کاربری اراضی یکی از مهمترین جنبه های بررسی مدیریت منابع طبیعی و بازنگری تغییرات محیطی است . با بررسی های تغییرات کاربری در سیستم اطلاعات جغرافیایی میتوان عوامل توسعه فیزیکی شهر را نیز استخراج کرد که می توان به مواردی از جمله تغییرات کاربری اراضی اشاره کرد و مورد بررسی قرار داده و پیش بینی نمود.در این تحقیق با استفاده از قابلیت های سنجش از دور و و GIS تغییرات کاربری اراضی شهرستان فیروز آباد واقع در استان فارس در بازه زمانی بین سال های ( 2003-2013-2018) با استفاده از تصاویر ماهواره ای لندست (ETM , ETM+) مورد پایش قرارگرفته وسپس کلاس های کاربری اراضی ، تجزیه و تحلیل روش ها و تغییرات آنها در نرم افزار ENVI و EDRISI طبقه بندی شده است .تجزیه تحلیل و تغییرات زمانی دردوره 15 ساله منطقه مورد مطالعه نشان داد که سطح اراضی مسکونی افزایش داشته و بیشترین تغییرات کاربری در مناطق زمین های کشاورزی ایجاد شده است . بر مبنای این تغییرات ، پتانسیل تبدیلات کاربری وپیش بینی برای سال 2023 ، با استفاده روش زنجیره مارکوف مدلسازی گردید .در مدل LCM نقشه های پتانسیل تبدیل حاصل از اجرای شبکه های عصبی مصنوعی پرسپترون چند لایه با کاربری اراضی سال های 2013 و 2018 و متغیر های تاثیر گذار انجام شد . لازم به ذکر میباشد که با توجه به خشکسالی منطقه در سال های اخیرو عدم توجه و مدیریت مناسب در وضعیت هیدرولوژی و فقدان ثبات وضعیت اقتصادی از عوامل موثر بر تغییرات کاربری اراضی در منطقه مورد مطالعه میباشد .

متداول ترین شیوه پیش یابی مراحل فنولوژیکی گیاهان، استفاده از کمیت درجه-روز رشد تجمعی (AGDD) می باشد. در تحقیق حاضر، مدلی برای تدقیق این روش با تلفیق دو نمایه AGDD و NDVI برای تخمین تاریخ شروع 8 مرحله فنولوژیکی گیاه ذرت رقم K407، با استفاده از داده های یک دوره 9 ساله در منطقه کرج ارائه شده است. روش هموارسازی نوفه ها در کاربست نمایه NDVI، ترکیبی از دو روش لجستیک دوگانه و رگرسیون وزنی (WLS-DL) می باشد. نتایج مدل تلفیقی با دو مدل مبتنی بر درجه-روز رشد و تاریخ کاشت مقایسه شد. یافته های پژوهش نشان داد، مدل تلفیقی به طور متوسط، مقدار RMSE تاریخ های شروع 7 مرحله ابتدایی فنولوژیکی (ظهور تا شیری شدن) را به ترتیب 7/1، 4/1، 8/0، 3/1، 4/2، 4/2 و 3/3 روز نسبت به مدل مبتنی بر تاریخ های کاشت و 9/2، 7/1، 4/1، 9/2، 6/4، 9/2، 6/3 روز نسبت به مدل درجه-روز رشد، کمتر برآورد می نماید.

