پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,770 |
| تعداد مقالات | 72,943 |
| تعداد مشاهده مقاله | 132,295,589 |
| تعداد دریافت فایل اصل مقاله | 103,773,485 |
ارزیابی اثرات تغییر کاربری اراضی بر انتشار دی‌اکسیدکربن با استفاده از تحلیل تصاویر ماهواره ای و روش یادگیری عمیق (مطالعه موردی: شهرستان اهواز، ۲۰۱۴-۲۰۲۰) | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 تیر 1404 اصل مقاله (1.77 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.395565.669945 | ||
| نویسندگان | ||
| کورش اندکائی زاده1؛ عباس عساکره* 1؛ سعید حجتی2 | ||
| 1گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، ایران | ||
| 2گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، ایران | ||
| چکیده | ||
| تغییرات کاربری اراضی به عنوان یک چالش مهم در زمینه محیط زیست و توسعه پایدار، اثرات قابل توجهی بر چرخه کربن و انتشار گازهای گلخانه‌ای، به ویژه دی‌اکسید کربن، دارد. پایش و تحلیل روند تغییرات کاربری اراضی و پوشش گیاهی، به عنوان شاخصی کلیدی برای ارزیابی وضعیت زیست‌محیطی، از اهمیت ویژه‌ای برخوردار است. این مطالعه با هدف بررسی تأثیر تغییرات کاربری اراضی بر انتشار CO₂ در شهرستان اهواز طی سال‌های 2014 تا 2020 میلادی انجام شده است. در این پژوهش، از تصاویر استخراج شده از Google Earth و روش‌های یادگیری عمیق برای طبقه‌بندی کاربری اراضی استفاده شده است. داده‌های مربوط به انتشار CO₂ از پایگاه داده جیوانی استخراج و تحلیل شد. دقت کلی طبقه‌بندی برای سال‌های 2014 و 2020 به ترتیب 55/97 و 86/98 درصد و ضریب کاپا برای سال های 2014 و 2020 به ترتیب 36/94 و 06/96 درصد به دست آمد. نتایج نشان داد که اراضی کشاورزی (47/77 درصد) و اراضی انسان‌ساخت (89/55 درصد) در دوره مورد مطالعه افزایش چشمگیری داشته‌اند، در حالی که اراضی بایر و علفزار کاهش یافته‌اند. تحلیل غلظت CO₂ نیز حاکی از افزایش 28 درصدی آن در سال 2020 نسبت به سال 2014 است. همبستگی منفی متوسطی بین اراضی بایر و میزان انتشار CO₂ مشاهده شد. از سوی دیگر، اراضی کشاورزی (75/0) و مناطق انسان‌ساخت (43/0) همبستگی مثبتی با میزان انتشار CO₂ نشان دادند که این امر احتمالاً ناشی از افزایش فعالیت‌های انسانی و مصرف انرژی است. | ||
| کلیدواژه‌ها | ||
| اراضی کشاورزی؛ CO₂؛ روش یادگیری عمیق؛ کاربری اراضی | ||
| عنوان مقاله [English] | ||
| Evaluating the effects of land use change on CO2 emissions using satellite image analysis and deep learning methods (Case study: Ahvaz county, 2014-2020) | ||
| نویسندگان [English] | ||
| Korosh Andekaeizadeh1؛ عباس عساکره1؛ Saeid Hojati2 | ||
| 1Department of Biosystems Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Iran | ||
| 2Department of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz | ||
| چکیده [English] | ||
| Land use changes, as a major challenge in the field of environment and sustainable development, have significant effects on the carbon cycle and greenhouse gas emissions, especially carbon dioxide. Monitoring and analyzing the trend of land use and vegetation changes, as a key indicator for assessing the environmental status, is of particular importance. This study aimed to investigate the impact of land use changes on CO₂ emissions in Ahvaz city during the years 2014 to 2020. In this research, images extracted from Google Earth and deep learning methods were used for land use classification. Data related to CO₂ emissions were extracted and analyzed from the Giovanni database. The overall classification accuracy for the years 2014 and 2020 was 97.55 and 98.86 percent, respectively, and the kappa coefficient for the years 2014 and 2020 was 94.36 and 96.06 percent, respectively. The results showed that agricultural land (77.47%) and man-made land (55.89%) increased significantly during the study period, while barren and rocky land decreased. Analysis of CO₂ concentration also indicated a 28% increase in 2020 compared to 2014. A moderate negative correlation was observed between barren land and CO₂ concentration. On the other hand, agricultural land (0.75) and man-made areas (0.43) showed a positive correlation with CO₂ concentration, which is likely due to human activities and energy consumption. | ||
| کلیدواژه‌ها [English] | ||
| Agricultural lands, CO₂, Deep learning method, Land use | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 7 تعداد دریافت فایل اصل مقاله: 4 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب