مدل‌سازی تخریب اراضی کشاورزی براثر رشد و توسعه شهری با استفاده از روش‌های شیء پایه پردازش تصاویر ماهواره‌ای در محدوده شهری ارومیه

چکيده

مطالعه حاضر، مدل‌سازی تغییرات کاربری اراضی محدوده‌ شهر ارومیه را به‌منظور آشکارسازی تغییرات صورت گرفته در اراضی کشاورزی مدنظر قرار داده است. در این راستا تصاویر ماهواره­ای لندست مورد استفاده قرار گرفت سپس پردازش شیء پایه تصاویر ماهواره‌ای با اعمال فرایند سگمنت سازی انجام شد و در مرحله بعدی با بهینه‌سازی مقیاس سگمنت سازی و تجزیه تصویر به عناصر تشکیل‌دهنده آن، از انواع الگوریتم‌های شیء پایه متناسب با شرایط فیزیکی و هندسی هریک از کلاس‌های کاربری اراضی استفاده شد. در طول فرایند پردازش تصاویر علاوه بر اطلاعات طیفی، از اطلاعات مربوط به شکل، همگنی، بافت (GLCM) جهت استخراج کاربری‌ها استفاده شد. نتایج پژوهش نشان می‌دهد شهر ارومیه در طی 31 سال گذشته گسترش فیزیکی زیادی داشته به‌طوری‌که مساحت آناز 7.43 درصد کل منطقه موردمطالعه در سال 1363 به 30.75 در سال 1394 افزایش‌یافته است. این افزایش با کاهش زمین‌های کشاورزی جبران شده به‌طوری که حجم وسیعی از اراضی کشاورزی مستعد مورد ساخت‌وساز قرارگرفته است که به معنی تخریب اراضی حاصلخیز به‌ویژه اراضی باغی در این منطقه به‌خصوص در محدوده مسیر رودخانه شهر چای، بند، محور مهاباد، محور سرو، محور دریا، محور سلماس بوده است. نتایج این تحقیق همین‌طور در شناسایی قابلیت الگوریتم‌های شیءگرا برای مطالعات شهری دارای اهمیت زیادی است و می‌تواند راهگشای تحقیقات آتی در استفاده از الگوریتم‌های کارآمد شیءگرا در پردازش تصاویر سنجش ازدور برای مطالعات شهری باشد.

کليد واژگان

اراضی کشاورزی، تغییرات کاربری اراضی، تخریب اراضی زراعی، مدل‌سازی شیء پایه، شهر ارومیه

