مقایسه روش های طبقه بندی پیکسل پایه و شیءگرا در تهیۀ نقشه کاربری اراضی (مطالعه موردی: دشت های اصفهان- برخوار، نجف آباد و چادگان)
محورهای موضوعی : توسعه سیستم های مکانی
صدیقه غفاری
1
(دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه تربیت مدرس)
حمید رضا مرادی
2
(دانشیار دانشکده منابع طبیعی، دانشگاه تربیت مدرس)
مدرس رضا
3
(استادیار دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان)
کلید واژه: طبقه بندی حداکثر احتمال, پیکسل پایه, کاربری اراضی, طبقه بندی نزدیک ترین همسایه, شیءگرا,
چکیده مقاله :
الگوریتم های شناسایی تغییرات در تصاویر سنجشازدور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش مقایسه عملکرد روش های پیکسل پایه و شیءگرا در طبقه بندی کاربری اراضی در دشت های اصفهان- برخوار، نجف آباد و چادگان و بررسی تغییر کاربری اراضی در طول دوره آماری با استفاده از تصاویر لندست (TM (1985 و (OLI (2015 است. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویری با استفاده از الگوریتم قطعه بندی چندمقیاسه در محیط نرمافزار eCognition انجام شد. سپس این قطعات انتخابشده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی شدند. طبقه بندی پیکسل پایه نظارت شده شامل انتخاب نمونه های تعلیمی با استفاده از الگوریتم حداکثر احتمال انجام شد. ارزیابی صحت در هر دو روش انجام شد. نتایج نشان داد که طبقه-بندی شیءگرا با صحت کلی بالای 90 درصد نسبت به طبقه بندی پیکسل پایه از دقت بالاتری برخوردار است. نقشه های کاربری اراضی نشان داد به ترتیب در دشت های اصفهان- برخوار، نجف آباد و چادگان مساحت کاربری مسکونی برابر با 2.09، 9.66، 3.74 درصد افزایش و کاربری مرتعی برابر با 7.48، 10.94 و 17.73 درصد کاهش در طول دوره موردمطالعه داشته اند. همچنین در دشت چادگان سطح اراضی زراعی و تحت آیش به ترتیب به میزان 8.31 و 5.64 درصد افزایش داشته اند.
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.
_||_