زودآیند (زمستان)
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
گروه مهندسی منایع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس ، a.r.nafarzadegan@hormozgan.ac.ir
چکیده: (623 مشاهده)
پوشش گیاهی به عنوان یکی از اجزای کلیدی بومسازگان، 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 حوضه 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 ۸ و9 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 1544/0 و SAVI برابر با 1374/0 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 حوضههای آبخیز باشند.
واژههای کلیدی: تغییرات کاربری اراضی، سنتینل-2، شاخصهای طیفی پوشش گیاهی، شاخص GNDVI، تصاویر لندست-9.
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
فهرست منابع
1. Arellano, P., Tansey, K., Balzter, H., & Boyd, D. S. (2015). Detecting the effects of hydrocarbon pollution in the Amazon forest using hyperspectral satellite images. Environmental Pollution, 205, 225-239. [DOI:10.1016/j.envpol.2015.05.041]
2. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
3. Caputo, J. (2009). Sustainable forest biomass: Promoting renewable energy and forest stewardship. Washington, DC, USA: Environmental and Energy Study Institute.
4. FAO (Food and Agriculture Organization of the United Nations). (2002). Land use. https://www.fao.org
5. Galvao, L. S., Formaggio, A. R., & Tisot, D. A. (2005). Discrimination of sugarcane varieties in Southeastern Brazil with EO-1 Hyperion data. Remote sensing of Environment, 94(4), 523-534. [DOI:10.1016/j.rse.2004.11.012]
6. Gao, B. C. (1996). NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266. [DOI:10.1016/S0034-4257(96)00067-3]
7. García Cárdenas, D. A., Ramón Valencia, J. A., Alzate Velásquez, D. F., & Palacios Gonzalez, J. R. (2018, November). Dynamics of the indices NDVI and GNDVI in a rice growing in its reproduction phase from multi-spectral aerial images taken by drones. In International Conference of ICT for Adapting Agriculture to Climate Change (pp. 106-119). Cham: Springer International Publishing. [DOI:10.1007/978-3-030-04447-3_7]
8. Hersperger, A. M., Oliveira, E., Pagliarin, S., Palka, G., Verburg, P., Bolliger, J., & Grădinaru, S. (2018). Urban land-use change: The role of strategic spatial planning. Global Environmental Change, 51, 32-42. [DOI:10.1016/j.gloenvcha.2018.05.001]
9. Hormozgan Regional Water Company, 2022
10. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309. [DOI:10.1016/0034-4257(88)90106-X]
11. Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote sensing of environment, 83(1-2), 195-213. [DOI:10.1016/S0034-4257(02)00096-2]
12. Joulaei, H., & Vafaeinejad, A. (2023). Application of machine learning methods for classification of Landsat 9 satellite imagery to assess urban land use area (Case study: West of Tehran). Journal of Remote Sensing and Spatial Information Research, 2(1), 113-126. (in Persian)
13. Kazemi, M., & Jafarpoor, A. (2024). Time series classification of land use using spectral indices, Sentinel-2 imagery, and variable training samples in Google Earth Engine (GEE). Iranian Journal of Watershed Science and Engineering, 18(67), 1-15. (in Persian)
14. Lawrence, R. L., Wood, S. D., & Sheley, R. L. (2006). Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (RandomForest). Remote Sensing of Environment, 100(3), 356-362. [DOI:10.1016/j.rse.2005.10.014]
15. Maitima, J. M., Mugatha, S. M., Reid, R. S., Gachimbi, L. N., Majule, A., Lyaruu, H., ... & Mugisha, S. (2009). The linkages between land use change, land degradation and biodiversity across East Africa. African Journal of Environmental Science and Technology, 3(10).
16. Mariye, M., Mariyo, M., Changming, Y., Teffera, Z. L., & Weldegebrial, B. (2022). Effects of land use and land cover change on soil erosion potential in Berhe district: A case study of Legedadi watershed, Ethiopia. International Journal of River Basin Management, 20(1), 79-91. [DOI:10.1080/15715124.2020.1767636]
17. Milton, E. J. (1989). On the suitability of Kodak neutral test cards as reflectance standards. International Journal of Remote Sensing, 10(6), 1041-1047. [DOI:10.1080/01431168908903943]
18. Rong, C., & Fu, W. (2023). A comprehensive review of land use and land cover change based on knowledge graph and bibliometric analyses. Land use, 12(8), 1573. [DOI:10.3390/land12081573]
19. Sheram, K. (1993). The environmental data book: A guide to statistics on the environment and development. Washington, DC: The World Bank.
20. Siasar, H., Salari, A., Bahrami, M., & Hamidifar, H. (2025). Integrating remote sensing and meteorological analysis for monitoring drought conditions in arid regions: a case study from Sistan and Baluchestan province, Iran. Theoretical and Applied Climatology, 156(5), 291. [DOI:10.1007/s00704-025-05527-7]
21. Sivakumar, M. V. K. (2003). Satellite remote sensing and GIS applications in agricultural meteorology. Agricultural and Forest Meteorology, 118(1-2), 1-5.
22. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8(2), 127-150. [DOI:10.1016/0034-4257(79)90013-0]
23. Veraverbeke, S., Gitas, I., Katagis, T., Polychronaki, A., Somers, B., & Goossens, R. (2012). Assessing post-fire vegetation recovery using red-near infrared vegetation indices: Accounting for background and vegetation variability. ISPRS Journal of Photogrammetry and Remote Sensing, 68, 28-39. [DOI:10.1016/j.isprsjprs.2011.12.007]
24. Wang, G., Han, L., Tang, X. Y., & Jin, Z. C. (2012). Temporal and spatial variation of vegetation in the Jinsha River basin. Resources and Environment in the Yangtze Basin, 21(10), 1191-1196.
25. Zhou, Y., Zhang, L., Fensholt, R., Wang, K., Vitkovskaya, I., & Tian, F. (2015). Climate contributions to vegetation variations in central Asian drylands: Pre- and post-USSR collapse. Remote Sensing, 7(3), 2449-2470. [DOI:10.3390/rs70302449]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
