Comparison of different methods of classification of satellite images in preparing land use map (Case study: Lake Urmia)

Subject Areas :

Hossein nazmfar ¹ , Monir Shirzad ²

1 - عضو هیئت علمی دانشگاه محقق اردبیلی
2 - University of Mohaghegh Ardabili

Received: 2022-02-04 Accepted : 2022-02-23 Published : 2022-02-23

Keywords: Classification, land use, Satellite image, Urmia Lake, Supervised Methods,

Abstract :

The purpose of this study is to compare nine supervised methods in classifying land cover using Landsat 8 satellite images in Urmia Lake. The nature of this research has been developmental-applied and the method of performing it has been descriptive-analytical. For this purpose, satellite images of OLI sensor related to the date (7/8/2016 and 7/6/2016) were downloaded from the USGS site. And after applying the pre-processing using field visits and the Global Positioning Machine, instructional samples were prepared for each user (Lake, Agricultural land, Salty land, Waste land) in the study area. In the next step, the classification was performed using nine monitored algorithms (neural network, backup vector machine, maximum probability, mahalanobis, minimum distance from average, parallel surfaces, spectral information divergence, binary codes, spectral angle). In the last step, in order to check the accuracy and precision of image classification, evaluation criteria (manufacturer's accuracy, user accuracy, overall accuracy, kappa coefficient) were used. The results indicate that the classification method of backup vector machine with 99.57% capa coefficient after neural network vector support vector machine with 98.66% cappa coefficient and the maximum probability method with 98.58% capa coefficient after neural network method compared to other methods They are more accurate. Also the least accurate are binary code algorithms with parallel surfaces and spectral angles.

Full-Text:



مقایسه روش هاي مختلف طبقه بندي تصاوير ماهواره اي در تهية نقشه كاربري اراضي (مطالعه موردی: دریاچه ارومیه)

 

چکیده:

امروزه داده­های سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربری­های اراضی  می­باشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشه های کاربری از اهمیت بالایی برخوردارند. در این راستا هدف از انجام این پژوهش مقایسه نه روش نظارت شده در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8  جهت استخراج نقشه کاربری اراضی دریاچه ارومیه می باشد. ماهیت این پژوهش توسعه ای­-کاربردی و روش انجام آن توصیفی-تحلیلی است. بدین منظور تصاویر ماهواره­ای سنجنده OLI مربوط به تاریخ (8/ 7 0/ 2016 و 6 / 7 0/ 2016)  از سایت USGS بارگیری شد و پس از اعمال پیش­پردازش با استفاده از بازدیدهای میدانی و دستگاه موقعیت­یاب جهانی نمونه­های تعلیمی برای هر کاربری (دریاچه، شورزار، کشاورزی، سایر اراضی)در محدوده مورد مطالعه تهیه گردید. در مرحله بعد طبقه­بندی با استفاده از نه الگوریتم نظارت شده (شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، ماهالانوبیس، حداقل فاصله از میانگین، سطوح موازی، واگرایی اطلاعات طیفی، کدهای باینری، زاویه طیفی) انجام شد. در مرحله آخر به منظور بررسی دقت و صحت طبقه­بندی تصاویر از معیارهای ارزیابی(دقت تولید کننده، دقت کاربر، صحت کلی، ضریب کاپا ) استفاده شد. نتایج تحقیق حاکی از آن است که روش طبقه­بندی ماشین بردار پشتیبان با ضریب کاپای99.57 درصد ، روش شبکه عصبی با ضریب کاپای 98.66درصد ، روش حداکثر احتمال با ضریب کاپای 98.58درصد نسبت به سایر روش­ها دارای دقت بیشتری می­باشند. همچنین کمترین دقت را الگوریتم­های کدهای باینری سطوح موازی و زاویه طیفی دارند. بنابراین استفاده از روش هاي رايج طبقه­بندي تصاوير ماهواره اي به منظور استخراج نقشة كاربري اراضي مانند حداكثر احتمال و حداقل فاصله از ميانگين كه به طورعمده در تحقيقات و پروژه­هاي اجرايي استفاده مي­شوند نسبت به روش هاي ماشين بردار پشتيبان و شبكه عصبي داراي دقت پايين­تري مي­باشند.

واژگان کلیدی: کاربری اراضی، طبقه­بندی، روش­های نظارت شده، تصویر ماهواره­ای، دریاچه ارومیه.

