این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های فرسایش محیطی، جلد ۱۵، شماره ۴، صفحات ۰-۰
عنوان فارسی تحلیل مکانی-زمانی کاربری اراضی و پوشش گیاهی در حوزه آبخیز تخت – قلعه‌قاضی با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری ماشین
چکیده فارسی مقاله 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.
 
کلیدواژه‌های فارسی مقاله تغییرات کاربری اراضی، سنتینل-2، شاخص‌های طیفی پوشش گیاهی، شاخص NDVI سبز لندست-9.
عنوان انگلیسی Spatiotemporal Analysis of Land Use and Vegetation Cover in the Takht–Qaleh Qazi Watershed Using Satellite Imagery and Machine Learning Algorithms
چکیده انگلیسی مقاله This study aimed to investigate land use changes and temporal vegetation dynamics in the Takht–Qaleh Qazi watershed over the period 2014 to 2024. The research process was designed in two main stages: The first stage involved generating classified land use maps for the target years (2014 and 2024) using satellite imagery and machine learning algorithms. The second stage consisted of analyzing temporal vegetation changes using spectral indices and multi-temporal Landsat and Sentinel-2 images within the Google Earth Engine environment. To reduce dimensionality and remove highly correlated variables, feature selection was conducted in two steps: Pearson correlation analysis via SPSS was first used to exclude highly correlated variables, followed by the Boruta algorithm in R to select the most important variables for modeling. Classification modeling was performed using Support Vector Machine (SVM) and Random Forest (RF) algorithms. Models were trained on training data and validated with evaluation data. Performance was assessed using appropriate statistical metrics. Finally, trained models were applied to the entire study area to produce and save final land use/land cover classification maps.
This study evaluated the performance of two machine learning algorithms, Support Vector Machine (SVM) and Random Forest (RF), for land use classification and spatiotemporal analysis in the Takht–Ghaleh Ghazi watershed from 2014 to 2024. Both models showed improved classification accuracy over time, with SVM achieving superior results, particularly in identifying agricultural and orchard lands. By 2024, SVM accuracy reached 83% (Kappa = 0.75), outperforming RF’s 78% accuracy (Kappa = 0.67). Analysis of land use changes revealed a decrease in agricultural land and water bodies, accompanied by increases in orchards and barren lands, reflecting dynamic land management and environmental pressures in the region. These findings underscore the potential of integrating advanced remote sensing and machine learning techniques for sustainable natural resource management and environmental monitoring.


 
کلیدواژه‌های انگلیسی مقاله GNDVI, Landsat-9, Land use change, Sentinel-2, Spectral vegetation indices.
نویسندگان مقاله محمدرضا دریائی آفتابی | Mohammadreza Dariaee Aftabi
University of Hormozgan
دانشگاه هرمزگان

علیرضا نفرزادگان | Ali Reza Nafarzadegan
University of Hormozgan
دانشگاه هرمزگان

عبدالنبی باقری | Abdolnabi Bagheri
Education and Research Center for Natural and Agricultural Resources of Hormozgan
سازمان تحقیقات و آموزش و ترویج کشاورزی

نشانی اینترنتی http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-700-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
نوع مقاله منتشر شده مستخرج از پایان‌نامه / رساله / طرح پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات