آگاهی از تغییرات کاربری زمین (LU) و پوشش زمین (LC) اطلاعات کلیدی برای مدیریت مؤثر تولیدات کشاورزی، استفاده از منابع طبیعی و درک محرک‌های مختلف محیطی مانند رژیم‌های دمایی محلی و جهانی، بارش و تغییرات در تنوع زیستی و سلامت اکوسیستم است ^۱ ، ۲٫ این تغییرات در کاربری زمین توسط عوامل زیادی از جمله تغییرات اقلیمی در زمین ^۳ ، ۴ به دلیل تغییرات در الگوهای بارندگی و پوشش گیاهی و افزایش دما هدایت می‌شود. علاوه بر این، فعالیت‌های انسانی ^۵ ، ۶ می‌توانند از طریق شهرنشینی، جنگل‌زدایی، کشاورزی فشرده و ساخت زیرساخت‌ها به طور قابل توجهی بر کاربری زمین تأثیر بگذارند. چنین اقداماتی می‌تواند منجر به تغییر سریع محیط زیست شود و در نتیجه بر روند کاربری زمین تأثیر بگذارد. در مناطق ساحلی، این تغییرات به دلیل ماهیت پویای این مناطق که در مقیاس‌های زمانی مختلف دستخوش تغییر می‌شوند، سریع‌تر رخ می‌دهند ^{۷ ، ۸ ، ۹٫ مناظر و خطوط ساحلی توسط فرسایش و رسوب‌گذاری ناشی از امواج و سطح آب و مداخلات انسانی که برای محافظت از جوامع در برابر خطرات فرسایش و سیل ۱۰ ، ۱۱} و ارائه خدمات تفریحی به آنها به کار گرفته شده‌اند، اصلاح می‌شوند .

از نظر تاریخی، انسان‌ها در امتداد ساحل ساکن شده‌اند و بنادر و مراکز تجاری را توسعه داده‌اند. صنعتی شدن، گسترش و تحول شهرهای ساحلی را تسریع کرده و رشد زیرساخت‌ها را تقویت کرده است. در طول شش دهه گذشته، تغییر قابل توجهی در جمعیت و فعالیت‌های اقتصادی به سمت ساحل رخ داده است ^{[۱۲ ، ۱۳} ] که به نوبه خود باعث افزایش تخریب محیط زیست از طریق جنگل‌زدایی، آلودگی و تخریب زیستگاه‌ها شده است. تخریب پوشش گیاهی تپه‌های شنی می‌تواند فرسایش ساحل را افزایش دهد، سیل ساحلی را تشدید کند و خطراتی را برای بخش گردشگری و ایمنی جمعیت ساحلی ایجاد کند ^{[۱۴ ، ۱۵]} . به همین ترتیب، از بین رفتن زیستگاه‌های ساحلی ناشی از فعالیت‌های انسانی می‌تواند بر تنوع زیستی دریایی و زمینی تأثیر منفی بگذارد ^{[۱۶ ، ۱۷} ]. تکامل تاریخی LU و LC بسیاری از این پویایی‌ها را منعکس می‌کند و تجزیه و تحلیل آنها می‌تواند به درک منشأ تغییرات، سرعت وقوع آنها و حتی آنچه ممکن است در چند سال آینده اتفاق بیفتد، کمک کند ^{[۱۸ ، ۱۹ ، ۲۰]} . این اطلاعات می‌تواند به بهبود برنامه‌ریزی منابع و زمین کمک کند ^{۲۱ ، ۲۲} ، به ویژه در مناطق ساحلی، و همه نشانه‌ها حاکی از رشد مداوم آنها در آینده است.

نقشه‌برداری LC در طول ۳۰ سال گذشته به طور قابل توجهی تکامل یافته است. در ابتدا این کار از طریق تجزیه و تحلیل بصری تصاویر هوایی ^{۲۳ ، ۲۴} انجام می‌شد و سپس به طبقه‌بندی خودکار تصاویر ماهواره‌ای چندطیفی ^۲۵ با استفاده از رویکردهای بدون نظارت ^{۲۶ ، ۲۷} یا کاملاً نظارت شده ^{۲۸ ، ۲۹ روی آورد. در سال‌های اخیر، استفاده از تکنیک‌های شبکه‌های عصبی ۳۰} (به ویژه CNN، شبکه‌های عصبی کانولوشن) برای تشخیص نقشه‌های LULC ^{۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵} به طور فزاینده‌ای رایج شده است . اکثر محصولات LULC موجود تا به امروز، که از مجموعه داده‌های تفسیر شده با عکس به دست نیامده‌اند، وضوح مکانی پایینی دارند (به ترتیب ۱ کیلومتر و ۳۰۰ متر برای GLCC و ESA Land Cover – CCI). در مقابل، محصولاتی که با روش‌های پیشرفته، مانند شبکه‌های عصبی مصنوعی، و با وضوح مکانی بالاتر (۱۰ متر) به دست می‌آیند، هنوز از طریق استفاده از تصاویر تفسیر تصویری (ESRI Land Cover ^{۳۶ ، ۳۷} ) بدون در نظر گرفتن مجموعه داده‌های خاص مناطق ساحلی، آزمایش و اعتبارسنجی می‌شوند. از آنجایی که کیفیت مجموعه داده‌ها برای فرآیند طبقه‌بندی بسیار مهم است، محیط‌های پیچیده‌ای مانند ساحل نیاز به یک راه‌حل سفارشی دارند. این چیزی است که تا به امروز به طور کامل توسعه نیافته است. اگرچه چندین محصول LULC قبلاً توسعه یافته و برای تجزیه و تحلیل تغییرات در مقیاس‌های مکانی مختلف استفاده شده‌اند، اما شکاف واقعی در نقشه‌های LULC مخصوص ساحل وجود دارد. منطقه ساحلی ^۳۸ تنها محصول LULC مخصوص محیط‌های ساحلی است که از طریق تفسیر بصری نیز به دست می‌آید و بنابراین فقط برای دو سال گزارش‌دهی در دسترس است. در حالی که پوشش جهانی زمین ESRI 2020 با استفاده از هوش مصنوعی به دست می‌آید، اما به عنوان یک محصول جهانی و آموزش دیده عمدتاً با تصاویر مناطق داخلی کشور، خاص نیست و به ویژه در محیط‌های ساحلی دارای شکاف است. طبقه‌بندی مناطق ساحلی به دلیل ماهیت پیچیده و پراکنده مناظر ساحلی، یک کار چالش برانگیز در سنجش از دور است. با شروع از کار لیو و همکاران، ^۳۹ ، که در آن نقشه‌های شهرنشینی در مقیاس جهانی برای هر سال از ۱۹۸۵ تا ۲۰۱۵ ارائه شده است، می‌توان دریافت که در حالی که از دیدگاه شهری، یک نقشه در هر سال از مناطق ساحلی قابل قبول است، یک نقشه سالانه برای ثبت تغییرات کوتاه مدت و بلند مدت، به عنوان مثال، در سواحل (مورد محصول منطقه ساحلی) کافی نیست. در طرف مقابل ^۴۰روشی را برای به دست آوردن نقشه LULC با وضوح بالا (۱۰ متر) برای ویتنام، با استفاده از رویکرد CNN مبتنی بر ویژگی‌های زمانی به جای مکانی، معرفی کردند. با توجه به پویایی ساحلی فوق‌الذکر و تعاملات پیچیده طبیعت-انسان در محیط‌های ساحلی، به دست آوردن طبقه‌بندی‌های LC مخصوص محیط‌های ساحلی مورد توجه ویژه قرار دارد. به ویژه در مقیاس‌های مکانی و زمانی مناسب و فواصل نمونه‌برداری برای ثبت پویایی آنها. خلاصه‌ای از محصولات LULC مورد بحث و روش‌های جمع‌آوری آنها، مقیاس‌های مکانی و زمانی (نمونه‌برداری زمانی) در جدول  ۱ ارائه شده است . تمام محصولات LULC گزارش شده در جدول  ۱ با یک نقشه در هر سال گزارش شده مشخص می‌شوند (به عنوان مثال پوشش زمین ESA – CCI، ۱ تصویر در هر سال از ۱۹۹۲ تا ۲۰۱۵).

