مقایسه¬ی روش¬های حداکثر احتمال و فازی برای تهیه نقشه پوشش اراضی حوزه شهری بهشهر
الموضوعات :کبریا جعفری 1 , مرضیه علیخواه اصل 2 , یحیی کوچ 3
1 - دانشجوی کارشناسی ارشد، رشته محیط زیست (گرایش ارزیابی و آمایش سرزمین)، دانشگاه پیام نور، تهران. ایران.
2 - استادیار، گروه کشاورزی و منابع طبیعی، دانشگاه پیام نور، تهران، ایران. *(مسوول مکاتبات)
3 - استادیار، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس نور، ایران.
الکلمات المفتاحية: بهشهر, حداکثر احتمال, فازی, سنجش از دور.,
ملخص المقالة :
زمینه و هدف: نقشههای کاربری اراضی از مهمترین نقشهها برای برنامهریزی استفاده از سرزمین است که امروزه به طور وسیعی توسط تصاویر ماهوارهای تهیه میشوند. طبقهبندي كاربري پوشش اراضي با استفاده از این تصاوير يكي از مهمترين كاربردهاي سنجش از دور است و امروزه، الگوريتمهاي زيادي به منظور تهيه نقشه پوشش اراضي توسعه يافته است که هر کدام از دقت خاصی برخوردارند. هدف از تحقیق حاضر، مقایسه دقت طبقهبندی روش حداکثر احتمال و فازی در تهیه نقشه کاربری اراضی در حوزه شهری بهشهر استان مازندران است.
روش بررسی: ابتدا تصویر ماهواره لندست مربوط به اردیبهشت سال 1394 تهیه و پس از تصحیح هندسی و ارتفاعی در محیط نرم افزار Erdas Imagine، طبقه بندی تصاویر به روش نظارت شده با خوارزمیک حداکثر احتمال و فازی در حوزه شهری بهشهر استان مازندران انجام پذیرفت. دقت طبقهبندی نیز با شاخص کاپا و صحت کلی بررسی شد و مقایسه دقت طبقهبندی صورت گرفت.
یافته ها: نتایج نشان داد که در هر دو روش بیش ترین بخش از منطقه را اراضی پهن برگ و کم ترین آن را اراضی شهری به خود اختصاص داده است. همچنین مقایسه دقت طبقهبندی با دو روش نشان داد که روش حداکثر احتمال با ضریب کاپا 87/0 و صحت کلی 52/89% نسبت به روش فازی با ضریب کاپا 86/0 و صحت کلی 57/88% از دقت طبقه بندی بیش تری برخوردار است.
بحث و نتیجه گیری: نتایج تحقیق حاضر نشان دهنده این امر است که علیرغم بالا بودن قدرت تصاویر لندست در تهیه نقشه پوشش اراضی، لازم است تا با استفاده از روشهای مختلف طبقهبندی، بهترین روش از حیث دقت برای تهیه نقشه پوشش اراضی استفاده شود.
1. Khosrovani, Z., Khajeddin, S.J., Safyanian, A., Mohebbi. M., Parsamahr, A. 2012. Landslide Land Use Using IRS-P6 Satellite, Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science, Year 16, Number 59, P 233-244. (In Persian)
2. Ghorbani, M., Nazari-Samani, A.A., Kohanbani, H.R., Akbari, F., Jalili-Parvaneh, Z. 2010. Evaluation of land use change trend in Taleghan watershed, The 4th International Congress of Geographers of the Islamic World. (In Persian)
3. Taghizadeh- Ghalejoghi, S., Masomi, M. 2012. Study of land use changes in Naghade County using remote sensing and geographic information system (RS & GIS), Sepehr Journal, Volume 21, Issue 84, P 59-65. (In Persian)
4. Sarmad Dashti, Latif., Nur Alyaa Binti, Hazrin., Chai Hoon, Koo., Jing Lin, Ng., Barkha, Chaplot., Yuk Feng, Huang., Ahmed, El-Shafie., Ali Najah, Ahmed. 2023. Assessing rainfall prediction models: Exploring the advantages of machine learning and remote sensing approaches. Alexandria Engineering Journal, vol.82, pp.16-25.
5. Kate Altemus, Cullen., 2023. A review of applications of remote sensing for drought studies in the Andes region. Journal of Hydrology: Regional Studies. Vol.49, pp101483.
