22. آشکارسازی تغییرات کاربری اراضی در بازه زمانی 2013-2024 با استفاد از پردازش تصاویر لندست 8 و تحلیل اثرات آن (مطالعه موردی: شهر میاندوآب)

اصغری, صیاد; پسنده, امیر حسین; خاوریان, حسن

22. آشکارسازی تغییرات کاربری اراضی در بازه زمانی 2013-2024 با استفاد از پردازش تصاویر لندست 8 و تحلیل اثرات آن (مطالعه موردی: شهر میاندوآب)

نوع مقاله : مقاله مستخرج از پایان نامه کارشناسی ارشد

نویسندگان

صیاد اصغری ¹ ^¶

امیر حسین پسنده ²

حسن خاوریان ³

¹ استاد، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، ایران

² دانشجو ی کارشناسی ارشد، رشته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه محقق اردبیلی، اردبیل، ایران

³ استادیار، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

زمینه و هدف: تحلیل تغییرات کاربری اراضی به عنوان یکی از شاخص‌های کلیدی تعامل انسان و محیط، برای مدیریت پایدار منابع و برنامه‌ریزی‌های منطقه‌ای امری ضروری است. این پژوهش با هدف تحلیل و آشکارسازی تغییرات مکانی-زمانی کاربری اراضی در شهرستان میاندوآب طی بازه زمانی ۲۰۱۳ تا ۲۰۲۴ با استفاده از الگوریتم بیشینه احتمال و داده‌های سنجش از دور انجام شده است.
روش شناسی: در این تحقیق، داده‌های مورد استفاده شامل تصاویر ماهواره‌ای لندست ۸ برای سال‌های ۲۰۱۳ و ۲۰۲۴ بوده است. این تصاویر پس از انجام پیش‌پردازش‌های رادیومتریک و هندسی، با استفاده از الگوریتم طبقه‌بندی نظارت‌شده بیشینه احتمال (MLC) به نقشه‌های کاربری اراضی تبدیل شدند. در این فرآیند، هشت کلاس کاربری شامل مناطق ساخته‌شده، خاک، جاده‌ها، مزارع، باغات، آب، نمک‌زارها و خاک‌های شور شناسایی و استخراج گردید.
یافته‌ها و نتیجه‌گیری: نتایج ارزیابی صحت طبقه‌بندی در سال‌های ۲۰۱۳ و ۲۰۲۴ نشان داد که دقت کلی به ترتیب ۹۴.۰۷% و ۹۴% بوده است که بیانگر عملکرد قابل‌قبول و دقت بالای الگوریتم طبقه‌بندی است. تحلیل تغییرات کاربری اراضی نشان می‌دهد که در این دوره، مزارع از ۳۱۸۳ هکتار در سال ۲۰۱۳ به ۴۹۶۳ هکتار در سال ۲۰۲۴ افزایش یافته و مناطق ساخته‌شده نیز به ۱۸۴۹ هکتار گسترش یافته‌اند. در مقابل، بیشترین کاهش مربوط به کلاس‌های باغات و خاک بوده است. این تغییرات ناشی از ترکیبی از عوامل انسانی (توسعه شهری و کشاورزی) و اقلیمی (خشکسالی و کاهش منابع آبی) می‌باشد. نتایج این پژوهش می‌تواند به‌عنوان ابزاری کاربردی برای برنامه‌ریزی کاربری اراضی و مدیریت پایدار منابع طبیعی در منطقه میاندوآب مورد استفاده قرار گیرد.

کلیدواژه‌ها

مدیریت پایدار سرزمین

سنجش‌از دور

الگوریتم بیشینه احتمال

توسعه مناطق شهری

میاندوآب

موضوعات

آمایش سرزمین

عنوان مقاله English

Detection of Land Use Changes in the 2013-2024 Period Using Landsat 8 Image Processing and Analyzing its Effects (Case Study: Miandoab City)

نویسندگان English

Sayyad Asghari Saraskanroud ¹

Amirhosein Pasandeh ²

Hasan Khavarian ³

¹ Professor , Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

² MSc Student، Remote Sensing and Geographic Information Systems (GIS) ، Department of Physical Geography، Faculty of Social Sciences، University of Mohaghegh Ardabili، Ardabil، Iran