یکی از نوآوری‌های کلیدی کار ما، استفاده از یک مدل تقسیم‌بندی معنایی است که با مجموعه داده‌های گسترده‌ای مخصوص محیط‌های ساحلی، Coast Train ^۴۱، آموزش دیده است . ما برای تشخیص ویژگی‌های محیط‌های ساحلی و طبقه‌بندی مناطق ساحلی بزرگ در زمان‌های محاسباتی کوتاه و با دقت بالا، به تکنیک‌های هوش مصنوعی پیشرفته متکی هستیم. در اینجا، ما روش‌شناسی و پتانسیل آن را در امتداد ساحل سیسیل (ایتالیا) به نمایش گذاشتیم. ما یک پیش‌بینی جامع از تصاویر طبقه‌بندی‌شده برای هر ماه از سال ۱۹۸۸ تا ۲۰۲۲ ایجاد کردیم که به طور قابل توجهی به درک پویایی LC در این منطقه در طول سه دهه کمک کرد. ما تصاویر Landsat و Sentinel − ۲b را به دست آوردیم و آنها را با استفاده از تکنیک‌های تقسیم‌بندی معنایی مبتنی بر CNN پردازش کردیم. ما مدل مکانی پیچیده LULC را با شاخص‌های اسکالر مانند توسعه اجتماعی-اقتصادی مرتبط کردیم. ما یک تحلیل تاریخی از تکامل شاخص‌های اجتماعی-اقتصادی شهرهای ساحلی سیسیل (جمعیت و درآمد) در رابطه با روند شهرنشینی ساحلی انجام دادیم. ما همچنین تکامل وسعت سواحل سیسیل را به صورت سالانه و فصلی بررسی کردیم و فرسایش و افزایش مساحت را در طول سه دهه مورد مطالعه برجسته کردیم.

بنابراین هدف اصلی این مطالعه، دستیابی به نقشه‌های ساحلی طبقه‌بندی‌شده در طول زمان با استفاده از یک مدل آموزش‌دیده خاص و تجزیه و تحلیل دینامیک ساحلی حاصل از آن با بررسی روند تغییرات طبقات پوشش زمین و منابع اصلی تبدیل، و ارائه اطلاعات مرتبط با سیاست‌های مدیریت ساحلی است.

منطقه مورد مطالعه

سیسیل، بزرگترین جزیره ایتالیا و مدیترانه، دارای توپوگرافی غالب تپه‌ها و کوه‌ها است و خط ساحلی آن به عنوان یک جاذبه اصلی عمل می‌کند. از منظر ساحلی، سیسیل دارای خط ساحلی به طول تقریبی ۱۶۰۰ کیلومتر است که با محیط‌های ساحلی متنوع از نظر زمین‌شناسی، شکل، آب و هوای دریایی، نفوذ انسان و موارد دیگر مشخص می‌شود. تقریباً ۳۰٪ از این ساحل صخره‌ای است که بین سکوهای کربناته کم‌عمق و صخره‌های سنگی مرتفع در حال گذار است. ۷۰٪ باقی‌مانده در درجه اول از سواحل شنی یا سنگریزه تشکیل شده است که اغلب طولانی و در معرض فرسایش هستند و نیاز به مداخله دولت محلی را ایجاد می‌کنند. همانطور که قبلاً در ^۴۲ در این تحقیق پیشنهاد شده است، ما به سواحل سیسیل به سه بخش مهم اشاره خواهیم کرد: اول، بخش تیرنی از دماغه بوئو تا دماغه پلورو (دریای تیرنیهان)؛ دوم، بخش ایونی از دماغه پلورو تا دماغه پاسرو (دریای ایونی) و سوم، امتداد مدیترانه مرکزی از دماغه پاسرو تا دماغه بوئو (دریای مدیترانه). در ادامه به این سه کلان‌منطقه اشاره خواهیم کرد. نمایش مختصری از سیسیل و موقعیت جغرافیایی آن در شکل  ۱ نشان داده شده است . با توجه به این پیچیدگی و تحول سرزمینی در طول سال‌ها، جای تعجب است که هنوز تصویر کاملی در مورد تغییرات LC در مناطق ساحلی سیسیل وجود ندارد، که مطمئناً با مناطقی با مناظر ساحلی پیچیده و ناهمگن مشخص می‌شوند. طرح منطقه‌ای ۲۰۲۰ علیه فرسایش ساحلی (PRCEC) در حال حاضر تنها ابزار شناختی برای زمین‌های ساحلی در سیسیل است.

جوامع مراکز ساحلی سیسیل از نظر اندازه و ترکیب جمعیتی تنوع قابل توجهی را نشان می‌دهند. شهرهای ساحلی بزرگ مانند پالرمو، تراپانی و کاتانیا به دلیل موقعیت استراتژیک و فرصت‌های اقتصادی مرتبط با دریا، میزبان جمعیت‌های متراکم بوده‌اند. با این حال، در سال‌های اخیر، مهاجرت قابل توجهی از این شهرها به شهرهای همسایه رخ داده است، احتمالاً به دلیل کاهش کیفیت زندگی در شهرهای اصلی. علاوه بر این، سیسیل از کاهش جمعیت طولانی مدت رنج می‌برد، که عمدتاً به دلیل مهاجرت جوانانی است که به دنبال کار یا فرصت‌های تحصیلی در جاهای دیگر هستند. از نظر اجتماعی-اقتصادی، مراکز ساحلی سیسیل طیف متنوعی از موقعیت‌ها را ارائه می‌دهند. برخی از آنها از اقتصادهای پررونق مرتبط با گردشگری و فعالیت‌های دریایی، به ویژه آنهایی که دارای اسکله‌های خصوصی هستند (به عنوان مثال، مارینا دی راگوسا) بهره‌مند می‌شوند، در حالی که برخی دیگر به دلیل کمبود فرصت‌های شغلی، به ویژه در جوامع کوچکتر، با چالش‌های اقتصادی قابل توجهی روبرو هستند. این شرایط در سال‌های اخیر به کاهش مداوم جمعیت کلی سیسیل منجر شده است که عمدتاً تحت تأثیر ساکنان شهرهای کوچک و بزرگ داخلی است.

اعتبارسنجی مدل

برای ارزیابی توانایی مدل CNN در بخش‌بندی انواع مختلف LC و اعتبارسنجی عملکرد آن، روش‌شناسی ذکر شده در بخش « روش‌ها » را در چهار مکان مجزا در سیسیل پیاده‌سازی کردیم. هر تصویر واقعیت زمینی که به صورت دستی تولید شده بود، مساحتی معادل ۱۰ کیلومتر ^مربع را پوشش می‌داد که در مجموع ۴۰ کیلومتر ^مربع می‌شود .

شکل  ۲ مقایسه گرافیکی بین تصاویر ماهواره‌ای مرجع (Capo Granitola، ۲۰۰۶، ساحل در پنل A، منطقه فرودگاه کاتانیا، ۲۰۱۳، در پنل B، منطقه ساحلی پورتو پالو، ۲۰۰۹، در پنل C و مرکز ساحلی شهری پالرمو، ۲۰۱۹، در پنل D) و تصاویر طبقه‌بندی شده با دست (خط دوم، به ترتیب از پنل E تا H) با تصاویر طبقه‌بندی شده توسط مدل تقسیم‌بندی معنایی (خط سوم، از پنل I تا L) را نشان می‌دهد. همانطور که مشاهده می‌شود، تقسیم‌بندی معنایی، مقدار طبقه‌بندی پیش‌بینی شده توسط مدل را در مقیاس پیکسل ارائه می‌دهد. این مقایسه به صورت بصری شباهت‌ها و تفاوت‌های بین طبقه‌بندی‌های GT و LC تولید شده توسط مدل را نشان می‌دهد. تفاوت‌های قابل توجه در درجه اول از ماهیت تقسیم‌بندی معنایی ناشی می‌شود که همانطور که قبلاً گزارش شده است، نتیجه طبقه‌بندی در سطح پیکسل را ارائه می‌دهد و هر پیکسل بر اساس پیش‌بینی مدل طبقه‌بندی می‌شود. در این سناریو، کلاس‌ها ممکن است در مقایسه با تصاویر GT، قطعه‌بندی بیشتری نشان دهند. با این حال، تقسیم‌بندی معنایی می‌تواند نتایج دقیق‌تری را در مناطقی با تغییرپذیری LC بالا ارائه دهد.

برای اعتبارسنجی نتایج مدل از نظر کمی و کیفی، میزان دقت و ضریب k را تخمین زدیم (به «روش‌ها» مراجعه کنید). نتایج در جدول  ۲ نشان داده شده است .

