سنجش از دور

تشخیص تغییر کاربری اراضی: ۵ سال توسعه شهری اردبیل با Landsat

۹ دقیقه مطالعه آذر ۱۴۰۳ تیم فنی آرتا سنجش نگار

اردبیل در دهه گذشته یکی از سریع‌ترین نرخ‌های رشد شهری در ایران را تجربه کرده است. گسترش مناطق مسکونی به سمت اراضی کشاورزی و باغ‌های پیرامون شهر، تغییرات کاربری اراضی قابل توجهی ایجاد کرده که بدون داده دقیق مکانی، برنامه‌ریزی شهری و مدیریت منابع طبیعی را دچار چالش می‌کند. در این مقاله نتایج مطالعه تشخیص تغییر کاربری اراضی اردبیل در بازه ۱۳۹۷ تا ۱۴۰۲ با استفاده از داده‌های Landsat 8 را ارائه می‌دهیم.

هدف این مطالعه نه فقط کمی‌سازی تغییرات گذشته، بلکه ایجاد یک خط پایه دقیق برای پایش آینده و ارائه توصیه‌هایی به شهرداری و اداره کل منابع طبیعی استان بود. روش‌شناسی انتخاب‌شده باید قابل تکرار و قابل به‌روزرسانی می‌بود.

داده‌ها و پیش‌پردازش

از آرشیو Landsat 8 Collection 2 Level-2 استفاده کردیم. این محصول از قبل تصحیح اتمسفری شده و مقادیر بازتاب سطحی (Surface Reflectance) را ارائه می‌دهد که مقایسه بین تاریخ‌های مختلف را معنادار می‌کند. برای هر دوره (۱۳۹۷ و ۱۴۰۲) یک تصویر بدون ابر در ماه‌های تیر و مرداد انتخاب شد که تفاوت کاربری‌ها در آن بیشترین وضوح را دارد.

  • پوشش ابر: فیلتر QA_PIXEL بیت‌های cloud, cloud shadow و snow برای حذف پیکسل‌های غیر قابل استفاده.
  • ماسک مطالعه: محدوده مطالعه به شعاع ۲۵ کیلومتری از مرکز شهر اردبیل محدود شد.
  • تصحیح توپوگرافی: با توجه به توپوگرافی کوهستانی منطقه، تصحیح Cosine توپوگرافی با DEM 30 متری SRTM اعمال شد.
  • ترکیب باندی: برای طبقه‌بندی از باندهای B2, B3, B4, B5, B6, B7 به‌علاوه NDVI, NDWI, MNDWI استفاده شد.

روش تشخیص تغییر

از روش Post-Classification Comparison استفاده کردیم. در این روش هر تصویر به‌صورت مستقل طبقه‌بندی می‌شود و سپس نقشه‌های طبقه‌بندی‌شده با هم مقایسه می‌شوند. مزیت این روش امکان تحلیل ماتریس تغییر کامل است؛ یعنی می‌توانیم بگوییم چه مقدار از کشاورزی به مسکونی، یا چه مقدار از باغ به صنعتی تبدیل شده است.

الگوریتم طبقه‌بندی انتخابی، ماشین بردار پشتیبان (SVM) با کرنل RBF بود. نمونه‌های آموزشی با ترکیب تفسیر بصری تصاویر Google Earth تاریخی و بازدید میدانی جمع‌آوری شد. برای هر کلاس حداقل ۱۰۰ نمونه با توزیع مکانی متنوع استفاده شد.

// Google Earth Engine — طبقه‌بندی SVM و تشخیص تغییر var image_2018 = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_167034_20180601') .select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7']) .multiply(0.0000275).add(-0.2); // Scale factor L2 var image_2023 = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_167034_20230612') .select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7']) .multiply(0.0000275).add(-0.2); // آموزش SVM var classifier_SVM = ee.Classifier.libsvm({ kernelType: 'RBF', gamma: 0.5, cost: 10 }).train(training_samples, 'class', bands); // طبقه‌بندی هر دوره var classified_2018 = image_2018.classify(classifier_SVM); var classified_2023 = image_2023.classify(classifier_SVM); // نقشه تغییر — پیکسل‌های متفاوت var change = classified_2018.neq(classified_2023); // ماتریس تغییر var changeMatrix = classified_2018.addBands(classified_2023) .reduceRegion({ reducer: ee.Reducer.frequencyHistogram(), geometry: study_area, scale: 30, maxPixels: 1e9 });

