| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,168 |
| تعداد مقالات | 35,197 |
| تعداد مشاهده مقاله | 50,944,474 |
| تعداد دریافت فایل اصل مقاله | 90,950,057 |
پایش و آشکارسازی روند تغییرات کاربری/پوشش زمین با استفاده از الگوریتمهای یادگیری ماشین در بستر گوگل ارث انجین، مطالعه موردی: حوزه آبخیز کارون 1 | ||
| مهندسی و مدیریت آبخیز | ||
| دوره 18، شماره 1، فروردین 1405، صفحه 25-44 اصل مقاله (1.29 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2025.371067.2135 | ||
| نویسندگان | ||
| سینا نبی زاده1؛ علی اصغر نقی پور* 2؛ عطاالله ابراهیمی3؛ حمیدرضا کشتکار4؛ الهام قهساره3 | ||
| 1دانشجوی دکتری علوم و مهندسی مرتع، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
| 2استادیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
| 3دانشیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
| 4استادیار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| مقدمه نقشههای کاربری/پوشش زمین از ابزارهای کلیدی در مدیریت منابع طبیعی، برنامهریزی منطقهای و دستیابی به توسعه پایدار به شمار میآیند و ازاینرو ضرورت پایش دقیق و بهروز آنها بیشازپیش احساس میشود. تغییرات ناشی از عوامل انسانی و طبیعی، الگوهای کاربری زمین را بهطور مستمر دستخوش تحول کرده و پیامدهای قابلتوجهی بر بومسازگانهای محلی و جهانی ایجاد کردهاند. در دهههای اخیر، پیشرفت فناوری سنجش از دور و الگوریتمهای یادگیری ماشین تحول مهمی در استخراج و طبقهبندی دادههای مکانی ایجاد کرده است. سامانه گوگل ارث انجین (GEE) بهعنوان بستری قدرتمند برای پردازش کلاندادههای مکانی-زمانی، امکان تولید نقشههای دقیق و بهروز را فراهم میکند. در این چارچوب، مطالعه حاضر با تمرکز بر ترکیب تصاویر چندزمانه، بهرهگیری از دادههای کمکی و مقایسه سه الگوریتم یادگیری ماشین در یک حوزه آبخیز وسیع و ناهمگن همچون کارون ۱، با هدف بهبود دقت طبقهبندی و تقویت قابلیت پایش تغییرات بلندمدت پوشش زمین انجام شده است. مواد و روشها بهمنظور ارزیابی تغییرات کاربری و پوشش زمین در حوزه آبخیز کارون ۱، تصاویر سنجندههای ETM+ لندست ۷ (سال ۲۰۰۲) وOLI لندست ۸ (سال ۲۰۲۴) با پوشش ابری کمتر از ۱۰ درصد و با لحاظ میانگین بارندگی بلندمدت، از طریق GEE و در قالب دادههای بازتاب سطحی تصحیحشده مورد استفاده قرار گرفت. تصاویر ترکیبی حاصل از نُه صحنه تصویری لندست طی دوره اوج رشد پوشش گیاهی (اردیبهشت تا تیر ماه) با فیلتر میانه تهیه و سپس مطابق مرز حوضه برش داده شدند. در ادامه، تعداد ۱۹۲۰ نقطه آموزشی در قالب هفت کلاس کاربری/پوشش زمین مطابق طبقهبندی آندرسون و بر پایه دادههای میدانی، تصاویر هوایی و گوگل ارث برداشت شد. این دادهها بهصورت تصادفی به دو مجموعه آموزش (۶۰ درصد) و ارزیابی (۴۰ درصد) تقسیم شدند. متغیرهای کمکی (مانند NDVI، NDBI، NDWI و DSM) استخراج و در کنار باندهای طیفی اصلی گنجانده شدند. آزمایشهای طبقهبندی در GEE با استفاده از سه الگوریتم نظارت شده CART، RF و SVM اجرا شدند. پارامترهای مدل و رویههای آموزشی برای اطمینان از تکرارپذیری و سازگاری در بین روشها پیکربندی شدند. نتایج و بحث نتایج نشان داد که الگوریتمهای CART،RF و SVM نقشههای طبقهبندی را با دقت عالی تولید کردند و بهرهگیری از شاخصهای پوشش گیاهی و دادههای کمکی، دقت کلی و ضریب کاپای طبقهبندی را در هر دو سال افزایش داد. بیشینه دقت کلی و کاپا مربوط به الگوریتم SVM بود که در سال ۲۰۰۲ بهترتیب ۹۳ و 91.5 درصد و در سال ۲۰۲۴ برابر ۹۳ و ۹۲ درصد بهدست آمد. همچنین بر اساس نتایج هر سه الگوریتم، بخش عمدهای از مساحت حوضه (بهطور متوسط ۴۰ درصد) از مراتع و حدود ۲۷ درصد از جنگل تشکیل شده است. روند زمانی نتایج نیز نشاندهنده کاهش مساحت مراتع و جنگلها و بهویژه کاهش پهنههای آبی بر اساس الگوریتم SVM است. نتیجهگیری نتایج این پژوهش نشان داد که بهکارگیری الگوریتمهای یادگیری ماشین در بستر گوگل ارث انجین امکان تولید نقشههای دقیق کاربری/پوشش زمین و پایش مؤثر تغییرات محیطی را در یک حوزه آبخیز وسیع و ناهمگن فراهم میسازد. نتایج حاصل میتواند بهعنوان ابزاری کارآمد در برنامهریزی کاربری اراضی، مدیریت منابع طبیعی، پایش تخریب پوشش گیاهی و کنترل تغییرات کاربری در منطقه مورد استفاده قرار گیرد. با این حال، محدودیتهای ناشی از وضوح مکانی تصاویر لندست و خطاهای اختلاط پیکسلی بهویژه در مرز بین طبقات کاربری/پوشش زمین ازجمله چالشهای این مطالعه محسوب میشوند. بر این اساس، پیشنهاد میشود در پژوهشهای آتی از دادههای با قدرت تفکیک مکانی بالاتر مانند تصاویر سنتینل برای بهبود دقت طبقهبندی بهویژه در پوششهای گیاهی بهره گرفته شود. | ||
