تهیه نقشه کاربری اراضی با طبقهبندی شیء پایه با تصاویر ماهوارهای با قدرت تفکیک بالای WorldView 2
الموضوعات :یوسف تقی ملایی 1 , عبدالعلی کرمشاهی 2 , سیدیوسف عرفانی فرد 3 , مهدی حیدری 4
1 - دانش آموخته دکتری جنگلداری دانشگاه ایلام( مدرس مرکز آموزش عالی اقلید)
2 - دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران. *(مسوول مکاتبات)
3 - دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.
4 - دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران.
الکلمات المفتاحية: طبقهبندی شیء پایه, تصاویر با قدرت تفکیک بالا, تصاویر WorldView 2, سنجش از دور,
ملخص المقالة :
زمینه و هدف: نقشه های پوشش اراضی، داده های مهمی برای ارزیابی زیست محیطی هستند. در این مطالعه، دقت تهیه نقشه کاربری اراضی منطقه هفت برم شیراز با الگوریتم شیء پایه برروی تصاویر ماهواره ای WorldView 2 سال 2015میلادی بررسی شده است.روش بررسی: در این مطالعه از تصاویر WorldView 2 در جنگل های اطراف شیراز استفاده شده است که می تواند نقشه های پوشش گیاهی را با جزئیات زیاد تهیه کند. روش آنالیز تهیه نقشه، روش شیء پایه با درخت تصمیم می باشد. فرآیند کار شامل: قطعه بندی، انتخاب و استخراج عارضه های مدنظر شامل 9کلاس با شاخص های طیفی، طبقه بندی سلسله مراتبی شیء پایه و ایجاد درخت تصمیم برای طبقه بندی تصویر و در نهایت طبقه بندی و ارزیابی صحت آن می باشد.یافته ها: نتایج نشان داد که کلاس های طبقه بندی موفق بوده اند و صحت کلی 45/87 درصد بود. بیشترین صحت طبقه بندی در صحت تولیدکننده برای کلاس های آب، جنگل، محصول، ساختمان بود. بالاترین صحت مربوط به آب است (100درصد).بحث و نتیجه گیری : درختان دست کاشت و جنگل های طبیعی با روش شی پایه تشخیص داده شدند. باندهای اضافی ساحلی، امکان تشخیص اراضی بایر را از سایر پوشش گیاهی فراهم می نمایند. فاصله تا درخت و سایه نقش مهمی در تشخیص ساختمان ها دارند.
مقاله پژوهشی
علوم و تکنولوژی محیط زیست، دوره بیست و سوم، شماره چهار، تیرماه 1400(صفحات 258-249)
تهیه نقشه کاربری اراضی با طبقهبندی شیء پایه با تصاویر ماهوارهای با قدرت تفکیک بالای WorldView 2
یوسف تقی ملایی[1]
عبدالعلی کرمشاهی[2] *
سیدیوسف عرفانی فرد[3]
مهدی حیدری2
تاریخ دریافت: 14/2/97 |
تاریخ پذیرش: 3/7/97 |
چکیده
زمینه و هدف: نقشههای پوشش اراضی، دادههای مهمی برای ارزیابی زیست محیطی هستند. در این مطالعه، دقت تهیه نقشه کاربری اراضی منطقه هفت برم شیراز با الگوریتم شیء پایه برروی تصاویر ماهواره ای WorldView 2 سال 2015میلادی بررسی شده است.
روش بررسی: در این مطالعه از تصاویر WorldView 2 در جنگلهای اطراف شیراز استفاده شده است که میتواند نقشههای پوشش گیاهی را با جزئیات زیاد تهیه کند. روش آنالیز تهیه نقشه، روش شیء پایه با درخت تصمیم می باشد. فرآیند کار شامل: قطعه بندی، انتخاب و استخراج عارضههای مدنظر شامل 9کلاس با شاخصهای طیفی، طبقه بندی سلسله مراتبی شیء پایه و ایجاد درخت تصمیم برای طبقهبندی تصویر و در نهایت طبقهبندی و ارزیابی صحت آن میباشد.
یافتهها: نتایج نشان داد که کلاسهای طبقهبندی موفق بودهاند و صحت کلی 45/87 درصد بود. بیشترین صحت طبقهبندی در صحت تولیدکننده برای کلاسهای آب، جنگل، محصول، ساختمان بود. بالاترین صحت مربوط به آب است (100درصد).
بحث و نتیجهگیری : درختان دست کاشت و جنگلهای طبیعی با روش شی پایه تشخیص داده شدند. باندهای اضافی ساحلی، امکان تشخیص اراضی بایر را از سایر پوشش گیاهی فراهم مینمایند. فاصله تا درخت و سایه نقش مهمی در تشخیص ساختمانها دارند.
واژههای کلیدی: تصاویر WorldView 2، طبقهبندی شیء پایه، سنجش از دور، تصاویر با قدرت تفکیک بالا.
|
Mapping of Land Use with an Object Base Classification Using WorldView-2 High Resolution Satellite Imagery
Admission Date:September 25, 2018 |
|
Date Received: May 4, 2018 |
Abstract
Background and Objective: Land cover maps are important data for environmental assessment. In this study, the accuracy of preparing the land use map of Haft Boram area of Shiraz with the base object algorithm on the World View 2 satellite images of 2015 has been investigated.
Method: In this study, World View 2 images have been used in the forests around Shiraz, which can provide detailed vegetation maps. The method of map preparation analysis is the method of the base object with the decision tree. The work process includes: segmentation, selection and extraction of the desired features including 9 classes with spectral indices, hierarchical classification of the base object and creation of a decision tree to classify the image, and finally classification and evaluating of its accuracy.
Findings: The results showed that the classification classes were successful and the overall accuracy was 87.45%. The most accurate classification was obtained in the procedure accuracy for water, forest, crop, and building classes. The highest accuracy is related to water (100%).
Discussion and Conclusion: Planting trees and natural forests were recognized by the base object method. Additional coastal bands provide the ability to detect Bayer lands from other vegetation. Distance to tree and shadow play an important role in the identification of buildings.
Keywords: WorldView 2 Images, Object Base Classification, Remote Sensing; High Resolution Images.