مقدمه و بیان مسئله

كاربري اراضي شامل انواع بهره‌برداری از زمين به‌منظور رفع نيازهاي گوناگون انسان است. يكي از پیش‌شرط‌های اصلي براي استفاده بهينه از زمين، اطلاع از الگوهاي كاربري اراضي و دانستن تغييرات هرکدام از کاربری‌ها در طول زمان است (فيضي زاده، حاجی میر رحیمی، 1386). آشکارسازيتغییراتشاملکاربردمجموعهداده‌هایچندزمانهبه‌منظورمشخص کردن مناطقیاستکهکاربريوپوششزمینیآن‌هادرتاریخ‌هایمختلفتصویربرداري،تغییراتی داشته­اند.اینتغییراتممکناستناشیازتغییراتپوششدرکوتاه‌مدتمانندبرف، سیلاب،تغییرات،کاربريچونتوسعهشهريوتبدیلاراضی کشاورزيبهکاربری‌هایمسکونیوصنعتیباشد (ربیعی، ضیائیان، محمدی،1383، ص19). داشتنآمارواطلاعاتبهنگام،لازمهمدیریتصحیحعرصه‌هایطبیعیاست. یکیازمبانیمدیریتمنابع طبیعی،اطلاعاتمربوطبهنقشه‌هایتغییراتکاربرياراضیمی‌باشد. اطلاع از نسبت کاربری‌ها در يك محيط و نحوه تغييرات آن درگذر زمان يكي از مهم‌ترین موارد در برنامه‌ریزی‌ها بوده و هست. بااطلاع از نسبت تغييرات کاربری‌ها درگذر زمان می‌توان تغييرات آتي را پیش‌بینی نموده و اقدامات مقتضي را انجام داد.باعطفبههزینهبالاوبهنگامنبودنتهیه ایننقشه‌هابه‌وسیلهعملیاتزمینی،درسال‌هایاخیراستفادهازتصاویرماهواره‌ایبه‌عنوانروشی کارآمدبرايارزیابی تغییرات محیطی مطرح‌شدهاست (شریانی، 1380). در حال حاضر تكنولوژي سنجش‌ازدور (RS) بهترين وسيله براي پايش تغييرات محيطي و استخراج کاربری‌هاي اراضي بوده كه بيشترين سرعت و دقت را دارد. با استفاده از داده‌های چند زمانه سنجش‌ازدور با كمترين زمان و هزينه می‌توان نسبت به استخراج کاربری‌هاي اراضي اقدام نموده و سپس با مقايسه آن در دوره‌های زماني مختلف نسبت تغييرات را ارزيابي نمود. طبقه‌بندی تصاوير رقومي ماهواره‌ای يكي از مهم‌ترین روش‌ها براي استخراج اطلاعات كاربردي محسوب می‌شود. در حال حاضر طبقه‌بندی تصاوير رقومي ماهواره‌ای با دور روش کلی پردازش پیکسل پایه و شیءپایه انجام می‌شود. روش پيكسل پايه كه مبتني بر طبقه‌بندی ارزش‌های عددي تصاوير می‌باشد و روش جديد شیءگرا كه علاوه بر ارزش‌های عددي از اطلاعات مربوط به محتوا و بافت و زمينه نيز در فرايند طبقه‌بندی تصاوير استفاده می‌نماید (اکبری و دیگران، 1389). بلسشکه (2010) در مقاله‌ای تحت عنوان « پردازش شی گرا تصاویر برای سنجش از دور» اشاره می‌کند که برای استخراج اطلاعات کاربری اراضی از تصاویر رقومی‌ماهواره‌ای روش‌های‌متفاوتی ارائه‌شد‌ه که‌هریک‌ د‌ارای نقاط‌ضعف‌و برتری خاص خود‌ است. د‌ر این راستا روش‌های شیءگرا‌به‌جهت‌بهره‌مند‌ی از الگوریتم‌های د‌انش‌پایه‌توانسته‌‌است‌بر‌ضعف‌روش‌های پیکسل پایه‌ غلبه کند (Blaschke,2010,p. 4). تکنیکهای شیءپایه برخلاف روش‌های پیکسل پایه از انواع الگوریتم‌های هندسی، ژئومتری، شکل، طیفی و مکانی استفاده می‌نمایند و انتخاب مؤثرترین الگوریتم‌ها در این فرایند به تجربه زیادی در پردازش تصاویر نیاز دارد. علاوه بر آن در بسیاری از موارد الگوریتم‌های متعدد نتایج متفاوتی را ارائه می‌نمایند و این موضوع در بسیاری از موارد انتخاب الگوریتم‌های کارآمد را با مشکل مواجه می‌سازد. بنابراین هر تحقیقی در خصوص به‌کارگیری و ارزیابی قابلیت الگوریتم‌های شیءگرا می‌تواند نقش مؤثری در بهبود نتایج مدل‌سازی‌های شیءپایه داشته باشد (Goodin et al. 2015; Lindqist and Annuzio, 2016). در راستای موضوع تحقیق و استفاده از تکنیک‌های شیءگرا، طبیب محمودی و همکاران (2014) با استفاده از روش‌های پردازش شی گرا تصاویر ماهواره­ای در مناطق شهری و همچنین استفاده از توابع GLCM اقدام به استخراج عارضه­ نموده و به این نتیجه رسیدند که استفاده از اطلاعات بافتی همراه با تلفیق سایر لایه­های اطلاعاتی (چند منظره­ای) باعث کاهش ابهام در تشخیص عارضه­های تصویر شده و دقت کلی و کاپا را افزایش می­دهد(Tabib Mahmoudi et al,2014). فيضي زاده و حاجی میر رحیمی (1386) از تصاوير TM لندست و HDR ماهواره اسپات استفاده نموده تغييرات فضاي سبز شهر تبريز را با استفاده از روش طبقه‌بندی شیءگرا موردمطالعه قرار داده‌اند (فيضي زاده، حاجی میر رحیمی، 1386).