مقایسه و ارزیابی روش های طبقه‌بندی نظارت‌شده در استخراج و آشکارسازی تغییرات لند فرم‌های ژئومورفولوژی حوضه آبریز سجاسرود

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه محقق اردبیلی

2 دبیر آموزش و پرورش

چکیده

شناخت لند فرم‌های ژئومورفولوژی و بررسی تحولات و تغییرات آن در همه مناطق بخصوص مناطق کوهستانی در جهت مدیریت محیطی در زمینه‌های مختلف از نیازهای مهم و ضروری علم ژئومورفولوِژی است. عوامل دینامیک درونی و بیرونی زمین دائماً باعث ایجاد تغییرات در لند فرم‌های ژئومورفولوژی می‌شوند. بنابراین شناخت این تحولات و تغییرات جهت مدیریت بهتر در زمینه‌های مختلف طبیعی و انسانی ضروری است. مناطق کوهستانی به علت صعب‌العبور بودن مطالعات میدانی را دچار چالش می‌کنند. علم ژئومورفولوژی نیز همگام با سایر علوم از فنّاوری‌های روز دنیا مانند علم سنجش از دور جهت تسریع در پیشبرد اهداف و نیازها استفاده می‌کند. در همین راستا جهت شناسایی لند فرم‌های سطحی و مهم حوضه آبریز سجاسرود و بررسی روند تغییرات آن در طول سال‌های 1986 تا 2018 از تصاویر ماهواره‌ای لندست TM و OLI استفاده گردید. جهت شناسایی لند فرم‌ها، ضمن بررسی‌های میدانی از تصاویر نرم‌افزار گوگل ارث و نقشه‌های توپوگرافی کمک گرفته شد. سپس از طریق روش های طبقه‌بندی نظارت‌شده حداکثر احتمال، شبکه عصبی و ماشین بردار پشتیبان لند فرم‌های اصلی استخراج گردید. نتایج ارزیابی دقت طبقه‌بندی را نشان داد. روش حداکثر احتمال با صحت کلی 70/97 و ضریب کاپای 96 درصد در سال‌های 1986 و 2018 نسبت به دو روش دیگر عملکرد بهتری در تهیه نقشه ژئومورفولوژی و روند تغییرات دارد. برای بررسی روند تغییرات لند فرم‌ها و آشکارسازی تغییرات در بازه زمانی 32 ساله از نقشه طبقه‌بندی حداکثر احتمال و الگوریتم MNF در محیط نرم‌افزار ENVI استفاده گردید. نتایج نهایی نشان داد، پهنه‌های پوشش گیاهی و دشت آبرفتی به ترتیب با 159/479 و 26/572 درصد افزایش مساحت داشتند. در مقابل کوه‌ها و تپه‌ها، پادگانه‌های آبرفتی، مخروط افکنه ها و آبرفت‌های جدید با کاهش مساحت مواجه بودند. همچنین نتایج الگوریتم MNF نشان داد بیشترین شدت و سرعت تغییرات مربوط به دشت‌های آبرفتی، کوه‌ها، تپه‌ها و کمترین سرعت تغییرات مربوط به مخروط افکنه ها است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison and Evaluation of Supervised Classification Methods for Extraction and Detection of Changes in Geomorphologic Landforms of Sojasrood Basin

نویسندگان [English]

  • Aghil madadi 1
  • Hassan Mozaffari 2
چکیده [English]

Abstract:
Understanding geomorphologic landforms and studying its developments and changes in all regions, especially mountainous areas, in order to manage the environment in different fields is the important and essential needs of geomorphology. The internal and external dynamics of the Earth constantly cause changes in geomorphologic landforms. Therefore, recognizing these changes and developments for better management in various natural and human contexts is an essential issue. Mountainous areas due to their difficulty in traffic challenge field studies. Geomorphology also uses the latest technologies of the world, such as remote sensing, to accelerate the advancement of goals and needs, in line with other sciences. Landsat TM and OLI satellite imagery were used to identify the surface landforms of Sojasrood basin and to investigate the trend of changes during the years 1986 to 2018. To identify the landforms, field surveys were performed using Google Earth images and topographic maps.Then, by maximum Likeihood Supervised Classification Methods Neural network and Support vector machine have been extracted from the original and main landforms. The results of classification accuracy assessment showed that the maximum Likeihood method with total accuracy of 97.70 Kappa coefficients 96  Percent in 1986 and 2018 has a better performance in geomorphologic mapping and change process than the other two methods. In order to investigate landform variations and detect changes over a period of 32 years, the maximum Likelihood category and MNF algorithm were used in the ENVI software environment. The final results showed that the Vegetation zones and alluvial plain had 159/479 and 26/572% increase in area, respectively. Mountains and hills, alluvial terraces, alluvial cone and new alluvial were reduced by area. Also, the results of MNF algorithm show that the maximum intensity and speed of changes are related to alluvial plains, mountains and hills, and the least speed of changes related to the alluvial cone.

