رضا شاه حسینی؛ کمال عزیزی؛ ارسطو زارعی؛ فاطمه مرادی
چکیده
نقشههای کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاههای انسانی را توصیف میکنند که بهمنزلة ابزار برنامهریزی مهمی برای تصمیمگیرندگان عمل میکند؛ بنابراین دقت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای در عدم قطعیت بهمنظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در ...
بیشتر
نقشههای کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاههای انسانی را توصیف میکنند که بهمنزلة ابزار برنامهریزی مهمی برای تصمیمگیرندگان عمل میکند؛ بنابراین دقت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای در عدم قطعیت بهمنظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشههای کاربری زمین شمرده میشوند. هدف اصلی از این تحقیق پیشنهادکردن روشی بهمنظور ایجاد نقشة پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق دادههای سنتینلـ 1 و سنتینلـ 2 است. به این منظور، ویژگیهای ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیة H-α (آنتروپی، آلفا) از تصاویر راداری سنتینلـ 1 و ویژگیهای باند آبی، سبز، قرمز، شاخصهای NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینلـ 2 استخراج و به منزلة مؤلفههای تأثیرگذار در طبقهبندی منطقة شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوششها، از شاخص رطوبت SWI استفاده شد. همچنین دادههای ارتفاعی برای تفکیک بهینة کلاسهای پیچیده با توپوگرافی متفاوت بهکار رفت. استخراج شاخصهای تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتمهای ماشین بردار پشتیبان و جنگل تصادفی، برای طبقهبندی کاربری زمین ارزیابی شد. نتایج نشان داد که بهکارگرفتن ویژگیهای استخراجشده از تصاویر راداری و اپتیک بهطور همزمان، در روش طبقهبندی شیءگرا، میتواند ویژگیهای شیء را بهطور کامل در ناحیة مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقهبندی، زمانی که از دادههای اپتیک و راداری بهطور همزمان استفاده شد، دقت کلی طبقهبندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقتها را دربر داشت، دقت کلی برای رویکرد ترکیب دادههای راداری و اپتیک بهمیزان 13 و 5%، بهترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنیداری در دقت طبقهبندی، در تمامی سطوح، بین الگوریتم طبقهبندی ماشین بردار پشتیبان و جنگل تصادفی دیده میشود. نتایج نشان داد که دقت کلی درمورد روش طبقهبندی جنگل تصادفی و ماشین بردار پشتیبان بهترتیب برابر 3/83 و 8/79% و ضریب کاپا بهترتیب 72/0 و 68/0% بوده است.
محمد سعادت؛ رضا شاه حسینی
چکیده
تهیه نقشههای پوشش اراضی با دقت بالا، همواره یکی از اهداف مهم محققان در زمینه مدیریت اراضی بوده است. هدف ازاین پژوهش، ارائه روش نوینی جهت تهیه نقشههای کاربری اراضی با استفاده از پردازش تصاویر ماهوارهای بوده است. به همین منظور، از تصاویر ماهواره لندست 8، به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی (DEM)، دادههای حاصل از تجزیه ...
بیشتر
تهیه نقشههای پوشش اراضی با دقت بالا، همواره یکی از اهداف مهم محققان در زمینه مدیریت اراضی بوده است. هدف ازاین پژوهش، ارائه روش نوینی جهت تهیه نقشههای کاربری اراضی با استفاده از پردازش تصاویر ماهوارهای بوده است. به همین منظور، از تصاویر ماهواره لندست 8، به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی (DEM)، دادههای حاصل از تجزیه به عنوان مولفههای اصلی و شاخصهای طیفی جهت استخراج نقشه پوشش اراضی در منطقه مطالعاتی استفاده شد. پس از پیشپردازشها و آمادهسازی دادههای مورد نیاز، اقدام به تهیه نمونههای آموزشی شد. دراین پژوهش، نمونههای آموزشی در دو بخش به کار گرفته شدند؛ در بخش اول از آنها به عنوان ورودی، جهت طبقهبندی تصویر با الگوریتمهای نظارت شده، حداکثر احتمال و ماشین بردار پشتیبان استفاده شد. در بخش دوم، بهمنظور طبقهبندی با روش درخت تصمیم گیری، از این نمونهها برای تعیین محدوده بازتاب طیفی هر پوشش در طیف امواج الکترومغناطیس (باندهای تصویر، PCA، شاخصهای طیفی و DEM) استفاده شد. سپس با استفاده از این دادهها و شروط دودویی درخت تصمیمگیری، هر پوشش مشخص و نقشه پوشش آن استخراج شد. پس از تهیه نقشههای ذکر شده، به منظور تلفیق نتایج طبقهبندی و حصول دقت بالاتر، از روش حداکثر رایگیری به منظور تهیه نقشه تلفیقی جدید پوشش اراضی منطقه استفاده شد. همچنین به منظور ارزیابی دقت نقشههای تولیدی، از پارامترهای آماری منتج از ماتریس ابهام شامل دقت کلی، ضریب کاپا، دقت کاربر و دقت تولیدکننده استفاده شد. بر اساس نتایج حاصله، روش تلفیقی با دقت کلی 37/93 درصد و ضریب کاپا 91/0 دارای بیشترین دقت بوده است. دقت کلی نقشه پوشش روش درخت تصمیمگیری، ماشین بردار پشتیبان و حداکثر احتمال نیز به ترتیب 61/89، 01/88 و 6/87 درصد بودهاند. با توجه بهاینکه در طبیعت پوشش خالص، به ندرت مشاهده میشود و بیشتر پوششها به صورت ترکیبی وجود دارند، لذا بهتر است از روشهای نوینی که همه ابعاد پدیدهها را پوشش میدهند استفاده شود. دراین پژوهش، اطلاعات حاصل از طبقهبندی نظارت شده و همچنین اطلاعات حاصل از روش منطقی درخت تصمیمگیری با یکدیگر تلفیق شده و نتایج حاصله به خوبی، بیانگر بهبود دقت نهایی طبقهبندی بودند.