مقدمه
برآورد ویژگیهای کمی و کیفی گیاهان و درختان روی تصاویربا دقت مطلوب ،یکی از چالشهای اخیر در سنجشازدور است،تاج پوشش یک مشخصه مهم ساختار جنگل برای بسیاری از برنامه های کاربردی در بومشناسی، آبشناسی و مدیریت جنگل است. مدیریت شهری به دلیل توسعه سریع شهری به موضوعی مهم تبدیل شده است.شهرنشینی مردم را وادار به کنترل فضاهای سبز شهری برای اهداف زیست محیطی کرده است (2،1). اثرات و مزایای درختان شهری شامل تمیز کردن هوا، کاهش آلودگی صدا (3)، جلوگیری از فرسایش خاک، جذب آب، باد شکن، ارائه سایه به خانه و خنککننده محیط زیست میباشد (5،4). اطلاعات دقیق و قابل اطمینان گونههای درخت متفاوت برای مطالعات پوشش گیاهی شهر بسیار مهم است. این اطلاعات به برنامهریزان و محققان شهر برای برنامه ریزی شهری و مدیریت بحران کمک میکند (7،6). هدف از این مطالعه بررسی پتانسیل تصاویر ماهوارهایی Worldview-2 برای طبقهبندی کاربری اراضی به روش شی پایه در جنگلهای اطراف شهر شیراز است.
مواد و روشها
منطقه مورد مطالعه مجموعه دریاچههای هفت برم در موقعیت جغرافیایی N294921 E520227 در استان فارس واقع است. این دریاچهها در ۵۵ کیلومتری غرب شیراز و شمال شرقی منطقه حفاظت شده ارژن و پریشان واقع شده اند و 2150 متر از سطح دریا ارتفاع دارند(شکل1).
روش کار
طبقهبندی تصویر شیگرا به طور موفقیتآمیزی در تصاویر سنجش از دوری با قدرت تفکیک بالا اعمال شده است(9،8). در این مطالعه طبقهبندی شیء مبنای سلسله مراتبی در چند سطح اجرا میشود. طبقهبندی تصویر شیء پایه شامل سه مرحله اصلی است: 1) تعیین پارامترهای سگمنتسازی مناسب؛ 2) انتخاب ویژگی برای طبقهبندی بر اساس اشیا؛ 3) ایجاد مجموعه قوانین طبقهبندی و یا استفاده از یک الگوریتم طبقهبندی. بنابراین، این تحقیق بر اهمیت باندهای اضافی WV-2 در بهبود طبقهبندی پوشش زمین تآکید دارد که در ادامه گامهای طبقهبندی مختلف شیء پایه اجراشده، ارائه می گردد.
پردازش دادهها
تصویر چند طیفی(Multi-spectral, MS) ماهوارهWorldView 2 در این مطالعه طبقهبندی شد. تصویر ماهواره WorldView 2 مربوط به تاریخ21خرداد 1394 (11ژوئن 2015) با قدرت تفکیک
شکل1- منطقه مورد مطالعه و تصویر رنگی Worldview-2 از منطقه با باندهای چندطیفی (753RGB=)
Figure 1. The color image of the WV-2 from the studied area. Haft-Barm forest, Shiraz, Iran
8/1 متر و باندهای پانکروماتیک (قدرت تفکیک مکانی 5/0متر) از شرکت دیجیتال کلوب (Digital Globe) به صورت مستقیم خریداری شد. تصاویر در دو فرمت تک طیفی با قدرت تفکیک 5/0 متر و چندطیفی با قدرت تفکیک 2 متری با مساحت خریداری شده 100کیلومترمربع میباشد. در ابتدا تصحیحات هندسی روی تصویر با نقاط برداشتی GPS سه فرکانسه از منطقه مورد مطالعه، صورت گرفت. تصویر چندطیفی WV2 با هشت باند ژئورفرنس شده، خطای RMS ، کمتر از یک پیکسل ایجاد شد.
سگمنتسازی چندمقیاسی
قطعهبندی براساس مقیاس، رنگ، شکل و ترکیب آنها با صافی یا فشردگی صورت میپذیرد(11،10). الگوریتم سگمنتسازی با قدرت تفکیک بالا براساس روش تکامل شبکه مجزا (fractal net evolution approach; FNEA) میباشد (13،12). چون سگمنتسازی تصویر در روش شیء پایه تحت تاثیر سه پارامتر: مقیاس، رنگ و شکل است(14)، اولین پارامتر در سگمنتسازیFNEA، ترکیب همگنی شیء تصویر است. بهینهسازی معیار نرمی در شیءهای تصویر در ارتباط با نرمی مرزهاست، چون معیار فشردگی، اشیایی که فشردهاند را بهینه می سازد (شکل2).
تصویر WV2 با الگوریتم سگمنتسازی چندمقیاسی در نرم افزار Definiens eCognition Developer ver. 8.64 ، سگمنت شد. برای سگمنتسازی، همه 8باند استفاده شد بر اساس آنالیز آزمایش و خطا، دو سطح لایه شیءء بر مبنای اندازه قطعات کلاسهای پوشش گیاهی ایجاد شدند. پارامترهای زیر از الگوریتم سگمنت چندمقیاسی تعریف شدند:
سطح 1 لایه شیء: وزن 1 برای هشت باند؛ پارامتر مقیاس 30 است؛ پارامتر رنگ 8/0است و پارامتر فشرده سازی 7/0 است.تعداد 162438شیء در لایه شیءء سطح 1 براساس پارامترهای سگمنتسازی که در بالا شرح داده شد، ایجاد شدند. سطح 1 لایه اشیای مناسب استخراج ساختمان، جاده، درخت، سایه و چمن در سطح مورد مطالعه بر مبنای اندازه اشیاء منطقه میباشد. لایه اشیای سطح2 از لایه اشیای سطح 1 بدست می آید. از طریق ادغام کردن اشیای سطح 1 با پارامتر مقیاس 350، تعداد 931 شیء در سطح2 در تصویر ایجاد میشود. سطح 2لایه اشیای مناسب استخراج جنگل، محصول، زمین های زراعی و آب با توجه به اندازه شیء آنها میباشد. سگمنتهای به دست آمده در این روش در آنالیز عارضههای انتخابی بعدی مورد استفاده قرار میگیرند (جدول1).
