‌دادة ماهواره‌ای از سنجندة ZY3-2، به‌منظور تصحیح ضرایب RPC با استفادة سرشکنی بلوک تصاویر، برای هر دسته از داده‌ها و تهیة DSM مرجع از ابر نقاط لیدار؛ 2) استخراج DSM با استفاده از الگوریتم یادگیری عمیق Sat-MVSF، برای تصاویر ماهواره‌ای چندمنظری WorldView-3 و ZY3-2 و ارزیابی و مقایسة آن‌ با DSM استخراج‌شده، با استفاده از الگوریتم‌های S2P و SS-DSM و نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE. به‌منظور ارزیابی دقیق‌تر، عملکرد تمامی الگوریتم‌ها در سه نوع منطقه، شامل ۱) مناطق غیرساختمانی، ۲) مناطق ساختمانی با تغییرات ارتفاعی متوسط و ۳) مناطق ساختمانی با تغییرات ارتفاعی زیاد تحلیل شده است. داده‌های به‌کاررفته شامل پنج مجموعه‌تصویر ماهواره‌ای‌اند (سه مجموعه‌دادة WorldView-3 و دو مجموعه‌دادة ZY3-2) که هریک سه تصویر پوشش‌دار را دربرمی‌گیرد. براساس نتایج به‌دست‌آمده، الگوریتم Sat-MVSF در مقایسه با بسیاری از الگوریتم‌ها و نرم‌افزارهای تجاری، عملکرد مطلوب‌تری در استخراج DSM دربر داشته است. در تصاویر WorldView-3، این الگوریتم با میانگین دقت ارتفاعی ۱/۱ متر و کامل‌بودن ارتفاعی %۸۷، بر الگوریتم SS-DSM و نرم‌افزارهای تجاری برتری دارد. ازسوی‌دیگر الگوریتم S2P با استخراج DSM با میانگین دقت ارتفاعی 1 متر، ازلحاظ دقت ارتفاعی، عملکردی بهتر از الگوریتم Sat-MVSF دارد. بااین‌حال عملکرد الگوریتم S2P در مجموعه‌دادة WV3-3، با توجه به کامل‌بودن ارتفاعی پایین آن، بسیار وابسته به منطقة مطالعاتی است. در داده‌های ZY3-2، عملکرد الگوریتم Sat-MVSF با دقت‌های ارتفاعی 43/2 و 27/3 متر، نتایج مورد قبولی داشته است. دقیق‌تر آنکه، در دو مجموعه‌دادة اول WorldView-3، الگوریتم S2P با کامل‌بودن 76/90% و 16/90% و دقت‌های 94/0 و ۱/۱ متر، بهترین عملکرد را داشته است. در مجموعة سوم، الگوریتم Sat-MVSF با کامل‌بودن ۸۳% و دقت 04/1 متر، از سایر الگوریتم‌ها پیشی گرفته است. نتایج نشان می‌دهد که الگوریتم S2P در مناطق ساختمانی با تغییرات ارتفاعی زیاد در دسته‌دادة اول، دوم و سوم، به‌ترتیب، با 03/1، 14/1 و 88/0 متر و نرم‌افزار CATALYST در مناطق غیرساختمانی در دسته‌داده‌های اول، دوم و سوم، به‌ترتیب، با مقدار 71/0و 12/1 و 68/0 متر، در مقایسه با سایر الگوریتم‌ها، بهترین عملکرد را ازلحاظ دقت ارتفاعی دارند. به‌طور کلی، مطابق نتایج، نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE در مناطق ساختمان دارای اختلاف ارتفاعی، خطای ارتفاعی بیشتری به‌نسبت الگوریتم‌های Sat-MVSF و S2P دارند زیرا این نرم‌افزارها از روش‌های درون‌یابی برای پرکردن گپ‌ها استفاده می‌کنند که سبب کاهش دقت در مناطق ساختمانی دارای اختلاف ارتفاع می‌شود. باید توجه داشت ‌که در محاسبة معیارهای ارزیابی دقت ارتفاعی و کامل‌بودن ارتفاعی، اگر حد آستانة ارتفاعی عددی بزرگ در نظر گرفته شود، خطا بالا می‌رود؛ یعنی پیکسل‌های با خطای ارتفاعی زیاد به‌منزلة پیکسل‌های صحیح در نظر گرفته می‌شوند و هم معیار دقت ارتفاعی و هم کامل‌بودن ارتفاعی به‌صورت خوش‌بینانه مقداری بالا خواهند داشت. در حد آستانة ارتفاعی اندک، هر دو معیار به همین صورت مقداری پایین خواهند داشت. درواقع، الگوریتمی بهتر عمل می‌کند که در عین داشتن دقت ارتفاعی کمتر، معیار کامل‌بودن بیشتری داشته باشد. ازاین‌رو در این تحقیق، تأثیر حد آستانة ارتفاعی در ارزیابی و محاسبة معیار دقت ارتفاعی و کامل‌بودن نیز بررسی شد. بر این اساس، آستانه‌هایی بین ۱ تا ۶ متر به کار رفت و نتایج نشان دادند که در بازة 5/2 تا ۶ متر (یعنی حدود چهاربرابر تفکیک مکانی DSM)، دقت الگوریتم‌های Sat-MVSF و S2P بهتر از نرم‌افزارهای تجاری است. همچنین، با کاهش آستانه از ۶ به ۳ متر، در معیارهای دقت