نتایج اعتبارسنجی تصویر چهار مکان (کاپو گرانیتولا، کاتانیا، پورتو پالو، پالرمو) در جدول  ۲ نشان داده شده است . هر زیرجدول، تصویر زمین را به خروجی مدل متصل می‌کند و تعداد پیکسل‌های طبقه‌بندی شده صحیح برای هر کلاس LC را نشان می‌دهد. قطرهای پررنگ، تشخیص‌های صحیح را نشان می‌دهند، یعنی پیکسل‌هایی که به طور یکسان در نقشه مرجع و در نتیجه بررسی (TPi) طبقه‌بندی شده‌اند. همانطور که مشاهده می‌شود، تشخیص پیکسل‌های آب، برای همه تصاویر، همیشه بالای ۹۸٪ است. این به این دلیل است که مدل مورد استفاده به طور گسترده با تصاویر ساحلی آموزش دیده است. نتایج همچنین نشان می‌دهد که هیچ دسته‌ای (برای هیچ یک از چهار تصویر) دقت کلاسی کمتر از ۵۰٪ ندارد. کمترین مقادیر دقت کلاس برای کلاس‌های پوشش گیاهی و ساحل در نقشه کاپو گرانیتولا، برای کلاس پوشش گیاهی در نقشه پورتو پالو و برای کلاس‌های پوشش گیاهی و زمین‌های بایر برای نقشه پالرمو است. کلاس‌هایی که هر بار دقت کلاسی کمتری نسبت به بقیه نشان می‌دهند، کمترین فراوانی را در هر تصویر دارند. برعکس، کلاس‌هایی که تعداد پیکسل‌های بیشتری دارند (مثلاً زمین‌های بایر برای کاپو گرانیتولا، زمین‌های ساخته‌شده برای کاتانیا و پالرمو، و زمین‌های بایر برای پورتو پالو) همیشه توسط مدل با درجه دقت بالاتر از ۸۰٪ تشخیص داده می‌شوند. برای سه مورد از چهار مقایسه، کلاس مربوط به ساحل همیشه درجه دقتی بالاتر از ۶۰٪ دارد. فقط کاپو گرانیتولا نرخ ۵۶٪ را نشان می‌دهد، اما باز هم تعداد کل پیکسل‌ها به طور قابل توجهی کمتر از سایر کلاس‌ها است. به طور کلی، مقایسه روی کیپ گرانتیولا، OA ۸۷.۹٪، کاتانیا ۸۸.۲٪، پورتو پالو ۸۲.۳٪ و پالرمو ۷۶.۶٪ را نشان می‌دهد.

جدول  ۲ همچنین مقادیر ضریب k را برای هر مقایسه نشان می‌دهد، که دوباره برای هر تصویر مورد تجزیه و تحلیل، توافق قابل توجه (SA) یا توافق تقریباً کامل (APA) ^۴۳ را به دست می‌دهد . به طور خاص، به ترتیب ۰٫۷۹ (SA)، ۰٫۸۳ (APA)، ۰٫۷ (SA) و ۰٫۶۷ (SA) برای کاپو گرانیتولا، کاتانیا، پورتو پالو و پالرمو.

اعتبارسنجی بیشتر، از نظر کیفی، تصاویر طبقه‌بندی‌شده به‌دست‌آمده در اطلاعات تکمیلی (شکل S1 ) نشان داده شده است.

تکامل منطقه ساخته شده

شکل  ۳ سری زمانی مناطق ساخته شده را برای محلات سالمی، مازارا دل والو، مودیکا، تره فونتانه/تریسکینا، مارسالا-لیدو سیگنورینو و کالتاجیرونه نشان می‌دهد، به همراه یک تصویر طبقه‌بندی شده (ستون دوم) که روند محیط ساخته شده را در سال‌های ۱۹۸۸ (آبی روشن) تا ۲۰۲۲ (قرمز) برای مناطق داخل کادرهای خاکستری در تصاویر ماهواره‌ای ستون اول نشان می‌دهد.

به طور کلی، برای همه مکان‌های انتخاب شده، پیکسل‌های (سبز تا قرمز) شهرنشینی جدید (پس از ۱۹۸۸) نشان دهنده اکثریت پیکسل‌های ساخته شده هستند. نرخ شهرنشینی به صورت نسبی از سالمی تا کالتاجیرونه به ترتیب ۳۸۰، ۸۸، ۴۳۵، ۶۳، ۱۴۲ و ۴۸۵ درصد افزایش نسبت به مناطق ساخته شده در سال ۱۹۸۸ بود. بنابراین، برای همه مکان‌های مورد تجزیه و تحلیل، گسترش شهری عمدتاً در مناطق حومه شهر، به ویژه برای سالمی، مودیکا و کالتاجیرونه رخ داده است. برای سالمی می‌توان به یکی از بزرگترین و «ضروری‌ترین» گسترش شهری که در سال‌های پس از ۱۹۶۸ رخ داد (و بنابراین در مقیاس تجسم این اثر گنجانده شده است) پس از «زلزله بلیس» با بزرگی ۶.۴ که در سال ۱۹۶۸ این منطقه را تحت تأثیر قرار داد، اشاره کرد. به طور مشابه، برای کالتاجیرونه که در آن به گسترش ۴۸۵ درصدی ساختمان‌ها (در مقایسه با سال ۱۹۸۸) که منجر به ساخت شهر جدید و رشد خدمات و فعالیت‌های تجاری شد و مودیکا با ۴۳۵ درصد به دلیل گسترش شهر به حومه شهر (همچنین در نتیجه افزایش گردشگری) اشاره می‌کنیم.

توزیع مکانی تغییرات پوشش زمین

شکل  ۴ تغییرات مکانی-زمانی کلاس پوشش گیاهی (زیرنمودار A)، زمین بایر (زیرنمودار B) و زمین ساخته شده (زیرنمودارهای C و D) را از سال ۱۹۸۸ تا ۲۰۲۲ نشان می‌دهد. برای هر نوع کلاس، ما سود، زیان و مناطق پایدار LC و تکامل منطقه ساخته شده را ارائه می‌دهیم که از سال ۱۹۸۸ تا ۲۰۲۲، ۴۷.۳ درصد افزایش یافته است. این نمایش گرافیکی، نگاهی جامع به ماهیت در حال تحول زمین‌های سیسیل در طول ۳۵ سال ارائه می‌دهد. بخش شمال شرقی منطقه ساحلی سیسیل با حضور بسیار متراکم پوشش گیاهی (ناحیه بالا سمت راست پنل A) مشخص می‌شود که در طول سال‌ها تا حد زیادی پایدار مانده است (به جز زیان‌های نزدیک مناطق شهری). در مقابل، منطقه جنوبی تقریباً فقدان کامل پوشش گیاهی را نشان می‌دهد. این را می‌توان به این واقعیت نسبت داد که این بخش اخیر سیسیل به طور متراکم با گلخانه‌ها پر شده است. از سوی دیگر، منطقه غربی، بیشترین میزان از دست رفتن پوشش گیاهی را تجربه کرده است، ۷۷٪ از کل از دست رفتن پوشش گیاهی در کل جزیره. رفتاری تقریباً مخالف با پوشش گیاهی توسط نقشه زمین‌های بایر (پانل B) نشان داده شده است. در این مورد، جایی که پوشش گیاهی افزایش می‌یابد، به همان نسبت زمین‌های بایر نیز از بین می‌روند (۵۰٪ از کل از دست رفتن زمین‌های بایر). برعکس، جایی که پوشش گیاهی به دلیل عوامل انسانی کاهش نمی‌یابد، ممکن است نوعی بیابان‌زایی رخ دهد و زمین به صورت خاک بایر باقی بماند.

جزئیات بیشتر در مورد روند سال‌های اخیر برای کلاس‌های LC در اطلاعات تکمیلی (شکل S2) آمده است.

