مقایسه سه روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت شده در تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد اردبیل

الموضوعات :

آزاد کاکه ممی ¹ , اردوان قربانی ²

1 - دانش‌آموخته کارشناسی ارشد مرتعداری دانشگاه محقق اردبیلی
2 - دانشیار گروه مرتع و آبخیزداری دانشگاه محقق اردبیلی

تاريخ الإرسال : 07 السبت , شوال, 1438 تاريخ التأكيد : 19 السبت , ربيع الثاني, 1439 تاريخ الإصدار : 04 الثلاثاء , جمادى الثانية, 1439

الکلمات المفتاحية: تفسیر چشمی, طبقه‌بندی شیءگرا, سنجنده OLI, ماهواره Quick bird, طبقه‌بندی نظارت‌شده,

ملخص المقالة :

با توجه به رشد روزافزون جمعیت و در نتیجه آن، تخریب و تبدیل غیراصولی کاربری اراضی، آگاهی از وضع موجود سرزمین، کاربری و پوشش آن ضرورت دارد. هدف اصلی تحقیق حاضر تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد بوده است. در این تحقیق از دو نوع تصاویر ماهواره QuickBird موجود در سرور گوگل‌ ارث (سال 2013) و سنجنده (Operational Land Imager) OLI ماهواره لندست 8 (سال 2014) در قالب سه روش تفسیر چشمی (تصاویر گوگل ‌ارث)، طبقه‌بندی شیءگرا (تصاویر گوگل ارث) و طبقه‌بندی نظارت‌شده (تصویر لندست 8) استفاده شد. به‌منظور ارزیابی نقشه کاربری/پوشش اراضی تولیدشده از سه روش ذکر شده، 51 نقطه به‌عنوان نقاط کنترلی جهت ارزیابی صحت انتخاب گردید. نتایج نشان داد که صحت کلی نقشه تولید شده از روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت‌شده، به ترتیب 100، 90 و 72 درصد و ضریب کاپای آن‌ها نیز به ترتیب 1، 85/0 و 6/0 است، که صحت بالای نقشه‌های تولید شده از دو روش تفسیر چشمی و شیءگرا را نشان داد. روش تفسیر چشمی با استفاده از تصاویر با قدرت تفکیک بین 65/0 تا 9/2 متری ماهواره QuickBird (سرور گوگل ارث)، صحیح‌ترین روش می‌باشد؛ هرچند که روش طبقه‌بندی شیءگرا با توجه به هزینه پایین آن از نظر زمانی در مناطق گسترده‌تر، به نسبت دارای صحت قابل قبولی می‌باشد.

المصادر:

منابع

1. Ahani, H., A.Ghorbani, M. Rastgar Moghadam, S. Falah Shamsi, & M, Baghernejad, 2009. Land use change detection using satellite imagery Tangeh-Sorkh watershed of Shiraz. Iranian Journal of Natural Resources and Agricultural.16:242-252.


2. Arzani, H., K.h. Mirakhorlou, & S.Z. Hosseini, 2009. Land use mapping using Landsat7 ETM data (Case study in middle catchment’s of Taleghan). Iranian Journal of Range and Desert Research. 16(2):150-160.


3. Aslami, F., A. Ghorbani, B. Sobhani, & M. Panahandeh, 2015. Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover maps using Landsat-8 images. Journal of Remote Sensing & GIS Techniques in Natural Resources. 6(3): 1-14.


4. Blaschke, T. 2009. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote Sensing, 65(1): 10-21.


5. Butler, D., 2006. Nature Publication: England. The web-wide world. 439: 776-779.


6. Dellepiane, S.G., & P.C. Smith. 1999. Quality assessment of image classification algorithms for land cover mapping: A review and a proposal for a cost based approach. Journal of Remote Sensing. 20: 1461-1486.


7. ERDAS Field Guide, 2014.


8. Foody, G.M., 1992. On the compensation for chance agreement in image classification accuracy assessment. Journal of Photogrammetric Engineering and Remote Sensing. 58: 1459-1460.