| کلیدواژهها | ||
| جنگل تصادفی (RF)؛ دادههای کمکی؛ درخت طبقهبندی و رگرسیون (CART)؛ سنجش از دور؛ ماشین بردار پشتیبان (SVM) | ||
| عنوان مقاله [English] | ||
| Monitoring and detection of land use/land cover change using machine learning algorithms on the google earth engine platform: a case study of the Karun 1 Watershed | ||
| نویسندگان [English] | ||
| Sina Nabizadeh1؛ Ali asghar Naghipour2؛ Ataollah Ebrahimi3؛ Hamidreza Keshtkar4؛ Elham Ghehsareh3 | ||
| 1Ph.D. Student, Department of Nature Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran | ||
| 2Assistant Professor, Department of Nature Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran | ||
| 3Associate Professor, Department of Nature Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran | ||
| 4Assistant Professor, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Iran, Karaj, Iran | ||
| چکیده [English] | ||
| Introduction Land use/land cover (LULC) maps are among the key tools for natural resource management, regional planning, and achieving sustainable development; therefore, the need for their accurate and up-to-date monitoring is increasingly emphasized. Continuous changes in land use driven by natural and human-induced factors have significantly affected local and global ecosystems. In recent decades, advances in remote sensing technologies and machine learning algorithms have led to major improvements in the extraction and classification of spatial data. The Google Earth Engine (GEE) platform, as a powerful cloud-based infrastructure for processing large-scale spatiotemporal data, provides an efficient framework for producing accurate and updated maps. Within this context, the present study focuses on the integration of multi-temporal satellite images, the use of auxiliary data, and the comparison of three machine learning algorithms over a large and heterogeneous watershed (Karun 1), aiming to improve classification accuracy and enhance the capability for long-term monitoring of LULC changes. Materials and methods To assess LULC changes in the Karun 1 watershed, Landsat 7 ETM+ (2002) and Landsat 8 OLI (2024) images with cloud cover less than 10% and considering long-term mean precipitation were retrieved and processed as surface reflectance products in the GEE platform. Composite images were generated from nine Landsat scenes during the peak growing season (May to July) using a median filter and were then clipped to the watershed boundary. A total of 1,920 training samples representing seven LULC classes based on the Anderson classification scheme were collected using field survey data, aerial photographs, and Google Earth imagery. The reference dataset was randomly split into training (60%) and evaluation (40%) subsets Auxiliary variables (such as NDVI, NDBI, NDWI, and a DSM) were derived and included alongside original spectral bands. Classification experiments were implemented in GEE using three supervised algorithms: CART, RF, and SVM. Model hyper parameters and training procedures were configured to ensure reproducibility and consistency across methods. Results and discussion The results showed that the CART, RF, and SVM algorithms produced classified maps with excellent accuracy. The incorporation of vegetation indices and auxiliary data improved both the overall accuracy and the Kappa coefficient for both study years. The highest overall accuracy and Kappa coefficient were achieved by the SVM algorithm, with values of 93% and 91.5% in 2002, and 93% and 92% in 2024, respectively. According to the results of all three algorithms, rangelands constitute the largest proportion of the watershed area (on average about 40%), followed by forests (approximately 27%). The temporal analysis indicated a decreasing trend in the area of rangelands and forests, as well as a notable reduction in water bodies, particularly based on