پایش الگوهای رشد شهری در شهر باهیر در شمال غربی اتیوپی در حال رشد با سابقه ۳۰ ساله تصاویر لندست


خلاصه

نظارت بر الگوهای رشد شهری یک اقدام مهم برای بهبود درک ما از تغییرات کاربری زمین/پوشش زمین (LULC) و بخش مرکزی در توسعه مناسب هر شهر است. در این مطالعه، ما تغییرات را طی یک دوره ۳۰ ساله (۱۹۸۵-۲۰۱۵) در باهیر دار، یکی از شهرهای به سرعت در حال رشد شمال غربی اتیوپی تجزیه و تحلیل کردیم. تصاویر ماهواره ای Landsat TM (1985، ۱۹۹۵، و ۲۰۰۸) و OLI (2015) استفاده شد. طبقه بندی با استفاده از تکنیک تجزیه و تحلیل تصویر مبتنی بر شی انجام شد و تجزیه و تحلیل تغییر با استفاده از مقایسه پس از طبقه بندی در GIS به عنوان یک چارچوب جدید انجام شد. ارزیابی دقت برای هر سال مرجع انجام شد. هشت نوع LULC با دقت کلی از ۸۸٫۳٪ تا ۹۲٫۹٪ و آمار کاپا ۰٫۸۵ تا ۰٫۹۲ با موفقیت ضبط شد. نتایج طبقه‌بندی نشان داد که زمین‌های زراعی (۶۶%)، آب (۱۲٫۵%) و علفزار (۶%) انواع غالب LULC با سهم کمی از مناطق تحت پوشش مناطق ساخته شده (۲٫۴%) در سال ۱۹۸۵ بودند. در سال ۲۰۱۵، زمین های زراعی و آب همچنان غالب بودند و پس از آن مناطق ساخته شده بودند. نتیجه تغییر نشان می دهد که کاهش سریع پوشش جنگلی طبیعی و به دنبال آن علفزار و تالاب بین دوره های مطالعه اول (۱۹۸۵-۱۹۹۵)، دوم (۱۹۹۵-۲۰۰۸)، و سوم (۲۰۰۸-۲۰۱۵) رخ داده است. در مقابل، افزایش در هر سه دوره به ترتیب ۹٫۳٪، ۱۲۱٫۳٪ و ۴۴٫۸٪ افزایش یافته است. اگرچه تبدیل بین کلاس‌های LULC به طور قابل‌توجهی متفاوت بود، تجزیه و تحلیل ماتریس تغییر ۳۰ ساله نشان داد که حدود ۳۱٪ در معرض تغییر شدید بین کلاس‌ها بود. به طور خاص، مساحت ساخته شده در طول سال های مورد مطالعه ۲۵۰٫۵٪ افزایش یافته است. رویکرد چارچوبی مورد استفاده در این تحقیق یک مثال قابل تکرار خوب از چگونگی ارزیابی و پایش رشد شهری در سطح محلی، با ترکیب فناوری‌های سنجش از دور و GIS است. مطالعه بیشتر برای بررسی محرک های دقیق، پیامدهای تغییرات و گزینه های آینده پیشنهاد می شود.

کلید واژه ها:

لندست ; ارزیابی دقت ; سنجش از دور ؛ GIS ; تصویر ; باهیر در ; اتیوپی

۱٫ معرفی

نظارت بر الگوهای رشد شهری، به طور کلی بر اساس تغییرات کاربری/پوشش زمین (LULC)، یکی از موضوعات اصلی تحقیقات جهانی از نظر شهرنشینی است [ ۱ ]. شهرنشینی بیش از حد بر بقا و توسعه جامعه انسانی و اکوسیستم ها تأثیر می گذارد [ ۲ ، ۳ ]، و پیامدهای آن شامل تبدیل اشکال طبیعی پوشش زمین به مناطق شهری [ ۴ ]، تأثیرات بر تنوع ژنتیکی [ ۵ ]، افزایش بار بیماری ها می شود. ۶ ، اثرات جزیره گرمایی [ ۷ ]، و انتشار گازهای گلخانه ای [ ۸]. بنابراین، کسب به موقع و دقیق توزیع LULC شهری می تواند به عنوان مبنایی برای ارزیابی و کاهش این اثرات منفی اجتماعی-اقتصادی-اکولوژیکی [ ۲ ، ۹ ] باشد.
اتیوپی با مساحت ۱,۱۳۰,۰۰۰ کیلومتر مربع ، یکی از پنج کشور پرجمعیت قاره آفریقا و یکی از سریع ترین کشورهای شهرنشین در جهان است [ ۱۰ ]. در اتیوپی، الگوهای رشد شهری دائما در حال تغییر است، در حالی که زمین به تدریج به یک منبع کمیاب تبدیل می شود [ ۲ ، ۹ ، ۱۱ ، ۱۲ ]. شدت و بزرگی الگوهای رشد شهری در شهرهای مختلف سراسر کشور متفاوت است. به عنوان مثال، نیگاتو و همکاران. [ ۱۳ ] افزایش مناطق شهری هاواسا در جنوب اتیوپی را ۱۸۵٫۴٪ در ۱۶ سال (۱۹۹۵-۲۰۱۱) گزارش کردند، در حالی که، Fenta و همکاران. [ ۱۴] افزایش ۸۸ درصدی در منطقه ساخته شده شهر مکله در شمال اتیوپی را در ۳۰ سال (۱۹۸۴-۲۰۱۴) گزارش کرد. در نتیجه، تعمیم نتایج به سایر حوزه‌ها برای هر فعالیت برنامه‌ریزی ممکن است منجر به نتیجه‌گیری اشتباه شود. نتایج مطالعات مختلف نشان داده است که ارتقای دانش در مورد رشد شهری تاثیر زیادی بر طراحی استراتژی های مدیریتی مناسب خواهد داشت. به طور خاص، برنامه ریزان شهری و تصمیم گیرندگان را در مورد رویکردهای مناسب برای مقابله با تغییرات پوشش زمین و رشد کنترل نشده شهری راهنمایی می کند [ ۱۵ ]
تحقیقات قبلی در مورد تغییرات LULC شهری بر اساس بررسی های زمینی یا آمار، با مشکلاتی در ضبط و نظارت بر شهرنشینی سریع مواجه شد. برای ارزیابی نیازهای فعلی و آتی، داده های دقیق، سازگار و به موقع در مورد روند رشد شهری مورد نیاز است [ ۱۶ ، ۱۷ ]. با ظهور و توسعه تکنیک های مکانی که استفاده از سنجش از دور (RS) و یک سیستم اطلاعات جغرافیایی (GIS) را ادغام می کند، تشخیص دینامیک LULC مکانی-زمانی آسان، سریع و مقرون به صرفه شده است [ ۱۸ ، ۱۹ ] .
تکنیک های مختلفی برای استخراج اطلاعات معنی دار در مورد انواع LULC از مجموعه داده های گرفته شده از راه دور در دسترس است. در گذشته، اکثر طبقه بندی های LULC با استفاده از تجزیه و تحلیل مبتنی بر پیکسل از تصاویر سنجش از راه دور ایجاد شده اند. اخیراً، تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) برای طبقه‌بندی تصاویر سنجش از دور بیشتر از تکنیک تجزیه و تحلیل مبتنی بر پیکسل، به عنوان مثال، [ ۲۰ ، ۲۱ ، ۲۲ ] استفاده شده است. روش‌های مبتنی بر پیکسل عمدتاً پیکسل‌های فردی را با استفاده از الگوهای طیفی طبقه‌بندی می‌کنند. از سوی دیگر، OBIA ترکیبی از اطلاعات طیفی و اطلاعات مکانی را برای طبقه بندی دقیق انواع LULC [ ۲۳ ، ۲۴ ، اجازه می دهد. ۲۵ ] امکان پذیر می کند.]. تازگی OBIA توانایی گروه‌بندی پیکسل‌های نسبتاً همگن را در اشیاء معنادار بر اساس مقادیر طیفی آنها از طریق استفاده از یک الگوریتم تقسیم‌بندی چند تفکیک‌پذیری، و سپس استخراج اطلاعات اضافی مفید مانند اندازه، شکل، بافت یا اطلاعات متنی را به ارمغان می‌آورد [ ۲۰ ]. علاوه بر این، رویکرد OBIA ما را قادر می‌سازد تا پیکسل‌های مشابه فضایی و طیفی را در سطوح مختلف مقیاس جدا کنیم [ ۲۶ ]. با بهترین دانش ما، تقریباً هیچ رویکردی بهتر از OBIA برای تولید طبقه‌بندی‌های LULC شهری در سطح محلی تکرارپذیر وجود ندارد که بتوان از آن به عنوان ورودی برای نظارت و برنامه‌ریزی استفاده کرد.
با این حال، دقت رویکرد مبتنی بر شی بسته به ماهیت منطقه مورد مطالعه، سطح جزئیات و نوع تصاویر مورد استفاده برای تجزیه و تحلیل متفاوت است [ ۲۱ ، ۲۷ ، ۲۸ ، ۲۹ ]. با توجه به اینکه، در این مطالعه، ما انواع LULC را با استفاده از OBIA با بالاترین دقت ممکن طبقه‌بندی کردیم و تغییرات را طی یک دوره ۳۰ ساله (۱۹۸۵-۲۰۱۵) در باهیر دار، یکی از شهرهای به سرعت در حال رشد در اتیوپی ارزیابی کردیم.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