9. Garson, G. D., 1998. Neural networks: An introductory guide for social scientists. London: Sage Publications, 208pp.

10. Ghorbani, A., & 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.

11. Ghorbani, A., & A. KakehMami, 2013. Spatial database construction for natural resources and watershed management at the provincial level in Iran: A case study in Ardabil province. European Journal of Experimental Biology. 3(1): 337-347.

12. Ghorbani, A., 2015. Land use mapping and ecological capability evaluation of dry farming lands based on slope for converting to pasture in Zilbar-chay watershed using remote sensing and GIS. Journal of Geographic Space. 48: 129-149.

13. Ghorbani, A., F. Aslami, S. Ahmadabadi, & S. Gaffari, 2015. Land use mapping of Kaftareh Watershed of Ardabil using visual and digital processing of ETM+ image. Iranian Journal of Natural Ecosystems. 6(2): 133-149.

14. Google, Inc. 2007. Press Release: Introducing Google Earth Outreach, Mountain View, California, USA, 26 June, (www.google.copm/press/pressrel/outreach_20070625.html).

15. Green, E.P., P.J. Mumby, A.J. Edwards, & C.D. Clark, 2000. Remote sensing handbook for tropical coastal management. Coastal Management Sourcebooks 3, UNESCO, Paris, France: 328pp.

16. Guralnick, R.P., A.W. Hill, & M. Lane, 2007. Towards a collaborative, global infrastructure for biodiversity assessment. Journal of Ecology letters. 10(8): 663-672.

17. Hu, Q., W. Wu, T. Xia, Q. Yu, P. Yang, Z. Li, & Q. Song, 2013. Exploring the Use of Google Earth Imagery and Object-Based Methods in Land Use/Cover Mapping. Journal of Remote Sensing. 5(11): 6026-6042.

1. 18.  Jensen, J.R. 1996. Introductory Digital Image Processing, A Remote Sensing Perspective. Second edn. Prentice Hall, Saddle River, NJ, 544p.

19. Karathanassi, V., V. Andronis, & D. Rokos, 2000. Evaluation of topographic normalization methods for a Mediterranean forest area. Journal of International archives of photogrammetry and remote sensing. 33(7): 654-661.

20. Leachtenauer, J.C., K. Daniel., & T. P. Vogl. 1997. Digitizing Corona imagery: Quality vs. cost. In Corona: Between the Sun & the Earth, The first NRO reconnaissance eye in space, R.A. McDonald (ed.), American Society Photogrammetry and Remote Sensing: Washington, D.C., USA: 189-203.

21. Lefsky, M. A. & W.B. Cohen, 2003. Selection of remotely sensed data. M. A. Wulder and S. E. Franklin (eds.), remote sensing of forest environments: concepts and case studies, Kluwer Academic Publishers, Boston, USA: 13-46.

22. Lu, D., G. Li, E. Moran, C.C Freitas, L. Dutra, & S.J.S. Sant'Anna, 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land use/land cover classification in the Brazilian Amazon. Proceedings of the fourth GEOBIA, - Rio de Janeiro – Brazil: 7-9.

23. Macleod, R.S., & R.G. Congalton, 1998. A Quantitative Comparison of Change Detection Algorithms for Monitoring Eelegrass from Remotely Sensed Data. Journal of Photogrammetric and Engineering Remote Sensing. 64(3): 207-216.

24. Petropoulos, G. P., Ch. Kalaitzidis, & K.P. Vadrevu, 2012. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Journal of Computers & Geosciences. 41: 99–107.

25. Rasouli, E., & H. Mohammadzadeh, 2010. Remot sensing basic of Knowledg. Elmiran publition.190pp.

26. Roostaei, S., S.A. Alavi, M.R. Nikjoo, & K.V. Kamran, 2012. Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area. Journal of Geomatics and Geosciences. 2(3): 738-749.

27. Yan, G, 2003, Pixel based and object oriented image analysis for coal fire research. ITC.Fire research. 93pp.