بخشی از مقاله
چکیده
در گسترش شهر و توسعه شهرنشینی و به دنبال آن تخریب بیرویه اراضی کشاورزی و جنگلها و مراتع و تبدیل آن به مناطق مسکونی مسائل و مشکلاتی را در کشورهای در حال توسعه به وجود آورده است. امروزه برنامه ریزی و مدیریت حوزههای آبخیز نیازمند دستیابی به اطلاعات دقیق فضایی در زمانهای متوالی در خصوص تغییرات کاربری اراضی میباشد.
هدف از این مطالعه ارزیابی روند تغییرات کاربری اراضی حوزه آبخیز اسکندری از سرشاخههای مهم زاینده رود میباشد. بدین منظور پس از کسب تصاویر ماهوارهای TM و MSS جهت پوشش بازه زمانی 1973 تا 2009 و پیش پرداز آن، از تکنیک طبقه بندی شبکه عصبی مصنوعی جهت تهیه نقشه کاربری اراضی در بازههای زمانی مورد مطالعه استفاده شده است. پس از ارزیابی صحت نقشهها روند تغییرات آن مورد بررسی قرار گرفته است. نتایج نشان دهنده کاهش 12 درصدی مراتع و افزایش 6 درصدی سطح زیر کشت زراعی بوده است. مناطق فاقد پوشش گیاهی و مناطق شهری با رشد قابل توجهی روبهرو بودهاند.
-1 مقدمه
ماهیت زمین ثابت نبوده و در حال تغییر و تحول است. آشکار ساختن تغییرات کاربری زمین و بررسی روند آن یکی از نیازهای اساسی در مدیریت و ارزیابی منابع طبیعی است. پایش تغییرات کاربریاراضی در بازههای زمانی از طریق تکنیک سنجش از دور در مدت زمان کوتاهتر، با هزینه کمتر و با دقت بیشتری حاصل میشود.
سنجش از دور به دلیل ویژگیهای خاص از جمله دید وسیع، یکپارچگی، استفاده از قسمتهای مختلف انرژی الکترومغناطیسی برای ثبت خصوصیات پدیدهها، دوره بازگشتهای کوتاه، امکان به کارگیری سخت افزارها و نرم افزارها، کم هزینه بودن و سریع تر بودن بررسی و نیز فراهم کردن امکان پایش منطقه از اهمیت ویژه ای برخوردار است. روشهای مختلفی از جمله تفاضل تصاویر، تفاضل شاخص پوششگیاهی، تجزیه به مؤلفههای اصلی، تفاضل تغییر بعد از طبقه بندی و ...
جهت پایش تغییرات کاربریاراضی موجود میباشد. انتخاب روش و الگوریتم مناسب برای ارزیابی و کشف این تغییرات به دلیل تأثیر در نتیجه آشکارسازی، اقدامی مهم و اساسی است، زیرا که روش انتخاب شده جهت بازیابی و کشف تغییرات با استفاده از تصاویر ماهوارهای در نتایج به دست آمده و تفسیر و تحلیل آنها تأثیر قابل ملاحظهای دارد.
