Volume 23, Issue 68 (3-2023)
jgs 2023, 23(68): 1-15 |
Back to browse issues page
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mikaeli Hajikandi K, Sobhani B, Varamesh S. (2023). assessment of land-cover change in South part of Lake Urmia using satellite imagery. jgs. 23(68), : 1 doi:10.52547/jgs.23.68.1
URL: http://jgs.khu.ac.ir/article-1-3298-en.html
URL: http://jgs.khu.ac.ir/article-1-3298-en.html
1- University of Mohaghegh Ardabili, kmikaili@yahoo.com
2- University of Mohaghegh Ardabili, Sobhani@uma.ac.ir ,Sobhani@uma.ac.ir
3- University of Mohaghegh Ardabili, varameshs@yahoo.com
2- University of Mohaghegh Ardabili, Sobhani@uma.ac.ir ,
3- University of Mohaghegh Ardabili, varameshs@yahoo.com
Abstract: (10312 Views)
Study of land use/cover changes is widely used in environmental planning. During the last decade, growing increase of aridity in Uromiyah Basin has become a major regional and even national problem. The purpose of this study is to reveal the changes in land use/cover in the southern and southeastern parts of the basin with using 2 images for month of July of 2000 to 2017. Landsat TM and OLI data and NDVI were used for classification this study. Land use/cover maps in the two studied years were provided using Maximum Likelihood Classifier (MLC) algorithm applied on two series data including spectral bands (data series 1) also spectral bands and filter texture layer (data series 2) and six categories of land use/cover containing Irrigated Farmland, Dry Farmland, garden, rangeland, bare land and water bodies were distinguished.. The accuracy of the produced maps were assessed and compared with the training samples derived from Google Earth images and Kappa Index, overral accuracy, producer accuracy and user accuracy. The results demonstrated that the maps produced using the data series 1 have higher accuracy and the overall accuracy of the maps of 2000 and 2017 using the data series 2 are 98.93 and 98.29 and these values for data series 1 were gained 99.28 and 91.45, respectively. In additional, texture filtering decreased amount of mixing between classes of rangeland, Irrigated Farmland and garden. The results of change detection showed considerable increase in the area of Irrigated Farmland (13.44) and garden 1.85 (27.24) an also at the studied period, the area of the water bodies and rangeland were decreased to 1.58 and 22.94%.
Article number: 1
Keywords: Maximum Likelihood Classification, texture filtering, density slicing, Landsat Sensor, NDVI
References
1. رضايي مقدم، محمدحسين؛ رضايي بنفشه درق، مجيد؛ فيضي زاده، بختيار؛ نظم فر، حسين. (1389). طبقه¬بندي پوشش اراضي / کاربري اراضي بر اساس تکنيک شي گرا و تصاوير ماهواره¬اي، مطالعه موردي: استان آذربايجان غربي، پژوهش¬هاي آبخيزداري (پژوهش و سازندگي)، 23(2)، پياپي 87: 35-20.
2. ریاحی، وحید؛ ضیائیان فیروزآبادی، پرویز؛ عزیزپور، فرهاد؛ دارویی، پرستو. (1398). تعیین و بررسی سطح زیرکشت محصولات زراعی در ناحیه لنجانات با استفاده از تصاویر ماهواره¬ای، نشریه تحقیقات کاربردی علوم جغرافیایی، 19(52): 169-147.
3. ضیائیان فیروزآبادی، پرویز؛ تلخابی، حمیدرضا؛ حسینجانی، لیلا. (1392). آشکارسازي تغییرات حوضه کویر میقان با استفاده از تصاویرMSS ,TM+, ETM و داده هاي اقلیمی در دوره 2011-1973، نشریه تحقیقات کاربردی علوم جغرافیایی، 13(31): 189-173.
4. فیضی¬زاده، بختیار؛ بهرامی، مریم. (۱۳۹۵). آشکار سازی تغییرات کاربری اراضی دریاچه ارومیه، به وسیله پردازش شیءگرای- فازی تصاویر ماهواره¬ای Landsat، کنفرانس بین المللی پیامدهای جغرافیایی و اثرات زیست محیطی شرایط دریاچه ارومیه، تبریز، دانشگاه تبریز، 6-1.
