مقایسه داده های اپتیک و رادار در استخراج عوارض و پدیده های زمینی

محورهای موضوعی : توسعه سیستم های مکانی

محمد ملکی ¹ , سیدمحمد توکلی‌صبور ² , پرویز ضیائیان فیروزآبادی ³ , مجید رئیسی ⁴

1 - دانش‌آموخته کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران
2 - استایار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران
3 - دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران
4 - دانش‌آموخته کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران

تاریخ دریافت : 1396/12/09 تاریخ پذیرش : 1397/05/04 تاریخ انتشار : 1397/06/01

کلید واژه: حوزه میانراهان, رادار تصویربردار, لندست 8 (OLI), اشکال زمین, سنتینل-1 (Sentinel-1),

چکیده مقاله :

دسترسی به نقشه مناسب از عوارض و پدیده های زمینی بسیار مهم است، چراکه این عوارض و فرآیند حاکم بر آن‌ها منشأ بسیاری از مخاطرات و منابع محیطی هستند. هدف این تحقیق، مقایسه داده های اپتیک و رادار در استخراج عوارض و پدیده های زمینی است. از تصویر پانزده متری باند پن‌کروماتیک لندست 8 (OLI) به‌عنوان تصویر اپتیک و تصویر باند C سنجنده سنتینل-1 (Sentinel-1) برای تصویر رادار باقدرت تفکیک 22×20 متری هر پیکسل، استفاده شد. دو تصویر رادار (رادار 1 و 2) در دو جهت دید مختلف، با زاویه دید متفاوت موردبررسی قرار گرفتند و برای کاهش اثر توپوگرافی تصویر رادار با مدل رقومی سه ثانیه تصحیح شد (رادار اصلاح‌شده). در این مطالعه، 4 عارضه دره، تیغه، مخروط افکنه و شیب واریزه ای به روش تفسیر بصری از تصاویر لندست 8 و سنتینل-1 استخراج و نتایج با تفسیر بصری تصاویر توان تفکیک بالای World Imagery مقایسه گردید. شاخص های صحت، دقت، کیفیت، کاپا و آزمون z جهت برآورد صحت نتایج به‌دست‌آمده محاسبه شد. نتایج نشان داد بالاترین صحت در استخراج عارضه‌های دره و تیغه از تصویر اپتیکی به ترتیب 83.90 و 87.88 درصد و بالاترین صحت استخراج عوارضی چون مخروط‌افکنه و شیب واریزه ای نیز از تصویر راداری اصلاح‌شده به ترتیب 82.76 و 83.72 درصد می‌باشند. بالاترین ضریب کاپا مربوط به رادار اصلاح‌شده با 54.72 درصد (لندست 49.74 درصد)، بیشترین میزان آزمون z مربوط به لندست-رادار1 با 0.9871 به‌دست‌آمده آمد (رادار اصلاح شده-لندست 0.6443 درصد).

چکیده انگلیسی:

The availability of suitable maps of terrain features is very important because these complications and the process governing them are the sources of many environmental hazards and resources. The purpose of this research, compare the optic and radar data for terrain feature extraction. A panchromatic band of Landsat 8 (OLI) as an optical image and two C-band Sentinel-1 satellite radar images with a resolution of 22×20 m per pixel were used. Two radar images (radar-1 and 2) in two different acquisition directions with different look angels were visually interpreted. In order to reduce the geometric and radiometric effects of the topography, the radar images were corrected using 3-second SRTM data (modified radar). In this study, four feature types were extracted by visual interpretation, which is: valleys, blades, alluvial fans, and debris fans and the results were compared with the World Imagery layer. The accuracy, completeness, quality, kappa, and z-test were calculated for every interpretation. The results showed that the highest accuracies in recognition of valleys and blades using Landsat image were 83.90% and 87.88%, respectively, and the highest accuracies of alluvial fan and the debris fan of the modified radar image were 82.76% and 83.72% respectively. The highest kappa coefficient related to the modified radar data was calculated at 54.72% (Landsat 49.74%) and the highest z-text related to Landsat-radar 1 was calculated 0.9871 (Modified Radar-Landsat 0.6443%).

منابع و مأخذ:

اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1394. مقایسه روش­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شی‌ءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 1-14.

حاجی­زاده، ع.، س. فرزانه، م. ع. نظام­محله، ه. س. سیدرضایی و ع. رستگار. 1392. مبانی سنجش‌ازدور ماکروویو (تداخل سنجی راداری) با تأکید بر علوم زمین، ژئومورفولوژی، ژئوفیزیک، ژئولوژی، انتشارات ماهواره، 138 صفحه.

رجب پوررحمتی، م.، ع. ا. درویش صفت و م. پیرباوقار. 1392. سنجش‌ازدور برای مدیران GIS. تألیف: استن آرنف. چاپ دوم، انتشارات دانشگاه تهران. 720 صفحه.

روستایی.، ش.، م. روستایی، م. شریفی کیا، و ج. یاراحمدی. 1392. کاربرد تداخل سنجی تفاضلی راداری در شناسایی و پایش زمین‌لغزش‌ها مطالعه موردی: حوزه آبخیز گرم­چای­میانه. مهندسی و مدیریت آبخیزداری، 5(3): 190-198.

شایان، س.، غ. ر. زارع و ش. امیری. 1390. نقشه‌های ژئومورفولوژی، تاریخچه، ضرورت و کاربرد. اطلاعات جغرافیایی (سپهر)، 20(79): 37-45.

