Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης
Από RemoteSensing Wiki
Αντικείμενο εφαρμογής: Ανίχνευση μεταβολών αστικής γης
Πρωτότυπος τίτλος: “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series” Συγγραφείς: Saeid Amini, Mohsen Saber, Hamidreza Rabiei-Dastjerdi, Saeid Homayouni
Πηγή: Amini, S.; Saber, M.; Rabiei-Dastjerdi, H.; Homayouni, S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022, 14, 2654. https://doi.org/10.3390/rs14112654 [1]
Περίληψη: Η αποτελεσματική εφαρμογή της ταξινόμησης εικόνων τηλεπισκόπησης μπορεί να διευκολύνει την εξαγωγή χωροχρονικών πληροφοριών για την ταξινόμηση των χρήσεων και της κάλυψης γης, αφού μέσα από τη χαρτογράφησή τους μπορεί να ανοίξει ο δρόμος για τη διερεύνηση των επιπτώσεων διαφορετικών κοινωνικοοικονομικών και περιβαλλοντικών επιπτώσεων. Στην παρούσα μελέτη παρουσιάζεται ένας αλγόριθμος που χρησιμοποιεί δεδομένα χρονοσειράς Landsat για να αναλύσει αλλαγές χρήσεων και κάλυψης γης. Εφαρμόστηκε η ταξινόμηση Random Forest (RF) στην Google Earth Engine (GEE) χρησιμοποιώντας εικόνες από τους Landsat 5, 7 και 8 ως δεδομένα εισόδου για την περίοδο 1985-2019. Ερευνήθηκε, επίσης, η απόδοση του αλγόριθμου όξυνσης πανοραμικής λήψης και το αντίκτυπο διαφορετικών συνθέσεων εικόνας για την παραγωγή ενός χάρτη χρήσεων και κάλυψης γης υψηλής ποιότητας. Επιπλέον, χρησιμοποιήθηκε ο αλγόριθμος στατιστικής ευκρίνειας για την αύξηση της χωρικής ανάλυσης των πολυφασματικών καναλιών των Landsat 7-9, από 30m σε 15m και έγινε έλεγχος της επίδρασης διαφορετικών συνθέσεων εικόνων που βασίστηκε σε πολλούς φασματικούς δείκτες και άλλα βοηθητικά δεδομένα όπως το ψηφιακό υψομετρικό μοντέλο (DEM) και η θερμοκρασία επιφάνειας της γης (LST), βασισμένη σε αρκετούς φασματικούς δείκτες και άλλα βοηθητικά στοιχεία για την ακρίβεια της τελικής ταξινόμησης. Ακόμη, έγινε σύγκριση των αποτελεσμάτων ταξινόμησης της προτεινόμενης μεθόδου με το χάρτη Copernicus Global Land Cover Layers (CGLCL) για την επαλήθευση του αλγορίθμου. Τα αποτελέσματα έδειξαν ότι χρησιμοποιώντας δορυφορικές εικόνες Landsat παγχρωματικής όξυνσης σε ακτινοβολία στην κορυφή της ατμόσφαιρας, μπορούν να παραχθούν πιο ακριβή αποτελέσματα για την ταξινόμηση αντί να χρησιμοποιηθεί μόνο η επιφανειακή ανάκλαση (SR). Τα LST και DEM είναι βασικά χαρακτηριστικά στην ταξινόμηση και μέσα από τη χρήση τους μπορεί να αυξηθεί η τελική ακρίβεια. Ο προτεινόμενος αλγόριθμος παρήγαγε 94,438% συνολική ακρίβεια (ΟΑ), 0,93 για την Kappa και 0,93 για το F1-score, συγκριτικά με το χάρτη CGLCL, που παρήγαγε 84,4% για την ΟΑ, 0,79 για την Kappa και 0,50 για το F1-score για το 2019. Η συνολική συμφωνία μεταξύ των αποτελεσμάτων ταξινόμησης και των δεδομένων δοκιμής υπερβαίνει το 90% (93,37-97,6%) για τη ΟΑ, το 0,9 (0,91-0,96) για την Kappa και το 0,85 (0,86-0,95) για το F1-score, αποτελέσματα που γενικά θεωρούνται αποδεκτά.
