مقدمه

توسعه شهرنشینی در دهه­های اخیر باعث رشد ناهمگون شهری و ایجاد ناهماهنگی­هایی در چگونگی استفاده از زمین­های شهری شده است. از مهمترین آثار عدم استفاده صحیح و مناسب از زمین­های شهری تخریب و تغییر کاربری فضاها و پوشش سبز شهری است که تاثیر مخربی بر سیما و عملکرد شهر دارد. فضاها و پوشش سبز وظایف مختلفی در عملکرد یک شهر به عهده دارند، به عنوان مثال؛ آنها ریه­های تنفسی شهر محسوب می­شوند که با انجام فتوسنتز نقش کلیدی در کاهش آلودگی­ها و تلطیف هوا دارند. با توجه به همبستگی منفی پوشش گیاهی با حرارت سطح زمین[1] (LST)، یکی دیگر از عملکردهای مهم فضاها و پوشش سبز نقش کاهنده آن در وسعت و شدت جزایر حرارتی است. همچنین آنها به عنوان یک تفرجگاه نقش بسزایی را در ارتقاء سطح بهداشت روانی شهروندان یک شهر و نیز زیباسازی منظر شهری ایفا می­نمایند. با توجه به تاثیر این فضاها در کاهش رواناب­های سطحی، گسترش فضاهای سبز همچنین یک راهکار مناسب در مدیریت سیلاب­های شهری تلقی می­شود. بنابراین برخورداری هر چه مناسبتر یک شهر از فضاها و پوشش سبز، به عنوان یکی از شاخص­های زیست محیطی در توسعه پایدار در محیط­های شهری بسیار حائز اهمیت می­باشد.

شهر تهران در دهه­های اخیر شاهد رشد روزافزون جمعیت بوده و به تبع آن توسعه فیزیکی و تغییرات کالبدی اساسی را تجربه کرده است. بسیاری از این تغییرات به دلیل عدم توجه لازم به مفهوم توسعه پایدار، تخریب و اختلال در عملکرد فضاها و پوشش سبز شهری را در پی داشته­اند. آشکارسازی تغییراتی که در گذر زمان در فضاها و پوشش سبز کلانشهر تهران اتفاق افتاده و نیز تحلیل چگونگی و چرایی آن در سطح شهر و در سطح مناطق 22­گانه، اطلاعات ارزشمندی را برای مدیران شهری جهت بررسی دقیق علل و شناسایی عوامل ایجاد این تغییرات نامطلوب فراهم می­آورد. بدیهی است که این مطالعات گام مهمی در راستای مناسب­سازی تصمیم­گیری­های آتی و مدیریت بهینه شهری خواهد بود. تکنولوژی سنجش از دور با فراهم آوردن امکانات منحصربفرد از قبیل دید وسیع منطقه­ای، اخذ تصاویر متناوب زمانی، ارائه تصاویر با تنوع طیفی حتی فرا از محدوده بینایی انسان و در اختیار گذاشتن طیف وسیعی از تکنیک­های پردازشی، به ابزاری توانمند برای مطالعات مختلف شهری از جمله مطالعه پوشش سبز شهری تبدیل شده است که استفاده از آن در سال­های اخیر هدف مطالعات متعددی از سوی دانشمندان حوزه مطالعات شهری بوده است.  

هدف اصلی پژوهش حاضر آشکارسازی تغییرات ده ساله پوشش­سبز کلانشهر تهران از سال 1389 تا سال 1398 می­باشد. در این راستا از سری زمانی تصاویر ماهواره­ لندست استفاده می­گردد. به­منظور بررسی دقیق­تر این تغییرات و فراهم آوردن امکان کشف چرایی اتفاق افتادن آنها، آشکارسازی تغییرات علاوه بر اینکه در مقیاس شهر تهران انجام می­شود، به تفکیک مناطق 22 گانه شهرداری تهران نیز صورت می­پذیرد. رویکرد مورد استفاده جهت آشکارسازی تغییرات رویکرد پس از طبقه­بندی[2] است و طبقه­بندی­ کننده­های بیشترین شباهت[3]، شبکه عصبی مصنوعی[4] و ماشین بردار پشتیبان[5]  استفاده و نتایج آنها با هم مقایسه می­شوند.  نوآوری این تحقیق شامل اقداماتی است که برای اخذ بهترین نتیجه در مرحله طبقه­بندی تصاویر انجام می­شوند. این اقدامات شامل استفاده از ویژگی­های مختلفی شامل شاخص­های مختلف گیاهی، آب و مناطق­ ساخته ­شده، مولفه­های بافت تصویر و مولفه­های اصلی در کنار باندهای اپتیکی و حرارتی سنجنده­های ماهواره­های مورد است. همچنین از دو معیار جفری-ماتوسیتا[6] و واگرایی تبدیل یافته[7] جهت پالایش نمونه­های آموزشی استفاده می­شود.

مبانی نظری

چارچوب نظری

از زمان ظهور فناوری تصویربرداری فضایی تحقیقات متعددی در زمینه آشکارسازی تغییرات بویژه تغییرات در کاربری اراضی در محیط­های شهری در مناطق مختلفی از دنیا انجام شده است   (Angelici et al., 1977:217; Ellefsen; Peruzzi, 1976: 11; Friedman; Angelici, 1979: 58; Gordon, 1980: 189; Rubec; Thie, 1978: 136; Toll et al., 1981: 1; Wilson et al., 1976: 79). در این راستا تکنیک­های مختلفی نیز مورد استفاده قرار گرفته­اند. سینگ[8] (1989) مروری بر روش­های آشکارسازی تغییرات ارائه کرده و معایب و مزایای هر یک را بررسی نموده است.

روش­های معرفی شده در این تحقیق را می­توان به دو رویکرد کلی اختلاف تصاویر و مقایسه پس از طبقه­بندی دسته­بندی کرد. در رویکرد اختلاف تصاویر می­توان از تصاویر اصلی ماهواره­ای (Al-Dail, 1998: 217; Toll et al., 1981: 1)، تصاویر نسبت­گیری (Todd, 1977: 529; Wilson et al., 1976: 79)، تصاویر شاخص­های مختلف گیاهی (Ahmad et al., 2014: 2743; Angelici et al., 1977:217; Shahabi etal., 2012: 1) و تصاویر مولفه­های اصلی (Byrne, Crapper; Mayo, 1980: 175; Deng et al., 2019: 1230; Shahabi et al., 2012: 1) جهت محاسبه اختلاف تصاویر استفاده نمود.

