نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی‌ارشد سنجش‌ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه هرمزگان

2 استادیار گروه جغرافیا، دانشکده علوم انسانی، دانشگاه هرمزگان

چکیده

سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش‌های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده‌های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده GeoEye سال 2009، دقت روش‌های سه‌گانه طبقه‌بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش‌های لازم بر روی تصویر، با استفاده از آلگوریتم‌های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش‌گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش‌های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده  مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی7/94 درصد و ضریب کاپا 93/0، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 1/93 درصد و ضریب کاپا 90/0) و روش بیشترین شباهت (با دقت صحت کلی 2/92 درصد و ضریب کاپا 89/0)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت‌ روش‌های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش‌ها،  می‌تواند سطوح نفوذناپذیر را تشخیص دهد.

کلیدواژه‌ها

عنوان مقاله [English]

--

نویسندگان [English]

  • marziyeh sohrabi mofrad 1
  • dr. masood bakhtiyari kia 2

چکیده [English]

--

کلیدواژه‌ها [English]

  • --

احمدی ندوشن، مژگان؛ سفیانیان، علیرضا؛ خواجه‌الدین، سید جمال‌الدین. (1388). تهیه نقشه پوشش اراضی اراک با استفاده از روش‌های طبقه‌بندی شبکۀ عصبی مصنوعی و حداکثر احتمال، پژوهش‌های جغرافیای طبیعی دانشگاه تهران، شمارۀ 69، صص 83-98.

باتا، باسودب. (2017). روش‌های تحقیق در سنجش از دور. ترجمه علوی‌پناه، سیدکاظم؛ امیدی‌پور، مرتضی؛ علوی‌پناه، سیدصدرالدین.. چاپ سوم، تهران: انتشارات دانشگاه تهران.

رسولی، علی‌اکبر. (1387). مبانی سنجش از دور کاربردی با تأکید بر پردازش­تصاویر­ماهواره‌ای،­تبریز:­انتشارات­دانشگاه تبریز.

رضایی‌مقدم، محمدحسین؛ ولی‌زداه‌ کامران، خلیل؛ اندریانی، صغری؛ الماس‌پور، فرهاد. (1394). مقایسۀ روش‌های شبکۀ عصبی و ماشین بردار پشتیبان در استخراج نقشه‌های کاربری و پوشش اراضی با استفاده از تصاویر لندست8 (مطالعۀ موردی: حوضۀ صوفی چای)، نشریۀ علمی پژوهشی جغرافیا و برنامه‌ریزی دانشگاه تبریز، سال 19، شمارۀ 52، صص 163-183.

زائری امیرانی، آزاده. (1389). آشکارسازی تغییرات سطوح نفوذناپذیر در محدودۀ کلان‌شهر اصفهان، پایان‌نامۀ کارشناسی ارشد، دانشکدۀ منابع طبیعی، دانشگاه صنعتی اصفهان.

زائری امیرانی، آزاده؛ سفیانیان، علیرضا. (1394). بررسی روند تغییرات سطوح نفوذناپذیر محدودۀ شهر اصفهان با استفاده از سنجش از دور. دانشگاه آزاد اسلامی واحد اهر، فصلنامۀ علمی-پژوهشی فضای جغرافیایی دانشگاه آزاد اسلامی واحد اهر، سال 15، شمارۀ 52، صص 17-35.

سرشماری نفوس و مسکن 1395، مرکز آمار ایران. https://www.amar.org.ir

صمدزادگان، فرهاد؛ طبیب محمودی، فاطمه؛ بیگدلی، بهناز. (1391). ادغام داده‌ها در سنجش از دور مفاهیم و روش‌ها، تهران: انتشارات دانشگاه تهران.

مختاری، محمد‌حسین؛ نجفی، احمد. (1394). مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM. مجلۀ علوم و فنون کشاورزی و منابع طبیعی، دانشگاه صنعتی اصفهان. سال 19، شمارۀ 72، صص 35-44.

قاسمیان، نفیسه؛ آخوندزاده‌هنزائی، مهدی. (1395). مقایسۀ روش‌های شبکۀ عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم‌گیری در شناسایی ابر در تصاویر ماهواره‌ای لندست8. نشریۀ علمی ترویجی مهندسی نقشه‌برداری و اطلاعات مکانی  انجمن علمی مهندسی نقشه برداری و ژئوماتیک ایران. دورۀ 7، شمارۀ 4، صص 49-65.

نجفی، احمد؛ عزیزی‌قلاتی، سارا؛ مختاری، محمد حسین. (1396). کاربرد ماشین بردار پشتیبان در طبقه‌بندی کاربری اراضی حوزۀ چشمه کلیه-چالکرود. پژوهشنامۀ مدیریت حوزۀ آبخیز، سال 8، شمارۀ 15، صص 92-101.

