۲۱.مقایسه کارایی روش های جنگل تصادفی و ماشین بردار پشتیبان در پایش تغییرات کاربری اراضی حوضه آبخیز سامیان (۲۰۱۵–۲۰۲۴) با استفاده از داده های سنجش از دوردر محیط Google Earth Engine

زمینه و هدف: تغییرات کاربری اراضی یکی از چالش های مهم زیست محیطی محسوب می شود که تاثیرات گسترده ای بر منابع طبیعی، اکوسیستم ها و فرآیند های هیدرولوژیکی دارد. هدف این پژوهش مقایسه کارایی دو الگوریتم جنگل تصادفی و ماشین بردارپشتیبان در استخراج نقشه های کاربری اراضی و تحلیل روند تغییرات آن در دو مقطع زمانی ۲۰۱۵تا ۲۰۲۴ در حوضه آبخیز سامیان واقع  در استان اردبیل با مساحت تقریبی ۴۲۳۶ کیلومتر مربع است. روش بررسی: به منظور تهیه نقشه کاربری ارضی از تصاویر ماهواره ای لندست ۸ و۹ و سنتینل۲در محیط برنامه نویسی گوگل ارث انجین بهره گیری شد. الگوریتم های طبقه بندی یادگیری ماشین شامل جنگل تصادفی و ماشین بردار پشتیبان برای تولید نقشه های کاربری اراضی با هشت کلاس ( آب، مسکونی، کشاورزی آبی، کشاورزی دیم، برف، جنگل، مرتع متراکم و مراتع کم تراکم) مورد استفاده قرار گرفتند. و دقت آن با استفاده از ماتریس درهمریختگی و شاخص های آن ارزیابی شد . در فرایند نمونه برداری و آموزش مدل ها، از محصولات جهانی(Dynamic World و GHSL) بهره گرفته شد.نتایج و یافته ها: نتایج حاصل از مقایسه خروجی دو الگوریتم نشان داده که الگوریتم RF بادقت کلی و کاپای بیش از ۰٫۹۹ درصد عملکرد دقیق تری نسبت به SVM دارد. در بازه زمانی مورد بررسی، تغییرات قابل توجهی در کلاس های کاربری رخ داده است از جمله افزایش چشمگیر اراضی کشاورزی آبی و مناطق مسکونی و کاهش مساحت زمین های دیم، پوشش برفی و منابع آب سطحی از مهم ترین یافته ها بودند. در مجموع الگوریتم RF به دلیل دقت بالا و پایداری عملکرد گزینه مناسب تری برای پایش تغییرات کاربری اراضی در محیط کلان داده همچون گوگل ارث انجین محسوب می شود.

کلیدواژه ها:

کاربری اراضی ، حوضه آبخیز ، سامیان ، لندست ، سنتینل ، یادگیری ماشین