شهر باهیر دار (به معنای «ساحل دریا» در آمهری) پایتخت ایالت ملی منطقه‌ای آمهارا و هفتمین شهر بزرگ اتیوپی است. در ارتفاعات شمال غربی اتیوپی در ۱۱°۳۵’۴۱٫۲″ شمالی و ۳۷°۲۳’۱۷٫۲″ شرقی واقع شده است ( شکل ۱ ). این شهر در سواحل آبای (نیل آبی-طولانی ترین رودخانه جهان)، درست پس از خروج رودخانه از دریاچه تانا، که منبع زیبایی آن است، مستقر شده است. این کشور دارای کبله های روستایی و شهری است که کوچکترین و پایین ترین سطح واحدهای اداری در اتیوپی هستند. کبل های شهری اندازه شهر در مقایسه با مساحت سطح دریاچه تانا (که حدوداً ۳۱۱۱ کیلومتر مربع است) تنها حدود ۱٫۵٪ است .). این شهر در ۵۶۵ کیلومتری شمال غربی پایتخت آدیس آبابا قرار دارد و ارتفاع متوسط ​​آن ۱۸۳۰ متر است. در سال ۲۰۰۲، بهیر دار جایزه شهرها برای صلح یونسکو را برای مقابله با چالش های شهرنشینی سریع دریافت کرد [ ۳۰ ]. باهیر دار در منطقه آب و هوایی Woina Dega قرار می گیرد که با فصل بارانی (از مه تا اکتبر) و فصل خشک (اکتبر تا می) مشخص می شود. میانگین دمای اتمسفر سالانه بین ۱۵ تا ۲۱ درجه سانتی گراد است. توزیع نرمال بارندگی با حداکثر در تیر و مرداد (به ترتیب ۳۹۶ میلی‌متر و ۳۷۵ میلی‌متر) و کمترین آن در ژانویه و فوریه (۲ میلی‌متر برای هر دو ماه) است. مجموع بارندگی سالانه برای سال ۲۰۱۵، ۱۴۱۶ میلی متر بود [ ۳۱ ]. انواع اصلی خاک رس و رس سیلتی است.
طرح جامع مدرن و جامع که شکل کنونی شهر را با منطقه بندی جدید هدایت می کرد، در سال ۱۹۶۵ توسط تیمی به سرپرستی یک متخصص آلمانی تهیه شد. اجرای این طرح جامع ظاهر فیزیکی بهیر در را تغییر داده است ( شکل ۲ ). یک طرح جامع بازنگری شده از سال ۲۰۰۵ مؤثر واقع شده است [ ۳۰ ]. بر اساس آخرین سرشماری نفوس در سال ۱۳۸۶، شهرک باهیر دارای ۱۸۵۹۳۳ نفر سکنه بوده که از این تعداد ۶/۸۳ درصد (۱۵۵۴۲۸ نفر) در مناطق شهری و ۴/۱۶ درصد (۳۰۵۰۵ نفر) در مناطق روستایی اطراف شهر سکونت داشته اند [ ۳۲ ].

۲٫۲٫ داده های مورد استفاده

۲٫۲٫۱٫ تصویربرداری ماهواره ای

تصاویر ماهواره‌ای برای سال‌های ۱۹۸۵، ۱۹۹۵ و ۲۰۰۸ از Landsat 5 Thematic Mapper (TM) و برای سال ۲۰۱۵ از Landsat 8 Operational Land Imager (OLI) از وب‌سایت سازمان زمین‌شناسی ایالات متحده (USGS) به دست آمد. تصاویر به عنوان محصولات بازتاب سطح استاندارد در سطح ۱T با اصلاحات رادیومتری اعمال شده دانلود شدند. سپس از لحاظ هندسی به سیستم جهانی جهانی ۱۹۸۴ (سیستم طرح ریزی منطقه ۳۷ UTM) ارجاع داده شدند. تنها استثنا تصویر Landsat 5 TM برای سال ۲۰۰۸ بود که برخی اعوجاج ها و ناهنجاری های هندسی را نشان داد. در این مورد، اصلاحات هندسی به منظور بهبود تصویر سال ۲۰۰۸ با اعمال الگوریتم‌های geocoding و geo-reference در PCI Geomatica نسخه ۲۰۱۵ SP1 انجام شد.
سال های مرجع بر اساس رژیم های اصلی و تغییرات خط مشی در سایت مطالعه تعیین شدند. تصاویر ماهواره ای نیز بر اساس چهار معیار فصل، زمان دریافت، پوشش ابری و در دسترس بودن داده ها انتخاب شدند. تمام تصاویر در ماه فوریه برای تجزیه و تحلیل فصل خشک به دست آمد. این تصاویر عمداً از همان ماه ها و فصل ها انتخاب شده اند تا اختلافات در پوشش زمین به دلیل تغییرات فصلی کاهش یابد.
۲٫۲٫۲٫ سایر مجموعه های داده
سایر مجموعه داده های مورد نیاز برای این مطالعه از طریق منابع اولیه و ثانویه جمع آوری شد. مشاهدات میدانی در ژانویه ۲۰۱۶ به منظور جمع آوری داده های مرجع برای ارزیابی دقت و تأیید نتایج حاصل از مطالعه تشخیص تغییر انجام شد. داده های حقیقت زمینی با استفاده از GPS GARMIN Montana 600 در طی مطالعه مشاهدات میدانی مستقیم در ژانویه ۲۰۱۶ به دست آمد. در مجموع ۱۲۴ نمونه مرجع، از جمله انواع مختلف LULC، بر اساس روش طبقه بندی ساده – مناطق بازار اصلی، مرکزی جمع آوری شد. منطقه تجاری (CBD)، مرکز شهر، ایستگاه های اتوبوس، مراکز بهداشتی، موسسات آموزشی، کشاورزی شهری و تالاب ها. این نمونه‌ها بیشتر برای ارزیابی دقت نقشه پوشش زمین از سال ۲۰۱۵ مورد استفاده قرار گرفتند.
مجموعه داده‌های ثانویه، مانند مرزهای اداری، بدنه‌های آبی، شبکه‌های جاده‌ای، خدمات عمومی و عکس‌برداری هوایی عمدتاً از منابع مختلف جمع‌آوری شدند.

۲٫۳٫ روش شناسی

۲٫۳٫۱٫ تقسیم بندی و طبقه بندی تصویر

هشت کلاس LULC در طول فرآیند طبقه‌بندی تصویر مورد استفاده قرار گرفت: زمین برهنه، زمین‌های زراعی، علفزار، ساخته‌شده، جنگل طبیعی، تکه‌های درختی، تالاب و آب ( جدول ۱ ).
این مطالعه از یک رویکرد چند مرحله‌ای برای بررسی تغییرات LULC در شهر باهیر در طی دوره ۱۹۸۵-۲۰۱۵ استفاده کرد. ابتدا، LULC سالهای مرجع مختلف همانطور که در شکل ۳ نشان داده شده است ، به دنبال رویکرد کلی Kindu و همکاران استخراج شد. [ ۲۹ ] با استفاده از نرم افزار eCognition Developer 9.2.1 [ ۳۵ ].
یک الگوریتم تقسیم‌بندی چند وضوح (MS) در اولین مرحله از فرآیند طبقه‌بندی برای شناسایی پارامترهای تقسیم‌بندی مناسب برای هر یک از تصاویر استفاده‌شده استفاده شد. الگوریتم MS یک روش بهینه سازی است که میانگین ناهمگنی را برای تعداد معینی از اشیاء به حداقل می رساند و همگنی آنها را بر اساس پارامترهای تعریف شده به حداکثر می رساند. این پارامترها، یعنی مقیاس، شکل، و فشردگی، از طریق یک رویکرد تکراری “آزمایش و خطا” برای تقسیم موفقیت آمیز اشیاء در یک تصویر تعریف می شوند [ ۲۹ ، ۳۶ ، ۳۷ ]. ترکیبات مختلفی از پارامترهای مقیاس، از ۱۰ تا ۱۰۰، مقادیر شکل و فشردگی برای هر تصویر استفاده شد تا اشیاء تصویر به درستی جدا شوند ( جدول ۲). تصاویر L5TM (برای سال‌های ۱۹۸۵، ۱۹۹۵ و ۲۰۰۸) بر اساس یک جریان کار تقسیم‌بندی دو مرحله‌ای طبقه‌بندی شدند، جایی که کلاس آب از زمین و پوشش گیاهی در سطح اول جدا شد و تمام کلاس‌های LULC دیگر در سطح دوم مشخص شدند. سطح ( شکل ۳ ). با این حال، تصویر ۲۰۱۵ از L8 OLI از یک سطح تقسیم‌بندی منفرد استفاده کرد، زیرا پارامترهای مقیاس، شکل و فشردگی جزئیات کافی را برای ترسیم تمام کلاس‌های LULC در سطح ۱ فراهم می‌کردند به طوری که نیازی به سطح اضافی نبود.

پس از تقسیم بندی پردازش شد، شاخص تفاوت نرمال شده آب (NDWI) محاسبه شد. این شاخص توسط McFeeters [ ۳۸ ] تعریف شد و هدف آن ترسیم ویژگی‌های آب آزاد و افزایش حضور آن‌ها در تصاویر دیجیتال سنجش از دور است. تفاوت بین طول موج سبز و مادون قرمز نزدیک (NIR) را محاسبه می کند، تقسیم بر مجموع آنها:

NDWI= ایکسسبز-ایکسNIRایکسسبز+ایکسNIR

جایی که ایکسسبز= طول موج سبز و ایکسNIR= طول موج NIR.

در نتیجه، آب از تمام طبقات دیگر که در کلاس طبقه بندی نشده گروه بندی می شدند متمایز شد.
ابرها در تصاویر فصل بارانی سال‌های ۲۰۰۸ و ۲۰۱۵ شناسایی شدند، زیرا مقادیر روشنایی بسیار بالاتری داشتند. آنها بعداً با استفاده از تصاویر تاریخی از Google Earth برای تصویر سال ۲۰۰۸ و تفسیر بصری تصویر فصل خشک در سال ۲۰۱۵ به پوشش گیاهی یا زمین اختصاص یافتند.

