| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,088 |
| تعداد مقالات | 34,485 |
| تعداد مشاهده مقاله | 49,252,730 |
| تعداد دریافت فایل اصل مقاله | 79,714,540 |
آشکارسازی تغییرات کاربری و پوشش زمین در کلانشهر تهران با استفاده از سنجش از دور و الگوریتمهای یادگیری ماشین (1400-1370 خورشیدی) | ||
| مدیریت اراضی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 آذر 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/lmj.2025.370601.393 | ||
| نویسندگان | ||
| زهرا محمداسماعیل1؛ میرناصر نویدی2؛ رسول خوارزمی* 3 | ||
| 1محقق، موسسه تحقیقات خاک و آب | ||
| 2دانشیار پژوهش، موسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 3عضو هیئت علمی موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| تغییرات کاربری و پوشش زمین (LULC) در کلانشهر تهران، بهعنوان یکی از پرجمعیتترین شهرهای خاورمیانه، تأثیرات عمیقی بر پایداری زیستمحیطی و منابع طبیعی داشته است. این مطالعه با استفاده از دادههای سنجش از دور، شامل تصاویر ماهوارهای لندست(سنجندههای TM, ETM+, OLI) و Sentinel-2 از سالهای 1370 تا 1400 (1991 تا 2021)، به بررسی پویایی شهری تهران پرداخت. تصاویر از پلتفرمهای Google Earth Engine و USGS استخراج و تصحیحات هندسی، رادیومتریک و اتمسفری با الگوریتم FLAASH انجام شدند. برای شناسایی الگوهای LULC، شاخصهای NDVI و NDBI محاسبه و طبقهبندی غیرنظارتشده با الگوریتم K-means برای استخراج پنج کلاس اصلی (اراضی انسان ساخت، اراضی سبز غیردرختی، باغات، اراضی بایر و منابع آبی) اعمال شد. سپس، روشهای طبقهبندی نظارتشده شامل ماشین بردار پشتیبان (SVM)، حداقل فاصله از میانگین (MD) و حداکثر احتمال (MLC) ارزیابی شدند، که SVM با دقت کلی 91 درصد و ضریب کاپا 89/0 بهترین عملکرد را نشان داد. تحلیل تغییرات با روش مقایسه پس از طبقهبندی نشان داد که مساحت مناطق ساختهشده 7/39 درصد (از 36/410 به 51/573 کیلومترمربع) افزایش یافته، در حالی که اراضی کشاورزی و باغی به ترتیب 3/69 و 9 درصد کاهش یافتهاند. این گسترش، عمدتاً در غرب و جنوب تهران، با تبدیل اراضی کشاورزی مرغوب به کاربریهای شهری و صنعتی همراه بوده و خطراتی مانند افزایش جزیره گرمایی شهری، کاهش امنیت غذایی و تخریب منابع آب و خاک را به دنبال داشته است. این یافتهها بر ضرورت سیاستهای پایدار شهری، از جمله حفاظت از اراضی کشاورزی، توسعه عمودی و مدیریت منابع آب تأکید دارند تا تهران به سمت پایداری زیستمحیطی حرکت کند و الگویی برای کلانشهرهای در حال توسعه ارائه دهد. | ||
| کلیدواژهها | ||
| تغییرکاربری؛ طبقه بندی نظارت شده؛ توسعه پایدار شهری؛ تصاویر ماهواره ای | ||
| عنوان مقاله [English] | ||
| Land Use and Land Cover Change Detection in the Tehran Metropolitan Area Using Remote Sensing and Machine Learning Algorithms (1991–2021) | ||
| نویسندگان [English] | ||
| Zahra MohammadEsmaeil1؛ MirNasser Navidi2؛ Rasoul Kharazmi3 | ||
| 1Researcher, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 2Associate prof. at Soil and Water research institute, Agricultural Research Education And Extension Organization (AREEO), Tehran, IRAN | ||
| 3Assistant prof. at Soil and Water research institute, Agricultural Research Education And Extention Organization (AREEO), Tehran, IRAN | ||
| چکیده [English] | ||
| Land use and land cover (LULC) changes in Tehran, one of the most populous metropolises in the Middle East, have profoundly impacted environmental sustainability and natural resources. This study employed remote sensing data, including Landsat (TM, ETM+, and OLI) and Sentinel-2 imagery from 1991 to 2021, to investigate urban dynamics in Tehran. Images were sourced from Google Earth Engine and USGS platforms and pre-processed using geometric, radiometric, and atmospheric corrections via the FLAASH algorithm. To identify LULC patterns, Normalized Difference Vegetation Index (NDVI) and Normalized Difference Built-up Index (NDBI) were calculated, followed by unsupervised classification using the K-means algorithm to delineate five primary land use classes: built-up areas, agricultural lands, orchards, barren lands, and water bodies. Subsequently, supervised classification methods, including Support Vector Machine (SVM), Minimum Distance (MD), and Maximum Likelihood Classifier (MLC), were evaluated, with SVM demonstrating superior performance (overall accuracy of 91% and Kappa coefficient of 0.89). Change detection using the post-classification comparison method revealed a 39.7% increase in built-up areas (from 410.36 to 573.51 km²), while agricultural and orchard lands decreased by 69.3% and 9%, respectively. This expansion, primarily towards western and southern Tehran, has led to the conversion of fertile agricultural lands into urban and industrial uses, posing risks such as intensified urban heat islands, diminished food security, and degradation of water and soil resources. These findings underscore the urgent need for sustainable urban policies, including the protection of remaining agricultural lands, promotion of vertical urban development, and integrated water resource management, to steer Tehran towards environmental sustainability and provide a model for other developing metropolises. | ||
| کلیدواژهها [English] | ||
| Land use change, Supervised Classification, Urban Development, Satellite Images | ||
|
آمار تعداد مشاهده مقاله: 6 |
||