 

 

 

 

 

 

 

مقدمه

کاربری اراضی¹ از دو کلمه، کاربری و اراضی تشکیل شده است. اراضی به کلیه امکانات طبیعی یا خصوصیات و شرایط طبیعی یک محل نظیر اقلیم، زمین­شناسی، خاک، توپوگرافی، هیدرولوژی و.... اطلاق می­شود. کاربری یعنی استفاده از امکانات طبیعی موجود بر حسب نیاز­های انسانی که ممکن است منطبق بر استعداد اراضی و به شیوه­های علمی یا به روش سنتی و احتمالاً تخریب کننده اراضی باشد(فائو²، 1981). یکی از منابع اطلاعات که به طور موثر و مفید قابل کاربرد در شناسایی پوشش های اراضی می­باشد، داده­های سنجش از دور³ می­باشد. داده­هاي ماهواره­اي يكي از سريع ترين و كم هزينه ترين روش­هاي در اختيار محققان جهت تهية نقشه كاربري اراضي مي باشد(پال و می تر⁴،2005). تجزیه و تحلیل این داده­ها می­تواند بینش­های صحیح جهت تعامل انسان با محیط طبیعی فراهم کند. به خصوص استفاده از تجزیه و تحلیل تصاویر چند طیفی می­تواند به انسان جهت شناسایی پوشش زمین کمك کند(برایان⁵ و میکائل، 2011). یکی از روش های رقومی پر کاربرد استخراج اطلاعات از تصاویر ماهواره ای طبقه بندی می باشد. منظور از طبقه بندی اطلاعات ماهواره­ای ، تفکیک مجموعه های طیفی مشابه و تقسیم بندی تصاویر به گروه ها یا طبقاتی است که در هر طبقه، طیف ها با یک ارزش واحد قرار می­گیرند.(زبیری ، 1385). اساس کار طبقه­بندی اطلاعات، بر مقایسه ارزش طیفی پیکسل­های تصویر با نمونه­هایی است که مفسر آن ها را معرفی کرده یا با کلاس ها یا با طبقات اولیه­ای است که به طور خودکار هنگام تفسیر رقومی، تشکیل می­شوند. به این ترتیب ، پیکسل هایی که ارزش طیفی آن ها از نظر آماری، اختلاف معنی داری ندارند، در یک گروه یا طبقه طیفی قرار می­گیرند.ضرورت انجام پژوهش حاضر بدین قرار است که، آشکارسازی تغییرات کاربری اراضی و تاثیر رشد جمعیت، نیازمند تجزیه و تحلیل تغییرات سطح کاربری ها و تعیین الگوریتم­های مناسب می­باشد زیرا این تغییرات منجر به تخریب اکوسیستم، برهم خوردن تعادل بوم شناختی ، آلودگی محیط زیست، تخریب زمین های کشاورزی، و.. می شود بنابر این تعیین مناسب ترین الگوریتم امری ضروری در آشکارسازی تغییرات کاربری می­باشد.  سوال پژوهش حاضر عبارت است از: مناسب ترین الگوریتم طبقه بندی، به منظور آشکارسازی تغییرات کاربری اراضی دریاچه ارومیه کدام الگوریتم می­باشد؟  به طور کلی برای طبقه بندی اطلاعات ماهواره­ای از دو روش اصلی استفاده می­شود که عبارتند از طبقه بندی با نظارت و طبقه بندی بدون نظارت. که می­توان در روش نظارت شده به روش های حداکثراحتمال، شبكه عصبی ، ماشین بردار پشتیبان، حداقل فاصله از میانگین، سطوح موازی، طبقه­بندی ماهالانوبیس، طبقه­بندی زاویة طیفی، طبقه بندی واگرایی اطلاعات طیفی و طبقه بندي كدهاي باينري اشاره نمود. هدف از انجام این پژوهش مقایسه نه روش نظارت شده در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8  جهت استخراج نقشه کاربری اراضی دریاچه ارومیه می باشد. از جمله مطالعات انجام شده بر روي روش هاي طبقه بندي در خارج از کشور مي توان به مطالعات زير اشاره داشت: (چن⁶ و همکاران، 1995)، (آتکینسون وتاتنال⁷، 1997)، (لو⁸ و همکاران، 1999)، (راهداری⁹ و همکاران، 2009)، (لی¹⁰ و همکاران، 2010). اوتیوکی و بلاسچک¹¹ (2010)، به ارزیابی تغییرات پوشش زمین با استفاده از سه مدل ) (MLC)، (SVM) و (DTS) پرداختند.  مقایسه نتایج نشان داد هر سه مدل دقت قابل قبولی داشته و به ترتیب هر مدل دارای 93%، 93/67% و 94% مقدار دقت برای ارزیابی پوشش زمین بوده است. تروپولوس¹² و همکارن (2011)، در پژوهشی با عنوان «تعیین نواحی سوخته از یک منظر تک زمانه براساس طبقه بندی تصویر ماهواره TM با استفاده از ماشین های بردار پشتیبان »، به ترسیم نقشه های نواحی سوخته پرداختند. نتایج حاصل از کاربرد SVM حاکی از صحت کلی معادل 95/8% و ضریب کاپای 948/0 بوده است. گوا¹³ و همکاران(2012)، در مقايسه­اي که بين دو طبقه­بندي شبکه عصبي و ماشين بردار پشتيبان بر روي تصاوير ETM براي استخراج کاربري اراضي در شهر وهان(Wuhan) چين انجام دادند نتيجه گرفتند که هر دو نوع طبقه­بندي داراي دقت بالاي ۹۷ درصد هستند، اما ماشين بردار پشتيبان با دقت کلي4/1 درصد بهتر است. فتحی و مجیدی¹⁴ (2018)، در مقاله خود با هدف آشکارسازی تغییرات کاربری اراضی توسعه فیزیکی شوان را در مدت زمان 31 ساله مورد پردازش قرار دادند، نتایج تحقیقات حاکی از آن است که، رشد کاربری ساخت وساز بیش از 109 درصد بوده است. میرزایی¹⁵ و همکاران(2018)، در تحقیقی تغییرات سیمای سرزمین شهرستان خلخال را واکاوی کردند، نتایج پژوهش ایشان نشان داد که لکه های کشاورزی، مراتع و مسکونی نسبت به زمان های گذشته بیشتر شده است. پَن¹⁶ و همکاران(2019)، تاثیر تغییرات کاربری بر جزایر حرارتی شهری را مورد بررسی قرار دادند که نتایج حاکی از این حقیقت بود که، توسعه شهری منجربه افزایش جزایر حرارتی شهری می­شود

