نوع مقاله : علمی-پژوهشی
نویسندگان
1 دانشجوی دکترای جغرافیا و برنامه ریزی شهری دانشگاه آزاداسلامی واحد نور.
2 گروه جغرافیا و شهرسازی دانشگاه ازاد اسلامی واحد نور
3 گروه جغرافیای دانشگاه آزاد اسلامی واحد نور
4 گروه جغرافیا دانشگاه آزاد نور
چکیده
تازه های تحقیق
نوآوری این تحقیق شامل تلاشها برای اخذ بهترین نتیجه در مرحله طبقه بندی تصاویر است که در این راستا علاوه بر باندهای اپتیکی و حرارتی، از ویژگیهای مختلفی شامل شاخصهای مختلف گیاهی، آب و مناطق ساخته شده، مولفههای بافت تصویر و مولفههای اصلی استفاده شد
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
The main aim of this paper is to detect the ten-year changes in urban green spaces of Tehran metropolis, from 2010 to 2019, using the time series of Landsat 5, 7 and 8 images. The change detection was done in both annual and ten-year scale and the results are analyzed in two spatial scales; City level and municipal district-level. Detection of changes was done by a post-classification approach. The innovation of the study is efforts to reach the best results in the image classification step, for which in addition to optical and thermal bands various features including some vegetation indices, water and built-up index, image texture components, and principal components were used. Three classification methods including maximum likelihood, artificial neural network and support vector machine were implemented. The results indicated that the support vector machine has had the best result with 91.06% mean overall accuracy. The change detection showed a 10.58% decrease in the Tehran green spaces in the period under review. The greatest decrease, about 7.46 Km2, occurred in the period 1390-91 and the largest increase was 7.61 Km2 in the period 1394-95. Among the 22 municipal districts, regions 1 and 22 with 5.2 and 2.37 Km2, respectively, have had the highest decrease in urban green space, and regions 2 and 19 with 0.5 and 0.47 Km2, respectively, have had the highest increase.
کلیدواژهها [English]
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).
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.
|
شکل 1. فلوچارت فرایند اجرای تحقیق |
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
شماره |
تاریخ |
ماهواره |
سنجنده |
1 |
31 تیر 1389 |
لندست 5 |
TM[46] |
2 |
18 تیر 1390 |
لندست 5 |
TM |
3 |
29 تیر 1391 |
لندست 7 |
ETM+ [47] |
4 |
23 تیر 1392 |
لندست 8 |
|
5 |
11 مرداد 1393 |
لندست 8 |
OLI/ TIRS |
6 |
14 مرداد 1394 |
لندست 8 |
OLI/ TIRS |
7 |
1 مرداد 1395 |
لندست 8 |
OLI/ TIRS |
8 |
3 مرداد 1396 |
لندست 8 |
OLI/ TIRS |
9 |
6 مرداد 1397 |
لندست 8 |
OLI/ TIRS |
10 |
9 مرداد 1398 |
لندست 8 |
OLI/ TIRS |
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
سری ماهواره |
سال پرتاب |
سنجنده |
باند |
محدوده طیف |
طول موج (میکرومتر) |
اندازه پیکسل (m) |
لندست 5 |
1982 |
TM
|
1 |
Blue |
45/0 تا 52/0 |
30 |
2 |
Green |
52/0 تا 60/0 |
30 |
|||
3 |
Red |
60/0 تا 69/0 |
30 |
|||
4 |
NIR[50] |
76/0 تا 90/0 |
30 |
|||
5 |
SWIR[51] I |
55/1 تا 75/1 |
30 |
|||
6 |
Thermal |
4/10 تا 3/12 |
120 |
|||
7 |
SWIR II |
08/2 تا 35/2 |
30 |
|||
لندست 7 |
1999 |
ETM+ |
1 |
Blue |
45/0 تا 52/0 |
30 |
2 |
Green |
52/0 تا 60/0 |
30 |
|||
3 |
Red |
60/0 تا 69/0 |
30 |
|||
4 |
NIR |
76/0 تا 90/0 |
30 |
|||
5 |
SWIR I |
55/1 تا 75/1 |
30 |
|||
6 |
Thermal |
4/10 تا 3/12 |
60 |
|||
7 |
SWIR II |
08/2 تا 35/2 |
30 |
|||
8 |
Panchromatic |
52/0 تا 90/0 |
15 |
|||
لندست 8 |
2013
|
OLI |
1 |
Costal aerosol |
433/0 تا 435/0 |
30 |
2 |
Blue |
450/0 تا 515/0 |
30 |
|||
3 |
Green |
525/0 تا 600/0 |
30 |
|||
4 |
Red |
630/0 تا 680/0 |
30 |
|||
5 |
NIR |
845/0 تا 885/0 |
30 |
|||
6 |
SWIR I |
56/1 تا 66/1 |
30 |
|||
7 |
SWIR II |
10/2 تا 30/2 |
60 |
|||
8 |
Panchromatic |
50/0 تا 68/0 |
15 |
|||
9 |
Cirrus |
36/1 تا 39/1 |
30 |
|||
TIRS |
10 |
Thermal I |
3/10 تا 3/11 |
100 |
||
11 |
Thermal II |
5/11 تا 5/12 |
100 |
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.
|
|
شکل 3. تصویر ترکیب رنگی کاذب مادون قرمز تصویر بازتابندگی زمینی پس از حذف نویز_سال 1398 |
|
شکل 4 الف. تصویر مولفه اصلی اول سال 1398 |
|
|
|
شکل 4ب. تصویر مولفههای اصلی دوم |
|
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
|
تعدادنمونههای واقعیت زمینی |
تعدادنمونههای آموزشی اولیه |
تعداد نمونههای آموزشی نهایی |
|||||||||
1389 |
1390 |
1391 |
1392 |
1393 |
1394 |
1395 |
1396 |
1397 |
1398 |
|||
گیاه |
29260 |
1056 |
1028 |
1028 |
1043 |
1031 |
1036 |
1048 |
1032 |
1043 |
1009 |
1026 |
ساختمان |
85687 |
3091 |
2963 |
2963 |
3080 |
3080 |
3074 |
3072 |
2917 |
3056 |
2599 |
2783 |
جاده |
38964 |
1406 |
1316 |
1316 |
1373 |
1368 |
1373 |
1378 |
1329 |
1374 |
1284 |
1308 |
خاک |
11962 |
432 |
404 |
404 |
426 |
413 |
424 |
430 |
400 |
429 |
348 |
400 |
آب |
444 |
16 |
13 |
13 |
14 |
16 |
16 |
15 |
15 |
16 |
16 |
16 |
مجموع |
166317 |
6001 |
5724 |
5724 |
5936 |
5908 |
5923 |
5943 |
5693 |
5918 |
5256 |
5533 |
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.
شکل 5 الف. نقشه طبقه بندی شده به روش ماشین بردار پشتیبان سال 1398 |
شکل 5 ب. نقشه طبقه بندی شده به روش شبکه عصبی مصنوعی سال 1398 |
شکل 5 ج. نقشه طبقه بندی شده به روش بیشترین شباهت سال 1398 |
|
شکل5 د. نقشههای طبقهبندی شده سال 1398 و نقشه واقعیت زمینی |
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
|
ضریب کاپا |
دقت کلی (%) |
دقت تولید کننده (%) |
دقت کاربر (%) |
||||||||
سال |
SVM |
ANN |
MLH |
SVM |
ANN |
MLH |
SVM |
ANN |
MLH |
SVM |
ANN |
MLH |
1389 |
84/0 |
79/0 |
78/0 |
06/90 |
57/86 |
55/85 |
50/93 |
11/90 |
40/93 |
21/93 |
76/92 |
07/89 |
1390 |
84/0 |
74/0 |
72/0 |
92/89 |
34/83 |
83/80 |
28/91 |
51/89 |
12/90 |
26/93 |
56/92 |
87/91 |
1391 |
78/0 |
64/0 |
72/0 |
95/85 |
90/77 |
82/81 |
75/88 |
00/87 |
12/91 |
24/91 |
14/89 |
97/82 |
1392 |
87/0 |
76/0 |
79/0 |
68/91 |
76/84 |
83/85 |
94/94 |
63/93 |
50/93 |
17/95 |
16/91 |
23/92 |
1393 |
88/0 |
73/0 |
80/0 |
18/92 |
28/83 |
71/86 |
95/94 |
33/94 |
16/94 |
49/95 |
78/90 |
14/91 |
1394 |
89/0 |
77/0 |
82/0 |
88/92 |
37/85 |
36/88 |
80/95 |
53/91 |
07/94 |
79/95 |
20/91 |
34/91 |
1395 |
88/0 |
77/0 |
82/0 |
37/92 |
46/85 |
69/88 |
63/95 |
09/94 |
03/93 |
69/94 |
57/91 |
48/92 |
1396 |
87/0 |
75/0 |
80/0 |
98/91 |
07/84 |
86/86 |
05/95 |
48/94 |
03/88 |
78/94 |
37/88 |
79/93 |
1397 |
88/0 |
75/0 |
73/0 |
09/92 |
38/84 |
86/81 |
98/94 |
04/91 |
90/87 |
82/94 |
76/92 |
17/94 |
1398 |
87/0 |
74/0 |
81/0 |
51/91 |
60/83 |
41/87 |
37/94 |
61/92 |
62/92 |
93/93 |
78/89 |
71/90 |
میانگین |
86/0 |
744/0 |
779/0 |
06/91 |
87/83 |
39/85 |
92/93 |
83/91 |
79/91 |
23/9 |
00/91 |
97/90 |
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.
|
شکل 6. تغییرات سالانه و ده ساله پوشش سبز در سطح شهر تهران |
جدول 5. تغییرات سالانه و ده ساله از/به پوشش سبز شهری در سطح شهر تهران
مجموع |
جاده |
آب |
ساختمان |
خاک لخت |
|
|
901/12 |
207/6 |
002/0 |
499/4 |
193/2 |
از پوشش گیاهی |
90-1389 |
079/12 |
145/5 |
054/0 |
998/5 |
882/0 |
به پوشش گیاهی |
|
82/0- |
062/1- |
052/0 |
499/1 |
311/1- |
مجموع |
|
91/30 |
57/13 |
03/0 |
85/12 |
47/4 |
از پوشش گیاهی |
91-1390 |
44/23 |
77/9 |
04/0 |
76/9 |
87/3 |
به پوشش گیاهی |
|
47/7- |
8/3- |
01/0 |
09/3- |
6/0- |
مجموع |
|
12/22 |
16/10 |
11/0 |
86/8 |
99/2 |
از پوشش گیاهی |
92-1391 |
91/19 |
43/9 |
01/0 |
01/8 |
46/2 |
به پوشش گیاهی |
|
21/2- |
73/0- |
1/0- |
85/0- |
53/0- |
مجموع |
|
12/14 |
46/8 |
01/0 |
19/3 |
46/2 |
از پوشش گیاهی |
93-1392 |
51/11 |
3/5 |
04/0 |
64/4 |
53/1 |
به پوشش گیاهی |
|
61/2- |
16/3- |
03/0 |
45/1 |
93/0- |
مجموع |
|
91/12 |
09/7 |
01/0 |
61/3 |
2/2 |
از پوشش گیاهی |
94-1393 |
95/9 |
96/5 |
01/0 |
24/2 |
74/1 |
به پوشش گیاهی |
|
96/2- |
13/1- |
0 |
37/1- |
46/0- |
مجموع |
|
96/7 |
8/3 |
0 |
23/2 |
93/1 |
از پوشش گیاهی |
95-1394 |
57/15 |
61/9 |
02/0 |
16/4 |
78/1 |
به پوشش گیاهی |
|
61/7 |
81/5 |
02/0 |
93/1 |
15/0- |
مجموع |
|
57/12 |
27/7 |
01/0 |
1/3 |
19/2 |
از پوشش گیاهی |
96-1395 |
07/10 |
11/5 |
0 |
6/3 |
36/1 |
به پوشش گیاهی |
|
5/2- |
16/2- |
01/0- |
5/0 |
83/0- |
مجموع |
|
79/9 |
65/5 |
0 |
4/2 |
74/1 |
از پوشش گیاهی |
97-1396 |
58/14 |
49/8 |
0 |
16/4 |
93/1 |
به پوشش گیاهی |
|
79/4 |
84/2 |
0 |
76/1 |
19/0 |
مجموع |
|
29/16 |
76/8 |
15/0 |
74/5 |
64/1 |
از پوشش گیاهی |
98-1397 |
59/11 |
13/6 |
0 |
53/2 |
93/2 |
به پوشش گیاهی |
|
7/4- |
63/2- |
15/0- |
21/3- |
29/1 |
مجموع |
|
67/31 |
44/13 |
49/0 |
3/11 |
43/6 |
از پوشش گیاهی |
98-1389 |
81/20 |
74/6 |
0 |
5/9 |
57/4 |
به پوشش گیاهی |
|
86/10- |
7/6- |
49/0- |
8/1- |
86/1- |
مجموع |
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
98-1389 |
98-1397 |
97-1396 |
96-1395 |
95-1394 |
94-1393 |
93-1392 |
92-1391 |
91-1390 |