تغییرات در منابع تبدیل برای مناطق شهری

شکل  ۵ تأثیرات رشد شهری بر LC های اصلی (پوشش گیاهی و زمین بایر) را برای هر شهرداری ساحلی به صورت مطلق و نسبی در دوره ۱۹۸۸-۲۰۲۲ نشان می‌دهد. نمایش مکانی سیسیل در همان شکل، منبع اصلی تبدیل گسترش مناطق ساخته شده در هر CM را نشان می‌دهد. همانطور که مشاهده می‌شود، تمام شهرداری‌های ساحلی در قسمت شمال/شمال شرقی سیسیل، گسترش را به قیمت از دست رفتن طبقه پوشش گیاهی تجربه کرده‌اند. عکس این موضوع در مورد زمین بایر صادق است. همانطور که در شکل  ۴ توضیح داده شده است ، تقسیم‌بندی مکانی دو طبقه آشکار است. در طول دوره مورد بررسی، روند همیشه برای پوشش گیاهی و زمین بایر در حال افزایش است. به طور خاص، حدود ۲۰ برابر ارزش تبدیل منطقه شهری شده در سال ۱۹۸۸ برای طبقه زمین بایر و حدود ۷ برابر برای طبقه پوشش گیاهی افزایش یافته است. در سال‌های اخیر (۲۰۱۷-۲۰۲۲)، روند رشدی در طبقه ساخته شده مشاهده شده است که با روند مشابهی در طبقه پوشش گیاهی منعکس می‌شود. این نشان می‌دهد که شهرنشینی محدودی که در این دوره رخ داده است، تأثیر بارزتری بر طبقه زمین‌های بایر داشته است. در سال‌های اولیه، مقادیر پوشش گیاهی و خاک از نظر درصد مشابه یا نزدیک به هم هستند، که نشان می‌دهد بین این دو تعادل وجود دارد. با این حال، با گذشت زمان، تغییر قابل توجهی مشاهده می‌شود. این واقعیت که درصد پوشش گیاهی نسبت به زمین‌های بایر کاهش می‌یابد، نشان می‌دهد که گسترش ساختمان‌سازی تأثیر بیشتری بر پوشش گیاهی نسبت به زمین‌های بایر داشته است. در واقع، در حالی که طبقه پوشش گیاهی از ۵۴ به ۳۴ درصد کاهش یافته است، طبقه زمین‌های بایر روند آینه‌مانندی را نشان می‌دهد. این بدان معناست که با پیشرفت شهرنشینی، مناطق سبز، مانند جنگل‌ها یا مناطق کشت شده، به مناطق ساخته شده تبدیل شده‌اند. این امر منجر به کاهش قابل توجه پوشش گیاهی شده است. کاهش سریع پوشش گیاهی تا سال ۱۹۹۲ (از ۵۴ به ۳۹ درصد) نشان می‌دهد که در آن دوره تحولات بسیار شدیدی در زمین رخ داده است که منجر به از بین رفتن سریع پوشش گیاهی شده است. پس از سال ۱۹۹۲، کاهش درصد پوشش گیاهی ادامه یافت، اما با سرعتی کندتر و تقریباً ثابت. این می‌تواند نشان دهد که دگرگونی‌های خاک تثبیت شده‌اند و تبدیل پوشش گیاهی به زمین‌های بدون پوشش گیاهی کمتر شده است، یا اینکه مناطق گیاهی باقی‌مانده به طور مؤثرتری حفظ شده‌اند.

تغییرات در مناطق شهری و همبستگی با اقتصاد اجتماعی

شکل  ۶ همبستگی بین این تغییرات LU و روابط آنها با شاخص‌های مختلف اجتماعی-اقتصادی را نشان می‌دهد. آزمون‌های روند، که همگی از نظر آماری طبق آزمون من-کندال سازگار هستند (مقدار p همیشه کمتر از ۰٫۰۵)، الگوهای متمایزی را نشان می‌دهند. مناطق ساحلی بین امتداد مدیترانه و ایونی افزایش جمعیت غالب را نشان می‌دهند (اولین زیرنمودار در سمت چپ ردیف اول)، در حالی که مناطق شهری تیرنی عموماً کاهش جمعیت را تجربه می‌کنند، و در غرب پالرمو (خلیج کاستلاماره) تا حدودی معکوس می‌شوند. از نظر روند درآمد (دومین زیرنمودار از سمت چپ ردیف اول)، الگوهای منفی در اکثر شهرداری‌های مدیترانه مشاهده می‌شود، در حالی که مناطق شهری تیرنی و ایونی ناهمگن‌تر هستند. منطقه ساحلی مدیترانه بالاترین روند شهرنشینی را نشان می‌دهد و پس از آن منطقه ایونی قرار دارد، در حالی که مناطق شهری تیرنی، به ویژه در قسمت شرقی، روندهای مثبت کمتری را نشان می‌دهند. در ردیف دوم شکل  ۶ ، روندهای متضاد بین تکامل ساخت و ساز و جمعیت مشهود است. سیاکا رشد جمعیت ۳.۹ درصدی را تجربه می‌کند، در حالی که سایر مناطق شهری کاهش جمعیت ۱۲.۳ درصدی را برای پالرمو، ۲۵.۵ درصدی را برای کارونیا، ۱۶.۷ درصدی را برای کاتانیا، ۱۸.۶ درصدی (کاهش کمتر ۷.۱ درصدی تا سال ۲۰۱۷ و سپس کاهش شدید) را برای تراپانی و ۵.۳ درصدی را برای گلا نشان می‌دهند. کارونیا و سیاکا بیشترین افزایش نسبی درصد را در مناطق ساخته شده (به ترتیب ۷۸٪ و ۷۹.۶٪) ثبت کرده‌اند که می‌توان آن را به توسعه زیرساخت‌های عمرانی نسبت داد. در مقابل، پالرمو، کاتانیا، تراپانی و گلا افزایش متوسط‌تری را در مناطق ساخته شده نشان می‌دهند (به ترتیب ۸.۴٪، ۲۲.۱٪، ۴۳.۵٪ و ۳۳.۸٪). تراپانی، با وجود کاهش جمعیت از سال ۱۹۸۸، اخیراً کاهش سرعت از دست دادن جمعیت را نشان می‌دهد.

همچنین در شکل  ۶ ، می‌توان مشاهده کرد که چگونه با گذشت زمان، شهرنشینی شهرهای بزرگ سیلیان (مثلاً کاتانیا یا پالرمو) با نرخ بالایی رشد کرده و جمعیت شهر کاهش یافته است. در واقع، درآمدها نیز در این مناطق کاهش یافته است، احتمالاً به دلیل ساخت و ساز بی‌رویه در حاشیه که ممکن است به رشد اقتصاد محلی کمک قابل توجهی نکرده باشد. با این حال، لازم است به این نکته اشاره شود که چگونه مقیاس‌های روند، که در عین حال مقادیر مثبت را نشان می‌دهند، عمدتاً برای جمعیت و درآمد نامتعادل هستند. در واقع، مقیاس‌های درجه‌بندی شده رنگی در ردیف اول شکل  ۶ ، عدم تعادل قابل توجهی بین روندهای منفی و مثبت نشان می‌دهند. ما حداکثرهای منفی -۲۱۲۴ res/year و -۸۳۴ €/res year را به دست آوردیم، در حالی که حداکثرهای مثبت به ترتیب برای جمعیت و درآمد در +۶۷۶ res/year و +۱۴۳ €/res year متوقف می‌شوند. در نهایت، هیچ همبستگی روشنی بین جمعیت و شهرنشینی پیدا نکردیم. در واقع، مشاهده کاهش جمعیت، افزایش شهرنشینی و روندهای متغیر، اما اغلب رو به کاهش در مناطق ساحلی سیسیل، تصویری پیچیده از پویایی اجتماعی-اقتصادی و زیست‌محیطی در جوامع ساحلی سیسیل را آشکار می‌کند.

برای درک بیشتر همبستگی‌های بین محیط ساخته‌شده و شاخص‌های اجتماعی-اقتصادی مورد تجزیه و تحلیل، نقشه‌ای از همبستگی‌های بین ساخت‌وساز، درآمد و جمعیت ایجاد کردیم (شکل S3 در اطلاعات تکمیلی).

تغییرات در دینامیک منطقه ساحلی

شکل  ۷ تجسمی از روند فرسایش و تجمع ساحل در مقیاس LICEL و منابع تبدیل ضرر/سود برای مناطق ساحلی را ارائه می‌دهد. این شکل همچنین روند فرسایش، پایداری یا تجمع سالانه (ردیف دوم) را برجسته می‌کند. رفتارهای متمایز LICELها، مانند LICEL 4.2، LICEL 5.2، LICEL 7.1 و LICEL 9.3، به نمایش گذاشته شده‌اند که فرآیندهای ساحلی متنوع مؤثر بر هر سلول را برجسته می‌کنند. همانطور که مشاهده می‌شود، منطقه‌ای که روندهای منفی شدیدی را نشان می‌دهد (از ۴ تا ۸.۵ درصد از ساحل فرسایش یافته در سال ۲۰۲۲ در مقایسه با مقادیر اولیه ساحل) عمدتاً در سواحل جنوبی سیسیل (تنگه سیسیل) قرار دارد. در مقابل، سواحل منطقه تیرنی سیسیل (شمال) مقادیر روند کاهشی بسیار کمتری را نشان داده‌اند و حتی در برخی مناطق مثبت بوده‌اند (LICEL 11.1 و LICEL 1.1 با درصد افزایش حدود ۱ تا ۲ درصد نسبت به مقادیر منطقه ساحل ۱۹۸۸). در نهایت، منطقه ایونی سیسیل (شرق) روندهای عمدتاً منفی را نشان می‌دهد، به ویژه در جنوب نزدیک‌تر به تنگه سیسیل. با حرکت از کاتانیا (در وسط) به شمال امتداد ایونی، به روندهای عمدتاً مثبت (افزایشی) رسیدیم (از ۲ تا ۳.۵ درصد از ساحل در سال ۲۰۲۲ در مقایسه با مقادیر اولیه ساحل افزایش یافته است). الگوهای فرسایش/افزایشی مشاهده شده با تغییرات انرژی موج در سیسیل همسو هستند، که با یافته‌های گزارش شده توسط … مطابقت دارد. ^{۴۴ ، ۴۵ ، ۴۶ ، ۴۷.} مقایسه بین این نتایج و مقادیر گزارش شده در PRCEC (۲۰۲۰) (به « روش‌ها » مراجعه کنید) در جدول S1 اطلاعات تکمیلی آمده است.

