مهدی نادری
چکیده
در دهههای گذشته، دادههای سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح مختلف از مقیاس محلی تا جهانی مورد استفاده قرار گرفته است. پایش دقیق و منظم این تغییرات در برنامهریزی شهری و مدیریت پایدار منابع زمین ضرورت دارد. در این مطالعه، یک رویکرد شیگرا با ترکیب الگوریتمهای GLCM، SNIC و یادگیری ...
بیشتر
در دهههای گذشته، دادههای سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح مختلف از مقیاس محلی تا جهانی مورد استفاده قرار گرفته است. پایش دقیق و منظم این تغییرات در برنامهریزی شهری و مدیریت پایدار منابع زمین ضرورت دارد. در این مطالعه، یک رویکرد شیگرا با ترکیب الگوریتمهای GLCM، SNIC و یادگیری ماشین جهت طبقهبندی LULC بخشی از اراضی شمال مهاباد، آذربایجانغربی با استفاده از تصاویر ماهوارهای سنتینل-2 سال 2019 در سامانه گوگل ارث انجین ارائه شده است. بدین منظور، پس از آمادهسازی مجموعه داده اولیه که شامل باندهای هدف تصاویر سنتینل-1 و سنتینل-2، مدل رقومی سطح زمین ALOS و شاخصهای NDVI، BSI، SAVI و توان بازپراکنش کل میباشد، در مرحله دوم با اتخاذ دو رویکرد پیکسلپایه و شیگرا و الگوریتم جنگل تصادفی نسبت به طبقهبندی LULC و مقایسه نتایج حاصل از آنها جهت تبیین بهترین رویکرد از نظر دقت کلاسهای مختلف اقدام شد. در رویکرد شیگرا، معیارهای بافتی با اعمال ماتریس GLCM بر روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها، از روش PCA برای کاهش ابعاد تصویر استفاده شد. در نهایت، با ترکیب لایه قطعهبندی حاصل از الگوریتم SNIC و لایه PC1، الگوریتم جنگل تصادفی جهت تهیه نقشههای LULC محدوده مطالعاتی در نظر گرفته شد. یافتههای تحقیق نشان دادند که رویکرد شیگرا با صحتکلی و ضریب کاپا معادل 40/86% و 8307/0 نسبتبه رویکرد پیکسلپایه با صحتکلی و ضریب کاپا 73/82% و 8028/0، نتایج بهتری را در طبقهبندی کاربریهای مختلف اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان دادند که صحت تولیدکننده اکثر کلاسهای کاربری بهجز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی در رویکرد شیگرا نسبتبه روش پیکسلپایه بالاتر و دقت طبقهبندی آنها بیشتر از 90% بوده است. علاوهبر این، کاربریهای/پوششهای پهنه آبی، ساختهشده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه LULC شیگرا به خود اختصاص دادهاند. یافتههای تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشهبندی SNIC و بهکارگیری معیارهای بافتی GLCM به طور موثری عملکرد رویکرد پیشنهادی در طبقهبندی کاربری و پوشش زمین را بهبود میبخشد.