پایش شیء مبنای تغییرات کاربری و پوشش اراضی ناشی از ساخت و ساز: منطقه مورد مطالعه، مسکن مهر پردیس

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 100

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JGCE-1-1_001

تاریخ نمایه سازی: 10 مهر 1402

چکیده مقاله:

پیشینه و اهداف: همزمان با توسعه ی شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلان شهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه ی آن برای سکونت سرریز جمعیت شهری، آماده گردد. این گونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم می­زند، بلکه تاثیرات منفی بر چشم انداز، بهره­وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی خصوصا در محدوده ی کلان شهرها، طی دوره­های زمانی بلندمدت برای برنامه­ریزان و مدیران شهری، به منظور ارزیابی و پیش بینی مشکلات ناشی از این تغییرات، حائز اهمیت است. داده­های سنجش از دور چندزمانه یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدل­های سه­بعدی شهر است.روش ها : در این تحقیق، از تصاویر ماهواره­ای لندست ۷ و لندست ۸ در دو بازه ی­ زمانی با فاصله ۱۷ سال، بین سال­های ۱۳۸۱ تا ۱۳۹۸ به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقه ی پردیس استفاده شده است. پس از اعمال پردازش­های اولیه بر روی تصاویر و انجام قطعه بندی، سه کلاس عارضه ی سازه­های مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر  کلاس  عارضه به روش پس طبقه بندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاس­های عارضه تشخیص داده شده در نقشه­های طبقه­بندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمین­های خاکی و پوشش گیاهی به دست می­آید.یافته ها: نقشه ی تغییرات کاربری/ پوشش اراضی تولید شده بین سال­های ۱۳۸۱ تا ۱۳۹۸ نشان داد که ساخت و سازها در منطقه ی پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقه بندی به دست آمده، کلاس عارضه ی خاک حدود ۱۷% کاهش و کلاس عارضه ی سازه­ها حدود ۱۸۴% افزایش یافته است. در منطقه ی مورد مطالعه در این تحقیق، زمین­های کشاورزی نیز عمدتا نابود و به جای آن­ها سازه­ها و ساختمان­ها، بنا شده­اند. افزایش تقریبی ۱۰۴درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی می­باشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشه های طبقه بندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشه ی طبقه بندی پوشش/ کاربری اراضی سال ۱۳۸۱ به ترتیب ۴۱/۹۸% و ۸۶/۰ و برای سال ۱۳۹۸ به ترتیب ۰۱/۹۷% و ۸۷/۰ به دست آمده است. استفاده از قابلیت های روش آنالیز شئ مبنا در این تحقیق، در کنار دقت مکانی ۱۵ متری تصاویر لندست، موجب شد که نقشه های طبقه بندی دقت قابل قبولی داشته باشند.نتیجه گیری: با توجه به این که ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد ۱۸۴ درصدی ساخت و سازها بدون در نظر گرفتن زیرساخت­های مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقه ی پردیس ایجاد کرده است. استفاده از پیشرفت­های مطرح در فناوری­های برداشت داده­های سنجش از دور در قالب ادغام داده­ها و همچنین، استفاده از روش­های نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، می­تواند  به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.

نویسندگان

سمیه بیات

گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران

فاطمه طبیب محمودی

گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Villa P. Mapping urban growth using Soil and Vegetation Index ...
  • Jensen JR. Urban change detection mapping using landsat digital data. ...
  • Gunawan SPW, Matsui T, Machimura T. Stochastic gradient boosting for ...
  • Hafner S, Nascetti A, Azizpour H, Ban Y. Sentinel-۱ and ...
  • Stilla U, Xu Y. Change detection of urban objects using ...
  • Fyleris T, Kriščiūnas A, Gružauskas V, Čalnerytė D, Barauskas R. ...
  • Luo H, Liu C, Wu C, Guo X. Urban change ...
  • Daudt RC, Le Saux B, Boulch A, Gousseau Y. Urban ...
  • Chaabouni-Chouayakh H, Rainartz, p. Oberpfaffenhofen. Towards automatic ۳D change detection ...
  • Xuedong Z, Wenxi L, Shuguang H. Urban change detection in ...
  • Lee H, Lee K, Kim JH, Na Y, Park J, ...
  • Wang N, Li W, Tao R, Du Q. Graph-based block-level ...
  • Ossola A, Cadenasso ML, Meineke EK. Valuing the Role of ...
  • Tasnim S, Mahbub F, Biswas G, Enamul Haque DM. Spatial ...
  • Jabari S, Zhang Y. RPC-based coregistration of VHR imagery for ...
  • Fekete A, Priesmeier P. Cross-border urban change detection and growth ...
  • Kundu K, Halder P, Mandal JK. Urban Change Detection Analysis ...
  • López-Serrano PM, Corral-Rivas JJ, Díaz-Varela RA, álvarez-González JG, López-Sánchez CA. ...
  • You Y, Cao J, Zhou W. A survey of change ...
  • Hafner S, Ban Y, Nascetti A. Urban Change Detection Using ...
  • Martha TR, Kerle N, Jetten V, Van Westen CJ, Vinod ...
  • Tian J, Nielsen AA, Reinartz P. Improving change detection in ...
  • de Gélis I, Lefèvre S, Corpetti T. Change detection in ...
  • Veettil BK, Zanardi RP. A comparative study of various urban ...
  • Li L, Wang C, Zhang H, Zhang B, Wu F. ...
  • Pang L, Sun J, Chi Y, Yang Y, Zhang F, ...
  • Vakalopoulou M, Karatzalos K, Komodakis N, Paragios N. Simultaneous registration ...
  • Tabib Mahmoudi F, Samadzadegan F, Reinartz P. Object oriented image ...
  • Tabib Mahmoudi F. Semantic object-based urban scene analysis for feature ...
  • Bayat, S., Tabib Mahmoudi, F. Post-Classification Urban Heat Island Change ...
  • نمایش کامل مراجع