سال 15، شماره 4 - ( زودآیند (زمستان) 1404 )
جلد 15 شماره 4 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Dariaee Aftabi M, Nafarzadegan A R, Bagheri A. Spatiotemporal Analysis of Land Use and Vegetation Cover in the Takht–Qaleh Qazi Watershed Using Satellite Imagery and Machine Learning Algorithms. E.E.R. 2025; 15 (4)
URL: http://magazine.hormozgan.ac.ir/article-1-902-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-902-fa.html
دریائی آفتابی محمدرضا، نفرزادگان علیرضا، باقری عبدالنبی. تحلیل مکانی-زمانی کاربری اراضی و پوشش گیاهی در حوزه آبخیز تخت – قلعه‌قاضی با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری ماشین. پژوهش هاي فرسايش محيطي. 1404; 15 (4)
دانشگاه هرمزگان ، a.r.nafarzadegan@hormozgan.ac.ir
چکیده: (3 مشاهده)
پوشش گیاهی به عنوان یکی از اجزای کلیدی اکوسیستم، نقش مهمی در حفظ تعادل محیط زیست و پایداری منابع طبیعی ایفا می‌کند. با توجه به تأثیر تغییرات کاربری اراضی بر سلامت پوشش گیاهی و اکوسیستم‌های محلی، پایش دقیق و تحلیل زمانی این تغییرات امری ضروری است. در این مطالعه، تغییرات کاربری اراضی و پوشش گیاهی در حوزه آبخیز تخت–قلعه‌قاضی طی بازه زمانی ۲۰۱۴ تا ۲۰۲۴ مورد بررسی قرار گرفت. به منظور طبقه‌بندی کاربری اراضی در سال‌های مورد مطالعه، از تصاویر ماهواره‌ای لندست به همراه الگوریتم‌های یادگیری ماشین ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. همچنین، برای تحلیل تغییرات پوشش گیاهی، شاخص‌های طیفی NDVI، EVI و SAVI از داده‌های چندزمانه ماهواره‌های لندست ۸و9 و سنتینل-۲ در محیط گوگل ارث انجین استخراج و تحلیل شدند.
نتایج نشان داد که دقت طبقه‌بندی مدل SVM در سال ۲۰۲۴ به ۸۳ درصد با ضریب کاپای 75/0 بوده است که نسبت به مدل RF با دقت ۷۸ درصد و کاپای 67/0، عملکرد بهتری داشته است. این مدل توانست کلاس‌های کشاورزی، باغات و پهنه‌های آبی را با دقت بالاتری شناسایی کند. همچنین تحلیل شاخص‌های پوشش گیاهی نشان داد که اوج تراکم و سلامت گیاهی در سال ۲۰۲۰ با مقادیر NDVI برابر با 1838/0، EVI برابر با 4231/0 و SAVI برابر با 2378/0 بوده و پس از آن روندی نسبتاً کاهشی داشته‌اند. تغییرات کاربری اراضی نیز کاهش ۳۳۷ هکتاری اراضی زراعی و کاهش ۲۳۸ هکتاری پهنه‌های آبی را در کنار افزایش چشمگیر باغات (۱۳۹۳ هکتار) نشان می‌دهد.
یافته‌ها اهمیت کاربرد داده‌های ماهواره‌ای و الگوریتم‌های پیشرفته یادگیری ماشین را در پایش تغییرات محیطی برجسته ساخته و نشان می‌دهد که این روش‌ها می‌توانند ابزارهای موثری برای مدیریت پایدار منابع طبیعی و تصمیم‌گیری‌های بهینه در حوزه‌های آبخیز باشند.
نتایج نشان داد که دقت طبقه‌بندی مدل SVM در سال ۲۰۲۴ به ۸۳ درصد با ضریب کاپای 75/0 بوده است که نسبت به مدل RF با دقت ۷۸ درصد و کاپای 67/0، عملکرد بهتری داشته است. این مدل توانست کلاس‌های کشاورزی، باغات و پهنه‌های آبی را با دقت بالاتری شناسایی کند. همچنین تحلیل شاخص‌های پوشش گیاهی نشان داد که اوج تراکم و سلامت گیاهی در سال ۲۰۲۰ با مقادیر NDVI برابر با 1838/0، EVI برابر با 4231/0 و SAVI برابر با 2378/0 بوده و پس از آن روندی نسبتاً کاهشی داشته‌اند. تغییرات کاربری اراضی نیز کاهش ۳۳۷ هکتاری اراضی زراعی و کاهش ۲۳۸ هکتاری پهنه‌های آبی را در کنار افزایش چشمگیر باغات (۱۳۹۳ هکتار) نشان می‌دهد.
یافته‌ها اهمیت کاربرد داده‌های ماهواره‌ای و الگوریتم‌های پیشرفته یادگیری ماشین را در پایش تغییرات محیطی برجسته ساخته و نشان می‌دهد که این روش‌ها می‌توانند ابزارهای موثری برای مدیریت پایدار منابع طبیعی و تصمیم‌گیری‌های بهینه در حوزه‌های آبخیز باشند.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1404/4/22
دریافت: 1404/4/22
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
