مقایسه سه روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت شده در تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد اردبیل

نوع مقاله: پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد مرتعداری دانشگاه محقق اردبیلی

2 دانشیار گروه مرتع و آبخیزداری دانشگاه محقق اردبیلی

چکیده

با توجه به رشد روزافزون جمعیت و در نتیجه آن، تخریب و تبدیل غیراصولی کاربری اراضی، آگاهی از وضع موجود سرزمین، کاربری و پوشش آن ضرورت دارد. هدف اصلی تحقیق حاضر تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد بوده است. در این تحقیق از دو نوع تصاویر ماهواره QuickBird موجود در سرور گوگل‌ ارث (سال 2013) و سنجنده (Operational Land Imager) OLI ماهواره لندست 8 (سال 2014) در قالب سه روش تفسیر چشمی (تصاویر گوگل ‌ارث)، طبقه‌بندی شیءگرا (تصاویر گوگل ارث) و طبقه‌بندی نظارت‌شده (تصویر لندست 8) استفاده شد. به‌منظور ارزیابی نقشه کاربری/پوشش اراضی تولیدشده از سه روش ذکر شده، 51 نقطه به‌عنوان نقاط کنترلی جهت ارزیابی صحت انتخاب گردید. نتایج نشان داد که صحت کلی نقشه تولید شده از روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت‌شده، به ترتیب 100، 90 و 72 درصد و ضریب کاپای آن‌ها نیز به ترتیب 1، 85/0 و 6/0 است، که صحت بالای نقشه‌های تولید شده از دو روش تفسیر چشمی و شیءگرا را نشان داد. روش تفسیر چشمی با استفاده از تصاویر با قدرت تفکیک بین 65/0 تا 9/2 متری ماهواره QuickBird (سرور گوگل ارث)، صحیح‌ترین روش می‌باشد؛ هرچند که روش طبقه‌بندی شیءگرا با توجه به هزینه پایین آن از نظر زمانی در مناطق گسترده‌تر، به نسبت دارای صحت قابل قبولی می‌باشد.

کلیدواژه‌ها

موضوعات


مقایسه سه روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت شده در تهیه نقشه کاربری/ پوشش اراضی حوزه آبخیز ملا احمد اردبیل

 

آزاد کاکه ممی[1] ، اردوان قربانی[2]

 تاریخ دریافت :  10/04/96 تاریخ پذیرش: 16/11/96

 

چکیده

با توجه به رشد روزافزون جمعیت و در نتیجه آن، تخریب و تبدیل غیراصولی کاربری اراضی، آگاهی از وضع موجود سرزمین، کاربری و پوشش آن ضرورت دارد. هدف اصلی تحقیق حاضر تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد بوده است. در این تحقیق از دو نوع تصاویر ماهواره Quick Bird موجود در سرور گوگل‌ ارث (سال 2013) و سنجنده (Operational Land Imager) OLI ماهواره لندست 8 (سال 2014) در قالب سه روش تفسیر چشمی (تصاویر گوگل ‌ارث)، طبقه‌بندی شیءگرا (تصاویر گوگل ارث) و طبقه‌بندی نظارت‌شده (تصویر لندست 8) استفاده شد. به‌منظور ارزیابی نقشه کاربری/پوشش اراضی تولیدشده از سه روش ذکر شده، 51 نقطه به‌عنوان نقاط کنترلی جهت ارزیابی صحت انتخاب گردید. نتایج نشان داد که صحت کلی نقشه تولید شده از روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت‌شده، به ترتیب 100، 90 و 72 درصد و ضریب کاپای آن‌ها نیز به ترتیب 1، 85/0 و 6/0 است، که صحت بالای نقشه‌های تولید شده از دو روش تفسیر چشمی و شیءگرا را نشان داد. روش تفسیر چشمی با استفاده از تصاویر با قدرت تفکیک بین 65/0 تا 9/2 متری ماهواره QuickBird (سرور گوگل ارث)، صحیح‌ترین روش می‌باشد؛ هرچند که روش طبقه‌بندی شیءگرا با توجه به هزینه پایین آن از نظر زمانی در مناطق گسترده‌تر، به نسبت دارای صحت قابل قبولی می­باشد.

 

واژه­های کلیدی: تفسیر چشمی، ماهواره Quick bird، سنجنده OLI، طبقه­بندی نظارت‌شده، طبقه­بندی شیءگرا

 

 

 

 

 

مقدمه

 

کاربری اراضی توصیف نوع بهره­برداری انسان برای یک یا چند هدف بر روی یک قطعه زمین است. آگاهی از نوع و درصد کاربری­های مختلف برای شناخت و مدیریت منابع طبیعی و زیست‌محیطی در سطح حوزه­های آبخیز و سایر واحد­های کاری ضروری است (11 و 13). هم­چنین تغییرات وسیع در مرز کاربری اراضی توسط دامداران، کشاورزان و مردم روستایی و شهری و تبدیل­ها باعث نگرانی شدید دست‌اندرکاران منابع طبیعی کشور است (2 و 12). با گذشت زمان الگوی کاربری اراضی با توجه به دخالت­های مستمر انسان دستخوش تغییر و تحول شده است (1). آگاهی مدیران و برنامه‌ریزان سازمان‌های مختلف از روند تغییرات کاربری/پوشش اراضی برای پیش‌بینی منابع در آینده و جلوگیری از تخریب عرصه‌های مستعد تولید، مانند کاربری مرتع، مستلزم تهیه نقشه کاربری اراضی با صحت قابل‌قبول می­باشد. امکان تهیه نقشه کاربری اراضی و بررسی جنبه‌های مختلف کاربری/پوشش اراضی با روش‌های سنتی مانند نقشه‌برداری زمینی و استفاده از نقشه‌های آنالوگ، به­دلیل هزینه­های زیاد و وقت­گیر بودن عملاً در سطوح بزرگ امکان‌پذیر نمی­باشد؛ اما امروزه، تصاویر ماهواره­ای به‌صورت رقومی مورد پردازش قرار می‌گیرند و به­دلیل قدرت تفکیک طیفی، مکانی و زمانی استاندارد و دارا بودن پوشش وسیع منطقه­ای بر روش­های سنتی به­صورت مشخصی برتری پیدا کرده است (23). داده­های ماهواره‌ای برای شناخت کاربری­های مختلف اراضی و تهیه نقشه آن به­دلیل قدرت تفکیک مکانی بالا و وجود سری‌های زمانی باارزش تلقی می­گردد. به‌علاوه، با استناد به تصاویر ماهواره­ای امکان به هنگام‌کردن سریع نقشه­های کاربری اراضی با بهره­گیری از نرم‌افزارهای کامپیوتری مهیّا شده است (25). در حال حاضر در مراکز تحقیقاتی و دانشگاهی دنیا از جمله ایران استفاده از نرم‌افزارهای تخصصی برای پردازش رقومی تصاویر ماهواره­ای بسیار مورد توجه قرار گرفته است. بسته به هدف، انتظارات خاصی در تهیه نقشه­های موردنظر در ایران مطرح و لذا، آن­ها با سطوح و درجات مختلفی تهیه می­شوند. به­طور مثال روستایی و همکاران (26) نقشه تغییرات کاربری شهری را در تبریز با استفاده از روش‌های شئ‌پایه و پیکسل پایه تهیه و برتری روش شئ‌پایه را نسبت به روش‌های پیکسل پایه را اعلام کردند. هو و همکاران (17) نقشه کاربری حاصل از تصاویر گوگل ‌ارث وQuickBird  با روش شئ‌پایه را مورد مقایسه قرار دادند و اختلاف صحت کلی ناچیز بین دو تصویر را اعلام کردند. لو و همکاران (22) نقشه کاربری اراضی و پوشش زمین را با استفاده از دو روش حداکثر احتمال و شئ‌پایه در منطقه آمازون برزیل مورد مقایسه قرار دادند و از تصاویر [3]Landsat TM ،ALOS PALSAR L-band  و ترکیبی از آن‌ها استفاده کردند؛ نتایج آن‌ها نشان داد که روش شئ‌پایه با استفاده از تصاویر با قدرت تقکیک مکانی بالا روش مناسب‌تری است. پتروپولس و همکاران (24) دو روش ماشین‌بردار و شئ‌پایه را بر روی تصاویر Hyperion  اعمال نموده و به این نتیجه رسیدند که هر دو روش برای تهیه نقشه‌های کاربری اراضی و پوشش زمین مناسب‌ هستند، اما روش شئ‌پایه دارای صحت بهتری نسبت به روش ماشین‌بردار است. قربانی و پاکروان (10) از تصاویر سنجنده TM ماهواره لندست با روش تفسیر رقومی و تصاویر گوگل ارث با روش تفسیر چشمی برای تهیه نقشه کاربری اراضی حوزه آبخیز شیروان‌دره‌سی واقع در دامنه شمالی سبلان در استان اردبیل استفاده کردند، که دقت روش تفسیر چشمی بسیار بالاتر از روش تفسیر رقومی گزارش شده است. اسلمی و همکاران (3) صحت روش‌های شبکه عصبی مصنوعی، ماشین‌بردار پشتیبان (پیکسل پایه) و شئ‌گرا در تهیه نقشه کاربری/ پوشش اراضی شهرستان‌های اردبیل، نیر و نمین را به ترتیب 91/89، 68/85 و 37/94 درصد محاسبه و روش شئ‌گرا را مناسب‌ترین روش معرفی کردند. قربانی و همکاران (13) نقشه کاربری حوزه آبخیز کفتاره را با استفاده از  تفسیر چشمی و رقومی تصویر  ETM+تهیه کردند، نتایج آن‌ها نشان داد ارزیابی صحت طبقه‌بندی شیءگرا بالاترین صحت کلی را دارا می‌باشد. با بیش از 200 میلیون کاربر از زمان انتشار گوگل ارث در ماه ژوئن سال 2005 (14)، به‌تازگی پتانسیل آن برای تصویر‌سازی و انتشار اطلاعات علمی (5 و 16) را به رسمیت شناخته است. با این‌حال تصاویر گوگل ارث دارای کاربردهای بالقوه است که به­طور مستقیم می­تواند به تهیه نقشه پوشش اراضی و کاربری اراضی کمک کند. تصاویر به کاربران این اجازه را می­دهند تا به آسانی تفاوت بین طبقات مهم کاربری و پوشش زمین، اجزای اکوسیستم‌های طبیعی مانند اکوسیستم مرتع و اجزای محیط‌زیست انسان‌ساخت مثل: خانه، تأسیسات صنعتی و جاده‌ها را تشخیص دهند (20). بررسی صحت، ارزیابی میزان تطابق نقشه حاصل از طبقه­بندی با واقعیت زمینی است (6 و 21). معمول­ترین اجزای بررسی صحت شامل صحت تولیدکننده، صحت استفاده‌کننده، صحت کلی و ضریب کاپا است (8). هدف این مقاله سنجش دقت روش‌های تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت‌شده با استفاده از تصاویر گوگل ارث و لندست OLI، در شناسایی کاربری­های مختلف، تفکیک و تهیه نقشه­ کاربری­ها در حوزه آبخیز ملا احمد اردبیل بوده است. همچنین ارزیابی قابلیت استفاده از تصاویر رایگان و بدون باندهای منعکس کننده اطلاعات پوشش گیاهی سرور گوگل ارث (تصاویر ماهواره QuickBird) در روش طبقه‌بندی شئ‌گرا از دیگر اهداف پژوهش حاضر است.