در مرحله بعد، طبقات زمین و پوشش گیاهی با استفاده از شاخص تفاوت نرمال شده گیاهی (NDVI) متمایز شدند. به طور کلی، مقادیر کمتر NDVI نشان دهنده زمین و مقادیر بالاتر نشان دهنده پوشش گیاهی سالم است. این شاخص از تفاوت بین NIR و طول موج قرمز تقسیم بر مجموع آنها استفاده می کند:

NDVI= ایکسNIR-ایکسقرمزایکسNIR+ایکسقرمز

جایی که ایکسNIR= طول موج NIR و ایکسقرمز= طول موج قرمز

پس از محاسبه شاخص NDVI، برخی از اشیاء گیاهی به اشتباه به عنوان زمین طبقه بندی شدند. برای تصحیح این، از مقادیر میانگین نوار آبی (به ترتیب باند ۱ برای L5TM و باند ۲ برای L8 OLI) و روشنایی برای تخصیص مجدد آنها به کلاس گیاهی استفاده شد.
بقیه زمین‌ها با استفاده از طبقه‌بندی‌کننده نزدیک‌ترین همسایه (NN) و چندین شاخص مختلف، به‌عنوان زمین بایر یا منطقه ساخته‌شده طبقه‌بندی شدند: شاخص شهری (UI)، شاخص ساخت‌وساز و برهنه (EBBI)، و شاخص برهنگی تفاوت نرمال‌شده. (NDBaI) ( جدول ۳ ). هر یک از این شاخص‌ها در هنگام ترسیم طبقات به دلیل تصاویر ماهواره‌ای متفاوت، از نظر دقت عملکرد متفاوتی داشتند. جدول ۳ شاخص اعمال شده در یک سال خاص را برای تشخیص زمین بایر از طبقه ساخته شده نشان می دهد.
کاربرد شاخص ها در طبقه بندی تصاویر ماهواره ای مختلف متفاوت بود. به عنوان مثال، UI برای طبقه‌بندی آن‌هایی که از سال ۱۹۸۵ به دست آمدند، به کار رفت. علاوه بر این، طبقه‌بندی‌کننده NN برای تمایز بین زمین‌های ساخته‌شده و بایر در طبقه‌بندی تصویر سال ۱۹۹۵، با ترکیب باندهای مختلف مانند: میانگین قرمز، NIR، استفاده شد. و مقادیر آبی (B3، B4 و B1 برای L5TM)، و همچنین قرمز، SWIR I، SWIR II (B3، B5، B7 برای L5TM)، و SWIR I، NIR، و آبی (B5، B4، B1). EBBI در طبقه‌بندی تصویری سال ۲۰۰۸ برای جداسازی ساختمان‌ها از زمین بایر استفاده شد.

رابط کاربری، توسعه یافته توسط Kawamura و همکاران. [ ۴۱ ]، رابطه بین طول موج های مادون قرمز نزدیک و مادون قرمز میانی را مشاهده می کند:

UI=باند ۷-باند ۴باند ۷+باند ۴
EBBI=باند ۵-باند ۴۱۰باند ۵+باند ۶
NDBaI=باند ۵ – باند ۱۰باند ۵ + باند ۱۰

که در آن باند ۷ (SWIR 2) و باند ۴ (NIR) با اعداد دیجیتال (DN) در طول موج مربوطه Landsat 5 TM نشان داده می شوند. باندهای ۴، ۵ و ۶ به ترتیب نشان دهنده NIR، SWIR1 و TIR از Landsat 5 TM هستند. باندهای ۵ و ۱۰ به ترتیب نشان دهنده NIR و TIRS1 از Landsat 8 OLI هستند.

در مقایسه با UI، EBBI عملکرد بهتری را هنگام طبقه‌بندی زمین‌های خالی و مناطق ساخته‌شده در تصویر سال ۲۰۰۸ نشان داد. این شاخص توسط As-syakur و همکاران توسعه داده شده است. [ ۳۹ ]. این بر اساس محدوده بازتاب کنتراست و جذب در مناطق ساخته شده و برهنه است. شاخص خاک برهنه نرمال شده (NDBaI) در تصویر ۲۰۱۵ برای ترسیم زمین های لخت از سایر کلاس های LULC [ ۴۰ ] اعمال شد. اگرچه NDBaI هنگام جداسازی طبقه زمین برهنه در تصویر ۲۰۱۵ نتایج خوبی به دست آورد، اصلاحات لازم بود. بنابراین، نمونه‌هایی از هر دو کلاس بر اساس مقادیر میانگین آبی (باند ۲ در L8 OLI) انتخاب شدند. در نهایت، طبقه‌بندی‌کننده NN برای جداسازی هر دو کلاس اعمال شد.
در تصویر فصل خشک سال ۱۹۹۵، زمین برهنه در هزینه زمین های زراعی بیش از حد برآورد شد. به همین دلیل، نسبت سبز-قرمز به منظور تخصیص مجدد اشیاء زمین لخت طبقه‌بندی‌شده اشتباه به یک کلاس زمین‌های زراعی برداشت شده میانی که به‌طور پیش‌فرض، به کلاس زمین‌های زراعی تعلق دارد، محاسبه شد. [ ۲۹ ].

تشخیص هر دو طبقه ضروری بود زیرا در طول فصل خشک، زمین های برداشت شده به صورت زمین برهنه به نظر می رسد. بنابراین، نسبت سبز-قرمز استفاده شد زیرا تفسیر بصری تصویر فصل خشک (تنها مورد موجود برای سال ۱۹۹۵) برای ترسیم طبقات کافی نبود. به طور کلی، زمین برهنه ارزش کمتری داشت و برعکس برای زمین های زراعی برداشت شده صادق بود. فرمول مورد استفاده برای محاسبه این نسبت:

سبز-قرمز نسبت=منظور داشتن سبزمنظور داشتن قرمز

که در آن DN باند ۲ (میانگین سبز) بر DN باند ۳ (قرمز متوسط) از Landsat 5 TM تقسیم می شود. پس از آن، زمین های زراعی برداشت شده مستقیماً به کلاس زمین های زراعی اختصاص یافت.

دو نوع جنگل مختلف در طول فرآیند طبقه‌بندی تصویر، یعنی جنگل‌های طبیعی و تکه‌های درختی شناسایی شدند. یک طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) به منظور ترسیم طبقات با مقایسه مقادیر درون نسبت آبی-سبز [ ۲۹ ] استفاده شد. SVM یکی از روش‌های یادگیری ماشینی است که داده‌ها را تجزیه و تحلیل می‌کند و الگوها را تشخیص می‌دهد و برای طبقه‌بندی و تحلیل رگرسیون استفاده می‌شود [ ۳۵ ]. این بر اساس سطوح تصمیم است که بین مجموعه ای از اشیاء با عضویت های مختلف جدا می شود. بسته به اندازه کلاس ها حداقل ۳۰ نمونه آموزشی (ابژه اولیه) در هر کلاس استفاده شد. هسته تابع پایه شعاعی استفاده شد زیرا محبوب ترین انتخاب در SVM ها است [ ۳۵ ، ۴۲].

آبی-سبز نسبت=منظور داشتن آبیمنظور داشتن سبز
به نظر می رسد که جنگل های طبیعی در مقایسه با تکه های درختی دارای ارزش بالاتری هستند. طبقه بندی تکه های درخت بر اساس مساحت آنها (به طور کلی کوچکتر از ۰٫۵ هکتار) و بافت ریزتر بهبود یافت.
طبقه متوسط ​​زمین زراعی بر اساس انحراف استاندارد مقادیر NIR و میانگین قرمز به تکه های زمین زراعی و درختی تقسیم شد. تکه های درخت مقادیر کمتری را در هر دو حوزه نسبت به زمین زراعی نشان دادند.

در نهایت، یک ویژگی طیفی میانگین NIR و یک شاخص نسبت پوشش گیاهی (RVI) به منظور تعیین علفزار و تالاب از کلاس پوشش گیاهی محاسبه شد. نسبت به صورت زیر محاسبه شد [ ۴۳ ]:

RVI=منظور داشتن NIRمنظور داشتن قرمز
علفزار مقادیر بالاتری را در دامنه میانگین NIR و مقادیر کمتری را در RVI نسبت به تالاب نشان داد.
۲٫۳٫۲٫ ارزیابی دقت
ارزیابی دقت، قابلیت اطمینان نتایج حاصل از نقشه طبقه بندی شده را ارزیابی می کند و با به کارگیری یک ماتریس سردرگمی، اطمینان به محصول را تضمین می کند [ ۴۴ ]. چهار ماتریس سردرگمی ارزیابی دقت برای ارزیابی نتایج طبقه‌بندی و مشخص کردن خطاها از نقشه‌های ۱۹۸۵، ۱۹۹۵، ۲۰۰۸ و ۲۰۱۵ تولید شد. در همین حال، یک رویکرد نمونه‌گیری تصادفی طبقه‌ای برای ارزیابی دقت کلاس‌های فردی با انتخاب حداقل ۳۰ نمونه (اشیای اولیه) در هر کلاس به کار گرفته شد [ ۴۵ ، ۴۶ ]]. علاوه بر این، آمار تولیدکننده، کاربر، دقت کلی و ضریب کاپا برای هر یک از نتایج طبقه‌بندی تولید شد. منابع برای نمونه های مرجع بازدیدهای میدانی، تصاویر Google Earth و تصاویر خام بودند. تصاویر خام مربوطه در ترکیب تصاویر Google Earth برای سال‌های ۱۹۸۵، ۱۹۹۵، ۲۰۰۸ و ۲۰۱۵ برای جمع‌آوری نمونه از طریق تفسیر بصری استفاده شد. در غیاب مجموعه داده های میدان تاریخی به عنوان منبع نمونه های مرجع، چنین روش هایی برای جمع آوری توصیه می شود، به عنوان مثال، [ ۲۹ , ۴۷ , ۴۸ , ۴۹]. برای حمایت بیشتر از ارزیابی دقت طبقه‌بندی ۲۰۱۵، داده‌های حقیقت زمینی در طی سفر میدانی در ژانویه ۲۰۱۶ به‌دست آمد. یک قانون پذیرفته‌شده کلی ۸۵ درصد دقت کلی هدفی بود که از نتایج طبقه‌بندی انتظار می‌رفت [ ۵۰ ].
۲٫۳٫۳٫ تجزیه و تحلیل تشخیص تغییر

تکنیک مقایسه تصویر پس از طبقه بندی برای انجام تجزیه و تحلیل تشخیص تغییر [ ۵۱ ] استفاده شد. به منظور به حداقل رساندن اثرات احتمالی تغییرات جوی و تفاوت‌های حسگر [ ۵۲ ] انتخاب شد، اما طبقه‌بندی با دقت بالا شرط لازم برای تشخیص موثر تغییر است [ ۵۳ ]]. تصاویر طبقه بندی شده مستقل، با بالاترین دقت، در فرآیند تشخیص تغییر استفاده شدند. آمار تغییر با مقایسه مقادیر تصویر یک مجموعه داده با مقادیر متناظر مجموعه داده دوم در هر دوره محاسبه شد. این منجر به یک جدول خلاصه از تغییرات کلی در هر کلاس می شود. تغییرات در منطقه ساخته شده برای مرزهای اداری بهیر دار بین دوره های مرجع، با استفاده از فرمول زیر که از کیندو و همکاران اقتباس شده است، محاسبه شد. [ ۲۹ ]:

ساخته شده-بالا حوزه تغییر دادن (که در %)=حوزه نهایی سال – حوزه اولیه سالحوزه اولیه سال ×۱۰۰

جایی که Area نشان دهنده وسعت کلاس ساخته شده است. مقادیر مثبت معادله ۹ افزایش را نشان می دهد در حالی که مقادیر منفی حاکی از کاهش وسعت است.

