دوره 10، شماره 4 - ( 10-1402 )
جلد 10 شماره 4 صفحات 18-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
yari A, feyzolahpour M, kanani N. Analyzing the trend of deforestation using Support Vector Machine (SVM) and Maximum Likelihood Classification (MLC) models and its effect on land surface temperature (LST) and spectral indices (study area: Talesh forest area). Journal of Spatial Analysis Environmental Hazards 2023; 10 (4) :1-18
URL: http://jsaeh.khu.ac.ir/article-1-3397-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3397-fa.html
یاری حصار ارسطو، فیض اله پور مهدی، کنعانی ندا. تحلیل روند جنگل زدایی با استفاده از مدل های ماشین بردار پشتیبانی (SVM) و طبقه بندی بیشترین شباهت (MLC) و تاثیر آن بر دمای سطح زمین(LST) و شاخص های طیفی (منطقه مورد مطالعه: محدوده جنگلی تالش). تحلیل فضایی مخاطرات محیطی. 1402; 10 (4) :1-18
1- دانشگاه محقق اردبیلی ، arastoo.yari@gmail.com
2- دانشگاه زنجان
3- دانشگاه محقق اردبیلی
2- دانشگاه زنجان
3- دانشگاه محقق اردبیلی
چکیده: (2144 مشاهده)
دمای سطح زمین اطلاعات مهمی را در زمینه نقش کاربری اراضی و پوشش زمین بر روی فرایندهای بیلان انرژی ارائه میدهد. بنابراین هدف این تحقیق، ارزیابی الگوهای LST در اثر تغییرات رخ داده در کاربری اراضی (LULC) می باشد.منطقه مورد مطالعه با وسعتی معادل 6/300 کیلومتر مربع در منطقه تالش واقع شده است. به این منظور تصاویر لندست در فصول خشک و مرطوب از سال 1365 تا 1401 دانلود گردید. چهار طبقه کاربری با طبقه بندی بیشترین شباهت(MLC) و ماشین بردار پشتیبانی(SVM) در بازه های زمانی 36 ساله شناسایی شد. مقادیر ضریب کاپا برای مدل SVM معادل 7802/0 بوده و برای مدل MLC معادل 5328/0 بوده است. شاخص های طیفی NDVI، NDSI و NDWI برای پوشش گیاهی، خاک بایر و آب محاسبه شده و در سالهای فوق با LST تطبیق داده شدند. تغییرات کاربری زمین طی سال های 1365 تا 1401 عامل مهمی در تغییرات دمای سطح زمین بوده که به طور متوسط از 7/13 درجه سانتیگراد تا 5/39 درجه سانتیگراد در فصل مرطوب و 37/0- تا 07/41 درجه سانتیگراد در فصل خشک متغیر بوده است. پهنه های آبی و پوشش گیاهی کمترین و خاک بایر بیشترین مقادیر LST را نمایش داده اند. بیشترین همبستگی منفی به میزان 74/0- متعلق به شاخص NDVI در سال 1365 بوده و بیشترین همبستگی مثبت به میزان 79/0 متعلق به شاخص NDSI در سال 1365 می باشد. مساحت پهنه جنگلی کاهش 3/20 درصدی و اراضی کشاورزی افزایش 217 درصدی را در 36 سال نشان می دهند. زمین های بایر بیشتر تغییر را داشته و از 2/68 کیلومتر مربع به 12 کیلومتر مربع کاهش یافتند. به طور کلی LST ، به علت افزایش فعالیت های انسانی از قبیل گسترش زمین های زراعی و جنگل زدایی در دوره مورد مطالعه افزایش یافته است.
فهرست منابع
1. اسلمی، فرنوش؛ اردوان قربانی، بهروز سبحانی و محسن پناهنده.1394. مقایسه روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شی گرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6: 14-1.
2. جهانبخشی، فرشید و محمدرضا اختصاصی.1397. ارزیابی عملکرد سه روش طبقه بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی. نشریه علوم آب و خاک، 22: 247- 235.
3. شنانی، مائده و حیدر زارعی. 1395. مقایسه الگوریتم های طبقه بندی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال در استخراج نقشه کاربری اراضی حوزه آبخیز ابوالعباس. نشریه علوم و مهندسی آبخیزداری، 10: 84- 73.
4. روستایی، شهرام؛ داوود مختاری، خلیل ولیزاده و لیلا خدایی. 1398. مقایسه روش پیکسل پایه(بیشترین شباهت) و شی گرا (ماشین بردار پشتیبان) در طبقه بندی کاربری اراضی (منطقه اهر و ورزقان). پژوهش های ژئومورفولوژی کمی، 8: 129- 118.
5. عبدلی، مهسا و مریم حقیقی. 1399. مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه نقشه کاربری اراضی. پژوهش و فناوری محیط زیست، 5: 60- 47.
6. نجفی، احمد؛ سارا عزیزی و محمد حسین مختاری. 1396. کاربرد ماشین بردار پشتیبان در طبقه بندی کاربری اراضی حوزه چشمه کیله چالکرود. پژوهشنامه مدیریت حوزه آبخیز، 8: 92- 101.
7. Allen, D.E.; B.P, Singh, and R.C, Dalal. 2011. Soil Health indicators under Climate Change: A Review of current Knowledge. In: Singh, B.P. (Ed.), Soil Health and Climate Change. Springer, Heidelberg, 23: 25–35.