در بخش مدیترانه‌ای (پانل بالا سمت راست)، تقریباً همه منابع تبدیل ساحل به نفع آب، از نوع اتلاف هستند. از ۱۰۹ سانتی‌متر مورد مطالعه، ۳۶ مورد متعلق به کلاس Gain و ۷۶ مورد باقیمانده متعلق به کلاس Loss هستند. بنابراین، تنها ۳۳٪ از CMهای سیسیلی، غلبه منابع تبدیل ساحل به نفع را نشان می‌دهند در حالی که ۶۷٪ از منابع تبدیل ساحل به ضرر را نشان می‌دهند. در منطقه غربی تیرنی، ناهمگونی بیشتری در منابع تبدیل ساحل وجود دارد و چند ساحل، افزایش پوشش گیاهی (احتمالاً به دلیل از دست دادن پوشش گیاهی تپه‌های شنی) و زمین‌های بایر (پیشروی ساحل به دلیل رسوب‌گذاری) را نشان می‌دهند. منطقه مرکزی-غربی بخش تیرنی، منطقه‌ای است که بیشترین تأثیر را از منابع تبدیل ساحل به نفع ساخت و ساز دارد، در حالی که بخش شرقی، کاهش و افزایش را عمدتاً در کلاس پوشش گیاهی نشان می‌دهد. منطقه شمالی ایونی با رفتار همجوار منطقه تیرنی ادامه می‌دهد و در عین حال به دلیل ساخت و ساز، کاهش نیز نشان می‌دهد. در این مناطق، میزان از دست رفتن ساحل بسیار کم (درصد) است، بنابراین تبدیل‌های عمده به این دلیل ایجاد می‌شوند که بخش‌هایی از این سواحل تحت تأثیر ساخت و ساز لیدوهای حمام قرار گرفته‌اند. منطقه جنوبی بخش ایونی به نوبه خود با منطقه مدیترانه‌ای مجاور مطابقت دارد که نشان‌دهنده شیوع منابع تبدیل از دست رفتن آب است. در نهایت، در ردیف دوم شکل  ۷ ، LICEL 5.2 به همراه LICEL 9.3، شدیدترین مقادیر روند فرسایش را نشان می‌دهد، در حالی که ۴٫۲ و به ویژه ۷٫۲، الگوهای کاهشی کمتری را نشان می‌دهند. از نظر نسبی فرسایش یا افزایش، تمام LICEL های موجود در ردیف دوم شکل  ۷ درصد فرسایش (منفی) را تجربه کرده‌اند. به طور خاص، ۸٫۳٪، ۵٫۱٪، ۴٫۱٪ و ۲٫۸٪ از فرسایش ساحل در سال ۲۰۲۲ نسبت به مقادیر اولیه ساحل برای LICEL 7.1، LICEL 4.2، LICEL 5.2 و LICEL 9.3 به ترتیب. علاوه بر این، اگرچه مقادیر مطلق تلفات برای LICEL 8.2 و ۲٫۱ از نظر نسبی جزو کمترین میزان تلفات ماسه بودند، اما میزان تلفات ساحل به ترتیب ۱۵٫۸٪ و ۵٫۶٪ بود.

ما محاسبه کردیم که تنها ۰٫۱۴ کیلومتر مربع ⁽ ۰٫۲٪) از ساحل سیسیل بین سال‌های ۱۹۸۸ تا ۲۰۲۲ به زمین‌های شهری تبدیل شده است. این کاهش را می‌توان به وجود بسیاری از املاک غیرقانونی در امتداد ساحل نسبت داد که ۴۰ تا ۶۰ درصد از خط ساحلی را تشکیل می‌دهند ^{۴۸ ، ۴۹٫} بسیاری از این اقامتگاه‌های تابستانی که در دهه ۱۹۷۰ بدون طرح مصوب ساخته شده‌اند، علیرغم عفو عمومی و دستور تخریب، همچنان غیرقانونی باقی مانده‌اند. این وضعیت مداوم باعث اثرات زیست‌محیطی پایدار، از جمله فرسایش، از بین رفتن تنوع زیستی و آلودگی آب‌های ساحلی و زیرزمینی شده است ^{۵۰ ، ۵۱٫} برای اطلاعات بیشتر، به شکل S4 در اطلاعات تکمیلی مراجعه کنید.

در مطالعه ما، ما یک تحلیل گذشته‌نگر گسترده از تصاویر طبقه‌بندی‌شده کل منطقه ساحلی سیسیل برای هر ماه از سال ۱۹۸۸ تا ۲۰۲۲ انجام دادیم. این تحلیل از تصاویر Landsat-5، Landsat-7، Landsat-8، Landsat-9 و Sentinel-2b استفاده کرد. این تصاویر با تکنیک‌های تقسیم‌بندی معنایی مبتنی بر CNN پردازش شدند. هدف اصلی ما پر کردن شکاف موجود در داده‌های LICEL با وضوح بالا با استفاده از یک مدل هوش مصنوعی پیشرفته آموزش‌دیده با یک پایگاه داده بزرگ که به‌طور خاص برای مناطق ساحلی طراحی شده است، بود . ^۴۱ علاوه بر این، این تحقیق به ایجاد یک مجموعه داده گسترده که قبلاً وجود نداشت، کمک کرد و دامنه و ویژگی تحلیل LC ساحلی را افزایش داد.

روش طبقه‌بندی ارائه شده منجر به طبقه‌بندی‌های ساحلی با درجه بالایی از دقت (همانطور که در فرآیند اعتبارسنجی توضیح داده شده است) در مقایسه با محصولات موجود تا به امروز (ستون هفتم جدول  ۱ ) شد که دقت کلی را در محدوده ۶۰٫۵، ۵۲، ۷۱٫۵۳ و ۷۵٫۵۴ درصد به ترتیب برای GLCC، ESA Land Cover – CCI و ESRI Global Land Use Land Cover نشان می‌دهند ^{. ما همچنین} اشاره می‌کنیم ^که محصولاتی که صرفاً برای مناطق ساحلی (Coastal Zones LC/LU، Feng و همکاران. ۳۷) به دست آمده‌اند، ^{درصد دقت} بالاتری را نشان می‌دهند، به ترتیب ^۸۵٫۵۵ و ۹۰٪ که نیاز به نقشه‌های خاص برای این نوع محیط‌ها را تأیید می‌کند. استفاده از مجموعه داده‌های خاص، مناسب و دقیق که از طریق الگوریتم‌های یادگیری ماشین پردازش می‌شوند، مانند Witjes و همکاران. ^۵۶ ، همچنین به مقادیر دقت کلی خوبی در طبقه‌بندی‌ها (۸۳٪) دست می‌یابد که بار دیگر تأیید می‌کند که کیفیت داده‌های آموزشی چقدر مهم است. در کار ما، این مفاهیم را با استفاده از یک مجموعه داده کاملاً ساحلی ترکیب کردیم و نقشه‌های طبقه‌بندی‌شده ماهانه ۳۵ ساله با حداکثر دقت کلی ۸۸٪ به دست آوردیم.

با به دست آوردن این داده‌های طبقه‌بندی‌شده دقیق، توانستیم تکامل اجتماعی-اقتصادی شهرداری‌های ساحلی سیسیل را در رابطه با پویایی شهرنشینی ساحلی بررسی کنیم. این تجزیه و تحلیل، اولین گام به سوی درک پویایی کاربری زمین در این منطقه طی سه دهه است که بر گسترش شهری، تغییرات کاربری زمین و تغییرات در سواحل سیسیل در دوره مورد بررسی تمرکز دارد. رویکرد ما، رابطه پیچیده بین توسعه اجتماعی-اقتصادی و تغییرات کاربری زمین ساحلی را روشن می‌کند و بر کاربرد تکنیک‌های پیشرفته هوش مصنوعی در افزایش درک ما از پویایی محیطی در مناطق ساحلی تأکید می‌کند.

