آشکارسازی و تحلیل منطقه‌ای تغییرات پوشش سبز شهری در مناطق 22گانه شهر تهران

هدف اصلی این پژوهش آشکارسازی تغییرات ده‌ساله پوشش سبز کلان‌شهر تهران از سال 1389 تا 1398 با استفاده از سری زمانی تصاویر ماهواره های لندست 5، 7 و 8 می باشد. آشکارسازی تغییرات در دو مقیاس زمانی سالانه و ده‌ساله انجام و تحلیل نتایج، هم در سطح کلان‌شهر تهران و هم به تفکیک مناطق 22 گانه آن صورت پذیرفت. آشکارسازی تغییرات با رویکرد پس از طبقه بندی انجام شد. نوآوری این تحقیق شامل تلا ش ها برای اخذ بهترین نتیجه در مرحله طبقه‌بندی تصاویر است که در این راستا علاوه‌بر باندهای اپتیکی و حرارتی، از ویژگی های مختلفی شامل شاخص های مختلف گیاهی، آب و مناطق ساخته شده، مولفه های بافت تصویر و مولفه های اصلی استفاده شد. سه روش طبقه‌بندی بیش‌ترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان پیاده سازی شدند. مقایسه نتایج نشان داد که روش ماشین بردار پشتیبان با میانگین دقت کل 91.06 درصد نتایج بهتری داشته است. آشکارسازی تغییرات حاکی از کاهش 10.58 درصدی پوشش سبز در دوره مورد بررسی است. بیش‌ترین کاهش پوشش سبز به میزان 7.46 کیلومترمربع در دوره 91-1390 اتفاق افتاده و بیش‌ترین افزایش در دوره 95-1394 به‌اندازه 7.61 کیلومترمربع بوده است. مناطق یک و 22 به ترتیب با 5.2 و 2.37 کیلومتر مربع بیش‌ترین میزان کاهش و مناطق 2 و 19 نیز به ترتیب با 0.5 و 0.47 کیلومترمربع بیش‌ترین افزایش در پوشش سبز شهری را در بین مناطق داشته‌ اند.

Detection and District Analysis of Urban Green Space Changes in The 22 Districts of Tehran

The main aim of this paper is to detect the ten-year changes in urban green spaces of Tehran metropolis, from 2010 to 2019, using the time series of Landsat 5, 7 and 8 images. The change detection was done in both annual and ten-year scale and the results are analyzed in two spatial scales; city level and municipal district-level. Detection of changes was done by a post-classification approach. The innovation of the study is efforts to reach the best results in the image classification step, for which in addition to optical and thermal bands’ various features including some vegetation indices, water and built-up index, image texture components, and principal components were also used. Three classification methods including maximum likelihood, artificial neural network and support vector machine were implemented. The results indicated that the support vector machine has had the best result with 91.06% mean overall accuracy. The change detection showed a 10.58% decrease in the Tehran green spaces in the period under review. The greatest decrease, about 7.46 Km2, occurred in the period 1390-91 and the largest increase was 7.61 Km2 in the period 1394-95. Among the 22 municipal districts, regions 1 and 22 with 5.2 and 2.37 Km2, respectively, have had the highest decrease in urban green space, and regions 2 and 19 with 0.5 and 0.47 Km2, respectively, have had the highest increase.