۳٫ نتایج

۳٫۱٫ طبقه بندی LULC

در مجموع هشت نوع LULC در نقشه های ۱۹۸۵، ۱۹۹۵، ۲۰۰۸ و ۲۰۱۵ طبقه بندی شدند ( شکل ۴ ). منطقه مورد مطالعه در مجموع ۳۹۹۵۱ هکتار را پوشش می‌دهد که از این میان، زمین‌های زراعی به‌عنوان غالب‌ترین نوع پوشش زمین در طول سال‌ها شناخته شد. در ابتدای دوره مطالعه در سال ۱۹۸۵، ۶۶ درصد از مساحت مورد مطالعه را پوشش می داد و پس از آن آب (۱۲٫۵ درصد)، مرتع (۶٫۰ درصد)، لکه های درختی (۵٫۳٪)، تالاب (۳٫۳٪) و زمین های بایر (۳٫۳٪) قرار گرفتند. ۳٫۰٪. کمترین سهم مساحت مربوط به مناطق ساخته شده (۲٫۴%) و جنگل طبیعی (۱٫۷%) بود ( جدول ۴ ).). اگرچه میزان متفاوت بود، اما ترتیب نسبت اشغال شده توسط انواع LULC در منطقه مورد مطالعه در سال‌های ۱۹۹۵ و ۲۰۰۸ یکسان باقی ماند، به جز لکه‌های درخت، مناطق مسکونی، زمین‌های بایر، تالاب و علفزار در سال ۲۰۰۸٫ در سال ۲۰۱۵، زمین‌های زراعی و آب همچنان غالب بود و به دنبال آن افزایش یافت.

۳٫۲٫ دقت طبقه بندی

دقت کلی سال های ۱۹۸۵، ۱۹۹۵، ۲۰۰۸ و ۲۰۱۵ به ترتیب ۹۲٫۹٪، ۹۱٫۸، ۹۳٫۸٪ و ۸۸٫۳٪ بود ( جدول ۵ ). لندیس و کخ (۱۹۷۷) ضریب کاپا را به سه دسته گروه بندی کردند: مقداری بزرگتر از ۸۰/۰ که نشان دهنده توافق قوی است. مقداری بین ۰٫۴۰ و ۰٫۸۰ که نشان دهنده توافق متوسط ​​است. و مقدار زیر ۰٫۴۰ نشان دهنده توافق ضعیف است. بنابراین، ضرایب کاپا (به ترتیب ۰٫۹۲، ۰٫۹۰، ۰٫۹۳ و ۰٫۸۵) تطابق قوی را برای هر یک از چهار تصویر طبقه بندی شده نشان داد.

۳٫۳٫ تغییرات کاربری زمین/پوشش زمین (LULC).