the SVM results. Conclusions The results of this study demonstrated that applying machine learning algorithms within the Google Earth Engine platform enables the production of accurate land use/land cover maps and the effective monitoring of environmental changes over a large and heterogeneous watershed. The obtained results can be used as an efficient tool for land use planning, natural resource management, monitoring vegetation degradation, and controlling land use changes in the study area. However, limitations related to the spatial resolution of Landsat imagery and pixel-mixing errors, particularly along the boundaries between LULC classes, are considered among the main challenges of this study. Accordingly, it is recommended that future research utilize higher spatial resolution data, such as Sentinel imagery, to improve classification accuracy, especially for vegetation cover mapping. | ||
| کلیدواژهها [English] | ||
| Auxiliary data, Classification and Regression Tree (CART), Random Forest (RF), Remote sensing, Support Vector Machine (SVM) | ||
| مراجع | ||
|
Abdi, A.M., 2020. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GISci. Remote Sens. 57(1), 1-20. Aghababaei, M., Ebrahimi, A., Naghipour, A.A., Asadi, E., Verrelst, J., 2021. Vegetation types mapping using multi-temporal landsat images in the google earth engine platform. Remote Sens. 13(22), 4683. Alencar, A., Z. Shimbo, J., Lenti, F., Balzani Marques, C., Zimbres, B., Rosa, M., Arruda, V., Castro, I., Fernandes Marcico Ribeiro, J.P., Varela, V., Alencar, I., 2020. Mapping three decades of changes in the brazilian savanna native vegetation using landsat data processed in the google earth engine platform. Remote Sens. 12(6), 924. Amin, A., Fazal, S., 2012. Land transformation analysis using remote sensing and GIS techniques (a case study). J. Geogr. Inf. Syst. 4(3), 229-236. Anderson, J.R., 1976. A land use and land cover classification system for use with remote sensor data (Vol. 964). US Government Printing Office. Armenteras, D., Murcia, U., González, T.M., Barón, O.J., Arias, J.E., 2019. Scenarios of land use and land cover change for NW Amazonia: Impact on forest intactness. Glob. Ecol. Conserv. 17, e00567. Ballabio, C., Sterlacchini, S., 2012. Support vector machines for landslide susceptibility mapping: the Staffora River Basin case study, Italy. Math. Geosci. 44(1), 47-70. Belgiu, M., Drăguţ, L., 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 114, 24-31. Breiman, L., 2001. Random forests. Mach. Learn. 45(1), 5-32. Brieman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. 1984. Classification and Regression Trees, 1st ed.; Routledge: London, UK, 45, 5-32. Congalton, R.G., Green, K., 2019. Assessing the accuracy of remotely sensed data: principles and practices. CRC press. Feizizadeh, B., Blaschke, T., Tiede, D., Rezaei Moghaddam, H.M., 2017. Evaluation of fuzzy operators within an object-based image analysis approach for landslide change detection analysis. Geomorphol. 293, 240-254. Feizizadeh, B., Omarzadeh, D., Kazemi Garajeh, M., Lakes, T., Blaschke, T., 2023. Machine learning data-driven approaches for land use/cover mapping and trend analysis using Google Earth Engine. J. Environ. Plan. Manag. 66(3), 665-697. Goyal, R., Featherstone, W.E., Dikshit, O., Balasubramania, N., 2021. Comparison and validation of satellite-derived digital surface/elevation models over India. J. Indian Soc. Remote Sens. 49(4), 971-986. He, L., Yue, P., 2015. July. Moving towards intelligent giservices. In 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 1373-1376). IEEE. Hsu, C.W., Chang, C.C., Lin, C.J., 2003. A practical guide to support vector classification. Inglada, J., Vincent, A., Arias, M., Tardy, B., Morin, D., Rodes, I., 2017. Operational high resolution land cover map production at the country scale using satellite image time series. Remote Sens. 9(1), 95. Jahdi, R., 2023. Land Use/Cover Change and Its Driving Forces in the Fandoghlo Region. Ext. Dev. Watershed Manag. 