آشکارسازی تغییرات کاربری اراضی شهر زنجان با استفاده از تحلیل‌های شی‌گرا و سامانة گوگل‌ارث انجین

مقدمه

رشد و گسترش سریع شهرها به دلیل تغییرات گسترده در کاربری و پوشش زمین، تأثیرات منفی بر کیفیت زیست‌محیطی جهانی داشته است (کاکه‌ممی و همکاران، 1396: 123). برای ارزیابی تغییرات محیطی، سیستم‌های پایش و ماهواره‌های سنجش از دور، تکنولوژی قدرتمندی را فراهم می‌آورند که ارزیابی روند تغییرات محیطی را با مقایسة چندزمانه امکان‌پذیر می‌کند (Esam et al.‚ 2012: 483; Feizizadeh et al.‚ 2013: 1290).

در دهه‌های اخیر، از داده‌های سنجش از دور و تکنیک‌های GIS برای ابعاد مختلف گسترش فضایی شهری و پراکنش شهری مانند نقشه‌کشی (برای شناخت الگوی گسترش)، کنترل (برای شناخت فرایند گسترش)، اندازه‌گیری و سنجش (به‌منظور تحلیل) و مدل‌سازی (برای شبیه‌سازی گسترش) استفاده شده است (زنگنه‌شهرکی، 1395: 73). با طبقه‌بندی تصاویر رقومی سنجش از دور، نقشه‌های موضوعی حاوی اطلاعات مانند نوع پوشش زمین و نوع پوشش گیاهی به دست می‌آید. درنتیجه تشخیص تغییرات براساس این نقشه‌ها انجام می‌شود (Ghebrezgabher et al.‚ 2016: 37; Rawat and Kumar‚ 2015: 77; El-Asmar et al.‚ 2013: 119; Dewan and Yamaguchi‚ 2009: 390).

یکی از تکنیک‌های پیشرفتة در حال ظهور درزمینة طبقه‌بندی تصاویر ماهواره‌ای، تجزیه و تحلیل مبتنی بر اشیاست (Weng‚ 2012: 34). طبقه‌بندی شی‌گرا از یک فرایند تقسیم‌بندی و الگوریتم یادگیری برای تجزیه و تحلیل ویژگی‌های طیفی، مکانی و بافتی پیکسل‌ها بهره می‌برد (Weih and Riggan‚ 2010: 7). این فرایند یک طبقه‌بندی نیمه‌اتوماتیک را فراهم می‌کند که از روش‌های طبقه‌بندی پیکسل پایه دقیق‌تر است (Weih and Riggan‚ 2010: 7; Whiteside et al.‚ 2011: 884; Butt et al.‚ 2015: 251). مزیت روش شی‌گرا این است که از پیکسل‌های منفرد استفاده نمی‌کند، بلکه مجموعه‌ای از پیکسل‌های مجاور را با اطلاعات طیفی، بافتی و هندسی مشخص می‌کند. با در نظر گرفتن این اطلاعات با روش مبتنی بر اشیا، امکان دستیابی به نتایج بهتر فراهم می‌شود (Campbell and Wynne‚ 2011: 4).

از دیگر منابع اطلاعاتی و نرم‌افزارهای استفاده‌شده در پایش زمانی تغییرات کاربری اراضی، سامانة تخصصی سنجش از دور تحت وب مانند سامانة گوگل‌ارث انجین است؛ این سامانه با پشتیبانی گسترده از داده‌ها و تصاویر ماهواره‌ای رایگان، امکان طبقه‌بندی و پردازش تصاویر ماهواره‌ای را با سرعت بسیار زیاد و آسان فراهم کرده است (احراری، 1398: 1Shelestov et al.‚ 2017: 17; ).

پیشینة پژوهش

با توجه به اهمیت موضوع، در پژوهش‌های پیشین از روش‌ها و تکنیک‌های مختلفی به‌منظور طبقه‌بندی و ارزیابی تغییرات کاربری اراضی استفاده شده است؛ در ادامه به تعدادی از آنها اشاره می‌شود.

ویته‌ساید و همکاران[1] (2011) در پژوهشی روش‌های طبقه‌بندی شی‌گرا و پیکسل پایه را مقایسه کردند. مقایسة نتایج ارزیابی صحت کلی روش‌های یادشده نشان داد روش شی‌گرا در مقایسه با روش پیکسل پایه به دلایل استفاده از اطلاعات مدل رقومی ارتفاع[2] و تعریف قوانین برای بعضی از کلاس‌ها صحت بیشتری دارد.