جدول1- وزنهای اعمال شده برای قطعهبندی
Table 1. Weights applied for segmentation
سلسله مراتب |
پارامتر مقیاس |
فاکتور رنگ |
فاکتور شکل |
درجه فشردگی |
درجه صافی |
سطح1 |
30 |
8/0 |
2/0 |
7/0 |
3/0 |
سطح2 |
350 |
8/0 |
2/0 |
7/0 |
3/0 |
طبقهبندی سلسله مراتبی شیء پایه
در سطح 2 لایه سلسله مراتب، تمایز اساسی بین آب و غیر آب، پوشش گیاهی و غیر گیاهی وجود دارد، که در مقیاس وسیعی در این مطالعه انجام یافته است. به دنبال این، مناطق شهری ماسک شدند و اشیای غیر قابل نفوذ، بیشتر به ساختمان و جاده و غیره طبقهبندی شدهاند. این طبقهبندی سلسله مراتبی مبتنی بر شیء چند سطحی به طور پیوسته نواحی بی معنی را ماسک می کند، در نتیجه به طور قابل توجهی کاهش پیچیدگی طبقهبندی را خواهیم داشت که در سطح بعدی از جزئیات رخ میدهد. با این حال، دقت طبقهبندی در سطح پایین بستگی به دقت در سطح بالاتر دارد زیرا خطا میتواند به سطح بعدی منتشر میشود. انتخاب مقیاس با دقت و طبقهبندی مناسب، موجب کاهش این تاثیرات میشود. در این مطالعه، یک درخت تصمیمگیری طبقهبندی سلسله مراتبی پیشنهاد شده است. درخت تصمیمگیری طبقهبندی شیءگرای سلسله مراتبی پوشش زمین شهری در این مطالعه در شکل 2 نشان داده شده است. سطح2 لایه اشیاء: برای تمایز بین طبقات آب و زمین، از شاخص تنوع Normalized Water(NDWI)، که توسط McFeeters (15) توسعه یافته است، استفاده شد. پس از آن، پوشش گیاهی در حومه شهر و دیگر پوشش زمین، توسط آستانه ویژگی از گروه NDVI و انحراف معیار باند1 جدا شد. علاوه بر این، ما میتوانیم جنگل را از محصول به وسیله آستانه انحراف معیار NDVI متمایز کنیم. از سوی دیگر سطوح شهری و اراضی بایر میتوانند به وسیله ویژگی NDBSI جدا شوند (شکل2). سطح1 لایه اشیاء: با استفاده از نتایج سطح لایه شیء 2 به عنوان یک ماسک، این سطح بر روی طبقهبندی اشیا بصورت ریزتر متمرکز شده است.
شکل2- درخت تصمیم طبقهبندی شی مبنا
Figure 2. Decision tree for the classification of the base objects
طبقهبندی پوشش اراضی شهری به درختان، چمن و سایه، جاده، ساختمان با سقف آجر و غیره. پوشش گیاهی از غیرپوشش گیاهی در سطوح شهری میتواند به وسیله آستانه NDVI جدا شود. درنتیجه سطوح شهری لایه سطح 1 را ماسک می کند. دوم، درختان و چمن در مناطق شهری میتوانند با ترکیب FCI و انحراف معیار NDVI ، جدا شوند. از سوی دیگر، ساخت و ساز با سقف ایزوگام میتواند از غیر گیاهی در منطقه شهری با NDBRI، استخراج شود. سایه میتواند از منطقه سقف غیر آجر با ویژگی حداکثر تفاوت بزرگتر از 2 و NDWI استخراج شود. جاده میتواند از غیر سایه توسط طول و عرض ابعاد استخراج شود(شکل 2). فاصله هر کلاس با سایه می تواند پس از ایجاد سایه در جهت استخراج کلاس استفاده شود. علاوه بر این، فاصله ویژگیهای کلاس به درخت و فاصله تا سقف ایزوگام میتواند همچنین استخراج شود. به این ترتیب ما میتوانیم ساختمانهای دیگر را از زمینهای بایر ویژه با ویژگیهای مربوط به سه کلاس بالا بر اساس ماسک غیر جادهای جدا کنیم. برای ارزیابی صحت به روش معمول از ضریب کاپا استفاده شد. پس از استخراج عارضههای کاربری مورد نظر، نتایج حاصل، دقتسنجی شدند. برای این کار 1۰۰ نقطه به صورت تصادفی بر روی تصاویر ایجاد شد و مرز تاج پوشش درختان و سایر عوارض این نقاط از روی تصاویر مشخص شدند.
نتایج و بحث
نتیجه توزیع فضایی کلاسها در شکل 3 ارائه شده است. از آنجا که سایه، کلاس پوشش زمین واقعی نیست، ما سایه را به کلاس جاده منتقل کردیم. ارزیابی صحت، یک پارامتر مهم برای ارزیابی عملکرد طبقهبندی و سودمندی خروجی است. این میزان صحیح بودن یک نقشه یا طبقهبندی را در مقایسه با ویژگیهای زمین واقعی بیان میکند. ارزیابی صحت در قالب عبارات صحت تولیدکننده کلاس و کاربر، دقت کلی و ضریب کاپا است که بعد از ایجاد ماتریس پیچیدگی محاسبه میشود. نتایج طبقهبندی نشان میدهد که مجموع 9 کلاس کاربری اراضی و پوشش گیاهی، طبقه بندی با موفقیت انجام شده است؛ صحت کلی طبقه بندی 45/87% است. صحت کاربر برای طبقهبندی پنج کلاس (آب، جنگل، گراس، ساختمان با سقف ایزوگام، ساختمان های دیگر)، بیش از 85٪ بدست آمد. ویژگی مرتبط با کلاس مانند فاصله از درخت یا سایه برای تشخیص ساختمان از بعضی کلاسهای مخصوص پوشش زمین، مهم است. NDVI میتواند برای استخراج پوشش گیاهی به طور موثر استفاده شود.