 

مواد و روش‌ها

  1. منطقه مورد مطالعه

حوزه آبخیز ملا احمد با مساحت 4991 هکتار در استان اردبیل و شهرستان نیر و در جنوب شهر اردبیل قرارگرفته، از نظر موقعیت جغرافیایی بین ²58، ¢10 °48 تا ²13، ¢21 °48  طول شرقی و ²23، ¢03 °38 تا ²46، ¢07 °38 عرض شمالی با تغییرات ارتفاعی 1412 تا 1843 متر واقع شده است (شکل 1).

 

 

شکل 1. موقعیت منطقه مورد مطالعه در کشور و استان اردبیل


  1. پیش پردازش و آماده‌سازی تصاویر

الف) تصاویر  QuickBird گوگل ارث

انتخاب تصاویر

در این تحقیق و تحقیقات مشابه، اولویت با استفاده از تصاویری با قدرت تفکیک بالا نظیر تصاویرIKONOS  یاASTER [4] است، اما با توجه به محدودیت‌های اعتباری انجام تحقیقات امکان تهیه­ی تصاویری با قدرت تفکیک بالا وجود نداشته؛ لذا به اجبار با توجه به این محدودیت­ها، سرور گوگل برای تهیه تصاویر با قدرت تفکیک بالای مورد نظر استفاده شد.

تصاویر استخراج شده گوگل، با توجه به عدم امکان خرید داده‌های این سرور معتبر در کشور ایران، دارای زمان‌های بسیار متفاوت و غیر همگنی بوده (شکل 2) که در این مطالعه دو منطقه زمانی در تصویربرداری با تفاوت بالا وجود دارد، که این اختلاف زمانی رنگ و بافت تصاویر را تحت تأثیر قرار داده و عدم همگنی رنگ و بافت را باعث می‌شود. مناطق مختلف از نظر تفاوت زمانی در تصویربرداری در جدول 1 مشخص شده است.

 

جدول 1: زمان‌ تصویر برداری و مشخصات ماهواره مورد استفاده

قدرت تفکیک (متر)

ماهوراه

زمان

65/0 تا 9/2

QuickBird

2013/16/6

 

 

 

 

استخراج ، موزائیک و برش تصاویر:

در طول فرآیند استخراج و موزائیک تصاویر، سیستم [5]UTM با [6]WGS 84 به­عنوان یک سطح مبنا مدنظر قرار گرفت. پس از موزائیک کردن تصاویر، در نرم‌افزار ERDAS Imagine 2014 تصویر منطقه­ی مورد مطالعه برش داده شد.

