طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست

بحران کمبود آب موجود در جهان، مدیریت آب در بخش‌های مختلف از جمله حوضه ‌های آبی و کشاورزی را تحت تاثیر قرار داده است. حوضه‌های آبی و زمین ‌های اطراف آن ‌ها درطول سال ‌های اخیر با چالش ‌های جدی از قبیل خشک‌ شدن دریاچه‌ ها و رودها، بیلان منفی آبخوان ‌ها، تغییرات کاربری زمین ‌های اطراف، افزایش سطح زیر کشت اراضی زراعی آبی و باغی و تغییر الگوی کشت از سمت محصولات کم ‌مصرف به محصولاتی با نیاز آبی بالا مواجه شده‌ اند. استفاده از تصاویر ماهواره‌ ای به‌ دلیل پوشش وسیع مکانی، قدرت تفکیک بالا، هزینه کم، آرشیو زمانی غنی تصاویر ماهواره‌ای و سهولت روش ‌های تعیین کاربری، ابزاری مناسب و کار آمد برای کمک به مدیریت منابع آب ‌و خاک است. در این پژوهش، چهار طبقه خاک، آب و مناطق مرطوب، شهری و کشاورزی انتخاب شده ‌اند. سپس، از دو روش طبقه‌ بندی جنگل تصادفی و ماشین ‌های بردار پشتیبان ، برای طبقه ‌بندی تصاویر استفاده شده است. روش ‌های طبقه‌ بندی با محاسبه دو شاخص دقت کلی و ضریب کاپا با استفاده از داده‌ های تست بررسی شدند. طبقه‌ بندی جنگل تصادفی در چهار سال 2012، 2014، 2016 و 2018 و طبقه‌ بندی ماشین ‌های بردار پشتیبان در دو سال 2008 و 2010 بالاترین دقت را دارند. بنابراین، الگوریتم جنگل تصادفی در تفکیک طبقه ‌ها به ‌خصوص حوضه آبی به ‌خوبی عمل کرده است و می‌ توان به ‌عنوان روشی قابل اعتماد از آن در این حوضه بهره برد.

Classification Lake Parishan water basin by random forest classification using Landsat satellite images

The global water scarcity crisis is affecting water management in various sectors, including water and agriculture. Aquatic basins and their surrounding areas have been encountered with serious challenges such as drying up of lakes and rivers, negative aquifer balance, changes in surrounding land use, increased cultivation of irrigated and horticultural lands, and changes in the pattern of cultivation from lowcrop to highwater crops in recent years. Satellite imagery due to its wide spatial coverage, high resolution, low cost, rich time archive of satellite imagery and ease of use methods is a useful and efficient tool to help manage water and soil resources. In this study, four classes of soil, water and wet, urban and agricultural areas were selected. Then, two random forest classification methods and support vector machines are used to classify images. Classification methods were evaluated by calculating two indices of accuracy and Kappa coefficient using test data. The random forest classification in the four years, 2012, 2014, 2016 and 2018 and classification of support vector machines in two years, 2008 and 2010 have the most accuracy. Therefore, the random forest algorithm has worked well in separating the classes, especially in water basin, and can be used as a reliable method in this area.