نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

پایش تغییرات کاربری اراضی حوضه آب- ملایر با استفاده از تصاویر لندست در سامانه گوگل ارث انجین

نوع مقاله : مقاله پژوهشی

نویسندگان
بختیار کریمی 1
علی ونایی 2
پروا محمدی 3
1 دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
2 مهندسی منابع آب، گروه علوم و مهندسی آب، دانشگاه بوعلی سینا همدان
3 دکتری علوم و مهندسی آب- منابع آب، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران.
10.22125/iwe.2024.460257.1812
چکیده
تعیین روند و بررسی تغییرات کاربری اراضی در مدیریت حوضه‌های آبریز امری ضروری است. هدف از این مطالعه بررسی تغییرات کاربری اراضی حوضه آبریز آب ملایر برای سال‌های 1379و 1399 با استفاده از تصاویر لندست در سامانه گوگل ارث انجین است. تهیه نقشه کاربری اراضی به شیوه ترکیب تصاویر لندست و پروداکت کاربری اراضی سنجنده مادیس و از الگوریتم طبقه‌بندی جنگل تصادفی استفاده شد. نتایج منطقه مورد مطالعه را به پنج کلاس، شامل کاربری‌های علفزار، زمین زراعی، چمن‌زار، شهری در سال 1379 و کاربری‌های جنگل، زمین زراعی، چمن‌زار ، شهری و بایر در سال 1399 تقسیم کرد. نتایج نشان داد که بیشترین تغییر کاربری اراضی علفزار مربوط به چمن‌زار به‌میزان 1/37 درصد و کم‌ترین آن به‌میزان صفر درصد مربوط به جنگل بود. بیشترین تغییر کاربری اراضی چمن‌زار مربوط به زمین‌های زراعی با میزان ۶ درصد و کم‌ترین آن مربوط به جنگل‌های ساوانا با میزان ۰۱/۰ درصد است. از سوی دیگر، بیشترین تغییر کاربری اراضی زمین‌های زراعی به چمن‌زار 4/11 درصد و کمترین آن 2/0 درصد نیز به جنگل‌های ساوانا اختصاص داشت. در فرآیند صحت‌سنجی تصاویر طبقه‌بندی شده با الگوریتم جنگل تصادفی دقت کلی به‌ترتیب برای سال‌های 1379 و 1399برابر با73 و 75درصد و ضریب کاپا برابر با 66/0 و 68/0 به دست آمد که این مقادیر نتایج قابل‌قبولی را برای طبقه‌بندی کاربری اراضی در منطقه مورد مطالعه ارائه کرد.
کلیدواژه‌ها
جنگل تصادفی
ضریب کاپا
سنجش از دور
گوگل ارث انجین
موضوعات

عنوان مقاله English

Monitoring Land Use Changes in Ab-Malayer Basin using Landsat Images by Google Earth Engine

نویسندگان English

Bakhtiar Karimi 1
Ali Vanaei 2
Parva Mohammadi 3
1 Assistant Professor, Department of Water Engineering, University of Kurdistan, Sanandaj, Iran
2 Department of Water Engineering, Bu Ali Sina University in Hamedan
3 Ph.D, Department of Irrigation and Reclamation Engineering, College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran
چکیده English

Determining the trend and examining land use changes is essential in managing watersheds. This study aims to investigate land use changes in the AB- Malayer watershed for the years 2001 and 2021 using Landsat images in the Google Earth Engine. The land use map was created by combining Landsat images with the MODIS land use product and applying the random forest classification algorithm. The analysis categorized the study area into five classes: grassland, cropland, forest, urban land, and barren land. In 2001, the land was primarily classified as grassland, cropland, and urban land. By 2021, the classifications expanded to include forest and barren land. The most significant change observed was in grassland, which decreased by 37.1%, while forest cover remained unchanged at 0%. Grassland primarily transitioned into agricultural land, accounting for a 6% change, whereas the smallest shift, 0.01%, involved conversion to savannah forests. Additionally, agricultural land experienced an 11.4% conversion to grassland, with the smallest change of 0.2% occurring towards savannah forests. The validation of the classification using the random forest algorithm yielded overall accuracy rates of 73% and 75%, and Kappa coefficients of 0.66 and 0.68 for the years 2001 and 2021, respectively. These results indicate a reliable land use classification for the study area.