مسئله اساسی در این رویکرد تعیین محل آستانه تغییر در هیستوگرام تصویر اختلافات است. در مقابل، مزیت رویکرد پس از طبقه­بندی کاهش مشکل نرمال­سازی تصاویر به خاطر اثر تفاوت در اتمسفر در تاریخ­های مورد بررسی و نیز متفاوت بودن سنجنده­های مورد استفاده است. البته این رویکرد نیز با مشکل دقت طبقه­بندی مواجه است. بدین ترتیب که در فرایند آشکارسازی تغییرات، خطای موجود در هر یک از طبقه­بندی­ها در خطای دیگری ضرب می­شود. به ­عنوان مثال اگر معیار دقت کلی در هر یک از دو طبقه­بندی 80 درصد باشد، نرخ دقت در آشکارسازی تغییرات فقط می­تواند 64 درصد باشد(Singh 1989: 992- 996). راه حل کاهش این مشکل استفاده از ویژگی­های مناسب و تکنیک­های طبقه­بندی پیشرفته جهت افزایش دقت در فرایند طبقه­بندی است. در ادامه دو رویکرد مذکور معرفی می­شوند:

رویکرد مقایسه پس از طبقه­بندی

در این روش به صورت مجزا تصاویر چند زمانه به نقشه های موضوعی، طبقه­بندی می­شود و سپس روش­هایی از قبیل مقایسه طبقه­بندی، تفاضل نقشه و آمار تعیین تغییرات جهت پایش تغییر استفاده می­گردد. روش مقایسه پس از طبقه­بندی جزء روش­های طبقه­بندی است. ویژگی این روش این است که آثار جوی، سنجنده و زیست محیطی بین تصاویر چند زمانه را به حداقل می­رساند و یک ماتریس کامل از اطلاعات تغییر را فراهم می­کند. اما معایب آن این است که نیازمند وقت و تخصص زیاد برای ایجاد طبقه­بندی می­باشد (آرخی و همکاران،1390: 85).

رویکرد تفاضل تصاویر

در این روش بر اساس رابطه (1) ارزش­های رقومی تصویر در تاریخ دوم از ارزش­های رقومی تصویر در تاریخ اول کم می­شود. این فرآیند به صورت پیکسل به پیکسل است. نتیجه این روش تولید تصویری است که در آن مقادیر مثبت و منفی نشان دهنده مناطق تغییر یافته و مقدار صفر نشان دهنده عدم تغییر بین دو تاریخ است (آرخی و همکاران، 1390: 84).

1. 1.      

 در رابطه فوق x ارزش پیکسل، t₁ تاریخ اول،t₂  تاریخ دوم وC  عدد ثابت است ما در این تحقیق از رویکرد پس از طبقه­بندی با هدف آشکارسازی تغییرات پوشش سبز شهری شهر تهران استفاده کرده­ایم.

پیشینه تجربی

نیلکمال[9] و همکاران (2020) با تلفیق[10] قدرت تفکیک طیفی بالای تصاویر مودیس[11] و قدرت تفکیک مکانی بالای لندست در کنار بهره­گیری از طبقه­بندی­کننده پیشرفته ماشین بردار پشتیبان به آشکارسازی تغییرات فضای سبز شهری در کلانشهر بمبئی هند پرداختند که نتایج حاکی از 50 درصد کاهش فضای سبز شهری از سال 2005 تا 2019 است (Nilkamal et al., 2020: 1).

دونگ[12] و همکاران (2018) با استفاده از تصاویر ماهواره لندست به برسی تغییرات فضایی و زمانی پوشش سبز شهر چانگچون[13] چین از سال 2006 تا 2017 پرداختند (Dong et al., 2018: 295). این مطالعه نشان داد کاهش بیش از 27 درصدی در شاخص اختلافات نرمال شده گیاهی در طی دوره مورد بررسی حاکی از کاهش قابل توجه پوشش سبز در شهر چانگچون است به نحوی که پوشش سبز شهری در سال 2011 به کمترین مقدار رسیده است. در پژوهشی که توسط وان[14] و همکاران (2017 ) در شهر نهاترانگ[15] در مرکز ویتنام انجام گردید با استفاده از تصاویر دو ماهواره لندست و ALOS[16] و روش طبقه­بندی بیشترین شباهت طبقه­بندی مشخص شد فضای سبز شهری طی سال­های 2007 تا 2017 به طور چشمگیری کاهش یافته است (Van et al., 2017: 1). کوپه­کا[17] و همکاران (2017) تصاویر سنتیل-2[18] را برای تحلیل فضای سبز شهری در سه شهر براتیسلاوا[19]، زیلینا[20] و ترناوا[21] در کشور اسلواکی به­کار گرفتند (Kopecká et al., 2017: 1). روش طبقه­بندی بیشترین شباهت در این تحقیق استفاده شده است.

در ایران نیز آشکارسازی تغییرات پوشش سبز شهری در شهرهای مختلف کشور هدف مطالعات متعددی بوده است. مرصوصی و رشوند (1396) در پژوهشی با عنوان «تحلیل روند تغییرات دورهای فضای سبز شهری زنجان از 1385 تا 1390 و ارائه الگوی مکانیابی بهینه آن» با استفاده از شاخص گیاهی NDVI[22] محاسبه شده از تصاویر ماهواره لندست روند تغییرات کیفی فضای سبز شهر رنجان از سال  1385 تا 1390 بر اساس مدل LCM[23] و تغییرات کمی آن با مقایسه دودوئی محاسبه شد. نتایج این مطالعه نشان داد که سرانه فضای سبز زنجان در سال 1385از 64/34 مترمربع به 46/12 مترمربع در سال 1390 کاهش یافته است.

سرودی و جوزی (1395) در تحقیقی با عنوان «بررسی تغییرات کیفی فضای سبز شهر تهران از سال 1369 تا 1385 (مطالعه موردی: منطقه 5 شهرداری تهران)» با هدف بررسی تغییرات کیفی پوشش گیاهی منطقه ۵ شهرداری تهران، از شاخصNDVI  و تصاویر لندست و IRS[24] متعلق به سال­های ۱۳۶۹ و ۱۳۸۵ استفاده کرده و نقشه­های پوشش گیاهی منطقه با درجه سرسبزی ضعیف، متوسط و خوب را تهیه کردند. نتایج به دست آمده نشان داد که در بازه زمانی مورد مطالعه از وسعت اراضی تحت پوشش گیاهان با درجه سرسبزی متوسط و خوب به ترتیب به میزان 68/27 و 33/22 هکتار کاسته و بر وسعت اراضی تحت پوشش گیاهان با درجه سرسبزی ضعیف به میزان 3/43 هکتار افزوده شده است. همچنین در این بازه زمانی 18/48 و 9 هکتار از وسعت اراضی بدون پوشش گیاهی به ترتیب به اراضی تحت پوشش با درجه سرسبزی ضعیف و متوسط تبدیل شده­است. این در حالی است که به ترتیب 42/58 ، 17/86 هکتار از اراضی تحت پوشش گیاهی با درجه سرسبزی ضعیف و متوسط به اراضی فاقد پوشش تبدیل شده­اند (سرودی و جوزی، 1395: 335).

در پژوهش امیدوار و همکاران (1394) با عنوان «آشکارسازی تغییرات کاربری اراضی و پوشش گیاهی در شهر یاسوج با استفاده از سنجش از دور» به بررسی تغییرات کاربری اراضی شهر یاسوج از سال 1365 تا سال 1389 پرداختند (امیدوار و همکاران، 1394: 111). نتایج این پژوهشگران نشان داد که در سال 1365 مساحت فضای سبز 15/2 کیلومتر­مربع بوده است ولی در سال 1389 به 66/0 کیلومتر­مربع کاهش یافته است.