از جمله مطالعات انجام شده بر روي روش هاي طبقه بندي در داخل کشور مي توان به مطالعات زير اشاره داشت: (دهستانی،1377)، (یوسفی آذر،1381)، (رفیعیان و همکاران،1382)، (ماهینی و همکاران،1387). 

آرخی و ادیب­نژاد(1390)، قابلیت الگوریتم ماشین بردار پشتیبان با چهار نوع هسته را برای تهیه نقشه نقشه کاربری اراضی، با استفاده از داده­های ETM در حوزه سد ایلام ارزیابی و نتایج آن را با الگوریتم حداکثر احتمال مقایسه کرده­اند. نتایج نشان داده است که الگوریتم ماشین بردار پشتیبان، به ویژه با سه کرنل خطی و چند جمله­ای و شعاعی، دقتی بیش از روش حداکثر احتمال دارد. یوسفی و همکاران(1390)، الگوریتم­های متفاوت طبقه­بندی را به منظور تهیه نقشه کاربری اراضی، با استفاده از داده­های ETM، با هم مقایسه کردند و به این نتیجه رسیدند که دقت الگوریتم ماشن بردار پشتیبان بالاتر از روش­های دیگر بود. شنائی وزارعی (1395)، در پژوهشی به آشکارسازی تغییرات سیمای سرزمین حوضه آبخیز ابوالعباس پرداختند، بازه زمانی مورد مطالعه 19 ساله بود. نتایج پژوهش ایشان حاکی از آن بود که بیشترین کاهش مساحت مربوط به کاربری جنگل های انبوه و در رتبه بعد جنگل های نیمه انبوه بوده است. در مقابل مساحت مراتع در روندی افزایش را تجربه کرده است. محمدیاری و همکاران(1397)، در پژوهشی تغییرات کاربری اراضی شهر کرج بررسی کرده اند، که مشخص شده میزان کاربری سبز سیر نزولی داشته در مقابل لکه های اراضی ساخت وساز شیر افزایشی داشته است. نظرنژاد و همکاران(1398)، در تحقیقی تغییرات کاربری سرزمین حوزه آبخیز بالانچ چای ارومیه را مورد پژوهش قرار دادند، نتایج تحقیقات ایشان حاکی از آن بود که محدوده مورد نظر از بعد نوع کاربری موجود متنوع تر و از بعد یکبارچگی عناصر ساختاری، ناپیوسته تر شده است  بررسی این مطالعات نشان می­دهد که نتایج آنها ممکن است بسیار متفاوت باشد. جمع بندي سوابق تحقيق نشان مي دهد كه علي رغم اينكه مطالعات زيادي در اين زمينه در مناطق مختلف جهان صورت گرفته است ولي اكثر اين تحقيقات فقط چند روش طبقه بندي را در نظر گرفته اند. لذا تحقيق حاضر در نظر دارد از ميان الگوريتم هاي مختلف طبقه بندي تصاوير ماهواره اي بهترين روش جهت تهية نقشه كاربري اراضي را معرفي كند.

 

---

[1]  Land Use Map

[2]  FAO

[3]  Remote Sensing

[4]  Pal & Mather.

[5]  Brian&Michael

[6]  Chen

[7]  Atkinson& tanal

[8] Lou

[9]  Rahdari 

[10]  Liu

[11]  Otioki & Blaschk

[12]  Tropulus

[13]  Goa

[14]  Fethi & Magidi

[15]  Mirzaei

[16]  Pan

موارد و روش­ها

داده های مورد استفاده

با توجه به موضوع تحقیق و در راستای اهداف تعریف شده در این تحقیق از تصویر ماهواره­ی با مشخصات مندرج در جدول(1) و نرم­افزارهایGoogle Earth ، ENVI4.8، ArcGIS10.2  استفاده شده است.

