انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 18 1 2026 05 22 Comparative Analysis of Different Image Fusion Methods at the Pixel and Decision Levels on the Accuracy of Land Use and Land Cover Classification بررسی مقایسه‌‌ای روش‌های گوناگون ادغام تصویر در سطح پیکسل و تصمیم بر دقت طبقه‌بندی کاربری و پوشش اراضی 105313 10.48308/gisj.2025.235304.1215 FA فاطمه بالویی دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران مصطفی کابلی زاده دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران 0000-0001-6058-822X Journal Article 2024 04 08 ABSTRACT Introduction: This research examines and evaluates various methods of fusion satellite images to produce high accuracy land use and land cover maps in the Ahvaz region. Considering the importance of accurate land use information in natural resource management, urban planning, and sustainable development, this study aims to analyze different integration methods and investigate their impact on the accuracy of land use classification. In this context, two major levels of data integration are explored: pixel-level integration and decision-level integration. Pixel-level integration involves combining information from multiple images simultaneously at the individual pixel level, which can significantly improve the accuracy and quality of the final images. On the other hand, decision-level integration focuses on combining the results obtained from different classification algorithms. Materials and Methods: In this research, images from two sensors, Landsat 8 and Sentinel 2, were used. Landsat 8, with a spatial resolution of 30 meters, and Sentinel 2, with a spatial resolution of 10 meters, were specifically chosen for applications related to land use and land cover.In the first step, images were integrated at the pixel level using various integration methods, including Discrete Wavelet Transform (DWT), Spatial Filtering based on Intensity Modulation (SFIM), Gram Schmidt (GS), Multiplicative (MP), Brovey Transform and Principal Component Analysis (PC). Each of these methods was specifically designed to preserve the spectral and spatial characteristics in the integrated images.In the second step, two classification methods, Maximum Likelihood Classification (MLC) and Support Vector Machine (SVM), were employed to create classified images. This choice was made because of the high ability of both methods to differentiate various land use and land cover classes. As a final step, the use of the Dempster-Shafer method as a decision-level integration approach was examined. This method allows for the combination of evidence and information from various sources, facilitating the production of more accurate and reliable results. Results and discussion: The results of this study indicated that the Support Vector Machine (SVM) method achieved higher accuracy in land use and land cover classification compared to the Maximum Likelihood Classification (MLC) method. The land use classification derived from the SFIM image using MLC, along with those obtained from GS, PC, and Brovey using SVM, were selected for decision-level integration due to their high Kappa coefficient and overall accuracy. The final land use map obtained through Dempster-Shafer integration exhibited an overall accuracy of 98.38% and a Kappa coefficient of 97.67%. These results reflect an improvement of 5 to 7 percent compared to the four land uses utilized. The increase in accuracy in class differentiation signifies success in more precise identification and classification of land use classes. Furthermore, the results revealed that the Dempster-Shafer method provided significant improvements, particularly in distinguishing similar classes such as soil and residential-road, leading to a notable increase in producer accuracy for these classes.Additionally, the examination of confusion matrices showed that the application of the Dempster-Shafer method reduced ambiguity in the classification of various land use classes. This emphasizes that the correct selection of integration and classification methods can directly enhance the accuracy and quality of land use maps. Conclusion: This research clearly demonstrates that the use of the Dempster-Shafer method as an effective tool in integrating classified data can significantly increase the accuracy of land use maps. Moreover, this study emphasizes that selecting appropriate integration methods at both the pixel and decision levels can positively impact the quality of land use maps. Ultimately, this