قابلیت روش های تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره ای ( مطالعه موردی: شهرستان کامیاران )
محورهای موضوعی : کاربرد GIS&RS در برنامه ریزیسامان جواهری 1 , علی اصغر تراهی 2 , سیدمحمد توکلی صبور 3
1 - گروه آموزشی سنجش از دور و gis.دانشکده جغرافیا. دانشگاه خوارزمی تهران
2 - استادیار،گروه سنجش از دور و GIS دانشکده جغرافیا، دانشگاه خوارزمی تهران و هیت علمی
3 - استادیار گروه آموزشی رشته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه خوارزمی تهران
کلید واژه: کاربری اراضی, طبقه بندی نظارت شده, تصاویر ماهواره ای, روش های طبقه بندی,
چکیده مقاله :
در اختیار داشتن نقشه های کاربری اراضی جدید در بسیاری از زمینه ها از جمله مدیریت منابع طبیعی و برنامه ریزی برای سرزمین از اهمیت بسیاری برخوردار است. داده های سنجش از دور از پتانسیل بالایی برای تهیه نقشه های به روز کاربری و پوشش اراضی برخوردارند. هدف از این تحقیق ارزیابی روش های تهیه نقشه کاربری اراضی شهرستان کامیاران با استفاده از تصاویر ماهواره ای می باشد. در این مطالعه از داده های سنجنده OLI ماهواره لندست8 مربوط به ماه ژوئن سال 2018 استفاده شد. در ابتدا پیش پردازش های اولیه شامل تصحیحات رادیومتری، اتمسفری و هندسی بروی داده خام انجام گرفت. از نقاط کنترل زمینی جهت آموزش، اعتبارسنجی و برای تهیه نقشه کاربری اراضی استفاده شد. کلاس کاربری در هر نقطه با پیمایش میدانی و با استفاده از تصاویر گوگل ارث در 9 کلاس کاربری زمین های کشاورزی، جنگل، باغ، مراتع غنی، مراتع متوسط، مناطق مسکونی،پهنه آبی، زمین های بایر و رخنمون سنگی مشخص گردید. در ادامه از روش های حداکثر احتمال، حداقل فاصله، ماشین بردار پشتیبان و فاصله ماهالانوبی برای طبقه بندی نظارت شده در نرم افزار ENVI 5.3 استفاده شد. برای ارزیابی دقت روش های طبقه بندی از دو معیار صحت کلی و ضریب کاپا به همراه داده های کنترل زمینی بهره گرفته شد. نتایج تحقیق نشان داد روش ماشین بردار پشتیبان با صحت کلی 91.4 درصد و ضریب کاپا 0.88 درصد از دیگر روش ها دقت بهتری داشته است.
It is important to have new land use plans in many areas, including natural resource management and land planning. Remote sensing data has a high potential for preparing up-to-date land use maps and land cover. The purpose of this study is to evaluate the methods of preparing land use maps of Kamyaran city using satellite images. In this study, OLI Landsat 8 satellite sensor data for June 2018 were used. Initially, preliminary processing, including radiometric, atmospheric, and geometric corrections, was performed on raw data. ground control points were used for training, accreditation, and land use mapping. The Landuse class was identified at each point by field survey and using Google Earth images in 9 user classes of agricultural lands, forest, garden, rich pastures, medium pastures, residential areas, water area, barren lands and rocky outcrops. In the following, maximum probability, minimum distance, support vector machine and Mahanalubi distance were used for the supervised classification in ENVI 5.3 software. To evaluate the accuracy of classification methods, two criteria of general accuracy and capa coefficient were used with ground control data. The results showed that the support vector machine method was 91.4% more accurate and the Kappa coefficient was 0.88% more accurate than other methods.
Ayana, A.B., Kositsakulchai, E., 2102. Land Use Change Analysis Using Remote Sensing and Markov Modeling in Fincha Watershed, Ethiopia, Kasetsart J. (Nat.Sci.)531064-051.
Arzani H, K.h , Mirakhorlou, S.Z ,Hosseini. 2111. Land use mapping using Landsat7 ETM data (Case study in middle catchment‟s of Taleghan).Range and desert journal of Iran:03(2):041-031.