طالبی، م. 1393. استخراج اتوماتیک جاده از تصاویر لیدار. پایان‌نامه کارشناسی ارشد، دانشکده علوم جغرافیایی، دانشگاه خوارزمی. 110 صفحه.

علایی­طالقانی، م. 1392. ژئومورفولوژی ایران. انتشارات قومس. 360 صفحه.

فاطمی، ب. و ی. رضایی. 1393. مبانی سنجش‌ازدور. چاپ چهارم، انتشارات سمت. 288 صفحه.

کاشی زنوزی، ل.، ح. سعادت و م. نامدار. 1395. مقایسه دقت و نحوه تولید نقشه‌ی لندفرم­های ژئومورفولوژی، از طریق روش سنتی و فتوگرامتری تحلیلی (مطالعۀ موردی: حوزۀ آبخیز هرزندچای. اطلاعات جغرافیایی (سپهر)، 25(97): 57-66.‎

محمدی، م. و ع. سیف. 1393. بررسی روند تغییرات رخساره­های ژئومورفولوژی مخروطه دلتای زاینده­رود با استفاده از سنجش‌ازدور. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(1): 45-59.

ملکی، ر.، ع. ا. آبکار، م. مختارزاده، م. ج. ولدان­زوج، ع. غفوری و م. ملکی. 1392. تهیه نقشه زمین‌شناسی شکستگی‌ها و خطواره­ها از تصاویر چند طیفی و تصاویر رادار روزانه SAR (مطالعۀ موردی: منطقه کلات نادری). اکتشافات و تولید نفت و گاز. 108: 92-100.

میرزایی زاده، و.، م. نیک نژاد و ج. اولادی قادیکلایی. 1394. ارزیابی الگوریتم­های طبقه­بندی نظارت‌شده غیرپارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 29-44.

میرعابدینی، م. س.،  ش. شتایی و م. آق آتابای. 1392. استخراج گسل‌های البرز مرکزی با استفاده از تصاویر سنجنده ASTER به روش بصری و رقومی خودکار. جغرافیا و مخاطرات محیطی، 2(8): 49-64.

Benz UC, Hofmann P, Willhauck G, Lingenfelder I, Heynen M. 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3): 239-258.

Clinton N, Holt A, Scarborough J, Yan L, Gong P. 2010. Accuracy assessment measures for object-based image segmentation goodness. Photogrammetric Engineering and Remote Sensing, 76(3): 289-299.

Congalton RG, Green K. 2008. Assessing the accuracy of remotely sensed data: principles and practices. CRC press,  179 pp.

Feyisa GL, Meilby H, Fensholt R, Proud SR. 2014. Automated water extraction index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140: 23-35.

Hubbard B, Glasser NF. 2005. Field Techniques in Glaciology and Glacial Geomorphology. John Wiley & Sons, 412 pp.

Hugenholtz CH, Whitehead K, Brown OW, Barchyn TE, Moorman BJ, LeClair A, Riddell K, Hamilton T. 2013. Geomorphological mapping with a small unmanned aircraft system (sUAS): Feature detection and accuracy assessment of a photogrammetrically-derived digital terrain model. Geomorphology, 194: 16-24.

Hillier JK, Smith MJ, Armugam R, Barr I, Boston C, Clark CD, Ely J, Frankl A, Greenwood SL, Gosselin L. 2015. Manual mapping of drumlins in synthetic landscapes to assess operator effectiveness. Journal of Maps, 11(5): 719-729.

Hillier JK, Smith MJ. 2016. Distortions of glacial landform sizes by manual mapping. In: EGU General Assembly Conference Abstracts, 1627 pp.

Kaushal A, Singh Y. 2006. Extraction of geomorphological features using radarsat data. Journal of the Indian Society of Remote Sensing, 34(3): 299-307.

Lee TH, Moon WM. 2002. Lineament extraction from Landsat TM, JERS-1 SAR, and DEM for geological applications. In: Geoscience and Remote Sensing Symposium, 2002. IGARSS'02. 2002 IEEE International, IEEE, 3276-3278 pp.

Matthew MW, Adler-Golden SM, Berk A, Felde G, Anderson GP, Gorodetzky D, Paswaters S, Shippert M. 2002. Atmospheric correction of spectral imagery: evaluation of the FLAASH algorithm with AVIRIS data. In: Applied Imagery Pattern Recognition Workshop, Proceedings. 31st, 2002. IEEE, 157-163 pp.

Möller M, Lymburner L, Volk M. 2007. The comparison index: A tool for assessing the accuracy of image segmentation. International Journal of Applied Earth Observation and Geoinformation, 9(3): 311-321.

Rao D. 2002. Remote sensing application in geomorphology. Tropical Ecology, 43(1): 49-59.

Smith M, Pain C. 2009. Applications of remote sensing in geomorphology. Progress in Physical Geography, 33(4): 568-582.

Strahler AH, Stahler A. 2005. Physical Geography: Science and Systems of the Human Environment. New York: John Wiley & Sons,  794 pp.

Tarolli P, Arrowsmith JR, Vivoni ER. 2009. Understanding earth surface processes from remotely sensed digital terrain models. Geomorphology, 113(1): 1-4.

Sabour SMT. 2011. Multi-temporal classification of crops using ENVISAT ASAR data. Hannover University, Germany, 165 pp.

Vyas R, Pandya T. 2013. Extraction of hydro-geomorphologic features using satellite data for Mandsaur District, Madhya Pradesh. International Journal of Remote Sensing & Geoscience, 2(3): 65-69.

Weidner U. 2008. Contribution to the assessment of segmentation quality for remote sensing applications. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(B7): 479-484.