ارزیابی عملکرد الگوریتم‌های ماشین بردار پشتیبان و حداکثر احتمال در تهیة نقشة کاربری اراضی جنگل‌های رودخانه‌ای با استفاده از سنجندة OLI (منطقة مورد مطالعه: جنگل‌های رودخانه‌ای مارون بهبهان)

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار گروه سنجش از دور و GIS، دانشکدة علوم جغرافیایی، دانشگاه خوارزمی تهران

2 کارشناس ارشد جنگل‌شناسی و اکولوژی جنگل، دانشگاه شهید چمران اهواز

3 کارشناس ارشد سنجش از دور و GIS، دانشگاه شهید چمران اهواز

چکیده

تهیة اطلاعات دقیق و به‌روز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را می‌توان به‌آسانی و با صرف هزینه و زمان کمتر، از راه طبقه‌بندی داده‌های دورسنجی تهیه کرد. در این مطالعه به‌منظور ارزیابی عملکرد الگوریتم‌های ماشین‌بردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگل‌های رودخانه‌ای، ‌از داده‌های ماهواره لندست 8 استفاده شد. برای این کار، پنجره‌ای از تصاویر چندطیفی سنجندة OLI جنگل‌های رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیش‌پردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقه‌بندی تصاویر به‌روش نظارت‌شده و با استفاده از الگوریتم‌های حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجمله‌ای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقه‌بندی جنگل‌های رودخانه‌ای مارون و تفکیک کاربری‌ها با استفاده از تصاویر سنجندة OLI امکان‌پذیر است و بهترین نتیجه مربوط به طبقه‌بندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاس‌ها از هفت به سه، کاربری صحت طبقه‌بندی افزایش می‌یابد ولی با کاهش تعداد نمونه‌ها تا حد میانگین، تغییر محسوسی در کیفیت طبقه‌بندی رخ نمی‌دهد و در صورت کاهش زیاد تعداد نمونه‌ها، از صحت طبقه‌بندی نیز کاسته می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of SVM and MLC Algorithms on Landuse/ Landcover Mapping of Riparian Forest, Using OLI Sensor (Case Study: Riparian Forest of Maroon, Behbahan)

نویسندگان [English]

  • , A.A Torahi 1
  • M FiroziNejad, 2
  • , A Abdolkhani 3
1 Associate prof. of Dep. of Geoinformatics, Faculty of Geographical Sciences, University of Kharazmi, Tehran
2 M.Sc. of Silviculture and Forest Ecology, Shahid Chamran University, Ahwaz
3 M.Sc. of Remote Sensing and GIS, Shahid Chamran University, Ahwaz
چکیده [English]

Obtaining more accurate and updated information about the forest area is one of the basic factors in sustainable management of this area. Acquiring this information is more beneficial in terms of time and cost through classification of remote sensing data. In this paper, Landsat8 (OLI) data from Maroons Behbahan riparian forest that is located in Khoozestan province of Iran were used for mapping and better management of riparian forest. Preprocessing operation including radiometric and atmospheric correction was applied to the data. Supervised classification algorithms including maximum likelihood (MLC) and support vector machine (SVM) with seven and three classes were used for classification. In order to evaluate the capability of support vector machine, three categories of training data with 241, 141 and 41 numbers with four kernels of SVM (linear, radial basic function, sigmoid and polynomial) were used. The results indicate that mapping of Maroons riparian forest using Landsat images is possible and the best result was acquired using SVM –polynomial method by three classes with overall accuracy and kappa coefficient of (99/24) % and (0/97) respectively. Also, the findings showed that with reduction of number of classes from seven to three, the accuracy of classification is increased. By reducing the number of samples to moderate, significant difference in accuracy of classification was not observed, but by more reduction of samples, the accuracy of results is reduced. 

کلیدواژه‌ها [English]