Λέξεις κλειδιά: Χρονοσειρές εικόνων Landsat, ανίχνευση αλλαγής χρήσεων και κάλυψης γης, ταξινόμηση εικόνας βάσει εικονοστοιχείων, Random Forest
Εισαγωγή: Από τη δεκαετία του 1950, ο παγκόσμιος πληθυσμός έχει αυξηθεί από 2,6 δισεκατομμύρια σε 7,7 δισεκατομμύρια και αναμένεται να φτάσει περίπου τα 9,7 δισεκατομμύρια έως το 2050. Η αύξηση του πληθυσμού προκαλεί αυξημένη ζήτηση για ενέργεια, τρόφιμα, στέγαση, νερό, μεταφορές και υγειονομική περίθαλψη. Τις τελευταίες δεκαετίες, έχει εμφανιστεί ένας αριθμός αισθητήρων, όπως o Moderate Resolution Imaging Spectroradiometer (MODIS), o Satellite Pour l'Observation de la Terre (SPOT), ο Landsat και ο Sentinel-2. Έχουν δοκιμαστεί διαφορετικές μέθοδοι εξαγωγής πληροφοριών από δεδομένα τηλεπισκόπησης και μεταξύ αυτών, ο Landsat είναι ο μόνος αισθητήρας που παρέχει δεδομένα για περισσότερες από τέσσερις δεκαετίες. Η χωρική ανάλυση αυτού του συνόλου δεδομένων παρέχει τη δυνατότητα μελέτης της δυναμικής της επιφάνειας της Γης, γεγονός που αποτελεί αναγκαιότητα για την ανάπτυξη πολιτικών, τη διαχείριση καταστάσεων και τις επιστημονικές έρευνες. Το σύνολο δεδομένων Landsat παρέχει σε μεγάλο βαθμό υψηλά χωρικά (30m και 15m στα κανάλια του παγχρωματικού στους Landsat 7 και 8) και προσωρινά δεδομένα (8 ημέρες, αν συνδυαστούν δεδομένα και από τους δύο δορυφόρους και 16 ημέρες για ένα μόνο δορυφόρο). Άλλοι αισθητήρες όπως ο Sentinel-2 δεν αποτελούν συνεχή πηγή δεδομένων για 4 δεκαετίες ή αντιμετωπίζουν άλλα προβλήματα όπως χαμηλότερη χωρική, φασματική ή χρονική ανάλυση.
Υπάρχουν πολλοί αλγόριθμοι ταξινόμησης για τη χαρτογράφηση των χρήσεων και καλύψεων γης, συμπεριλαμβανομένων των Παραλληλεπίπεδων, της Ελάχιστης Απόστασης (MD), της Μέγιστης Πιθανότητας (ML), της Ασαφούς Ταξινόμησης (FC), του Τεχνητού Νευρωνικού Δικτύου (ANN), των Μηχανών Διανυσματικής Υποστήριξης (SVM), του Τυχαίου Δάσους (RF), της Βαθιάς Μάθησης (DL) και της Βαθιάς Μεταφοράς Μάθησης (DTL). Μεταξύ αυτών των μεθόδων ταξινομήσεων, η RF, λόγω της καλύτερης απόδοσης και της υψηλότερης ακρίβειάς της, του σχετικά χαμηλού υπολογιστικού κόστους της και των λίγων παραμέτρων εισαγωγής, τείνει να γίνει μία από τις καλύτερες μεθόδους ταξινόμησης στη χαρτογράφηση των χρήσεων και κάλυψης γης.
Περιοχή Μελέτης: Το Ισφαχάν είναι η πρωτεύουσα της επαρχίας Ισφαχάν του Ιράν, εκτείνεται σε υψόμετρο περίπου 1600m, σχεδόν 340km νοτιότερα της πρωτεύουσας της Τεχεράνης. Είναι μία από τις μεγαλύτερες πόλεις του Ιράν και έχει βιώσει αξιοσημείωτη μεταβολή των χρήσεων και καλύψεων γης τις τελευταίες δεκαετίες, ιδιαίτερα μέσα από την αστική ανάπτυξη. Η μητροπολιτική περιοχή του Ισφαχάν καλύπτει συνολική έκταση 551km2 και έχει σχεδόν 2 εκατομμύρια κατοίκους. Η ολοκληρωμένη οικονομική, ιστορική και γεωγραφική ισχύς του, το κατατάσσει σαν πόλη μεταξύ των τριών κορυφαίων πόλεων του Ιράν. Στην παρούσα μελέτη συμπεριλαμβάνονται, εκτός της μητροπολιτικής περιοχής του Ισφαχάν, πολλές μικρότερες πόλεις γύρω του που συνολικά είναι 42 και φτάνουν σε πληθυσμό περίπου τα 3.400.000 ανθρώπους.
