مقايسه و ارزيابي روش هاي طبقه‌بندي نظارت‌شده در استخراج و آشكارسازي تغييرات لند فرم‌هاي ژئومورفولوژي حوضه آبريز سجاسرود

Comparison and Evaluation of Supervised Classification Methods for Extraction and Detection of Changes in Geomorphologic Landforms of Sojasrood Basin

شناخت لند فرم‌هاي ژئومورفولوژي و بررسي تحولات و تغييرات آن در همه مناطق بخصوص مناطق كوهستاني در جهت مديريت محيطي در زمينه‌هاي مختلف از نيازهاي مهم و ضروري علم ژئومورفولوِژي است. عوامل ديناميك دروني و بيروني زمين دائماً باعث ايجاد تغييرات در لند فرم‌هاي ژئومورفولوژي مي‌شوند. بنابراين شناخت اين تحولات و تغييرات جهت مديريت بهتر در زمينه‌هاي مختلف طبيعي و انساني ضروري است. مناطق كوهستاني به علت صعب‌العبور بودن مطالعات ميداني را دچار چالش مي‌كنند. علم ژئومورفولوژي نيز همگام با ساير علوم از فنّاوري‌هاي روز دنيا مانند علم سنجش از دور جهت تسريع در پيشبرد اهداف و نيازها استفاده مي‌كند. در همين راستا جهت شناسايي لند فرم‌هاي سطحي و مهم حوضه آبريز سجاسرود و بررسي روند تغييرات آن در طول سال‌هاي 1986 تا 2018 از تصاوير ماهواره‌اي لندست TM و OLI استفاده گرديد. جهت شناسايي لند فرم‌ها، ضمن بررسي‌هاي ميداني از تصاوير نرم‌افزار گوگل ارث و نقشه‌هاي توپوگرافي كمك گرفته شد. سپس از طريق روش هاي طبقه‌بندي نظارت‌شده حداكثر احتمال، شبكه عصبي و ماشين بردار پشتيبان لند فرم‌هاي اصلي استخراج گرديد. نتايج ارزيابي دقت طبقه‌بندي را نشان داد. روش حداكثر احتمال با صحت كلي 70/97 و ضريب كاپاي 96 درصد در سال‌هاي 1986 و 2018 نسبت به دو روش ديگر عملكرد بهتري در تهيه نقشه ژئومورفولوژي و روند تغييرات دارد. براي بررسي روند تغييرات لند فرم‌ها و آشكارسازي تغييرات در بازه زماني 32 ساله از نقشه طبقه‌بندي حداكثر احتمال و الگوريتم MNF در محيط نرم‌افزار ENVI استفاده گرديد. نتايج نهايي نشان داد، پهنه‌هاي پوشش گياهي و دشت آبرفتي به ترتيب با 159/479 و 26/572 درصد افزايش مساحت داشتند. در مقابل كوه‌ها و تپه‌ها، پادگانه‌هاي آبرفتي، مخروط افكنه ها و آبرفت‌هاي جديد با كاهش مساحت مواجه بودند. همچنين نتايج الگوريتم MNF نشان داد بيشترين شدت و سرعت تغييرات مربوط به دشت‌هاي آبرفتي، كوه‌ها، تپه‌ها و كمترين سرعت تغييرات مربوط به مخروط افكنه ها است.

Understanding geomorphologic landforms and studying its developments and changes in all regions, especially mountainous areas, in order to manage the environment in different fields is the important and essential needs of geomorphology. The internal and external dynamics of the Earth constantly cause changes in geomorphologic landforms. Therefore, recognizing these changes and developments for better management in various natural and human contexts is an essential issue. Mountainous areas due to their difficulty in traffic challenge field studies. Geomorphology also uses the latest technologies of the world, such as remote sensing, to accelerate the advancement of goals and needs, in line with other sciences. Landsat TM and OLI satellite imagery were used to identify the surface landforms of Sojasrood basin and to investigate the trend of changes during the years 1986 to 2018. To identify the landforms, field surveys were performed using Google Earth images and topographic maps.Then, by maximum Likeihood Supervised Classification Methods Neural network and Support vector machine have been extracted from the original and main landforms. The results of classification accuracy assessment showed that the maximum Likeihood method with total accuracy of 97.70 Kappa coefficients 96 Percent in 1986 and 2018 has a better performance in geomorphologic mapping and change process than the other two methods. In order to investigate landform variations and detect changes over a period of 32 years, the maximum Likelihood category and MNF algorithm were used in the ENVI software environment. The final results showed that the Vegetation zones and alluvial plain had 159/479 and 26/572% increase in area, respectively. Mountains and hills, alluvial terraces, alluvial cone and new alluvial were reduced by area. Also, the results of MNF algorithm show that the maximum intensity and speed of changes are related to alluvial plains, mountains and hills, and the least speed of changes related to the alluvial cone.