محمودی و همکاران[3] (2015) با به‌کارگیری روش‌های پردازش شی‌‌گرای تصاویر ماهواره‌ای در مناطق شهری و همچنین توابع GLCM اقدام به استخراج عارضه کردند و به این نتیجه رسیدند که به‌کارگیری اطلاعات بافتی همراه با تلفیق سایر لایه‌های اطلاعاتی (چندمنظره‌ای) موجب کاهش ابهام در تشخیص عارضه‌های تصویر می‌شود و صحت کلی و ضریب کاپا را افزایش می‌دهد.

دی اولیوریا سیلوریا و همکاران[4] (2017) از روش شی‌گرا و تصاویر لندست 8 و سنتینل برای طبقه‌بندی پوشش اراضی چشم‌انداز جنگلی در برزیل استفاده کردند. نتایج مطالعه نشان داد کاربرد روش یادشده به‌طور چشمگیری موجب افزایش دقت طبقه‌بندی تصاویر شده است.

هواو و همکاران[5] (2019) برای بررسی تخریب منطقه‌ای جنگلی در ایالات متحده در بازة زمانی 2003- 2011 از داده‌های ماهوارة لندست و روش طبقه‌بندی شی‌گرا استفاده کردند. آنها صحت کلی طبقه‌بندی تصاویر را 1/88 درصد گزارش و روش شی‌گرا را روشی مناسب در پایش تخریب اراضی جنگلی معرفی کردند.

در ایران، پورمحمدی و همکاران (1387) در پژوهشی، گسترش فضایی‌کالبدی شهر زنجان را با تأکید بر تغییر کاربری زمین طی دورة 1355- 1384 ارزیابی کردند. نتایج نشان داد همبستگی، شدت، وسعت و مکانیزم تبدیل و تغییر کاربری اراضی شهری زنجان به‌مثابة برآیند و تجسم گسترش فضایی‌کالبدی است و در چه ابعاد و مقیاسی کاربری شهری به ترتیب شدت عمل موجب گسترش فضایی‌کالبدی کاربری‌های اراضی دیم، بایر، باغ و اراضی کشت آبی پیرامون خود شده است.

فیضی‌زاده و سلمانی (1395) با به‌کارگیری الگوریتم‌های شی‌‌گرا و تکنیک‌های پردازش تصویر برای مدل‌سازی اراضی تخریبی حاصل از رشد شهری در ارومیه اقدام کرده‌اند. این پژوهشگران با بهره‌مندی از شاخص‌های بافت و الگوهای طیفی، انواع کاربری‌های اراضی محدودة شهر ارومیه را مدل‌سازی و تغییرات حاصل از گسترش اراضی شهری و آثار آن را بر تحولات کاربری اراضی بررسی کردند.

اصغری سراسکانرود و همکاران (1398) در پژوهشی نقشة کاربری اراضی شهر زنجان را با استفاده از تصاویر ماهواره‌ای سنتینل-2 استخراج و الگوریتم‌های طبقه‌بندی پیکسل پایه و شی‌گرا را مقایسه کردند. نتایج حاصل از طبقه‌بندی پیکسل پایه و شی‌گرا نشان داد روش شی‌گرا با اعمال پارامترهای مؤثر بر طبقه‌بندی و توسعة قوانین برای اصلاح طبقه‌بندی اولیة شی‌گرا با ضریب کاپای 95/0 درصد ازنظر دقت در استخراج نقشة کاربری اراضی نسبت به روش پیکسل پایه از اولویت برخوردار است.

در این پژوهش از قابلیت‌های سامانة گوگل‌ارث انجین برای اخذ و طبقه‌بندی تصاویر ماهواره‌ای در محدوده و حریم شهر زنجان استفاده شده است؛ همچنین نتایج طبقه‌بندی شی‌گرا و طبقه‌بندی پیکسل پایه در بستر GEE[6] مقایسه می‌شود تا از بین روش‌ها، روشی بهینه به‌منظور تهیة نقشة کاربری اراضی و ارزیابی تغییرات انتخاب شود. نتایج این پژوهش برای برنامه‌ریزان شهری، محیطی و منطقه‌ای از یک سو و ارزیابی تغییرات به‌منزلة مؤلفه‌ای مهم در مدیریت شهری و تغییرات محیط‌های شهری از سوی دیگر کاربردی است.