روش مقایسه پس از طبقهبندی توسط بسیاری از محققین مورد استفاده قرار گرفته است. در این روش به صورت مجزا تصاویر چند زمانی به نقشههای موضوعی طبقهبندی شده سپس نقشههای کاربریاراضی تهیه شده برای دورههای زمانی مختلف با یکدیگر مقایسه شده و تغییرات آن مورد ارزیابی قرار میگیرد. مس - 1999 - و فودی - 2001 - در مطالعات خود، روش مقایسه پس از طبقهبندی را به عنوان بهترین روش جهت بررسی تغییرات کاربری-اراضی معرفی نمودهاند. ویژگی روش مقایسه پس از طبقهبندی این است که اثرات جوی، سنجنده و زیست محیطی بین تصاویر چند زمانه را به حداقل رسانده و یک ماتریس کامل از اطلاعات تغییر را فراهم میکند. اما معایب آن این است که نیازمند وقت و مهارت زیاد برای انتخاب نمونه تعلیمی در طبقهبندی است
در این روش ابتدا باید تصاویر ماهوارهای مقاطع مختلف زمانی به کاربریهای مدنظر طبقه بندی شود. به جداسازی مجموعه طیفی مشابه و تقسیمبندی طبقاتی آنها که دارای رفتار یکسانی باشند، طبقهبندی اطلاعات ماهوارهای گفته میشود. به عبارتی طبقهبندی پیکسلهای تشکیل دهنده تصاویر، اختصاص دادن یا معرفی هر یک از پیکسلها به کلاس یا پدیده خاصی را، طبقهبندی اطلاعات ماهوارهای میگویند
به طور کلی فرآیند تعیین تغییرات کاربریاراضی در 4 مرحله: الف - کسب دادهها و پیشپرداز آنها، ب - طبقهبندی تصاویر ماهوارهای ج - عملیات پس از طبقهبندی و ارزیابی صحت، د - ارائه نقشه کاربریاراضی در هر دوره زمانی و مقایسه آنها با یکدیگر صورت میپذیرد. در زمینه طبقه بندی پوشش زمینی با استفاده از دادههای سنجش از دور تحقیقات متعددی انجام شده است. اولین طبقه بندی پوشش زمین در مقیاس جهانی با روش حداکثر احتمال توسط دفریس و توانشید - - 1994 انجام شده است.
در مطالعه دیگری تهیه نقشه کاربری اراضی با قدرت تفکیک یک کیلومتر با استفاده از تصویر AVHRR با استفاده از روش طبقه بندی نظارت نشده توسط لولند و همکاران - - 2000 انجام گرفته است ؟به علت محدودیتهای این روشها، در سالهای اخیر، رویکردهای طبقهبندی شبکه عصبی مصنوعی و تصمیم گیری درختی که خصوصیات غیرخطی و غیر پارامتریک دارند، در سطح منطقهای و جهانی مورد استفاده قرار گرفتند ؟هانسن و همکاران - - 1996 از دادههای NOAA/AVHRR برای تهیه نقشه پوشش سطح زمین در مقیاس جهانی و روشهای حداکثر احتمال و طبقه بندی درختی استفاده کردهاند ؟در این بررسی دقت روش طبقه بندی درختی نسبت به حداکثر احتمال بهتر گزارش شده است ؟
شبکه عصبی روش دیگری میباشد که به طور گسترده در طبقه بندی دادههای سنجش از دور مورد بررسی واقع شده است ؟در شناسایی محدوده گسترش گندم، مورتی و همکاران - - 2003 از این روش استفاده کردند که کارآمدی بهتری نسبت به روش حداکثر احتمال نشان داد. مس - 2003 - ، برای طبقه بندی پوشش و کاربری اراضی منطقه تالابی ترمینو در جنوب شرقی مکزیک، از تکنیک شبکه عصبی استفاده نموده و گزارش کردند که دقت این مدل 29 درصد بوده است.
امیری و همکاران - - 2004، از سه روش فازی، شبکه عصبی و کمترین فاصله برای طبقه بندی تصویر ماهوارهای Quickbird به سه طبقه پوشش گیاهی، منطقه شهری و آب استفاده کردند، و به این نتیجه رسیدند که دقت طبقه بندی با روش شبکه عصبی در مقایسه با دو روش دیگر در منطقه مورد مطالعه بیشتر است . لیزارازو - - 2006، برای طبقه بندی کاربری اراضی منطقه شهری بوگوتا در کلمبیا از روش طبقه بندی درخت تصمیمگیری، شبکه عصبی و حداکثر احتمال استفاده کرد ؟صحت طبقه بندی کاربری اراضی برای روشهای درخت تصمیم گیری، شبکه عصبی و حداکثر احتمال ٌٌو ًْ و 47 درصد برآورد گردید.
