مقایسه روش های طبقه بندی پیکسل پایه و شیءگرا در تهیۀ نقشه کاربری اراضی (مطالعه موردی: دشت های اصفهان- برخوار، نجف آباد و چادگان)

الموضوعات :

صدیقه غفاری ¹ , حمید رضا مرادی ² , مدرس رضا ³

1 - دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه تربیت مدرس
2 - دانشیار دانشکده منابع طبیعی، دانشگاه تربیت مدرس
3 - استادیار دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان

تاريخ الإرسال : 10 الثلاثاء , جمادى الأولى, 1438 تاريخ التأكيد : 30 الأربعاء , ربيع الثاني, 1439 تاريخ الإصدار : 07 الثلاثاء , رمضان, 1439

الکلمات المفتاحية: طبقه بندی حداکثر احتمال, پیکسل پایه, کاربری اراضی, طبقه بندی نزدیک ترین همسایه, شیءگرا,

ملخص المقالة :

الگوریتم های شناسایی تغییرات در تصاویر سنجش‌ازدور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش مقایسه عملکرد روش های پیکسل پایه و شیءگرا در طبقه بندی کاربری اراضی در دشت های اصفهان- برخوار، نجف آباد و چادگان و بررسی تغییر کاربری اراضی در طول دوره آماری با استفاده از تصاویر لندست (TM (1985 و (OLI (2015 است. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویری با استفاده از الگوریتم قطعه بندی چندمقیاسه در محیط نرم‌افزار eCognition انجام شد. سپس این قطعات انتخاب‌شده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی شدند. طبقه بندی پیکسل پایه نظارت شده شامل انتخاب نمونه های تعلیمی با استفاده از الگوریتم حداکثر احتمال انجام شد. ارزیابی صحت در هر دو روش انجام شد. نتایج نشان داد که طبقه-بندی شیءگرا با صحت کلی بالای 90 درصد نسبت به طبقه بندی پیکسل پایه از دقت بالاتری برخوردار است. نقشه های کاربری اراضی نشان داد به ترتیب در دشت های اصفهان- برخوار، نجف آباد و چادگان مساحت کاربری مسکونی برابر با 2.09، 9.66، 3.74 درصد افزایش و کاربری مرتعی برابر با 7.48، 10.94 و 17.73 درصد کاهش در طول دوره موردمطالعه داشته اند. همچنین در دشت چادگان سطح اراضی زراعی و تحت آیش به ترتیب به میزان 8.31 و 5.64 درصد افزایش داشته اند.

المصادر:

1. 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. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 1-14.


2. حاجیان، ن. و پ. حاجیان. 1392. پایگاه داده‌های زاینده‌رود، همراه با تحلیل گرافیکی اطلاعات. انتشارات پارس ضیاء، همای رحمت. اصفهان. 318 صفحه.


3. سلاجقه، ع.، س. رضوی‌زاده، ن. خراسانی، م. حمیدی‌فر و س. سلاجقه. 1390. تغییرات کاربری اراضی و آثار آن بر کیفیت آب رودخانه (مطالعة موردی: حوزه آبخیز کرخه). محیط­شناسی، 37(58): 81-86.


4. شریفی، ل.، ع. ا. رسولی، م. ا. حجازی و ه. رستم­زاده. 1392. آشکارسازی تغییرات کاربری/پوشش اراضی با پردازش شیءگرای تصاویر ماهواره ­ای (مطالعه موردی: شهرستان تبریز). جغرافیا و برنامه ­ریزی، 17(44): 203-214.


5. فاطمی، ب. و ی. رضایی. 1391. مبانی سنجش از دور. چاپ سوم، ویرایش دوم. انتشارات آزاده، تهران. 296 صفحه.


6. فتحی­ زاد، ح.، م. تازه و س. کلانتری. 1394. مقایسه کارآیی روش‌های طبقه‌بندی پیکسل پایه (روش‌های شبکه عصبی آرتمپ فازی و تصمیم‌گیری درختی) و شیءگرا در تهیه نقشه کاربری اراضی (مطالعه موردی: حوزه خشک و نیمه‌خشک میمه، استان ایلام). خشک بوم، 5(2): 69-82.


7. فیضی ­زاده، ب. و ح. هلالی. 1389. مقایسه روش­های پیکسل­پایه، شیءگرا و پارامترهای تأثیرگذار در طبقه­بندی پوشش/کاربری اراضی استان آذربایجان غربی. پژوهش­های جغرافیای طبیعی، 42(71): 73-84.


8. قربانی، ا.، ف. اسلمی، س. احمدآبادی و س. غفاری. 1394. تهیه نقشه کاربری اراضی حوزه آبخیز کفتاره اردبیل با استفاده از تفسیر چشمی و رقومی تصویر⁺ETM.اکوسیستم­های طبیعی ایران، 6(4): 27-43.


9. کریمی، ک. و چ. ب. کمکی. 1394. پایش، ارزیابی و پیش ­بینی روند تغییرات مکانی کاربری اراضی/پوشش زمین با استفاده از مدل زنجیره­ای مارکوف (مطالعه موردی: دشت بسطاق- خراسان جنوبی). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2): 75-88.


10. لطفی، ص.، ح. محمودزاده، م. عبدالهی و ر. سالک فرخی. 1389. کاربرد تصاویر ماهواره­ای اسپات برای تهیه نقشه کاربری اراضی شهرستان مرند با رویکرد شیءگرا. کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در برنامه ­ریزی، 1(2): 47-56.


11. مرادی، ع.، م. جعفری، ح. ارزانی و م. ابراهیمی. 1395. ارزیابی تغییر کاربری اراضی مرتعی به دیم­زار با استفاده از تصاویر ماهواره­ای و سیستم اطلاعات جغرافیایی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 89-100.


12. Abdul-Qadir A, Benni TJ. 2010. Monitoring and evaluation of soil salinity in term of spectral response using Landsat images and GIS in Mesopotamian plain/Iraq. Journal of Iraqi Desert Studies, 2: 19-32.


13. Adam HF, Csaplovics E, Elhaja ME. 2016. A comparision of pixel-based and object-based approaches for land use land cover classification in semi-arid areas, Sudan. 8^th IGRSM International Conference and Exhibition on Remote Sensing & GIS. IOP Publishing IOP Conf. Series: Earth and Environmental Science. Kuala Lumpur, Malaysia. 13-14 April.


14. Besag J. 1986. On the statistical analysis of dirty pictures. Journal of the Royal Statistical Society. Series B (Methodological): 259-302.


15. Chen M, Su W, Li L, Zhang C, Yue A, Li H. 2008. A Comparison of Pixel-based and Object-oriented Classification Using SPOT 5 Imagery. In: WSEAS International Conference. Proceedings. Mathematics and Computers in Science and Engineering, 3(6): 477-489.


16. Jensen JR. 2015. Introductory Digital Image Processing: A Remote Sensing Perspective. 4^th edition. Pearson Series in Geographic Information Science, 544 pp.


17. Matinfar H, Sarmadian F, Alavi Panah S, Heck R. 2007. Comparisons of object-oriented and pixel-based classification of land use/land cover types based on Lansadsat7, ETM⁺ spectral bands (case study: arid region of Iran). American-Eurasian Journal of Agricultural & Environmental Sciences, 2(4): 448-456.


18. Moosavi V, Shamsi SRF, Moradi H, Shirmohammadi B. 2014. Application of Taguchi method to satellite image fusion for object-oriented mapping of Barchan dunes. Geosciences Journal, 18(1): 45-59.


19. Platt RV, Schoennagel T. 2009. An object-oriented approach to assessing changes in tree cover in the Colorado Front Range 1938–1999. Forest Ecology and Management, 258(7): 1342-1349.


20. Yuqi T. 2013. Object-oriented change detection with multi-feature in urban high-resolution remote sensing imagery. Wuhan University, Wuhan, China. 162 pp.


21. Zhao Y. 2003. Principles and methods for remote sensing application and analysis. Beijing: Science Press, 520 pp.


22. Zhenjian Z. 2014. Change detection of remote sensing images based on multi-scale segmentation and decision tree algorithm over mountainous area: a case study in Panxi region, Sichuan Province. Acta Ecologica Sinica, 34(24):