³ Assistant Professor ، Department of Physical Geography ، Faculty of Social Sciences ، University of Mohaghegh Ardabili ، Ardabil ، Iran

چکیده English

Background and Objective: Land use and land cover (LULC) are among the most critical indicators of human-environment interaction, reflecting how societies exploit and transform the natural landscape. Understanding temporal changes in land use is essential for sustainable planning, environmental management, and agricultural policy development. This study aims to detect and analyze land use changes in Miandoab County over the period 2013 to 2024 using remote sensing techniques.
Methodology: Landsat 8 OLI/TIRS satellite images for the years 2013 and 2024 were used as the primary data source. After applying radiometric and geometric preprocessing, the images were classified using the Maximum Likelihood Classification (MLC) algorithm, which relies on the statistical distribution of spectral data and assigns each pixel to the most probable class. Eight land use categories were defined: built-up areas, soil, roads, farmlands, orchards, water bodies, salt flats, and saline soils. The classification accuracy was assessed using overall accuracy and Kappa coefficient.
Results and Findings: The classification results revealed significant land use changes over the 11-year period. Farmlands increased from 3,183 ha in 2013 to 4,963 ha in 2024, indicating a major shift toward agricultural expansion. Conversely, orchards and soil areas showed marked decreases, likely due to water scarcity and urban encroachment. Built-up areas expanded to 1,849 ha, reflecting urban development. The classification achieved high accuracy levels (94.07% in 2013 and 94% in 2024), validating the reliability of the MLC approach. The study demonstrates that remote sensing and supervised classification are effective tools for land use monitoring. The observed trends highlight the need for integrated land management strategies to balance development with environmental sustainability in Miandoab.

کلیدواژه‌ها English

Sustainable Land Management

Remote Sensing

Maximum Likelihood Classification

Urban Expansion

Miandoab

ارخی, صالح . (1404). 10.پیش بینی تغییرات کاربری اراضی با استفاده ازتصاویر چند زمانه و مدل CA-MARKOV(مطالعه موردی: شهرگرگان ). فصلنامه مطالعات توسعه پایدار شهری و منطقه ای, 6(3), 121-138 https://www.srds.ir/article_217034.html

اسدزاده, فرخ, اقدم, خ., کمال, رمضانپور, & مهابادی, ی. (1397). پیش بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف و سلول خودکار (مطالعه موردی: حوزه آبخیز روضه چای، ارومیه). نشریه حفاظت منابع آب‌وخاک (علمی-پژوهشی), 8(1), 105-116. https://www.sid.ir/paper/232248/fa

اصغری, س., صیاد, قلعه, پی, ا., & فر, ا. (1399). پیش‌بینی تغییرات کاربری اراضی در شهر قوچان برای سال 2030 با استفاده از روش CA مارکوف. فصلنامه علمی برنامه ریزی منطقه ای, 10(40), 177-194. https://www.sid.ir/paper/1004224/fa

زیاری، کرامت‌الله.، و ایرجی، حسین. (۱۴۰۱). بررسی گسترش کالبدی - فضایی کلانشهر شیراز با استفاده از سنجش از دور (Rs). جغرافیا و برنامه‌ریزی، ۲۶(۷۹)، ۱۷۱-۱۸۶ https://journals.tabrizu.ac.ir/article_13482.html

صابری فر, رستم . (1404). 5.واکاوی تاثیرات تغییر کاربری اراضی بر پوشش گیاهی و دمای سطحی شهر و واکنش مدیران شهری به این روند(نمونه موردی: شهر مشهد). فصلنامه مطالعات توسعه پایدار شهری و منطقه ای, 6(1), 68-83. https://www.srds.ir/article_213418.html

علی‌آباد, ع., زارع, محمد, & مالمیری, غ. (1400). پیش‌بینی تغییرات پوشش اراضی با استفاده از مدل تلفیقی زنجیرۀ مارکوف و سلول‌های خودکار (مطالعۀ موردی: حوزۀ شیرکوه). نشریه جغرافیا و توسعه, 19(62), 251-270. https://doi.org/10.22111/gdij.2021.6022

قدوسی, وحید , نظم فر, حسین و رحمتی, منصور . (1404). 13.تغییرات کاربری اراضی وشبیه سازی رشد وتوسعه شهری (مطالعه موردی شهر اردبیل). فصلنامه مطالعات توسعه پایدار شهری و منطقه ای, 6(3), 168-185. https://www.srds.ir/article_215756.html

