طبقه بندی کاربری اراضی

هدف از این پژوهش پایش خشک سالی مراتع استان اردبیل طی دوره رشد مرتع می باشد. بر این اساس از داده های بارش و دمای ماهانه 4 ایستگاه سینوپتیک استان اردبیل (اردبیل، خلخال، مشکین شهر و پارس آباد مغان) طی دوره آماری 2016- 1996، به منظور محاسبه شاخص خشک سالی فازی ( SEPI ) در 4 بازه زمانی 1، 3، 6 و 9 ماهه استفاده شد و همچنین از تصاویر ماهواره های لندست TM و OLI به منظور تهیه نقشه های طبقه بندی کاربری اراضی بر اساس مدل حداکثر احتمال و محاسبه شاخص های پوشش گیاهی NDVI ، EVI ، SAVI و LAI استفاده گردید. به جهت بررسی رابطه بین شاخص های موردمطالعه، از ضرایب همبستگی پیرسون ( R ) و ریشه میانگین مربعات خطا ( RMSE ) بهره گرفته شده است. نتایج حاصل از طبقه بندی نشان داد که وسعت مراتع استان اردبیل طی سال 1394 نسبت به سال 1377، هم در بخش مراتع قشلاقی و هم در بخش مراتع ییلاقی کاهش ملاحظه ای را نشان می دهد. بر اساس نتایج SEPI وضعیت خشک سالی طی سال های 1390 تا 1395 بیشتر از سایر دوره زمانی موردمطالعه می باشد. نقشه های پراکندگی پوشش گیاهی بر اساس الگوریتم طبقه بندی درخت تصمیم گیری و طبق شاخص NDVI برای ماه های موردمطالعه تهیه گردید. همچنین بر اساس نتایج به دست آمده از ارزیابی شاخص نشان داد که بالاترین همبستگی بین شاخص NDVI و شاخص SEPI 6 ماهه مشاهده می شود و کمترین ضریب میانگین مربعات خطا نیز بین شاخص SAVI و شاخص SEPI 6 ماهه وجود دارد ولی به طورکلی مناسب ترین شاخص برای پایش خشک سالی مراتع استان اردبیل شاخص NDVI و SEPI 6 ماهه می باشد.

مطالعه کاربری اراضی و تغییرات آن در دوره های زمانی نقشی کلیدی در مدیریت منابع طبیعی و برنامه ریزی شهری ایفا می کند. یکی از روش های بهینه و مقرون به صرفه در این زمینه استفاده از الگوریتم ها و روش های طبقه بندی تصاویر هوایی و سنجش از دور است. طبقه بندی تصاویر هوایی با استفاده از مدل های یادگیری عمیق یکی از روش های پیشرفته در پردازش داده های مکانی محسوب می شود که بهبود صحت و کارایی آن به انتخاب مدل مناسب و تنظیم بهینه فراپارامترها بستگی دارد. در این پژوهش، عملکرد دو مدل یادگیری عمیق U-Net و ResNet-34 در ترکیب با شش بهینه ساز مختلف شامل SGD، Adam، RMSprop، Adagrad، Nadam و AdamW برای طبقه بندی تصاویر هوایی بررسی شده است. نتایج نشان داد که ResNet-34 در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به U-Net ارائه داده است. بالاترین صحت کلی در مدل ResNet-34 با بهینه ساز RMSprop برابر با 87.54% بود، درحالی که همین بهینه ساز در مدل U-Net صحت77.17% را به دست آورد. بهینه ساز Adam نیز در ResNet-34 صحت83.97% و در U-Net صحت 63.30% را ارائه داد. در مقابل، بهینه ساز Adagrad ضعیف ترین عملکرد را داشت و همگرایی کندی نشان داد. تحلیل معیارهای ضریب کاپا، امتیاز ژاکارد و امتیاز F1 تأیید کرد که بهینه سازهای تطبیقی مانند RMSprop و Adam تأثیر مثبتی بر بهبود صحت مدل ها دارند. نتایج این تحقیق نشان داد که انتخاب مدل مناسب و بهینه ساز کارآمد نقش مهمی در افزایش صحت و کاهش خطای مدل های یادگیری عمیق دارد. در مطالعات آینده، بررسی بهینه سازی ترکیبی روش های کلاسیک و تطبیقی و استفاده از مدل های پیشرفته تر مانند ++ U-Net و بهینه سازهای نوظهور نظیر Lion، AdaBelief و RAdam پیشنهاد می شود.