شکل3- نتیجه طبقهبندی کاربری اراضی
Figure 3. Land use classification
مهمترین محدودیت برای شاخص NDVI ، حساس بودن این شاخص به انعکاس خاک زمینه میباشد (16). جهت کاهش اثر خاک زمینه از شاخصهای خط خاک استفاده شود (17).در روشهای آماری پارامتری به طور معمول شرایط اولیه مانند توزیع نرمال جهت انعکاس طیفی یا همگنی پراکنش طیفی با داده های سنجش از دور مطابقت ندارد (18). NDBSI برای تشخیص اراضی خشک بایر، بسیار مهم است. با این حال، دقت طبقهبندی پایینتری برای جادهها، سایر ساختمانها و چمن وجود دارد. جاده فقط با صحت تولیدکننده 9/48٪ طبقهبندی شده است. این نشان میدهد که بیشتر اشیای جادهها، نمیتوانند به علت نسبت طول / عرض کمتر استخراج شوند. از سوی دیگر، نشان میدهد که نتیجه سگمنتسازی برای استخراج جادهها مناسب نیست. ساختمانهای دیگر با صحت کاربر 1/52٪ طبقهبندی شدند. این به خاطر این است که ساختمانها با جادهها، اشتباه گرفته میشوند. آنالیز تصاویر ممکن است به طور خاصی بهبود باید، چنانچه تصاویر تهیه شده مربوط به اولین باران بزرگ در پایان فصل خشک باشد. به طور ویژه باندهای مادون قرمز2 و زرد، قابلیت جداسازی طیفی بالایی دارند. گراسها با 0/99٪ صحت تولیدکننده و 4/96٪ صحت کاربر، طبقهبندی شدند. این نتیجه نشان میدهد که به طور بارزی ویژگی FCI ، برای تشخیص چمن از سایر پوشش گیاهی، توانایی دارد و مناسب است. نتایج جداسازی گراسها با نتایج Marshall و همکاران (2012) که در استرالیا بررسی نمودند، سازگار است. تنها باندهای چند طیفی (MS) در این مطالعه طبقهبندی شدند. بیشترین اشتباه در طبقهبندی سایهها رخ داده است. اینها به طور واضح در کلاس سایه های پوشش گیاهی زنده، مشخص نیستند، چون آنها اغلب، بیشتر با کلاس پوشش گیاهی زنده مخلوط میشوند.
جدول2- صحت طبقهبندی
Table 2. Accuracy of classification
|
صحت تولید کننده |
صحت کاربر |
آب |
100 |
100 |
جنگل |
88/92 |
68/94 |
محصول |
2/87 |
36/78 |
اراضی بایر |
87/94 |
25/46 |
ساختمان ایزوگام |
1/91 |
6/97 |
جاده |
9/48 |
75/90 |
سایر ساختمانها |
3/94 |
1/52 |
درخت |
1/85 |
8/93 |
گراس |
09/99 |
46/96 |
صحت کلی طبقه بندی |
45/87 |
849/0 |
ضریب کاپا |
|
|
هنوز پتانسیل زیادی برای شناسایی کلاسهای دیگر در منطقه شهری بر اساس تصویر worldview 2، مانند میدان و یا ساختمان کارخانه وجود دارد، وقتی باندهای پانکروماتیک با باندهای MS، ادغام شوند، سایه ممکن است بسیار دقیقتر از تصاویر با قدرت تفکیک بالا، تشخیص داده شود. با داده چندطیفی WorldView-2 مدلسازی شده، برگهای درختان در خیابان و مرز پارک جنگلی فقط در باند 6 (لبه قرمز) به طور آماری قابلیت جداسازی را دارند که با نتایج Shushanik و همکاران (2013) مطابقت دارد. روش شیء پایه با تصاویر قابلیت طبقهبندی بسیار مناسبتتری و با صحت بالاتری نسبت به بقیه الگوریتم ها دارد که Yan و همکاران (2016) نیز در تهیه نقشه گیاهان در مکزیک با استفاده از چهار روش به همین نتیجه دست یافتند. صحت طبقه بندی با روش شیء پایه، پیکسل مبنا و ماشین بردار پشتیبان با تصاویر ماهواره ای WV-2 در طبقه بندی درختان جنگلی در برزیل، مالزی و استرالیا با روش شیء پایه و درخت تصمیم بررسی شده که صحت روش شیء پایه به ترتیب 83 و 88 و 78% برآورد شد؛ که با نتایج ما سازگار است (22،20). veric و همکاران (2014) به شناسایی گونههای درختی با تصاویر WV-2 در جنگلهای طبیعی اسلوونی با روش شیء پایه پرداختند. صحت طبقه بندی 58 % بود (23). Chávez و Clevers (2012) به شناسایی اتوماتیک درختان بیمار جنگل و ارزیابی شرایط سلامت جنگل در آمریکای لاتین، شیلی با تصاویر WV-2 با روش شیء پایه پرداختند. باند لبه قرمز (705-745 nm) مناسب جهت تشخیص بیماری تشخیص داده شد و نتیجه گرفتند که باند لبه قرمز در سنجیدن سلامت گیاهان و طبقهبندی گیاهان، بسیار با ارزش است (24).
نتیجهگیری
در مطالعه کنونی، مدل شیء پایه با استفاده از تصاویر با قدرت تفکیک بالا در جهت نقشهسازی پوشش گیاهی، توسعه داده شده است. نتایج تأیید میکند که این ممکن است سطوح گیاهی را با جزئیات دقیق و بالا به وسیله روش شیء پایه شناسایی کنیم. شناسایی و به روزنمودن دورهای سطوح گیاهی و بررسی خشکشدن آنها ناشی از آفات از وظایف مرتبط سنجش از دور است. یافتههای ما منجر به این نتیجهگیری میشود که طبقات طیفی مشابه مانند جنگل و درخت، سطوح غیر قابل نفوذ و خاک بایر، آب و سایه را میتوان بهتر تشخیص داد وقتی باندهای اضافی از سنجنده WV-2، در طول طبقهبندی شیء پایه استفاده میشود. ویژگی جدید به عنوان NDBSI ، بر اساس باند 2 (آبی) و باند 1 (ساحلی) پیشنهاد میشود. سطح خاک بایر را میتوان با NDBSI، افزایش داد. ویژگیهای مرتبط با کلاس مانند فاصله به درخت و یا سایه برای مشخص ساختن ساختمان از برخی کلاس های پوشش زمینی خاص، مهم است، به عنوان مثال یک زمین بایر با محتوای آب زیاد را میتوان با این ویژگی تشخیص داد. منطقه شهری و منطقه حومه را میتوان به طور موثر با تکنیک طبقهبندی شیء پایه با مقیاسهای مختلف تشخیص داد. مقاله مستخرج از تز دکتری دانشگاه ایلام میباشد.