کلیدواژه‌ها [English]

  • Landform variations
  • supervised classification algorithms
  • MNF algorithm
  • Sojasrood Basin
  • آرخی، صالح؛  مومنی طارمسری، محمد. (۱۳۹۴). آموزش تصویری نرم افزار انوی۵. استان گلستان: دانشگاه گلستان.
  • ‏‫ارجمند زاده، رضا؛ دبیری، رحیم؛ و الماسی، علیرضا. (۱۳۹۷). کاربرد نرم‌افزار ENVI در علوم زمین. تهران: آذرین مهر.
  • ‏‫بینقی، مریم؛ علی‌آبادی، کاظم؛ و امیر احمدی، ابوالقاسم. (۱۳۹۳). شناسایی اهداف محیطی با استفاده از روش MTMF و MNF(مطالعه‌ی موردی جنوب غرب سبزوار). ژئومورفولوژی کاربردی ایران، 2(3)، 32-46.
  • ‏‫جوی زاده، سعید؛ قمر زاده، میلاد؛ براهیمی، منیژه؛ و شمس‌آبادی، منیژه. (۱۳۹۶). آموزش کاربردی ENVI (مقدماتی و پیشرفته). تهران: انتشارات دانشگاهی کیان.
  • ‏‫حسنی تبار، سید محمد؛ و جعفر زاده، جعفر. (۱۳۹۵). گامی نو در پردازش تصاویر ماهواره‌ای (مبانی و کاربرد)Envi 5.3. تهران: ناقوس.
  • ‏‫رضایی مقدم، محمدحسین؛ نیکجو، محمدرضا؛ و کیانی، وحید. (۱۳۹۵). تحلیل کمی مورفولوژی مجرای رودخانه سجاسرود قبل و بعد از احداث سد گلابر (پایین‌دست سد) (پایان‌نامه کارشناسی ارشد). دانشگاه تبریز، دانشگاه تبریز.
  • ‏‫زبیری، محمود؛ و مجد، علیرضا. (۱۳۹۲). آشنای با فن سنجش از دور و کاربرد در منابع طبیعی. تهران: دانشگاه تهران، موسسه انتشارات و چاپ.
  • ‏‫سیف عبدالله؛ تقی زاده عبدالحکیم؛ و پور علی ملیحه. (۱۳۹۱). بررسی تغییرات ژئومورفولوژی سواحل شمالی خلیج‌فارس با استفاده از تکنیک سنجش از دور و تصاویر ماهواره‌ای (مطالعه موردی: سواحل بندر آبادان تا بندر بوشهر). در دانشگاه فردوسی مشهد. همایش ملی انجمن ایرانی ژئومورفولوژی،
  • ‏‫سیاوش شایان؛ فاطمه ملامهرعلیزاده؛ و مهدی جنتی. (۱۳۸۴). کارایی داده‌های سنجش از دور (RS) در تهیه نقشه‌های لند فرم و نقش آن در برنامه‌ریزی محیطی. فصلنامه مدرس علوم انسانی، 9(4)، 111-148.
  • ‏‫کرم، امیر؛ رعیتی شوازی، منیره؛ حمیدرضا غفاریان مالمیری؛ و عادل سپهر. (۱۳۹۶). مقایسه کارایی برخی الگوریتم‌های طبقه‌بندی در مطالعه تغییرات لند فرم‌های بیابانی دشت یزد-اردکان. مجله پژوهش‌های ژئومورفولوژی کمّی، 6(1)، 57-73.
  • ‏‫مختاری، محمدحسین؛ و نجفی، احمد. (۱۳۹۴). مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM. نشریه علوم آب‌وخاک - علوم و فنون کشاورزی و منابع طبیعی - Isfahan University of Technology، 19(72)، 35-45.
  • ‏‫مکرم مرضیه؛ و حجتی مجید. (۱۳۹۵). مقایسه طبقه‌بندی لند فرم‌ها با استفاده از روش های قدیمی (استفاده از ارتفاع و شیب و انحناء) و شاخص موقعیت توپوگرافی (TPI) در جنوب بجنورد. اکو پرشیا، 4(2 E0032)، 1343-1357.
  • ‏‫ملکی امجد؛ مارابی هاجر؛ و رحیمی حمید. (۱۳۹۵). ارزیابی شاخص موقعیت توپوگرافی (TPI) در زون سنندج- سیرجان و زاگرس شکسته. پژوهش‌های ژئومورفولوژی کمی، 5(1 00123)، 129-141.
  • ‏‫یمانی، مجتبی. (۱۳۹۴). نقشه‌های ژئومورفولوژی روش ها و تکنیک ها. تهران: دانشگاه تهران.
    • Anders, N. S. Seijmonsbergen, A. C. & Bouten, W. (2013). Geomorphological Change Detection Using Object-Based Feature Extraction From Multi-Temporal LiDAR Data. IEEE Geoscience and Remote Sensing Letters, 10(6), 1587-1591.
    • Bugnicourt, Pierre; Guitet, Stéphane; Santos, Valdenira F. Blanc, Lilian; Sotta, Eleneide D. Barbier, Nicolas; & Couteron, Pierre. (2018). Using textural analysis for regional landform and landscape mapping, Eastern Guiana Shield. Geomorphology, 317, 23-44.
    • Guha, Arindam; Roy, Priyom; Singh, Swati; & Kumar, K. Vinod. (2018). Integrated Use of LANDSAT 8, ALOS-PALSAR, SRTM DEM and Ground GPR Data in Delineating Different Segments of Alluvial Fan System in Mahananda and Tista Rivers, West Bengal, India. Journal of the Indian Society of Remote Sensing, 46(4), 501-514.
    • Liu, Xiaoye. (2008). Airborne LiDAR for DEM generation: some critical issues. Progress in Physical Geography, 32(1), 31–49.
    • Mitasova, Helena; Overton, Margery F. Recalde, Juan José; Bernstein, David J. & Freeman, Christopher W. (2009). Raster-Based Analysis of Coastal Terrain Dynamics from Multitemporal Lidar Data. Journal of Coastal Research, 507-514.
    • Nair, Hema C. Joseph, Ammini; & Padmakumari Gopinathan, Vinod. (2018). GIS Based landform classification using digital elevation model: a case study from two river basins of Southern Western Ghats, Kerala, India. Modeling Earth Systems and Environment.
    • Qi, Wenjuan; Yang, Xiaomei; Wang, Zhihua; Li, Zhi; Yang, Fengshuo; & Zheng, Zhiling. (2018). Fast Landform Position Classification to Improve the Accuracy of Remote Sensing Land Cover Mapping. Earth Sciences, 7(1), 23.
    • Smith, Mike J; Chandler, Jim; & Rose, James. (2009). High spatial resolution data acquisition for the geosciences: kite aerial photography. Earth Surface Processes and Landforms, 34(1), 155-161
    • Solazzo, Daniel; Sankey, Joel B; Sankey, Temuulen Ts; & Munson, Seth M. (2018). Mapping and measuring aeolian sand dunes with photogrammetry and LiDAR from unmanned aerial vehicles (UAV) and multispectral satellite imagery on the Paria Plateau, AZ, USA. Geomorphology, 319, 174-185.
    • Ventura, Guido; Vilardo, Giuseppe; Terranova, Carlo; & Sessa, Eliana Bellucci. (2011). Tracking and evolution of complex active landslides by multi-temporal airborne LiDAR data: The Montaguto landslide (Southern Italy). Remote Sensing of Environment, 115(12), 3237-3248.
    • Xiong, Li-Yang; Zhu, A.Xing; Zhang, Lei; & Tang, Guo-An. (2018). Drainage basin object-based method for regional-scale landform classification: a case study of loess area in China. Physical Geography, 0(0), 1-19.