6. Ghorbani, R., Taghipor, A.A., Mahmodzadeh, H. 2012. Evaluation and analysis of land use changes in the area of the international wetlands Alla Gol, Alma Gholagh AJ Gol Turkmen Sahra using multi-temporal satellite imagery, Geography and Environmental Planning, Year 23, Series 48, Number 4. P 168-186. (In Persian)
7. Mazaheri. M.R., Esfandiyari, M., Masihabadi, M.H., Kamali, A. 2014. Monitoring of Land Use Time Changes Using Remote Sensing Techniques and Geographic Information Systems (Case Study: Jiroft, Kerman Province). Remote Sensing Application and GIS in Natural Resources Science, 4 (2): p 25-39. (In Persian)
8. Uosefi, S., Tazeh, M., Mirzai, S., Moradi, H.R., Tavangar, SH. 2011. Comparison of Different Satellite Image Categorization Algorithms in Land Use Mapping (Case Study: Noor City). Application of Remote Sensing and GIS in Natural Resources Science, No. 2, P 15-25. (In Persian)
9. Alikhah-Asl, M., Forotan, E. 2013. Using Fuzzy Classification Method for Land Use Mapping (Case Study: Hablehrood Watershed Basin). Human and Environment Quarterly, No. 24, Spring 2013. (In Persian)
10. Alikhah-Asl, M., Naseri, D. 2022. Preparing Ghoorichay Catchment Land Cover Map Using Satellite Image Analysis, Human and Environment, No. 60, pp. 93-104 (In Persian).
11. Salimi, Kh., Ahmadi Sani, N., Jalilnejad, N. 2019. Mapping Soil Salinity Using Remote Sensing Technology (Case Study: South Lands of West Azarbaijan province), Danesh Water and Soil Science, Vol. 29, pp. 115 – 128. (In Persian).
12. Moghani Rahimi, F., Mazidi, A., Ghafarian Malamiri, H.M. 2022. An investigation of urban development and land cover changes in abarkoh city combining bands from landsat 7 and 8 satellite images, geographical Data (sepehr), vo.31, N0.121, pp.127-141 (In Persian)
13. Zhao, Y., Duole, F., Le, Y., Xiaoyi, W., Yanlei, C., Yuqi, B., Hernández, J., Galleguillos, M., Estades, C., Biging, G., Radke, J., Peng, G., 2016, Detailed dynamic land cover mapping of Chile: Accuracy improvement by integrating multi-temporal data, Remote Sensing of Environment, Remote Sensing of Environment 183 (2016), Pp 170–185.
14. Aghaloo, K., Ali, T., Chiu, Y., Sharifi, A, 2023. Optimal site selection for the solar-wind hybrid renewable energy systems in Bangladesh using an integrated GIS-based BWM-fuzzy logic method, Energy Conversion and Management, Vol. 283.
15. Department of Natural Resources and Watershed of Mazandaran Province, Department of Engineering and Studies, Spring Access Date 2016. (In Persian)
16. Waseem, M., Paul, H., Jeffrey, G., Boshra, H., Salem, B., 2015. Land use/land cover change detection and prediction in the north-western coastal desert of Egypt using Markov-CA.
Applied Geography, 63 (2015), Pp 101-112.
17. Aslami, F., Ghorbani, A., Sobhani, B., Panahandeh, M. 2015. Comparison of artificial neural network, supporting and object-oriented vector machines in land use and land cover from Landsat 8, Application of Remote Sensing and GIS in Natural Resources Science, 6 (3): P 1-14. (In Persian)
18. Kun, J., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., Xianhong, X. ,2014. Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. ISPRS Journal of Photogrammetry and Remote Sensing, 93 (2014), Pp 49–55.
19. Tolaii, S and Haji-Norozi, N. 2006. Preparing the mapping of Pakdasht lands using RS and GIS, Geospatial Journal, vol. 5, p. 6 and 7: pp. 27-40 (In Persian).
20. Yuan, F.K.E., Sawaya, B.C., Loeffelholz, M. E., 2005. Land cover classification and change analysis of the Twin (Minnesota) Metropolitan Area by multi temporal Landsat remote sensing. Remote sensing of Environment, 95: 317-328.
21. Alavipanah, S.K., Valdani, M. 2010. Remote Sensing and GIS, Tehran University Press, Iran, 149-153 (In Persian).
22. ERDAS. 2007, Erdas Field Guide, Volume Tow, pp.138-139.
23. Xiao, T.Y., Huiping, L.X., 2015. Land cover changed object detection in remote sensing data with medium spatial resolution. International Journal of Applied Earth Observation and Geo information, 38, (2015), Pp 129–137.
24. Mathers, P. 2005, Computer Processing of Remotely- Sensed Images. John Wiley & Sons, 345 pp.