Reference
[1]- دانش آموخته دکتری جنگلداری دانشگاه ایلام( مدرس مرکز آموزش عالی اقلید)
[2]- دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران. *(مسوول مکاتبات)
[3]- دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.
1- PhD, Forestry, University of Ilam,Ilam.Iran )Higher Education Center of Eghlid (
2- Associate Prof and Faculty Member of Forest Sciences, University of Ilam, Iran *(Corresponding Author)
3- Associate Prof., Department of Remote Sensing and GIS, Faculty of Geography, Tehran University, Tehran, Iran
_||_
مقاله پژوهشی
علوم و تکنولوژی محیط زیست، دوره بیست و سوم، شماره چهار، تیرماه 1400(صفحات 258-249)
تهیه نقشه کاربری اراضی با طبقهبندی شیء پایه با تصاویر ماهوارهای با قدرت تفکیک بالای WorldView 2
یوسف تقی ملایی[1]
عبدالعلی کرمشاهی[2] *
سیدیوسف عرفانی فرد[3]
مهدی حیدری2
تاریخ دریافت: 14/2/97 |
تاریخ پذیرش: 3/7/97 |
چکیده
زمینه و هدف: نقشههای پوشش اراضی، دادههای مهمی برای ارزیابی زیست محیطی هستند. در این مطالعه، دقت تهیه نقشه کاربری اراضی منطقه هفت برم شیراز با الگوریتم شیء پایه برروی تصاویر ماهواره ای WorldView 2 سال 2015میلادی بررسی شده است.
روش بررسی: در این مطالعه از تصاویر WorldView 2 در جنگلهای اطراف شیراز استفاده شده است که میتواند نقشههای پوشش گیاهی را با جزئیات زیاد تهیه کند. روش آنالیز تهیه نقشه، روش شیء پایه با درخت تصمیم می باشد. فرآیند کار شامل: قطعه بندی، انتخاب و استخراج عارضههای مدنظر شامل 9کلاس با شاخصهای طیفی، طبقه بندی سلسله مراتبی شیء پایه و ایجاد درخت تصمیم برای طبقهبندی تصویر و در نهایت طبقهبندی و ارزیابی صحت آن میباشد.
یافتهها: نتایج نشان داد که کلاسهای طبقهبندی موفق بودهاند و صحت کلی 45/87 درصد بود. بیشترین صحت طبقهبندی در صحت تولیدکننده برای کلاسهای آب، جنگل، محصول، ساختمان بود. بالاترین صحت مربوط به آب است (100درصد).
بحث و نتیجهگیری : درختان دست کاشت و جنگلهای طبیعی با روش شی پایه تشخیص داده شدند. باندهای اضافی ساحلی، امکان تشخیص اراضی بایر را از سایر پوشش گیاهی فراهم مینمایند. فاصله تا درخت و سایه نقش مهمی در تشخیص ساختمانها دارند.
واژههای کلیدی: تصاویر WorldView 2، طبقهبندی شیء پایه، سنجش از دور، تصاویر با قدرت تفکیک بالا.
|
Mapping of Land Use with an Object Base Classification Using WorldView-2 High Resolution Satellite Imagery
Admission Date:September 25, 2018 |
|
Date Received: May 4, 2018 |
Abstract
Background and Objective: Land cover maps are important data for environmental assessment. In this study, the accuracy of preparing the land use map of Haft Boram area of Shiraz with the base object algorithm on the World View 2 satellite images of 2015 has been investigated.
Method: In this study, World View 2 images have been used in the forests around Shiraz, which can provide detailed vegetation maps. The method of map preparation analysis is the method of the base object with the decision tree. The work process includes: segmentation, selection and extraction of the desired features including 9 classes with spectral indices, hierarchical classification of the base object and creation of a decision tree to classify the image, and finally classification and evaluating of its accuracy.
Findings: The results showed that the classification classes were successful and the overall accuracy was 87.45%. The most accurate classification was obtained in the procedure accuracy for water, forest, crop, and building classes. The highest accuracy is related to water (100%).
Discussion and Conclusion: Planting trees and natural forests were recognized by the base object method. Additional coastal bands provide the ability to detect Bayer lands from other vegetation. Distance to tree and shadow play an important role in the identification of buildings.
Keywords: WorldView 2 Images, Object Base Classification, Remote Sensing; High Resolution Images.
مقدمه
برآورد ویژگیهای کمی و کیفی گیاهان و درختان روی تصاویربا دقت مطلوب ،یکی از چالشهای اخیر در سنجشازدور است،تاج پوشش یک مشخصه مهم ساختار جنگل برای بسیاری از برنامه های کاربردی در بومشناسی، آبشناسی و مدیریت جنگل است. مدیریت شهری به دلیل توسعه سریع شهری به موضوعی مهم تبدیل شده است.شهرنشینی مردم را وادار به کنترل فضاهای سبز شهری برای اهداف زیست محیطی کرده است (2،1). اثرات و مزایای درختان شهری شامل تمیز کردن هوا، کاهش آلودگی صدا (3)، جلوگیری از فرسایش خاک، جذب آب، باد شکن، ارائه سایه به خانه و خنککننده محیط زیست میباشد (5،4). اطلاعات دقیق و قابل اطمینان گونههای درخت متفاوت برای مطالعات پوشش گیاهی شهر بسیار مهم است. این اطلاعات به برنامهریزان و محققان شهر برای برنامه ریزی شهری و مدیریت بحران کمک میکند (7،6). هدف از این مطالعه بررسی پتانسیل تصاویر ماهوارهایی Worldview-2 برای طبقهبندی کاربری اراضی به روش شی پایه در جنگلهای اطراف شهر شیراز است.