روش‌‌شناسی پژوهش

محدودة پژوهش

شهر زنجان به‌مثابة نخستین و بزرگ‌ترین نقطة شهری استان زنجان، یکی از شهرهای میانه‌اندام بزرگ کشور در ردة جمعیتی 250- 500 هزار نفری و مرکز سیاسی‌اداری استان است (پورمحمدی و همکاران، 1387: 33). در این پژوهش، محدوده و حریم شهر زنجان با مساحت 24273 هکتار به‌مثابة منطقة پژوهش در نظر گرفته شده است (شکل 1). موقعیت جغرافیایی منطقه 48 درجه و 21 دقیقه تا 48 درجه و 43 دقیقه طول شرقی و 36 درجه و 33 دقیقه تا 36 درجه و 44 دقیقه عرض شمالی است. برمبنای تقسیم‌بندی صورت‌گرفته، شهر زنجان به سه منطقة شهری و 25 ناحیه تقسیم‌بندی شده است. براساس آخرین سرشماری عمومی نفوس و مسکن در سال 1395، جمعیت شهر به 430871 نفر رسیده و نسبت جمعیت شهر به جمعیت استان 74/40 درصد بوده است (مرکز آمار ایران، 1395).

شکل 1. موقعیت منطقة پژوهش (منبع: نویسندگان، 1399)

روش پژوهش

در این مقاله به‌منظور دستیابی به تغییرات کمی و کیفی رخ‌داده در منطقه، از نقشه‌های کاربری براساس داده‌های رقومی ماهواره‌ای سری لندست 5 و 8 سنجنده‌های TM و OLI/TIRS ارائه‌شده در GEE استفاده شده است که به پیش‌پردازش‌ها و تصحیحات اولیه (هندسی، رادیومتریکی و...) نیازی ندارند و به‌صورت آماده برای پردازش عرضه شدند. پردازش داده‌ها در سیستم‌های معمولی بسیار زمان‌بر است؛ بنابراین با استفاده از پلتفرم محاسبات ابری GEE، تصویر پردازش شده است. GEE کل بایگانی لندست را به همراه تعداد زیادی از مجموعه‌داده‌های شفاف از ناسا، آژانس فضایی اروپا (ESA) و سایر تصاویر موجود در اختیار قرار داده است. فراخوانی انواع تصاویر لندست (1 تا 8) با هر نوع سطح پردازشی در GEE امکان‌پذیر است.

در این پژوهش، از تصاویر تصحیح اتمسفری‌شدة سطح Surface Reflectance Tier1 استفاده شده است (earthengine.google.com). با استفاده از کدهای نسبتاً سادة JavaScript، تصاویر سال‌های 1999، 2009 و 2019 به‌صورت تصحیح‌شده تجزیه و تحلیل و برای مرحلة پردازش آماده شد (Gorelick et al.‚ 2017: 18). گفتنی است فاصلة زمانی بین تصاویر 10 سال است و از تصاویر فصل تابستان (تیرماه) به دلیل نبود پوشش ابر استفاده شده است. درنهایت براساس قوانین تعریف‌شده، تصاویر سال‌های مدنظر با قدرت تفکیک مکانی 30 متر دریافت شد. مشخصات کامل تصاویر استفاده‌شده در تهیة نقشه‌های کاربری اراضی در جدول 1 آمده است. ازجمله دلایل استفاده از باندهای حرارتی تصاویر، وجود تفاوت دمایی مناطق انسان‌ساخت (شهر) با مناطق طبیعی و درنتیجه نقش مؤثر آن در تفکیک و طبقه‌بندی کلاس‌های کاربری اراضی است. فلوچارت مراحل پژوهش در شکل 2 نشان داده شده است.

جدول 1. مشخصات تصاویر استفاده‌شده در تهیة نقشه‌های کاربری اراضی در سال‌های مختلف (منبع: نویسندگان، 1399)

شکل 2. مراحل پژوهش (منبع: نویسندگان، 1399)

طبقه‌بندی شی‌گرای تصاویر

لازمة اجرای این پژوهش، در اختیار داشتن نقشة کاربری اراضی صحیح در مقاطع زمانی مختلف است. به این ترتیب از دو تکنیک طبقه‌بندی شی‌گرا و پیکسل پایة تصاویر ماهواره‌ای استفاده شده است. برای اجرای تحلیل و طبقه‌بندی شی‌گرا، نخست تصاویر با استفاده از الگوریتم چندمقیاسه در نرم‌افزار تخصصی eCognition سگمنت‌بندی شد. پارامترهای تأثیرگذار در این الگوریتم عبارت‌اند از: تعیین مقیاس مناسب که به‌طور غیرمستقیم از اندازة اجسام تأثیر می‌پذیرد، ضریب رنگ یا شکل که به یکنواختی رنگ و شکل اجسام بستگی دارد و هرچه مقدار بیشتری برای آن انتخاب شود، دامنة آن بزرگ‌تر و اجسام بیشتری انتخاب می‌شود و ضریب فشردگی یا نرمی که متناسب با بافت و ویژگی‌های هندسی عوارض زمینی تعیین شد. تعیین پارامترهای سگمنت‌بندی با سعی و خطا و بررسی بصری نتیجة سگمنت‌بندی به دست آمد (Yan et al.‚ 2006: 4039; Im et al., 2008: 399; Dingle Robertson and King‚ 2011: 1505 ). در این پژوهش به‌منظور سگمنت‌بندی از اطلاعات مربوط به ویژگی‌های هندسی کلاس‌های کاربری اراضی (شامل شکل، اندازه و بافت) استفاده شد. با تجزیه و تحلیل نتایج سگمنت‌بندی تصاویر با پارامتر مقیاس متفاوت، درنهایت مقادیر بهینة مقیاس، ضریب شکل و فشردگی برای تصاویر استفاده‌شده به دست آمد (جدول 2).