 اسماعیل زاده و شفیعی ثابت (1392) در تحقیقی با عنوان «بررسی تغییرات کاربری اراضی و ناپایداری در اکوسیستم شمال تهران (مطالعه موردی: حوضه آبخیز درکه-ولنجک)» به برسی تغییرات کاربری اراضی و ناپایداری در اکوسیستم شمال تهران حوضه درکه و ولنجک پرداختند (اسماعیل زاده و شفیعی ثابت، 1392: 83). نتایج آنها نشان داد که از سال 1366 تا سال 1388، پوشش گیاهی در منطقه مورد مطالعاتی روندی کاهشی داشته و در مقابل بر محدوده های ساخته شده، شبکه معابر و اراضی بایر افزوده شده است. نتایج این پژوهشگران دلالت بر آن داشت که در سال 1366 بیش از 37 درصد منطقه به پوشش گیاهی اختصاص داشته و در سال 1388، به 5/14 درصد کاهش یافته است. این پژوهشگران به منظور تعیین علل تغییرات اتفاق افتاده در منطقه مورد مطالعه با شناسایی سازمان­های فعال در حوضه اکوسیستم شهری به بررسی قوانین و مقررات و سیاست­های شهرسازی پرداختند و نتیجه گرفتند که اگر چه غالب قوانین و مقررات بر حفظ منابع طبیعی تاکید دارند، اما در برخی موارد وجود آیین­نامه­هایی از جمله کمیسیون ماده 100 شهرداری­ها می­تواند تخریب گسترده اکوسیستم­ها را به دنبال داشته باشد.

شهابی و همکاران (2012) در تحقیقی با عنوان «کاربرد تصاویر ماهواره­ای و سیستم اطلاعات جغرافیایی در ارزیابی توزیع فضای سبز در محیط شهری (مطالعه موردی: شهر بوکان)» سه روش مختلف آشکارسازی تغییرات شامل مقایسه شاخص اختلافات نرمال شده گیاهی، آنالیز مولفه­های اصلی و پس از طبقه­بندی را برای بررسی تغییرات پوشش سبز شهر بوکان به­کار گرفتند. روش مورد استفاده جهت طبقه­بندی تصاویر تکنیک بیشترین شباهت و تصاویر مورد استفاده نیز مربوط به ماهواره لندست بود. در این بررسی نشان داده شده فضای سبز شهری در شهر بوکان از 490 هکتار در سال 1991 به 3/216 هکتار در سال 2003 کاهش یافته است (Shahabi et al., 2012: 1).

رافعی و همکاران (2009) در تحقیقی با عنوان «ارزیابی تغغیرات فضای سبز شهری مشهد با استفاده از تصاویر ماهواره­ای» از رویکرد

 پس از طبقه­بندی با طبقه­بندی­کننده بیشترین شباهت برای آشکارسازی تغییرات فضاهای سبز شهری شهر مشهد در طول سال­های 1987 تا 2006 استفاده کردند. تصاویر به­کار گرفته شده در این تحقیق شامل تصاویر ماهواره­های لندست و آی آر اس بود. نتایج تحقیق بیانگر کاهش چشمگیر و همزمان چندپارگی در فضاهای سبز شهر مشهد در دوره مورد بررسی بود (Rafiee et al., 2009: 431).

نظم­فر و همکاران (1387) در پژوهشی با عنوان «کاربرد داده­های سنجش از دور در آشکارسازی تغییرات کاربری­های اراضی شهری (مطالعه موردی فضای سبز شهر تبریز)» با استفاده از طبقه­بندی تصاویر ماهواره­ه­ای لندست و اسپات با استفاده از یک روش شیء­گرا به آشکارسازی تغییرات کاربری اراضی شهری در شهر تبریز پرداختند که نتایج حاکی از کاهش 46 درصدی فضاهای سبز شهری در طی دوره 16 ساله 1368 تا 1384 است (نظم­فر و همکاران، 1387: 17).

روش انجام پژوهش

این پژوهش از نوع کاربردی است و روش آن به صورت تحلیلی می­باشد که در آن از سری زمانی تصاویر ماهواره­ لندست برای آشکارسازی تغییرات ده­ ساله پوشش­سبز کلانشهر تهران از سال 1389 تا 1398 استفاده شده است. به ­منظور آشکارسازی تغییرات از رویکرد پس از­ طبقه­بندی استفاده شد. مراحل پیاده­سازی روش پیشنهادی جهت آشکارسازی تغییرات پوشش گیاهی شهری بدین ترتیب است که ابتدا پس از انجام پیش پردازش­ها شامل کالیبراسیون، تصحیحات اتمسفری، کاهش نویز تصاویر و حذف خطای SLC-off، تصاویر برای انجام طبقه­بندی آماده شدند. برای رسیدن به بهترین نتایج طبقه­بندی علاوه بر باندهای اپتیکی از تصاویر حرارتی ماهواره لندست و نیز از ویژگی­های مختلفی شامل شاخص­های مختلف گیاهی، آب و مناطق­ساخته ­شده، مولفه­های بافت تصویر و مولفه­های اصلی استفاده شد. به منظور ارتقاء کیفیت نمونه­های آموزشی که در فرآیند آموزش طبقه­بندی­کننده مورد استفاده قرار می­گیرند، تفکیک­پذیری طیفی نمونه­ها توسط دو معیار جفری-ماتوسیتا و واگرایی تبدیل یافته بررسی و در نهایت نمونه­های آموزشی بکار گرفته شده پالایش شدند.

پس از تهیه ویژگی­های ورودی طبقه­بندی و آماده­سازی نمونه­های آموزشی نهایی، سه روش طبقه­بندی بیشترین ­شباهت، شبکه عصبی ­مصنوعی و ماشین ­­بردار­ پشتیبان پیاده­سازی شدند. با انجام ارزیابی دقت نتایج این سه روش، نقشه خروجی روشی که بالاترین دقت را ارائه داده مشخص و برای آشکارسازی تغییرات مورد استفاده قرار گرفت. بدین صورت که نقشه­های طبقه­بندی شده زمان اولیه و زمان ثانویه با تکینیک جدول تقابل[25] پیکسل به پیکسل با هم مقایسه شده و پیکسل­هایی که در طول این دوره زمانی دچار تغییر در کلاسی پوشش اراضی شده­اند، مشخص شدند.