مواد و روشها
منطقه مورد مطالعه مجموعه دریاچههای هفت برم در موقعیت جغرافیایی N294921 E520227 در استان فارس واقع است. این دریاچهها در ۵۵ کیلومتری غرب شیراز و شمال شرقی منطقه حفاظت شده ارژن و پریشان واقع شده اند و 2150 متر از سطح دریا ارتفاع دارند(شکل1).
روش کار
طبقهبندی تصویر شیگرا به طور موفقیتآمیزی در تصاویر سنجش از دوری با قدرت تفکیک بالا اعمال شده است(9،8). در این مطالعه طبقهبندی شیء مبنای سلسله مراتبی در چند سطح اجرا میشود. طبقهبندی تصویر شیء پایه شامل سه مرحله اصلی است: 1) تعیین پارامترهای سگمنتسازی مناسب؛ 2) انتخاب ویژگی برای طبقهبندی بر اساس اشیا؛ 3) ایجاد مجموعه قوانین طبقهبندی و یا استفاده از یک الگوریتم طبقهبندی. بنابراین، این تحقیق بر اهمیت باندهای اضافی WV-2 در بهبود طبقهبندی پوشش زمین تآکید دارد که در ادامه گامهای طبقهبندی مختلف شیء پایه اجراشده، ارائه می گردد.
پردازش دادهها
تصویر چند طیفی(Multi-spectral, MS) ماهوارهWorldView 2 در این مطالعه طبقهبندی شد. تصویر ماهواره WorldView 2 مربوط به تاریخ21خرداد 1394 (11ژوئن 2015) با قدرت تفکیک
شکل1- منطقه مورد مطالعه و تصویر رنگی Worldview-2 از منطقه با باندهای چندطیفی (753RGB=)
Figure 1. The color image of the WV-2 from the studied area. Haft-Barm forest, Shiraz, Iran
8/1 متر و باندهای پانکروماتیک (قدرت تفکیک مکانی 5/0متر) از شرکت دیجیتال کلوب (Digital Globe) به صورت مستقیم خریداری شد. تصاویر در دو فرمت تک طیفی با قدرت تفکیک 5/0 متر و چندطیفی با قدرت تفکیک 2 متری با مساحت خریداری شده 100کیلومترمربع میباشد. در ابتدا تصحیحات هندسی روی تصویر با نقاط برداشتی GPS سه فرکانسه از منطقه مورد مطالعه، صورت گرفت. تصویر چندطیفی WV2 با هشت باند ژئورفرنس شده، خطای RMS ، کمتر از یک پیکسل ایجاد شد.
سگمنتسازی چندمقیاسی
قطعهبندی براساس مقیاس، رنگ، شکل و ترکیب آنها با صافی یا فشردگی صورت میپذیرد(11،10). الگوریتم سگمنتسازی با قدرت تفکیک بالا براساس روش تکامل شبکه مجزا (fractal net evolution approach; FNEA) میباشد (13،12). چون سگمنتسازی تصویر در روش شیء پایه تحت تاثیر سه پارامتر: مقیاس، رنگ و شکل است(14)، اولین پارامتر در سگمنتسازیFNEA، ترکیب همگنی شیء تصویر است. بهینهسازی معیار نرمی در شیءهای تصویر در ارتباط با نرمی مرزهاست، چون معیار فشردگی، اشیایی که فشردهاند را بهینه می سازد (شکل2).
تصویر WV2 با الگوریتم سگمنتسازی چندمقیاسی در نرم افزار Definiens eCognition Developer ver. 8.64 ، سگمنت شد. برای سگمنتسازی، همه 8باند استفاده شد بر اساس آنالیز آزمایش و خطا، دو سطح لایه شیءء بر مبنای اندازه قطعات کلاسهای پوشش گیاهی ایجاد شدند. پارامترهای زیر از الگوریتم سگمنت چندمقیاسی تعریف شدند:
سطح 1 لایه شیء: وزن 1 برای هشت باند؛ پارامتر مقیاس 30 است؛ پارامتر رنگ 8/0است و پارامتر فشرده سازی 7/0 است.تعداد 162438شیء در لایه شیءء سطح 1 براساس پارامترهای سگمنتسازی که در بالا شرح داده شد، ایجاد شدند. سطح 1 لایه اشیای مناسب استخراج ساختمان، جاده، درخت، سایه و چمن در سطح مورد مطالعه بر مبنای اندازه اشیاء منطقه میباشد. لایه اشیای سطح2 از لایه اشیای سطح 1 بدست می آید. از طریق ادغام کردن اشیای سطح 1 با پارامتر مقیاس 350، تعداد 931 شیء در سطح2 در تصویر ایجاد میشود. سطح 2لایه اشیای مناسب استخراج جنگل، محصول، زمین های زراعی و آب با توجه به اندازه شیء آنها میباشد. سگمنتهای به دست آمده در این روش در آنالیز عارضههای انتخابی بعدی مورد استفاده قرار میگیرند (جدول1).
