• صفحه اصلی
  • تهیه نقشه کاربری اراضی حوزه آبخیز کفتاره اردبیل با استفاده از تفسیر چشمی و رقومی تصویرETM+

اشتراک گذاری

آدرس مقاله


کد مقاله : 526708 بازدید : 125 صفحه: 27 - 43

نوع مقاله: پژوهشی

تهیه نقشه کاربری اراضی حوزه آبخیز کفتاره اردبیل با استفاده از تفسیر چشمی و رقومی تصویرETM+

محورهای موضوعی : جنگلداری

اردوان قربانی 1 (استادیار دانشکده فناوری کشاورزی و منابع طبیعی گروه مرتع و آبخیزداری دانشگاه محقق اردبیلی)
فرنوش اسلمی 2 (دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی)
سعید احمدآبادی 3 (دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی)
سحر غفاری 4 (دانشجوی دکترای علوم مرتع دانشگاه محقق اردبیلی)

تاریخ دریافت : 1393/10/12 تاریخ پذیرش : 1394/05/14 تاریخ انتشار : 1394/12/01

کلید واژه: کاربری اراضی, استان اردبیل, طبقه‌بندی نظارت شده, ارزیابی صحت, پوشش اراضی, تفسیر چشمی, طبقه‌بندی شیءگرا,

چکیده مقاله :

قابلیت استفاده از اطلاعات کاربری اراضی در مدیریت حوزه های آبخیز به تصمیم گیران کمک می کند تا طرح و برنامه های کوتاه و بلند مدتی برای حفاظت، توسعه و استفاده پایدار از منابع طبیعی و آبخیزها داشته باشند. در این مطالعه از داده های سنجنده[1]ETM+(1385)، GPS[2] و GIS[3] برای پردازش تصاویر، برداشت داده های زمینی و تهیه نقشه استفاده شد. تصحیحات لازم و پیش پردازش های اولیه صورت گرفت. پس از بازدید میدانی و کنترل زمینی، کلاس های مختلف کاربری تعریف، ابتدا تفسیر چشمی انجام و سپس نمونه های تعلیمی انتخاب و با استفاده از الگوریتم حداکثر احتمال طبقه بندی نظارت شده صورت گرفت. با توجه به عدم قابلیت در تفکیک کاربری های مسیله و مسکونی در تفسیر رقومی، تلفیقی از تفسیر چشمی و رقومی (نظارت شده) و همچنین طبقه بندی شیءگرا استفاده شد. نتایج نشان داد در تفسیر چشمی تقریباً امکان تفکیک کاربری های مرتع از زراعت دیم وجود ندارد، ولی کاربری‌های باغ، مسکونی و مسیله قابل تفکیک است. نتایج همچنین نشان داد تفکیک کاربری ها به صورت طبقه بندی نظارت شده نیز با مشکلاتی روبرو است، ولی با تلفیق دو روش تفسیر چشمی و رقومی می توان از تصویر لندست در تفکیک کاربری های مختلف در مناطقی مانند حوزه آبخیز کفتاره و منطقه ارشق استان اردبیل استفاده کرد. نتایج حاصل از ارزیابی صحت طبقه بندی شیءگرا بالاترین صحت کلی را نشان داد، چون در این روش از پارامترهایی نظیر مقیاس، شکل، تن و بافت نیز علاوه بر مقدار پیکسل در طبقه بندی استفاده شد و از این رو با سگمنت سازی مناسب قادر به تفکیک دقیق تر کاربری ها نظیر دیمزارهای و اراضی مسکونی می باشد. توصیه می گردد، با توجه به اهمیت این نقشه در مطالعات منابع طبیعی، آبخیزداری و کشاورزی از تصاویر ماهواره ای با قدرت تفکیک بالا و روش هایی نظیر شیء گرا در این ارتباط استفاده گردد.