  • Support vector machine
  • Maximum likelihood
  • riparian forest
  • OLI
  • Maroon
  1. آرخی، ص.، ادیب‌نژاد، م.، 1390، ارزیابی کارآیی الگوریتم‌های ماشین بردار پشتیبان جهت طبقه‌بندی کاربری اراضی با استفاده از داده‌های ماهواره‌ای ETM+ لندست (مطالعة موردی:حوزة سد ایلام)، فصلنامة علمی‌ـ پژوهشی تحقیقات مرتع و بیابان ایران، جلد 18، ش. 3، ص. 440.
  2. آرونف، ا.، 1390، سنجش از دور برای مدیران GIS، ترجمة علی‌اصغر درویش‌صفت و دیگران، انتشارات دانشگاه تهران.
  3. بنیاد، ا.ا.، حاجی‌قادری، ط.، 1386، تهیة نقشة جنگل‌های طبیعی استان زنجان با استفاده از داده‌های سنجندة ETM+ لندست 7، مجلة علوم و فنون کشاورزی و منابع طبیعی، جلد 11، ش. 42، صص. 638-627 .
  4. حسنی تبار، سیدمحمد و جعفر زاده، جعفر، 1395، گامی نو در پردازش تصاویر ماهواره ای(مبانی و کاربرد) 5.3 ENVI، انتشارات ناقوس،209ص.
  5. درویش صفت، ع. ا. پیرباوقار،م. و رجب پور رحمتی، م. 1390، سنجش از دور برای مدیران GIS، تالیف: استن آرونف، انتشارات دانشگاه تهران، 707ص.
  6. دولتی، م.، 1386، طبقه‌بندی تراکم جنگل‌های دست‌کاشت تاغ با استفاده از داده‌های ETM+ و IRS(مطالعة موردی: جنگلکاری تاغ حسین‌آباد میش‌مست استان قم)، پایان‌نامة کارشناسی ارشد گروه جنگلداری دانشگاه مازندران.
  7. رشیدی، ف.، بابایی کفاکی، س.، اولادی، ج.، 1388، بررسی قابلیت داده‌های رقومی سنجندة ETM+در تفکیک تیپ‌های جنگلی (مطالعة موردی: منطقة لفور سوادکوه)، فصلنامة علمی‌ـ پژوهشی تحقیقات جنگل و صنوبر ایران، جلد 17، ش. 1، صص. 63-51.
  8. ریاضی، آ.، 1391، مطالعة ساختار و ترکیب جنگل‌های رودخانه‌ای حوزة مارون بهبهان، پایان‌‌نامة کارشناسی ارشد، دانشگاه صنعتی خاتم‌الانبیاء بهبهان.
  9. زبیری، م.، مجد، ع.، 1382، آشنایی با فن سنجش از دور و کاربرد در منابع طبیعی، انتشارات دانشگاه تهران.
  10. علوی‌پناه، س.ک.، متین‌فر، ح.ر.، رفیعی امام، ع.، 1387، کاربرد فناوری اطلاعات در علوم زمین (خاک‌شناسی رقومی)، مؤسسة انتشارات دانشگاه تهران، چاپ اول.
  11. علوی‌پناه، س.ک.، 1388، اصول سنجش از دور نوین و تفسیر تصاویر ماهواره‌ای و عکس‌های هوایی. انتشارات دانشگاه تهران.
  12. غلامی، ش.، حسینی، س.م.، محمدی، ج.، سلمان ماهینی، ع.، 1390، تجزیه و تحلیل تغییرات مکانی ماکروفون خاک در جنگل‌های حاشیة رودخانة کرخه، نشریة آب و خاک، جلد 24، ش. 6، ص. 1172.
  13. فاطمی، س.ب.، رضایی، ی.، 1384، مبانی سنجش از دور، انتشارات آزاده.
  14. فتاحی، م.م.، نوروزی، ع.ا.ا.، آبکار، ع.ا.، خلخالی، س.ع.، 1386، مقایسة روش‌های طبقه‌بندی و تهیة نقشة استفاده از اراضی Land useمناطق خشک با استفاده از تصاویر ماهواره‌ای، پژوهش سازندگی در منابع طبیعی، ش. 76، صص. 135-129.
  15. لطیفی، ه.، 1384، ارزیابی سنجندةETM+ برای تهیة نقشة جنگل، اکوتون، RANGLAND در منطقة جنگل‌های نکا ظالم‌رود، پایان‌نامة کارشناسی ارشد، دانشگاه منابع طبیعی و کشاورزی گرگان.
  16. لیسند، ت.م.، کیفر، ر.و.، 1387، سنجش از دور و تفسیر تصاویر ماهواره‌ای، ترجمة جعفر اولادی قادیکلایی، انتشارات دانشگاه مازندران.
  17. محمدی، ج.، شتایی، ش.، یغمایی، ف.، سلمان ماهینی، ع.، 1388، طبقه‌بندی طبقات سنی توده‌های جنگلی با استفاده از داده‌های ماهوارة لندست، سنجندة ETM+، مجلة پژوهش‌های علوم و فناوری چوب و جنگل، جلد 16، ش. 3، صص. 56-43.
  18. مصداقی، م.، 1384، بوم‌شناسی گیاهی، انتشارات جهاد دانشگاهی مشهد.
  19. مؤمن‌زاده، ا.، نبوی، س.م.، فرخیان، ف.، رجب‌زاده قطرمی، ا.، 1390، ارزیابی توان اکولوژیکی حوزة دریاچة سد مارون برای کاربری اکوتوریسم و ارائة راهکارهایی به‌منظور توسعة این صنعت، مجلة تالاب، دانشگاه آزاد اسلامی واحد اهواز، سال دوم، ش. 8، تابستان، صص. 19-3.
  20. ناصری، ف.، درویش‌صفت، ع.ا.، سبحانی، ه.، نمیرانیان، م.، 1383، ارزیابی داده‌های لندست 7 برای تهیة نقشة تراکم جنگل در نواحی خشک و نیمه‌خشک، مجلة منابع طبیعی ایران، جلد 57، ش. 1، صص. 119-109.
  21. یوسفی، ص.، تازه، م.، میرزایی، س.، مرادی، ح.ر.، توانگر، ش.، 1390، مقایسة الگوریتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیة نقشة کاربری اراضی (مطالعة موردی: شهرستان نور)، کاربرد سنجش از دور و GIS در علوم منابع طبیعی، ش. 2، صص. 25-15.
