ارزیابی تغییرات کاربری اراضی بر مبنای تلفیق روش یادگیری ماشین و الگوریتم نقشه‌ بردار زاویه طیفی با استفاده از نمونه‌های آموزشی متغیر، مطالعه موردی: حوضه آبریز تالاب انزلی

با توجه به اهمیت تغییرات کاربری اراضی در آمایش سرزمین و حفاظت اکوسیستم‌های حیاتی نظیر تالاب‌ها، هدف از این مطالعه بررسی تغییر کاربری اراضی حوضه آبریز تالاب انزلی مبتنی بر تلفیق الگوریتم نقشه‌بردار زاویه طیفی (sam) و جنگل تصادفی (rf) با به‌کارگیری نمونه‌های آموزشی متغیر در پلتفرم گوگل ارث انجین (gee) است. لذا، از تصاویر سنتینل-2 هارمونایز شده در طی سال‌های 2019-2023 و شش شاخص طیفی به‌منظور افزایش دقت الگوریتم در طبقه‌بندی کاربری اراضی استفاده شد. با جمع‌آوری 500 نقطه زمینی در سال پایه و بر اساس اختلاف زاویه طیفی تصاویر، نمونه‌های آموزشی جدید در سال‌های 2021 و 2023 تولید و نقشه‌های طبقه‌بندی با استفاده از الگوریتم rf ایجاد شدند. نتایج حاکی از بیشترین تغییرات در طی 5 سال در کاربری‌های پهنه آب (کاهشی)، تالاب و انسان‌ساخت (افزایشی) است. نتایج مدل‌سازی نیز بیانگر دقت بالای 87 درصد برای صحت کلی و کاپا در بازه زمانی در نظر گرفته‌شده است. از طرفی کاربری پهنه آب با دقت بالای 90 درصد، بیشترین مقدار را برای شاخص‌های صحت کاربر و تولیدکننده دارد. نتایج اهمیت نسبی نیز بیانگر آن بود که باندهای سبز، آبی، قرمز و شاخص اصلاح‌شده اختلاف آب نرمال بیشترین تاثیر را در تفکیک کاربری‌ها و انتقال نمونه‌های آموزشی داشته‌اند. ازاین‌رو مشخص می‌شود که روش نوین اتخاذشده با توجه به در نظر گرفتن پویایی و خودکارسازی تولید نمونه‌های آموزشی جدید، قابلیت بالایی در تفکیک‌پذیری و بهبود دقت طبقه‌بندی در مناطق تالابی دارد؛ بنابراین این روش برای مطالعات آینده و سایر حوضه‌های تالابی نیز قابل‌اتکا است.

assessment of land use changes based on the integration of machine learning method and spectral angle mapper algorithm using training samples migration: a case study of anzali wetland basin

given the significance of land use changes in spatial planning and the conservation of critical ecosystems such as wetlands, this study aims to analyze land use changes in the anzali wetland basin by integrating the spectral angle mapper (sam) algorithm with the random forest (rf) classifier, utilizing dynamic training samples within the google earth engine (gee). for this purpose, harmonized sentinel-2 imagery from 2019–2023 and six spectral indices were employed to enhance classification accuracy. by collecting 500 ground points in the base year and using spectral angle difference analysis, new training samples were generated for 2021 and 2023, and classification maps were produced using the rf algorithm. the results show that over these five years, the most significant land use changes were a decrease in water bodies and an increase in wetlands and built-up areas. the modeling outcomes demonstrated an overall accuracy and kappa exceeding 87% for the study period. additionally, the water body class exhibited the highest user and producer accuracy, exceeding 90%. the results of the relative importance of bands and indices also highlight their role in enhancing the accuracy of the generated maps. it was found that the green, blue, and red bands, along with the mndwi, had the greatest effect on land use discrimination and the transfer of training samples. based on the research findings, the hybrid method, incorporating dynamic sampling and automated sample generation, can effectively improve the accuracy of land use classification in wetlands. therefore, it is a reliable and applicable method for future studies in other wetland basins.wetlands are among the most significant aquatic bodies that interact with both natural and human ecosystems, providing diverse ecosystem services. over the past century, more than half of the world’s wetlands have disappeared, despite their ecological significance. anzali international wetland, which is listed under the ramsar convention, is one of the wetlands experiencing degradation due to stress factors such as climate change and human activities. these pressures have resulted in a decline in both the quantity and quality of its water body, leading to habitat loss and environmental deterioration. understanding and analyzing land use changes in the watershed draining into the wetland, combined with spatial planning and environmental management, can help to mitigate wetland degradation.thanks to the progress in satellite sensor technology, the assessment of land use changes has become increasingly feasible, offering significant time and cost savings compared to traditional methods. however, selecting an efficient classification method and ensuring its accuracy remain critical challenges. a review of previous studies indicates that although supervised classification techniques generally outperform other methods, no universally optimal approach has yet been identified for accurately classifying land use in wetland watersheds. furthermore, while the google earth engine (gee) cloud platform offers distinct advantages over software like envi, it has been underutilized in wetland studies. additionally, newer integrated approaches, such as combining machine learning algorithms with the spectral angle mapper (sam) method—designed to detect spectral differences between land cover types—have not been specifically applied to monitoring wetland changes.