نشریه علوم زمین خوارزمی

نشریه علوم زمین خوارزمی

تشخیص و طبقه‌بندی ناهنجاری‌های محیطی با استفاده از تصاویر چندزمانه ماهواره‌ای سنتینل -۲ و یادگیری ماشین سبک

نویسندگان
محمد جواد شجاعی
اصغر میلان
دانشگاه شهید بهشتی
10.22034/KJES.2025.11.2.107623
چکیده
پایش تغییرات پوشش گیاهی و ناهنجاری‌های محیطی برای مدیریت اکوسیستم‌ها، کشاورزی دقیق و سامانه‌های هشدار زودهنگام ضرورری است. با توجه به پیچیدگی الگوهای زمانی–مکانی تغییرات محیطی، داده‌های ماهواره‌ای چندزمانه رویکردی کارآمد برای ردیابی تغییرات تدریجی و ناگهانی ارائه می‌دهند. در این پژوهش، از داده‌های سری‌زمانی سنجنده سنتینل-۲ و شاخص‌های طیفی NDVI، EVI و NBR به‌عنوان شاخص‌های حساس به کلروفیل و اختلالات شدید و الگوریتم‌های سبک و بدون‌ناظر جنگل جداساز، عامل ناهنجاری محلی و ماشین بردار پشتیبان تک‌کلاسه، برای شناسایی ناهنجاری‌ها بهره‌گرفته شده است. ارزیابی عملکرد مدل‌ها نشان داد که الگوریتم جنگل جداساز، متعادل‌ترین و پایدارترین کارایی را ارائه می‌دهد (Accuracy = 0.886, Precision = 0.065, Recall = 0.250, F1 = 0.103). الگوریتم عامل ناهنجار محلی در شناسایی الگوهای موضعی حساسیت بیشتری نشان داد، اما در داده‌های دارای نویز ثبات پایین‌تری داشت (F1=0.069). الگوریتم ماشین بردار تک کلاسه رویکرد محافظه‌کارانه‌تری در برچسب‌گذاری ناهنجاری‌ها اتخاذ کرد و عمدتاً در تشخیص اختلالات شدید، به‌ویژه در شاخص NBR, مؤثرتر بود (F1=0.035). تحلیل هم‌پوشانی و تمایز شاخص‌ها نشان می‌دهد NDVI کاهش تدریجی کلروفیل را ثبت می‌کند، EVI در پوشش گیاهی متراکم و NBR در شناسایی رخدادهای شدید نظیر آتش‌سوزی و خشکسالی نقش مکمل ایفا می‌کنند. استفاده هم‌زمان از این شاخص‌ها دامنه قابل تشخیص از نوسانات ظریف تا اختلالات گسترده را پوشش می‌دهد. یافته‌ها نشان می‌دهد که تلفیق داده‌های سنتینل-۲ با مدل‌های سبک یادگیری ماشین، چارچوبی قابل‌توسعه، بازتولیدپذیر و کارا برای پایش ناهنجاری‌های محیطی در مقیاس‌های وسیع فراهم می‌سازد. این رویکرد وابستگی به داده‌های میدانی پرهزینه را به حداقل رسانده و امکان استفاده عملی در پایش خشکسالی، مدیریت بحران‌های محیطی، پایش سلامت اکوسیستم‌ها و برنامه‌ریزی کشاورزی هوشمند را فراهم می‌کند. برای تحقیقات آینده، تلفیق داده‌های طیفی مرتبط با رطوبت و حرارت، سری‌های زمانی با تفکیک زمانی بالاتر و به‌کارگیری تنظیم پارامترهای فراابتکاری پیشنهاد می‌شود تا پایداری و دقت بیشتر حاصل گردد.
کلیدواژه‌ها
ناهنجاری‌های محیطی
شاخص‌های طیفی
یادگیری ماشین
تصاویر ماهواره‌ای چندزمانه
الگوریتم‌های سبک

عنوان مقاله English

Detection and classification of environmental anomalies using multi-temporal sentinel-2 satellite imagery and lightweight machine learning

نویسندگان English

Mohammad Javad Shojaei
Asghar Milan
Shahid Beheshti University
چکیده English

Monitoring vegetation cover changes and environmental anomalies is essential for ecosystem management, precision agriculture, and early warning systems. Given the complexity of spatiotemporal environmental patterns, multi-temporal satellite data offer an efficient approach to track gradual and abrupt changes. In this study, time-series data from the Sentinel-2 sensor and spectral indices NDVI, EVI, and NBR are used as indicators sensitive to chlorophyll content and severe disturbances, along with lightweight, unsupervised algorithms Isolation Forest, Local Outlier Factor (LOF), and One-Class Support Vector Machine to identify anomalies. Model performance evaluation shows that the Isolation Forest algorithm provides the most balanced and robust performance (Accuracy = 0.886, Precision = 0.065, Recall = 0.250, F1 = 0.103). The Local Outlier Factor algorithm demonstrated higher sensitivity to localized patterns but had lower stability in noisy data (F1 = 0.069). The One-Class SVM adopted a more conservative labeling approach and was mostly effective at detecting severe disturbances, especially with the NBR index (F1 = 0.035). Overlap and Distinction Analysis of Indices that NDVI captures gradual chlorophyll decline, EVI performs better in dense vegetation, and NBR plays a crucial role in identifying severe events such as wildfires and droughts. The concurrent use of these indices broadens the detectable range from subtle fluctuations to large-scale disturbances. Findings show that integrating freely available Sentinel-2 data with lightweight machine learning models yields a scalable, reproducible, and efficient framework for large-scale environmental anomaly monitoring. This approach minimizes reliance on costly field data and enables practical applications in drought monitoring, environmental-crisis management, ecosystem health assessment, and smart agricultural planning. For future work, integrating moisture- and temperature-related spectral data, higher temporal resolution time series, and metaheuristic parameter tuning is recommended to further enhance robustness and accuracy.

