Comparison of object-oriented and pixel-based classification methods for land use mapping (Case study: Isfahan-Borkhar, Najafabad and Chadegan plains)

Subject Areas : Geospatial systems development

Sedigheh Ghafari ¹ , Hamid Reza Moradi ² , Reza Modarres ³

1 - MSc. Student of Watershed Management, Tarbiat Modares University
2 - Assoc. Prof. College of Natural Resources, Tarbiat Modares University
3 - Assis. Prof. College of Natural Resources, Isfahan University of Technology

Received: 2017-02-07 Accepted : 2018-01-17 Published : 2018-05-22

Keywords: land use, Pixel-based, Nearest neighbour algorithm, Maximum likelihood algorithm, Object-oriented,

Abstract :

Change detection algorithms of remote sensing image can be divided into two categories: pixel-based and object-oriented, according to the minimum processing unit. This paper deals with the comparison between application of pixel-based and object-oriented approaches in land use classification in Isfahan-Borkhar, Najafabad and Chadegan plains and evaluation of land use changes with Landsat TM (1985) and OLI (2015) data during the study period. The object-oriented approach involved the segmentation of image data into objects with multi-resolution segmentation algorithm by eCognition  software. Then objects were assigned and classified with the nearest neighbour algorithm in object-oriented classification The supervised pixel-based classification involved the selection of training areas and a classification using a maximum likelihood algorithm. Accuracy assessments of both classifications were undertaken. The results show better overall accuracy (higher 90%) of the object-oriented classification over the pixel-based classification. The land use maps indicate that residential area is increased 2.09, 9.66 and 3.74% and rangeland area is decreased 7.48, 10.94 and 17.73% in Isfahan-Borkhar, Najafabad and Chadegan plains in the study period, respectively. In Chadegan plain the increase in agriculture and fallow land use has been equal to 8.31 and 5.64%, respectively.

References:

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):