جدول 2. مقادیر بهینة پارامترهای سگمنت‌بندی تصاویر استفاده‌شده (منبع: نویسندگان، 1399)

با انتخاب کلاس‌های کاربری اراضی، نمونه‌های تعلیمی برای تصاویر چندزمانة 1999، 2009 و 2019 تهیه شد. در روش شی‌گرا، نواحی تعلیمی به‌صورت اشیاء تصویری هستند. این روش در مقایسه با روش‌های پیکسل پایه به نمونه‌های تعلیمی کمتری نیاز دارد. یک شیء نمونه معمولاً پیکسل‌های نمونة زیاد و تغییرات آنها را دربرمی‌گیرد. میزان صحت طبقه‌بندی به‌طور مستقیم به دقیق انتخاب‌شدن نمونه‌ها بستگی دارد (پاشازاده، 1388: 84).

در پردازش شی‌گرا، انتخاب ویژگی‌ها (پارامترها)، گامی مهم در فرایند طبقه‌بندی محسوب می‌شود؛ زیرا عملکرد طبقه‌بندی را بهبود می‌بخشد و پیچیدگی محاسبات را با حذف اطلاعات اضافی کاهش می‌دهد (Ma et al., 2017: 277). در این پژوهش به‌منظور طبقه‌بندی تصاویر براساس روش شی‌گرا از الگوریتم نزدیک‌ترین همسایه استفاده شد. در این فرایند به‌منظور کاهش اختلاط کلاس‌ها و افزایش صحت طبقه‌بندی از پارامترهای تأثیرگذار نظیر شاخص طیفی توسعة شهری NDBI، میانگین و انحراف معیار هریک از باندها، مساحت، نسبت طول به عرض، فشردگی، درجة روشنایی، شاخص حداکثر اختلاف از میانگین و شاخص پوشش گیاهی NDVI برای هریک از کلاس‌های یادشده استفاده شد (فیضی‌زاده و هلالی، 1389: 78؛ فیضی‌زاده و همکاران، 1394: 112). درنهایت نقشه‌های موضوعی کاربری اراضی با ابزار طبقه‌بندی[7] در نرم‌افزار eCognition تهیه شد. در ادامه نحوة محاسبة بعضی شاخص‌ها و ویژگی‌ها شرح داده شده است.

شاخص طیفی توسعة شهری [8]NDBI2

این شاخص مناطقی از شهر را بارزتر می‌کند که بازتاب زیاد در محدودة مادون قرمز طول موج کوتاه (SWIR) در مقایسه با محدودة مادون قرمز نزدیک (NIR) دارند. شاخص NDBI در اصل با باندهای 4 و 5 سنجندة TM توسعه داده شده بود؛ با وجود این، این شاخص برای سنجنده‌های چندطیفی برخوردار از یک باند SWIR در محدودة طول موج 55/1 تا 75/1 میکرومتر و یک باند NIR در محدودة طول موج 76/0 تا 90/0 میکرومتر نیز کاربردی است (رابطة 1)؛ (Zha et al.‚ 2003: 589).

درجة روشنایی (Brightness)

درجة روشنایی از عواملی است که در طبقه‌بندی مناطق و کاربری‌ها به کار گرفته می‌شود. مناطق شهری نسبت به مناطق کشاورزی و دیگر کاربری‌ها درجة روشنایی متفاوتی دارند. در رابطة 2، B مقدار میانگین درجة روشنایی از یک شی،  مجموع همة میانگین‌های روشنایی در باندهای مرئی و  تعداد باندهاست.

حداکثر اختلاف (MaxDiff)

برای محاسبة این شاخص، رابطة 3 به کار گرفته می‌شود. در این رابطه، مقادیر مینیمم و ماکزیمم به ترتیب میانگین کمترین و بیشترین اشیاست.

