Extraction and evaluation of land use changes by using of the accuracy of SVM algorithm with polynomial kernel and maximum likelihood method in Ojan Chay basin

Document Type : Research Article

Authors

• Mohammad Hossein Rezaei Moghaddam ¹
• Davod Mokhtari ²
• Nasrin Samandar ³

¹ Department of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran.

² Department of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran

³ Ph.D candidate of Geomorphology, University of Tabriz, Tabriz, Iran

10.22067/geoeh.2021.67231.0

Abstract

Land is one of the inputs of the production sector. It plays an important role not only in the agricultural economy and natural resources but also in the economy of the whole country and it is necessary to pay attention to the land and the changes that have taken place in it. The present study was conducted to investigate the trend of land use change in Ojan Chay catchment using remote sensing and GIS. Multi-timer images of 1987 TM, ETM + 2002, and ETM + 2015 were used in this study, and land use maps were prepared based on digital processing of maximum probability and backup vector machine. The type of land use changes in the region was obtained. According to the results, the SVM method is more efficient for estimating land use changes in the study area so that the extracted results have a higher percentage of accuracy and kappa coefficient. From the results of evaluations, it can be deduced that the trend of land use change in some land uses such as agricultural lands and pastures is high. Agricultural lands have fluctuated from 33% to 37% over a period of 28 years and rangelands have decreased from 51% to 49%, with these two uses having the most changes. Finally, due to the fact that most of the changes in rangeland change have been related to agricultural lands and vice versa, therefore, the need to focus land management and improvement activities on this type of land use increases.

Keywords

• Land use
• changes Detection
• remote sensing
• GIS
• Ojan chay

20.1001.1.23221682.1399.9.4.2.6

---

References

اخوان قالیباف، محمد؛ علی پور، حمید، قلیوف، الوست؛ کورنووا، ماریا؛ مختاری، محمدحسین؛ 1398. بررسی تغییرات مساحت پوشش زمین و کاربری حوضۀ آبخیز دریاچه ارومیه با استفاده از تصاویر MODIS. هیدروژئوموفولوژی. شماره 18. 97-113.

اندریانی، صغری؛ 1393. کاربرد  تکنیک‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی در بررسی تغییرات کاربری اراضی و تأثیر آن بر دبی رودخانه (مطالعه موردی: صوفی چای). استاد راهنما دکتر محمدحسینی رضایی مقدم. پایان‌نامه کارشناسی ارشد. دانشکده جغرافیا و برنامه‌ریزی. دانشگاه تبریز.

خدابنده لو، بهروز؛ خاوربان نهزک، حسن؛ قربانی، اردوان؛ 1398. آشکارسازی تغییرات کاربری/ پوشش اراضی با استفاده از طبقه‌بندی شی گرای تصاویر ماهواره‌ای (مطالعه موردی: حوزه آبریز قره سو استان اردبیل. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 3. 76-92.

ربیعی، حمیدرضا؛ علی‌محمدی، عباس؛ ضیائیان، پرویز؛ 1384. کشف و بازیابی تغییرات کاربری و پوشش اراضی شهر اصفهان به کمک سنجش‌ازدور و سیستم اطلاعات جغرافیایی. برنامه‌ریزی و آمایش فضا. 4 سال چهارم. شماره 43.  54-41.

رضایی مقدم، محمدحسین،  اندریانی، صغری، ولی زاده کامران، خلیل،  الماس پور، فرهاد؛ 1395. تعیین بهترین الگوریتم استخراج کاربری و پوشش اراضی و کشف تغییرات از تصاویر ماهواره‌ای لندست (مطالعۀ موردی، حوضۀ صوفی چای مراغه). فضای جغرافیایی. شماره 55. 85-65.

سپهری، علیرضا؛ جمالی، علی‌اکبر؛ حسن‌زاده، محمد؛ 1398. تحلیل و مقایسه تغییرات کاربری / پوشش اراضی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی اراضی تفت و مهریز). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 4. 90-105.

سلمانی، حسن؛ محسنی ساروی، محسن؛ روحانی، حامد؛ سلاجقه، علی؛1391. ارزیابی تغییر کاربری و تأثیر آن روی رژیم هیدرولوژیکی در حوضه آبخیز قزاقلی استان گلستان، پژوهشنامه مدیریت حوزه آبخیز. شماره 6.  43-60.

صالحی، ناهید؛ اختصاصی، محمدرضا؛ طالبی، علی؛ 1398. پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف CA-MARKOV (مطالعه موردی: حوزه آبخیز صفارود رامسر). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. شماره 1.  106-120.

طاهری، فروزان؛ رهنما، محمدرحیم؛ خوارزمی، امیدعلی؛ خاکپور، براتعلی؛  1397. بررسی و پیش‌بینی تغییرات کاربری اراضی با استفاده از داده‌های ماهواره‌ای چندزمانة شهر شاندیز طی سال‌های (1394-1379). جغرافیا و توسعه. شماره 50. 127-142.

فاطمی، سید باقر؛ رضایی، یوسف؛ 1389. مبانی سنجش‌ازدور. انتشارات آزاده.

نظری سامانی، علی‌اکبر؛ قربانی، مهدی؛ کوهبنانی، حمیدرضا؛ 1389.ارزیابی روند تغییرات کاربری اراضی حوزة آبخیز طالقان در دورة 1366 تا 1380. مرتع. شماره 3. 442-451.

 

Awotwi, A., 2009. Detection of land use and land cover change in Accra, Ghana, between 1985 and 2003 using Landsat imagery. M. Sc. Thesis, Division of Geoinformatics Royal Institute of Technology (KTH), Stockholm, Sweden.

Conway, T.M. and Lathrop R.G.Jr., 2005. Modeling the ecological consequences of landuse policies in an urbanizing region. Environmental Management 35: 278-291.

Dellepiane, S. G. Smith, P. C., 1999. Quality assessment of image classification algorithms for, land cover mapping: A review and a proposal for a cost based approach, International Journal of Remote Sensing 20: 1461-1468.

Foody, M. G. Mathur, A., 2004. A relative evaluation of multiclass image classification by support vector machines, IEEE Transactions on Geoscience and Remote Sensing 42: 1335 1343.

Gumeh, Z., 2012. Monitoring land use changes in Karaj and its association to landscape profiles, M. Sc. thesis, University of Shahid Chamran,Ahvaz.

Knorn,J.A.Rabe,C.V. Radeloff, T. Kuemmerle, J. Kozak and Hostert, P., 2009. Land cover mapping of largeareas usingchain classification of neighboring Landsat satellite images. Remote Sens, Environ 113: 957- 964.

Kolios, S. Stylios, C. D., 2013. Identification of land cover land use changes in the greater area of the Preveza peninsula in Greece using Landsat satellite data, Applied Geography 40: 150-160.

Koomen, E. Stillwell, J. Bakema, A. and Schol ten, H.J., 2007. Modeling Land-Use Change,Progress and Applications. Springer, Dordrecht, the Netherlands.

Lefsky, M. A. Cohen, W. B., 2003. Selection of remotely sensed data, In: Wulder, M. A. Franklin, S. E. editors, Remote sensing of forest environments: Concepts and case studies, Kluwer Academic Publishers, Boston: USA.

Liu, J.G. & P. M. Mason., 2009. Esential image processing and Gis for Remote Sensing, WileyBlackwell publications.

Lu, D. Mausel, P. Brondi'Zio, E. Moran, E., 2004. Change detection techniques, International Journal of Remote Sensing 25: 2365–2407.

Nitze, A. Schulthess, B. Asche, H., 2012. Comparison of machine Learning algorithms random forest, artificial neural network and support vector Machine to maximum Likelihood for supervised crop type classification, Proceedings of the 4th Gambia, Rio de Janeiro Brazil, 35-40.

Radke, R. J. Andra, S. O. Kofahi, Al. Roysam, B., 2005. Image change detection algorithms: a systematic survey, IEEE Transactions on Image Processing, 14: 294–287.

Shalkoff, R. J., 1997.Artificial Neural Networks, McGraw-Hill Companies Pub, New yourk.

Singh, A., 1989. Digital change detection techniques using remotely sensed data, Remote Sensing, Review article 10: 989–1003.

Srivastava, P. K. Han. D. Rico-Ramirez, M. A. Bray, M. Islam, T., 2012. Selection of classification techniques for land use land cover change investigation, Advances in Space Research 50: 1250–1265.

Stehman, S. V., 2004. A critical evaluation of the normalized error matrix in map accuracy assessment, Photogrammetric Engineering and Remote Sensing, 6. 743–751.

Theau, J., 2006. Detection of changes using remote sensing: an overview of principles and applications. Geo-Spatial and Range Sciences Conference. Idaho State Univ. Pocatello, ID,USA.

Torrens, P.M. and Osullivan, D., 2001. Cellular automata and urban simulation: where do we go from here? Environment and Planning B 28: 163-168.

Vapnik, V. N., 1999. The nature of statistical Learning theory, Second Edition, New York: Springer-Verlag.

Yu, L. Porwal, A. Holden, E. Dentith, M.C., 2012. Towards automatic lithological classification from remote sensing data using support vector machines, Computers & Geosciences 45: 229–239.