الف)تصاویر لندست 8

انتخاب تصاویر:

با توجه به عدوم وجود تصویر مناسب (از نظر پوشش ابر) با توجه به مراحل فنولوژی و وضعیت آب و هوایی در انتخاب تصویر سنجنده­­ی OLI از سری لندست، تصویر مردادماه (7/8 ‌(August) /2014) استفاده شد.

جدول 2: زمان‌ تصویر برداری و مشخصات ماهواره مورد استفاده

قدرت تفکیک (متر)

ماهوراه

زمان

15 (Pan) تا 30

Landsat 8 (OLI)

2014/8/7

 

ادغام باندهای مختلف و برش تصاویر:

در طول فرآیند ادغام باندها و برش تصاویر، سیستم UTM با WGS 84 به­عنوان یک سطح مبنا مدنظر قرار گرفت. فریم 34-167 منطقه مورد مطالعه را پوشش کامل می‌دهد. در ادغام باندها، باند 8 (پانکروماتیک) به علت قدرت تفکیک متفاوت با سایر باندها، باند 9 (ابر سیروس) به­علت عدم وجود اطلاعات مربوط به پوشش سطح زمین و باندهای 10 و 11 نیز به­علت وجود اطلاعات مربوط به درجه حرارت در فرایند قرار نگرفتند؛ زیرا تصحیحات اتمسفری در نرم افزار ATCOR  روی باندهای 1 تا 7 سنجنده OLI اعمال می‌شود. باند پانکروماتیک در فرایند فیوژن مورد استفاده قرار گرفت تا قدرت تفکیک تصویر از 30 به 15 متر کاهش یابد. پس از ادغام باندها تصاویر در نرم‌افزار ERDAS Imagine 2014  تصویر منطقه­ی مورد مطالعه برش داده شد.

تصحیحهندسیتصاویر:

صحت هندسی تصاویر با استفاده از تصویر ETM+ سال 2006 با صحت قابل قبول  و آزمون شده توسط نقاط کنترل زمینی و همچنین نقشه­های توپوگرافی با مقیاس 1:25000 سازمان نقشه برداری کشور کنترل شد.

تصحیح اتمسفری:

برای اصلاح اتمسفری از نرم‌افزار الحاقی ATCOR3 در محیط نرم‌افزار ERDAS Imagine 2014 استفاده شد. برای تولید لایه‌های مربوط به سطح زمین (شیب، جهت شیب، اثرات بازنشر نیم‌کره‌ای بودن[7] و یا سایه های ناشی از زاویه تابش خورشیدی[8]) و انجام اصلاح بر روی تصاویر از لایه رقومی ارتفاع حاصل از ماهواره ASTER با قدرت تفکیک 30 متر استفاده شد. برای محاسبه آزیموت[9] و زنیت[10] خورشید از اطلاعات هدرفایل همراه تصاویر استفاده شد. در مراحل اصلاح از مدل Rural برای حذف ذرات معلق و هم­چنین برای محاسبه نحوه بازتاب نور از سطح زمین به­عنوان یک جسم کدر (BRDF[11]) از مدل تجربی تصحیح BRDF بر اساس رابطه 1 استفاده شد.

    رابطه 1:

 

 

 

 

نرمال‌سازیتوپوگرافیکی:

تصاویر خام سنجش از دور معمولاً دارای اعوجاج‌های ارتفاعی نیز هستند که این نوع خطاها در اثر وجود اختلاف ارتفاع در ناهمواری سطح زمین حاصل می­شود. دلیل اصلی وجود این نوع خطاها این است که در فضاهای با شیب تند نقش مسافت به درستی بر روی تصویر نمایش داده نمی‌شود. لذا، قبل از استفاده از این نوع تصاویر باید به رفع این نوع خطاها اقدام کرد. با فرض این­که مواد سطحی در تصویر خصوصیات لامبرتی دارد، از رابطه­ی 2 برای تصحیح این اثرات استفاده شد(7 و 19).

رابطه‌ 2:

 

نرمال‌سازی تصاویر با استفاده از مدلTopographic Normalize  در نرم‌افزار ERDAS Imagine 2014  با استفاده از DEM[12] منطقه و آزیموت و ارتفاع خورشیدی حاصل از هدرفایل تصاویر انجام گرفت.