پیش پردازش­ها

پس از دانلود و انتخاب مناسبترین تصاویر نسبت به انجام پیش ­پردازش­های لازم شامل کالیبراسیون، تصحیحات اتمسفری و کاهش نویز تصاویر اقدام شد. برای پر کردن فضاهای خالی دندانه­ای شکل ناشی از خطای[26] SLC-off از بسته نرم­افزاری SLC corrector استفاده گردید. از آنجا که به روی تولیدات نوعLevel 1T  تصاویر لندست بارگزاری شده در سایت USGS، تصیحات هندسی انجام شده است، تصحیح هندسی بیشتری در این مطالعه صورت نپذیرفت. کالیبراسیون تصاویر با استفاده از ضرایب کالیبراسیون موجود در هدرفایل تصاویر و در محیط نرم­افزار ENVI 5.3 انجام شد. با انجام این فرایند تصویر رادیانس برای باندهای نوری و تصویر دمای روشنایی برای باندهای حرارتی حاصل شدند. تصاویر دمای روشنایی مستقیما به عنوان یکی از ویژگی­ ورودی وارد مرحله طبقه­بندی شد. در مورد باندهای نوری، با انجام تصحیحات اتمسفری به روی تصویر رادیانس حاصل از کالیبراسیون، اثرات اتمسفر حذف و تصویر بازتابندگی زمینی بدست آمد. تصحیحات اتمسفری با استفاده از ماژول FLAASH^[27] در محیط نرم­افزار ENVI 5.3 انجام گردید. در این پژوهش از روش مبتنی بر تبدیل PCA^[28] برای حذف یا کاهش نویز موجود در تصاویر استفاده شد. در این روش ابتدا تصاویر با استفاده از تبدیل PCA به فضای مولفه­های اصلی منتقل شده، سپس آخرین مولفه اصلی که حاوی نویز تصاویر است حذف و بقیه مولفه­های اصلی با استفاده از معکوس تبدیل PCA مجددا به فضای تصویر منتقل شدند.

تولید ویژگی

تولید ویژگی به هدف رسیدن به بهترین نتایج در طبقه­بندی انجام پذیرفت. ویژگی­های تولید شده در این بخش در کنار تصویر دمای روشنایی و تصاویر بازتابندگی زمینی حذف نویز شده وارد مرحله طبقه­بندی شدند. با در نظر گرفتن مشخصات محیط­های شهری و با تاکید بر خصوصیات فضاها و پوشش سبز شهری، پنج دسته ویژگی شامل شاخص­های گیاهی، شاخص آب، شاخص مناطق ساخته ­شده، مولفه­های تبدیل PCA و مولفه­های بافت تصویر شامل میانگین، واریانس، همگنی، کنتراست و عدم شباهت مورد نظر بودند. شاخص گیاهی مورد استفاده در این تحقیق عبارت از شاخص اختلافات نرمال شده گیاهی (NDVI)، شاخص پوشش گیاهی بارزسازی شده^[29] (EVI) شاخص پوشش گیاهی درصد مادون قرمز^[30] (IPVI) شاخص سطح برگ^[31] (LAI)، شاخص پوشش گیاهی تعدیل شده برحسب خاک بهینه شده^[32] (OSAVI) و شاخص پوشش گیاهی مثلثی اصلاح شده- بهبود یافته^[33] (MTVI2) هستند. همچنین شاخص اختلاف نرمال­شده آب بهبود یافته^[34] (MNDWI) به عنوان شاخص آب و شاخص اختلاف نرمال­شده مناطق ساخته شده^[35] (NDBI) به عنوان شاخص مناطق ساخته شده استفاده شدند.

طبقه­بندی تصاویر

پس از تهیه ویژگی­های مورد نظر، گام بعدی طبقه­بندی تصاویر بود. برای این منظور سه روش­ طبقه­بندی بیشترین شباهت، ماشین بردار پشتیبان و شبکه عصبی مصنوعی به کار گرفته شده و نتایج آنها با هم مقایسه شدند. در طبقه­بندی پنج کلاس پوشش گیاهی، مناطق ساختمان، جاده، خاک لخت و بنده­های آبی که تشکیل دهنده عمده عناصر شهری هستند، مد نظر قرار گرفتند. نمونه­های آموزشی اولیه برای آموزش طبقه­بندی کننده­های مورد استفاده بر اساس دستورالعمل معرفی شده در (Foody et al., 2006: 12) به تعداد10 تا 30 برابر تعداد کلاس­ها × تعداد ویژگی­ها و توسط روش نمونه­گیری تصادفی طبقه­ای متناسب[36] از روی مجموعه داده واقعیت زمینی برداشت شدند. مزیت این روش بکار گرفته شده برای نمونه­برداری تصادفی در این بود که نمونه­های انتخاب شده در کل منطقه بطور یکنواخت پراکنده شدند و نیز تعداد نمونه­های هر کلاس متناسب با وسعت آن کلاس در منطقه مورد بررسی بود. در ادامه تفکیک­پذیری طیفی این نمونه­های اولیه توسط دو معیار جفری-ماتوسیتا (J-M[37]) و واگرایی تبدیل ­یافته[38] اندازه­گیری شد. سپس با استفاده از ابزارn-D Visualizer  در نرم­افزار ENVI 5.3 نسبت به پالایش نمونه­های آموزشی اولیه تا رسیدن به تفکیک­پذیری مناسب، اقدام شد.

ارزیابی نتایج طبقه­بندی

ارزیابی نتایج طبقه­بندی از طریق مقایسه نقشه طبقه­بندی شده با نقشه واقعیت زمینی و با تشکیل ماتریس ابهام انجام شد. معیار­های دقت کلی[39]، ضریب کاپا[40]، دقت تولید­کننده[41] و دقت کاربر[42] مد نظر بودند. داده­های واقعیت زمینی بصورت دستی و با بهره­گیری از نقشه­های کاربری موجود از شهر تهران، تفسیر بصری تصاویر ماهواره­ای و انجام بازدید­های میدانی تهیه شدند. در این راستا از تصاویر ترکیب رنگی واقعی (RGB)، ترکیب رنگی کاذب مادون قرمز (NIR-R-G) که برای تشخیص پوشش گیاهی کارایی بالایی دارد، تصاویر پانکروماتیک[43] لندست با اندازه پیکسل 15 متر و تصاویر ماهواره­­ای با قدرت تفکیک مکانی بالا موجود در آرشیو زمانی نرم­افزار گوگل ارث[44] استفاده گردید.  

آشکارسازی تغییرات

آشکارسازی تغییرات با رویکرد پس از طبقه­بندی و با تکنیک جدول تقابل انجام شد. پس از مشخص شدن پیسکل­های تغییر یافته از/ به

کلاس پوشش سبز توسط تکنیک جدول تقابل با در نظر گرفتن اندازه پیکسل تصاویر، مساحت تغییرات رخ داده در این کلاس محاسبه شد. فلوچارت فرایند اجرای تحقیق در شکل 1 آورده شده است.

داده­های مورد استفاده در این تحقیق شامل تصاویر ماهواره لندست، تصاویر ماهواره­ای موجود در آرشیو زمانی نرم­افزار گوگل ارث، نقشه­های کاربری موجود برای شهر تهران و نقشه مرز شهر و مناطق 22 گانه آن بودند. به منظور پوشش زمانی ده ساله (1398-1389) از سری زمانی تصاویر سری ماهواره­های لندست شامل لندست 5، لندست 7 و لندست 8 استفاده شده است. علت این انتخاب توان تفکیک مکانی متوسط (اندازه پیکسل 30متر)، توان تفکیک زمانی 16 روزه و توان تفکیک طیفی مناسب سنجنده­های این سری ماهواره است که آنها را برای شناسایی محدوده­های پوشش گیاهی در پهنه­ای به وسعت کلانشهر تهران مناسب می­سازد. بعلاوه تصاویر این ماهواره­ها به طور رایگان در اختیار کاربران قرار دارد که کاهش چشمگیر هزینه­های این گونه بررسی­ها را به همراه دارد. بدیهی است که این امر به ویژه در انجام طرح­های عملیاتی بسیار حائز اهمیت است.

در انتخاب تصاویر نهایی که به عنوان ورودی وارد مرحله پردازش می­شوند، ملاحظاتی از قبیل فصل رویش گیاهی، پوشش ابر، بازه زمانی ماموریت ماهواره­های مذکور و شرایط عملکردی آنها مد نظر بوده­اند، که در ادامه توضیحاتی در این ارتباط ارائه می­شود.

با آنکه در شروع بازه زمانی مورد مطالعه در پژوهش حاضر ماهواره لندست 7 مشغول به تصویربرداری بوده ولی به دلیل بروز خطای SLC-off از 10 خرداد 1381 در تصاویر آن، در تحقیق حاضر تا سال 1390 از تصاویر لندست 5 استفاده شد. با توجه به اینکه ماهواره لندست 5 در سال 1391 با نقص عملکرد در چند زیرسیستم خود مواجه شد، در این سال به ناچار تصویر ماهواره لندست 7 به­کار گرفته شد. برای سال­های پس از آن یعنی از سال 1392 تا 1398 با عنایت به پرتاب ماهواره لندست 8 در 23 بهمن 1391، از تصاویر این ماهواره استفاده شد. از آنجا که هدف اصلی پژوهش مطالعه تغییرات رخ داده در پوشش سبز شهری است، توجه به فصل رویش در اخذ تصاویر اهمیت دارد و لازم است تصاویر مربوط به تاریخ­هایی که درختان دارای برگ هستند، بکار گرفته شوند. لذا ابتدا تمام تصاویر ماهواره­ای موجود در نیمه اول سال برای بازه زمانی ده ­ساله مورد مطالعه از سایت سازمان زمین شناسی آمریکا (USGS[45]) دانلود شدند.

در ادامه با در نظر گرفتن پوشش ابر، بهترین تصویر که فاقد پوشش ابر یا کمترین میزان آن بود، در ماه­های تیر یا مرداد، برای هر سال انتخاب شد. در جدول 1 تاریخ تصویربرداری، ماهواره و سنجنده برداشت ­کننده تصاویر منتخب آورده شده­اند. ویژگی­های مربوط به سنجنده­های مورد استفاده در جدول 2 ارائه شده است.

جدول 1. تاریخ برداشت، ماهواره و سنجده تصاویر مورد استفاده لندست

از تصاویر ماهواره­ای موجود در آرشیو زمانی نرم­افزار گوگل ارث و نقشه­های کاربری موجود شهر تهران برای تهیه داده­های واقعیت زمینی جهت ارزبابی نتایج طبقه­بندی و نیز جمع­آوری نمونه­های آموزشی استفاده شد. محدوده مکانی مورد مطالعه در پژوهش، یعنی مرز کلانشهر تهران، و نیز مرز مناطق 22­گانه آن با استفاده از جدیدترین نقشه موجود در سایت شهرداری تهران استخراج گردید.

جدول 2. ویژگی­های سنجنده­های سری ماهواره­های لندست

محدوده مورد مطالعه

شهر تهران، مرکز استان تهران و پایتخت ایران از لحاظ جغرافیایی در 51 درجه و4 دقیقه تا 51 درجه و 33 دقیقه طول شرقی و 35 درجه و 35 دقیقه تا 35 درجه و 50 دقیقه عرض شمالی واقع شده است و۷۳۰ کیلومتر­مربع مساحت دارد. شهر تهران در ارتفاع حدود 900 تا 1800 متری از سطح دریا قرار دارد. ارتفاع در میدان تجریش در شمال تهران حدود 1300 متر و در میدان راه­آهن در جنوب شهر که با آن 15 کیلومتر فاصله دارد، 1100 متر می­باشد که به­ازای هر کیلومتر مساحت 5/13 متر افت شیب ملاحظه می­شود. شهر تهران از اطراف توسط ارتفاعاتی احاطه شده­ است. این ارتفاعات به مثابه دیواری بر روی جریانات اتمسفری و اقلیم محلی این شهر موثر واقع شده ­است. تهران دارای اقلیم نیمه‌خشک است. در بیشتر سال‌ها، فصل زمستان نیمی از کل بارش‌های سالانه­ی تهران را تامین می‌کند و تابستان نیز کم‌ باران‌ترین فصل در تهران است. از نظر اداری، تهران به ۲۲ منطقه و ۱۲۲ ناحیه­ی شهری تقسیم شده ‌است و بر اساس سرشماری عمومی نفوس و مسکن 1395، جمعیت شهر تهران در مناطق ۲۲گانه ۸۶۹۳۷۰۶ نفر است (درگاه ملی آمار, 1395). پراکندگی جمعیت براساس حوزه­های آماری نشان­دهنده بیشترین جمعیت در منطقه 4 و کمترین جمعیت در منطقه 9 است. موقعیت جغرافیایی شهر تهران و مناطق 22گانه آن در شکل 2 نشان داده شده است.

شکل 2. نقشه موقعیت مناطق 22گانه شهر تهران

 یافته­ها

در انجام تصحیحات اتمسفری توسط ماژول FLAASH در محیط نرم­افزار ENVI 5.3 با توجه به شهری بودن منطقه مورد مطالعه از مدل شهری جهت مدلسازی هواویز استفاده شد. همچنین نظر به اینکه تصاویر فصل تابستان مورد استفاده قرار گرفته­اندو نیز موقعیت عرض جغرافیایی شهر تهران از مدل تابستان­ عرض­های میانه^[52] جهت مدلسازی بخار آب اتمسفر استفاده گردید. به عنوان نمونه ترکیب رنگی کاذب مادون قرمز تصویر بازتابندگی زمینی حذف نویز شده سال 1398 در شکل3 آورده شده است. در این پژوهش از مولفه­های اصلی اول و دوم نیز به عنوان ویژگی­های ورودی به طبقه­بندی استفاده شد. پنج ویژگی بافت تصویر شامل میانگین، واریانس، همگنی، کنتراست و عدم شباهت مورد استفاده قرار گرفتند. ویژگی­های فوق با استفاده از یک پنجره 3×3 روی باندهای سبز، NIR و  SWIR II یعنی باندهای 2 و 4 و 7 برای لندست­های 5 و 7، و باندهای 3 و 5 و 7 برای لندست 8 و نیز شاخص­های NDVI و NDBI  اعمال شدند. تصاویر مولفه­های اصلی اول و دوم برای سال 1398 در شکل 4  الف و 4 ب، نشان داده شده­اند.

با توجه به حساسیت روش پس از طبقه­بندی به نتایج حاصل از طبقه­بندی، به­کارگیری ویژگی­های فوق که با تاکید بر هدف آشکارسازی تغییرات یعنی پوشش سبز شهری انتخاب شده­اند، با هدف بهبود نتایج و رسیدن به بهترین دقت طبقه­بندی بوده است. در این راستا همچنین برای دستیابی به بهترین ترکیب نمونه­های آمورشی تلاش شده است. برای این منظور نمونه­های آموزشی که دارای تشابه طیفی بودند حذف شدند تا زمانیکه معیارهای تفکیک­پذیری طیفی جفری-ماتوسیتا و واگرایی تبدیل یافته به مقدار بیشتر از 9/1 رسیدند. تعداد نمونه­های آموزشی اولیه و نهایی در سال­های مختلف برای کلاس­های مورد بررسی، و نیز تعداد نمونه­های واقعیت زمینی در جدول 3 آورده شده­اند.

جدول3. تعداد نمونه­های آموزشی اولیه، نهایی و واقعیت زمینی

در این پژوهش سه طبقه­­بندی­ کننده بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان پیاده­سازی و نتایج آنها با هم مقایسه شدند. به­ منظور اجرای روش طبقه­­بندی بیشترین شباهت، آستانه­ای برای احتمال در نظر گرفته نشده ­است. بدین ترتیب هر پیکسل­ به یکی از کلاس­ها اختصاص داده شد و پیکسلی به­ صورت طبقه­بندی نشده باقی نماند. در خصوص طبقه­بندی ­کننده شبکه عصبی مصنوعی با انجام سعی و خطا بهترین ساختار شبکه بر پایه معیارهای دقت کلی و ضریب کاپا مشخص شد. بر این اساس، شبکه­ای با یک لایه پنهان و تعداد تکرار1000 و نرخ یادگیری 2/0 به ­عنوان بهترین شبکه در نظر گرفته شد. در نهایت برای انجام طبقه­بندی به روش ماشین ­بردار ­پشتیبان ابتدا همه ویژگی­های مورد استفاده به دامنه صفر تا یک تغییر مقیاس داده شدند. هدف از این کار جلوگیری از غلبه کردن داده­های با دامنه مقادیر بزرگتر بر داده­های با دامنه مقادیر کوچک­تر است. برای انجام طبقه­بندی چندکلاسه در این تحقیق از استراتژی یکی در مقابل یکی استفاده شد. همچنین کرنل RBF[53] برای انتقال به فضا با بعد بزرگتر استفاده بکار گرفته شد. به­ منظور تعیین مقادیر بهینه پارامتر عرض تابع گوسی در کرنل (g) RBF و نیز پارامتر جریمه^[54] (C)، روش جست­وجوی شبکه­ای^[55] با استفاده از 5 بار ارزیابی متقابل^[56] به­کار گرفته شد. نقشه­های طبقه­بندی­ شده حاصل از سه روش مذکور برای سال 1398 به همراه نقشه واقیت زمینی در شکل 5 ( الف، ب، ج و د)، نشان داده شده­اند. داده­های واقعیت زمینی در حدود 30 درصد کل مساحت منطقه مورد مطالعه را پوشش می­دهد.

مقادیر معیارهای ارزیابی دقت شامل ضریب کاپا که میزان دقت را بر اساس تمامی پیکسل هایی که درست و غلط  طبقه بندی شده اند محاسبه می نماید، دقت کلی طبقه­بندی و نیز دقت­ پردازنده و دقت کاربر ، برای کلاس پوشش گیاهی برای روش­های مذکور در جدول4 ارائه شده­ است. همانطور که در این جدول مشاهده می­شود روش ماشین بردار پشتیبان در همه معیارهای مذکور بهترین نتایج را ارائه داده است، بنابر این از خروجی این روش برای آشکارسازی تغییرات استفاده شد. 

جدول4. معیارهای ارزیابی نتایج روش­های طبقه­بندی

دلیل پایین­تر بودن مقادیر معیارهای ارزیابی دقت برای هر سه روش طبقه­بندی در سال 1391 نسبت به بقیه سال­های می­تواند به استفاده از تصویر لندست 7 در این سال مربوط باشد. در این تصویر علیرغم بکارگیری روش پر کردن فضاهای خالی دندانه شکل ناشی از خطای SLC off، به دلیل از دست رفتن اطلاعات اصلی پیکسل­ها، نتایج طبقه­بندی در این سال ضعیف­تر از سال­های دیگر که در آنها تصاویر مورد استفاده فاقد خطای مذکور هستند، بوده است.

به منظور بررسی دقیق­تر تغییرات اتفاق داده در کلاس پوشش سبز، آشکارسازی تغییرات در دو مقیاس زمانی و دو مقیاس مکانی پیاده­سازی شدند. از نظر زمانی آشکارسازی تغییرات هم بصورت سالانه و هم بصورت ده ساله انجام شد. در مقیاس سالانه نقشه­های طبقه­بندی شده هر دو سال متوالی وارد مرحله آشکارسازی تغییرات شدند. در مقیاس ده ساله فقط نقشه­های طبقه­بندی شده سال اول (1389) و سال آخر (1398) وارد مرحله آشکارسازی تغییرات شدند. از نظر مکانی آشکارسازی تغییرات در مقیاس شهر تهران و نیز به تفکیک مناطق 22 گانه شهرداری تهران صورت پدیرفت. برای بررسی تغییرات در مقیاس منطقه، نقشه­های طبقه­بندی شده با مرز مناطق شهرداری برش داده شده و نقشه­های هر منطقه به طور جداگانه وارد مرحله آشکارسازی تغییرات شدند. انجام این کار  امکان بررسی دقیق­تر تغییرات رخ داده و کشف چرایی اتفاق افتادن آنها را فراهم ­آورد.

 نتایج آشکارسازی تغییرات پوشش سبز شهری در سطح تهران در نمودار شکل 6 آورده شده است. همانطور که در این نمودار مشاهده می­شود در طی دوره زمانی مورد بررسی بالغ بر86/10 کیلومتر مربع از مساحت پوشش سبز شهری یعنی در حدود 58/10 درصد آن کاهش یافته است. بررسی روند تغییرات در مقیاس سالانه نشان داد که در همه دوره­ یک ساله، غیر از  دوره 95-1394 و 97-1396 پوشش سبز دارای کاهش بوده و تقریبا هر سال میزان این کاهش بیشتر نیز شده است. کاهش مشهود در دوره 91-1390 مشاهده شد که البته به دلیل پایین­تر بودن دقت طبقه­بندی در سال 1391، میزان اعتماد به این نتیجه کمتر از سایر دوره­ها است. جدول 5 میزان تغییرات از سایر کلاس­ها به پوشش سبز و از پوشش سبز به سایر کلاس­ها را در مقیاس­های زمانی سالانه و ده ساله (سطر آخر) در سطح شهر تهران، ارائه می­دهد. همانطور که در سطر آخر این جدول مشاهده می­شود در طول این دوره ده ساله ترتیب 86/1، 8/1، 46/0 و 7/6 کیلومتر مربع از کلاس پوشش سبز به کلاس­های خاک لخت، ساختمان، بدنه­های آبی و جاده تبدیل شده است. دلیل سهم چشمگیر کلاس جاده را می­توان به نامناسب بودن قدرت تفکیک مکانی سنجنده­های لندست در نمایش مطلوب عوارض موجود در این کلاس مربوط دانست.

بدیهی است که در تصاویر لندست با اندازه پیکسل 30 متر، بسیاری از معابر شامل کوچه­ها و خیابان­ها به صورت پیسکل­های مخلوط با عوارض مجاورشان که عمدتا ساختمان­ها هستند، دیده می­شوند. بنابراین بروز تداخل طیفی در این دو کلاس (ساختمان و جاده) بسیار محتمل است. علاوه بر این ویژگی مورد استفاده برای بارزسازی عوارض ساخت دست بشر یعنی NDBI هر دوی این کلاس­ها را برجسته می­کند. دلایل فوق باعث طبقه­بندی­های اشتباه بین این دو کلاس می­­شود.

در ارزیابی دقت نتایج طبقه­بندی نیز بیشترین خطاهای Commission و Omission و به تبع آن کمترین مقدار برای دقت کاربر و دقت تولیدکننده برای کلاس جاده به ثبت رسیده است. لذا با توجه به قدرت تفکیک مکانی سنجنده مورد استفاده منطقی­تر این است که دو کلاس مذکور با هم ادغام شده و در قالب یک کلاس کلی­تر تحت عنوان عوارض ساخته­شده در نظر گرفته شوند. با این توضیح با اعتماد بیشتری می­توان گفت که در بررسی صورت پذیرفته در پژوهش حاضر در طول دوره ده ساله مورد مطالعه، به میزان 5/8 کیلومتر مربع از کلاس پوشش سبز شهری به عوارض ساخته­ شده (ساختمان و جاده) تبدیل شده است. تغییرات از/به پوشش سبز بصورت سالانه نیز در جدول 5 آورده شده است. همانطور که مشاهده می­شود در دوره 95-1394 به میزان 61/7 کیلومتر مربع و در دوره 97-1396 به میزان 79/4 کیلومتر مربع بر مساحت پوشش سبز شهری تهران افزوده شده است.

جدول 5. تغییرات سالانه و ده ساله  از/به پوشش سبز شهری در سطح شهر تهران

تغییرات سالانه و ده ساله (ستون آخر) پوشش سبز شهر تهران به تفکیک مناطق 22 گانه شهرداری در جدول6 ارائه شده­اند. بیشترین کاهش پوشش سبز در دوره ده ساله مورد بررسی در منطقه یک و به میزان 2/5 کیلومتر مربع اتفاق افتاده است. قرارگیری این منطقه در کوهپایه و به تبع آن پوشش گیاهی نسبتا متراکم آن در ابتدا دوره از یک سو و از سوی دیگر قیمت زمین و وجود برخی قوانین و آیین­نامه­های سازمان­ها و ادارت ذی­ربط نظیر کمیسیون ماده صد شهرداری که به موجب آن برخی تخلفات ساخت و ساز در ازای پرداخت جریمه نقدی نادیده گرفته می­شوند، منجر به ثبت این کاهش در پوشش سبز شهری این منطقه شده­اند. بیشترین میزان کاهش پوشش سبز در این منطقه در دوره­های 91-1390 به اندازه 3.42 و 98-1397 به اندازه 92/2 کیلومترمربع تعیین شده است. پس از آن مناطق 22/4 و 18 به ترتیب با ثبت کاهش به میزان 37/2، 7/1 و 59/1 کیلومترمربع در رتبه­های بعدی کاهش مساحت پوشش سبز قرار دارند. البته لازم به ذکر است که مناطق 2، 19 ، 21 و 5 به ترتیب با 5/0 ، 47/0 ، 38/0 و 36/0 کیلومترمربع افزایش در جایگاه­های اول تا چهارم گسترش پوشش سبز شهری هستند. آغاز به کار بوستان ولایت در سال 1391 در منطقه نوزده از عوامل افزایش پوشش سبز در این منطقه می­باشد.

جدول 6. تغییرات سالانه و ده ساله پوشش سبز مناطق 22گانه

اطلاعات جدول 6، نشان می­دهد که بیشترین میزان کاهش در پوشش سبز در دوره­های 91-1390 و 98-1397 به ترتیب با 47/7 و 7/4 کیلومتر مربع بوده که در آنها به ترتیب 15 و 16 منطقه از 22 منطقه دارای کاهش در این پوشش بوده­اند. همچنین علیرغم کاهش پوشش سبز در اغلب دوره­های یک ساله، در دو دوره 95-1394 و 97-1396 به ترتیب 17 و 16 منطقه از 22 منطقه افزایش مساحت این پوشش را داشته­اند.

