تهیه نقشه کاربری اراضی با طبقه‌بندی شیء پایه با تصاویر ماهواره‌ای با قدرت تفکیک بالای WorldView 2

الموضوعات :

یوسف تقی ملایی ¹ (دانش آموخته دکتری جنگلداری دانشگاه ایلام( مدرس مرکز آموزش عالی اقلید))
عبدالعلی کرمشاهی ² (دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران. *(مسوول مکاتبات))
سیدیوسف عرفانی فرد ³ (دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.)
مهدی حیدری ⁴ (دانشیار و عضو هیئت علمی گروه علوم جنگل، دانشکده کشاورزی، دانشگاه ایلام، ایران.)

تاريخ الإرسال : 18 الجمعة , شعبان, 1439 تاريخ التأكيد : 15 الثلاثاء , محرم, 1440 تاريخ الإصدار : 12 الثلاثاء , ذو القعدة, 1442

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.

المصادر:

 

 

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]  ^*

[e-mail]

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.

J. Env. Sci. Tech., Vol 23, No. 4, July, 2021

 

 

 

 

Mapping of Land Use with an Object Base Classification Using WorldView-2 High Resolution Satellite Imagery

• Yousef Taghi Mollaei[4]


• Abdolali Karamshahi2^*


• [e-mail]


• Seyyed Yousef Erfanifard3


• Mehdi Heydari²

 

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. Kong, F. & Nakagoshi, N., 2005. "Changes of urban green spaces and their driving forces: a case study of Jinan City, China". Journal of International Development and Cooperation11 (2): 97-109.


2. Li, C., Yin, J. & Zhao, J., 2010. "Extraction of urban vegetation from high resolution remote sensing image". International Conference on Computer Design and Applications (ICCDA) 4: 403-406.


3. Nowak, D.J. & Dwyer, J.F. 2007. Understanding the benefits and costs of urban forest ecosystems. In Urban and Community Forestry in the Northeast. 2nd ed, edited by Kuser, J.E. Netherland: Springer. pp. 25-46.


4. Conine, A., Xiang, W.N., Young, J. & Whitley, D., 2004. "Planning for multi-purpose greenways in Concord, North Carolina". Landscape Urban Plan. 68: 271-287.


5. Yuan, F. & Bauer, M.E., 2007. "Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery". Remote Sensing of Environment 106: 375-386.


6. Gong, P., G.S. Biging, S.M. Lee, X. Mei, Y. Sheng, R. Pu, B. Xu, K. Schwarz, and M. Mostafa ., 1999. "Photo ecometrics for forest inventory", Geographic Information Science, 5:9–14.


7. Iovan, C., Cournede, P.H., Guyard, T., Bayol, B., Boldo, D. & Cord, M ., 2014. "Model-based analysis–synthesis for realistic tree reconstruction and growth simulation". IEEE Trans Geosci. Remote Sens. 52: 1438-1450.


8. Lucieer VL., 2008. "Object-oriented classification of sidescan sonar data for mapping benthic marine habitats". International Journal of Remote Sensing, 2008, 29(3): 905–921.


9. Mathieu, R, Aryal, J., 2007."Mapping private gardens in urban areas using object-oriented techniques and very high-resolution satellite imagery". Landscape and Urban Planning, 81(3): 179-192.


10. Desclee, B., P. Bogaert & P. Defourny., 2006. "Forest change detection by statistical object-based method". Remote Sensing of Environment, 102, 1-11.


11. Dragut, L., Blaschke, T., 2006. "Automated classification of land form elements using object-based image analysis". Geomorphology 81, 330-344.


12. Baatz M & Schäpe A., 2000. "Multiresolution segmentation - an optimization approach for high quality multi-scale image segmentation". In Angewandte Geographische Informationsverarbeitung XII, eds J Strobl, T Blaschke & G Griesebner, Wichmann-Verlag, Heidelberg, 12–23.


13. Benz, U.C., Hoffmann, P., Willhauck, G., Lingenfelder, I. & Heynen, M. 2004. "Multi-resolution, objecto -riented fuzzy analysis of remote sensing data for GIS-ready information". ISPRS Journal of Photogrammetry and Remote Sensing 58: 239–258.


14. Willhauck G, Schneider T, De Kok R & Ammer U., 2000. "Comparison of object oriented classification techniques and standard image analysis for the use of change detection between SPOT multispectral satellite images and aerial photos". In ISPRS Archives, Vol. XXXIII, Amsterdam.


15. McFeeters, S.K. 1996. "The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features". Int. J. Remote Sens. 1996, 17, 1425–1432.


16. Sims, D.A. and Gamon, J.A., 2002. "Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages". Remote Sensing of Environment, 81(2-3): 337-354.


17. Waser, L.T., Küchler, M., Jütte, K. and Stampfer, T., 2014. "Evaluating the potential of WorldView-2 data to classify tree species and different levels of Ash mortality". Remote Sensing, 6: 4515-4545.


18. Quirós, E., Felicísimo, Á.M. and Cuartero, A., 2009. "Testing multivariate adaptive regression splines (MARS) as a method of land cover classification of TERRA-ASTER satellite images". Sensors, 9: 9011-9028.


19. Marshall Victoria, Megan Lewis, Bertram Ostendorf., 2012. "Do Additional Bands In Worldview-2 Multispectral Imagery Improve Discrimination of an Invasive Tussock, Buffel Grass (Cenchrus Ciliaris)?" International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.


20. Shushanik Asmaryan, Timothy A. Warner, Vahagn Muradyan and Gayane Nersisyan. "Mapping tree stress associated with urban pollution using the WorldView-2 Red Edge band". Remote Sensing Letters. Vol. 4, No. 2, February 2013, 200–209.


21. Yan Gao, Prashanth Marpu, Luis M. Morales Manilla. 2016. "Object based image analysis for the classification of the growth stages of Avocado crop, in Michoacán State, Mexico". Multispectral, Hyperspectral, and Ultra spectral Remote Sensing Technology, Techniques and Applications V. Vol. 9263.


22. Whiteside, T & R. Bartolo., 2014. "Vegetation map for Magela Creek floodplain using WorldView -2 multispectral image data". Internal Report 628, April, Supervising Scientist, Darwin.


23. Veric, Andrej., Nataša Đuric, Žiga Kokalj, Aleš Marsetic, Primož Simoncic and Krištof Ostir., 2014. "Tree Species Classification using WorldView -2 Satellite Images and Laser Scanning Data in a natural Urban Forest". Prethodno priopćenje – Preliminary communication. Šumarski list, 9–10: 477–488.


24. Chávez, R.O and J.G.P.W. Clevers., 2012. "Object-based analysis of 8-bands Worldview2 imagery for assessing health condition of desert trees". Wageningen University, Centre for Geo-Information.

 

 

 

[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