نیازی، یعقوب؛ اختصاصی، محمدرضا؛ ملکی‌نژاد، حسین؛ حسینی؛ سیدزین‌العابدین. (1389). مقایسۀ دو روش طبقه‌بندی حداکثر احتمال و شبکۀ عصبی مصنوعی در استخراج نقشۀ کاربری اراضی (مطالعۀ موردی: حوزۀ سد ایلام). فصلنامۀ جغرافیا و توسعه دانشگاه سیستان و بلوچستان. شمارۀ 20، صص 119-132.

 

Arnold, C.A, Jr. and Gibbons, C.J., (1996). Impervious surface coverage: the emergence of a key urban environmental indicator. Journal of the American Planning Association, 62 (2), pp. 243-258.

Brabec, E.; Schulte, S.; Richards, P.L. (2002). Impervious Surfaces and Water Quality: A Review of Current Literature and Its Implications for Watershed Planning. J. Plan. Lit. 16, 499–514.

Brandt, Tso; Paul M., Mather. (2009). Classification Methods for Remotely Sensed Data, 2nd edition, CRC Press.

Chatziantoniou, A; Petropoulos, George P; Psomiadis, E. (2017). Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning. Remote Sensing. 9, 1259.

Cranea, Mike; Xianb, George; McMahonb, Cory. (2005). Estimation of sub-pixel impervious surfaces using Landsat and aster imagery for assessing urban growth. Ausgs national center for earth resources observation and science, Sioux Falls, SD 57198.

Grubler, A., 1994. Technology. In changes in land use and land cover: A global perspective. pp. 287-328. Cambridge University Press, Cambridge.

Hurd, J.D.; Civco, D.L. (2004). Temporal Characterization of impervious surfaces for the State of Connecticut. In Proceedings of the ASPRS Annual Conference, Denver, CO, USA, 23–28 May.

Kang, Min Jo; Mesev, Victor; Kim, Won Kyung. (2015) Measurements of Impervious Surfaces. Korean Journal of Remote Sensing, Vol.31, No.4. pp.303~319.

Li, J.; Song, C.; Cao, L.; Zhu, F.; Meng, X.; Wu, J. (2011). Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China. Remote Sens. Environ. 115, 3249–3263

Lin, C. T.; Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall, Englewood Cliffs.

Lu, D.; Li, G.; Kuang, W.; Moran, E. (2014). Methods to extract impervious surface areas from satellite images. Int. J. Digit. Earth 2014, 7, 93–112.

Mather, P.M., and Koch, M. (2011) Computer Processing of Remotely-Sensed Images: An Introduction, Fourth Edition, Wiley Blackwell, 504 pp.

Richards, John A (2013) Remote Sensing Digital Image Analysis, eBook, Fifth Edition, Springer, 494 pp.

Shao, Zhenfeng; Fu،Huyan; Fu, Peng; Yin, Li. (2016). Mapping Urban Impervious Surface by Fusing Optical and SAR Data at the Decision Level. Remote sensing, 1-21.

United Nations, Department of Economic and Social Affairs, Population Division (2019). World Population Prospects: The 2018 Revision (ST/ESA/SER.A/420). New York: United Nations.

Weng, Qihao. (2012). Remote sensing of impervious surfaces in the urban areas: Requirements, methods and trends. Remote Sensing of Environment 117 .34–49.

Wu, C., (2009). Quantifying high-resolution impervious surfaces using spectral mixture analysis. Int. J. Remote Sens. 30, 2915–2932.

Yang, Jian; He, Yuhong. (2017). Automated mapping of impervious surfaces in urban and suburban areas: Linear spectral unmixing of high spatial resolution imagery. International Journal of Applied Earth Observation and Geoinformation, 53-64.

Yang, Jian; Li, Peijun. (2015). Impervious surface extraction in urban areas from high spatial resolution imagery using linear spectral unmixing. Remote Sensing Applications: Society and Environment, 61-71.

Zhang, Hongsheng; Lina, Hui; Li, Yu; Zhang, Yuanzhi; Fang, Chao Yang. 2016. Mapping impervious surfaces with the integrated use of Landsat Thematic Mapper and radar data: A case study in an urban–rural landscape. Landscape and Urban Planning, 4812-4815.

Zhang, L.; Weng, Q. (2016). Annual dynamics of impervious surface in the Pearl River Delta, China, from 1988 to 2013, using time series Landsat imagery. ISPRS J. Photogram. Remote Sens. 113, 86–96.