آشکارسازی تغییرات کاربری/ پوشش اراضی با استفاده از طبقه‌بندی شئ‌گرای تصاویر ماهواره‌ای (مطالعه موردی: حوزه آبریز قره‌سو، استان اردبیل)

دقت نقشه تغییرات کاربری به‌دست‌آمده از داده‌های سنجش‌ازدور به‌دقت نقشه های طبقه‌بندی کاربری اراضی در زمان‌های مورد مطالعه بستگی دارد. در این مطالعه از تصاویر سنجنده‌های tm و oli در سال‌های 1368 و  1397 و روش طبقه‌بندی شئ‌گرا برای بررسی روند تغییرات کاربری/ پوشش اراضی با تاکید بر کاربری کشاورزی در حوزه آبریز قره‌سو استفاده شد. پس از پیش‌پردازش‌های لازم، پردازش شئ‌گرا با اعمال فرایند سگمنت‌سازی چند تفکیک آغاز گردید. جهت دستیابی به‌دقت بیش‌تر طبقه‌بندی کاربری اراضی علاوه بر باندهای طیفی از سایر اطلاعات نظیر شاخص نرمال شده تفاضل پوشش گیاهی ndvi، میانگین باندها، انحراف معیار باندها و ویژگی‌های هندسی استفاده‌شده است. از بین این اطلاعات غیر طیفی استفاده‌شده، تعداد 15 ویژگی توسط روش بهینه سازی فضای  ویژگی ها fso انتخاب و به‌عنوان اطلاعات جانبی در طبقه‌بندی الگوریتم نزدیک‌ترین همسایگی مورداستفاده قرار گرفتند. ضریب کاپای حاصل از ارزیابی صحت طبقه‌ بندی تصاویر سال‌های 1368 و  1397 به ترتیب 85 و 96 درصد محاسبه شد که نشان‌دهنده قابل‌اعتماد بودن نتایج طبقه‌بندی شئ‌گرا است. در مرحله بعد به کمک نقشه‌های طبقه‌بندی‌شده و روش مقایسه پس از طبقه‌بندی، نقشه تغییرات تهیه گردید. طبق نتایج حاصل از آشکارسازی تغییرات، کاربری کشاورزی طی این بازه زمانی حدود 73849 هکتار افزایش سطح را در برداشته است که علت اصلی آن تخریب مراتع و به زیر کشت بردن این کاربری است.

Change detection of land use /land cover using object oriented classification of satellite images (Case study: Ghare Sou basin, Ardabil province)

The accuracy of land use changes map obtained from remote sensing data depends on the accuracy of each of the land use maps during the time period studied. In this study, TM and OLI images in 1989 and 2018 and an objectoriented classification method were used to investigate the land use/ land cover change trends with an emphasis on agricultural land use in the Ghare Sou basin. After the preprocessing, the objectoriented processing using the multiresolution segmentation method was applied. In addition to the spectral bands, some additional information such as a normalized difference vegetation index (NDVI), band means, the standard deviation of bands and geometry characteristics were used to extract land use in order to obtain more accurate results. Of these nonspectral data used, 15 characteristics were selected by Feature space optimization (FSO) method to be used in the nearest neighborhood algorithm. The kappa coefficient of the land use maps for 1989 and 2018 was 85% and 96%, respectively, indicating the reliability of the objectoriented classification results. In the next step, the map of the changes was produced comparing the classified maps. According to the results of the change detection, the agricultural land use during the studied period has an increase of 73849 hectares, mainly due to the destruction of rangelands and its conversion to the agricultural land.