تغییرات شدیدی در ۳۰ سال گذشته در باهیر در رخ داده است که منجر به افزایش زمین های بایر، مناطق ساخته شده و تکه های درخت به قیمت زراعی، جنگل طبیعی، علفزار و تالاب شده است ( جدول ۶ ). منطقه پوشیده از آب در طول کل دوره مطالعه تقریباً ثابت باقی ماند. در سال ۲۰۱۵، مناطق ساخته شده با نسبت ۸٫۳ درصد از کل مساحت، سومین نوع پوشش غالب زمین شدند.
روندهای خاصی در کلاس زمین های زراعی در طول سال ها مشاهده شد. در سال ۱۹۹۵ مساحت آن به ۶۷٫۷ درصد از کل مساحت به اوج رسید و سپس شروع به کاهش کرد. در سال ۲۰۱۵ توزیع آن به ۶۱٫۵ درصد کاهش یافت.
در طول دوره اول مطالعه (۱۹۸۵-۱۹۹۵) جنگل طبیعی به شدت ۷۰٫۲٪ (۴۶۴٫۹۴ هکتار) کاهش یافت، به دنبال آن علفزار و تالاب به ترتیب ۱۴٫۱٪ (۳۳۵٫۸۸ هکتار) و ۵٫۱٪ (۶۷٫۳۲ هکتار) کاهش یافت. از سوی دیگر، افزایش جزئی در مناطق ساخته شده (۹٫۳٪)، لکه های درخت (۷٫۹۸٪)، زمین بایر (۲٫۷٪)، و زمین های زراعی (۲٫۵٪) مشاهده شد.
جنگل طبیعی و تالاب در دوره بعدی ۱۹۹۵-۲۰۰۸ به ترتیب ۲۴٫۱٪ و ۲٫۶٪ کاهش یافت. بیشترین کاهش در سال‌های ۱۹۹۵ تا ۲۰۰۸ در علفزار مشاهده شد که ۱۰۵۹٫۹ هکتار (۵۱٫۷ درصد از مساحت آن در سال ۱۹۹۵) کاهش یافت. برعکس، طبقه ساخته شده از ۱۰۲۹٫۸ هکتار در سال ۱۹۹۵ به ۲۲۷۹٫۹ هکتار در سال ۲۰۰۸ افزایش یافت که منجر به افزایش ۱۲۱٫۴ درصدی شد. تکه های درختان و زمین های لخت به ترتیب ۳٫۶% و ۱۷٫۹% افزایش یافتند. در پایان دوره دوم مطالعه (۱۹۹۵-۲۰۰۸)، زمین های زراعی ۱٫۴٪ کاهش یافت که می تواند با افزایش سطح ساخته شده به هزینه سایر کلاس های LULC توضیح داده شود. به عنوان مثال، ۴۷٫۵ درصد از مساحت ساخته شده در سال ۲۰۰۸ از زمین های زراعی تبدیل شد.
در طول دوره سوم مطالعه (۲۰۰۸-۲۰۱۵)، زمین‌های زراعی، مرتع، جنگل‌های طبیعی و تالاب به ترتیب ۷٫۷ درصد، ۱۱٫۶، ۱۲٫۴ درصد و ۲٫۸ درصد کاهش یافتند. از سوی دیگر، مساحت ساخته شده ۱۰۲۱٫۹۱ هکتار زمین اضافه کرد که منجر به افزایش ۴۴٫۸ درصدی در این مدت شد.
به طور کلی، بیشترین تغییر در منطقه ساخته شده مشاهده شد که ۲۵۰٫۵٪، از ۹۴۱٫۹۴ هکتار به ۳۳۰۱٫۷۹ هکتار افزایش یافت ( جدول ۶ ). به طور مشابه، کلاس تکه های درختی با افزایش ۹۸۳٫۱۶ هکتار (۴۶٫۸٪ در مقایسه با ۱۹۸۵) دومین سطح رشد را نشان داد. در پایان این دوره مطالعه، اراضی بایر به میزان ۵۲/۴۷۰ هکتار (۸/۳۸ درصد) افزایش یافت. جنگل طبیعی با کاهش ۸۰٫۱ درصدی بیشترین تغییر منفی را نشان داد.
علاوه بر این، در طول دوره ۳۰ ساله، مرتع ۶۳٫۲ درصد کاهش یافته است، از ۲۳۸۵٫۷۲ هکتار به ۸۷۷٫۵۵ هکتار. روند منفی در کلاس زمین زراعی مشاهده شد که در مقایسه با سال ۱۹۸۵ به میزان ۲۲/۱۷۸۳ هکتار (۸/۶ درصد) کاهش یافت. در نقشه ۲۰۱۵ به عنوان آب طبقه بندی شده است که به نوبه خود منجر به افزایش جزئی ۱۴۱٫۹۳ هکتاری کلاس می شود.
از طریق تجزیه و تحلیل تشخیص تغییر، یک ماتریس تبدیل برای نمایش تبدیل بین کلاس های مختلف LULC در دوره مطالعه (۱۹۸۵-۲۰۱۵) تولید شد ( جدول ۷ ).). اگرچه تبدیل بین کلاس‌های LULC به طور قابل‌توجهی متفاوت بود، ۶۹٪ از منطقه در طول دوره مطالعه در سال‌های ۱۹۸۵-۲۰۱۵ بدون تغییر باقی ماند در حالی که ۳۱٪ در معرض تغییرات شدید در بین طبقات قرار گرفت. با توجه به مساحت اولیه آنها، سه کلاس LULC برتر مستعد تبدیل عمده به ترتیب علفزار، جنگل طبیعی و زمین بایر با ۹۰٫۱۹٪، ۸۴٫۶٪ و ۸۳٫۷٪ بودند. حتی اگر طبقه زمین زراعی تغییر نسبتاً کمی را تجربه کرد (۲۱٫۲%)، در مقادیر مطلق، مساحتی معادل ۵۵۹۲٫۶۵ هکتار یا ۴۵٫۴ درصد از کل مساحتی را که بین سال‌های ۱۹۸۵ و ۲۰۱۵ تغییر کرده بود را نشان داد. و در مقایسه با مساحت اولیه خود در سال ۱۹۸۵، چشمگیرترین تغییر را با ۹۰٫۲ درصد تجربه کرد. از مجموع ۲۳۸۵٫۷۲ هکتار مرتع در سال ۱۹۸۵، تنها ۲۳۴٫۰۸ هکتار بدون تغییر باقی مانده است. تبدیل به زمین زراعی ۵۵٪ از کل تغییر در کلاس علفزار را به خود اختصاص داد. دومین تغییر بزرگ در کلاس به دلیل تبدیل ۲۸۴٫۴۸ هکتار (۱۱٫۹٪) از علفزار به مناطق ساخته شده بود. از سوی دیگر، طبق طبقه‌بندی در سال ۲۰۱۵، ۷۷/۴۹۱ هکتار از زمین‌های زراعی یا رها شده یا برای احیا رها شده است، بنابراین، ۵۶ درصد از مساحت کل مرتع در سال ۲۰۱۵ را تشکیل می‌دهد. جنگل طبیعی طبقه‌ای بود که در معرض دومین تبدیل قرار گرفت. تغییر دادن. به عنوان مثال، از ۶۶۲٫۲۲ هکتار در سال ۱۹۸۵، تنها ۱۰۲٫۳۴ هکتار بدون تغییر باقی ماند و ۸۴٫۶٪ باقی مانده به کلاس های LULC دیگر تبدیل شد. از کل مساحت ۳۰۸۲ هکتاری لکه های درختی در سال ۱۳۹۴، ۲۷۸٫۸۴ هکتار جنگل طبیعی تکه تکه شده و به تکه های درختی تبدیل شده است. علاوه بر این، ۱۶ درصد از جنگل های طبیعی به زمین های زراعی تبدیل شد که بیشتر در امتداد رودخانه آبای (نیل آبی) در سمت شرقی شهر قرار داشت. افزایش ۳۸٫۸ درصدی زمین های بایر تا سال ۲۰۱۵ با الگوهای تبدیل خاصی مشخص شد. به طور کلی، ۸۳٫۷٪ از زمین های بایر در معرض تغییر قرار گرفت، که شامل ۱۰۱۵٫۳۰ هکتار از ۱۲۱۳٫۱۱ هکتار در سال ۱۹۸۵ بود که به و از سایر کلاس های LULC تبدیل شد. زمین های زراعی در مقایسه با سال ۱۹۸۵ در معرض ۲۱٫۲٪ تغییر در مساحت قرار گرفتند و عمدتاً به مناطق ساخته شده (۱۸۸۶٫۱۵ هکتار)، تکه های درختی (۱۵۴۴٫۸۹ هکتار) و زمین های بایر (۱۲۶۰٫۶۸ هکتار) تبدیل شدند. از سوی دیگر، تا سال ۲۰۱۵، زمین های زراعی جایگزین ۱۳۱۳٫۳۴ هکتار از علفزار و ۱۰۴۵٫۳۲ هکتار تکه های درختی شدند. بیشتر در امتداد رودخانه آبای (نیل آبی) در سمت شرقی شهر. افزایش ۳۸٫۸ درصدی زمین های بایر تا سال ۲۰۱۵ با الگوهای تبدیل خاصی مشخص شد. به طور کلی، ۸۳٫۷٪ از زمین های بایر در معرض تغییر قرار گرفت، که شامل ۱۰۱۵٫۳۰ هکتار از ۱۲۱۳٫۱۱ هکتار در سال ۱۹۸۵ بود که به و از سایر کلاس های LULC تبدیل شد. زمین های زراعی در مقایسه با سال ۱۹۸۵ در معرض ۲۱٫۲٪ تغییر در مساحت قرار گرفتند و عمدتاً به مناطق ساخته شده (۱۸۸۶٫۱۵ هکتار)، تکه های درختی (۱۵۴۴٫۸۹ هکتار) و زمین های بایر (۱۲۶۰٫۶۸ هکتار) تبدیل شدند. از سوی دیگر، تا سال ۲۰۱۵، زمین های زراعی جایگزین ۱۳۱۳٫۳۴ هکتار از علفزار و ۱۰۴۵٫۳۲ هکتار تکه های درختی شدند. بیشتر در امتداد رودخانه آبای (نیل آبی) در سمت شرقی شهر. افزایش ۳۸٫۸ درصدی زمین های بایر تا سال ۲۰۱۵ با الگوهای تبدیل خاصی مشخص شد. به طور کلی، ۸۳٫۷٪ از زمین های بایر در معرض تغییر قرار گرفت، که شامل ۱۰۱۵٫۳۰ هکتار از ۱۲۱۳٫۱۱ هکتار در سال ۱۹۸۵ بود که به و از سایر کلاس های LULC تبدیل شد. زمین های زراعی در مقایسه با سال ۱۹۸۵ در معرض ۲۱٫۲٪ تغییر در مساحت قرار گرفتند و عمدتاً به مناطق ساخته شده (۱۸۸۶٫۱۵ هکتار)، تکه های درختی (۱۵۴۴٫۸۹ هکتار) و زمین های بایر (۱۲۶۰٫۶۸ هکتار) تبدیل شدند. از سوی دیگر، تا سال ۲۰۱۵، زمین های زراعی جایگزین ۱۳۱۳٫۳۴ هکتار از علفزار و ۱۰۴۵٫۳۲ هکتار تکه های درختی شدند. ۷٪ از زمین های بایر در معرض تغییر قرار گرفت، که شامل ۱۰۱۵٫۳۰ هکتار از ۱۲۱۳٫۱۱ هکتار در سال ۱۹۸۵ بود که به و از سایر کلاس های LULC تبدیل شد. زمین های زراعی در مقایسه با سال ۱۹۸۵ در معرض ۲۱٫۲٪ تغییر در مساحت قرار گرفتند و عمدتاً به مناطق ساخته شده (۱۸۸۶٫۱۵ هکتار)، تکه های درختی (۱۵۴۴٫۸۹ هکتار) و زمین های بایر (۱۲۶۰٫۶۸ هکتار) تبدیل شدند. از سوی دیگر، تا سال ۲۰۱۵، زمین های زراعی جایگزین ۱۳۱۳٫۳۴ هکتار از علفزار و ۱۰۴۵٫۳۲ هکتار تکه های درختی شدند. ۷٪ از زمین های بایر در معرض تغییر قرار گرفت، که شامل ۱۰۱۵٫۳۰ هکتار از ۱۲۱۳٫۱۱ هکتار در سال ۱۹۸۵ بود که به و از سایر کلاس های LULC تبدیل شد. زمین های زراعی در مقایسه با سال ۱۹۸۵ در معرض ۲۱٫۲٪ تغییر در مساحت قرار گرفتند و عمدتاً به مناطق ساخته شده (۱۸۸۶٫۱۵ هکتار)، تکه های درختی (۱۵۴۴٫۸۹ هکتار) و زمین های بایر (۱۲۶۰٫۶۸ هکتار) تبدیل شدند. از سوی دیگر، تا سال ۲۰۱۵، زمین های زراعی جایگزین ۱۳۱۳٫۳۴ هکتار از علفزار و ۱۰۴۵٫۳۲ هکتار تکه های درختی شدند.
کلاس ساخته شده الگوهای خاصی از تغییر را نشان داد. به عنوان مثال، برای کل دوره ۱۹۸۵-۲۰۱۵، ۱۸۸۶٫۱۵ هکتار از زمین های زراعی به مناطق ساخته شده تبدیل شد که با ۵۷ درصد از کل مساحت ساخته شده در سال ۲۰۱۵، بیشترین سهم تبدیل طبقات به ساخته شده را به خود اختصاص داد. تبدیل از علفزار به منطقه ساخته شده با ۲۸۴٫۴۸ هکتار تبدیل به منطقه ساخته شده تا سال ۲۰۱۵، دومین سهم بزرگ را به خود اختصاص داد و پس از آن ۲۲۹٫۲۷ هکتار از تکه های درختی که با کلاس ساخته شده جایگزین شدند. با وجود اینکه جنگل طبیعی با کاهش ۸۰٫۱۳ درصدی و تغییر مساحت کل ۸۴٫۶ درصد، بیشترین تغییر منفی را نسبت به سایر طبقات تجربه کرد، تبدیل به مساحت ساخته شده تنها ۲٫۲۴ هکتار (۰٫۰۷ درصد) از کل ۵۵۹٫۸۸ هکتار طبیعی را به خود اختصاص داد. جنگل، که به طبقات دیگر تبدیل شدند. با این وجود، ۲۷۸٫۸۴ هکتار، که در سال ۱۹۸۵ ۴۲ درصد از جنگل های طبیعی را تشکیل می دادند، قبلاً در طبقه بندی تصویر ۲۰۱۵ به تکه های درخت تبدیل شده بودند. طبقه ساخته شده بالاترین رشد را با اضافه کردن ۲۳۵۹٫۸۵ هکتار به مساحت یا ۲۵۰٫۵٪ افزایش در طول دوره مورد تجزیه و تحلیل در کل منطقه مورد مطالعه نشان داد. تغییرات عمده از زمین های زراعی (۱۸۸۶٫۱۵ هکتار)، علفزار (۲۸۴٫۴۸ هکتار)، تکه های درختی (۲۲۹٫۲۷ هکتار)، و زمین های برهنه (۱۵۰٫۹۸ هکتار) بود.

۳٫۴٫ گسترش منطقه ساخته شده

کل مساحت ساخته شده در محدوده اداری بهیر در در سال های ۱۹۸۵، ۱۹۹۵، ۲۰۰۸ و ۲۰۱۵ به ترتیب ۹۴۱٫۹۴ هکتار، ۱۰۲۹٫۸۳ هکتار، ۲۲۷۴٫۸۸ هکتار و ۳۳۰۱٫۷۹ هکتار برآورد شده است. تغییر کلی بین دوره های ۱۹۸۵-۱۹۹۵، ۱۹۹۵-۲۰۰۸، ۲۰۰۸-۲۰۱۵، و ۱۹۸۵-۲۰۱۵ به ترتیب ۹٫۳٪، ۱۲۱٫۴٪، ۴۴٫۸٪ و ۲۵۰٫۵٪ بود.
شهر در تمام جهات در طول سالها گسترش یافت، به جز شمال که دریاچه تانا مانعی طبیعی برای رشد شهری بود ( شکل ۵ ). رشد شهر در غرب با چمباتمه زدن، فرودگاه Ginbot Haya و خیابان بیمارستان مشخص می شود. گسترش در شرق عمدتاً مربوط به معادن سنگ در منطقه و وجود رودخانه آبی نیل (آبی) است که دسترسی آسان به آب را فراهم می کند. علاوه بر این، یک جاده اصلی که آدیس آبابا و شهر گوندر را به هم متصل می کند از بخش شرقی شهر می گذرد و به طور قابل توجهی به گسترش در شرق کمک می کند.