11(42), 40-42 (in Persian) Japelaghi, M., Hajian, F., Gholamalifard, M., Pradhan, B., Maulud, K.N.A., Park, H.J., 2022. Modelling the impact of land cover changes on carbon storage and sequestration in the central zagros region, Iran using ecosystem services approach. Land 11(3), 423. Jordan, C.F., 1969. Derivation of leaf‐area index from quality of light on the forest floor. Ecol. 50(4), 663-666. Kamran, K.V., Feizizadeh, B., Khorrami, B., Ebadi, Y., 2021. A comparative approach of support vector machine kernel functions for GIS-based landslide susceptibility mapping. Appl. Geomat. 13(4), 837-851. Kazemi, M., Jafarpoor, A., 2024. Multi Temporal Land use/Land cover using Spectral indices, Sentinel-2 Imagery and Migrated Training Samples in Google Earth Engine. Iran. J. Watershed Manag. Sci. 18(67), 1-15 (in Persian). Khan, S., Qasim, S., Ambreen, R., Syed, Z.U.H., 2016. Spatio-temporal analysis of landuse/landcover change of district pishin using satellite imagery and GIS. J. Geogr. Inf. Syst. 8(3), 361-368. Kollert, A., Bremer, M., Löw, M., Rutzinger, M., 2021. Exploring the potential of land surface phenology and seasonal cloud free composites of one year of Sentinel-2 imagery for tree species mapping in a mountainous region. Int. J. Appl. Earth Obs. Geoinf. 94, 102208. Kriegler, F., Malila, W., Nalepka, R., Richardson, W., 1969. Preprocessing transformations and their effect on multispectral recognition. In Proceedings of the Sixth International Symposium on Remote Sensing of Environment, Ann Arbor, MI, USA, 13–16. Lambin, E.F., Meyfroidt, P., 2011. Global land use change, economic globalization, and the looming land scarcity. Proc. Natl. Acad. Sci. 108(9), 3465-3472. Liu, X., He, J., Yao, Y., Zhang, J., Liang, H., Wang, H., Hong, Y., 2017. Classifying urban land use by integrating remote sensing and social media data. Int. J. Geogr. Inf. Sci. 31(8), 1675-1696. Loukika, K.N., Keesara, V.R., Sridhar, V., 2021. Analysis of land use and land cover using machine learning algorithms on google earth engine for Munneru River Basin, India. Sustain. 13(24), 13758. McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 17(7), 1425-1432. Minaei, M., Boulaghi, S., Sheikh, B., Rezaalizadeh, M., Najafi Deh Jalali, A., 2025. Monitoring and simulation of land use and land cover changes in the Great Karun Basin. Sci.-Res. Q. Geogr. Data (SEPEHR), 34(133), 65-87. Nabizadeh, S., Ebrahimi, A., Aghababaei, M. and Rahimi, I., 2019. Monitoring and predicting of land use changes in Farsan Watershed Using LCM. J. Range Watershed Manage. 72(1), 263-278 (in Persian). Nedd, R., Light, K., Owens, M., James, N., Johnson, E., Anandhi, A., 2021. A synthesis of land use/land cover studies: Definitions, classification systems, meta-studies, challenges and knowledge gaps on a global landscape. Land 10(9), 994. Ouma, Y., Nkwae, B., Moalafhi, D., Odirile, P., Parida, B., Anderson, G., Qi, J., 2022. Comparison of machine learning classifiers for multitemporal and multisensor mapping of urban LULC features. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 43, 681-689. Pandey, P.C., Koutsias, N., Petropoulos, G.P., Srivastava, P.K., Ben Dor, E., 2021. Land use/land cover in view of earth observation: Data sources, input dimensions, and classifiers—A review of the state of the art. Geocarto Int. 36(9), 957-988. Patino, J.E., Duque, J.C., 2013. A review of regional science applications of satellite remote sensing in urban settings. Comput. Environ. Urban Syst. 37, 1-17. Rahimi, D., Hasheminasab, S., Bashirian, F., 2025. Impact of climate change on river flow in the Zagros Mountain Region, Iran. J. Mt. Sci. 22(7), 2527-2540. Roy, S.K., Alam, M.T., Mojumder, P., Mondal, I., Kafy, A.A., Dutta, M., Ferdous, M.N., Al Mamun, M.A., Mahtab, S.B., 2024. Dynamic assessment and prediction of land use alterations influence on ecosystem service value: A pathway to environmental sustainability. Environ. Sustain. Indic. 