5. فیضی¬زاده، بختیار؛ حاجی میررحیمی، سیدمحمود. (۱۳۸۷). آشکارسازی تغییرات کاربری اراضی با استفاده از روش طبقه¬بندی شیءگرا (مطالعه موردی: شهرک اندیشه)، همایش ژئوماتیک 87، تهران، سازمان نقشه برداری کشور، 10-1.
6. فیضی زاده، بختیار؛ خدمت¬زاده، علی؛ نیکجو، محمدرضا. (1397). ریز طبقه¬بندی اراضی باغی و زراعی با استفاده از تکنیک¬های پردازش شیء پایه و الگوریتم¬های فازی با هدف تخمین سطح زیر کشت، نشریه تحقیقات کاربردی علوم جغرافیایی، 18(48): 216-201.
7. کاظمی، محمد؛ نوحه¬گر، احمد؛ میردامادی. (1396). انتخاب بهترین روش طبقهبندی در تهیه نقشه کاربری اراضی با استفاده از دادههای سنجنده OLI ماهواره لندست 8(مطالعه موردی حوضه آبخیز بهشت گمشده، استان فارس)، فصلنامه اکوسیستم¬های طبیعی ایران، 8(1)، پیاپی 27: 97 - 79.
8. متکان، علی¬اکبر؛ سعیدی، خاطره؛ شکیبا، علیرضا؛ حسینی¬اصل، امین. (1389). ارزيابي تغييرات پوشش اراضي در ارتباط با احداث سد طالقان با استفاده از تكنيك¬هاي سنجش از دور، نشریه تحقیقات کاربردی علوم جغرافیایی، 16(19): 64-45.
9. نورالدینی، احمدرضا؛ بنیاد، امیراسلام. (1396). بررسی کارآیی روش¬های تصحیح اتمسفر در برآورد تراکم تاج پوشش جنگل¬های گیلان با استفاده از شاخص¬های گیاهی حاصل از لندست 8، سنجش از دور و GIS ایران، 9(1): 99.
10. Al-Ahmadi F. S, Hames A. S. 2009. Comparison of Four Classification Methods to Extract Land Use and Land Cover from Raw Satellite Images for Some Remote Arid Areas, Kingdom of Saudi Arabia, JKAU; Earth Sci, 20(1): 167-191, DOI.org/doi /10.4197/Ear.20-1.9. [DOI:10.4197/Ear.20-1.9]
11. Gadrani L, Lominadze G, Tsitsagi F. 2018. assessment of landuse/landcover (LULC) change of Tbilisi and surrounding area using remote sensing (RS) and GIS, Annals of Agrarian Science, 16(2): 163-169, DOI.org/doi:10.1016/j.aasci.2018.02.005. [DOI:10.1016/j.aasci.2018.02.005]
12. Haque M. d, Basak R. 2017. Land cover change detection using GIS and remote sensing techniques: A spatio-temporal study on Tanguar Haor, Sunamganj, Bangladesh, The Egyptian Journal of Remote Sensing and Space Science, 20(2): 251-263, DOI.org/doi:10.1016/j.ejrs.2016.12.003. [DOI:10.1016/j.ejrs.2016.12.003]
13. Islam K, Jashimuddin M, Nath B, Nath Kumar. T. 2018. Land use classification and change detection by using multi-temporal, remotely sensed imagery: The case of Chunati wildlife sanctuary, Bangladesh, The Egyptian Journal of Remote Sensing and Space Sciences, 21,(1): 37-47, DOI.org/doi:10.1016/j.ejrs.2016.12.005. [DOI:10.1016/j.ejrs.2016.12.005]
14. Kaliraj S, Chandrasekar N, Ramachandran K. K, Srinivas, Y, Saravanan S. 2017. Coastal landuse and land cover change and transformations of Kanyakumari coast, India using remote sensing and GIS, The Egyptian Journal of Remote Sensing and Space Sciences, 20(2), 169-185, DOI.org/doi:10.1016/j.ejrs.2017.04.003. [DOI:10.1016/j.ejrs.2017.04.003]
15. Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, 26(5): 823-870, DOI.org/doi:10.1080/01431160600746456. [DOI:10.1080/01431160600746456]
16. Mas J. F. 2005. Assessing protected area effectiveness using surrounding (buffer areas environmentally similar to the target area, Environmental Monitoring and Assessment, 105(1-3), 69-80, DOI.org/doi:10.1007/s10661-005-3156-5. [DOI:10.1007/s10661-005-3156-5] [PMID]