و کامل‌بودن در نرم‌افزارهای CATALYST و ERDAS IMAGINE کاهشی چشمگیر مشاهده شد. این نکته نیز از روش‌های درون‌یابی این نرم‌افزارها ناشی می‌شود که برآوردهای خوش‌بینانه در آستانه‌های بالا و کاهش دقت در آستانه‌های پایین را در پی دارند‌. نتایج این پژوهش نشان می‌دهد که الگوریتم Sat-MVSF، به‌ویژه در شرایطی که داده‌های با حد تفکیک مکانی بالا در دسترس باشد، قادر است DSMهایی با دقت و کامل‌بودن مناسب تولید کند. در مقایسه با نرم‌افزارهای تجاری و الگوریتم‌های سنتی، این الگوریتم در بسیاری موارد عملکرد بهتری دارد و می‌تواند به‌منزلة روشی کارآمد، برای استخراج DSM از تصاویر ماهواره‌ای چندمنظری مطرح شود. https://gisj.sbu.ac.ir/article_105854_62c54c427f90b0fa9af6feb4af4e36dc.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Comparative Study of Land Use Changes Using Markov Chain Model and Autonomous Cells (CA-Markov) in the Khiavchai Watershed of Meshginshahr, Iran بررسی مقایسه‌ای تغییرات کاربری اراضی با استفاده از مدل زنجیرة مارکوف و سلول‌های خودکار (CA- Markov) در حوضة آبخیز خیاوچای مشگین‌شهر 106087 10.48308/gisj.2025.238877.1253 FA وحید نوروزی کله سر گروه علوم و مهندسی آبخیزداری، دانشکده‌ی منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0009-0005-8303-4664 کریم سلیمانی گروه علوم و مهندسی آبخیزداری، دانشکده‌ی منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0000-0002-5357-6797 فاطمه شکریان گروه علوم و مهندسی آبخیزداری، دانشکده‌ی منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران 0000-0001-9679-6450 Journal Article 2025 02 22 <strong>Introduction:</strong> One of the most significant steps towards sustainable development is the protection of land integrity, as land use changes annually for various reasons, and excluding such lands from the production path results in irreparable damage.<strong> </strong>Since land use change in the Khiavchai watershed is a great importance due to the specific conditions of this area, examining spatial and temporal changes in land use provides good information to planners and managers for accurate forecasting.<strong> </strong>Because unplanned and unprincipled changes in land use are considered fundamental challenges for any country, which in turn have very destructive effects on natural resources.<strong> </strong>Therefore, the need to examine land use changes and predict related changes is a great importance.<br /><strong>Materials and Methods:</strong> The present study was conducted to detect and predict land use changes in the Khiavchai watershed, Meshginshahr.<strong> </strong>Accordingly, Landsat data were used to measure changes.<strong> </strong>By applying atmospheric corrections and using the supervised classification method, the maximum likelihood algorithm, the land uses in the region were classified into 6 classes.<strong> </strong>Using two maps from 1989 and 2007 as base and forward maps, a land use change prediction map was produced for the year 2023.<strong> </strong>The accuracy of the maps was evaluated based on the kappa coefficient, and the overall accuracy and correctness of the maps were evaluated based on the amount of agreement and disagreement parameters.<strong> </strong>Finally, the land use map for the next three decades (2033, 2043 and 2053) was predicted using the land use map from 1989 and 2023.