چکیده انگلیسی:

Abstract The availability of land use information permits decision-makers to develop plans in short to long-term period for the conservation, sustainable use and development of natural resources and watersheds. In this study, ETM+ image (2006), GPS and GIS were used for image interpretation, field data collection and land use mapping. Preprocessing and required correction have conducted. Initially, field visit have been conducted and different land uses have been defined. In the second step, image was visually interpreted and then training area has selected and using the maximum likelihood algorithm image was classified. According to the lack of the capability for detecting river beds and residential areas in digital image processing, integration of visual and digital interpretation (supervised classification) and object-based image analysis were used. Results show that, in visual interpretation, there is almost no capability to discriminate rangeland from dry farming land uses; however garden, residential areas and riverbeds are discriminated. Results of supervised classification show that there are problems to detect and discriminate different land uses; however, by integration of digital and visual interpretation, it is possible to use Landsat data to discriminate different land uses in the areas such as Kaftareh watersheds and Arshagh region of Ardabil province. The results of the evaluation of object-based classification accuracy showed the highest overall accuracy, because the method parameters such as scale, shape, tone and texture, in addition to using pixel values ​​were used in classification, hence with appropriate segment creation, there is the possibility of precise discrimination of land uses such as residential areas from dryland farming. In the future studies, according to the importance of land use map in the studies such as natural resources, watershed managements and agriculture, it is better to use high spatial imagery and object-based methods.     

منابع و مأخذ:


  1. Ahani, H., A.Ghorbani., Rastgar Moghadam,M.,Falah Shamsi,S., and M, Baghernejad.2009. Land use change detection using satellite imagery Tangeh-Sorkh watershed of Shiraz. Natural Resources and Agricultural Journal,16:242-252.
    2.
  2. Ahmad Abadi,S. 2011. Spatial modeling of planting activities on range area using GIS & RS in Kaftareh Watershed of Ardabil. Msc Thesis of Watershed Management. University of Mohaghegh Ardabily.
    3.
  3. Al-Ahmadi, F. S. and A. S. Hames. (2009) Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia, Journal of King Abdul Aziz Earth Science, 20(1): 167-191.
    4.
  4. Alavipanah, K, M ,Masoudi.2001. Land use Mapping Preparation Using TM satellite imaging Data and GIS (A case Study: Mork region of Fars province Natural Resources and Agricultural Journal.
    5.
  5. Arzani H, K.h , Mirakhorlou, S.Z ,Hosseini. 2009. Land use mapping using Landsat7 ETM data (Case study in middle catchment’s of Taleghan).Range and desert journal of Iran:16(2):150-160.
    6.
  6. Baban, S. J. and M. Wan Yusof.  (2001) Mapping land use/ cover distribution on a mountainous tropical island using remote sensing and GIS, International Journal Remote Sensing, 22:10, 1909–1918.
    7.
  7. Bastin, G.N., Pickup, G., Chewings, V.H., and G., Pearce. (1993) Land degradation assessment in central Australia using a grazing gradient method. Australian Rangeland Journal, 15: 190-216.
    8.
  8. Chavez, P. S., Berlin, G. L. and L. B. Sowers. (1982) Statistical methods for selecting Landsat MSS ratio. Journal of Applied Photogrammetric Engineering, 8(1):
    9.
  9. 23-30.
    10.
  10. Congalton, R.G., and K. Green. (2009) Assessing the accuracy of remotely sensed data: principles and practices. 2nd Ed, CRC Press Taylor & Francis Group, Boca Raton Florida. 179P.
    11.
  11. Dellepiane, S.G. and P.C. Smith. (1999) Quality assessment of image classification algorithms for land cover mapping: A review and a proposal for a cost based approach. International Journal Remote Sensing, 20: 1461-1486.
    12.
  12. Feysizadeh,b and H, Halali.2010. Comparision pixel basic methods and effective factors classification of vegetation and land use in West Azarbaijan province, Natural Geographic Research journal:71:73-84..
    13.
  13. Foody, G.M. (1992) On the compensation for chance agreement in image classification accuracy assessment. Photogrammeteric Engineering and Remote Sensing, 58: 1459-1460.
    14.
  14. Ghorbani, A. and M. Pakravan. (2013) Land use mapping using visual vs. digital image interpretation of TM and Google earth derived imagery in Shrivan-Darasi watershed (Northwest of Iran), European Journal of Experimental Biology, 3(1): 576-582.
    15.
  15. Ghorbani, A., Bruce, D., and F. Tiver. (2006) Stratification: a problem in rangeland monitoring. In Proceeding of the 1st International Conference on Object-based Image Analysis (OBIA), July 4-5, Salzburg, Austria.
    16.
  16. Hossieni,S. 2002. Investigation on ability of ETM+ satellite image Data For land use mapping preparation (A case Study: Mazandaran province, Chamestan region).Msc Thesis,Tehran University.
    17.
  17. Igué A.M., Houndagba C. J., Gaiser T. and K. Stahr. (2012) Accuracy of the Land Use/Cover classification in the Oueme Basin of Benin (West Africa), International Journal of AgriScience, 2(2): 174-184.
    18.
  18. Iranmanesh, F., A, Charkhabi., and N, Jalali.2006. Measuring of morphometric characteristics gullies in south eastern of Iran Using ETM+ Image processing. Natural Resources and Agricultural Sciences Journal: 10(1):233-245.
    19.
  19. Jaafari, Sh. and A.A., Nazarisamani. (2013) Comparison between land use/land cover mapping through Landsat and Google Earth imagery, American-Eurasian Journal of Agriculture & Environment Science, 13(6): 763-768.
    20.
  20. Jansen L. J.M. and A. Di Gregorio. (2004) Obtaining land-use information from a remotely sensed land cover map: results from a case study in Lebanon, International Journal of Applied Earth Observation and Geoinformation, 5: 141–157.
    21.
  21. Lefsky, M. A. and W. B. Cohen. (2003) Selection of  remotely sensed data. P13–46, in: M. A. Wulder and S. E. Franklin (eds.), Remote sensing of forest environments: concepts and case studies, Kluwer Academic Publishers, Boston, USA.
    22.
  22. Lillesand, ‎T. M., Kiefer, ‎ R.W. and J. W., Chipman. (2008) Remote Sensing and Image Interpretation, John Wiley & Sons, Inc., 6th Ed., 812p.
    23.
  23. Lu. D. and Q. Weng. (2007) A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing. 28(5): 823–870.
    24.
  24. Mather, P. M., (2005) Computer processing of remotely–sensed images, 3rd Ed, John Wiley & Sons, Ltd. pp319.
    25.
  25. Montserud, R. A. and R. Leamans. (1992) Comparing global vegetation maps statistic, Ecological Modeling, 62: 275-293.
    26.
  26. Myint, S. W., Gober P., Brazel A., Grossman-Clarke, S., Q., Weng. (2012) Per-pixel vs. object-based classification of urban land covers extraction using high spatial resolution imagery. Remote Sensing of Environment, 115: 1145–1161.
    27.
  27. Rasouli, E and H,Mohammadzadeh.2010. Remot sensing basic of Knowledg. Elmiran publition.190p.
    28.
  28. Shataee, Sh and A, Abdi, 2007. Land use mapping preparation in Zagros mountain region using ETM+ satellite images Data (A case study: Sarkan Watershed of Lorestan).Natural Resources and Agricultural Sciences Journal: 1(4):129-138.
    29.
  29. Singh, V. and A. Dubey. (2012) Land use mapping using remote sensing and GIS techniques in Naina - Gorma basin, part of Rewa district, M.P., India, International Tapiador, F.J. and J. L. Journal of Emerging Technology and Advanced Engineering, 2(11): 151-156.
    30.
  30. Casanova. (2003) Land use mapping methodology using remote sensing for the regional planning directives in Segovia, Spain Landscape and Urban Planning Journal, 62: 2, 103-115.
    31.
  31. Stehman, S. V. (2004) A critical evaluation of the normalized error matrix in map accuracy assessment, Photogrammetric Engineering and Remote Sensing. 70: 743–751.
    32.
  32. Walter, V. (2004) Object-based classification of remote sensing data for change detection, ISPRS Journal of Photogrammetry and Remote Sensing, 58: 225– 238.
    33.
  33. Wolberg. G. (1990) Digital image warping. Los Alamitos, CA: IEEE Computer Society Press, p 318.
    34.

 
 

 

27.  Najarloo, S.2005. Investigation on Fars expansion area using areal photographic, Topo graphic maps, Satellite image ETM+ and IRS-ID, Msc Thesis Agricultural and Natural Resources Faculty.

28.  Rafieyan, A., A. Darvishsefat and M. Namiranian.2006. Evaluation of Landsat7 Data in Forest Mapping (Case study: Forest of Babol).Iranian Natural Resources Journal: 59(4): 843-852.

مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]