21, 100319. Rwanga, S.S., Ndambuki, J.M., 2017. Accuracy assessment of land use/land cover classification using remote sensing and GIS. Int. J. Geosci. 8(04), 611. Santillan, J.R., Makinano-Santillan, M., 2016. Vertical accuracy assessment of 30-M resolution ALOS, ASTER, and SRTM global DEMS over Northeastern Mindanao, Philippines. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 41, 149-156. Sellami, E.M., Rhinane, H., 2023. A new approach for mapping land use/land cover using google earth engine: a comparison of composition images. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 48, 343-349. Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., Homayouni, S., 2020. Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 13, 6308-6325. Shiferaw, N., Habte, L., Waleed, M., 2025. Land use dynamics and their impact on hydrology and water quality of a river catchment: a comprehensive analysis and future scenario. Environ. Sci. Pollut. Res. 32(7), 4124-4136. Tadono, T., Ishida, H., Oda, F., Naito, S., Minakawa, K., Iwamoto, H., 2014. Precise global DEM generation by ALOS PRISM. ISPRS Annals of the Photogrammetry, Remote Sens. Spat. Inf. Sci. 2, 71-76. Talukdar, S., Singha, P., Mahato, S., Praveen, B., Rahman, A., 2020. Dynamics of ecosystem services (ESs) in response to land use land cover (LU/LC) changes in the lower Gangetic plain of India. Ecol. Indic. 112, 106121. Tiscornia, G., Jaurena, M., Baethgen, W., 2019. Drivers, process, and consequences of native grassland degradation: Insights from a literature review and a survey in Río de la Plata grasslands. Agron. 9(5), 239. Torahi, A.A., Rai, S.C., 2013. Modeling for prediction of land cover changes based on bio-physical and human factors in Zagros Mountains, Iran. J. Indian Soc. Remote Sens. 41(4), 845-854. United Nations Department of Economic and Social Affairs, Population Division., 2022. World Population Prospects 2022: Summary of Results. UN DESA/POP/2022/TR/NO. 3. Van-Camp, L., Bujarrabal, B., Gentile, A.R., Jones, R.J., Montanarella, L., Olazabal, C., Selvaradjou, S.K., 2004. Reports of the technical working groups. Established under the Thematic Strategy for Soil Protection, 162. Vapnik, V., 1995. The Nature of Statistical Learning Theory Springer New York Google Scholar. New York: Springer. Wahap, N.A., Shafri, H.Z., 2020, July. Utilization of Google earth engine (GEE) for land cover monitoring over Klang Valley, Malaysia. In IOP Conference Series: Earth Environ. Sci. 540(1), 012003. Winkler, K., Fuchs, R., Rounsevell, M., Herold, M., 2021. Global land use changes are four times greater than previously estimated. Nat. Commun. 12(1), 2501. Wu, K., Wang, Y., Liu, Z., Huo, W., Cao, J., Zhao, G., Zhang, F.G., 2024. Prediction of potential invasion of two weeds of the genus Avena in Asia under climate change based on Maxent. Sci. Total Environ. 950, 175192. Zha, Y., Gao, J., Ni, S., 2003. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. Int. J. Remote Sens. 24(3), 583-594. Zhang, C., Di, L., Yang, Z., Lin, L., Hao, P., 2020. AgKit4EE: A toolkit for agricultural land use modeling of the conterminous United States based on Google Earth Engine. Environ. Model. Softw. 129, 104694. Zhao, Z., Islam, F., Waseem, L.A., Tariq, A., Nawaz, M., Islam, I.U., Bibi, T., Rehman, N.U., Ahmad, W., Aslam, R.W., Raza, D., 2024. Comparison of three machine learning algorithms using google earth engine for land use land cover classification. Rangel. Ecol. Manag., 92, 129-137. Zheng, Q.H., Chen, W., Li, S.L., Yu, L., Zhang, X., Liu, L.F., Singh, R.P., Liu, C.Q., 2021. Accuracy comparison and driving factor analysis of LULC changes using multi-source time-series remote sensing data in a coastal area. Ecol. Inform. 66, 101457.
| ||
|
آمار تعداد مشاهده مقاله: 78 تعداد دریافت فایل اصل مقاله: 9 |
||