طبقه‌بندی پیکسل پایة تصاویر

در این پژوهش، از طبقه‌بندی پیکسل پایه در بستر GEE استفاده شده است که مجموعه‌ای مدرن از الگوریتم‌های طبقه‌بندی را شامل می‌شود و قابلیت پایش و تهیة نقشة کاربری را دارد (Shelestov et al.‚ 2017: 17)؛ به بیان دیگر، امکان طبقه‌بندی به روش‌های مختلف ازجمله الگوریتم‌های ماشین بردار پشتیبان[9]، جنگل تصادفی[10]، حداقل فاصله از میانگین[11] و... در بستر GEE وجود دارد. این قابلیت مهم در سرعت پردازش و طبقه‌بندی تصاویر به نحو مؤثری عمل می‌کند؛ به‌طوری که با فراخوانی تصاویر تصحیح‌شدة سال‌های 1999، 2009 و 2019 و برداشت نمونه‌های تعلیمی، طبقه‌بندی تصاویر با الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی و حداقل فاصله از میانگین انجام شد. طبقه‌بندی جنگل تصادفی، یک طبقه‌بندی‌کنندة نسبتاً سریع و غیرخطی برای داده‌های دارای نویز قوی است (Rodriguez-Galiano et al.‚ 2012: 94). ماشین بردار پشتیبان، الگوریتمی است که نوع خاصی از مدل‌های خطی دارای حداکثر حاشیة ابر صفحه را می‌یابد. حداکثرکردن حاشیة ابر صفحه به حداکثرشدن تفکیک بین طبقات منجر می‌شود. به نزدیک‌ترین نقاط آموزشی به حداکثر حاشیة ابر صفحه، بردارهای پشتیبان گفته می‌شود. از این بردارها (نقاط) فقط برای مشخص‌کردن مرز بین طبقات استفاده می‌شود (Shin et al.‚ 2005: 128).

الگوریتم طبقه‌بندی حداقل فاصله از میانگین، روشی است که در آن در گام نخست مقادیر میانگین طیفی در هر باند و برای هر کلاس تعیین می‌شود. پس از مشخص‌شدن پیکسلی که میانگین ارزش طیفی نمونه‌های انتخابی هر طبقه را به خود اختصاص داده است، فاصلة هر پیکسل طبقه‌بندی‌نشده با پیکسل‌های میانگین مقایسه می‌شود و سپس پیکسل مدنظر به کلاسی اختصاص می‌یابد که کمترین فاصله را با میانگین دارد (علوی‌پناه، 1392: 309). به‌منظور طبقه‌بندی نظارت‌شده، مناطقی به‌مثابة نمونه‌های تعلیمی برای هر کلاس به‌صورت تصادفی مشخص شد. با برداشت نمونه‌های تعلیمی در مرحلة قبل، طبقه‌بندی تصاویر با الگوریتم‌های یادشده انجام شد. تعداد نمونه‌های تعلیمی سال‌های بررسی‌شده برای هریک از کلاس‌های کاربری اراضی و پراکنش فضایی نمونه‌ها (برای نمونه سال 2019) در جدول 3 و شکل 3 نشان داده شده است. فقهیچ طبقه‌بندی‌ای تا زمان ارزیابی صحت آن تکمیل نیست؛ بنابراین برای اطمینان از صحت طبقه‌بندی، صحت طبقه‌بندی ارزیابی می‌شود. صحت طبقه‌بندی نشان‌دهندة سطح اعتماد به نقشة استخراج‌شده است و در نقشه‌های کاربری اراضی به‌دست‌آمده از تصاویر سنجش از دور، باید دست‌کم 85 درصد باشد (Lillesand et al.‚ 2015: 4). به‌منظور ارزیابی صحت نقشه‌های کاربری اراضی از داده‌های برداشت میدانی با استفاده از GPS برای تصویر سال 2019 و برای سال‌های 2009 و 1999 از تصاویر گوگل‌ارث استفاده شد. با اعمال نمونه‌های کنترل زمینی که به‌صورت تصادفی برداشت شد، ماتریس خطا و آماره‌های ضریب کاپا و صحت کلی هریک از نقشه‌های کاربری اراضی چندزمانه به دست آمد. تعداد نمونه‌های کنترلی سال‌های مختلف در جدول 4 آورده شده است. در ادامه، با انجام تصحیحاتی روی نقشه‌های کاربری، نقشه‌های نهایی کاربری اراضی استخراج شد. پس از تهیة نقشه‌های کاربری چندزمانه و اعتبارسنجی الگوریتم‌های طبقه‌بندی استفاده‌شده، تغییرات کاربری اراضی در بازة زمانی 1999 تا 2019 در سطح منطقه ارزیابی شد.