  1. پردازش تصاویر

تفسیر چشمی:

تفسیر چشمی به­عنوان یکی از روش‌های سنتی در سنجش از دور محسوب می‌شود، اما با توجه به دقت بالای آن تا به هنگام استفاده از آن متداول می‌باشد. زمان و نیروی انسانی در این روش بسیار مهم می‌باشد، به‌طوری که در مطالعات با سطح وسیع مانند مطالعات استانی و کشوری مستلزم نیروی انسانی و زمان بالایی می‌باشد. تصاویر گوگل ارث به­دلیل رنگ واقعی آن‌ها به راحتی می‌توانند توسط کاربر مورد تفسیر قرار گرفته شود. در این مطالعه به­دلیل وسعت کم محدوه مورد مطالعه از این روش استفاده شد. از نرم‌افزار ArcGIS10.1 برای تفکیک کاربری‌ها و تهیه نقشه کاربری اراضی استفاده شد.

طبقه­بندی شئ­گرا:

در طی سال­های اخیر تحقیقات زیادی در زمینه‌ی کاربردهای منطق فازی در سنجش از دور انجام گرفته است که عمدتاً بر مبنای روش شیءگرا استوار بوده (4 و 27)، در آن علاوه بر ارزش­های عددی از اطلاعات مربوط به بافت، شکل و تن رنگ در فرآیند طبقه­بندی استفاده می­شود. ثابت شده است که توانایی روش طبقه‌بندی پیکسل­پایه هنگامی که اشیای متفاوت زمینی، با ارزش‌های عددی یکسان بر روی تصویر رقومی ثبت می‌شوند، محدود می‌گردد. برای حل این مشکل روش طبقه­بندی شیءگرا مطرح شده است. مهم­ترین اختلاف بین روش­های پیکسل پایه و شیءگرا این است که در تحلیل شیءگرای تصاویر، واحد اصلی پردازش تصویر، شکل اشیا یا سگمنت‌ها هستند نه ارزش‌های بازتابشی موجود در پیکسل­های انفرادی. در تحلیل شیءگرا طبقه‌بندی بر اساس منطق فازی انجام می­شود. در حالی که در طبقه‌بندی­های پیکسل­پایه (طبقه‌بندی سخت) تنها یک مقدار به هر پیکسل اختصاص داده شده، براساس مقادیر بازتابش پیکسل­ها در باندهای مختلف و با اعمال الگوریتم‌های مختلف طبقه­بندی صورت می­گیرد (25). معمولاً اعمال طبقه­بندی فازی در محیط نرم­افزار  eCognition صورت می­گیرد و تحلیل شیءگرای تصاویر، به عنوان طبقه­بندی نرم شناخته می­شود که از درجه­ی عضویت برای ارزیابی اشیا در کلاس­ها استفاده می­کنند. درجه­ی عضویت بین صفر و یک در تغییر است. که در آن عدد یک بیان­گر عضویت کامل و عدد صفر بیان­گر عدم عضویت مطلق است. درجه­ی عضویت بستگی به نسبتی دارد که اشیا با توجه به شرایط توصیفی کلاس­ها به خود اختصاص می­دهند. مهم­ترین مزیت این نوع طبقه‌بندی در امکان بیان غیرقطعی از توصیف‌های کلاس‌هاست (4 و 25).

نرم‌افزار eCognition به­منظور کاربرد روش فازی، نوعی از طبقه­بندی نزدیکترین همسایه را ارائه می‌دهد که از این طریق تابع عضویت چند بعدی به­طور اتوماتیکی تولید می‌شود. مراحل کلی پردازش تصویر به روش شیءگرا به قرار زیر می‌باشد (25): 1) قطعه‌بندی (سگمنت‌سازی) تصویر؛ 2) ایجاد سیستم دانش پایه با تعریف اطلاعات برای کلاس‌های مختلف؛ 3) تعریف شرایط طبقه­بندی برای هر کدام از کلاس­ها؛ 4) تفکیک شیءهای نمونه آموزشی؛ 5) انجام طبقه‌بندی تصویر؛ 6) ارزیابی صحت نتایج و بررسی پایداری طبقه­بندی؛ 7) انتخاب بهترین نتیجه­ی طبقه­بندی؛ 8) ارزیابی دقت تصویر طبقه‌بندی شده با استفاده از ماتریس خطای حاصله.

در این تحقیق از نرم افزار eCognition 8.9 برای طبقه­بندی استفاده شد. مقادیر 120 و 5/0 به‌ترتیب برای پارامترهای مقیاس و رنگ انتخاب گردید. برای سگمنت­سازی از الگوریتم Multiresolution و برای طبقه­بندی از الگوریتم نزدیک­ترین همسایگی استفاده شد.

طبقه‌بندی نظارت شده:

به گفته­ی جنسن (18) طبقه­بندی نظارت شده به طبقات اطلاعاتی ورودی توسط کاربر یا شناخت انواع طبقات بستگی دارد. طبقه­بندی نظارت شده مناطق همگن یا نمونه­های انواع کاربری‌ها را شناسایی می­کند، به این صورت که پیکسل­ها را در طبقات اطلاعاتی شناخته شده اختصاص می‌دهد. تعلیم فرآیندی است که ضوابط این الگوها را تعیین می­کند. خروجی تعلیم مجموعه‌ای از امضاهای طیفی از طبقات پیشنهادی می­باشد (18). الگوریتم­های رایج در طبقه­بندی نظارت شده­ی تصویر شامل طبقه‌بندی کننده­های متوازی­السطوح، حداقل فاصله، حداکثر احتمال می­باشند. در این بین طبقه­بندی کننده­ی حداکثر احتمال استفاده­ی بیشتری دارد، چون هم تغییرپذیری طبقات و هم احتمال قرارگیری یک پیکسل در هر یک از طبقات را هنگام محاسبه­ی فاصله­ی بین پیکسل مورد نظر و میانگین تمام طبقات را شامل می­شود (15). در این تحقیق، از الگوریتم حداکثر احتمال استفاده شد.

 

  1. ارزیابی صحت

جهت ارزیابی صحت و مقایسه نقشه­های حاصل، از ماتریس خطا و آماره­ی کاپا استفاده شده است. برای ارزیابی صحت نقشه­های حاصل از روش‌های طبقه­بندی (نظارت­شده و شیءگرا) از 51 نقطه­ی کنترلی برای نقشه­های تولید شده استفاده شد. موقعیت تمام نقاط کنترلی فوق در شکل 2 نشان داده شده است. سعی شده است که نقاط از مناطق همگن برداشت شود تا خطای انسانی سهم ناچیزی در برآورد صحت داشته باشد.

 

 

 

شکل 2: پراکنش نقاط کنترلی درسطح حوزه

 

 

شکل 3: روند کلی مراحل کار

 


 

نتایج

نتایج حاصل از تفسیر چشمی تصاویر گوگل ‌ارث در شکل 4 نشان داده شده است. همان­طور که جدول 3 مشاهده می­شود، تمامی کاربری‌ها به علت قدرت تفکیک بسیار مناسب تصاویر دارای صحت بالایی (100 درصد) می­باشند، که دقت بالای این روش را نشان می‌دهد. زمان بر بودن و احتمال خطای بیشتر کاربر در فرایند طبقه‌بندی از مشکلات این روش است. اراضی دیم و عرصه‌های آبی به ترتیب با 6/3804 و 2/3 هکتار مساحت، بیشترین و کمترین سطح کاربری را به خود اختصاص دادند (جدول 3).

 

 

شکل 4. نقشه کاربری اراضی حاصل از تفسیر چشمی تصاویر گوگل ‌ارث

 

جدول 3: نتایج ماتریس خطای نقشه کاربری اراضی حاصل از تفسیر چشمی تصاویر گوگل ‌ارث

نوع کاربری

مساحت (هکتار)

درصد مساحت

صحت کاربر (درصد)

صحت تولید کننده (درصد)

ضریب کاپای کل

صحت کل (درصد)

مناطق روستایی

9/59

2/1

100

100

1

100

عرصه‌های آبی

2/3

1/0

100

100

   

تظاهر آبی

7/17

4/0

100

100

   

اراضی دیم

6/3804

2/76

100

100

   

مرتع

1/1105

1/22

100

100

   

 

 

نتایج حاصل از طبقه­بندی شیء­گرا با استفاده از تصاویر گوگل ‌ارث در شکل 5 نشان داده شده است. علی­رغم نمونه­گیری و تعلیم خوب طبقه‌بندی کننده، به­علت عدم وجود باند‌های طیفی ماون قرمز برای تفکیک کاربری‌های دارای پوشش گیاهی متفاوت (مرتع و اراضی دیم) و شباهت رنگی کاربری‌های مرتع و اراضی دیم، تفکیک کاربری مرتع دارای خطا است (اراضی مرتعی در برخی موارد کشت دیم طبقه‌بندی شد). هر چند صحت کل مناسب 90 درصد از ماتریس خطا براساس نقاط کنترل زمینی که در جدول 4 شان داده شده است، حاصل شد. اراضی دیم و عرصه‌های آبی به ترتیب با 4/4041 و 9/2 هکتار مساحت بیشترین و کمترین سطح را در حوزه به خود اختصاص داده‌اند (جدول 4).

