بررسی کارایی روش‌های طبقه‌بندی تصاویر ماهواره‌ای در ارزیابی تغییرات کاربری اراضی شهری با استفاده از بهینه‌سازی مقیاس در پردازش شی‌ءگرا (مورد: شهر اردبیل)

محورهای موضوعی : فصلنامه علمی و پژوهشی پژوهش و برنامه ریزی شهری

جعفر جعفرزاده ¹ , حسین نظم فر ²

1 - دانشگاه محقق اردبیلی- دانشکده علوم انسانی- گروه جغرافیا
2 - گروه جغرافیای طبیعی، دانشکده علوم انسانی، دانشگاه محقق اردبیلی، اردبیل، ایران

تاریخ دریافت : 1396/09/04 تاریخ پذیرش : 1397/12/29 تاریخ انتشار : 1398/02/01

کلید واژه: کاربری اراضی, تصاویر ماهواره‌ای, طبقه‌بندی, ارزیابی تغییرات, پردازش شی‌گرا,

چکیده مقاله :

یکی از راه­های تهیه نقشه­های پوشش گیاهی و کاربری اراضی، استفاده از داده­های ماهواره­ای و فرآیند طبقه­بندی تصاویر است. با استفاده از تصاویرماهواره­ای بررسی، شناخت و ارزیابی پدیده­های مختلف و استخراج اطلاعات لازم برای برنامه­ریزی منابع زمینی یا سایر مقاصد به سهولت انجام می­گیرد. هدف پژوهش مقایسه میزان کارایی هفت روش رایج طبقه­بندی نظارت­شده داده­های ماهواره­ای در ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر سنجنده TM و OLIماهواره لندست و IRS و اسپات5 و کوئیک برد و ترکیب­های رنگی متفاوتی از این تصاویر جهت استخراج کاربری­­های اراضی زراعی، مناطق مسکونی و مناطق آبی با استفاده از پردازش شی­گرا می­باشد. ابتدا نمونه­های آموزشی در پنج کلاس کاربری به وسیله نرم­افزار ایکاگنیشن با استفاده از بهینه­سازی مقیاس سگمنت­سازی با استفاده از ترکیب­های رنگی متفاوت و ضرایب شکل و فشردگی­ استخراج شد. مقیاس مناسب جهت سگمنت­سازی برای اراضی زراعی، مقیاس 50 ، برای عوارض انسانی 8 و در نهایت برای مناطق آبی 10 به دست آمد. سپس هر تصویر به طور جداگانه با استفاده از هفت روش طبقه­بندی (مانند روش شبکه عصبی) و نمونه­های مستخرج، طبقه­بندی شده و میزان کارایی هر روش با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید. نتایج به دست آمده نشان­دهنده میزان دقت هر یک از روش­های طبقه­بندی بوده که شبکه عصبی با دقت کلی 475/94 و ضریب کاپای 095/92 به عنوان دقیق­ترین روش طبقه­بندی انتخاب شد. این نتایج نشان می­دهد که برداشت نمونه­های تعلیمی با دقت مناسب از طبقات موجود در تصاویر و همچنین بررسی میزان احتمال تعلق هر یک از پیکسل­های تصاویر ماهواره­ای به این طبقات، به خوبی می­تواند در طبقه­بندی گروه­های موجود در منطقه مفید واقع شود.

چکیده انگلیسی:

The purpose of the study was to compare the efficiency of the seven commonly used methods of satellite-controlled monitoring of land use changes in the evaluation of land use changes using TM and OLS Landsat, and IRS, and Spot 5 and Quick Birds bands, and different color combinations of this Images are intended for exploitation of agricultural land, residential areas and aquatic areas using object-oriented processing. Digital processing of satellite images was carried out in 1998 and 2016 using advanced methods. Educational examples in five user classes by eCognition software using segmentation scale optimization using different color combinations and coefficients of shape and compression, an appropriate scale for segmentation for arable land, scale 50, for human complications 8 and finally for aquatic areas 10 as appropriate scales. Then each image was classified separately using seven methods and extracted samples and the efficiency of each classification method was calculated by calculating the two general health and Kappa coefficients. The results indicate the accuracy of each classification method, which method of classification of the neural network with a total accuracy of 475/94 and Kappa coefficient 925/92 as the most accurate method among class methods Fetch selected. These results show that the sampling of educational samples with the proper precision of the classes in the images and the probability of belonging to each of the pixels of satellite images to these classes can well be classified in the group Available in the helpful area.

منابع و مأخذ:

1. تیموری، راضیه؛ روستایی، شهریور؛ اکبری زمانی، اصغر و محسن احدنژاد. (1389). ارزیابی تناسب فضایی_مکانی پارک­های شهری با استفاده از GIS که (مطالعه موردی: پارک­های منطقه دو شهرداری تبریز). مجله علمی پژوهشی فضای جغرافیایی. سال دهم. شماره 30. صفحه 137-16


2. حسنی تبار، سید محمد و جعفر جعفرزاده. (1395). گامی نو در پردازش تصاویر ماهواره­ای(مبانی و کاربرد) نرم افزارENVI5.3. چاپ اول. انتشارات ناقوس.203 صفحه.