کلیدواژه‌ها English

Kappa coefficient
Google Earth Engine
Random forest
Remote sensing
سعدی، ح، و عواطفی اکمل، ف. 1397. عوامل مؤثر بر تغییر کاربری اراضی کشاورزی در روستاهای شهرستان همدان. اقتصاد فضا و توسعه روستایی، 7 (2): 211-226.
سعدیان، ع.، ح.، شفیع زاده مقدم. 1399. بررسی تغییرات کاربری اراضی حوضه آبریز کرخه در سال‌های 1990 و 2020 با استفاده از پلتفرم گوگل ارث انجین و تصاویر ماهواره‌ای لندست. تحقیقات آب و خاک ایران 52 (10): 2569-2580.
سلطانی.، ن و.، محمدنژاد. 1400. کارایی سامانه گوگل ارث انجین (GEE) در ارزیابی تغییرات کاربری اراضی و پیش‌بینی آن با مدل مارکوف (مطالعه موردی دشت ارومیه). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 12(3): 101-114.‎
عالی نژاد م.ح.، س.، جهانبخش اصل. 1400. شبیه‌سازی رواناب ناشی از ذوب برف حوضه گاماسیاب با مدل SRM. تحلیل فضایی مخاطرات محیطی. ۸ (۱) :۲۱-۳۶.
محمدی.، پ، ک.، ابراهیمی و ج.، بذرافشان. 1402. بررسی تغییرات کاربری اراضی حوزه آبخیز گرگانرود با استفاده از پلتفرم گوگل ارث انجین. مجله علوم ومهندسی آبخیزداری ایران، 17 (60): 11-19.
محمدی، ع.، ب.، خدابنده لو. 1399. آشکارسازی تغییرات کاربری اراضی شهر زنجان با استفاده از تحلیل‌های شی‌گرا و سامانة گوگل‌ارث انجین. جغرافیا و برنامه ریزی محیطی 31 (2) 25-42.
نیکخو، ع.، ایلدرمی، ح و نوری، ع. 1394. تحولات کاربری اراضی شهر ملایر با بهره‌گیری از سنجش از دور محورهای موضوعی: آمایش محیط. دانشگاه ملایر.
یوسفی، ح.، ح.، ترابی پوده، ع.، حقی زاده، آ.، صمدی و یاراحمدی.، ی. 1400. پایش تغییرات دریاچه زریبار کردستان با استفاده از شاخص‌های طیفی تفاضل نرمال و تصاویر لندست در سامانه Google Earth Engine. هیدروژئولوژی، 6 (2): 30-41.
Arpitha., M,  Ahmed., S.M  and  N., Harishnaika. 2023. Land use and land cover classification using machine learning algorithms in google earth engine. Earth Science Informatics, 16(4), 3057-3073.‏
Belgiu, M., and L. Drăguţ. 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 114, 24-31.‏
Carrasco, L., A.W., R.D. O’NeilMorton., and C.S. Rowland. 2019. Evaluating combinations of temporally aggregated Sentinel-1, Sentinel-2 and Landsat 8 for land cover mapping with Google Earth Engine. Remote Sensing, 11(3), 288.‏
Dubertret, F., F., Le Tourneau, M. L., Villarreal and L.M., Norman. 2022. Monitoring Annual Land Use/Land Cover Change in the Tucson Metropolitan Area with Google Earth Engine (1986–2020). Remote Sensing, 14(9), 2127.‏
Friedl, M. A., Sulla-Menashe, D., Tan, B., Schneider, A., Ramankutty, N., Sibley, A., and Huang, X. 2010. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets. Remote Sensing of Environment, 114(1), 168-182.
Fritz, S., L. See., and F. Rembold. 2010. Comparison of global and regional land cover maps with statistical information for the agricultural domain in Africa. International Journal of Remote Sensing, 31(9), 2237-2256
Gao, B. C. 1996. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257-266.‏
Gibson, P. J. and C.H., Power. 2000. Introductory remote sensing: Digital image processing and applications. (No Title).
Huang, H., Y. Chen., N. Clinton., NJ. Wang., X. Wang., X., C. Liu., and Z. Zhu. 2017. Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine. Remote sensing of environment, 202, 166-176.‏
Kolli, M. K., C., Opp. D., Karthe and M., Groll. 2020. Mapping of major land-use changes in the Kolleru Lake freshwater ecosystem by using landsat satellite images in google earth engine. Water, 12(9), 2493.‏
Kuhn, M., and Johnson, K. 2013. Applied predictive modeling (Vol. 26, p. 13). New York: Springer.‏
Lam, N. S. N. (2008). Methodologies for mapping land cover/land use and its change. In Advances in land remote sensing: System, Modeling, Inversion and Application (pp. 341-367). Dordrecht: Springer Netherlands.‏
Liu, C., W. Li., G., Zhu, H., Zhou, H., Yan and P., Xue. 2020. Land use/land cover changes and their driving factors in the Northeastern Tibetan Plateau based on Geographical Detectors and Google Earth Engine: A case study in Gannan Prefecture. Remote Sensing, 12(19), 3139.‏
