ارزیابی و تحلیل توسعه شهری و تاثیر آن بر کاهش نفوذپذیری سطوح شهر تبریز با استفاده از الگوریتم یادگیری ماشین و داده‌های سنجش از دور

طبقه‌بندی بهینه ی تصاویر ماهواره‌ای می‌تواند استخراج اطلاعات مکانی - زمانی برای طبقه‌بندی کاربری و پوشش زمین را تسهیل کند. در این مطالعه، با تحلیل توسعه شهری و تغییر پوشش گیاهی شهر تبریز به بررسی تغییرات سطوح نفوذناپذیر پرداخته شده است. با استفاده از تصاویر لندست، سه الگوریت مورد استفاده قرار گرفت و بر اساس نتایج، الگوریتم طبقه‌بندی‌ جنگل تصادفی در پلتفرم گوگل ارث انجین با استفاده از تصاویر لندست 8 به‌عنوان ورودی برای دوره 1392 تا 1402 به کار برده شد. علاوه بر این، تاثیر ترکیب‌های تصویری مختلف بر اساس چندین شاخص طیفی بر دقت طبقه‌بندی نهایی بررسی شد. نتایج نشان می‌دهد که استفاده از محصولات لندست (toa) و پلتفرم گوگل ارث انجین می‌تواند نتایج سریع‌تر و دقیق‌تری برای طبقه‌بندی ایجاد کند. همچنین مقادیر هایپرپارامتر برای 3 سال 1392، 1397 و 1402 که بالاترین دقت را در مجموعه‌داده آزمایشی به همراه داشت، به ترتیب 280، 180 و 80 درخت انتخاب شدند. یافته ها نشان دهنده افزایش پوشش گیاهی در کنار گسترش تدریجی شهری است. با این حال، این رشد در درجه اول به ایجاد مناطق تفریحی بزرگ و درختکاری در حومه شهر نسبت داده شد. با این حال، پوشش گیاهی در مناطق شهری مرکزی یا راکد مانده یا در مناطق خاصی کاهش یافته است. با توجه به پیامدهای تغییر اقلیم و افزایش بارندگی‌های شدید، کمبود پوشش گیاهی در مناطق مرکزی ممکن است منجر به تشکیل سطوح غیرقابل نفوذ شود و خطر سیل‌های ناگهانی را تشدید کند که اهمیت نیاز به نتایج این تحقیق و اقدامات پیشگیرانه را نشان می‌دهد.

assessment and analysis of urban development and land use change impact on surface permeability using machine learning algorithm and remote sensing data: a case study of tabriz city

optimal classification of satellite images enhances the extraction of spatial-temporal information for land use and land cover classification, enabling the examination of various socio-economic and environmental impacts. initially, three supervised classification algorithms—k-nearest neighbors, support vector machines, and random forests—were utilized with default parameters. the results indicated that the random forest algorithm outperformed the others in accuracy. consequently, the random forest classification algorithm on the google earth engine platform, using landsat 8 images as input for 2013 to 2023, was employed. the impact of different image combinations based on several spectral indices on the final classification accuracy was assessed. the findings show that using landsat products (toa) and the gee platform provides faster and more accurate classification, with optimal hyperparameter values for 2013, 2018, and 2023 being 280, 180, and 80, respectively. the findings indicate an increase in vegetation cover alongside gradual urban expansion, reflecting stable development policies. however, this growth is primarily attributed to the establishment of large leisure areas and tree planting on the city outskirts. despite initiatives aimed at reducing air pollution and promoting community well-being, vegetation in central urban areas has either remained stagnant or declined in certain areas. considering the implications of climate change and increased heavy rainfall, the lack of vegetation in central zones may lead to the formation of impermeable surfaces, exacerbating the risk of flash floods. this underscores the critical need for enhanced research focus and proactive measures in this field.