-2مواد و روشها
1؛-2معرفی منطقه مطالعاتی
منطقه مطالعاتی تحقیق پیش رو، حوزه آبخیز اسکندری، واقع در غرب استان اصفهان میباشد. حوضه مذکور با داشتن مساحتی بالغ بر 1649 کیلومترمربع و ارتفاع متوسط وزنی 2626 متر از سطح دریا و مختصات 50 02 تا 50 40 طول شرقی و 32 42 تا 33 11 عرض شمالی در حوضه آبریز سد زایندهرود واقع شده است.
شکل :1 موقعیت منطقه مطالعاتی
2؛-2اخذ داد ها و پیشپردازش آنها
جهت انجام این تحقیق، تصاویر ماهوارهای لندست MSS و TM سالهای 1973، 1987، 1999 و 2009 تهیه گردید. در جدول 1 زمان و خصوصیات این تصاویر ارائه شده است.
همانطور که در جدول خصوصیات تصاویر ماهوارهای مشخص است، اندازه پیکسل تصاویر ماهوارهای MSS و TM به یک اندازه نبوده، بدین علت و همچنین جهت بالا بردن دقت کار، اندازه پیکسل تصاویر MSS به اندازه پیکسل تصاویر TM تغییر داده شد. پس از انجام تصحیحات هندسی مورد نیاز بر روی تصاویر ماهوارهای، جهت اطمینان از تطابق هندسی تصاویر، نقشههای توپوگرافی، آبراهه و مناطق شهری و روستایی منطقه مطالعاتی و تصاویر روی هم گذاری شده و با بررسی عوارض موجود در آنها از صحت هندسی تصاویر اطمینان حاصل شد.
برای آشکارسازی و استخراج اطلاعات مفید از تصاویر ماهوارهای، تصاویر رنگی ترکیبی ایجاد شدند. تصاویر رنگی از نظر توانایی چشم در تفکیک پدیدههای مختلف دارای کیفیت بیشتری نسبت به تصاویر با تن خاکستری میباشند. جهت ایجاد تصاویر با ترکیب رنگی کاذب از متداولترین ترکیب رنگی که در آن از باند 4 - مادون قرمز نزدیک - با رنگ قرمز، باند 3 با رنگ سبز و باند 2 با رنگ آبی استفاده میشود تحت عنوان RGB بهره گرفته شد.
جهت طبقهبندی تصاویر ماهوارهای به کاربریهای مدنظر از روش طبقهبندی نظارتشده استفاده شده است، در این روش برای ردهبندی پیکسلها از نمونههای آموزشی استفاده میگردد، بدین معنی که با تعریف پیکسلهای مشخص از تصویر برای هر کدام از کلاس های کاربریاراضی، عمل طبقه بندی در قالب کلاسهای مدنظر انجام می-شود.
با توجه به این که الگوریتمهای طبقه بندی پیکسل پایه بر اساس ماتریس واریانس و کوواریانس عمل میکند، بنابراین حداقل پیکسلهای مورد نیاز برای نمونههای تعلیمی هر کلاس اراضی N+1 می باشد - N به معنای باندهای مورد نیاز استفاده در عملیات طبقهبندی میباشد - . اما در بهترین حالت باید تعداد نمونههای آموزشی بین 10N تا 100N باشد . - 8 - جهت جمعآوری نمونههای تعلیمی در این تحقیق بعد از تعیین کلاسهای کاربریاراضی - مناطق مرتعی، کشاورزی، مسکونی، سنگلاخی و بدون پوششگیاهی - ، بازدید میدانی از منطقه مطالعاتی صورت گرفته و با استفاده از دستگاه موقعیت یاب جهانی نقاط تعلیمی با پراکنش مناسب و از کاربریهای مختلف تهیه شد.