۴٫ بحث

نظارت بر تغییرات LULC شهری ورودی‌های حیاتی را برای ارزیابی علل و پاسخ‌های پیچیده به منظور پیش‌بینی بهتر روندهای آینده فراهم می‌کند [ ۲ ، ۹ ]، و پیش نیازی برای ایجاد برنامه‌های مدیریتی مؤثر است [ ۱۵ ]. توزیع فضایی LULC شهری و نظارت بر الگوهای رشد با استفاده از تصاویر ماهواره‌ای Landsat TM (1985، ۱۹۹۵، و ۲۰۰۸)، و OLI (2015) و با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی در باهیر دار در شمال غربی اتیوپی که به سرعت در حال رشد است، انجام شد. همه نقشه‌های طبقه‌بندی‌شده دقتی بالاتر از هدف توصیه‌شده ۸۵ درصدی را نشان می‌دهند که درجه اطمینان برای ادامه مرحله بعدی تجزیه و تحلیل را توجیه می‌کند [ ۵۰ ].
تجزیه و تحلیل تغییر ۳۰ سال (۱۹۸۵-۲۰۱۵) نشان داد که مراتع و جنگل های طبیعی بیشترین کاهش را از نظر پوشش مساحت خود تجربه کردند. علفزار عمدتاً به زمین زراعی و منطقه ساخته شده تبدیل شد. جنگل های طبیعی عمدتاً در نتیجه تبدیل به تکه های درختی و زمین های زراعی کاهش یافت. چنین روند تغییرات شدید در این انواع LULC با مطالعات متعدد در اتیوپی و جاهای دیگر مطابقت دارد [ ۲۹ ، ۵۴ ، ۵۵ ، ۵۶ ].
تجزیه و تحلیل همچنین افزایش کلی مساحت ساخته شده را به هزینه زمین های زراعی، علفزار، تکه های درخت و زمین های برهنه نشان داد. این مطابق با نتایج لامبین و همکاران است. [ ۵۷ ]، شیائو و همکاران. [ ۵۸ ]، آگوایو و همکاران. [ ۵۸ ]، آرایا و کابرال [ ۵۸ ]، فورکور و کوفی [ ۵۸ ] و موهان [ ۵۹ ] که همچنین کاهش کلی در توزیع زمین های کشاورزی را به دلیل افزایش مناطق ساخته شده گزارش کردند. به عنوان مثال، فورکور و کوفی [ ۵۸] یک مطالعه سه مرحله ای (۱۹۷۴، ۱۹۸۶ و ۲۰۰۰) در مورد استفاده از زمین و پویایی پوشش زمین در فری تاون، پایتخت سیرالئون انجام داد و اثرات آن را بر کشاورزی شهری و حومه شهری ارزیابی کرد. آنها روندهای تبدیلی مشابهی را در باهیر در مشاهده کردند، جایی که تغییرات عمده ای بین زمین های کشاورزی، علفزارها، جنگل های همیشه سبز، مناطق ساخته شده و زمین های برهنه رخ داد. مساحت ساخته شده در فری‌تاون بین سال‌های ۱۹۷۴ و ۲۰۰۰ به میزان ۱۴۰ درصد افزایش یافت، که عمدتاً به هزینه زمین‌های زراعی در حاشیه شهری می‌رفت. در مجموع، حدود ۲۷٪ (۸۸۲ هکتار) از طبقه زراعی به مناطق مسکونی در دوره ۱۹۸۶-۲۰۰۰ تبدیل شد. از سوی دیگر ۱۴ درصد از جنگل های همیشه سبز به زمین زراعی تبدیل شد. بنابراین، فورکور و کوفی [ ۵۸] رابطه قوی بین شهرنشینی، تبدیل کشاورزی و جنگل زدایی پیدا کرد. لامبین و همکاران [ ۵۷ ] درباره چگونگی تأثیر شهرنشینی در مناطق گرمسیری بر زمین در مناطق روستایی و حومه شهری با مصرف زمین های کشاورزی برتر برای مقاصد مسکونی بحث کنید. آرایا و کابرال [ ۶۰ ] کشف کردند که گسترش شهری اغلب مستلزم رها شدن زمین های کشاورزی و تخریب جنگل است که هر دو به طور قابل ملاحظه ای بر اکوسیستم ها تأثیر می گذارند. آنها دریافتند که مناطق شهری در Setúbal و Sesimbra، پرتغال ۹۱٫۱۱٪ برای دوره ۱۹۹۰-۲۰۰۶ افزایش یافته است. آگوایو [ ۶۱] همچنین پویایی مشابهی را بین رشد شهری و زمین های زراعی در لس آنجلس، شیلی مشاهده کرد. نتایج آنها افزایش ۶۵٫۵ درصدی سطح شهری ساخته شده را بین سال‌های ۱۹۷۸ و ۱۹۹۲ نشان می‌دهد و استفاده شهری را بر ۵۳۳٫۳ هکتار از زمین‌های زراعی سابق گسترش می‌دهد. میوهان و همکاران در مطالعه خود. [ ۵۹ ] روند یکسانی را مشاهده کرد که در آن افزایش مساحت ساخته شده در دهلی، هند عمدتاً ناشی از تبدیل از زمین های کشاورزی و بایر بود. شیائو و همکاران [ ۶۲ ] گسترش شهری ۱۵۹۱۹ هکتار با میانگین سالانه ۲۴۰ هکتار در سال بین سالهای ۱۹۳۴ و ۲۰۰۱ در شیجیاژوانگ، چین گزارش کرد. بر اساس مطالعه آنها، مناطق شهری به طور قابل توجهی در حال گسترش هستند، زمین های زراعی در حال کوچک شدن هستند، و درختان بادشکن و باغ ها پاکسازی می شوند.
برخلاف یافته‌های ما، موندیا و آنیا [ ۶۳ ] دریافتند که در حالی که منطقه ساخته‌شده در نایروبی، کنیا بین سال‌های ۱۹۷۶ تا ۲۰۰۰ به میزان ۳۳۸ درصد (۴۷۰۰ هکتار) افزایش یافته است، زمین‌های زراعی نیز به قیمت جنگل‌های طبیعی ۷۸ درصد افزایش یافته است. علیرغم تفاوت در مناطق زراعی بین هر دو مطالعه، شباهتی پیدا شد که در آن مساحت جنگل طبیعی به ترتیب در نایروبی و باهیر دار به ترتیب ۷۷% و ۸۰% کاهش یافت.

۵٫ نتیجه گیری ها

این مطالعه با هدف تجزیه و تحلیل تغییرات LULC طی یک دوره ۳۰ ساله (۱۹۸۵-۲۰۱۵) در باهیر دار، یکی از شهرهای به سرعت در حال رشد در اتیوپی انجام شد. تغییرات با طبقه‌بندی مبتنی بر شی تصاویر سنجش از دور چند زمانی از چهار سال مرجع و پس از مقایسه پس از طبقه‌بندی با استفاده از پیشرفت‌های اخیر سنجش از دور (RS) و فناوری‌های GIS مورد بررسی قرار گرفت. اینها فناوری‌های حیاتی برای نظارت مستمر تغییرات LULC شهری در مقیاس‌های مکانی و زمانی متنوع هستند، که در غیر این صورت تلاش از طریق روش‌های موجودی ساده‌تر زمینی امکان‌پذیر نیست. رویکرد چارچوبی مورد استفاده در این تحقیق نمونه خوبی از چگونگی ارزیابی و نظارت بر رشد شهری در کشورهای در حال توسعه مانند اتیوپی با ترکیب فناوری‌های RS و GIS است. روش کارآمدتری برای تجزیه و تحلیل را امکان پذیر می کند.
نتایج تغییرات کمی نشان داد که سطح ساخته شده در حال افزایش بود در حالی که زمین های زراعی، جنگل های طبیعی و علفزار در بهیر در رو به کاهش بود. تمرکز بیشتر به گسترش زمانی و مکانی منطقه ساخته شده و پیامدهای آن بر وضعیت فعلی پوشش زمین داده شد. در نتیجه، مشاهده شد که شهر به طور قابل توجهی در همه جهات گسترش یافته است، به جز شمال که دریاچه تانا به طور طبیعی رشد شهری را محدود کرده است. الگوهای رشد شهری که در این مطالعه شناسایی شده‌اند، روند نگران‌کننده شهرنشینی سریع شهر را نشان می‌دهند که در صورت عدم اتخاذ تدابیر مناسب برای پاسخگویی به تقاضای روزافزون شهروندان، می‌تواند به شدت بر اکوسیستم و تنوع زیستی اطراف دریاچه تانا تأثیر بگذارد. با گسترش تدریجی شهر، سه شهر اقماری به نام های زگی، تیس آبای و مشنتی،
تحقیقات بیشتر در مورد محرک ها و پیامدهای تغییرات، و همچنین اثرات آتی رشد شهری با توسعه یک مدل مفید خواهد بود. از آنجایی که الگوهای رشد شهری به طور قابل ملاحظه ای بر طبیعت و اکوسیستم ها تأثیر می گذارد، می توان از چنین مدلی برای نشان دادن جهت های آینده توسعه شهر باهر در استفاده کرد. همچنین می تواند یک چشم انداز جایگزین برای رسیدگی به مشکلات برنامه ریزی و تدوین استراتژی های مدیریت آینده در راستای اهداف توسعه پایدار ارائه دهد.