3. زبیری، محمود و علیرضا مجد. (1392). آشنایی با فن سنجش از دور و کاربرد در منابع طبیعی. انتشارات دانشگاه تهران. 322 صفحه.


4. سالنامه آماری.( 1390) . سرشماری نفوس و مسکن، استان اردبیل.


5. سلطانی، محمدرضا و جلال کرمی. (1394). آشکار­سازی تغییرات ساختمانها از تصاویر ماهواره کویک­برد با استفاده از الگوریتم درخت تصمیم­گیری. نشریه جغرافیا و برنامه ریزی محیطی. سال 26. پیاپی 57. شماره 1 . صفحه 117-128.


6. شریفی، لیلا؛ رسولی، علی اکبر؛  حجازی، میراسدالله و هاشم رستم زاده. (1392). آشکارسازی تغییرات کاربری پوشش اراضی با استفاده از پردازش شی­گرای تصاویر ماهواره­ای(مطالعه موردی: شهرستان تبریز).نشریه علمی پژوهشی جغرافیا و برنامه ریزی. سال 17. شماره 44. صفحه 203-214.


7.  عزیزی قلاتی، سارا؛ رنگزن،کاظم؛ سدیدی،جواد؛ حیدریان، پیمان و ایوب تقیزاده. (1395). پیش بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA(مطالعة موردی: منطقه کوهمره سرخی استان فارس). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره 7، شماره 1، صفحه 59-71.


8. علوی پناه، سیدکاظم.( 1392). کاربرد سنجش از دور در علوم زمین(خاک). انتشارات دانشگاه تهران،چاپ دوم. 500صفحه.


9. غفاری، سید رامین؛ شفقی، سیروس و نگین صالحی. (1389). ارزیابی سازگاری کاربری اراضی شهری با استفاده از مدل تصمیم­گیری چند معیاره فازی. نشریه مطالعات پژوهشی شهری و منطقه ای. سال اول . شماره چهارم. صفحه 59-76.


10. فاطمی،باقر و یوسف رضایی. (1393). مبانی سنجش از دور، چاپ دوم. انتشارات آزاده. 268 صفحه.


11. فیضی زاده، بختیار؛ جعفری، فیروز و حسین نظم فر. (1387). کاربرد داده­های سنجش­از­دور در آشکارسازی تغییرات کاربری­های اراضی شهری (مطالعه موردی: فضای سبز شهر تبریز).نشریه هنرهای زیبا. شماره 34. صفحه 17-24.


12. فیضی زاده، بختیار؛ حسنی تبار، سیدمحمد و جعفر جعفرزاده. (1397). امکان سنجی استفاده از تکنیکهای تلفیق و بهینه سازی در ارتقاء پارامتر مقیاس سگمنت سازی جهت پردازش شیءگرای تصاویر ماهواره ای. نشریه علمی- پژوهشی جغرافیا و برنامه ریزی، سال 22 ، شماره 56 ، پاییز 1397 ، صفحات 19-1.


13. مکرونی، سرور ؛ سبزقبایی ، غلامرضا ؛ یوسفی خانقاه، شهرام و ستار سلطانیان. (1395). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره 7، شماره 3، صفحه 89-99.


14. میرزایی زاده، وحید؛ نیکنژاد، مریم و جعفر اولادی قادیکلایی .(1394). ارزیابی الگوریتم های طبقه بندی نظارت شده غیرپارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی،29-44 :(3)6.


15. میرکتولی، جعفر و محمدرضا کنعانی.( 1390). ارزیابی سطوح توسعه و نابرابری ناحیهای با مدل تصمیم گیری چند معیاره، مطالعه موردی: سکونتگاه های روستایی استان مازندران. مجله آمایش جغرافیایی فضا. سال اول، شماره دوم.


16. Ardelean, F., Dragut, L., Urdea, P., Torok-Oance, M., (2013). Variations in landform definition: a quantitative assessment of differences between five maps of glacial cirques in the Tarcu Mountains (Southern Carpathians, Romania). Area 45 (3), 348–357.


17. Arvor, D., Durieux, L., Andres, S., Laporte, M.A., (2013). Advances in geographic objectbased image analysis with ontologies: a review of main contributions and limitations from a remote sensing perspective. ISPRS J. Photogramm. Remote Sens. 82, 125–137.


18. Blaschke, T, Burnett, C.(2003). A multi-scale segmentation/object relationship modeling methodology for landscape analysis. Ecological Modeling 168: 233-249.


19. Blaschke.T , Object based image analysis for remote sensing.(2010). ISPRS Journal of Photogrammetry and Remote Sensing, journal homepage: www.elsevier.com/locate/isprsjprs.pp.10-21.


20. 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.


21. Clemens Eisank, Lucian Drăguţ, .(2012).Automated classification of topography from SRTM data using object-based image analysis, Geomorphology; 141-142:21-33.


22. Baker, B.A., Warner, T.A., Conley, J.F., McNeil, B.E., (2013). Does spatial resolution matter? A multi-scale comparison of object-based and pixel-based methods for detecting change associated with gas well drilling operations. Int. J. Remote Sens. 34 (5), 1633–1651.