طبیب محمودی و همکاران (2013) در مقاله­ای تحت عنوان یک روش ادغام چند تصمیمه برای تشخیص عوارض با استفاده از تصاویر چند زاویه­ای اقدام به استخراج عارضه های شهری به روش شی­گرا کردند(Tabib Mahmoudi et al,2013). رضایی مقدم و همکارانش (1389) با استفاده از تصاویر سنجنده HDR ماهواره SPOT 5 و با پردازش شی گراء تصاویر ماهواره‌ای تغییرات کاربری اراضی این تصاویر را در محیط نرم‌افزار eCognation با متد پردازش شیءگرا نقشه کاربری‌های استان آذربایجان غربی را تهیه کردند(رضایی مقدم و دیگران، 1389). فیضی زاده (1386) در پایان‌نامه کارشناسی ارشد خود روش‌های طبقه‌بندی پیكسل پايه و شیءگرا را در تهیه نقشه‌های کاربری اراضي جلگه شرقي درياچه ارومیه مورد مقايسه قرار داده است (فیضی زاده، 1386).چن و همکارانش (2009) با استفاده از تصاوير ماهواره‌ای SPOT نسبت بهمقايسه روش‌های طبقه‌بندی پیكسل پايه و شیءگرا در استخراج اطلاعات از تصاوير ماهواره‌ای اقدام نمودند(Chen, at al,2009). متین فر و همکاران (1386) در مقاله‌ای تحت عنوان تعیین نوع کاربری و پوشش اراضی به‌وسیله داده‌های لندست 7 (ETM+) با استفاده از روش شیءگرا در منطقه کاشان و با استفاده از نرم‌افزار eCognation به تفکیک پوشش­های از قبیل پوسته‌های نمکی، تپه­های ماسه­ای، خاک‌های شور و غیر شور پرداخته و بعد با استفاده از نمونه‌های آموزشی صحت طبقه­بندی مورد ارزیابی قرار داده است(متین فر و دیگران، 1386). جمع‌بندی پیشینه تحقیق نشان می‌دهد که روش‌های پردازش شیءگرای تصاویر ماهواره‌ای به گسترگی در پردازش تصاویر ماهواره‌ای برای اهداف متعدد مورد استفاده قرار می‌گیرند. همچنین با مروری بر تحقیقات انجام شده مشخص می‌شود که پردازش شیءگرای تصاویر ماهواره‌ای از انواع الگوریتم‌های مکانی، هندسی، ژئومتری ، طیفی، آماری و محاسباتی در فرایند پردازش تصاویر استفاده می‌نماید و در واقع این فرایند نوعی مدل‌سازی بر اساس رفتارهای طیفی و ویژگی‌های ژئومتری عوارض سطح زمین می‌باشد. بدیهی است که گستردگی الگوریتم‌های شیءگرا و تعدد آن‌ها، انتخاب الگوریتم‌های مناسب و کارآمد را با مشکل مواجه می‌سازد. تحقیق حاضر با بهره‌گیری از نتایج تحقیقات قبلی، مدل‌سازی روند تغییرات کاربری اراضی اطراف شهر ارومیه بر اساس روش‌های شیءگرا مد نظر قرار داده است. نتایج این تحقیق در خصوص ارزیابی قابلیت الگوریتم‌های شیءگرا و شناسایی کارآمدترین آن‌ها برای مدل‌سازی روند تخریب اراضی از اهمیت بالایی برخوردار می‌باشد. چرا که در این تحقیق الگوریتم‌های، بافت تصویر، شکل، ژئومتری، آماری و طیفی در ترکیب باهم برای هریک از کلاس‌های کاربری مورد استفاده قرار گرفتند و این رویکرد تلفیقی الگوریتم‌های شئ گرا در ترکیب باهم دیگر روش و متدولوژی کارآمدی را برای مدل‌سازی عوارض سطح زمین فراهم آورده است. علاوه بر این نتایج این تحقیق در شناسایی محدوده‌های باغی و کشاورزی تخریب شده بر اثر رشد شهری بسیار ارزشمند می‌باشد و می­تواند اطلاعات دقیق را برای برنامه‌ریزی و توسعه پایدار شهر ارومیه فراهم آورد.

مواد و روش‌ها

محدوده موردمطالعه و داده‌های تحقیق

شهر ارومیه مرکز شهرستان ارومیه و استان آذربایجان غربی با وسعت 8577.3 هکتار و در جلگه­ای به طول 70 و عرض 30 کیلومتر در کنار دریاچه­ای ارومیه واقع‌شده است. ارتفاع این شهر از سطح دریا 1313 متر می‌باشد )رهنما،آفتاب ،1393، ص157). محدوده مطالعه شهر ارومیه و محدوده اطراف آن را شامل می‌شود که درمجموع مساحت26287 هکتار را شامل می‌شود محدوده موردمطالعه در شکل (1) نشان داده‌شده است.

دانلود رایگان اصل مقاله