جدول 1- مشخصات تصاویر ماهواره اي مورد استفاده در تحقیق

تصویر image	سنجنده Sensor	تاریخ به میلادی Data/ ad	تاریخ به شمسی Data/ Helical	شماره ردیف row	شماره گذر pass
Landsat8	OLI	6 / 7 0/ 2016	16/04/1395	34	168
Landsat8	OLI	8/ 7 0/ 2016	18/04/1395	34	169
قدرت تفکیک رادیومتریک	باندهای طیفی	طول موج	عرض تصویر برداری	هندسه تصویر برداری	تعداد اخذ تصویر در روز
12 بیت	9-1	1.390 µm  -0.433	185 کیلومتر	Push Broom	400

 

محدوده مورد مطالعه

درياچه اروميه در شمال غربي ايران بزرگ­ترين و مرتفع­ترين درياچه داخلي ايران است.  اين درياچه دربين آذربايجان شرقي و غربي، در گودترين بخش آن، ميان كوه­هاي سبلان، سهند، ميشوداغ، مهاباد، تخت سليمان و ارتفاعات مرزي ايران و تركيه واقع­ شده و تنها درياچه قابل كشتي­راني ايران مي­باشد .درياچه اروميه پس از بحرالميت اردن، شورترين درياچه جهان است. درياچه اروميه يكي از چاله هاي تكتونيكي وگودال كشيد ه­اي است كه در مغرب فلات آذربايجان از شمال به جنوب كشيده شده است كه با ابعاد بزرگي، آبهاي حوضه­اي به مساحت 35.000 كيلومتر مربع از فلات آذربايجان را به خود اختصاص داده و به طور طبيعي موجبات تقسيم آذربايجان به دو قسمت شرقي و غربي را فراهم ساخته است(شکل1). درياچه اروميه بين 37 درجه و 5 دقيقه تا 38 درجه و 16 دقيقه عرض شمالي و 45 درجه و 10 دقيقه تا 46درجه طول شرقي قرار گرفته است(نادر صفت، 1390).

 

 

 

شکل1- موقعیت جغرافیایی محدوده مورد مطالعه

روش مورد استفاده در تحقیق

رویکرد حاکم بر پژوهش حاضر توسعه­ای-کاربردی و روش انجام آن توصیفی- تحلیلی می­باشد به علت واقع شدن محدوده مورد مطالعه در دو زن (34-168 34-169) ابتدا تصاویر موزاییک¹شدند. سپس به منظور تصحیح خطای رادیومتری از روش کاهش ارزش عددی پیکسل­های تیره استفاده شد. با توجه به اینکه در پژوهش حاضر از تصاویر سنجنده OLI استفاده شده است (تصاویر سنجنده OLI دارای سیستم مختصات هستند) نیازی به تصحیح هندسی نیست. و برای افزایش قدرت تفكیك مكانی تصویر با استفاده از روش HVS باند پانكروماتیك )باند (8را با باندهای مرئی دیگر ادغام کردیم. در قسمت ساختن لایراستكینگ )یك دسته کردن همه باندها( نیز عملیات ریسمپل برای تغییر سایز پیكسل­ها انجام گرفت. سپس با استفاده از بازدیدهای میدانی و دستگاه موقعیت­یاب جهانی نمونه­های تعلیمی برای هر کاربری(Lake، Agricultural land، Salty land، (Waste land در محدوده مورد مطالعه تهیه گردید. در مرحله بعد طبقه­بندی با استفاده از نه الگوریتم نظارت شده (شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، ماهالانوبیس، حداقل فاصله از میانگین، سطوح موازی، واگرایی اطلاعات طیفی، کدهای باینری، زاویه طیفی) تهیه گردید. نهایتاً به منظور بررسی دقت و صحت طبقه­بندی تصاویر از معیارهای ارزیابی(دقت تولید کننده، دقت کاربر، صحت کلی، ضریب کاپا ) استفاده شد. 

 

طبقه­بندی تصاویر

جهت تهیة نقشه کاربری اراضی، از روش­های طبقه­بندی نظارت شده شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، حداقل فاصله از میانگین، سطوح موازی، فاصله ماهالانوبیس، نقشه­بردار زاویه طیفی، واگرایی اطلاعات طیفی و کدهای باینری استفاده گردید. به این ترتیب که برای کاربری­های موجود در منطقه با استفاده از بازدیدهای میدانی و دستگاه موقعیت­یاب جهانی نمونه­های تعلیمی برای هر کاربری در منطقه تهیه گردید. بخشی از نمونه­ها جهت آموزش تصویر ماهواره ای و بخشی از آن برای برآورد صحت نتایج حاصل از الگوریتم­های طبقه­بندی مذکور به کار گرفته شده است.

معیارهای ارزیابی دقت و صحت طبقه بندی

در این تحقیق به منظور بررسی دقت و صحت طبقه­بندی تصاویر از معیارهای ارزیابی به شرح زیر استفاده شد:

ماتریس خطا

یکی از متداو ل­ترین رو ش­های ارزیابی دقت طبقه­بندی، آماده کردن ماتریس خطای طبقه بندی است. ماتريس خطا به­طور گسترده ای در مطالعات سنجش ازدور به کار می رود. در این روش فایل نمونه­برداری که متشکل از ارزش های تمامی پیکسل­های کلاس های تعریف شده است، با تصویر طبقه­بندی شده حاصل از همان فایل استفاده شده تلاقی داده می­شود. در این صورت تک تک پیکسل های نمونه برداری شده باکلاس های طبقه بندی شده تلاقی می­یابد و درنتیجه امکان بررسی صحت طبقه­بندی پیکسل ها فراهم می گردد(علوی پناه، 1382). به­منظور درستی ایجاد ماتریس خطا، باید عوامل زیر را در نظر گرفت: 1- جمع آوری داد ه­های مرجع، 2- طبقه­بندی،3 -رو ش­های نمونه­برداری، -4 واحد همبستگی فضایی-5 حجم و واحد نمونه. پس از تولید ماتریس خطا، سایر عناصر مهم ارزیابی دقت و صحت ازجمله دقت کلی، دقت کاربر، دقت تولیدکننده و ضریب کاپا را می­توان به دست آورد(ستاری و بربراوغلی²، 2012). به منظور تعیین دقت طبقه­بندی، برداشت زمینی موقعیت کاربری­ها با GPS انجام گرفت که به عنوان داده­های مرجع برای مقایسه با تصویر طبقه­بندی شده بکار گرفته شد. هم چنین از موارد طبقه­بندی شده و کلاس­های مشابه هم برداشت به عمل آمد و جدول ماتریس خطا تشکیل گردید.

دقت کلی

میانگینی از دقت طبقه بندی است که نسبت پیکسل های صحیح طبقه بندی شده به جمع کل پیکسل های معلوم را نشان می دهد. دقت کلی طبق رابطه (1) محاسبه می­شود. که در آن C: تعداد کلاس ها N: تعداد کل پیکسل های معلوم: اعضای قطری ماتریس خطا

 

دقت تولید کننده و کاربر

دقت تولید کننده، احتمال اینکه طبقه­بندی کننده پیکسلی را به یک کلاس خاص نسبت داده باشد در صورتی که کلاس واقعی آن مشخص باشد، را بیان می­کند. به بیان دیگر نسبت عنصر قطری هر کلاس به جمع مقادیر هر ستون )هر کلاس( می­باشد. در صورتی که دقت کاربر احتمال طبقه طبقه­بندی یک کلاس خاص مطابق با همان کلاس در نقشه واقعیت زمینی را بیان می­کند.  به بیان دیگر نسبت پیکسل­های صحیح طبقه طبقه­بندی شده به مجموع پیکسل­های یک سطر )کلاس( می­باشد(اکبری و شکاری، 1392).

ضریب کاپا

ضریب کاپا یکی دیگر از پارامترهای دقت است که از ماتریس خطا استخراج می­شود و دقت طبقه بندی را نسبت به یک طبقه بندی کاملاً تصادفی محاسبه می کند(فاطمی وباقری، 1389). این ضریب با استفاده از رابطه (2) به دست می آید:

 

در این معادله   تعداد کل پیکسل های واقعیت زمینی )پیکسل های نمونه تعلیمی) تعداد ردیف های جدول خطا،  تعداد مشاهدات مربوط به ردیف  i و ستونi ،) در روی قطر بزرگ)،مشاهدات در ردیف i و کل مشاهدات در ستونi است.

 

 

نتایج

پس از اعمال الگوریتم های طبقه­بندی نظارت شده بر روی تصاویر ماهواره­ای سنجنده  OLI،  نقشه­ی کاربری اراضی تهیه گردید(شکل2). سپس دقت طبقه­بندی ها مورد ارزیابی قرار گرفت. برای انجام این کار نمونه­های تعلیمی از سطح منطقه­ی مورد مطالعه جمع آوری شد. پس از پیاده­سازی نمونه­های تعلیمی بر سطح تصویر، ماتریس خطای طبقه­بندی، مشخصات آماری دقت تولید کننده، دقت استفاده کننده، صحت کلی و ضریب کاپا برای هر کدام از کلاس­ها تعیین گردید. نتایج حاصل در جدول(2) ارایه شده است. براساس نتایج به دست آمده می­توان بیان کرد که نتایج حاصل از آنالیزهای آماری ضرائب صحت نشان داد که روش طبقه­بندی ماشین بردار پشتیبان با ضریب کاپای57/99درصد  بعد از ماشین بردار پشتیبان روش شبکه عصبی با ضریب کاپای 66 /98 درصد و بعد از شبکه عصبی روش حداکثر احتمال با ضریب کاپای 58/99درصد نسبت به سایر روش­ها دارای دقت بیشتری می­باشند.