جدول1- وزنهای اعمال شده برای قطعهبندی
Table 1. Weights applied for segmentation
سلسله مراتب |
پارامتر مقیاس |
فاکتور رنگ |
فاکتور شکل |
درجه فشردگی |
درجه صافی |
سطح1 |
30 |
8/0 |
2/0 |
7/0 |
3/0 |
سطح2 |
350 |
8/0 |
2/0 |
7/0 |
3/0 |
طبقهبندی سلسله مراتبی شیء پایه
در سطح 2 لایه سلسله مراتب، تمایز اساسی بین آب و غیر آب، پوشش گیاهی و غیر گیاهی وجود دارد، که در مقیاس وسیعی در این مطالعه انجام یافته است. به دنبال این، مناطق شهری ماسک شدند و اشیای غیر قابل نفوذ، بیشتر به ساختمان و جاده و غیره طبقهبندی شدهاند. این طبقهبندی سلسله مراتبی مبتنی بر شیء چند سطحی به طور پیوسته نواحی بی معنی را ماسک می کند، در نتیجه به طور قابل توجهی کاهش پیچیدگی طبقهبندی را خواهیم داشت که در سطح بعدی از جزئیات رخ میدهد. با این حال، دقت طبقهبندی در سطح پایین بستگی به دقت در سطح بالاتر دارد زیرا خطا میتواند به سطح بعدی منتشر میشود. انتخاب مقیاس با دقت و طبقهبندی مناسب، موجب کاهش این تاثیرات میشود. در این مطالعه، یک درخت تصمیمگیری طبقهبندی سلسله مراتبی پیشنهاد شده است. درخت تصمیمگیری طبقهبندی شیءگرای سلسله مراتبی پوشش زمین شهری در این مطالعه در شکل 2 نشان داده شده است. سطح2 لایه اشیاء: برای تمایز بین طبقات آب و زمین، از شاخص تنوع Normalized Water(NDWI)، که توسط McFeeters (15) توسعه یافته است، استفاده شد. پس از آن، پوشش گیاهی در حومه شهر و دیگر پوشش زمین، توسط آستانه ویژگی از گروه NDVI و انحراف معیار باند1 جدا شد. علاوه بر این، ما میتوانیم جنگل را از محصول به وسیله آستانه انحراف معیار NDVI متمایز کنیم. از سوی دیگر سطوح شهری و اراضی بایر میتوانند به وسیله ویژگی NDBSI جدا شوند (شکل2). سطح1 لایه اشیاء: با استفاده از نتایج سطح لایه شیء 2 به عنوان یک ماسک، این سطح بر روی طبقهبندی اشیا بصورت ریزتر متمرکز شده است.
شکل2- درخت تصمیم طبقهبندی شی مبنا
Figure 2. Decision tree for the classification of the base objects
طبقهبندی پوشش اراضی شهری به درختان، چمن و سایه، جاده، ساختمان با سقف آجر و غیره. پوشش گیاهی از غیرپوشش گیاهی در سطوح شهری میتواند به وسیله آستانه NDVI جدا شود. درنتیجه سطوح شهری لایه سطح 1 را ماسک می کند. دوم، درختان و چمن در مناطق شهری میتوانند با ترکیب FCI و انحراف معیار NDVI ، جدا شوند. از سوی دیگر، ساخت و ساز با سقف ایزوگام میتواند از غیر گیاهی در منطقه شهری با NDBRI، استخراج شود. سایه میتواند از منطقه سقف غیر آجر با ویژگی حداکثر تفاوت بزرگتر از 2 و NDWI استخراج شود. جاده میتواند از غیر سایه توسط طول و عرض ابعاد استخراج شود(شکل 2). فاصله هر کلاس با سایه می تواند پس از ایجاد سایه در جهت استخراج کلاس استفاده شود. علاوه بر این، فاصله ویژگیهای کلاس به درخت و فاصله تا سقف ایزوگام میتواند همچنین استخراج شود. به این ترتیب ما میتوانیم ساختمانهای دیگر را از زمینهای بایر ویژه با ویژگیهای مربوط به سه کلاس بالا بر اساس ماسک غیر جادهای جدا کنیم. برای ارزیابی صحت به روش معمول از ضریب کاپا استفاده شد. پس از استخراج عارضههای کاربری مورد نظر، نتایج حاصل، دقتسنجی شدند. برای این کار 1۰۰ نقطه به صورت تصادفی بر روی تصاویر ایجاد شد و مرز تاج پوشش درختان و سایر عوارض این نقاط از روی تصاویر مشخص شدند.
نتایج و بحث
نتیجه توزیع فضایی کلاسها در شکل 3 ارائه شده است. از آنجا که سایه، کلاس پوشش زمین واقعی نیست، ما سایه را به کلاس جاده منتقل کردیم. ارزیابی صحت، یک پارامتر مهم برای ارزیابی عملکرد طبقهبندی و سودمندی خروجی است. این میزان صحیح بودن یک نقشه یا طبقهبندی را در مقایسه با ویژگیهای زمین واقعی بیان میکند. ارزیابی صحت در قالب عبارات صحت تولیدکننده کلاس و کاربر، دقت کلی و ضریب کاپا است که بعد از ایجاد ماتریس پیچیدگی محاسبه میشود. نتایج طبقهبندی نشان میدهد که مجموع 9 کلاس کاربری اراضی و پوشش گیاهی، طبقه بندی با موفقیت انجام شده است؛ صحت کلی طبقه بندی 45/87% است. صحت کاربر برای طبقهبندی پنج کلاس (آب، جنگل، گراس، ساختمان با سقف ایزوگام، ساختمان های دیگر)، بیش از 85٪ بدست آمد. ویژگی مرتبط با کلاس مانند فاصله از درخت یا سایه برای تشخیص ساختمان از بعضی کلاسهای مخصوص پوشش زمین، مهم است. NDVI میتواند برای استخراج پوشش گیاهی به طور موثر استفاده شود.
شکل3- نتیجه طبقهبندی کاربری اراضی
Figure 3. Land use classification
مهمترین محدودیت برای شاخص NDVI ، حساس بودن این شاخص به انعکاس خاک زمینه میباشد (16). جهت کاهش اثر خاک زمینه از شاخصهای خط خاک استفاده شود (17).در روشهای آماری پارامتری به طور معمول شرایط اولیه مانند توزیع نرمال جهت انعکاس طیفی یا همگنی پراکنش طیفی با داده های سنجش از دور مطابقت ندارد (18). NDBSI برای تشخیص اراضی خشک بایر، بسیار مهم است. با این حال، دقت طبقهبندی پایینتری برای جادهها، سایر ساختمانها و چمن وجود دارد. جاده فقط با صحت تولیدکننده 9/48٪ طبقهبندی شده است. این نشان میدهد که بیشتر اشیای جادهها، نمیتوانند به علت نسبت طول / عرض کمتر استخراج شوند. از سوی دیگر، نشان میدهد که نتیجه سگمنتسازی برای استخراج جادهها مناسب نیست. ساختمانهای دیگر با صحت کاربر 1/52٪ طبقهبندی شدند. این به خاطر این است که ساختمانها با جادهها، اشتباه گرفته میشوند. آنالیز تصاویر ممکن است به طور خاصی بهبود باید، چنانچه تصاویر تهیه شده مربوط به اولین باران بزرگ در پایان فصل خشک باشد. به طور ویژه باندهای مادون قرمز2 و زرد، قابلیت جداسازی طیفی بالایی دارند. گراسها با 0/99٪ صحت تولیدکننده و 4/96٪ صحت کاربر، طبقهبندی شدند. این نتیجه نشان میدهد که به طور بارزی ویژگی FCI ، برای تشخیص چمن از سایر پوشش گیاهی، توانایی دارد و مناسب است. نتایج جداسازی گراسها با نتایج Marshall و همکاران (2012) که در استرالیا بررسی نمودند، سازگار است. تنها باندهای چند طیفی (MS) در این مطالعه طبقهبندی شدند. بیشترین اشتباه در طبقهبندی سایهها رخ داده است. اینها به طور واضح در کلاس سایه های پوشش گیاهی زنده، مشخص نیستند، چون آنها اغلب، بیشتر با کلاس پوشش گیاهی زنده مخلوط میشوند.