بررسی نوسانهای سطح آب دریاچه ها به منظور حفاظت آنها به لحاظ اهمیت، ماهیت و موقعیت این مجموعه های آبی و به عنوان یک میراث طبیعی در سالهای اخیردر بین کشورها در سطح ملی و منطقه ای جایگاه ویژه ای پیدا کرده است. دریاچه ارومیه با وسعتی بین 4500 - 6000 کیلومتر مربع به عنوان بزرگترین دریاچه داخلی ایران و بیستمین دریاچه جهان از اهمیت ویژه ای برخوردار است. هدف اصلی تحقیق جاری بررسی تغییرات سطح آب دریاچه ارومیه با استفاده از تصاویر ماهوره ای و سیستم اطلاعات جغرافیایی می باشد، برای رسیدن به این هدف تصاویر ماهواره ای چند طیفی ماهواره لندست (شامل تصاویر سنجنده های MODIS (ETM+, TM, MSS و IRS از سال 1976م. الی 2005 م. مورد استفاده و پردازش قرار گرفت و نوسانهای سطح آب دریاچه در دوره های زمانی مختلف استخراج شد. مدلهای نهایی نشان دهنده نوسانهای گسترده دوره ای و تغییرات چشمگیر فصلی در پارامترهای هندسی دریاچه ارومیه، به ویژه در طول دهه گذشته می باشد. بیشترین تغییرات به دلیل کاهش ارتفاع آب دریاچه بویژه در جنوب شرق و سواحل شرقی دریاچه ارومیه شده است. ظهور چنین نوسانهای معناداری باعث کاهش 23 درصدی از سطوح آب دریاچه در طی دوره مطالعه شده شده است که خود باعث تسریع روند تبدیل اراضی آبی به زمینهای لم یزرع و رسوب املاح نمکی در امتداد خطوط ساحلی شده است.

تولید نقشه و اطلاعات قابل استفاده در یک سامانه اطلاعات مکانی هزینه و زمان قابل توجهی را به خود اختصاص می دهند که در نهایت این اطلاعات مبنای تصمیم گیری ها و فعالیت های بعدی به خصوص در مناطق شهری قرار می گیرند. بهنگام رسانی داده ها متضمن پیشرفت یک سامانه اطلاعات مکانی و استفاده درست از آن خواهد بود. فرآیند شناسایی تغییرات، زمینه را برای بهنگام رسانی اطلاعات فراهم می آورد و یکی از موضوعات کاربردی و چالش برانگیز در بسیاری از شاخه ها ازجمله: برنامه ریزی شهری، محیط زیست و سایر علوم مربوط به زمین است. تکنیک های متداولی که برای آشکارسازی تغییرات بکار گرفته می شوند، معمولا مبتنی بر پیکسل هستند. در این تحقیق از دو روش ماسک باینری و مقایسه پس از طبقه بندی به صورت ترکیبی بهره گرفته شد و سپس نتایج حاصل با روش مقایسه پس از طبقه بندی مقایسه شد. ماسک باینری توسط تلفیق روش حد آستانه گذاری فازی و حد آستانه گذاری اتوماتیک otsu ایجاد شد. سپس مقایسه توسط طبقه بندی کننده های بیشترین شباهت، کوتاه ترین فاصله، ماشین بردار پشتیبان و شبکه عصبی مصنوعی صورت گرفت .برای این منظور در این تحقیق از تصاویر ماهواره ای با توان تفکیک بالای ماهواره های GeoEye و QuickBird مربوط به سال های 1385 و 1389 جهت شناسایی تغییرات در منطقه مطالعاتی شهرک آزاد شهر واقع در ناحیه هشت از منطقه 22 استان تهران، استفاده شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی از نظر مقایسه کمی و کیفی در نشان دادن تغییرات در مقابل روش مقایسه پس از طبقه بندی از دقت بالاتری برخوردار بوده است و دقت کلی و ضریب کاپا با استفاده از روش شبکه عصبی برای نقشه تغییرات به دست آمده از این روش معادل 73.32 و 68.38 بوده است. این در حالی است که دقت روش مقایسه پس از طبقه بندی برای روش شبکه عصبی معادل 65.61 و ضریب کاپا برابر 48.96 به دست آمده است.