 

شکل2- نقشه کاربری اراضی دریاچه ارومیه تهیه شده با نه روش­ نظارت شده

جدول 2- ضرائب صحت الگوریتم­های طبقه­بندی در محدوده مورد مطالعه

روش طبقه­بندی	نوع کاربری اراضی	دقت تولید کننده	دقت کاربر	صحت کلی	ضریب کاپا
ماشین بردار پشتیبان	Lake	99.94	100	99.72	99.57
	Agricultural land	98.74	97.17
	Salty land	100	99.48
	Waste land	99.28	99.83
شبکه عصبی	Lake	98.42	99.99	99.12	98.66
	Agricultural land	98.71	98.33
	Salty land	100	99.92
	Waste land	99.79	97.47
حداکثر احتمال	Lake	98.41	99.97	99.07	98.58
	Agricultural land	98.31	98.11
	Salty land	99.88	99.95
	Waste land	99.77	97.37
ماهالانوبیس	Lake	98.39	99.65	98.49	97.68
	Agricultural land	96.14	97.27
	Salty land	98.14	99.81
	Waste land	99.19	96.18
حداقل فاصله	Lake	99.82	99.87	95.86	93.57
	Agricultural land	96.42	70.17
	Salty land	93.38	96.06
	Waste land	89.84	94.12
واگرایی اطلاعات طیفی	Lake	70.08	100	75.21	63.48
	Agricultural land	92.51	33.68
	Salty land	62.44	86
	Waste land	79.95	98.45
کدهای باینریی	Lake	73.76	60.29	56.55	39.7
	Agricultural land	99.34	31.06
	Salty land	50.51	27.84
	Waste land	38.7	99.90
سطوح موازی	Lake	80.75	63.29	52.83	36.43
	Agricultural land	5.85	82.87
	Salty land	68.96	58.84
	Waste land	62.06	23.71
زاویه طیفی	Lake	89.83	100	62.62	36.21
	Agricultural land	93.64	71.64
	Salty land	0.00	0.00
	Waste land	62.44	93.06

منبع: نویسندگان

 

 

نتیجه گیری

جمع بندي سوابق تحقیق نشان می دهد که علیرغم اینکـه مطالعات زیادي در این زمینه در مناطق مختلف جهان صـورت گرفته است ولی اکثر این تحقیقات فقط چند روش طبقه بنـدي را در نظر گرفته اند. همچنین در مناطق شمالغرب کشور که با توجه به منابع طبیعی غنی آن بیشتر تحت تأثیر تخریـب مـی باشـد و اهمیت ویژه­اي براي کشـور ایـران دارد، روش خاصـی جهـت تهیۀ نقشه کاربري اراضی ایـن منـاطق بـا اسـتفاده از تصـاویر ماهوارهاي هنوز ارائه نشده است. لذا تحقیق حاضر در نظر دارد با تمرکز بر روي مناطق شمالغرب کشـور در میـان الگـوریتم هـاي مختلف طبقه­بندي تصاویر ماهوارهاي بهترین روش جهت تهیۀ نقشه کاربري اراضی در این مناطق را معرفی کند.در این مطالعه از نه روش طبقه­بندی نظارت شده(شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، ماهالانوبیس، حداقل فاصله از میانگین، سطوح موازی، واگرایی اطلاعات طیفی، کدهای باینری، زاویه طیفی) جهت استخراج نقشه­ی کاربری اراضی از تصاویر ماهواره­ای سنجنده OLI استفاده شده است. با انجام مقایسه دقت طبقه­بندی حاصل از روش­های ذکر شده مشخص گردید که روش طبقه­بندی ماشین بردار پشتیبان با ضریب کاپای57/99 درصد، بعد از ماشین بردار پشتیبان روش شبکه عصبی با ضریب کاپای 66/98درصد و بعد از شبکه عصبی روش حداکثر احتمال با ضریب کاپای 58/98درصد نسبت به سایر روش­ها دارای دقت بیشتری می­باشند. همچنین کمترین دقت را الگوریتم­های کدهای باینری سطوح موازی و زاویه طیفی دارند. با توجه به نتايج گرفته شده هر دو روش طبقه­بندي ماشين بردارپشتيبان و شبکه عصبي روش­هايي دقيق براي استخراج کاربري­هاي اراضي و در تفکيک پديده­هايي که رفتار طيفي نزديک دارند بسيار موفق عمل مي­کنند و به خصوص ماشين بردار پشتيبان که اندکي موفق ترعمل کرد. به طور کلی به دلیل این که الگوریتم شبکه عصبی بر مبناي ویژگی ها و ساختار شبکه خود کار می کند و علاوه بر آن هر رشته عصبی در ترکیب داده­ها بسیار دقیق عمل می­کند، لذا این روش ضمن کاهش خطا در فرآیند طبقه­بندي امکان جداسازي صحیح طبقات را در پروژه­هاي کاربردي فراهم می­کند. طبق نتایج اگر چه استفاده از الگوریتم شبکه عصبی ، صحت بالاتري در مقایسه با روش طبقه بندي حداکثراحتمال ارایه می دهد لکن روش طبقه بندي حداکثر احتمال نیز با توجه به ضریب کاپای 58/98درصد، روش مطلوبی در استخراج نقشه کاربری اراضی محسوب می­شود. روش حداکثر احتمال ، میزان کمی واریانس و همبستگی ارزش­های طیفی باندهای مختلف برای مناطق نمونه را محاسبه کرده و از همین خاصیت برای ارتباط یك پیكسل طبقه­بندی نشده به یكی از گروه­ها یا نمونه­های طیفی نیز استفاده می­کند. بر این اساس در خروجی­های این روش مناطق طبقه­بندی نشده و یا مناطق خالی و گپ (GAP) کمتر دیده می­شود. چنانكه این مناطق گپ در روش­های نقشه­بردار زاویه طیفی و یا کدهای باینری بیشتر از سایر روش ها دیده می­شوند. در روش حداکثر احتمال برای بررسی نحوه توزیع ارزش­های طیفی و احتمال آماری ارتباط یك پیكسل با یكی از گروه­های نمونه از ماتریس واریانس و بردار میانگین که خود واریانس و همبستگی ارزش­های طیفی را تعریف می­کنند، استفاده می­شود. بر این اساس برای افزایش دقت این روش و بازدهی مناسب آن نسبت به سایر روش­های طبقه­بندی تعداد مناسب و بیشتر نمونه­های تعلیمی الزامی می­باشد. اما در روش ماشین بردار پشتیبان حتی در صورت محقق نشدن تعداد مناسب نمونه­های آموزشی و کم بودن تعداد آنها نتایج با دقت بیشتر ارائه می­شود. نتايج تحقيق حاضر نشان مي دهد كه استفاده از روش هاي رايج طبقه­بندي تصاوير ماهواره اي به منظور استخراج نقشة كاربري اراضي مانند حداكثر احتمال و حداقل فاصله از ميانگين كه به طورعمده در تحقيقات و پروژه­هاي اجرايي استفاده مي­شوند نسبت به روش هاي ماشين بردار پشتيبان و شبكه عصبي داراي دقت پايين­تري مي­باشند.