research serves as a valuable reference for future studies in the field of remote sensing data integration and its applications in natural resource management and urban planning, underscoring the importance of having accurate land use maps. . چکیده مقدمه:این پژوهش به بررسی و ارزیابی روش‌های مختلف ادغام تصاویر ماهواره‌ای به‌منظور تولید نقشه‌های کاربری اراضی با دقت بالا در منطقه اهواز، می‌پردازد. با توجه به اهمیت اطلاعات دقیق کاربری اراضی در مدیریت منابع طبیعی، برنامه‌ریزی‌های شهری و توسعه پایدار، این مطالعه تلاش دارد تا روش‌های مختلف ادغام را تحلیل کند و تأثیر آن‌ها بر دقت طبقه‌بندی کاربری اراضی را بررسی نماید. در این راستا، دو سطح عمده از ادغام داده‌ها مورد بررسی قرار می‌گیرد: ادغام در سطح پیکسل و ادغام در سطح تصمیم‌گیری.ادغام در سطح پیکسل به ترکیب اطلاعات چندین تصویر به‌صورت همزمان در سطح پیکسل‌های فردی می‌پردازد، که می‌تواند بهبود قابل توجهی در دقت و کیفیت تصاویر نهایی ایجاد کند. از طرف دیگر، ادغام در سطح تصمیم‌گیری به ترکیب نتایج حاصل از الگوریتم‌های طبقه‌بندی مختلف می‌پردازد. مقدمه: این پژوهش روش‌‌های گوناگون ادغام تصاویر ماهواره‌‌ای را به‌‌منظور تولید نقشه‌‌های کاربری اراضی با دقت مناسب در منطقة اهواز، بررسی و ارزیابی می‌کند. با توجه به اهمیت اطلاعات دقیق کاربری اراضی در مدیریت منابع طبیعی، برنامه‌‌ریزی‌‌های شهری و توسعة پایدار، این مطالعه تلاش دارد روش‌‌های گوناگون ادغام را تحلیل کند و تأثیر آن‌‌ها را در دقت طبقه‌‌بندی کاربری اراضی بررسی نماید. در این راستا، دو سطح عمدة ادغام داده‌‌ها بررسی می‌شود: ادغام در سطح پیکسل و ادغام در سطح تصمیم‌‌گیری. ادغام در سطح پیکسل به ترکیب هم‌زمان اطلاعات چندین تصویر در سطح پیکسل‌‌های فردی می‌‌پردازد که می‌‌تواند بهبود شایان توجهی در دقت و کیفیت تصاویر نهایی ایجاد کند. ازدیگرسو، ادغام در سطح تصمیم‌‌گیری به ترکیب نتایج حاصل از الگوریتم‌‌های گوناگون طبقه‌‌بندی می‌‌پردازد. مواد و روش‌‌ها: در این تحقیق، از تصاویر دو سنجندة لندست‌ـ ۸ و سنتینل‌ـ ۲ استفاده شده است. سنجندة لندست‌ـ ۸ با تفکیک مکانی 3۰ متر و سنجندة سنتینل‌ـ ۲ با قدرت تفکیک 10 متر، به‌‌ویژه برای کاربردهایی درزَمینة کاربری اراضی و پوشش زمین، انتخاب شدند. در گام نخست، تصاویر در سطح پیکسل با بهره‌‌گیری از روش‌‌های گوناگون ادغام، شامل تبدیل موجک (DWT)، هموارسازی فیلتر متکی‌بر تعدیل شدت (SFIM)، گرام‌ـ اشمیت (GS)، ضرب (MP)، تبدیل Brovey و تحلیل مؤلفه‌‌های اصلی (PCA) تلفیق شدند. هریک از این روش‌‌ها به‌‌طور خاص برای حفظ ویژگی‌‌های طیفی و مکانی در تصاویر ادغام‌‌شده طراحی شده‌‌اند. در گام دوم، به‌‌منظور ایجاد تصاویر طبقه‌‌بندی‌شده، دو روش حداکثر احتمال (MLC) و ماشین بردار پشتیبان (SVM) به‌ کار گرفته شد. این انتخاب به‌‌دلیل توانایی بالای دو روش در تفکیک کلاس‌‌های متفاوت کاربری و پوشش اراضی بود. در آخرین مرحله، استفاده از روش دمپسترـ شفر به‌‌منزلة روشی برای ادغام در سطح تصمیم‌‌گیری، بررسی شد. این روش، با ترکیب شواهد و اطلاعات از منابع گوناگون، امکان تولید نتایج دقیق‌‌تر و مورد اطمینان‌‌تر را فراهم می‌‌آورد. بحث و نتایج: نتایج این تحقیق نشان داد که روش ماشین بردار پشتیبان، در مقایسه با روش حداکثر احتمال، دقت بیشتری در طبقه‌‌بندی کاربری اراضی دارد. کاربری حاصل از تصویر روش SFIM به‌روش حداکثر احتمال و GS، PC و Brovey حاصل طبقه‌‌بندی ماشین بردار پشتیبان، به‌علت ضریب کاپا و دقت کلی زیاد، برای تلفیق در سطح تصمیم‌‌گیری انتخاب شدند. نقشة کاربری نهایی حاصل از ادغام، با استفاده از روش دمپسترـ شفر، دقت کلی 3۸/9۸% و ضریب کاپای 6۷/9۷% را نشان داد. این نتایج بهبود پنج تا هفت‌درصدی را در مقایسه با چهار کاربری مورد استفاده، نشان می‌دهد. افزایش دقت در تفکیک کلاس‌‌ها نشان‌‌دهندة موفقیت در شناسایی و طبقه‌‌بندی دقیق‌‌تر کلاس‌‌های کاربری است. به‌‌علاوه، نتایج نشان داد که روش دمپسترـ شفر، به‌‌طور خاص، در تفکیک کلاس‌‌های مشابه مانند خاک و مسکونی‌ـ جاده بهبود درخور توجهی به دست داده است؛ به‌‌گونه‌ای ‌‌که دقت تولیدکننده درمورد این کلاس‌‌ها افزایش چشمگیری یافت. همچنین، با بررسی ماتریس‌‌های ابهام، مشخص شد که استفاده از روش دمپسترـ شفر باعث کاهش ابهام در طبقه‌‌بندی کلاس‌‌های متفاوت کاربری شده است. این نکته تأکید می‌‌کند که انتخاب صحیح روش‌‌های ادغام و طبقه‌‌بندی می‌‌تواند مستقیماً به بهبود دقت و کیفیت نقشه‌‌های کاربری اراضی کمک کند. نتیجه‌‌گیری: این تحقیق به‌‌وضوح بیان می‌کند استفاده از روش دمپسترـ شفر ابزار مؤثری در ادغام داده‌‌های طبقه‌‌بندی‌شده است که می‌‌تواند دقت نقشه‌‌های کاربری اراضی را افزایش چشمگیری دهد؛ علاوه‌بر این، تأکید می‌‌کند که انتخاب روش‌‌های مناسب ادغام در سطح پیکسل و تصمیم‌‌گیری می‌‌تواند، در کیفیت نقشه‌‌های کاربری اراضی، تأثیرات مطلوب شایان توجهی داشته باشد. در نهایت، این پژوهش مرجع کارآمدی برای تحقیقات آینده، درزَمینة ادغام داده‌‌های سنجش از دور و کاربردهای آن در مدیریت منابع طبیعی و برنامه‌‌ریزی شهری، محسوب می‌‌شود و بر اهمیت نقشه‌‌های دقیق کاربری اراضی تأکید می‌‌کند.

https://gisj.sbu.ac.ir/article_105313_580ac0ba6b4286b3622c37f6c49e4884.pdf