Brian, W., Qi Chen, Z., Borge, M., (2102), “A comparison of classification techniques to support land cover and land use analysis in tropical coastal zone”, Applied Geography 60, 424-46.
Feysizadeh,b and H, Halali.2101. Comparision pixel basic methods and effective factors classification of vegetation and land use in West Azarbaijan province, Natural Geographic Research journal.
Fathizad, H., Fallah Shamsi, R., Mahdavi, A., Arekhi, S. 2104, Comparison of Two Classification Methods of Maximum Probability and Artificial Neural Network of Fuzzy Artmap to Produce Rangeland Cover Maps (Case study: Rangeland of Doviraj, Dehloran), Iranian Journal of Range and Desert Research, Vol. 22, No. 0, PP. 41-72.
Ghose, M. K., Pradha, R., Ghose Sucheta, S. 2101, Decision Tree Classification of Remotely, International Journal of Advanced Computer Science and Applications, vol. 0, pp. 16-010.
Golderi. S. Adler, Berk. A, Bernstein. L.S, Richtsmeier. S, Acharya. P.K & Matthew. M.W.(2112)." FLAASH, A MODTRAN5 ATMOSPHERIC CORRECTION PACKAGE FOR HYPERSPECTRAL DATA RETRIEVALS AND SIMULATIONS". „Spectral Sciences, Inc., 11 South Bedford St., Burlington,MA10216.
Ghorbani, A., Bruce, D., and F. Tiver. (2113) Stratification: a problem in rangeland monitoring. In Proceeding of the 0st International Conference on Object-based Image Analysis (OBIA), July 5-4, Salzburg, Austria.
classification performance. International Journal of Remote Sensing. 22(4): 226–271.
Mohammed Ismail, Z. 2100, Monitoring of Changes Land Use Karaj of Using Remote Sensing Techniques, Iranian Journal of Soil Research, vol. 25, No. 0, pp. 20-
22.
Nitze, A., Schulthess, B., Asche, H., (2103), “Comparison of Machine Learning Algorithms Random Forest, Artificial Neural Network an Sopport Vector Machine to Maximum Likelihood for Suporvised Crop Type Classification”, Proceedings of the 5th Geobia , May 7- 1, Rio de Janeiro-Brazil. P. 164.
Puissant, A., Rougier, S. and Stumpf, A., 2105, Object-oriented mapping of urban trees using Random Forest classifiers, International Journal of Applied Earth Observation and Geoinformation, 23: 264–254.
Yu, H.Y., Cheng, G., Ge, X.S. and Lu, X.P., 2100, Object oriented land cover classification using ALS and GeoEye imagery over mining area, Transactions Nonferrous Metals Society of China 201766-767.
Yu, L., Porwal, A., Holden, E., Dentith, M.C, (2102), "Towards automatic lithological classification from remote sensing data using support vector machines", Computers & Geosciences, 54: 221–261.
Hadjit. Hanane, Oukebdane. Abdelaziz & Hafid Belbachir. Ahmad.(2106)." Atmospheric correction of Earth-observation remote sensing images by Monte Carlo method". J. Earth Syst. Sci. 022, No. 4, October 2106, pp. 0201–0264.
Igué A.M., Houndagba C. J., Gaiser T. and K. Stahr. (2102) Accuracy of the Land Use/Cover classification in the Oueme Basin of Benin (West Africa), International Journal of AgriScience, 2(2): 075-025.
Jaafari, Sh. and A.A., Nazarisamani. (2106) Comparison between land use/land cover mapping through Landsat and Google Earth imagery, American-Eurasian Journal of Agriculture & Environment Science, 06(3): 736-732.
Kandrika, S., P.S. Roy,.(2112). Land use land cover classification of Orissa usin multi-temporalIRS-P3 awifs data: A decision tree approach, International Journal of Applied Earth Observation and Geo information, 01,
023–016.
Knorn, J., A. Rabe, C.V. Radeloff, T. Kuemmerle, J. Kozak and P. Hostert. 2111. Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sens. Environ. 006:
147– 135.
Lu. D. and Q. Weng. (2105) A survey of image classification methods and techniques for improving