8. Berberoglu, S.; F, Evrendilek. C, Ozkan, and C, Donmez. 2007. Modeling Forest productivity using Envisat MERIS data. Sensors, 7: 2115–2127.
9. Bonn, F.J.; and N.T, O’Neill. 1993. Thermal infrared remote sensing of soils: evolution, trends and perspectives. Remote Sens. Rev, 7: 281–302.
10. Chen, X.-L.; H.-M, Zhao. P.-X, Li, and Z.-Y, Yin. 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sens. Environ, 104: 133–146.
11. Cohen, J. 1960. A coefficient of agreement for nominal scales. Educ. Psychol. Meas, 20: 37–46.
12. Dousset, B.; and F, Gourmelon. 2003. Satellitemulti-sensor data analysis of urban surface temperatures and land cover. ISPRS J. Photogrammetry Remote Sens, 58: 43–54.
13. Fall, S.; D, Niyogi. A, Gluhovsky. R.A, Pielke. E, Kalnay, and G, Rochon. 2010. Impacts of land use land cover on temperature trends over the continental United States: assessment using the North American Regional Reanalysis. Int. J. Climatol, 30: 1980–1993.
14. Feizizadeh, B.; T, Blaschke. H, Nazmfar. E, Akbari, and H.R, Kohbanani. 2013.Monitoring land surface temperature relationship to land use/land cover from satellite imagery in Maraqeh County, Iran. J. Environ. Plann. Manage. 56: 1290–1315.
15. Landis, J.R, and G.G, Koch. 1977. The measurement of observer agreement for categorical data. Biometrics 33: 159–174.
16. Laurance, W.F.; J, Sayer, and K.G, Cassman. 2014. Agricultural Expansion and its impacts on tropical nature. Trends Ecol. Evol, 29: 107–116.
17. Li, Z.; B, Tang, and H, Wu. 2013. Satellite- Derived Land Surface Temperature: Current Status and Perspectives. Remote Sens. Environ, 131: 14–37.
18. Mao, D.; Z, Wang. L, Luo, and C, Ren. 2012. Integrating AVHRR and MODIS data to monitor 5 NDVI changes and their relationships with climatic parameters in Northeast China. Int. J. Appl. Earth Observation Geoinformation, 18: 528–536.
19. McFeeters, S.K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens, 17:1425–1432.
20. Mondal, I.; Thakur, S.; Ghosh, P.B.; and De, T.K. 2021. Assessing the Impacts of Global Sea level rise (SLR) on the Mangrove Forests of Indian Sundarbans using Geospatial Technology, Geographic Information Science for Land Resource Management, 11, Wiley, 209–228.
21. Muster, S.; M, Langer. A, Abnizova. K.L, Young, and J, Boike. 2015. Spatio-temporal sensitivity of MODIS land surface temperature anomalies indicates high potential for large-scale land cover change detection in Arctic permafrost landscapes. Remote Sens. Environ, 168:1–12.
22. Pal, S.; and S.k Ziaul. 2017. Detection of land use and land cover change and land surface temperature in English Bazar urban centre. Egypt. J. Remote Sens. Space Sci, 20:125–145.
23. Robbins, G.B.; J.J, Bushell, and K.L, Butler. 1987. Decline in plant and animal production from ageing pastures of green panic (Panicum maximum var. trichoglume). J. Agric. Sci, 108:407–417.
24. Rouse, J.W.; R.H, Haas. J.A, Schell, and D.W, Deering. 1974. Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Sattelite-1 Symposium, Greenbelt: NASA, 351: 309–317.
25. Rogers, A.S, and M.S, Kearney. 2004. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices. Int. J. Remote Sens, 25: 2317–2335.
26. Sayão, V.M.; J.A.M, Demattê. L.G, Bedin. M.R, Nanni, and R, Rizzo. 2018. Satellite land surface temperature and reflectance related with soil attributes. Geoderma, 325: 125–140.
27. Sobrino, J.A, and N, Raissouni. 2000. Toward remote sensingmethods for land cover dynamic monitoring: Application to Morocco. International. Journal. Remote Sensing, 21:353–366.
28. Sun, Q.,Wu, and Z J, Tan. 2012. The relationship between land surface temperature and land use/land cover in Guangzhou, China. Environmental Earth Sciences, 65:1687–1694.
29. Thakur, S.; Mondal, I.; Ghosh, P.B.; Das, P., and De, T.K. 2019. A review of the application of multispectral remote sensing in the study of mangrove ecosystems with special emphasis on image processing techniques, J Spat Info Res, 23: 123-139.
30. Tran, D.X.; F, Pla. P, Latorre-Carmona. S.W, Myint. M, Caetano, and H.V, Kieu. 2017. Characterizing the relationship between land use land cover change and land surface temperature. ISPRS Journal Photogramm. Remote Sens, 124:119–132.
31. USGS. 2016. Landsat5 (L5) data user’s handbook. Document number LSDS: 1574 version Available at https://landsat.usgs.gov/documents/.(Accessed on March 1, 2019).
32. Weng, Q.; D, Lu, and J, Schubring. 2004. Estimation of land surface temperature- vegetation abundance relationship for urban heat island studies. Remote Sensing Environment, 89:467–548.
33. Yuan, X.L.; W, Wang. J, Cui. F, Meng. A, Kurban, and P, Maeyer. 2017. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia. Sci. Rep, 7: 3287-3321.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