جدول2- صحت طبقهبندی
Table 2. Accuracy of classification
|
صحت تولید کننده |
صحت کاربر |
آب |
100 |
100 |
جنگل |
88/92 |
68/94 |
محصول |
2/87 |
36/78 |
اراضی بایر |
87/94 |
25/46 |
ساختمان ایزوگام |
1/91 |
6/97 |
جاده |
9/48 |
75/90 |
سایر ساختمانها |
3/94 |
1/52 |
درخت |
1/85 |
8/93 |
گراس |
09/99 |
46/96 |
صحت کلی طبقه بندی |
45/87 |
849/0 |
ضریب کاپا |
|
|
هنوز پتانسیل زیادی برای شناسایی کلاسهای دیگر در منطقه شهری بر اساس تصویر worldview 2، مانند میدان و یا ساختمان کارخانه وجود دارد، وقتی باندهای پانکروماتیک با باندهای MS، ادغام شوند، سایه ممکن است بسیار دقیقتر از تصاویر با قدرت تفکیک بالا، تشخیص داده شود. با داده چندطیفی WorldView-2 مدلسازی شده، برگهای درختان در خیابان و مرز پارک جنگلی فقط در باند 6 (لبه قرمز) به طور آماری قابلیت جداسازی را دارند که با نتایج Shushanik و همکاران (2013) مطابقت دارد. روش شیء پایه با تصاویر قابلیت طبقهبندی بسیار مناسبتتری و با صحت بالاتری نسبت به بقیه الگوریتم ها دارد که Yan و همکاران (2016) نیز در تهیه نقشه گیاهان در مکزیک با استفاده از چهار روش به همین نتیجه دست یافتند. صحت طبقه بندی با روش شیء پایه، پیکسل مبنا و ماشین بردار پشتیبان با تصاویر ماهواره ای WV-2 در طبقه بندی درختان جنگلی در برزیل، مالزی و استرالیا با روش شیء پایه و درخت تصمیم بررسی شده که صحت روش شیء پایه به ترتیب 83 و 88 و 78% برآورد شد؛ که با نتایج ما سازگار است (22،20). veric و همکاران (2014) به شناسایی گونههای درختی با تصاویر WV-2 در جنگلهای طبیعی اسلوونی با روش شیء پایه پرداختند. صحت طبقه بندی 58 % بود (23). Chávez و Clevers (2012) به شناسایی اتوماتیک درختان بیمار جنگل و ارزیابی شرایط سلامت جنگل در آمریکای لاتین، شیلی با تصاویر WV-2 با روش شیء پایه پرداختند. باند لبه قرمز (705-745 nm) مناسب جهت تشخیص بیماری تشخیص داده شد و نتیجه گرفتند که باند لبه قرمز در سنجیدن سلامت گیاهان و طبقهبندی گیاهان، بسیار با ارزش است (24).
نتیجهگیری
در مطالعه کنونی، مدل شیء پایه با استفاده از تصاویر با قدرت تفکیک بالا در جهت نقشهسازی پوشش گیاهی، توسعه داده شده است. نتایج تأیید میکند که این ممکن است سطوح گیاهی را با جزئیات دقیق و بالا به وسیله روش شیء پایه شناسایی کنیم. شناسایی و به روزنمودن دورهای سطوح گیاهی و بررسی خشکشدن آنها ناشی از آفات از وظایف مرتبط سنجش از دور است. یافتههای ما منجر به این نتیجهگیری میشود که طبقات طیفی مشابه مانند جنگل و درخت، سطوح غیر قابل نفوذ و خاک بایر، آب و سایه را میتوان بهتر تشخیص داد وقتی باندهای اضافی از سنجنده WV-2، در طول طبقهبندی شیء پایه استفاده میشود. ویژگی جدید به عنوان NDBSI ، بر اساس باند 2 (آبی) و باند 1 (ساحلی) پیشنهاد میشود. سطح خاک بایر را میتوان با NDBSI، افزایش داد. ویژگیهای مرتبط با کلاس مانند فاصله به درخت و یا سایه برای مشخص ساختن ساختمان از برخی کلاس های پوشش زمینی خاص، مهم است، به عنوان مثال یک زمین بایر با محتوای آب زیاد را میتوان با این ویژگی تشخیص داد. منطقه شهری و منطقه حومه را میتوان به طور موثر با تکنیک طبقهبندی شیء پایه با مقیاسهای مختلف تشخیص داد. مقاله مستخرج از تز دکتری دانشگاه ایلام میباشد.
Reference
[1]- دانش آموخته دکتری جنگلداری دانشگاه ایلام( مدرس مرکز آموزش عالی اقلید)
[2]- دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران. *(مسوول مکاتبات)
[3]- دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.
1- PhD, Forestry, University of Ilam,Ilam.Iran )Higher Education Center of Eghlid (
2- Associate Prof and Faculty Member of Forest Sciences, University of Ilam, Iran *(Corresponding Author)
3- Associate Prof., Department of Remote Sensing and GIS, Faculty of Geography, Tehran University, Tehran, Iran