Liu, C., W., Li, G., Zhu, H., Zhou, H., Yan, and P., Xue. 2020. Land use/land cover changes and their driving factors in the Northeastern Tibetan Plateau based on Geographical Detectors and Google Earth Engine: A case study in Gannan Prefecture. Remote Sensing, 12(19), 3139.‏
Loukika, K. N., V.R., Keesara, and V., Sridhar. 2021. Analysis of land use and land cover using machine learning algorithms on google earth engine for Munneru River Basin, India. Sustainability, 13(24), 13758.‏
Luscier, J.; W. Thompson., J. Wilson., B. Gorham and L. Dragut. 2006. Using digital photographs and object‐based image analysis to estimate percent ground cover in vegetation plots. Frontiers in Ecology and the Environment, 4(8), 408-413.
Quintero-Gallego, M.E., M. Quintero-Angel and.J.J. Vila-Ortega. 2018. Exploring land use/land cover change and drivers in Andean mountains in Colombia: A case in rural Quindio. Sci. Total Environ. 2018, 634, 1288–1299.
Rouse, J. W., R.H., Haas, J.A., Schell and D.W., Deering. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309.‏
Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock, C. E., Allen, R. G., Anderson, M. C., and Kennedy, R. E. 2014. Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment, 145, 154-172.
Salvatore, M., Casadio, S., Corradini, S., Cattaneo, C., Pisani, D., and Piscitelli, M. 2014. Monitoring land cover dynamics and degradation over the Mediterranean region using MODIS NDVI time series. Journal of Environmental Management, 142, 32-44.
Sidhu, N., E. Pebesma., and G. Câmara. 2018. Using Google Earth Engine to detect land cover change: Singapore as a use case. European Journal of Remote Sensing, 51(1), 486-500.‏
Sidhu, N., E., Pebesma and G. Câmara. 2018. Using Google Earth Engine to detect land cover change: Singapore as a use case. European Journal of Remote Sensing, 51(1), 486-500.‏
Tamiminia, H., B. Salehi., M. Mahdianpar.i, L. Quackenbush., S. Adeli, and B. Brisco. 2020. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS journal of photogrammetry and remote sensing, 164, 152-170.‏
‏Thenkabail, M. Schull, and H. Turral, “Ganges and Indus River basin land use/land cover (LULC) and irrigated area mapping using continuous streams of MODIS data,” Remote Sens Environ. 95, 317–341 (2004).‏
Thenkabail, P. S., P.G. Teluguntla., J.Xiong., A. Oliphant., R.G. Congalton., M. Ozdogan., D.Foley. 2021. Global cropland-extent product at 30-m resolution (GCEP30) derived from Landsat satellite time-series data for the year 2015 using multiple machine-learning algorithms on Google Earth Engine cloud (No. 1868). US Geological Survey.‏
U.S. Geological Survey (USGS). (2019. Landsat Surface Reflectance-Derived Spectral Indices. Remote Sensing of Environment, 160, 12-23.
Viera, A. J., and Garrett, J. M. 2005. Understanding interobserver agreement: The kappa statistic. Family Medicine, 37(5), 360-363.
Wang, L., and Liu, J. 2023. Land use and land cover change detection using remote sensing data and machine learning methods: A review. Remote Sensing, 15(5), 1240. Link to article
Xie, S., L. Liu., X. Zhang., J. Yang., X. Chen, and Y. Gao. 2019. Automatic land-cover mapping using landsat time-series data based on google earth engine. Remote sensing, 11(24), 3023.‏
Zhang, X., Zhang, Y., and Liu, Y. 2022. Advances in Land Use/Cover Change Detection with Remote Sensing Techniques: A Comprehensive Review. Sensors, 22(16), 6057. Link to article
Zhang., J, and L., Jia. 2014. A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China. In 2014 Third International Workshop on Earth Observation and Remote Sensing Applications (EORSA) (pp. 403-407). IEEE.‏