منابع

  1. لوپز، جی ام آر؛ هایدر، ک. شفران، جی. مرزهای شهرنشینی: شناسایی و توضیح نقاط داغ شهرنشینی در جنوب مکزیکو سیتی با استفاده از سنجش از راه دور و انسانی. Appl. Geogr. ۲۰۱۷ ، ۷۹ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
  2. Rebelo، AG; هلمز، PM; دورس، سی. Wood, J. تأثیرات شهرنشینی در یک نقطه داغ تنوع زیستی: چالش های حفاظت در متروپولیتن کیپ تاون. اس افر. جی. بات. ۲۰۱۱ ، ۷۷ ، ۲۰-۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. آهنگ، دبلیو. دنگ، ایکس. اثرات از دست دادن زمین های کشت شده ناشی از شهرنشینی بر خدمات اکوسیستمی در دشت چین شمالی. انرژی ها ۲۰۱۵ ، ۸ ، ۵۶۷۸-۵۶۹۳٫ [ Google Scholar ] [ CrossRef ]
  4. آرنس، ا. لیون، اس. تغییرات در پوشش زمین و گسترش شهری در ایرلند از دیدگاه مقایسه ای در سال های ۱۹۹۰-۲۰۱۲٫ سرزمین ۲۰۱۹ ، ۸ ، ۱۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. مادر، ا. هانککس، دی. Riginos، C. توسعه شهری کاهش تنوع ژنتیکی را در ماهی‌های آب شیرین بومی محدود توضیح می‌دهد. حفظ کنید. ژنت ۲۰۱۵ ، ۱۶ ، ۶۲۵-۶۳۴٫ [ Google Scholar ] [ CrossRef ]
  6. اشنایدر، الف. نظارت بر تغییر پوشش زمین در مناطق شهری و حومه شهری با استفاده از پشته های زمانی متراکم داده های ماهواره لندست و یک رویکرد داده کاوی. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۴ ، ۶۸۹-۷۰۴٫ [ Google Scholar ] [ CrossRef ]
  7. لیمونسو، ا. ویگوئیه، وی. دانیل، م. ماسون، V. آسیب پذیری در برابر امواج گرما: تأثیر سناریوهای گسترش شهری بر جزیره گرمایی شهری و استرس گرمایی در پاریس (فرانسه). اقلیم شهری. ۲۰۱۵ ، ۱۴ ، ۵۸۶-۶۰۵٫ [ Google Scholar ] [ CrossRef ]
  8. اشنایدر، آ. فریدل، MA; پوتر، دی. نقشه جدیدی از گستره شهری جهانی از داده های ماهواره ای MODIS. محیط زیست Res. Lett. ۲۰۰۹ ، ۴ ، ۴۴۰۰۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. لامبین، EF; ترنر، BL; Geist، HJ; آگبولا، اس بی؛ آنجلسن، آ. بروس، جی دبلیو. Comes, OT; دیرزو، ر. فیشر، جی. فولک، سی. و همکاران علل تغییر کاربری و پوشش زمین: حرکت فراتر از افسانه ها گلوب. محیط زیست چانگ. ۲۰۰۱ ، ۱۱ ، ۲۶۱-۲۶۹٫ [ Google Scholar ] [ CrossRef ]
  10. تیم کشوری سازمان ملل متحد در اتیوپی. ارزیابی پیشرفت در راستای اهداف توسعه هزاره. گزارش اهداف توسعه هزاره اتیوپی ۲۰۱۲ ; وزارت دارایی و توسعه اقتصادی: آدیس آبابا، اتیوپی، ۲۰۱۲٫ [ Google Scholar ]
  11. کیندو، م. اشنایدر، تی. تکتای، دی. Knoke، T. رانندگان تغییرات کاربری زمین/پوشش زمین در چشم انداز مونسا-ششمنه در ارتفاعات جنوب مرکزی اتیوپی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۵ ، ۱۸۷ ، ۴۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. کیندو، م. اشنایدر، تی. دولرر، ام. تکتای، دی. Knoke، T. مدل‌سازی سناریوی تغییرات کاربری زمین/پوشش زمین در چشم‌انداز مونسا-ششمنه ارتفاعات اتیوپی. علمی کل محیط. ۲۰۱۸ ، ۶۲۲-۶۲۳ ، ۵۳۴-۵۴۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. نیگاتو، دبلیو. دیک، Ø.B. Tveite، H. نقشه برداری مبتنی بر GIS از تغییرات پوشش زمین با استفاده از داده های تصویر سنجش از راه دور چند زمانی در حوضه آبخیز دریاچه هاواسا، اتیوپی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۴ ، ۱۸۶ ، ۱۷۶۵-۱۷۸۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. فنتا، AA; یاسودا، ح. هاریگوین، ن. بلای، ع. هادوش، ز. Gebremedhin، MA; Mekonnen، G. پویایی گسترش شهری و تغییر کاربری زمین/پوشش زمین با استفاده از سنجش از دور و معیارهای فضایی: مورد شهر Mekelle در شمال اتیوپی. بین المللی J. Remote Sens. ۲۰۱۷ , ۳۸ , ۴۱۰۷–۴۱۲۹٫ [ Google Scholar ] [ CrossRef ]
  15. جات، MK; Garg، PK; خاره، دی. پایش و مدل‌سازی پراکندگی شهری با استفاده از تکنیک‌های سنجش از دور و GIS. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۸ ، ۱۰ ، ۲۶-۴۳٫ [ Google Scholar ] [ CrossRef ]
  16. نگوین، TA; Le، PMT; فام، TM; Hoang، HTT; نگوین، MQ; تا، HQ; Phung، HTM; Le، HTT; جوجه ها، L. به سوی شهر پایدار فردا: مدلسازی مارکوف ترکیبی-اتوماتای ​​سلولی برای تکامل منظر شهری در شهر هانوی (ویتنام) طی سالهای ۱۹۹۰-۲۰۳۰٫ محیط زیست توسعه دهنده حفظ کنید. ۲۰۱۹ ، ۲۱ ، ۴۲۹-۴۴۶٫ [ Google Scholar ] [ CrossRef ]
  17. لیپینگ، سی. یوجون، اس. سعید، س. پایش و پیش‌بینی تغییرات کاربری و پوشش زمین با استفاده از تکنیک‌های سنجش از دور و GIS – مطالعه موردی منطقه تپه‌ای، جیانگل، چین. PLoS ONE ۲۰۱۸ , ۱۳ , e0200493. [ Google Scholar ] [ CrossRef ]
  18. آولار، اس. زا، ر. Tavares-Corrêa، C. پیوند طبقات اجتماعی-اقتصادی و داده های پوشش زمین در لیما، پرو: ارزیابی از طریق استفاده از سنجش از دور و GIS. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۹ ، ۱۱ ، ۲۷-۳۷٫ [ Google Scholar ] [ CrossRef ]
  19. سانتوس، آر جی. استورارو، جی آر. مارکز، ام ال. Faria، TTd GIS به کار گرفته شده در نقشه برداری کاربری اراضی، پوشش زمین و آسیب پذیری در ناحیه رخنمونی سیستم آبخوان گوارانی. سیاره Procedia Earth. علمی ۲۰۱۵ ، ۱۵ ، ۵۵۳-۵۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Whiteside، TG; Boggs، GS; Maier, SW مقایسه طبقه بندی های مبتنی بر شی و مبتنی بر پیکسل برای نقشه برداری ساوانا. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۱ ، ۱۳ ، ۸۸۴-۸۹۳٫ [ Google Scholar ] [ CrossRef ]
  21. تاوبنبوک، اچ. اش، تی. فلبیر، آ. ویزنر، ام. راث، ا. Dech, S. نظارت بر شهرنشینی در شهرهای بزرگ از فضا. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۱۷ ، ۱۶۲-۱۷۶٫ [ Google Scholar ] [ CrossRef ]
  22. ما، ال. لی، ام. ما، ایکس. چنگ، ال. دو، پ. Liu, Y. مروری بر طبقه‌بندی تصویر پوشش زمین مبتنی بر شیء نظارت شده. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۳۰ ، ۲۷۷-۲۹۳٫ [ Google Scholar ] [ CrossRef ]
  23. بااتز، ام. Schäpe، A. بخش‌بندی چند رزولوشن: یک رویکرد بهینه‌سازی برای تصویر چند مقیاسی با کیفیت بالا. In Angewandte Geographische Informationsverarbeitung XII: Beiträge Zum AGIT-Symposium Salzburg 2000 ; Strobl, J., Blaschke, T., Griesebner, G., Eds. Herbert Wichmann Verlag: هایدلبرگ، آلمان، ۲۰۰۰; ص ۱۲-۲۳٫ شابک ۹۷۸-۳۸۷۹۰۷۳۴۹۸٫ [ Google Scholar ]
  24. Blaschke, T. تجزیه و تحلیل تصویر مبتنی بر شی برای سنجش از راه دور. ISPRS J. Photogramm. Remote Sens. ۲۰۱۰ , ۶۵ , ۲-۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. فیتوسا، RQ; ون در میر، اف. ون در ورف، اچ. ون کویلی، اف. و همکاران تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سوی یک الگوی جدید. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۷ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  26. Myint، SW; گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقه‌بندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۱۱۴۵-۱۱۶۱٫ [ Google Scholar ] [ CrossRef ]
  27. وانگ، دبلیو. لی، دبلیو. ژانگ، سی. ژانگ، دبلیو. بهبود طبقه‌بندی کاربری اراضی مبتنی بر شیء/پوشش از تصاویر با وضوح متوسط ​​توسط طبقه‌بندی پس طبقه‌بندی زمین آماری زنجیره مارکوف. Land ۲۰۱۸ , ۷ , ۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. درونوا، آی. گونگ، پی. وانگ، ال. تجزیه و تحلیل مبتنی بر شی و تشخیص تغییر انواع پوشش تالاب اصلی و عدم قطعیت طبقه بندی آنها در طول دوره کم آب در دریاچه پویانگ، چین. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۳۲۲۰-۳۲۳۶٫ [ Google Scholar ] [ CrossRef ]
  29. کیندو، م. اشنایدر، تی. تکتای، دی. Knoke، T. تحلیل تغییر کاربری/پوشش زمین با استفاده از رویکرد طبقه‌بندی مبتنی بر شی در چشم‌انداز مونسا-ششمنه ارتفاعات اتیوپی. Remote Sens. ۲۰۱۳ , ۵ , ۲۴۱۱–۲۴۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. اداره شهر باهر در. برنامه ابتکار توسعه شهری ; اداره شهر باهیر دار: باهیر دار، اتیوپی، ۲۰۱۳٫