<br /><strong>Results and Discussion:</strong> The results of the study of the trend of changes in land uses in the region indicate that the area of urban use and pasture use will face an increasing trend, and other uses will face a decreasing trend, compared to the land use map of 2023.<br /><strong>Conclusion:</strong> According to the results obtained, it can be acknowledged that the land uses of the region have been facing changes in area during the considered statistical period (1989 to 2023) and will have significant changes in the next three decades.<strong> </strong>Therefore, human intervention plays a major role in land use changes.<strong> </strong>These results can help planners in recognising the factors affecting land use changes and making correct management decisions at various management levels. <strong>سابقه و هدف:</strong> یکی از مهم‌ترین مراحل در مسیر توسعة پایدار حفاظت از تمامیت اراضی است زیرا سالیانه بخشی از اراضی، به‌دلایل متعدد، تغییر کاربری می‌یابد و خروج این‌‌گونه اراضی از مسیر تولید لطمات جبران‌ناپذیری را در پی دارد. ازآنجاکه تغییرات کاربری اراضی در حوضة آبخیز خیاوچای، به‌علت شرایط خاص کوهستانی و آتش‌فشانی‌بودن این حوضه، اهمیت زیادی دارد، بررسی تغییرات مکانی و زمانی کاربری اراضی دیدگاه مفیدی را به طراحان، برنامه‌ریزان و مدیران، در برنامه‌ریزی دقیق، ارائه می‌دهد؛ چراکه تغییرات بدون برنامه و غیراصولی کاربری اراضی از چالش‌های مهم و اساسی هر کشوری محسوب می‌شود و در جای خود، تأثیرات بسیار مخربی مانند تخریب پوشش ‌گیاهی و تبدیل اراضی مرتعی به سایر کاربری‌ها را در منابع طبیعی باقی می‌گذارد. بنابراین لزوم بررسی تغییرات کاربری اراضی و پیش‌بینی تغییرات ناشی از آن اهمیت بسیاری دارد.<br /><strong>مواد و روش‌ها:</strong> حوضة ‌آبخیز خیاو‌چای در حاشیة شمال‌غرب کوه سبلان و جنوب شهرستان مشگین‌شهر استان اردبیل واقع شده است. مطالعة‌ حاضر با هدف آشکارسازی و پیش‌بینی تغییرات کاربری اراضی حوضة‌ آبخیز خیاوچای مشگین‌شهر انجام شد. برای مدل‌سازی تغییرات کاربری اراضی منطقة مورد مطالعه، از تصاویر ماهوارة‌ لندست‌ـ 5 با سنجندة TM، متعلق به سال 1989 و 2007و لندست‌ـ 8 با سنجندة OLI-TIRS، متعلق به سال 2023، به کار رفت. با اعمال تصحیحات اتمسفری و بهره‌گیری از روش طبقه‌بندی نظارت‌شدة الگوریتم حداکثر احتمال، کاربری‌های منطقه در شش کلاس (مناطق شهری، کشاورزی آبی، کشاورزی دیم، خاک لخت، مرتع و پوشش برفی) طبقه‌بندی شدند. به‌منظور تولید نقشة پیش‌بینی روند تغییرات کاربری اراضی سال 2023، نقشه‌های کاربری اراضی سال‌های 1989 و 2007 که با استفاده از تصاویر گوگل ارث و بازدیدهای میدانی تهیه شده است، به‌منزلة نقشه‌های پایه و پیشرو برای انجام‌دادن فرایند پیش‌بینی تغییرات کاربری سال 2023، وارد مدل زنجیرة مارکوف شد. پس‌از مدل‌سازی، تصاویر احتمال شرطی، ماتریس مساحت انتقال و ماتریس احتمال انتقال کاربری‌ها تولید شد. در نهایت، با استفاده از ابزار STCHOICE در نرم‌افزار IDRISI TerrSet، نقشة‌ پیش‌بینی برای سال 2023 استخراج شد. مشکل اساسی زنجیرة ‌مارکوف، در تهیة‌ نقشه‌های پیش‌بینی کاربری اراضی، ارائه‌نشدن اطلاعات مکانی در مدل‌سازی است. بدین‌ترتیب، برای افزودن عنصر مکانی به مدل، از سلول‌های خودکار (CA_Markov) استفاده شد. بنابراین با ترکیب مدل سلول‌های خودکار و مدل مارکوف، معرفی نقشة‌ کاربری اراضی پایة متعلق به سال 1989، ماتریس مساحت انتقال و تصاویر احتمال شرطی، نقشة‌ پیش‌بینی درمورد سال 2023 به‌همراه مؤلفة مکانی تهیه شد. در نهایت، با استفاده از نقشة‌ کاربری اراضی متعلق به سال‌های 1989 و 2023، نقشة‌ کاربری اراضی سه دهة‌ آینده (2033، 2043 و 2053) پیش‌بینی شد. دقت نقشه‌ها براساس ضریب کاپا و دقت کلی و صحت نقشه‌ها، براساس میزان پارامترهای توافق و نبودِ توافق، ارزیابی شد.<br /><strong>نتایج و بحث:</strong> تصاویر ماهواره‌ای سال‌های 1989، 2007 و 2023 منطقة مورد مطالعه، با استفاده از روش حداکثر احتمال طبقه‌بندی و نقشة‌ کاربری اراضی، استخراج و مشخص شد که بیشترین مساحت به کاربری‌های مرتع، خاک لخت و کشاورزی دیم بازمی‌گردد. دقت طبقه‌‌بندی تصاویر ماهواره‌ای با استفاده از ماتریس خطا ارزیابی شد و ضریب کاپا درمورد سال‌های 1989، 2007 و 2023 به‌ترتیب، برابر 72/0، 83/0 و 88/0 و دقت کلی سال‌های 1989، 2007 و 2023 به‌ترتیب، برابر 87/82، 40/88 و 32/92 به دست آمد. طبق نتایج، می‌توان بیان کرد که دقت طبقه‌بندی تصاویر در سطح مطلوبی به دست آمده است. بررسی تغییرات کاربری اراضی، در منطقة مورد مطالعه، نشان می‌دهد که مساحت 7/119 هکتار از کاربری شهری، 42/354 هکتار از کاربری کشاورزی آبی، 05/1039 هکتار از کاربری کشاورزی دیم، 73/2024 هکتار از کاربری خاک لخت، 95/3829 هکتار از کاربری مرتع و 01/458 هکتار از پوشش برفی طی بازة‌ زمانی 1989 تا 2007 و همچنین 12/123 هکتار از کاربری شهری، 04/383 هکتار از کاربری کشاورزی آبی، 32/1282 هکتار از کاربری کشاورزی دیم، 64/2294 هکتار از کاربری خاک لخت، 04/3704 هکتار از کاربری مرتع و 22/806 هکتار از پوشش برفی در بازة زمانی 2007 تا 2023 بدون تغییر مانده است. میزان مساحت کاربری‌ها در نقشة‌ پیش‌بینی‌شدة سال2023 نشان داد کاربری‌های شهری 3/4%، کشاورزی آبی 7/5%، کشاورزی دیم 7/15%، خاک لخت 2/32%، مرتع 9/42% و پوشش برفی 2/8% از مساحت منطقة‌ مورد مطالعه را به خود اختصاص داده‌اند. نتایج ارزیابی صحت مدل نشان داد که توافق بین نقشة‌ پیش‌بینی‌شده و واقعی برابر 84/0 و نبودِ توافق بین آن‌ها برابر با 16/0 و ضریب کاپا 88/0 است که توانمندی تقریباً چشمگیر مدل در انجام‌دادن فرایند پیش‌بینی تغییرات را می‌رساند. طی مقایسة‌ نقشه‌های کاربری اراضی سال‌های 2033، 2043 و 2053 با نقشة‌ کاربری اراضی سال 2023، مشخص شد که در سه دهة‌ آینده به‌ترتیب، کاربری شهری با 9/45%، 9/46% و 5/47%، افزایشی، کاربری مرتع با 9/10%، 6/7% و 5/4% دارای روندی کاهشی، و کاربری‌های کشاورزی آبی با 9/27%، 1/21% و 9/14%، کشاورزی دیم با 4/13%، 23/11% و 3/9%، خاک لخت با 2/2%، 6/2% و 3/3% افزایشی و پوشش برفی با 9/32%، 4/19% و 1/5% دارای روندی کاهشی در قیاس با سال 2023، خواهند بود.<br /><strong>نتیجه‌گیری: </strong>با توجه به نتایج، می‌توان بیان کرد که کاربری‌های منطقه، طی دورة آماری در نظر گرفته‌شده (1989 تا 2023)، با تغییرات در مساحت روبه‌رو بوده‌اند و طی سه دهة‌ آینده نیز تغییرات محسوسی خواهند داشت. بنابراین دخالت عوامل انسانی، در قالب طرح‌های کشاورزی، استخر پرورش آبزیان، احداث راه‌های متعدد برای دسترسی به معادن و چشمه‌های آب گرم، نقش اصلی را در تغییرات کاربری ‌اراضی منطقة مورد مطالعه ایفا کرده و می‌کند. این نتایج می‌تواند در شناخت عوامل مؤثر در تغییر کاربری و اتخاذ تصمیمات صحیح در سطوح گوناگون مدیریتی، مانند تدوین و اجرای طرح جامع مدیریت حوضة آبخیز خیاوچای، تقویت نظارت و کنترل، ازطریق نظارت مستقیم با استفاده از تصاویر ماهوارة لندست، افزایش درآمد آبخیزنشینان از راه اکوتوریسم، حفاظت از منابع طبیعی و احیای پوشش ‌گیاهی با اجرای طرح‌های بیولوژیک، آموزش و جلب مشارکت مردمی، به برنامه‌ریزان کمک کند https://gisj.sbu.ac.ir/article_106087_8025c73219d958dbd12b327146509192.pdf