بحث و نتیجه­گیری

در این پژوهش از رویکرد پس از طبقه­بندی برای آشکارسازی تغییرات پوشش سبز شهری کلانشهر تهران در بازه ده ساله 1389 تا 1398 استفاده شده است. برای این منظور از سری زمانی تصاویر ماهواره­های لندست 5، 7 و 8 استفاده شده است. مطالعات پیشین ضمن تاکید بر قابلیت­ها و مزایای رویکرد پس از طبقه­بندی برای آشکارسازی تغییرات، به حساسیت این روش به نتایج حاصل از روش طبقه­بندی به­کار گرفته شده اشاره کرده­اند. بنابراین تلاش برای اخذ بهترین نتایج طبقه­بندی در به­کار گیری این رویکرد بسیار ضروری می­باشد. از آنجاکه یک معیار تاثیرگذار بر نتایج طبقه­بندی، کیفیت نمونه­های آموزشی مورد استفاده است، در این پژوهش دو معیار بررسی تفکیک­پذیری طیفی برای پالایش و بهینه­سازی نمونه­های آموزشی استفاده شده­اند. همچنین در راستای تلاش جهت اخذ بهترین نتایج طبقه­بندی، سه روش طبقه­بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان پیاده­سازی و نتایج آنها با هم مقایسه شدند که از این بین روش ماشین بردار پشتیبان با میانگین دقت کلی 06/91 درصد نتایج بهتری را در پی داشت. در پژوهش حاضر با به­کارگیری ویژگی­های مناسب با هدف آشکارسازی تغییرات یعنی پوشش سبز شهری شامل شاخص­های مختلف گیاهی و شاخص مناطق ساخته شده و نیز استفاده از ویژگی­های بافت که منجر به تفکیک بهتر کلاس­های شهری می­شوند همچنین برای اخذ نتایج بهتر بویژه در کلاس پوشش گیاهی تلاش شده است. این امر منجر به دستیابی به مقادیر میانگین 92/93 و 23/94 درصد به ترتیب برای دقت­ کاربر و دقت تولید کننده در کلاس پوشش گیاهی شده است. در این تحقیق از سری زمانی تصاویر لندست جهت آشکارسازی تغییرات پوشش سبز استفاده شده است که دلیل آن پوشش و قدرت تفکیک زمانی مناسب، قدرت تفکیک مکانی نسبتا مناسب و ارائه رایگان تصاویر این ماهواره است. با این حال به­ نظر می­رسد این تصاویر توان لازم برای جداسازی مطلوب کلاس معابر شهری شامل کوچه­ها و بسیاری از خیابان­ها را نداشته باشد. بنابراین پیشنهاد می­شود کلاس مذکور و ساختمان­ها تجمیع شوند و بصورت یک کلاس کلی با عنوان عوارض ساخته شده در نظر گرفته شوند. همچنین پیشنهاد می­شود از ادغام تصاویر با قدرت تفکیک مکانی بالا با تصاویر با قدرت تفکیک طیفی بالا برای حل این مشکل استفاده شود. به منظور بررسی دقیق­تر تغییرات رخ داده در پوشش سبز شهری، در این پژوهش تغییرات در دو مقیاس زمانی سالانه و ده ساله، و نیز در دو مقیاس مکانی در سطح شهر تهران و در سطح مناطق 22 گانه شهرداری انجام شدند. این بررسی این امکان را فراهم می­آورد که توزیع مکانی و زمانی تغییرات مشخص شوند. بدیهی است چنین اطلاعاتی در برنامه­ریزی­های آتی جهت مقابله با مشکل کاهش فضا/پوشش سبز شهری بسیار ضروری است. نتایج حاکی از کاهش 58/10 درصدی پوشش سبز شهری در دوره مورد بررسی است. بیشترین میزان کاهش در دوره 91-1390 اتفاق افتاده و طی این ده سال در دو دوره 95-1394 و 97-1396 به ترتیب به میزان 61/7 و 79/4 کیلومتر مربع بر مساحت پوشش سبز شهری تهران نیز افزوده شده است. هچنین مناطق یک و 22 به ترتیب با 2/5 و 37/2 کیلومتر مربع بیشترین میزان کاهش را در بین مناطق داشته­اند. کاهش پوشش سبز در حوضه درکه و ولنجک از 37 درصد در سال 1366 به 5/14 درصد در سال 1388 که در تحقیق اسماعیل زاده و شفیعی ثابت (1392) گزارش شده است نیز بر روند کاهشی پوشش سبز در منطقه یک تهران دلالت دارد که با نتایج اخذ شده در پژوهش حاضر همخوان است. مناطق 2 و 19 نیز به ترتیب با 5/0 و 47/0 کیلومتر مربع بیشترین افزایش در پوشش سبز شهری را در بین مناطق داشته­اند. در تحقیق سرودی و جوزی (1395) که طی سال­های 1369 تا 1385 در منطقه 5 تهران انجام شده، گزارش شده که اگر چه پوشش گیاهی با درجه سبزی خوب و متوسط کاهش داشته­اند ولی پوشش گیاهی ضعیف روند افزایشی داشته است. به نظر می­رسد با در نظر گرفتن رشد این نوع پوشش طی سال­های بعد، نتایج تحقیق سرودی و جوزی (1395) نیز با نتایج اخذ شده در پژوهش حاضر که افزایش پوشش سبز را در منطقه پنج تهران نشان می­دهد، سازگاری دارد.

راهکارها

با توجه به یافته­های تحقیق، راهکارهای عملی و مدیریتی زیر پیشنهاد می­گردد:

• تدوین طرح جامع فضای سبز شهری در کلانشهر تهران.
• جنگل کاری در تپه های تهران که دارای ارزش عملکردی و درونی بالایی هستند و موجب پیوستگی نواحی طبیعی شرق و غرب می شوند.
• کاربرد منطقی و پایدار اصول اکولوژی سیمای سرزمین در برنامه ریزی فضای سبز شهری در شهر تهران.
• انتقال صنایع مزاحم (مخصوصا در نواحی جنوبی تهران)و آزاد سازی فضا برای ایجاد و توسعه فضای سبز در سطح شهر تهران.
• ساخت مخازن جمع آوری آبهای سطحی و فصلی در سطح مناطق شهرداری تهران جهت بهره برداری در فضای سبز شهری با رویکرد کاهش استفاده از منابع آبهای زیر زمینی.
• شناسایی اراضی دارای توان برای احیاءوگسترش فضای سبز شهری و ایجاد اتصال بین قطعات کوچکتر فضای سبز.
• ایجاد تناسب بین فضاهای سبز شهری با فضاهای ساخت و ساز از طریق جلوگیری از پدیده خرددانگی (ریز دانه شدن) فضاهای سبز شهری در سطح شهر تهران.
• حفاظت و توسعه فضاهای سبز با وسعت زیادواتصال این قطعات بزرگ به وسیله قطعات کوچکتر با کریدورهای طبیعی.
• ایجاد بانک ذخیره اراضی مستعد در درون اراضی ذخیره توسعه شهر تهران منحصرا با کاربری توسعه فضای سبز شهری در کلانشهر تهران.

[1]. Land surface temperature

[2]. Post classification

[3]. Maximum likelihood

[4]. Artificial Neural Network

[5]. Support Vector Machines

[6]. Jeffri-Matusita

[7]. Transformed divergence

[8]. Singh

[9]. Nilkamal

[10]. Fusion

[11]. MODIS

[12]. Dong

[13]. Changchun

[14]. Van

[15]. Nha Trang

[16]. Advanced Land Observation Satellite

[17]. Kopecká

[18]. Sentinel-2

[19]. Bratislava

[20]. Žilina

[21]. Trnava

[22]. Normalized Difference Vegetation Index

[23]. Land Change Modeler

[24]. Indian Remote Sensing Satellites

[25]. Cross tabulation

[26]. Scan Line Corrector failure

[27]. Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes

[28]. Principal Component Analysis

[29]. Enhanced Vegetation Index

[30]. Infrared Percentage Vegetation Index

[31]. Leaf Area Index

[32]. Optimized Soil Adjusted Vegetation Index

[33]. Modified Triangular Vegetation Index - Improved

[34]. Modified Normalized Difference Water Index

[35]. Normalized Difference Build-up Index

[36]. Proportionate stratified random sampling

[37]. Jeffri-Matusita

[38]. Transformed divergence

[39]. Overal accuracy

[40]. Kappa coefficient

[41]. Producer accuracy

[42]. User accuracy

[43]. Panchromatic

[44]. Google earth

[45]. United States Geological Survey

[46]. Thematic Mapper

[47]. Enhanced Thematic Mapper Plus

[48]. Operational Land Imager

[49]. Thermal Infrared Scanner

[50]. Near Infrared

[51]. Short wave Infrared

[52]. Mid-Latitude Summer

[53]. Radial basis function

[54]. Penalty parameter

[55]. Grid-search

[56]. 5-fold cross-validation