نظارت بر تغییرات مناطق شهری نیازمند تصاویری از زمان های مختلف است. گسترش فیزیکی شهرها یک فرایند پویا و پیوسته است که در آن مرزهای شهر و فضای فیزیکی آن افزایش می یابد. با تجزیه و تحلیل تصاویر ماهواره چندزمانه، سنجش از دور چشم انداز منحصر به فردی از نحوه توسعه شهرها را در طول 50 سال اخیر ارائه می دهد. پژوهش حاضر به بررسی روند تغییرات توسعه فیزیکی شهر بابلسر از طریق تصاویر ماهواره ی لندست می پردازد. برای این منظور تصاویر ماهواره ی لندست8 سال2021، لندست5 سال های 1999 و 1986 و لندست2 سال1975استفاده شد. علاوه بر این سنجنده های نسل اول MSS، نسل دوم TM، نسل سوم ETM+ ونسل چهارم OLI در این پژوهش بکار گرفته شد. برای پردازش تصاویر ماهواره از نرم افزارENVI و Arc GIS استفاده گرددید. تصحیح رادیومتریک، تصحیح اتمسفری، محاسبه شاخص های طیفی، طبقه بندی نظارت شده، استخراج کلاس شهری، تلفیق نتایج طبقه بندی، کاهش نویز داده های طبقه بندی در تصاویر ماهواره صورت گرفت و روند توسعه فیزیکی و نقشه چندزمانه توسعه شهر از سال 1976 تا 2021 تولید شد. نتایج حاصله بیانگر این است که مساحت شهر بابلسر از44/767 هکتار سال1975 به1774هکتار در سال 2021 رسیده؛ در این بازه زمانی 56/1006 هکتار بر مساحت شهر افزایش یافته است. در حال حاضر تصاویر ماهواره لندست به عنوان بهترین گزینه برای پایش و توسعه شهری در بازه های زمانی طولانی مدت محسوب می شود. لذایافته های پژوهش از طریق سنجش از دور می تواند جهت توسعه آتی شهربابلسر به کار برده شود.

جنگل زدایی همچنان یکی از نگرانی های بزرگ در زمینه تغییرات اقلیمی و حفظ تنوع زیستی است. درعین حال، توسعه تکنیک های جدید پردازش تصویر و دسترسی گسترده به تصاویر ماهواره ای با حد تفکیک مکانی و زمانی بالا، شرایط بی نظیری برای پایش جنگل زدایی فراهم کرده است. این موضوع به ویژه در مناطقی مانند ذخیره گاه زیست کره ارسباران اهمیت دارد. روش های موجود پایش جنگل زدایی بر ترکیبی از مشاهده بصری، پروفیل های طیفی، آمار و تکنیک های یادگیری ماشین مبتنی هستند. با توجه به پیشرفت های اخیر در زمینۀ پردازش تصاویر توسط شبکه های عصبی پیچشی (CNN)، هدف این پژوهش ارزیابی عملکرد معماری U-Net بهینه شده برای شناسایی پوشش جنگلی به منظور پایش جنگل زدایی در تصاویر ماهواره ای چند زمانه است. در این راستا، یک مدل یادگیری عمیق برای پایش جنگل زدایی در ذخیره گاه زیست کره ارسباران بر اساس طبقه بندی تصاویر ماهواره ای Landsat بین سال های 2000 تا 2022 توسعه داده شد. در این مطالعه، برای تهیه ماسک از شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI) استفاده شده و سپس این ماسک ها به صورت بصری اصلاح شدند. همچنین مدل بهینه شده U-Net که ارائه داده شده است، با مدل های جنگل تصادفی (Random Forest) و شبکه عصبی مصنوعی (ANN) مقایسه شد. نتایج نشان داد که U-Net بهینه شده نسبت به روش های مرسوم یادگیری ماشین در طبقه بندی تصویر به جنگل یا غیر جنگل برتری دارد که درنتیجه صحت کلی 96. 53%، کاپا 91. 55%، امتیاز F1 %94. 68 و IoU %90. 04 به دست آمد. مدل ارائه شده می تواند تغییرات جنگل را به طور دقیق نشان دهد و مقادیر کاهش یا افزایش مساحت جنگل را تخمین بزند. به طورکلی مشاهده شد که مساحت جنگل های ارسباران طی دوره 2022-2000 افزایش یافته است. این تحقیق نشان می دهد که استفاده از U-Net بهینه شده می تواند ابزار مؤثری برای پایش و مدیریت پایدار منابع جنگلی باشد

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.