17. Morawitz D, Blewett T, Cohen A, Alberti, M. 2006. Using NDVI to assess vegetative land cover change in central Puget sound, Environmental Monitoring and Assessment, 114(1-3): 85-106, DOI.org/doi:10.1007/s10661-006-1679-z. [DOI:10.1007/s10661-006-1679-z] [PMID]
18. Omer G, Mutanga O, Abdel-Rahman E, Elhadi M. I. A. 2015. Performance of Support Vector Machines and Artificial Neural Network for Mapping Endangered Tree Species Using WorldView-2 Data in Dukuduku Forest, South Africa, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(10), 1 - 16, DOI.org/doi:10.1109/JSTARS .2015.2461136. [DOI:10.1109/JSTARS.2015.2461136]
19. Otukei J. R, Blaschke T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms, International Journal of Applied Earth Observation and Geoinformation, 12(S): 27-31, DOI.org/doi:10.10 16 /j.jag .20 09 .11.002. [DOI:10.1016/j.jag.2009.11.002]
20. Purwanto H. U, Dwiyono R, Kurniawan B. 2016. Spatio temporal analysis trend of land use and land cover change against temperature based on remote sensing data in Malang City, Procedia - Social and Behavioral Sciences, 227, 232 - 238, DOI.org/doi :10.1016 /j.sb spro .20 16 .06.066. [DOI:10.1016/j.sbspro.2016.06.066]
21. Qasim M, Hubacek K, Termansen M. 2013. Underlying and proximate driving causes of land use change in district Swat, Pakistan. Land Use policy, 34, 146-157, DOI.org/ doi:10.1016/j.landusepol.2013.02.008. [DOI:10.1016/j.landusepol.2013.02.008]
22. Sylla L, Xiong D, Zhang H. Y. Bangoura S. T. 2012. A GIS technology and method to assess environmental problems from land use/cover changes: Conakry, Coyah and Dubreka region case study. Egypt. Remote Sens. Space Sci. 15(1), 31-38, DOI.org/doi: 10.1016 /j.ejrs .2011. 12.002. [DOI:10.1016/j.ejrs.2011.12.002]
23. Van Vliet J, de Groot H. L, Rietveld P. Verburg P. H. 2015. Manifestations and underlying drivers of agricultural land use change in Europe, Landsc Urban Plan. 133, 24-36, DOI.org/doi:10.1016/j.landurbplan.2014.09.001. [DOI:10.1016/j.landurbplan.2014.09.001]
24. Wang K, Franklin S. E, Guo X, He Y, Dermid G. J. 2009. Problems in remote sensing of landscapes and habitats, Progress in Physical Geography: Earth and Environment, 33: 747-768, DOI.org/doi:10.1177/0309133309350121. [DOI:10.1177/0309133309350121]
25. Xie Y, Sha Z, Yu M. 2008. Remote sensing imagery in vegetation mapping: a review, Journal of Plant Ecology, 1(1): 9-23, DOI.org/doi:10.1093/jpe/rtm005. [DOI:10.1093/jpe/rtm005]
26. Zhang R, Zhu D. 2011. Study of land cover classification based on knowledge rules using high-resolution remote sensing images, Expert Syst. Appl, 38(4): 3647-3652, DOI.org/doi:10.1016/j.eswa.2010.09.019. [DOI:10.1016/j.eswa.2010.09.019]
27. Zhang X, Kang T, Wang H, Sun Y. 2010. Analysis on spatial structure of landuse change based on remote sensing and geographical information system, International Journal of Applied Earth Observation and Geoinformation, 12(2): 145-150, DOI.org/doi: 10.1016/j.jag.2010.04.011. [DOI:10.1016/j.jag.2010.04.011]
28. Zhu Z, Woodcock C. E. 2014. Continuous change detection and classification of land cover using all available Landsat data, Remote Sens. Environ, 144, 152-171, DOI.org/doi: 10.1016/j.rse.2014.01.011. [DOI:10.1016/j.rse.2014.01.011]
Send email to the article author
| Rights and permissions | |
 |
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)