Monitoring and modeling changes in urban development pattern using satellite images and artificial neural network model (Case study: District one of Rafsanjan city)

Document Type : Research Article (Applied - Development)

Authors

1 Faculty member of Geography Department, Larestan Branch, Islamic Azad University, Larestan, Iran.

2 Master's student in remote sensing and geographic information system, Islamic Azad University of Larestan, Larestan, Iran.

3 Faculty member of the Department of Geography and Urban Planning, Shahid Bahonar University of Kerman, Kerman, Iran.

Abstract

Introduction: The excessive and incorrect use of existing natural resources requires increasing the evaluation of the components of the resources and examining the changes that have happened in the past. Therefore, detecting and predicting changes is necessary to take care of an ecosystem, especially in areas with rapid and often unplanned changes in developing countries.
Data and Method: The present research method is applied in terms of purpose and descriptive-analytical in terms of method. And using visual and drawing techniques, the images of TM Landsat 5 sensors in 1998, 1992, 1986, ETM+ Landsat 7 in 2010, 2004 and OLI Landsat 8 sensor in 2016 have been used. In addition, the digital maps of the region were used to check the geometric correction of the images and also as auxiliary data in the interpretation of the images and prediction of changes. After confirming the geometric and radiometric quality of the images according to the characteristics of the region, the existing land uses were classified by the method of integrated interpretation of the images of all six time periods into four classes of urban areas, pistachio orchards, barren lands and salt fields using the maximum probability method, And after validation, the average accuracy of Kappa was 83% and the average overall accuracy was 89% for the six land use maps produced.
Results: The land use maps produced from the classification and predicted from the models in 2016, 2010, 2004, 1998 were compared and their accuracy was evaluated using the Kappa index. The results showed that the average kappa accuracy for the neural network model was 76%.
Conclusion: It shows the coordination between the amount and location of actual and predicted changes, and as a result, the relatively good performance of the LCM program in predicting land use changes.

Keywords

Main Subjects

References

آرخی، صالح؛ نیازی، یعقوب. (1389). ارزیابی روش‌های مختلف سنجش‌ازدور برای پایش تغییرات کاربری اراضی (مطالعه موردی    حوزه دره شهر- استان ایلام). تحقیقات مرتع و بیابان ایران، 17(1).
احمدی ندوشن، مژگان؛ سفیانیان، علیرضا. (1388). آشکارسازی و پیش­بینی تغییرات پوشش اراضی شهر اراک. مجموعه مقالات همایش ژئوماتیک، سازمان نقشه­برداری، تهران.
اصلانی مقدم، ایمان. (1388). بررسی مدل برداری Cellular Automata به‌منظور پیش‌بینی تغییرات کاربری اراضی. کارشناسی ارشد، مهندسی عمران نقشه‌برداری، دانشکده فنی، دانشگاه تهران، 1388.
بالی، علی. (1391). استفاده از تکنیک سنجش‌ازدور در مدیریت پایدار تالاب (ارزیابی تغییرات کاربری اراضی حوضه آبخیز تالاب انزلی). همایش مدیریت و مهندسی تالاب‌ها، سازمان حفاظت محیط‌زیست، تهران 1391.
بدری، سید علی؛ خلیل رحمانی، مجید؛ سجاسی قیداری، حسن پور، امید. (1390). راهبردهای توسعه اکوتوریسم در شهرستان مریوان. مجله پژوهش‌های روستایی، 2(2).
بخشی، الهام؛ خالوکاکایی، رضا. (1389). کاربرد شبکه‌های عصبی مصنوعی در سنجش ‌از دور. مجموعه مقالات همایش ژئوماتیک، سازمان نقشه­برداری، تهران.
رفیعیان، امید. (1382). بررسی تغییرات گستره جنگل­های شمال کشور بین سالهای 73 تا 80 با استفاده از تصاویر سنجنده ETM+ (مطالعه موردی در جنگل­های بابل). کارشناسی ارشد، جنگلداری و مدیریت جنگل، دانشکده منابع طبیعی، دانشگاه تهران، 1382.
زرینی، نیما؛ ناصری، فرزین.، رجبی، محمدعلی؛ عبدالمحمدی، محمدرضا. (1391). مدل‌سازی تغییرات شهری با استفاده از خودکاره‌های سلولی با تلفیق شبکه‌های عصبی مصنوعی در محیط GIS (منطقه موردمطالعه: کرمان). مجموعه مقالات همایش ژئوماتیک، سازمان نقشه­برداری، تهران.
سرودی، منا؛ جوزی، سیدعلی. (1390). پیش‌بینی تغییرات پوشش گیاهی با استفاده از مدل مارکوف (مطالعه موردی: منطقه 4 شهرداری تهران). کاربر سنجش‌ازدور و GIS در علوم منابع طبیعی، 2(2).
سفیانیان، علیرضا؛ محمدی توفیق، الهه؛ خداکرمی، لقمان؛ امیری، فاضل. (1390). تهیه نقشه کاربری اراضی با استفاده از روش شبکه عصبی مصنوعی (مطالعه وردی: حوزه آبخیز کبودرآهنگ، رزن و خونجین-تلخاب در استان همدان). فصلنامه کاربرد سنجش ‌از دور و GIS در علوم منابع طبیعی، 2 (1).
شکاری،علی؛ اکبری، الهه. (1392). پردازش و استخراج اطلاعات از داده‌های ماهواره ای با استفاده از نرم افزار Envi. انتشارات ماهواره، جلد 1، 240 ص.
کاظمی، محمد؛ مهدوی، یداله؛ نوحه‌گر، احمد؛ رضایی، پیمان. (1390). برآورد تغییرات پوشش و کاربری اراضی با استفاده از تکنیک‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: حوضه آبخیز تنگ بستانک شیراز). فصلنامه کاربرد سنجش‌ازدور و GIS در علوم منابع طبیعی، 2 (1).
کامیاب، حمیدرضا؛ سلمان‌ماهینی، عبدالرسول؛ حسینی، سیدمحسن؛ غلامعلی فرد، مهدی. (1390). کاربرد شبکه‌های عصبی مصنوعی در مدل‌سازی توسع شهری (مطالعه موردی: شهر گرگان). پژوهش‌های جغرافیای انسانی، 76 (2).
A.I.R. Cabral., M.J. Vasconcelos., D. Oom, R. Sardinha. (2011). Spatial dynamics and quantification of deforestation in the central-plateau woodlands of Angola (1990–2009). Applied Geography, 31, 1185-1193p.
Campbell, J.B. (2002). Introduction to Remote Sensing, 3nd Ed. The Guilford Press, New  York. N.Y.622P.
Easteman, J.R. (2009). IDRISI Taiga Guide to GIS and Image Processing, Clark University. Worcester; MA 01610 – 1477 USA. 327p.
Ingram, J.C., Dawson, T.P., Whittaker, R.J. (2005). Mapping tropical forest structure in southeastern Madagascar using remote sensing and artificial neural networks. Remote Sensing of Environment, 94, 491-507p.
Rajesh, B., Yuji, M. (2006). Land Use Change Analysis Using Remote Sensing and GIS: A Case Study of Kathmandu Metropolitan. Nepal. Research Abstracts on Spatial Information Science CSIS DAYS 2006.
   WimGiesen. (2011). Management Guidelines for Implementation Biodiversiry. Management of    wetlands, 2011.
Journal of Urban Social Geography
Volume 9, Issue 2 - Serial Number 21
September 2022
Pages 171-194

Files

History

  • Receive Date: 31 March 2022
  • Revise Date: 27 May 2022
  • Accept Date: 28 July 2022

Share

How to cite

Statistics