ارزیابی دقت

برای ارزیابی دقت، ۲۵۰ نقطه کنترل زمینی مستقل از نمونه‌های آموزشی جمع‌آوری شد. ماتریس درهم‌ریختگی (Confusion Matrix) محاسبه شد و نتایج کلی به این صورت بود:

  • دقت کلی (Overall Accuracy): ۸۷.۲٪
  • ضریب کاپا (Kappa Coefficient): ۰.۸۴
  • ضعیف‌ترین کلاس: زمین بایر ← دقت تولیدکننده ۷۸٪ (اشتباه با مناطق صنعتی روشن)
  • بهترین کلاس: پوشش آبی ← دقت ۹۸٪
دقت ۸۷٪ برای Landsat 30 متری در منطقه با پیچیدگی توپوگرافی متوسط قابل قبول است. برای دقت بالاتر، استفاده از Sentinel-2 با تفکیک ۱۰ متری یا ادغام چند تاریخ در فصل رشد توصیه می‌شود.

تغییرات کاربری اراضی ۱۳۹۷–۱۴۰۲

کاربری اراضی مساحت ۱۳۹۷ (هکتار) مساحت ۱۴۰۲ (هکتار) تغییر (هکتار) درصد تغییر
مسکونی و شهری ۱۲,۴۵۰ ۱۶,۸۲۰ +۴,۳۷۰ +۳۵.۱٪
کشاورزی آبی ۲۸,۶۰۰ ۲۴,۱۳۰ −۴,۴۷۰ −۱۵.۶٪
باغ و فضای سبز ۸,۲۳۰ ۶,۵۹۰ −۱,۶۴۰ −۱۹.۹٪
زمین بایر و ساخت‌وساز ۵,۴۸۰ ۷,۲۱۰ +۱,۷۳۰ +۳۱.۶٪
مراتع و کوهستان ۱۴۵,۲۴۰ ۱۴۵,۲۵۰ +۱۰ ≈ ثابت

جالب‌ترین یافته این بود که تقریباً ۴,۳۷۰ هکتار اراضی کشاورزی و باغ در ۵ سال به مناطق شهری تبدیل شده است؛ معادل ۳۶ کیلومتر مربع. بیشترین این تغییر در حاشیه شمال‌غربی شهر در امتداد جاده‌های اصلی اتفاق افتاده که نشانه توسعه خطی آشنای شهرهای ایرانی است.

نتیجه‌گیری و پیشنهادات

نرخ تبدیل اراضی کشاورزی در اردبیل هشداردهنده است. با ادامه روند فعلی، شهر تا ۱۴۱۰ بخش قابل توجهی از اراضی کشاورزی بلافصل خود را از دست خواهد داد که امنیت غذایی منطقه و ریزاقلیم شهری را تهدید می‌کند. چند پیشنهاد کاربردی:

  • تعریف حریم حفاظتی سبز با مجوزهای ساختمانی محدود در شمال‌غرب شهر
  • تراکم‌سازی درونی به‌جای گسترش افقی با بازنگری در ضوابط شهرسازی
  • پایش سالانه با Sentinel-2 برای شناسایی فوری تبدیل غیرمجاز اراضی
  • ایجاد بانک اطلاعات کاربری اراضی به‌روز برای تصمیمات صدور مجوز ساخت
نکات کلیدی
  • در ۵ سال (۱۳۹۷–۱۴۰۲)، ۳۶ کیلومترمربع اراضی کشاورزی اردبیل به مناطق شهری تبدیل شده است.
  • روش Post-Classification Comparison امکان تحلیل ماتریس تغییر کامل را فراهم می‌کند و برای برنامه‌ریزان شهری مفیدتر است.
  • SVM با دقت کلی ۸۷٪ برای منطقه کوهستانی با تنوع کاربری متوسط، انتخاب مناسبی است.
  • Google Earth Engine امکان پردازش دهه‌ها آرشیو Landsat را بدون دانلود داده فراهم می‌کند.