Μεθοδολογία: Στη μελέτη χρησιμοποιήθηκε χάρτης CGLCL και βοηθητικά δεδομένα για να εξαχθούν οι χρήσεις γης και καλύψεις γης από τα Landsat δεδομένα, που συλλέχθηκαν από το 1985 έως το 2019. Για να προκύψει η ταξινόμηση, συνδυάστηκαν, επίσης, το ψηφιακό υψομετρικό μοντέλο (DEM), η κλίση και ο προσανατολισμός που προέκυψαν από το ψηφιακό μοντέλο εδάφους (DTM) και τα πολυφασματικά κανάλια. Εισήχθησαν, ακόμη, δεδομένα του Shuttle Radar Topographic Mission (SRTM) για να ελεγχθεί το υψόμετρο ως δεδομένο εισόδου στη διαδικασία ταξινόμησης.
Στην περιοχή έρευνας κυριάρχησαν οι τύποι χρήσεων/κάλυψης γης, οι οποίοι περιγράφονται στον Πίνακα 1. Η συλλογή δειγμάτων εκπαίδευσης και επικύρωσης βασίστηκε στην οπτική ερμηνεία εικόνων υψηλής ανάλυσης από το Google Earth και το χάρτη CGLCL. Για μεγαλύτερη ακρίβεια, τα δεδομένα εκπαίδευσης και επικύρωσης επιλέχθηκαν χωριστά.
Το πρώτο, δεύτερο και τρίτο σύνθετο του θεματικού χάρτη Landsat 5 περιορίστηκαν μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 1985, 1993, και 2008, αντίστοιχα. Ο ενισχυμένος θεματικός χάρτης του Landsat 7 επιλέχθηκε μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 2000. Οι εικόνες του 2013 και του 2019 αποκτήθηκαν χρησιμοποιώντας τον αισθητήρα Operation Landsat Imager (L8-OLI) του Landsat 8· ακόμη, υπολογίστηκε η μάσκα νέφους σε ετήσια βάση, με τον περιορισμό της απόκτησης να τίθεται μεταξύ της 1ης Ιουλίου και 31ης Αυγούστου 2013 και 2019 αντίστοιχα και της διαθεσιμότητας να επηρεάζεται από τη χαμηλή βλάστηση και τη νεφοκάλυψη.
Στο στάδιο της προεπεξεργασίας, εισήχθησαν σύνολα και δείγματα δεδομένων χρησιμοποιώντας το χάρτη CGLCL και οπτική ερμηνεία. Εφαρμόστηκε η μέθοδος παγχρωματικής όξυνσης για τα δεδομένα των Landsat 7 και 8. Με βάση τα δεδομένα των Landsat, υπολογίστηκαν δείκτες, όπως οι NDVI, DEM και LST και η ταξινόμηση RF πραγματοποιήθηκε σε δύο στάδια, βασισμένη σε δεδομένα εκπαίδευσης. Τα δύο βήματα εκπαίδευσης του ταξινομητή χρησιμοποίησαν δεδομένα εκπαίδευσης και εκτέλεσαν ταξινόμηση σε ολόκληρες εικόνες. Τέλος, εφαρμόστηκαν μέθοδοι επικύρωσης για την αξιολόγηση της απόδοσης της ταξινόμησης και την ακρίβεια του χάρτη χρήσεων/καλύψεων γης. Η εκτέλεση όλων αυτών των βημάτων έγινε στο GEE.
Στην παρούσα μελέτη χρησιμοποιήθηκε η παγχρωματική όξυνση της εικόνας η οποία συνδυάζει τις φασματικές πληροφορίες των πολυφασματικών καναλιών χαμηλότερης ανάλυσης με τη σχετικά υψηλότερη χωρική ανάλυση ενός παγχρωματικού καναλιού στην ίδια περιοχή. Αν και είναι αναπόφευκτο να μη χαθούν φασματικές πληροφορίες από τις αρχικές πολυφασματικές πληροφορίες κατά τη διάρκεια της όξυνσης, ορισμένοι αλγόριθμοι προσπαθούν να μεγιστοποιήσουν τη φασματική διατήρηση. Οι περισσότερες μέθοδοι όξυνσης εκμεταλλεύονται την υψηλή συχνότητα πληροφοριών της παγχρωματικής εικόνας και χρησιμοποιούν διαφορετικά μοντέλα για να εισάγουν αυτά τα εξαγόμενα δεδομένα σε πολυφασματικά κανάλια επαναδειγματοληψίας. Η μέθοδος «ένταση απόχρωση κορεσμός (IHS)» είναι μία από τις δημοφιλείς μεθόδους για παγχρωματική όξυνση. Αυτή η μέθοδος λειτουργεί με μετατροπή του οπτικού φάσματος μεταξύ RGB και IHS, οδηγώντας σε υψηλότερη χωρική ανάλυση των πολυφασματικών καναλιών.
Στη μελέτη, επίσης, χρησιμοποιήθηκαν δύο τύποι φασματικών-χρονικών δεδομένων. Πρόκειται για πρωτογενή δεδομένα από τα κανάλια των Landsat και εξαγόμενα δεδομένα από πρωτογενή και βοηθητικά δεδομένα, όπως το DEM, η κλίση και ο προσανατολισμός. Η Εικόνα 1 παρουσιάζει τη ροή εργασιών για τη δημιουργία χάρτη χρήσεων/καλύψεων γης.
Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ο ορισμός του βαθμού ομοιότητας μεταξύ των παραγόμενων χαρτών και των χαρτών αναφοράς, με διαφορετικές προσεγγίσεις και δείκτες για την αξιολόγηση της ακρίβειας να έχουν εισαχθεί και αναπτυχθεί τα τελευταία χρόνια, με τη συνολική ακρίβεια (OA) και το συντελεστή Kappa να είναι δύο συντελεστές που χρησιμοποιούνται συνήθως για τη μέτρηση της ακρίβειας. Η ΟΑ δείχνει την πιθανότητα σωστής ταξινόμησης μίας τυχαία επιλεγμένης τοποθεσίας στο χάρτη, ενώ ο συντελεστής Kappa κυμαίνεται μεταξύ −1 και 1. Η τιμή του 0 υποδηλώνει ότι η ταξινόμηση είναι παρόμοια με μία τυχαία ταξινόμηση. Η αρνητική τιμή για τον Kappa υποδεικνύει ότι η ταξινόμηση είναι σημαντικά χειρότερη από την τυχαία ταξινόμηση. Μία τιμή κοντά στο 1 δείχνει ότι η ταξινόμηση είναι σωστή και για την παρούσα εργασία χρησιμοποιήθηκαν το F1-Score, το ποσοστό εσφαλμένης ταξινόμησης, η ακρίβεια, η ανάκληση και η ειδικότητα για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου.
Αποτελέσματα: Η παρούσα μελέτη είχε ως στόχο να σχεδιάσει μία μέθοδο για τη διεξαγωγή μίας αξιόπιστης ταξινόμησης των χρήσεων/καλύψεων γης. Η μεθοδολογία περιελάμβανε τέσσερις κύριες ενότητες. Πρώτα, συλλέχθηκαν οι εικόνες Landsat και έπειτα τα μεμονωμένα δεδομένα εκπαίδευσης και δοκιμών. Στη συνέχεια, παρουσιάστηκαν τα τυπικά ή ευκρινή φασματικά κανάλια, μαζί με πρόσθετες μεταβλητές για ταξινόμηση. Ακολούθως, εφαρμόστηκε η RF ταξινόμηση στις εικόνες και πραγματοποιήθηκε αξιολόγηση της ακρίβειας με χρησιμοποίηση δεδομένων δοκιμής για την αξιολόγηση της απόδοσης των αποτελεσμάτων του χάρτη χρήσεων/καλύψεων γης και προσδιορίστηκε η σημασία της κάθε μεταβλητής εισόδου που χρησιμοποιούν οι δείκτες βλάστησης στην περιοχή του Ισφαχάν. Επιπλέον, επιχειρήθηκαν δύο προσεγγίσεις σύγκρισης χάρτη με χάρτη και ανεξάρτητες αξιολογήσεις ακρίβειας για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας και για το λόγο αυτό, χρειάστηκαν δεδομένα του CGLCL και δεδομένα ανακλαστικότητας του Landsat.
Η παγχρωματική όξυνση ήταν ένα από τα βήματα που αφορούσε τα δεδομένα των Landsat 7 και Landsat 8 και εφαρμόστηκε μόνο σε δεδομένα που αποκτήθηκαν από αισθητήρες που είναι τοποθετημένοι στους Landsat 7 και 8 επειδή το κανάλι του παγχρωματικού δεν είναι διαθέσιμο στους αισθητήρες που χρησιμοποιούνται στον Landsat 5 και στην προηγούμενη γενιά οργάνων του Landsat (MSS). Το παγχρωματικό χρησιμοποιήθηκε για αύξηση της χωρικής ακρίβειας των καναλιών RGB και στην Εικόνα 2 φαίνεται ένα δείγμα που συγκρίνει τα αποτελέσματα της ευκρίνειας εικόνων 15m με την τυπική έκδοση των καναλιών RGB 30m το 2019. Σύμφωνα με την Εικόνα 2, οι δρόμοι και τα κτήρια είναι πιο ευδιάκριτα στην παρατήρηση και συνεισφέρουν ώστε να εξάγει η ταξινόμηση τις τάξεις πιο αποτελεσματικά.
Διερευνήθηκε, ακόμη, η σχετική σημασία των καναλιών Landsat, αρκετών γνωστών δεικτών βλάστησης και κτηρίων και άλλων βοηθητικών δεδομένων για χαρτογράφηση των χρήσεων/καλύψεων γης. Για το σκοπό αυτό, επιλέχθηκε η ταξινόμηση RF που βασίζεται στην πλατφόρμα του GEE. Για τη διεξαγωγή της μελέτης, επιλέχθηκε η παράμετρος των 50 δέντρων και ως προεπιλεγμένη τιμή ορίστηκε η τετραγωνική ρίζα του συνολικού αριθμού των χαρακτηριστικών. Προέκυψε ότι η απόδοση της ταξινόμησης παρέμεινε σχεδόν η ίδια, είτε για 50 είτε για 100 δέντρα απόφασης. Χρησιμοποιώντας την παραγόμενη RF, η ταξινόμηση πραγματοποιήθηκε σε έξι περιόδους. Η Εικόνα 3 παρουσιάζει τα αποτελέσματα του χάρτη χρήσεων και καλύψεων γης για έξι εξεταζόμενες ημερομηνίες από το 1985 έως το 2019.
Μετά την εκτέλεση της ταξινόμησης RF, υπολογίστηκε ο δείκτης βλάστησης για κάθε χαρακτηριστικό εισόδου. Επιλέχθηκαν 32 χαρακτηριστικά δεδομένων χρονοσειράς Landsat 5 για τα 1985, 1993 και 2008, 33 χαρακτηριστικά για δεδομένα χρονοσειρών Landsat 7 για το 2000 και 34 χαρακτηριστικά για δεδομένα χρονοσειράς Landsat 8 για την περίοδο 2013-2019. Όσον αφορά τα δεδομένα χρονοσειρών Landsat 5, τα DEM, LST, η κλίση και το B6 ήταν οι τέσσερις πιο σημαντικές μεταβλητές. Από τα δεδομένα χρονοσειρών του Landsat 7, τα DEM, LST, NBR2 και B1 και από τα δεδομένα χρονοσειρών του Landsat 8, τα DEM, B11, LST και B10 παρουσίασαν κρίσιμες μεταβολές και τα RVI, NDVI και VrNIR_BI συνείσφεραν μόνο στην ταξινόμηση των συνόλων δεδομένων. Τα γενικά αποτελέσματα έδειξαν επίσης ότι τα DEM, LST, B10, B11 και NBR2 ήταν οι πιο σημαντικές μεταβλητές, ενώ τα RVI, VrNIR_BI, NDVI και MSAVI είχαν τη μικρότερη επιρροή στις διαδικασίες ταξινόμησης.
Γενικά, τα σύνολα των ακριβειών παραγωγού, χρήστη, ΟΑ, των συντελεστών Kappa, του F1-score, του ποσοστού εσφαλμένης ταξινόμησης, της ανάκλησης και της ειδικότητας παρήγαγαν υψηλές ακρίβειες (το OA κυμάνθηκε από 94,176% μέχρι 97,554% και το Kappa από 0,908 μέχρι 0,962). Κατά μέσο όρο, η αστική γη, η γυμνή γη, οι θαμνώδες εκτάσεις, και τα δάση που δεν ταιριάζουν με την περιοχή ταξινομήθηκαν με την υψηλότερη ακρίβεια, ακολουθούμενα από το νερό, την αστική γη και τις καλλιεργημένες εκτάσεις. Οι μικρότερες ακρίβειες παρατηρήθηκαν στα μικτά δάση και στους υγροτόπους. Αυτές οι χαμηλές ακρίβειες προκαλούνται από την πολύ χαμηλή ακρίβεια χρήστη και ακρίβεια παραγωγού των περιόδων 2000 και 2008.
Για να διερευνηθεί η απόδοση της προτεινόμενης ταξινόμησης, συγκρίθηκαν τα αποτελέσματά της με τον παγκόσμιο χάρτη CGLCL (Εικόνα 4). Η οπτική ερμηνεία απέδειξε ότι η κατηγορία των μόνιμων υδάτινων σωμάτων ταξινομήθηκε συχνά λάθος με άλλες κατηγορίες (π.χ., γυμνή/αραιή βλάστηση και καλλιεργούμενη), και η αστική/οικιστική κατηγορία δεν μπορούσε να εξαχθεί με επιτυχία, ειδικά κατά μήκος των ορίων της. Επιπλέον, έγινε στατιστική σύγκριση μεταξύ της προτεινόμενης ταξινόμησης και του παγκόσμιου χάρτη CGLCL για οπτική σύγκριση και σύμφωνα με την OA και την Kappa, με την προτεινόμενη ταξινόμηση να έχει καλύτερη απόδοση από τον χάρτη CGLCL με τιμές 10,01% και 0,14 αντίστοιχα.
Οι αλλαγές της κάλυψης γης για τις περιόδους 1985-1993, 1993-2000, 2000-2008, 2008-2013 και 2013-2019 δείχνουν ότι 97.725,78, 105.689,43, 110.185,38, 111.393 και 103.546,98 εκτάρια της περιοχής μελέτης υπέστησαν αλλαγές. Οι αλλαγμένες περιοχές ισοδυναμούν αντίστοιχα με το 15,57%, το 16,84%, το 17,59%, το 17,75% και το 16,5% της περιοχής μελέτης για τις αντίστοιχες περιόδους. Προκύπτει επίσης ότι από το 1985 έως το 2019, η αστική περιοχή, οι υγρότοποι, το μικτό δάσος, το νερό και οι θάμνοι αυξήθηκαν κατά 167,97%, 93,23%, 151,68%, 13,43% και 333,19%, αντίστοιχα. Αντίθετα, το γυμνό και καλλιεργούμενο έδαφος μειώθηκαν κατά 5,22% και 23,29% αντίστοιχα, με τη γυμνή γη και τις καλλιεργούμενες εκτάσεις να μετατρέπονται κυρίως σε αστική γη. Η εύρεση των αλλαγών στους χάρτες και των δεικτών/καναλιών παραγώγων του GEE, επέτρεψαν την απεικόνιση της ετήσιας κάλυψης γης από το 1985 μέχρι το 2019. Από το 1985, τεράστια έκταση κυρίως γυμνής και καλλιεργούμενης γης άλλαξε και εκεί παρατηρήθηκε αστική επέκταση σε όλο το τοπίο της περιοχής του Ισφαχάν (Εικόνα 5). Τα αποτελέσματα της μελέτης δείχνουν εκτεταμένη αστική ανάπτυξη μεταξύ των ετών 1985 με 2019, με αύξηση 167,97% (περίπου 4,94% ετησίως).
Οι αλλαγές των χρήσεων/καλύψεων γης στην περιοχή μελέτης, ιδίως όταν πρόκειται για αστική ανάπτυξη και μεταβολή της βλάστησης, επηρεάζονται οικονομικά με την κερδοσκοπία και τη μεταβολή στην αξία των τιμών της γης, πολιτικά με στεγαστικές και φορολογικές μεταβολές, δημογραφικά από την αύξηση του πληθυσμού, περιβαλλοντικά με την αναγκαστική μετανάστευση στα προάστεια, χωροταξικά με τις αλλαγές στα συστήματα αστικών μεταφορών και κλιματολογικά με τις σοβαρές κλιματικές αλλαγές που προκαλούν σοβαρά φαινόμενα, όπως η ξηρασία.
Η παρούσα μελέτη έδειξε ότι κατά μέσο όρο 918,67 εκτάρια ετησίως, μεταξύ των ετών 1985 και 2019 έχουν μετατραπεί σε αστική χρήση γης στην περιοχή μελέτης. Έδειξε, επίσης, ότι και άλλοι παράγοντες, όπως οικονομικοί λόγοι, έχουν επιταχύνει την αστική ανάπτυξη, ασκώντας ασφυκτικές πιέσεις στην ανθρώπινη ευημερία και στο φυσικό περιβάλλον. Η αστικοποίηση αυξάνει επίσης το ρυθμό αγροτικής-αστικής μετανάστευσης, η οποία προκαλεί περιβαλλοντική υποβάθμιση, ιδίως σε μητροπολιτικές περιοχές όπως το Ισφαχάν. Τα αποτελέσματα έδειξαν, ακόμη, ότι οι κατηγορίες βλάστησης αντιμετώπισαν διακυμάνσεις κατά τη διάρκεια της μελετούμενης χρονικής περιόδου, με τη γενική τάση να δείχνει μείωση. Το συγκεκριμένο φαινόμενο οφείλεται σε διαφορετικές επιπτώσεις, όπως η κλιματική αλλαγή, η οποία προκάλεσε σοβαρές συνθήκες ξηρασίας. Για να μειωθούν οι μακροπρόθεσμες συνέπειες της μεταβολής των χρήσεων/καλύψεων γης, είναι απαραίτητο να υφίσταται ένας ακριβής χάρτης χρήσεων/καλύψεων γης και να αναπτυχθούν οι απαραίτητες πολιτικές.
Συμπεράσματα: Στην παρούσα μελέτη παρουσιάστηκε μία μέθοδος για τη χαρτογράφηση των χρήσεων/καλύψεων γης υψηλής ακρίβειας, σε κλίμακα 30m για τον Landsat 5 και σε κλίμακα 15m για τους Landsat 7 και 8 με βάση το λογισμικό GEE. Για το σκοπό αυτό χρησιμοποιήθηκε ο αλγόριθμος της RF, ο οποίος είναι ένας από τους πιο ισχυρούς ταξινομητές. Πραγματοποιήθηκε έλεγχος με διαφορετικό αριθμό δέντρων απόφασης και εισήχθησαν διαφορετικοί παράμετροι, με τα αποτελέσματα να δείχνουν ότι η τιμή 50 είναι η πιο κατάλληλη. Οι μέθοδοι των OA, Kappa και F1-score έδωσαν αποτελέσματα 0,422%, 0,006 και 0,015 αντίστοιχα, καλύτερες από την προσέγγιση που χρησιμοποιήθηκε για τα δεδομένα Landsat του 2019. Τα κανάλια 7, 8 και 9 για τους Landsat 5, 7, και 8 μαζί με 25 δείκτες και τα βοηθητικά δεδομένα για όλες τις συλλογές Landsat, συνέβαλαν στην ανάλυση των χρήσεων/καλύψεων γης. Επιπλέον, χρησιμοποιήθηκε το DEM και εξήχθησαν δεδομένα κλίσης και όψης.
Σύμφωνα με τα αποτελέσματα, τα LST και DEM είναι απαραίτητα για την ταξινόμηση των εικόνων Landsat. Παρόλο που αυτά τα χαρακτηριστικά είναι σημαντικά για τη χαρτογράφηση των χρήσεων/καλύψεων γης, εντούτοις δεν χρησιμοποιούνται, ή μόνο ένα από αυτά έχει χρησιμοποιηθεί σε παρόμοιες έρευνες. Χρησιμοποιήθηκε, ακόμη, χάρτης χρήσεων/καλύψεων και εικόνες Google Earth υψηλής ανάλυσης για την παροχή αξιόπιστων δεδομένων εκπαίδευσης. Οι μεταβλητές OA, Kappa και F1-score πήραν τιμές 93,64-97,55%, 0,91-0,96 και 0,86-0,95, αντίστοιχα. Οι ανεξάρτητες και από χάρτη σε χάρτη συγκρίσεις αξιολόγησης επαλήθευσαν τα τελικά αποτελέσματα ταξινόμησης, τα οποία έδειξαν ξεκάθαρα ότι η προτεινόμενη μέθοδος που εφαρμόστηκε υπερέχει του υπάρχοντος χάρτη χρήσεων/καλύψεων γης. Οι μέθοδοι των OA, Kappa και F1-score ήταν 10%, 0,13 και 0,5 καλύτερες από τον χάρτη χρήσεων/καλύψεων γης του 2019.