  31. سازمان ملل متحد، سازمان جهانی هواشناسی (UN WMO). سرویس اطلاعات آب و هوای جهان در دسترس آنلاین: http://worldweather.wmo.int/en/city.html?cityId=164 (در ۲۹ سپتامبر ۲۰۱۶ قابل دسترسی است).
  32. اداره مرکزی آمار (CSA). خلاصه و گزارش آماری سرشماری نفوس و مسکن ۱۳۸۶ ; CSA: آدیس آبابا، اتیوپی، ۲۰۰۷٫
  33. سازمان خواربار و کشاورزی ملل متحد (فائو). FRA 2000 در تعاریف جنگل و تغییر جنگل. در دسترس آنلاین: http://www.fao.org/docrep/006/AD665E/ad665e03.htm#P199_9473 (در ۸ فوریه ۲۰۱۷ قابل دسترسی است).
  34. آژانس محیط زیست اروپا (EEA). کمیسیون پوشش زمین Corine از جوامع اروپایی ; منطقه اقتصادی اروپا: کپنهاگ، دانمارک، ۱۹۹۵٫
  35. تریمبل. eCognition Developer 9.2 ; Trimble Germany GmbH: مونیخ، آلمان، ۲۰۱۶٫ [ Google Scholar ]
  36. روژیر، اس. پوسانت، ا. استامف، ا. Lachiche, N. مقایسه استراتژی‌های نمونه‌برداری برای طبقه‌بندی مبتنی بر شی پوشش گیاهی شهری از تصاویر ماهواره‌ای با وضوح بسیار بالا. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۶ ، ۵۱ ، ۶۰-۷۳٫ [ Google Scholar ] [ CrossRef ]
  37. دورو، دی سی؛ فرانکلین، SE; Dubé، MG مقایسه تحلیل تصویر مبتنی بر پیکسل و شی با الگوریتم‌های یادگیری ماشین انتخاب شده برای طبقه‌بندی مناظر کشاورزی با استفاده از تصاویر SPOT-5 HRG. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۱۸ ، ۲۵۹-۲۷۲٫ [ Google Scholar ] [ CrossRef ]
  38. McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. ۱۹۹۶ ، ۱۷ ، ۱۴۲۵-۱۴۳۲٫ [ Google Scholar ] [ CrossRef ]
  39. As-syakur، AR; آدنیانا، IWS؛ آرتانا، آی دبلیو. Nuarsa، IW Enhanced Built-Up and Bareness Index (EBBI) برای نقشه برداری از زمین های ساخته شده و خالی در یک منطقه شهری. Remote Sens. ۲۰۱۲ , ۴ , ۲۹۵۷–۲۹۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. ژائو، اچ. Chen, X. استفاده از شاخص لختی تفاوت عادی شده در نگاشت سریع مناطق برهنه از TM/ETM+. بین المللی Geosci. سنسور از راه دور Symp. ۲۰۰۵ ، ۶ ، ۱۶۶۶-۱۶۶۸٫ [ Google Scholar ]
  41. کاوامورا، م. جایمانا، اس. Tsujiko، Y. رابطه بین شرایط اجتماعی و محیطی در کلمبو سریلانکا و شاخص شهری برآورد شده توسط داده های سنجش از دور ماهواره ای. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۱۹۹۶ ، XXXI ، ۳۲۱-۳۲۶٫ [ Google Scholar ]
  42. کیان، ی. ژو، دبلیو. یان، جی. لی، دبلیو. Han, L. مقایسه طبقه‌بندی‌کننده‌های یادگیری ماشین برای طبقه‌بندی پوشش زمین مبتنی بر شی با استفاده از تصاویر با وضوح بسیار بالا. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۵۳-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
  43. لیلسند، TM; کیفر، RW; Chipman، JW Remote Sensing and Image Interpretation ، ۶th ed.; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۷; شابک ۹۷۸-۰-۴۷۰-۰۵۲۴۵-۷٫ [ Google Scholar ]
  44. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. ۱۹۹۱ ، ۳۷ ، ۳۵-۴۶٫ [ Google Scholar ] [ CrossRef ]
  45. انجمن فتوگرامتری و سنجش از دور آمریکا (ASPRS). دستورالعمل های ASPRS گزارش دقت عمودی برای داده های لیدار ; ASPRS: Bethesda، MD، ایالات متحده آمریکا، ۲۰۰۴٫ [ Google Scholar ]
  46. Congalton، RG; گرین، ک. ارزیابی دقت داده های سنجش از راه دور. اصول و تمرینات ، ویرایش دوم. CRC Press Taylor & Francis Group: Boca Raton، FL، USA، ۲۰۰۹; شابک ۹۷۸-۱-۴۲۰۰-۵۵۱۲-۲٫ [ Google Scholar ]
  47. گیرما، ی. ترفه، اچ. پاولیت، اس. کیندو، ام. عرضه فضاهای سبز شهری در کشورهایی که به سرعت در حال شهرنشینی هستند: مورد شهر سبتا، اتیوپی. Remote Sens. Appl. ۲۰۱۹ ، ۱۳ ، ۱۳۸-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
  48. آبرا، دی. کبرت، ک. Beyene، S. تغییر کاربری زمین-مکانی/پوشش در زیرحوضه‌های Zeway، Ketar و Bulbula، دره ریفت مرکزی اتیوپی. ذخیره گاه دریاچه ها ۲۰۱۹ ، ۲۴ ، ۷۶–۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. دمیسی، اف. یشتیلا، ک. کیندو، م. اشنایدر، تی. تغییرات کاربری/پوشش زمین و علل آن در ناحیه لیبوکمکم در جنوب گوندر، اتیوپی. Remote Sens. Appl. ۲۰۱۷ ، ۸ ، ۲۲۴-۲۳۰٫ [ Google Scholar ] [ CrossRef ]
  50. Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۰ ، ۱۸۵-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
  51. سینگ، ای. مقاله مروری: تکنیک‌های تشخیص تغییر دیجیتال با استفاده از داده‌های سنجش از راه دور. بین المللی J. Remote Sens. ۱۹۸۹ ، ۱۰ ، ۹۸۹-۱۰۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. لو، دی. ماوزل، پ. بروندزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. ۲۰۰۴ , ۲۵ , ۲۳۶۵-۲۴۰۱٫ [ Google Scholar ] [ CrossRef ]
  53. Foody, GM نظارت بر میزان تغییرات پوشش زمین در اطراف مرزهای جنوبی صحرا. فتوگرام مهندس Remote Sens. ۲۰۰۱ , ۶۷ , ۸۴۱-۸۴۷٫ [ Google Scholar ]
  54. گاردو، ای. سندوال، ام. سودربرگ، یو. کمپبل، BM استفاده از زمین و دینامیک پوشش زمین در دره ریفت مرکزی اتیوپی. محیط زیست مدیریت ۲۰۰۹ ، ۴۴ ، ۶۸۳-۶۹۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. لامبین، EF; Meyfroidt، P. تغییر کاربری زمین جهانی، جهانی شدن اقتصادی، و کمبود زمین در حال ظهور. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۱ ، ۱۰۸ ، ۳۴۶۵-۳۴۷۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  56. آریتی، AT; ون ولیت، جی. Verburg، PH تغییرات کاربری و پوشش زمین در دره ریفت مرکزی اتیوپی: ارزیابی درک و انطباق ذینفعان. Appl. Geogr. ۲۰۱۵ ، ۶۵ ، ۲۸-۳۷٫ [ Google Scholar ] [ CrossRef ]
  57. لامبین، EF; Geist، HJ; جذامیان، E. دینامیک تغییر کاربری و پوشش زمین در مناطق گرمسیری. آنو. کشیش محیط زیست. منبع. ۲۰۰۳ ، ۲۸ ، ۲۰۵-۲۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. فورکور، جی. Cofie, O. دینامیک تغییر کاربری و پوشش زمین در فری تاون، سیرالئون و اثرات آن بر کشاورزی شهری و حومه شهری – رویکرد سنجش از دور. بین المللی J. Remote Sens. ۲۰۱۱ ، ۳۲ ، ۱۰۱۷-۱۰۳۷٫ [ Google Scholar ] [ CrossRef ]
  59. موهان، م. Pathan, SK; نارندراردی، ک. کاندیا، ا. پاندی، اس. پویایی شهرسازی و تأثیر آن بر کاربری زمین/پوشش زمین: مطالعه موردی کلان شهر دهلی. جی. محیط زیست. Prot. ۲۰۱۱ ، ۲ ، ۱۲۷۴-۱۲۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. آرایا، YH; Cabral، P. تجزیه و تحلیل و مدل سازی تغییر پوشش زمین شهری در Setúbal و Sesimbra، پرتغال. Remote Sens. ۲۰۱۰ , ۲ , ۱۵۴۹-۱۵۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. آگوایو، MI; ویگاند، تی. آزوکار، جی دی. ویگاند، ک. Vega، CCE آشکارسازی نیروهای محرک الگوهای رشد شهری در شهرهای میانی با استفاده از مدل‌سازی فضایی: مطالعه موردی لس آنجلس، شیلی. Ecol. Soc. ۲۰۰۷ ، ۱۲ . [ Google Scholar ] [ CrossRef ]
  62. شیائو، جی. شن، ی. جی، جی. تطیشی، ر. تانگ، سی. لیانگ، ی. Huang، Z. ارزیابی گسترش شهری و تغییر کاربری زمین در شیجیاژوانگ، چین، با استفاده از GIS و سنجش از دور. Landsc. طرح شهری. ۲۰۰۶ ، ۷۵ ، ۶۹-۸۰٫ [ Google Scholar ] [ CrossRef ]
  63. Mundia، CN; Aniya, M. تحلیل تغییرات کاربری/پوشش و گسترش شهری شهر نایروبی با استفاده از سنجش از دور و GIS. بین المللی J. Remote Sens. ۲۰۰۵ ، ۲۶ ، ۲۸۳۱-۲۸۴۹٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ موقعیت منطقه مورد مطالعه. پس زمینه یک تصویر Landsat 8 OLI از سال ۲۰۱۵ با RGB (قرمز، سبز، آبی) است.
شکل ۲٫ بخشی از شهر بحیر در که در تصویر ماهواره ای با وضوح بالا مربوط به سال ۲۰۱۵ نشان داده شده است (منبع: Google Earth).
شکل ۳٫ فلوچارت فرآیند طبقه بندی تصویر.
شکل ۴٫ نقشه کاربری/پوشش زمین (LULC) منطقه مورد مطالعه.
شکل ۵٫ گسترش افقی بهیر در بین سال های ۱۹۸۵ تا ۲۰۱۵٫

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما