تعیین دامنه تغییرکاربری اراضی استان البرز با استفاده از داده های راداری و نوری سنتینل در سامانه گوگل ارث انجین

نقشه­های دقیق کاربری اراضی نقش مهمی در تولید اطلاعات  مورد نیاز مدیریت منابع اراضی دارند. در سال های اخیر استفاده از داده­های دقیق، فناوری و روش­های به روز، منجر به تولید اطلاعات ارزشمندی در زمینه استخراج داده­های سنجش ازدور در حوزه­های مختلف علوم طبیعی شده است. هدف از این مطالعه بررسی تغییرات کاربری اراضی استان البرز در یک دوره پنج ساله  با استفاده تصاویر ماهواره­ای با قدرت تفکیک مکانی  بالا و روش­های نوین است. بدین منظور نقشه کاربری اراضی استان مورد مطالعه برای دو دوره ۱۳۹۷ و ۱۴۰۲ با چهار کلاس کاربری اراضی شامل بایر، اراضی زراعی، آب و عوارض انسان ساخت بر روی اراضی از تلفیق تصاویر نوری و راداری سنتینل و استفاده از داده­های کمکی مانند شاخص­های پوشش­گیاهی و مدل رقومی ارتفاع و با استفاده از الگوریتم جنگل تصادفی تهیه شد. بر همین اساس تعداد ۵۷ تصویر سنتینل- ۲ و ۱۵ تصویر سنتینل- ۱ برای دوره اول و ۷۸ تصویر سنتینل- ۲ و ۲۳ تصویر سنتینل- ۱ برای دوره دوم در محیط گوگل ارث انجین پردازش شد. صحت کلی و ضریب کاپا برای دوره اول به ترتیب ۹۲/۴ درصد و ۰/۸۹ و برای دوره دوم ۹۴/۵ درصد و ۰/۹ محاسبه شد. نتایج نشان داد که اراضی زراعی در طی این دوره به میزان ۲۹/۳۸ کیلومترمربع کاهش داشته است و در مقابل اراضی انسان ساخت ۲۱/۴ کیلومترمربع رشد داشته است. همچنین، اراضی بایر در دوره پنج ساله ۶/۲ کیلومترمربع افزایش داشته است که تغییرات آن مرتبط با دشت­های جنوبی منطقه مورد مطالعه است که قبلا تحت کشت بوده­اند و در دوره دوم تبدیل به اراضی بایر شده­اند. به­منظور تعیین جهت توسعه اراضی انسان ساخت، لایه اراضی شهری سال ۱۴۰۲ بر روی نقشه کاربری اراضی سال ۱۳۹۷ قرار داده شد و به این ترتیب میزان تغییر کاربری هر کدام از کلاس­ها به کاربری انسان ساخت مشخص شد. نتایج نشان داد که تقریبا ۵۵ درصد از اراضی انسان ساخت در این دوره بر روی اراضی زراعی توسعه پیدا نموده­اند که بیانگر تغییر کاربری ۱۱/۷۴ کیلومترمربعی اراضی زراعی به کاربری انسان ساخت است. با توجه به اینکه تغییر کاربری اراضی زراعی یکی از چالش­های مهم در کشور ما است، تهیه چنین نقشه­هایی کمک زیادی به مدیریت به منظور حفظ و صیانت از اراضی کشاورزی بویژه در حاشیه کلان شهرها می­کند.

کلیدواژه ها:

تغییر کاربری اراضی ، سنجش ازدور ، جنگل تصادفی ، تصاویر ماهواره ای ، یادگیری ماشین