جدول 3. تعداد نمونه‌های تعلیمی تصاویر سال‌های بررسی‌شده (منبع: نویسندگان، 1399)

جدول 4. تعداد نمونه‌های کنترلی اعتبارسنجی تصاویر طبقه‌بندی‌شدة سال‌های بررسی‌شده (منبع: نویسندگان، 1399)

شکل 3. تعداد و پراکنش فضایینمونه‌های تعلیمی برای هریک از کلاس‌های سال 2019(منبع: نویسندگان،1399)

یافته‌های پژوهش

طبقه‌بندی و ارزیابی صحت

در این پژوهش با توجه به قدرت تفکیک مکانی تصاویر (30 متر)، شرایط منطقة مدنظر و بازدید میدانی تصاویر در پنج کلاس اراضی ساخته‌شده (شامل شهر زنجان، روستاهای حومة شهر، شهرک‌های صنعتی)، راههای ارتباطی (شامل راههای اصلی و فرعی)، زراعت آبی و فضای سبز شهری، زراعت دیمی و مراتع در محدوده و حریم شهر زنجان طبقه‌بندی شد. با مقایسة الگوریتم‌های طبقه‌بندی پیکسل پایه در بستر سامانة GEE، مشخص می‌شود الگوریتم طبقه‌بندی ماشین بردار پشتیبان قابلیت مطلوب و بهتری در جداسازی کاربری اراضی منطقه در سال‌های 1999 و 2009 نسبت به روش‌های حداقل فاصله از میانگین، جنگل تصادفی و حتی روش طبقه‌بندی شی‌‌گرا دارد. نتایج نشان می‌دهد این سامانه با فراهم‌سازی محیطی مناسب و به‌صرفه ازلحاظ سرعت، زمان، هزینه و... در پردازش تصاویر ماهواره‌ای، نتایج مناسبی در بعضی الگوریتم‌های طبقه‌بندی استفاده‌شده دارد. الگوریتم طبقه‌بندی حداقل فاصله از میانگین، نتایج ضعیف‌تری را در تفکیک تمامی کاربری‌های اراضی منطقه نسبت به سایر روش‌های طبقه‌بندی استفاده‌شده نشان داد؛ اما الگوریتم طبقه‌بندی جنگل تصادفی نسبت به روش حداقل فاصله تا میانگین، عملکرد نسبتاً بهتری در جداسازی کلاس‌های کاربری اراضی منطقه دارد (جدول 5).

در این پژوهش از پارامترها و ویژگی‌های مختلفی ازجمله میانگین و انحراف معیار باندها، شاخص‌هایNDBI ، شاخص NDVI  و... به‌منظور ارتقای نتایج الگوریتم نزدیک‌ترین همسایة روش شی‌گرا استفاده شده است؛ ولی نتایج ارزیابی صحت طبقه‌بندی تصاویر نشان می‌دهد روش شی‌گرا نتایج ضعیف‌تری در جداسازی کاربری‌های مرتع و اراضی ساخته‌شده در سال‌های 1999 و 2009 نسبت به روش طبقه‌بندی ماشین بردار پشتیبان داشته است؛ با وجود این نتایج طبقه‌بندی شی‌گرا برای سال 2019 نسبت به تمامی الگوریتم‌های طبقه‌بندی استفاده‌شده، بهترین عملکرد را نشان داد (جدول 5). پس از طبقه‌بندی تصاویر ماهواره‌ای استفاده‌شده، نقشه‌های کاربری اراضی سال‌های 1999، 2009 و 2019 به روش‌های شی‌‌گرا و پیکسل پایه تهیه شد (شکل 4، 5، 6 و 7). با توجه به نتایج بهتر الگوریتم طبقه‌بندی ماشین بردار پشتیبان برای سال‌های 1999 و 2009 و الگوریتم شی‌گرا برای سال 2019، از نتایج این روش‌ها برای آشکارسازی تغییرات کاربری اراضی منطقه استفاده شد.

