مقایسه روش های مختلف طبقه بندی تصاویر ماهواره ای در تهیة نقشه کاربری اراضی (مطالعه موردی: دریاچه ارومیه)

محورهای موضوعی : برنامه ریزی شهری

حسین نظم فر ¹ , منیز شیرزاد ²

1 - عضو هیئت علمی دانشگاه محقق اردبیلی
2 - دانشگاه محقق اردبیلی

تاریخ دریافت : 1400/11/15 تاریخ پذیرش : 1400/12/04 تاریخ انتشار : 1400/12/04

کلید واژه: کاربری اراضی, دریاچه ارومیه, طبقه‌بندی, تصویر ماهواره‌ای, روش‌های نظارت شده,

چکیده مقاله :

هدف از انجام این پژوهش مقایسه نه روش نظارت شده در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8 در دریاچه ارومیه می‌باشد. ماهیت این پژوهش توسعه ای‌-کاربردی و روش انجام آن توصیفی-تحلیلی است. بدین منظور تصاویر ماهواره‌ای سنجنده OLI مربوط به تاریخ (8/ 7 0/ 2016 و 6 / 7 0/ 2016) از سایت USGS بارگیری شد و پس از اعمال پیش‌پردازش با استفاده از بازدیدهای میدانی و دستگاه موقعیت‌یاب جهانی نمونه‌های تعلیمی برای هر کاربری (دریاچه، شورزار، کشاورزی، سایر اراضی)در محدوده مورد مطالعه تهیه گردید. در مرحله بعد طبقه‌بندی با استفاده از نه الگوریتم نظارت شده (شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، ماهالانوبیس، حداقل فاصله از میانگین، سطوح موازی، واگرایی اطلاعات طیفی، کدهای باینری، زاویه طیفی) انجام شد. در مرحله آخر به منظور بررسی دقت و صحت طبقه‌بندی تصاویر از معیارهای ارزیابی(دقت تولید کننده، دقت کاربر، صحت کلی، ضریب کاپا ) استفاده شد. نتایج تحقیق حاکی از آن است که روش طبقه‌بندی ماشین بردار پشتیبان با ضریب کاپای99.57 درصد ، روش شبکه عصبی با ضریب کاپای 98.66درصد ، روش حداکثر احتمال با ضریب کاپای 98.58درصد نسبت به سایر روش‌ها دارای دقت بیشتری می‌باشند. همچنین کمترین دقت را الگوریتم‌های کدهای باینری سطوح موازی و زاویه طیفی دارند.

چکیده انگلیسی:

The purpose of this study is to compare nine supervised methods in classifying land cover using Landsat 8 satellite images in Urmia Lake. The nature of this research has been developmental-applied and the method of performing it has been descriptive-analytical. For this purpose, satellite images of OLI sensor related to the date (7/8/2016 and 7/6/2016) were downloaded from the USGS site. And after applying the pre-processing using field visits and the Global Positioning Machine, instructional samples were prepared for each user (Lake, Agricultural land, Salty land, Waste land) in the study area. In the next step, the classification was performed using nine monitored algorithms (neural network, backup vector machine, maximum probability, mahalanobis, minimum distance from average, parallel surfaces, spectral information divergence, binary codes, spectral angle). In the last step, in order to check the accuracy and precision of image classification, evaluation criteria (manufacturer's accuracy, user accuracy, overall accuracy, kappa coefficient) were used. The results indicate that the classification method of backup vector machine with 99.57% capa coefficient after neural network vector support vector machine with 98.66% cappa coefficient and the maximum probability method with 98.58% capa coefficient after neural network method compared to other methods They are more accurate. Also the least accurate are binary code algorithms with parallel surfaces and spectral angles.