23. Dixon, B., Candade, N. (2008). Multispectral landuse classification using neural networks and support vector machines: one or the other, or both. International Journal of Remote Sensing 29, 1185–1206.


24. Islam, T., Rico-Ramirez, M.A., Han, D., Srivastava, P.K. (2012)..Artificial intelligence techniques for clutter identification with polarmetric radar signatures. Atmospheric Research 109–110, 95–113.


25. Jaafar, W.Z.W., Liu, J., Han, D. (2011). Input variable selection for median flood regionalization. Water Resources Research 47, W07503.


26. John R. Jensen. (2006). Remote Sensing of the Environment an Earth Resource Perspective. Second Edition. British Library Cataloguing-in-Publication Data. ISBN 10: 1-292-02170-5.


27. Loveland, T. R，Reed, B. C, and Brown, J. F, Ohlen, D.O, Zhu, Z, Yang, L, and Merchant, J. W .(2000). Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data. International Journal of Remote Sensing. 21.


28. Lu, D, Mausel, P, Brondi´zio, E., and Moran, E .(2004). Change detection techniques. INT. J. REMOTE SENSING, 20 JUNE, 2004, VOL. 25, NO. 12.


29. Meinel, G., Neubert, M. & Reder, J.(2017). The potential use of very high resolution satellite data for urban areas – First experiences with IKONOS data, their classification and application in urban planning and environmental monitoring. In: Jürgens, C. (ed.): Remote sensing of urban areas. Regensburger Geographische Schriften 35, pp. 196-205.


30. Mariana Belgiu a, Lucian Draˇgut_ b, Josef Strobl. (2014). Quantitative evaluation of variations in rule-based classifications of land cover in urban neighbourhoods using WorldView-2 imagery. ISPRS Journal of Photogrammetry and Remote Sensing 87 205–215.


31. Mukherjee, S., Sashtri, S., Gupta, M., Pant, M.K., Singh, C., Singh, S.K., Srivastava, P.K., Sharma, K.K. (2007). Integrated water resource management using remote sensing and geophysical techniques.. Aravali quartzite, Delhi, India. Journal of Environmental Hydrology, 15.


32. Munroe, D.K., Muller, D. Issues in spatially explicit statistical land-use/ cover change (LUCC) models. (2007). Examples from western Honduras and the Central Highlands of Vietnam. Land Use Policy 24, 521 530.


33. Murthy, CS, Raju, PV, and Bardrinath, K V S. (2003). Classification of wheat crop with multi-temperoral images: performance of maximum likelihood and artificial neural networks. INT. J. Remote Sensing, 24(23).


34. 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 Geo information, 12, S27-S31.


35. Richards J., A.( 2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.


36. Satir, O., Berberoglu, S., (2012). Land Use/Cover Classification Techniques Using Optical Remotely Sensed Data in Landscape Planning. Landscape Planning, Intec, Turkey Published, 22-54.


37. Seto KC, Woodcock C, Song C, Huang X, Lu J, Kaufmann R. (2002). Monitoring land use change in the Pearl River Delta using Landsat TM. International Journal of Remote Sensing, 23(10): 1985-2004.


38. Singh. R and R. Gupta,.(2016). "Improvement of Classification Accuracy Using Image Fusion Techniques," 2016 International Conference on Computational Intelligence and Applications (ICCIA), Jeju, 2016, pp. 36-40. doi: 10.1109/ICCIA.2016.21.


39. Szuster, B.W., Chen, Q., Borger, M. (2011). A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography 31, 525–532.


40. Sharma, L., Pandey, P.C., Nathawat, M. (2012). Assessment of land consumption rate with urban dynamics change using geospatial techniques. Journal of Land Use Science 7 (2), 135–148.


41. 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.


42. Statistical Yearbook (2011), Population and Housing Census, Ardabil Province.


43. Ting Liu, Xiaojun Yang, (2015). Monitoring land changes in an urban area using satellite imagery, GIS and landscape metrics Original Research Article Applied Geography, Volume 56, January 2015, Pages 42-54.


44. Topaloğlu, Raziye Hale, Elif Sertel, Nebiye Musaoğlu. (2016).Assessment Of Classification Accuracies Of Sentinel-2 And Landsat-8 Data For Land Cover / Use Mapping. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B8, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic.


45. Van der Linden, S., Rabe, A., Okujeni, A., & Hostert, P. (2009). Image SVM classification. Application Manual: image SVM version, 2.


46. Verburg PH, Schot PP, Dijst MJ, Veldkamp A. (2004). Land use change modelling: current practice and research priorities. GeoJournal, 61(4): 309-324.


47. Xu, M, Watanachaturaporn, P, Varshney,P. K, and Arora,M.K. (2005). Decision tree regression for soft classification of remote sensing data. Remote Sens. Environ, 97.


48. Yang, C,Prasher,S.O,Enright, P, Madramootoo, C, Burgess, M, Goel, P. K, and Callum, I . (2003). Application of decision tree technology for image classification using remote sensing data. Agricultural Systems 76.