بخش « نتایج »، علاوه بر اعتبارسنجی روش‌شناسی اتخاذ شده، به بررسی پویایی LC در سیسیل می‌پردازد. تکامل زمانی مناطق ساخته‌شده، گسترش شهری در شهرداری‌های ساحلی را نشان می‌دهد و بر تغییرات در نرخ رشد تأکید می‌کند. تجزیه و تحلیل توزیع مکانی، الگوهای متمایز در پوشش گیاهی، زمین‌های بایر و مناطق ساخته‌شده را برجسته می‌کند و بینش‌هایی در مورد پویایی محیطی در امتداد ساحل سیسیل ارائه می‌دهد. منابع تغییر در LC، تأثیرات مستقیم رشد شهری بر تبدیل پوشش گیاهی را نشان می‌دهد. مروری عمیق بر پویایی فرسایش و افزایش در امتداد سواحل سیسیل، با تأکید بر LICELها، ارائه شده است. شهرنشینی به میزان کمی در از بین رفتن ساحل نقش دارد، و مالکیت غیرقانونی عامل مهمی است که باعث اثرات زیست‌محیطی پایدار می‌شود. با داده‌های موجود، ما همبستگی مستقیمی بین گسترش شهری و شاخص‌های اجتماعی-اقتصادی پیدا نکردیم. این واقعیت، پیچیدگی پیوند تغییرات LC با پویایی‌های اجتماعی-اقتصادی مانند درآمد و جمعیت را برجسته می‌کند. تجزیه و تحلیل همبستگی‌های بالقوه LC با داده‌های هواشناسی-اقیانوسی نیز می‌تواند برای تحقیقات آینده مفید باشد.

استراتژی‌های مدیریت یکپارچه برای حفظ سواحل سیسیل و هر ساحل دیگری در سراسر جهان در بحبوحه تعاملات پیچیده بین عوامل طبیعی و انسانی بسیار مهم هستند. درک پویایی‌های LC می‌تواند با آگاه‌سازی فرآیندهای تصمیم‌گیری با هدف ارتقای توسعه پایدار ساحلی و تاب‌آوری، به بهبود برنامه‌ریزی زمین در حال و آینده کمک کند. این تحقیق پایه و اساسی را برای مطالعات بیشتر در پویایی‌های LC ساحلی ایجاد می‌کند و بر نیاز به نظارت و تجزیه و تحلیل مداوم محیط‌های ساحلی در مواجهه با چالش‌های جاری و آینده، از جمله تغییرات اقلیمی و نیاز به سازگاری، با استفاده از مجموعه داده‌های ساحلی خاص و با فواصل نمونه‌برداری مناسب برای تجزیه و تحلیل کوتاه‌مدت و بلندمدت، تأکید می‌کند.

مطالعه ما محدودیت‌هایی دارد که ممکن است زمینه‌های بالقوه‌ای برای بهبود باشند. اولین محدودیت مربوط به مجموعه داده‌های آموزشی است. با وجود اینکه Coast Train مختص مناطق ساحلی است، اما ممکن است نماینده بودن آن در پوشش کامل تنوع سواحل سیسیل کامل نباشد، زیرا انتخاب تصاویر ممکن است شامل تمام تغییرات ممکن در ویژگی‌های ساحلی جزیره نباشد. با توجه به این موضوع، ما به صورت دستی تصاویری را انتخاب کردیم که منعکس کننده ویژگی‌های رنگی، اندازه ساحل و بافت‌های شهری مشابه با سیسیل باشند. این انتخاب دقیق، طیف متنوعی از نمونه‌ها را در اختیار مدل قرار داد و سطح خوبی از تعمیم را در طول مرحله طبقه‌بندی تضمین کرد. علاوه بر این، نتایج را بررسی کردیم و اصلاحات لازم را انجام دادیم. به عنوان مثال، گلخانه‌ها توسط مدل به عنوان مناطق ساخته شده به اشتباه طبقه‌بندی شدند. عدم وجود این ویژگی‌ها در مجموعه داده‌های آموزشی به این معنی بود که مدل برای طبقه‌بندی صحیح آنها با مشکل مواجه بود. برای رسیدگی به این مشکل، ما یک ماسک ایجاد کردیم تا اطلاعات نادرست ناشی از گلخانه‌ها را از بین ببریم.

محدودیت دوم، روش‌های آماری مورد استفاده، مانند آزمون من-کندال و تحلیل همبستگی است که ممکن است تعاملات پیچیده بین عوامل اجتماعی-اقتصادی و تغییرات در پوشش زمین را در نظر نگیرد، که نشان دهنده نیاز به در نظر گرفتن رویکردهای چند متغیره غیرخطی پیچیده‌تر در مطالعات آینده است.

آخرین محدودیت می‌تواند با تعداد محدود کلاس‌های مورد استفاده در مدل تقسیم‌بندی معنایی، که شامل ۵ دسته است، نشان داده شود. اگرچه این رویکرد برای تحلیل‌های مقیاس منطقه‌ای مناسب است، اما ممکن است برای مطالعات محلی که نیاز به دقت بالاتر در تصاویر با وضوح بالا و در نتیجه تعداد بیشتری از کلاس‌ها برای نمایش دارند، به اندازه کافی دقیق نباشد. بنابراین، بهبود توانایی مدل تقسیم‌بندی معنایی برای تشخیص طیف وسیع‌تری از کلاس‌ها می‌تواند برای امکان تفسیر دقیق‌تر ویژگی‌های چشم‌انداز ساحلی در زمینه‌های با وضوح مکانی بالا مفید باشد.

این بخش تمام مواد و روش‌های مورد استفاده در کار را شرح می‌دهد.

معماری روش‌شناسی

به منظور تجزیه و تحلیل تغییرات LC در سیسیل از سال ۱۹۸۸ تا ۲۰۲۲، ما روش ارائه شده در شکل  ۸ را توسعه دادیم . ما از یک مدل تقسیم‌بندی معنایی برای پردازش تصاویر ماهواره‌ای از مجموعه داده‌های لندست و سنتینل استفاده کردیم. این امر به ما امکان داد تا تصاویر طبقه‌بندی شده از کل سیسیل را برای هر ماه در بازه زمانی مشخص شده ایجاد کنیم. این تصاویر به ما کمک کردند تا طبقات مختلف LC، از جمله آب، پوشش گیاهی، سواحل، زمین‌های بایر و مناطق ساخته شده را شناسایی کنیم. برای اطمینان از صحت نتایج، مدل خود را با مقایسه تصاویر طبقه‌بندی شده آن با تصاویر واقعیت زمینی اعتبارسنجی کردیم. هنگامی که به سطح رضایت‌بخشی از دقت دست یافتیم، یک تجزیه و تحلیل جامع داده‌ها را برای درک ماهیت تغییرات انجام دادیم.

این تحقیق بر انتقال LC به مناطق شهری، کمی‌سازی نرخ رشد، از دست دادن و پایداری در پوشش گیاهی، زمین‌های بایر و مناطق ساخته‌شده متمرکز بود. تجزیه و تحلیل‌هایی که ما انجام دادیم به تأثیرات افزایش شهرنشینی اختصاص داشت، با توجه به رابطه پیچیده با گسترش شهری، رشد جمعیت و الگوهای درآمدی، که برای تفسیر پیامدهای اجتماعی، اقتصادی و زیست‌محیطی اساسی هستند. علاوه بر این، تجزیه و تحلیل LICELها در سیسیل روندها را در مناطق ساحلی ارزیابی کرد و مناطقی را که بیشترین حساسیت را به تغییر دارند برجسته کرد و نشان داد که آیا آنها در حال افزایش یا کاهش هستند.

تصاویر ماهواره‌ای مورد استفاده

هسته اصلی روش ما مبتنی بر اخذ و پردازش تصاویر ماهواره‌ای است که دوره زمانی ۱۹۸۸ تا ۲۰۲۲ را پوشش می‌دهد تا نمای ماهانه و دقیقی از چشم‌انداز در حال تغییر سیسیل به دست آید. این تصاویر از پلتفرم‌های ماهواره‌ای مختلف، از جمله لندست ۵، ۷، ۸ و جدیدترین لندست ۹ و همچنین سنتینل ۲ تهیه شده‌اند. تصاویر ماهواره‌ای با وضوح مکانی ۳۰ متر (محصولات سنتینل با وضوح ۱۰ متر اما به وضوح ۳۰ متر افزایش مقیاس داده شده‌اند تا با یک وضوح واحد کار کنند) با استفاده از پوسته موتور گوگل ارث (GEE) اخذ شده‌اند. ما از یک روش درون‌یابی دوخطی برای نمونه‌برداری کوچک استفاده کردیم. این روش برای حفظ انتقال روان بین پیکسل‌ها و به حداقل رساندن از دست دادن اطلاعات ^{۵۷ ، ۵۸} انتخاب شد و تصاویر را به صورت بصری بررسی کرد تا هرگونه مصنوع یا از دست دادن جزئیات قابل توجه را شناسایی کند.

ما در درجه اول بر روی باندهای RGB تصاویر ماهواره‌ای تمرکز کردیم تا تصویری واضح از سطح زمین ثبت کنیم.

در روش‌شناسی اخذ تصاویر ماهواره‌ای ما، الزام سختگیرانه پوشش ابر وجود داشت که آن را روی ۲۰٪ یا کمتر تنظیم کردیم. این معیار برای اطمینان از اینکه تصاویری که برای تجزیه و تحلیل خود استفاده می‌کنیم تا حد امکان واضح و عاری از اعوجاج جوی ناشی از پوشش ابر باشند، ضروری بود. هدف ما ارائه تصاویر ورودی با کیفیت بالا و واضح به مدل تقسیم‌بندی معنایی بعدی (همانطور که در بخش بعدی توضیح داده شده است) بود. برای دستیابی به این هدف، تصاویری را که این معیار خاص را برآورده می‌کردند، با دقت انتخاب کردیم. متعاقباً، هر تصویر تحت فرآیند برش، از طریق ابزارهای رستری QGIS، قرار گرفت تا برای هر تصویر حاصل، وسعت یکسانی معادل ۵۱۲ × ۵۱۲ پیکسل به دست آید. بنابراین، در مجموع، برای هر تصویر ماهانه ۲۸۰ تصویر با وضوح ۵۱۲ × ۵۱۲ پیکسل (به طوری که کل وسعت سیسیل را پوشش دهد) به دست آوردیم. با در نظر گرفتن ۱۲ تصویر در سال (یک تصویر در هر ماه)، طی ۳۵ سال، تعداد کل تصاویر اخذ شده ۱۱۷۶۰۰ بود.

سلول‌های ساحلی، شهرداری‌های ساحلی و شاخص‌های اجتماعی-اقتصادی

برای مطالعه دینامیک ساحلی و حرکات فرسایش/افزایش، خط ساحلی سیسیل را به ۲۲ بخش خط ساحلی سطح ثانویه (LICEL) تقسیم کردیم. هر بخش یا سلول رسوبی، منابع رسوب، مسیرهای حمل و نقل و مناطق رسوب‌گذاری متمایزی دارد که آن را به یک واحد مجزا برای اهداف مدیریتی تبدیل می‌کند ^۴۲ .

در این مقاله، ما «منطقه ساحلی» را به عنوان بخشی از زمین تعریف کردیم که از یک مرز LICEL تا مرز دیگر امتداد دارد و امتداد آن به سمت خشکی است و توسط مناطقی با ارتفاع کمتر یا مساوی ۱۵ متر محدود شده است. مناطق ساحلی معمولاً مناطقی بین ۰ تا ۱۰ متر در نظر گرفته می‌شوند ^. در این مورد، ما حد ۱۰ متر را به ۱۵ متر افزایش داده‌ایم. این انتخاب با توجه به اینکه سواحل سیسیل عمدتاً شنی هستند و با شیب کم (۱ تا ۳ درصد) و عرض متوسط ​​حدود ۶۰ متر مشخص می‌شوند، توجیه‌پذیر است. ماسکی که بدین ترتیب تعریف شده است، به طور مؤثر شامل همه سواحل می‌شود و نمایش دقیقی از مناطق مورد نظر را تضمین می‌کند. آستانه ۱۵ متری امکان حذف دماغه‌ها را فراهم کرد و توجه را به سواحلی که ذاتاً پویایی بیشتری دارند، معطوف کرد. علاوه بر این، این گسترش همچنین امکان گنجاندن شهرنشینی‌های نزدیک به سواحل را فراهم کرد که برای تجزیه و تحلیل جامع تعامل بین محیط ساحلی و سکونتگاه‌های انسانی که مستقیماً بر سواحل فشار می‌آورند، ضروری هستند. ما ماسک لازم برای تعریف این مناطق را از طریق استفاده از مدل ارتفاعی رقومی زمین (DEM) با وضوح ۲ × ۲ متر از منطقه سیسیل به دست آوردیم.

ما تجزیه و تحلیل همبستگی بین تغییرات در مناطق ساخته شده و تغییرات در شاخص‌های اجتماعی-اقتصادی را با تعریف میزان هر CM، در مجموع ۱۰۹، از طریق فایل شکل ارائه شده توسط موسسه ملی آمار (ISTAT) در مورد تمام مرزهای اداری شهری ایتالیا انجام دادیم. ما به عنوان شاخص‌های اجتماعی-اقتصادی، داده‌های جمعیت و درآمد ارائه شده توسط ISTAT و وزارت اقتصاد و دارایی را به ترتیب انتخاب کردیم. این داده‌ها به ما امکان داد تا روندهای جمعیتی و اقتصادی را در طول سه دهه بررسی کنیم و پویایی توسعه را در مقیاس CMهای سیسیلی بهتر درک کنیم.

فرآیند قطعه‌بندی تصاویر

برای به دست آوردن تصاویر قطعه‌بندی شده با توجه به کلاس‌های زیر: (i) ساخته شده، (ii) آب، (iii) پوشش گیاهی، (iv) ساحل و (v) زمین بایر، ما از یک رویکرد مبتنی بر شبکه عصبی کانولوشن (CNN) استفاده کردیم که به طور خاص معماری U-Net ^۶۰ را برای وظیفه تشخیص بحرانی با قطعه‌بندی معنایی اتخاذ می‌کند. این مدل قطعه‌بندی معنایی، یک مدل CNN است که با دقت با استفاده از یک مجموعه داده تصویری غنی که از قبل برچسب‌گذاری شده است، معروف به مجموعه داده Coast Train، آموزش دیده است. این مجموعه داده شامل تصاویر ساحلی متعدد با فصول مختلف با ۱.۲ میلیارد پیکسل است که در بیش از ۳.۶ میلیون هکتار برچسب‌گذاری شده‌اند. تصاویر، از منابعی مانند NAIP، Sentinel-2، Landsat-8، USGS و UAS، از نظر وضوح متفاوت هستند و خطوط ساحلی غیر از ایالات متحده را پوشش می‌دهند.

برای اطمینان از اینکه مجموعه داده‌های آموزشی به طور کافی نشان‌دهنده تنوع خط ساحلی سیسیل باشد، تصاویری را انتخاب کردیم که ویژگی‌های رنگی، اندازه ساحل و محیط‌های شهری مشابه سیسیل را منعکس می‌کردند. این انتخاب به صورت دستی انجام شد تا نمونه‌های متنوعی به اندازه کافی متنوع برای مدل فراهم شود تا سطح خوبی از تعمیم در طول مرحله طبقه‌بندی تضمین شود. اگرچه همه انواع ممکن ساحل سیسیل گنجانده نشده بود، ما بر روی نماینده‌ترین آنها تمرکز کردیم تا مدل را به طور موثر آموزش دهیم. برای جلوگیری از بیش‌برازش، مجموعه داده‌های اصلی شامل ۱۳۴ تصویر با استفاده از تکنیک‌های افزایش داده (مانند برش، چرخش، تنظیم روشنایی و کنتراست) با کتابخانه Python Albumentations ^۶۱ تقویت شد .

عملکرد دقت در طول مرحله آموزش مدل حدود ۸۵٪ بود، در حالی که معیارهای تقاطع روی اتحادیه حدود ۷۵ تا ۸۰٪ بود. بنابراین، در کار حاضر، ما قابلیت‌های تقسیم‌بندی مدل را با در نظر گرفتن معیارهای فوق اعتبارسنجی کردیم.

پس از پردازش تمام تصاویر ماهواره‌ای از طریق مدل تقسیم‌بندی معنایی، آنها را مجدداً مونتاژ کردیم تا ماه به ماه یک تصویر منحصر به فرد از سیسیل که از طریق کلاس‌های ذکر شده در بالا تقسیم‌بندی شده بود، به دست آوریم. به این ترتیب، ۴۲۰ تصویر طبقه‌بندی شده به دست آوردیم که نشان‌دهنده مجموعه داده‌های عظیمی از تصاویر ماهواره‌ای با ماسک‌های LC مربوطه برای یک دوره مشاهده قبلاً وجود نداشت برای کل منطقه سیسیل.

