ارزیابی و تحلیل تغییرات کاربری اراضی با استفاده از تصاویرماهواره ای لندست و الگوریتم جنگل تصادفی (مطالعه موردی: حوزه آبخیز سدخسویه)

تحلیل تغییرات کاربری اراضی به دلیل تاثیر مستقیم بر چرخه های محیطزیستی، اجتماعی و شرایط اکوهیدرولوژی  حوزه های آبخیز، اهمیت ویژه ای دارد. حوزه های آبخیز مناطق خشک و نیمه خشک بویژه حوزه آبخیز سدها و دشت های با کاربری کشاورزی به عنوان مناطق حساس به تغییرات محیطی، نیازمند مدیریت دقیق و مبتنی بر داده های علمی هستند. داده های سنجش ازدور، یکی از ابزارهای مهم در این زمینه محسوب می شوند که به دلیل گستردگی پوشش، هزینه کمتر و سهولت دسترسی، جایگزینی مناسب برای روش های سنتی و پرهزینه نقشه برداری زمینی هستند. طبقه بندی تصاویر ماهواره ای به عنوان یکی از مراحل اصلی پردازش داده های سنجش ازدور، روش های متنوعی را شامل می شود که از جمله آن ها می توان به الگوریتم هایی همچون حداکثراحتمال، ماشین بردار پشتیبان، درخت تصمیم گیری، شبکه های عصبی و جنگل تصادفی اشاره کرد. در این پژوهش، با هدف تحلیل تغییرات کاربری اراضی در حوزه آبخیز سدخسویه داراب، از تصاویر ماهواره ای لندست۷ و۸ در سال های۲۰۰۱ و۲۰۲۱ استفاده شد. به منظور طبقه بندی دقیق تر کاربری اراضی، الگوریتم جنگل تصادفی به کار گرفته شد که نتایج حاکی از عملکرد مطلوب این روش با دقت کلی ۸۹ درصد در سال ۲۰۰۱ و ۹۱ درصد در سال ۲۰۲۱ بود. این نشان دهنده کارایی بالای الگوریتم جنگل تصادفی در تفکیک کاربری های اراضی و تهیه نقشه های دقیق پوشش اراضی است. تحلیل مقایسه ای نقشه های کاربری اراضی دو دوره زمانی مورد مطالعه، تغییرات معناداری در انواع کاربری ها، به ویژه کاهش اراضی بایر و افزایش مناطق شهری را نشان داد. این تغییرات نتیجه تعامل پیچیده عوامل انسانی و طبیعی است و می تواند پیامدهای مهمی بر منابع آب، خاک، تنوع زیستی و بوم سازگان منطقه داشته باشد. این پژوهش، با استفاده از روش های نوین تحلیل داده های ماهواره ای و یادگیری ماشین، بستری مناسب برای درک عمیق تر تغییرات محیطی و ارائه راهکارهای مدیریتی فراهم کرده است. نتایج به دست آمده، ابزاری ارزشمند برای مدیران و برنامه ریزان منطقه به منظور تدوین برنامه های حفاظت منابع طبیعی و توسعه پایدار فراهم می کند. علاوه براین، روش شناسی به کاررفته در این تحقیق قابلیت تعمیم به سایر مناطق مشابه در کشور را دارد. تحقیقات مشابه نیز نشان داده اند که استفاده از الگوریتم جنگل تصادفی می تواند دقت بالایی در طبقه بندی اراضی داشته باشد، از جمله مطالعه ای در منطقه ای نیمه خشک که دقت کلی الگوریتم جنگل تصادفی را بالای ۹۰ درصد گزارش کرده است.

کلیدواژه ها:

Darab Plain ، Land Use ، Machine Learning ، Dam Watershed ، : دشت داراب ، کاربری اراضی ، یادگیری ماشین ، حوزه آبخیز سد.