Journal of Geomatics Science and Technology

fa آشکارسازی تغییرات پوشش زمین با استفاده از الگوریتم‌های طبقه‌بندی، یادگیری ماشین و تلفیق تصاویر Sentinel-1 و Sentinel-2مطالعه‌ی موردی: (منطقه ۲۲ تهران) Land Cover Change Detection Using Classification Algorithms, Machine Learning, and Fusion of Sentinel-1 and Sentinel-2 Imagery: A Case Study of District 22, Tehran فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">منطقه 22 تهران به عنوان یکی از مناطق در حال توسعه شهری با تغییرات چشمگیر در کاربری زمین، موضوع مهمی برای مطالعات تغییرات محیطی است.این پژوهش با هدف تحلیل و شناسایی تغییرات محیطی و ساختاری  در بازه زمانی ۲۰۱۶ تا ۲۰۲۱ انجام شد. روش‌های مختلف سنجش از دور شامل تحلیل تغییر برداری (CVA)، رگرسیون و شاخص‌های طیفی مورد بررسی قرار گرفتند. داده‌های ماهواره‌ای Sentinel-1 و Sentinel-2 به‌صورت تلفیقی مورد استفاده قرار گرفتند و ویژگی‌های بافتی از تصاویر اپتیکی و راداری استخراج شد. نتایج نشان دادند که تلفیق داده‌ها موجب افزایش دقت طبقه‌بندی شده است؛ به‌طوری که دقت کلی در سال ۲۰۱۶ برابر با ۹۱٪ و ضریب کاپا ۸۹٪، و در سال ۲۰۲۱ دقت کلی ۸۶٪ و ضریب کاپا ۸۵٪ به‌دست آمد. علاوه بر تغییرات درصدی در کلاس‌های ساخت‌وساز (۱۳٪)، پوشش گیاهی (۱۵٪)، منابع آبی (۴٪) و خاکی (۱۱٪)، تحلیل پیکسلی نیز انجام شد. توانستیم درصد تغییرات و تعداد پیکسل‌های تغییر یافته بین کلاس‌های مختلف را شناسایی کنیم.  همچنین توانستیم درصد و تعداد پیکسل‌های تغییر یافته بین کلاس‌های مختلف را شناسایی کنیم. در کلاس آب، بیشترین تغییر به خاک (۱۸۳۰۰ پیکسل) اختصاص داشت. در کلاس جاده، ۲۱۰۰۰ پیکسل ثابت مانده و تغییراتی به سمت پوشش گیاهی، ساخت‌وساز و آب مشاهده شد. پوشش گیاهی با ۱۵۸۰۰۰ پیکسل ثابت، بیشترین پایداری را داشت اما بخشی از آن به خاک و ساخت‌وساز تبدیل شده است. در کلاس خاک نیز علاوه بر ۴۲۰۰۰ پیکسل ثابت، بیش از ۱۵۶۰۰۰ پیکسل به جاده و ۱۲۰۰۰ پیکسل به ساخت‌وساز تغییر یافته‌اند. این تحلیل جزئی، امکان شناسایی دقیق‌تر الگوهای تغییر و تدوین برنامه‌های مدیریتی هدفمند را فراهم کرده است.</div>   District 22 of Tehran, as one of the rapidly developing urban areas, has undergone significant land use changes, making it a critical subject for environmental change studies. This research aimed to analyze and identify environmental and structural changes over the period from 2016 to 2021. Various remote sensing methods were employed, including Change Vector Analysis (CVA), regression techniques, and spectral indices.Satellite data from Sentinel-1 and Sentinel-2 were used in an integrated manner, and textural features were extracted from both optical and radar imagery. The results indicated that data fusion significantly improved classification accuracy: overall accuracy in 2016 reached 91% with a Kappa coefficient of 89%, while in 2021, overall accuracy was 86% with a Kappa coefficient of 85%. In addition to percentage changes in land use classes—construction (13%), vegetation (15%), water resources (4%), and soil (11%)—pixel-level analysis was also conducted. This enabled the identification of both the percentage and number of pixels that changed between different land use classes. For example, in the water class, the largest change was toward soil (18,300 pixels). In the road class, 21,000 pixels remained unchanged, while some transitioned to vegetation, construction, and water. Vegetation showed the highest stability with 158,000 unchanged pixels, although portions were converted to soil and construction. In the soil class, besides 42,000 stable pixels, over 156,000 pixels changed to roads and 12,000 to construction.This detailed analysis allows for more precise identification of change patterns and supports the development of targeted management strategies.   واژگان کلیدی: کاربری زمین, داده‌های ماهواره‌ای, تحلیل رگرسیون, شبکه عصبی پرسپترون چندلایه (MLP), ترکیب داده‌های نوری و راداری Keywords: Land use, satellite data, regression analysis, multilayer perceptron neural network (MLP), fusion of optical and radar data 43 59 http://jgst.issgeac.ir/browse.php?a_code=A-10-1009-4&slc_lang=fa&sid=1 Ebrahim karami ابراهیم کرمی ebrahimkarami3335@gmail.com 100319475328460010997 100319475328460010997 Yes دانشکده‌ عمران و حمل و نقل، دانشگاه اصفهان حمید مهرابی h.mehrabi@eng.ui.ac.ir 100319475328460010998 100319475328460010998 No دانشکده‌ عمران و حمل و نقل، دانشگاه اصفهان