جدول 5. نتایجآماریارزیابیصحتطبقه‌بندی‌کننده‌هادرسال‌های بررسی‌شده (منبع: نویسندگان، 1399)

شکل 4. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم حداقل فاصله از میانگین (منبع: نویسندگان، 1399)

شکل 5. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم جنگل تصادفی (منبع: نویسندگان، 1399)

شکل 6. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم ماشین بردار پشتیبان (منبع: نویسندگان، 1399)

شکل 7. طبقه‌بندی سال‌های 1999، 2009 و 2019 با الگوریتم شی‌گرا (منبع: نویسندگان، 1399)

ارزیابی تغییرات کاربری اراضی شهر زنجان (1999- 2019)

با توجه به نقشه‌های به‌دست‌آمده و محاسبات آماری سال‌های 1999، 2009 و 2019، بیشترین درصد اراضی منطقه، اراضی دیمی است. طی دو دهة گذشته درصد زیادی از اراضی مرتعی به اراضی کشاورزی دیمی تبدیل شده است. با بررسی توزیع فضایی اراضی ساخته‌شده (عمدتاً شهر زنجان) طی دورة مطالعاتی، مشاهده می‌شود پراکنش فضایی شهر به سمت اراضی دیمی، مراتع و زراعت آبی پیرامون شهر زنجان بوده است. یکی از بحران‌های اصلی درزمینة تغییرات کاربری اراضی، تبدیل زمین‌های کشاورزی و باغ‌ها به مناطق شهری است که لزوم توجه به این زمینه بیش از پیش در پژوهش‌های شهری احساس می‌شود.

نتایج به‌دست‌آمده از آشکارسازی و پایش تغییرات کاربری اراضی طی سال‌های 1999 تا 2019، مقدار تغییر خالص هریک از کاربری‌ها را نشان می‌دهد؛ به‌طوری که طی این بازة زمانی، کاربری اراضی ساخته‌شده 1984 هکتار، زراعت دیمی 2744 هکتار و راههای دسترسی 1206 هکتار افزایش سطح داشته است؛ درمقابل زراعت آبی و پوشش‌های فضای سبز منطقه حدود 1517 هکتار و اراضی مرتعی 4417 هکتار روند کاهش سطح را تجربه کرده‌اند. بررسی روند تغییرات اثبات‌کنندة این مدعاست که اراضی ساخته‌شده (شهر)، بیشترین تغییر و تبدیل را به ترتیب از اراضی دیمی 1264 هکتار، مراتع 648 هکتار، زراعت آبی و فضای سبز 142 هکتار و شبکة دسترسی راهها 122 هکتار داشته است. جزئیات تغییرات در شکل‌های 8 و 9 و جدول 6 آورده شده است. در طول 20 سال بررسی‌شده، از درصد زمین‌های کشاورزی دیمی، آبی و مرتعی به نفع اراضی ساخته‌شده و راهها کاسته شده است و مناطق حومة جدید مانند شهرک الهیه، گلشهر، کاظمیه، کارمندان، کوی سایان، کوی فاطمیه، شهر آرا و... در بازة زمانی 1999- 2019 توسعه یافته‌اند؛ همچنین یافته‌های پژوهش نشان می‌دهد بیشترین سهم تغییرات در سال‌های بین 1999 تا 2019 به کاهش اراضی مرتعی به نفع اراضی دیمی و شهری مربوط است؛ با وجود این از اراضی دیمی و آبی حومة شهر زنجان طی بازة زمانی بررسی‌شده، مساحت زیادی به اراضی ساخته‌شده و راهها تبدیل شده است.

جدول 6. خلاصه‌ای از تغییرات کاربری اراضی منطقه (هکتار) در بازة زمانی 1999 تا 2019 (منبع: نویسندگان، 1399)

شکل 8. نمودار درصد تغییرات کاربری اراضی در بازة زمانی 1999- 2019 (منبع: نویسندگان، 1399)

شکل 9. نقشة تغییرات کاربری اراضی به اراضی ساخته‌شدة محدوده و حریم شهر زنجان در بازه‌های زمانی 1999- 2019 (منبع: نویسندگان، 1399)

نتیجه‌گیری

در این پژوهش با مقایسة الگوریتم‌های شی‌گرا و پیکسل پایه با هدف انتخاب الگوریتم بهینة طبقه‌بندی، روند تغییرات کاربری اراضی محدوده و حریم شهر زنجان در بازة زمانی 1999 تا 2019 ارزیابی شد. با مقایسة نتایج ارزیابی صحت طبقه‌بندی‌کننده‌ها، روش نزدیک‌ترین همسایة الگوریتم طبقه‌بندی شی‌گرا برای سال 2019 با ضریب کاپا و صحت کلی به ترتیب 94/0 درصد و 86/95 درصد نسبت به سایر الگوریتم‌ها، عملکرد مناسبی را نشان داد. ازجمله دلایل صحت زیاد طبقه‌بندی شی‌گرا در این پژوهش، استفاده از پارامترها و شاخص‌هایی نظیر شاخص طیفی توسعة شهری NDBI، میانگین حداکثر اختلاف باندها، درجة روشنایی و... است. با مقایسة نتایج ارزیابی صحت نقشه‌های طبقه‌بندی سال‌های 1999 و 2009، الگوریتم ماشین بردار پشتیبان بهترین عملکرد را ازلحاظ ضرایب کاپا و صحت کلی نسبت به سایر روش‌ها در منطقه نشان داد. در این پژوهش از قابلیت‌های سامانة گوگل‌ارث انجین درزمینة تهیة تصاویر تصحیح‌شده و همچنین طبقه‌بندی تصاویر با الگوریتم‌های مختلف به نحو مؤثری استفاده شده است. این سامانه با فراهم‌سازی بستری مناسب به‌منظور پردازش‌های سریع در پروژه‌های سنجش از دور و GIS نقش مؤثری را ایفا می‌کند و نتایج گویای آن است که طبقه‌بندی پیکسل پایة الگوریتم ماشین بردار پشتیبان در بستر این سامانه با سرعت و دقت زیاد انجام شده است.