 

منابع :

-       آرخی، صالح. ادیب نژاد،  1390 ارزیابی کارایی الگوریتم های ماشین بردار جهت طبقه بندی کاربری اراضی با استفاده از داد ههای ماهوار های ETM لندست )مطالعه موردی: حوزه سد ایلام(، فصلنامه علمی پژوهشی تحقیقات مرتع و بیابان ایران.

-       دهستانی، غلامرضا(1377). طبقه­بندی تصاویر چند طیفی سنجش از دور با استفاده از شبکه عصبی، پایان نامه کارشناسی ارشد. دانشگاه تربیت مدرس.

-       رفیعیان،امید. درویش صفت،علی اصغر. نمیریان،منوچهر(1382)، تعیین تغییرات گسترده جنگل های شمال کشور بین سال­های 73 تا 80 با استفاده از تصاویر سنجنده ETM+  مجله علوم و فنون کشاورزی و منابع طبیعی. سال دهم. شماره سوم.

-       زبیری،محمود. مجد،ع (1375)، آشنایی با فن سنجش از دور و کاربرد آن در منابع طبیعی (اطلاعات ماهواره­ای، عکس هوایی و فضایی). انتشارات دانشگاه تهران

-       شوازی،منیره. کرم، امیر. غفاریان مالمیری، حمید رضا(1396)، مقایسه کارایی برخ الگوریتم­های طبقه­بندی در مطالعه تغییرات لندفرم­های بیابانی دشت­یزد-اردکان. پژوهش های ژئومورفولوژی کمی. سال ششم. شماره1. صص 73-57.

-       شنایی، هویزه. زارعی، حیدر (1395)، بررسی تغییرات کاربری اراضی طی دو دهۀ دوره زمانی )مطالعۀ موردی: حوزۀ آبخیز ابوالعباس(. پژوهشنامۀ مدیریت حوزۀ آبخیز. شماره14.صص244-237.

-       علوي پناه، سید کاظم (۱۳۸۲)، کاربرد سنجش از دور در علوم زمين) علوم خاک). انتشارات دانشگاه تهران.

-       فاطمی، سید باقر. رضایی، یوسف (1389). مبانی سنجش از دور. چاپ دوم. انتشارات آزاده. تهران.

-       کاظمی، محمد. نوجه گر، احمد. میردادی، میرداد(1396)، انتخاب بهترین روش طبقه بندی در تهیه نقشه کاربری اراضی با استفاده از دادههای سنجنده OLI ماهواره لندست(8) مطالعه موردی حوضه آبخیز بهشت گمشده. استان فارس. فصلنامه اکوسیستم های طبیعی ایران. سال هشتم. شماره اول.

-       محمدی، صدیقه(1395)، تعیین بهترین الگوریتم طبقه­بندی نظارت شده جهت تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره­ای(مطالعه موردی: شهرستان بافت). علوم مراتع. صص297-308.

-       محمدیاری، فاطمه. پورخباز، حمیدرضا. توکلی، مرتضی. اقدر، حسین(1393)، تهیۀ نقشۀ پوشش گیاهی و پایش تغییرات آن با استفاده از تکنیک­های سنجش از دور و سیستم اطلاعات جغرافیایی )مطالعۀ موردی: شهرستان بهبهان(. فصلنامۀ علمی-پژوهشی اطلاعات جغرافیایی  سپهر، دوره 23. شماره9.صص 23-34.

-       نادر صفت، محمد حسین(1390)، ويژگي­هاي ژئومورفولوژي درياچه اروميه وتاثيرآن در اكوسيستم اين منطقه. مجله دانشنامه جغرافیا. دانشگاه آزاد اسلامی واحد علوم و تحقیقات.

-       نظرنژاد، حسین. ایرانی، حبیب. مرتضیی، طیبه(1397)، استفاده از سنجه های سیمای سرزمین در ارزیابی تغییرات ساختار چشم­انداز حوضه آبخیز قره­سو کرمانشاه. جغرافیا و مخاترات محیطی. شماره 7. صص 23- 36.

-       یوسفی، طالح. میرزایی، مهدی. مرادی، سمیه. توانگر ، حمیدرضا (1390)، مقایسه الگوریتم­های مختلف طبقه­بندی تصاویر ماهواره­ای در تهیه نقشه کاربری اراضی(مطالعه موردی: شهرستان نور). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. صص. 67-76.

-       یوسفی آذر،پیمان (1381). امکان استفاده از داده­های ماهواره­ای در تهیه­ی نقشه پوشش گیاهی در منطقه­ی فندقلو. پایان نامه کارشناسی ارشد رشته­­ی جنگلداری. دانشگاه آزاد اسلامی. واحد علوم و تحقیات.

-Arekhi, S., and Adibnejad, M. 2011. Efficiency assessment algorithms, support vector machines to classify land use and desertification of pasture research, the eighteenth year, No. 3(44). (In Persian).

-Atkinson, P. M. and A. R. L. Tatnall (1997). Neural networks in remote sensing. International Journal of Remote Sensing, 18 (4), 699-709.

-Brian, W. S., C. Qi and B. Michael. 2011.A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31: 525-532.

-FAO Soils bulletin 32 (1981). A framework for land evaluation.FAO Publication,Rome.

-Foody, G. M, (2002). Hard and soft classifications by a neural network with a nonexhaustively defined set of classes. International Journal of Remote Sensing, 23.

-Feyzizadeh, B., Azizi, H. & Valizadeh, K.KH., 2007, Extraction Land Uses Malekan City Using Satellite Images EThr (In Persian), Amayesh, Vol. 2, No.3, PP. 1-10.

-Guo, Y. K, De Jong. F, Liu. X, Wang. and C, Li. 2012. A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification, Springer-verlag Berlin Heidelberg, ISICA, CCIS 316, 531-539.

-Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.

-Chavez jr، P.S.1988.An Improved Dark-Object Subtraction Technique for AtmosPheric Scttering Correction of Multispectral Data. Remote Sensing of Environment، 24:459-479.

-Chen, K. S, Tzeng, Y.C, Chen, C.F. and Kao, W. L, (1995). Land-cover classification of multispectral imagery using a dynamic learning neural network. Photogrammetric Engineering and Remote Sensing, 61.

-Huang, C. L.S, Davis. and J.R.G, Townshend. 2003. An assessment of support vector machines for land cover   classification, International J. of Remote Sensing 23(4): 725-749.

-Li, C., Wang, J., Wang, L., Hu, L., Gong, P. (2014) Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper   Imagery, Remote Sens, 6 (2), pp. 964-983.

-Low, H.K., Chuah, H.T. and Ewe, H.T, (1999). A neural network land use classifier for SAR images using textural and fractal information. Geocarto International, 14.

-Mazer, A. S., M. Martin, M. Lee and J. E. Solomon. 1988. Image processing software for imaging spectrometry analysis, Remote Sensing of the Environment, 24 (1): 201-210.

-Mirzaei Mossivand, A., Ghorbani, A., Keivan Behjou, F., (2018) "Land use/cover change detection using landsat and IRS imagery: A case study, Khalkhal county", Journal of Geographical Space, 17 (60): 101-116.

-Magidi, J., & Ahmed, F. (2018) Assessing urban sprawl using remote sensing and landscape metrics: A case study of City of Tshwane, South Africa (1984–2015). The Egyptian Journal of Remote Sensing and Space Science.

 

-Otukei, J. R., & Blaschke, T. (2010). Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12, S27-S31.

-Pal, M. and P. M. Mather. 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 26 (5): 1007-1011.

-Petropoulos, G. P., Kontoes, C. and Keramitsoglou, I, (2011), Burnt area delineation from a uni-temporal perspective based on Landsat TM imagery classification using Support Vector Machines, International Journal of Applied Earth Observation and Geoinformation, V.13, pp.70–80.

-Pan, Z., Wang, G., Hu, Y., & Cao, B. (2019) Characterizing urban redevelopment process by quantifying thermal dynamic and landscape analysis. Habitat International, 86, 61-70.

 

-Rahdari ,Vahid; Maleki Najfabdai ,Saeideh; Khajeddin, Seyed Jamaleddin;

-Richards J., A. 2013. Remote sensing digital image analysis, fifth edition, springer, 494

-Şatır, O., & Berberoğlu, S. (2012). Land Use/Cover Classification Techniques Using Optical Remotely Sensed Data in Landscape Planning. Landscape Planning, Dr. Murat Ozyavuz (Ed.), ISBN, 978-953.

-Swain, P.H. and S.M. Davis. 1987. Remote Sensing: The Quantitative Approach. McGraw-Hill. USA.

 

---

[1]  Mosaicking

[2]  Satir & Berberoglu

---