محمودابادی, ساز, ح., ارشک, کنگرانی, م., حنانه, & غلامی. (1399). پیش بینی تغییرات کاربری اراضی در دشت سیرجان با استفاده از زنجیره مارکوف-سلولار. پژوهش های ژئومورفولوژی کمّی, 9(1), 102-116. https://www.geomorphologyjournal.ir/article_109537.html?lang=fa

Abdelkarim, A., Alogayell, H. M., Alkadi, I. I., & Youssef, I. (2022). Spatial–temporal prediction model for land cover of the rural–urban continuum axis between Ar-Riyadh and Al-Kharj cities in KSA in the year of 2030 using the integration of CA–Markov model, GIS-MCA, and AHP. Applied Geomatics, 14(3), 501-525. https://doi.org/10.1007/s12518-022-00448-w

Abijith, D., & Saravanan, S. (2022). Assessment of land use and land cover change detection and prediction using remote sensing and CA Markov in the northern coastal districts of Tamil Nadu, India. Environmental science and pollution research international, 29(57), 86055–86067. https://doi.org/10.1007/s11356-021-15782-6

Arekhi, S. (2025). Prediction of land use changes using multi-temporal images and CAMARKOV model (Case study: Gorgan City). Journal of Sustainable Urban & Regional Development Studies

(JSURDS), 6(3), 121-138. https://www.srds.ir/article_217034.html (in Persian)

Alemu, M., Warkineh, B., Lulekal, E., & Asfaw, Z. (2024). Analysis of land use land cover change dynamics in Habru District, Amhara Region, Ethiopia. Heliyon, 10(19), e38971.https://doi.org/10.1016/j.heliyon.2024.e38971

Aliabad, A., Zare, M., & Malmiri, Gh. (2021). Prediction of land cover changes using the integrated Markov Chain–Cellular Automata model (Case study: Shirkouh Basin). Geography and Development, 19(62), 251–270. https://doi.org/10.22111/gdij.2021.6022 (in Persian)

Asadzadeh, F., Aghdam, K., Kamal, R., & Mahabadi, Y. (2018). Prediction of land use changes using the Markov Chain and Cellular Automata model (Case study: Rouzeh Chay Watershed, Urmia). Journal of Water and Soil Resources Conservation (Scientific-Research), 8(1), 105–116. (in Persian)

Bashir, O., Bangroo, S. A., Guo, W., Meraj, G., T. Ayele, G., Naikoo, N. B., Shafai, S., Singh, P., Muslim, M., & Taddese, H. (2022). Simulating Spatiotemporal Changes in Land Use and Land Cover of the North-Western Himalayan Region Using Markov Chain Analysis. Land, 11(12), 2276.https://doi.org/10.3390/land11122276

Bikis, A., Engdaw, M., Pandey, D., & Pandey, B. K. (2025). The impact of urbanization on land use land cover change using geographic information system and remote sensing: a case of Mizan Aman City Southwest Ethiopia. Scientific Reports, 15(1), 12014.‏ https://doi.org/10.1038/s41598-025-94189-6

Carfagna, E., & Gallego, F. J. (2005). Using remote sensing for agricultural statistics. International statistical review, 73(3), 389-404. https://doi.org/10.1111/j.1751-5823.2005.tb00155.x

Carignan C. (2024). Ground-truth validation of the "earbuds method" for measuring acoustic nasalance. The Journal of the Acoustical Society of America, 156(2), 851–864. https://doi.org/10.1121/10.0028122

Cui, F., Wang, B., Zhang, Q., Tang, H., De Maeyer, P., Hamdi, R., & Dai, L. (2021). Climate change versus land-use change-What affects the ecosystem services more in the forest-steppe ecotone?. The Science of the total environment, 759, 143525. https://doi.org/10.1016/j.scitotenv.2020.143525

Deliry, S. I., Avdan, Z. Y., & Avdan, U. (2021). Extracting urban impervious surfaces from Sentinel-2 and Landsat-8 satellite data for urban planning and environmental management. Environmental science and pollution research international, 28(6), 6572–6586. https://doi.org/10.1007/s11356-020-11007-4