نتایج نشان می‌دهد الگوریتم‌های طبقه‌بندی شی‌گرا در محیط نرم‌افزار تخصصی eCognition و ماشین بردار پشتیبان در بستر گوگل‌ارث انجین برای تهیة نقشه‌های کاربری اراضی با استفاده از داده‌های ماهواره‌ای سری لندست بسیار کارا و مفید است. پژوهشگران دیگر نیز قابلیت این الگوریتم‌ها را در مناطق مختلف جهان به اثبات رسانده‌اند (اصغری سراسکانرود و همکاران، 1398؛ et al., 2015 Mahmoudi؛De Oliveira Silveira et al., 2017 ؛et al., 2017  Huang؛ Liu et al., 2018؛ Huo et al., 2019) که نتایج پژوهش آنها با نتایج این پژوهش مطابقت دارد.

بررسی مراحل رشد و توسعة فیزیکی شهر زنجان در دوره‌های مختلف زمانی نشان می‌دهد این شهر رشد و توسعة جمعیتی و فیزیکی چشمگیری را تجربه کرده است. از سال 1999 تا 2019 گسترش فیزیکی شهر جالب توجه بوده و مساحت شهر حدود دو برابر در طول 20 سال رشد داشته است؛ توسعة فیزیکی شهر در راستای افزایش جمعیت در طول این دوره بوده و جمعیت شهر نیز در سال 1375 از 288706 نفر به 430871 نفر در سال 1395 رسیده است (مرکز آمار ایران، 1395). افزایش جمعیت به‌صورت مستقیم آثار منفی بر منابع زمین دارد و موجب انتقال کاربری‌های طبیعی زمین به کاربری‌های دیگر ازجمله کاربری مسکونی و توسعة سکونتگاهها و سایر انواع توسعة انسان‌ساخت می‌شود. بر این اساس انجام پروژه‌های ارزیابی تغییرات پوشش و کاربری زمین به‌منظور پایش و مدیریت منابع طبیعی و زیست‌محیطی این مناطق ضروری است.

تغییرات نشان می‌دهد بیشترین توسعة اراضی طی دو دهة گذشته در قسمت‌های شرقی و غربی شهر بوده است. داشتن اراضی برای توسعة آتی شهری، یک فرصت برای هر شهر محسوب می‌شود، ولی تغییرات گسترده و بدون برنامه که همان مفهوم رشد پراکنده را در شهر زنجان گوشزد می‌کند، ممکن است به‌لحاظ مدیریت و برنامه‌ریزی توسعة شهری، شهر را در داشتن امکانات و زیرساخت‌ها و خدمات مربوط به توسعة شهری برای شهروندان مشکل‌آفرین کند.

لازم است به‌منظور کاهش پراکنش افقی این شهر و درنتیجه کاهش مشکلات ناشی از آن، نظارت بیشتر بر محدوده‌ها و حریم شهرها، استفاده از شیوه‌های انبوه‌سازی و بلندمرتبه‌سازی (شهر فشرده)، استفاده از زمین‌های بایر و خالی موجود در داخل شهر (توسعة میان‌افزا) و هدایت سمت توسعة شهر در جهاتی جز زمین‌های کشاورزی در اولویت باشد تا شاهد آثار زیست‌محیطی ازجمله تبدیل و تخریب زمین‌های کشاورزی به اراضی شهری، آلودگی آب و خاک، فرسایش خاک و... در سطح منطقه نباشیم.

به‌طور کلی استفاده از GEE، قابلیت پردازش و طبقه‌بندی تصاویر ماهواره‌ای را دارد و رویکردی جالب توجه و کارآمد برای تهیة نقشة کاربری اراضی و نظارت بر گسترش فیزیکی شهرها به‌ویژه شهر زنجان است.