90-1389 |
دوره |
منطقه |
||||||||||
2/5- |
92/2- |
09/2 |
13/1- |
73/3 |
13/1- |
25/1- |
08/0- |
42/3- |
09/1- |
1 |
5/0 |
16/0- |
82/0 |
4/0- |
6/0 |
1/0 |
06/0- |
18/0- |
32/0- |
1/0 |
2 |
15/1- |
65/0- |
44/0 |
14/0- |
74/0 |
2/0- |
23/0- |
65/0- |
13/0- |
33/0- |
3 |
7/1- |
95/0- |
16/1 |
67/0- |
67/1 |
81/0- |
29/0- |
62/0- |
7/0- |
49/0- |
4 |
36/0 |
11/0 |
09/0 |
11/0- |
45/0 |
06/0 |
22/0- |
27/0- |
14/0 |
11/0 |
5 |
3/0 |
08/0- |
12/0 |
01/0 |
09/0- |
09/0 |
04/0 |
2/0- |
45/0 |
04/0- |
6 |
08/0 |
02/0- |
04/0 |
04/0 |
07/0- |
01/0- |
07/0 |
2/0- |
22/0 |
01/0 |
7 |
1/0 |
04/0- |
01/0 |
01/0 |
01/0 |
01/0- |
08/0 |
1/0- |
07/0 |
07/0 |
8 |
37/0- |
18/0 |
09/0- |
04/0 |
16/0- |
05/0 |
1/0- |
03/0 |
32/0- |
0 |
9 |
04/0 |
01/0- |
02/0- |
01/0 |
01/0 |
01/0- |
04/0 |
0 |
0 |
02/0 |
10 |
09/0 |
02/0 |
05/0 |
03/0- |
04/0 |
07/0- |
05/0 |
01/0- |
05/0 |
01/0- |
11 |
03/0 |
01/0 |
02/0 |
07/0- |
07/0- |
02/0 |
06/0 |
01/0- |
06/0 |
01/0 |
12 |
12/0- |
02/0- |
06/0 |
06/0- |
03/0 |
1/0- |
06/0 |
01/0 |
09/0- |
01/0- |
13 |
08/0- |
16/0- |
2/0 |
04/0 |
22/0 |
36/0- |
11/0 |
14/0 |
24/0- |
03/0- |
14 |
09/0 |
13/0- |
01/0- |
14/0 |
26/0 |
13/0- |
09/0 |
02/0- |
07/0- |
04/0- |
15 |
18/0 |
01/0- |
06/0- |
08/0 |
14/0 |
03/0- |
04/0- |
05/0 |
1/0 |
05/0- |
16 |
03/0 |
02/0- |
0 |
01/0- |
01/0 |
03/0- |
04/0 |
01/0 |
01/0- |
04/0 |
17 |
59/1- |
25/0 |
08/0 |
5/0- |
35/0- |
23/0 |
52/0- |
73/0- |
35/0- |
3/0 |
18 |
47/0 |
12/0- |
05/0 |
09/0 |
07/0 |
16/0- |
04/0 |
2/0 |
04/0- |
34/0 |
19 |
88/0- |
05/0- |
2/0 |
06/0- |
22/0 |
16/0- |
32/0- |
03/0- |
67/0- |
01/0- |
20 |
38/0 |
25/0 |
28/0- |
08/0 |
12/0 |
02/0- |
42/0 |
28/0 |
53/0- |
06/0 |
21 |
37/2- |
16/0- |
19/0- |
14/0 |
02/0 |
27/0- |
65/0- |
16/0 |
68/1- |
26/0 |
22 |
86/10- |
7/4- |
79/4 |
5/2- |
61/7 |
96/2- |
61/2- |
21/2- |
47/7- |
82/0- |
مجموع |
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:
[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