Ghodousi, V. , Nazmfar, H. and Rahmati, M. (2025). Land use changes and

simulation of urban growth and development (Case study: Ardabil city). Journal of Sustainable Urban

& Regional Development Studies (JSURDS), 6(3), 168-185. https://www.srds.ir/article_215756.html (in Persian)

Henriques, C. D., & Correia, E. (2023). Long-term urban land use data in Maputo, Mozambique: A comprehensive dataset covering five decades (1964-2001). Data in brief, 50, 109595. https://doi.org/10.1016/j.dib.2023.109595

Mahmoudabadi, S. H., Arashk, K. M., Hananeh, & Gholami, M. (2020). Forecasting land use changes in Sirjan Plain using the Markov–Cellular model. Quantitative Geomorphological Research, 9(1), 102–116. https://doi.org/10.22034/gmpj.2020.109537 (in Persian)

Ntakirutimana, A., & Vansarochana, C. (2021). Assessment and Prediction of Land Use/Land Cover Change in the National Capital of Burundi Using Multi-temporary Landsat Data and Cellular Automata-Markov Chain Model: 10.32526/ennrj/19/202100023. Environment and Natural Resources Journal, 19(5), 413-426. https://doi.org/10.32526/ennrj/19/202100023

Perumal, K., & Bhaskaran, R. (2010). Supervised classification performance of multispectral images. arXiv preprint arXiv:1002.4046.‏ https://doi.org/10.48550/arXiv.1002.4046

Phiri, D., & Morgenroth, J. (2017). Developments in Landsat Land Cover Classification Methods: A Review. Remote Sensing, 9(9), 967. https://doi.org/10.3390/rs9090967

Rwanga, S. S., & Ndambuki, J. M. (2017). Accuracy assessment of land use/land cover classification using remote sensing and GIS. International Journal of Geosciences, 8(04), 611.‏ https://doi.org/10.4236/ijg.2017.84033

Saberifar, R. (2025). Analyzing the effects of land use change on vegetation and surface temperature

of the city and the response of urban managers to this trend (Case study: Mashhad city). Journal of Sustainable Urban& Regional Development Studies (JSURDS), 6(1), 68-83. https://www.srds.ir/article_213418.html (in Persian)

Sabet, Sh., Shakiba, N., & Mohammadi, M. (2019). Detection and prediction of land use changes using the CA-Markov model (Case study: Tehran–Damavand axis). Geographical Information "Sepehr" Scientific-Research Quarterly, 28(111), 175–190. (in Persian)

Sánchez-Espinosa, A., & Schröder, C. (2019). Land use and land cover mapping in wetlands one step closer to the ground: Sentinel-2 versus landsat 8. Journal of environmental management, 247, 484–498. https://doi.org/10.1016/j.jenvman.2019.06.084

Sarasakanroud, A., Sayyad, Q., Ghalehpey, A., & Far, A. (2021). Prediction of land use changes in the city of Quchan by 2030 using the CA-Markov method. Regional Planning Scientific Quarterly, 10(40), 177–194. (in Persian)

Smiraglia, D., Ceccarelli, T., Bajocco, S., Salvati, L., & Perini, L. (2016). Linking trajectories of land change, land degradation processes and ecosystem services. Environmental research, 147, 590–600. https://doi.org/10.1016/j.envres.2015.11.030

Smits, P., Dellepiane, S., & Schowengerdt, R. (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(8), 1461-1486. https://doi.org/10.3390/ijerph19148785

Zhang, J., Hou, Y., Dong, Y., Wang, C., & Chen, W. (2022). Land use change simulation in rapid urbanizing regions: a case study of Wuhan urban areas. International Journal of Environmental Research and Public Health, 19(14), 8785. https://doi.org/10.3390/ijerph19148785

Zhang, Z., Hörmann, G., Huang, J., & Fohrer, N. (2023). A Random Forest-Based CA-Markov Model to Examine the Dynamics of Land Use/Cover Change Aided with Remote Sensing and GIS. Remote Sensing, 15(8), 2128. https://doi.org/10.3390/rs15082128

Ziyari, K., & Irji, H. (2022). An investigation of the spatial-physical expansion of Shiraz metropolis using remote sensing (RS). Geography and Planning, 26(79), 171–186. https://doi.org/10.22034/gp.2021.45009.2805 (in Persian)