کلیدواژه‌ها English

Environmental anomalies
spectral indices
Machine Learning
multi-temporal satellite imagery
lightweight algorithms
Abdalla Mahmoud, A.M., Rayne, L., Bewley, R., 2025. EAMENA MLACD: Automated remote sensing tool based on machine learning in Google Earth Engine using Sentinel-2 imagery for detecting changes and threats around archaeological sites. Remote Sensing Applications: Society and Environment 37, 101396.
Alshari, E.A., Gawali, B.W., 2022. Analysis of machine learning techniques for land use/land cover classification using Sentinel-2A satellite imagery. Journal of Electrical and Computer Engineering 9092299.
Babaeepour, A., Milan, A., 2024. Landuse change mapping based on drone and ultracam aerial images. Kharazmi Journal of Earth Sciences 10 (2) ,443-464
Descals, A., Torres, K., Verger, A., Peñuelas, J., 2025. Evaluating Sentinel-2 for monitoring drought-induced crop failure in winter cereals. Remote Sensing 17 (2), 340.
Farahnakian, F., Luodes, N., Karlsson, T., 2024. Machine learning algorithms for acid mine drainage Mapping using Sentinel-2 and WorldView-3. Remote Sensing 16 (24), 4680.
Hosseini, A., Karami, M., Moghaddam, R., 2022. Assessment of drought impacts on agricultural lands using Sentinel-2 NDVI in Nishabour plain, Iran. Iranian Journal of Remote Sensing and GIS 14 (2), 45–60.
Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X., Ferreira, L.G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment 83 (1–2), 195–213.
Ju, J., Zhou, Q., Freitag, B., Roy, D.P., Zhang, H.K., Sridhar, M., Mandel, J., Arab, S., Schmidt, G., Crawford, C.J., Gascon, F., Strobl, P.A., Masek, J.G., Neigh, C.S.R., 2025. Harmonized Landsat and Sentinel-2 surface reflectance data (HLS V2.0): Consistent multispectral observations for large-scale terrestrial monitoring. Remote Sensing of Environment 324, 114723.
Key, C. H., Benson, N.C., 2006. Landscape Assessment: Ground Measure of Severity, the Composite Burn Index; and Remote Sensing of Severity, the Normalized Burn Ratio. in: Lutes, D.C., Keane, R.E., Caratti, J.F., Key, C.H., Benson, N.C., Sutherland, S., Gangi, L.J. (Eds.), FIREMON: Fire Effects Monitoring and Inventory System. Ogden, UT: USDA Forest Service, Rocky Mountain Research Station, Gen. Tech. Rep. RMRS-GTR-164-CD, pp. LA1–LA51.
Khan, M., Singh, R., Ahmad, I., 2023. Detection of unusual vegetation changes using local outlier factor in Punjab, India. Environmental Monitoring and Assessment 195 (7), 849.
Kovárník, R., Janová, J., 2025. Validation of machine learning models based on Sentinel-2 for national forest inventory. Ecological Informatics 87, 103133.
Liang, D., Li, Y., Zhang, F., 2025. Forest anomaly comprehensive index (FACI) based on Sentinel-2 imagery for detecting various forest anomalies. Forests 16 (3), 497.
Pacheco-Pascagaza, A.M., Ruiz, L.A., García, M., 2022. Near real-time change detection system using Sentinel-2 and machine learning for forest monitoring. Remote Sensing 14 (4), 707.
Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publications 351, 309–317.
Safa, R., Ziaian Firouzabadi, P., Tokoli Sabour, S. M., 2023. Detection of changes in land cover in satellite imagery using the discrete fractional Fourier transform. Kharazmi Journal of Earth Sciences 9(1), 116–149.
Schiller, C., Költzow, J., Schwarz, S., Schiefer, F., Fassnacht, F.E., 2024. Transformer-based Forest disturbance detection using Sentinel-2 time series. Remote Sensing of Environment 315, 114475.
Tempa, K., Ilunga, M., Agarwal, A., Tashi, P., 2024. Land use/land cover change dynamics and NDVI analysis using Sentinel-2 in Gelephu, Bhutan. Applied Sciences 14 (4), 1578.
Wasehun, E.T., Kenea, T., Abera, W., 2025. Comparative analysis of Sentinel-2 and PlanetScope imagery for predicting chlorophyll-a using machine learning. Ecological Informatics 85, 102988.
Zhao, X., Wang, Y., Liu, Y., 2022. Vegetation anomaly detection using NDVI time series and isolation forest algorithm. Journal of Applied Remote Sensing16 (3), 036510.
Encyclopaedia Iranica, n.d. Moḡān., 2015. Available at: https://www.iranicaonline.org/articles/mogan-parent-i-ii
Solgi, M., Kamkar, B., Ghorbani, M., 2018. Assessment of agricultural characteristics of Moghan plain (Ardabil province, Iran). Scientific Papers Series Management, Economic Engineering in Agriculture and Rural Development 18 (4), 289–296.