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.