  22. Chi, M., Feng, R., Bruzzone, L., 2008, Classification of Hypersepcteral Remote Sensing Data With Primal SVM for Small-Suized Training Dataset Problem, Advances in Space Resarech, 41, PP. 1793–1799.
  23. Gong, P., Pu, R. & Chen, J., 1996, Mapping Ecological Land Systems and Classification Uncertainties from Digital Elevation and Forest-Cover Data Using Neural Networks, Photogrammetric Engineering & Remote Sensing, Vol. 62, No.11, PP. 1249–1260.
  24. Hosseini, S.Z., Khajeddin, S.J., Azarnivad, H. & Khalilpour, S.A., 2004, Application of ETM+ Data for Estimating Rangelands Cover Percentage (Case Study: Chamestan Area, Iran), XXth ISPRS Congress Technical Commission VII, Istanbul, Turkey, July 12–23, PP. 198–201.
  25. Hsu, C.W., Chang, C.C. & Lin, C.J., 2008, A Practical Guide to Support Vector Classification, Available at: http://www.esie. ntu.edulcjlin/papers/guide/guide.pdf
  26. Irish, R.R., Barker, J.L., Goward, S.N. & Arvidson, T., 2006, Characterization of the Landsat-7 ETM_Automated Cloud-Cover Assessment (ACCA) Algorithm, Photogrammetric Engineering & Remote Sensing Vol. 72, No. 10, October, PP. 1179–1188.
  27. Jensen, J.R., 1996. Introductory Digital Image Processing: A Remote Sensing Perspective. 2d ed. Englewood Cliffs, New Jersey: Prentice-Hall.
  28. Kocher, S.D. & Harris, R., 2007, Riparian Vegetation, Forest Stewardship Series 10, Publication 8240.
  29. Kozlowski, T.T., 2002, Physiological-Ecological Impacts of Flooding on Riparian Forest Ecosystems, Wetlands, 22, PP. 550–561.
  30. Laliberte, A.S., Browning, D.M. and Rango, A., 2012, A Comparison of Three Feature Selection Methods for Object-Based Classification of Sub-Decimeter Resolution UltraCam-L Imagery, International Journal of Applied Earth Observation and Geoinformation 15, 70–78.
  31. Liberti, M., Simoniello, T., Carone, M.T., Coppola, R., D’Emilio, M., Lanfredi, M. & Macchiato, M., 2006, Badlands Area Mapping from Landsat-ETM Data, Center for Remote Sensing of Land Surfaces, Bonn, 28–30.
  32. Mantero, P., Moser, G. & Serpico, S.B., 2005, Partial Supervised Classification of Remote Sensing Images Through SVM-Based probability Density Estimation, IEEE Trans. On Geoscience and Remote Sensing, Vol. 43, No. 3, March, PP. 559–570.
  33. Mathur, A. & Foody, G.M., 2008a, Multiclass and Binary SVM Classification: Implication for Training and Classification Users, IEEE Geoscience And Remote Sensing Letters 5, 241–245.
  34. Mountrakis, G., Im, J. & Ogole, C., 2011, Support Vector Machines in Remote Sensing: A Review, ISPRS Journal of Photogrammetry and Remote Sensing, 66, PP. 247–259.
  35. Naiman, R.J. & D´Ecamps, H., 1997, The Ecology of Interfaces: Riparian Zones, Annu. Rev. Ecol. Syst. 28, PP. 621–58, School Of Fisheries, Box 357980, University of Washington
  36. Naiman, R.J., Bilby, R.E. & Bisson, P.A., 2000, Riparian Ecology and Management in the Pacific Coastal Rain Forest, Bioscience, Vol. 50, No. 11.
  37. Soman, S., Beyeler, S., Kraft, S.E., Thomas, D. & Winstanley, D., 2007, Ecosystem Services from Riparian Areas: A Brief Summary of the Literature, Available at: http://www.verdevalley.org/RiparianAreas.pdf (link is external)
  38. Thomas, V., Treitz, P., Jelinski, D., Miller, J., Lafleur, P. & McCaughey, J.H., 2002, Image Classifition of Northern Peatland Complex Using Spectral and Plant Community Data, Remote Sensing of Environment journal 84, 83–99.