ارزیابی کارایی استفاده از تغییرات خرد اقلیم در تفکیک پوشش اراضی در مقایسه ‏با برخی از روش‌های طبقه‌بندی نظارت‌شده در ‏محیط‌های شهری خشک

تفکیک بین اراضی بایر و ساخت و ساز شده از یکی از مهم ترین مسائل در تهیه نقشه کاربری اراضی/ پوشش اراضی در اقلیم های خشک و نیمه خشک است. در این راستا پژوهشگران بسیاری سعی در افزایش دقت طبقه بندی از طریق به کارگیری روش های مختلف داشته اند که دنبال کردن برخی از روش ها پیچیده و زمانبر است. از این رو مقاله حاضر با هدف به کارگیری تغییرات خرد اقلیم از طریق اجرای الگوریتم پهنه بندی محلی اقلیم ( lcz ) در شناسایی کاربری اراضی با تاکید بر تفکیک مناطق ساخت و ساز شده در یکی از شهرهای خشک ایران انجام شد و کارایی روش با بررسی صحت طبقه بندی در مقایسه با روش های مختلف نظارت شده شامل حداکثر احتمال، حداقل فاصله، فیشر، knn، artmapفازی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان مقایسه گردید. منطقه مورد مطالعه شهر زاهدان بوده که دارای رشد مناطق ساخت و ساز شده بسیار چشمگیری در دهه های گذشته است. به این منظور از چهار دوره از تصاویر ماهواره لندست هشت سال 2020 استفاده شد. نمونه های تعلیمی از گوگل ارث استخراج شد و صحت سنجی نتایج طبقه بندی ها به کمک 218 نقطه تصادفی انجام شد. نتایج صحت سنجی نشان داد که استفاده از الگوریتم lcz با صحت کلی و ضریب کاپای 96.33 درصد و 0.95 بالاترین و پس از آن روش های ماشین بردار پشتیبان و فیشر با صحت کلی 87.61 و 83.03 و ضریب کاپای 0.82 و 0.75 قرار دارند. از این رو برای مطالعات کاربری اراضی/پوشش اراضی روش lcz که خرد اقلیم های محلی را در نظر می گیرد، پیشنهاد می شود.

efficiency assessment of micro-climate change in land cover distinguishing ‎compared to some ‎supervised classification techniques for an arid urban ‎environment

the distinction between barren and build-up areas is one of the most important issues in land use/land cover mapping lrm;in arid and semi-arid climates. in this regard, many researchers have tried to increase the accuracy of classification lrm;using different methods that, some of which are complex and time-consuming. therefore, the present study conducted lrm;aimed to apply micro-climate change through the implementation of local climate zoning (lcz) algorithm in land lrm;use identification with emphasis on the separation of build-up areas in one of the arid cities of iran, and the efficiency lrm;of the method by investigation the classification accuracy was compared with various supervised methods including lrm;maximum likelihood, minimum distance, fisher, knn, fuzzy, artificial neural network and support vector machine. lrm;the study area is zahedan city, which has a very significant growth of build-up areas in recent decades. for this lrm;purpose, four periods of landsat satellite images year 2020 were used. training samples were extracted from google lrm;earth and the validation of the classification results was performed using 218 random points. the accuracy results lrm;showed that the use of lcz algorithm with overall accuracy and kappa coefficient of 96.33% and 0.95, respectively is lrm;the highest and then the support vector machine and fisher methods with overall accuracy of 86.61 and 83.03 and lrm;kappa coefficient of 0.82 and 0.75, respectively. therefore, for land use / land cover studies, the lcz method that lrm;considers the micro-climate, is proposed.