بررسی عملکرد الگوریتم های طبقه بندی کاربری اراضی با استفاده از تکنیک‌های ادغام تصاویر (مطالعة موردی: زیرحوزه بهشت آباد)
محورهای موضوعی : توسعه سیستم های مکانی
آرش فاضلی فارسانی
1
(دانش آموخته کارشناسی ارشد آبخیزداری، دانشگاه کاشان)
رضا قضاوی
2
(دانشیار دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان)
محمدرضا فرزانه
3
(دانشجوی دکتری منابع آب، دانشگاه تربیت مدرس)
کلید واژه: Geographic Information System (GIS), Remote Sensing, سنجش از دور, سامانه اطلاعات جغرافیایی, طبقه‌بندی کاربری اراضی, تکنیک تلفیق تصاویر, لندست 8, Land use classification, Images fusion techniques, LANDSAT 8,
چکیده مقاله :
طی چند دهة اخیر، تغییر کاربری اراضی تحت اثر عوامل محیطی و انسانی سبب بروز اثرات جدی بر محیط زیست، اقتصاد و اجتماع شده است، بنابراین داشتن اطلاع از نوع استفاده از اراضی و تغییرات آن در طی زمان از موارد مهم در برنامه ریزی و سیاست گذاری در کشور است. یکی از کاربردهای تکنیک تلفیق تصاویر ارائه یک طبقه بندی دقیق تر می‌باشد که به عنوان ابزاری نوین در استخراج اطلاعات مکانی مورد استفاده قرار می گیرد. هدف از ادغام داده ها افزایش کیفیت و محتوای اطلاعات موجود در هر یک از داده‌های اولیه است تا به این وسیله بتوان به استنتاج‌های ویژه‌ای دست یافت. در این تحقیق با استفاده از داده های سنجنده OLI ماهواره لندست 8 و استفاده از قابلیت‌های سنجش از دور و سیستم اطلاعات جغرافیایی، به کمک تکنیک های ادغام تصاویر و معیارهای ارزیابی صحت، عملکرد الگوریتم های طبقه بندی کاربری اراضی مورد مطالعه که شامل ماشین بردار پشتیبان، بیشترین شباهت و شبکه عصبی می‌باشد، مورد مقایسه قرار گرفت. نتایج حاصل از ارزیابی کیفیت تصاویر ادغام شده نشان می‌دهد که تکنیک Gram-Schmidt بیشترین دقت را در حفظ بیشتر داده‌های اولیه و بارزسازی بهتر تصاویر نسبت به سه روش مورد مطالعه دارد. با توجه به طبقه بندی صورت گرفته بر روی این تصاویر، روش Maximum Likelihood بیشترین تأثیر را در افزایش دقت طبقه‌بندی بر روی الگوریتم‌های Gram-Schmidt و PC_Sharpened داشته است. به طور کلی افزایش دقت طبقه‌بندی کاربری اراضی با لحاظ تکنیک‌های ادغام تصاویر نسبت به طبقه‌بندی صورت گرفته بر روی داده‌های چندطیفی اولیه مشاهده می‌شود.
In recent decades, land use changes cause an important environmental, economical and social damage in the world. Land use classification images are essential tools for land management and policy decisions. Fusion of remote sensing data could increase quality and intensify of data. The main aim of this study was investigated of land use classification algorithms (Support Vector Machine Background, Neural Net, and Maximum Likelihood) using a fusion of OLI remote sensing data using Geographic Information System (GIS). According to the results, Gram-Schmidt method had the best punctuality for taking of the firstly data and rebuilding of images. The results showed that Maximum likelihood method increased accuracy of PC_Sharpened and Gram-Schmidt algorithms. A significant accuracy in land use classification was observed via combination techniques.