در مورد اثرات نمونه‌برداری مجدد و برش، اشاره می‌کنیم که در زمینه پردازش تصویر ماهواره‌ای، هر تصویر را می‌توان به صورت یک ماتریس سه‌بعدی نمایش داد که در آن سه بعد مربوط به کانال‌های رنگی قرمز (R)، سبز (G) و آبی (B) است. با توجه به اندازه اولیه بزرگ تصویر، می‌توانیم آن را به زیرتصاویری با اندازه قابل مدیریت‌تر برش دهیم و در عین حال وضوح اصلی را دست نخورده نگه داریم (مثلاً ۵۱۲ × ۵۱۲ پیکسل برای هر زیرتصویر). این فرآیند تقسیم‌بندی، ماتریس اصلی را تغییر نمی‌دهد: هر پیکسل در زیرتصاویر، همان مقادیر رنگ RGB را که در تصویر کلی داشت، حفظ می‌کند. بنابراین، اگر زیرتصاویر طبقه‌بندی شده در موقعیت‌های اصلی خود دوباره مونتاژ شوند، تصویر منبع بدون از دست دادن اطلاعات یا اعوجاج ناشی از برش، بازسازی می‌شود تا یک نقشه منسجم و پیوسته از کل جزیره به دست آید. این فرآیند، پیوستگی مکانی و سازگاری کلاس‌های بخش‌بندی شده را تضمین می‌کند و یک تصویر کلی را بازسازی می‌کند که وضوح و دقت تجزیه و تحلیل سطح پیکسل را حفظ می‌کند. تقسیم‌بندی معنایی که به طور یکنواخت روی هر زیرتصویر اعمال می‌شود، تضمین می‌کند که طبقه‌بندی در کل منطقه مورد مطالعه سازگار است. این رویکرد پیکسلی تضمین می‌کند که نتایج، صرف نظر از اینکه مدل روی زیرتصاویر یا کل تصویر عمل می‌کند، معادل باشند. بنابراین، روش‌شناسی اتخاذ شده در مطالعه ما، یکپارچگی تحلیل را حتی در طول فرآیند برش و مونتاژ مجدد تصویر حفظ می‌کند.

اعتبارسنجی قطعه‌بندی

ما از چندین شاخص برای تعیین دقت مدل قطعه‌بندی معنایی استفاده کردیم. دقت کلاس، دقت کلی و ضریب کاپا شاخص‌های اصلی مورد استفاده برای این ارزیابی بودند.

• دقت کلاس ^{۶۲ و ۶۳} که ​​با AC _i نشان داده می‌شود ، دقت پیش‌بینی‌های کلاس‌های LC منفرد را اندازه‌گیری می‌کند. معادله دقت کلاس به صورت (معادله ( ۱ )) تعریف می‌شود:

که در آن TP _i نشان دهنده مثبت‌های واقعی (پیکسل‌های به درستی طبقه‌بندی شده) برای کلاس I و FN _i نشان دهنده منفی‌های کاذب (پیکسل‌هایی که به اشتباه به عنوان پیکسل‌های غیرمتعلق به کلاس i طبقه‌بندی شده‌اند ) است.

• دقت کلی، که اغلب به عنوان OA شناخته می‌شود ، ارزیابی جامعی از عملکرد مدل در تمام کلاس‌های LC ارائه می‌دهد. این دقت با استفاده از معادله زیر (معادله ( ۲ )) محاسبه می‌شود:

که در آن  نشان دهنده مجموع دقت کلاس‌ها برای همه کلاس‌های LC و n نشان دهنده تعداد کل کلاس‌ها است.

• ضریب کاپا ( κ ) ^{۴۳ ، ۶۴} عملکرد مدل را با توجه به توافق بین طبقه‌بندی‌های پیش‌بینی‌شده و مرجع (Ground Truth، GT) ارزیابی می‌کند. این ضریب به صورت (معادله ( ۳ )) محاسبه می‌شود:

که در آن Po _o توافق مشاهده شده و P _e توافق مورد انتظار تصادفی است.

P _o نشان دهنده کسری از مواردی است که در آن دو طبقه بندی تصویر (بین GT و تشخیص) با هم مطابقت دارند. P _o با استفاده از معادله زیر (معادله ( ۴ )) محاسبه می شود:

P _e نشان دهنده توافقی است که به صورت تصادفی انتظار می‌رود. P _e با استفاده از معادله زیر (معادله ( ۵ )) محاسبه می‌شود:

که در آن n تعداد کلاس‌ها است، و به ترتیب مجموع مقادیر سطر i ام و ستون i ام را نشان می‌دهند.

ضریب k میزان توافق بین پیش‌بینی‌ها و داده‌های واقعی را با در نظر گرفتن تطابق‌های تصادفی اندازه‌گیری می‌کند؛ از این ضریب برای ارزیابی میزان بهتر بودن توافق نسبت به حالت تصادفی استفاده می‌شود. در واقع، توجه داشته باشید که اندیس i در این مورد وجود ندارد زیرا این معیار به طبقه‌بندی کلی اشاره دارد.

ما با مقایسه پیش‌بینی‌های مدل با تصاویر مرجع (GT) تولید شده توسط طبقه‌بندی دستی، تجزیه و تحلیل دقت را انجام دادیم. برای ارائه دیدگاه کیفی بیشتر، مقایسه بصری بیشتری با سایر نقشه‌های طبقه‌بندی LULC موجود در منطقه مورد نظر، از جمله مجموعه داده‌های LUCAS ^۵۶ مبتنی بر ، نقشه‌های مناطق ساحلی Copernicus و نقشه‌های سری زمانی LU و LC ده متری Sentinel-2 ESRI انجام شد. این ارزیابی‌های مقایسه‌ای، درک اثربخشی مدل را در رابطه با روش‌ها و مجموعه داده‌های موجود بهبود می‌بخشد و در اطلاعات تکمیلی ارائه شده است.

پس‌پردازش تصاویر قطعه‌بندی‌شده

برای تحلیل زمانی هر منطقه کلاس LC، تصاویر طبقه‌بندی‌شده کل سیسیل (برای هر ماه و سال) با استفاده از ماسک‌های CM و LC برش داده شدند. مقادیر مساحت برای هر کلاس LC استخراج شد. این مقادیر مساحت، مناطق تحت پوشش هر کلاس را بر حسب تعداد پیکسل‌ها (با وضوح ۳۰ × ۳۰ متر) نشان می‌دادند. به این ترتیب، مقادیر مساحت ماهانه (برای هر سال) برای هر کلاس قطعه‌بندی محاسبه شد. از طریق این روش، ما یک تحلیل زمانی از گسترش شهری در شهرداری‌های ساحلی و برای سایر کلاس‌های LU در هر دو مقیاس CM و LICEL انجام دادیم.

برای تحلیل کلاس ساخته‌شده در سطح CMها، ما یک مقیاس زمانی سالانه را در نظر گرفتیم و داده‌های ماهانه منطقه ساخته‌شده را به صورت سالانه با میانگین‌گیری جمع‌آوری کردیم، زیرا تغییرات ماهانه برای این کلاس ناچیز بود. از سوی دیگر، برای LICELها، تحلیل در سطح ماهانه انجام شد، زیرا ما به تغییرات ماه به ماه در مناطق ساحلی (و همچنین برای طبقات پوشش باقی‌مانده) علاقه‌مند بودیم. برای بررسی همبستگی بین شاخص‌های اجتماعی-اقتصادی و مناطق ساخته‌شده در هر CM، از رویکرد تحلیل همبستگی استفاده کردیم. این روش امکان ارزیابی روابط بین سری‌های زمانی مختلف، مانند روند گسترش شهری و جمعیت هر CM را فراهم کرد. این ارزیابی بر اساس ضریب همبستگی پیرسون ^۶۵ ، شاخصی که درجه رابطه خطی بین دو متغیر را اندازه‌گیری می‌کند، انجام شد. با استفاده از این رویکرد، امکان کمی‌سازی ارتباط بین گسترش شهری و رشد جمعیت در طول سال‌ها برای هر CM فراهم شد. علاوه بر این، ما یک تحلیل همبستگی بین درآمد و منطقه ساخته‌شده و بین درآمد و جمعیت انجام دادیم.

علاوه بر این، از آزمون من کندال ^۶۶ برای تحلیل روندهای مربوط به تغییرات در مناطق ساحلی در هر LICEL استفاده شد. این آزمون امکان بررسی روندهای زمانی مناطق ساحلی را فراهم کرد و اطلاعات مهمی در مورد روند افزایش یا فرسایش سواحل در هر منطقه LICEL ارائه داد.