 

 

شکل 5: نقشه کاربری اراضی حاصل از طبقه‌بندی شیء­گرای تصاویر گوگل‌ ارث

 

جدول 4: نتایج ماتریس خطای نقشه کاربری اراضی حاصل از طبقه‌بندی شیء­گرای تصاویر گوگل‌ ارث

نوع کاربری

مساحت (هکتار)

درصد مساحت

صحت کاربر (درصد)

صحت تولید کننده (درصد)

ضریب کاپای کل

صحت کل (درصد)

مناطق روستایی

8/61

2/1

7/85

7/85

85/0

90

عرصه‌های آبی

9/2

1/0

100

100

 

 

تظاهر آبی

9/18

4/0

100

3/83

   

اراضی دیم

4/4041

81

96

3/92

   

مرتع

6/865

3/17

9/76

9/90

   

*عرصه های آبی مانند دریاچه سد ها و استخرها * تظاهر آبی به مفهوم درخت‌ها درختچه‌های حاشیه رودخانه‌ها و مسیل‌ها

 

 

نتایج حاصل از طبقه­بندی نظارت شده با استفاده از الگوریتم حداکثر احتمال در شکل 6 نشان داده شده است. همان­طور که مشاهده می­شود، علی‌رغم نمونه­گیری و تعلیم خوب طبقه‌بندی کننده، مناطق روستایی و مراتع بیشتر و اراضی دیم کمتر از مقدار واقعی برآورد شده است. علت این خطا در طبقه‌بندی کاربری‌های اراضی دیم، مناطق روستایی و مرتع خصوصیات طیفی مشابه است (برآورد مساحت بیشتر مناطق روستای و کمتر اراضی دیم ناشی از رفتار طیفی مشابه این دو کاربری نسبت به بازتاب نور است). عرصه‌های آبی به­دلیل خشک شدن دریاچه در زمان تصویر­برداری تفکیک نگردید و ماتریس خطا براساس نقاط کنترل زمینی صحت متوسط برابر با 72 درصد را نشان می­دهد (جدول 5). با توجه به جدول 5 کاربری اراضی دیم و تظاهر آبی به ترتیب با 8/3060 و 1/66 هکتار مساحت بیشترین و کمترین سطح را در بین کاربری‌های طبقه‌بندی شده به خود اختصاص دادند.

 

 

شکل 6: نقشه کاربری اراضی حاصل از طبقه‌بندی نظارت شده تصویر سنجنده OLI

 

جدول 5: نتایج ماتریس خطای نقشه کاربری اراضی حاصل از طبقه­بندی نظارت شده تصویر سنجنده OLI

نوع کاربری

مساحت (هکتار)

درصد مساحت

صحت کاربر (درصد)

صحت تولید کننده (درصد)

ضریب کاپای کل

صحت کل (درصد)

مناطق روستایی

4/413

2/8

7/85

60

6/0

72

تظاهر آبی

1/66

3/1

100

75

   

اراضی دیم

8/3060

6/60

68

5/89

   

مرتع

5/1511

9/29

9/76

8/58

   


بحث و نتیجه­گیری

پس از مقایسه نتایج حاصل از ارزیابی صحت نقشه‌ها، نقشه حاصل از روش تفسیر چشمی (تصویر سرور گوگل ارث) با صحت کل 100 درصد و ضریب کاپای 1 نسبت به نقشه‌های حاصل از روش‌های طبقه‌بندی شئ‌گرا (تصور سرور گوگل ارث) و نظارت شده (تصویر لندست 8) به ترتیب با صحت کلی 90 و 72 درصد و ضریب کاپای 85/0 و 6/0 به عنوان صحیح‌ترین روش مشخص شد. بررسی صحت تولید کننده و کاربر برای هر کدام از روش‌های مورد استفاده نشان داد که در روش شیءپایه مهم‌ترین عوامل کاهش صحت تولید کننده مؤلفه‌های تظاهر آبی و مناطق روستایی و مهم‌ترین عوامل کاهش صحت کاربر مؤلفه‌های مرتع و مناطق روستایی هستند. در روش طبقه‌بندی نظارت‌شده با استفاده از الگوریتم حداکثر احتمال مهم‌ترین عوامل کاهش صحت تولید کننده مؤلفه‌های مرتع و مناطق روستایی و مهم‌ترین عوامل کاهش صحت کاربر اراضی دیم و مرتع هستند. در این پژوهش، براساس تفسیر نتایج حاصل از ماتریس خطا، نقشه کاربری اراضی حاصل از تفسیر چشمی تصاویر گوگل با صحت کلی 100 درصد در مقایسه با تحقیق قربانی و پاکروان (10) که دارای صحت 3/90 بود دارای کیفیت بهتری است. طبقه‌بندی شیء‌گرا تصاویر گوگل ‌ارث با صحت کلی 90 درصد در مقایسه با تحقیقات ­هو و همکاران (17)، پتروپولوس و همکاران (24) و لو و همکاران (22) که به­ترتیب دارای صحت 07/78، 3/81 و 1/81 درصدی بودند صحت بهتری را نشان داد. هر چند که نوع تصاویر انتخابی در موارد دوم و سوم متفاوت بود اما در هر دو از تصاویر با قدرت تفکیک مکانی بالا یا در ترکیب با باند دارای قدرت تفکیک مکانی بالا استفاده شده است. یکی عوامل موثر در صحت مناسب در پژوهش حاضر تعداد طبقات کم در مقایسه با سایر پژوهش‌ها می‌تواند باشد. در مقایسه با تحقیق روستایی و همکاران (26) در شهر تبریز تعداد طبقات برابر اما صحت کل آن 1/95 است که صحت بهتری را نشان می‌دهد و این به دلیل تفاوت خصوصیات طیفی طبقات انتخابی با توجه به هدف مطالعه می باشد. طبقه‌بندی نظارت شده تصویر سنجنده OLI دارای صحت کلی 72 درصد بود که نسبت به تحقیقات پاکروان و قربانی (10) و لو و همکاران (22) با صحت کلی به ترتیب 95/72 و 3/78 صحت تقریباً کم­تر حاصل شد که علت آن را می‌توان خصوصیات طیفی محدوده مورد مطالعه دانست. تحقیق حاضر در مقایسه با تحقیق روستایی و همکاران (26) با صحت کلی 4/69 دارای صحت بهتری است که علت آن را می‌توان ضعف روش حداکثر احتمال در مناطق مسکونی دانست. البته مناطق مسکونی و مراتع در تصویر سنجنده OLI، به دلیل شباهت‌های انعکاسی در بازتاب نور خورشید، دارای مقداری خطا بودند، به‌همین دلیل مساحت آن‌ها بیش­تر (مناطق روستایی) و کمتر (مرتع) از مقدار واقعی به­دست آمد. هم­چنین در طبقه‌بندی شیءگرا به علت اختلاف رنگ و قدرت تفکیک ناشی از سری‌های زمانی متفاوت در تصاویر، تفکیک کاربری مرتع دارای خطا می‌باشد. در مجموع می‌توان گفت که روش طبقه تفسیر طبقه‌بندی شئ‌پایه بهترین روش برای تهیه نقشه کاربری است هرچند که صحت آن در مقایسه با تفسیر چشمی کمتر است، اما با توجه به هزینه و زمان در عرصه‌های گسترده این روش مناسب‌تر می‌باشد. هم­چنین می‌توان گفت که در صورت در دسترس نبودن تصاویر چند طیفی ماهواره‌های با قدرت تفکیک مناسب (کمتر از 2 متر) استفاده از تصاویر گوگل‌ ارث در تهیه نقشه‌های موضوعی مانند کاربری و پوشش اراضی با توجه به سهولت دسترسی و رایگان بودن آنها بسیار مناسب و مقرون به صرفه است.

 

 

منابع

  1. Ahani, H., A.Ghorbani, M. Rastgar Moghadam, S. Falah Shamsi, & M, Baghernejad, 2009. Land use change detection using satellite imagery Tangeh-Sorkh watershed of Shiraz. Iranian Journal of Natural Resources and Agricultural.16:242-252.
  2. Arzani, H., K.h. Mirakhorlou, & S.Z. Hosseini, 2009. Land use mapping using Landsat7 ETM data (Case study in middle catchment’s of Taleghan). Iranian Journal of Range and Desert Research. 16(2):150-160.
  3. Aslami, F., A. Ghorbani, B. Sobhani, & M. Panahandeh, 2015. Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover maps using Landsat-8 images. Journal of Remote Sensing & GIS Techniques in Natural Resources. 6(3): 1-14.
  4. Blaschke, T. 2009. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote Sensing, 65(1): 10-21.
  5. Butler, D., 2006. Nature Publication: England. The web-wide world. 439: 776-779.
  6. Dellepiane, S.G., & P.C. Smith. 1999. Quality assessment of image classification algorithms for land cover mapping: A review and a proposal for a cost based approach. Journal of Remote Sensing. 20: 1461-1486.
  7. ERDAS Field Guide, 2014.
  8. Foody, G.M., 1992. On the compensation for chance agreement in image classification accuracy assessment. Journal of Photogrammetric Engineering and Remote Sensing. 58: 1459-1460.
  9. Garson, G. D., 1998. Neural networks: An introductory guide for social scientists. London: Sage Publications, 208pp.

10. Ghorbani, A., & M. Pakravan, 2013. Land use mapping using visual vs. digital image interpretation of TM and Google earth derived imagery in Shrivan-Darasi watershed (Northwest of Iran). European Journal of Experimental Biology. 3(1): 576-582.

11. Ghorbani, A., & A. KakehMami, 2013. Spatial database construction for natural resources and watershed management at the provincial level in Iran: A case study in Ardabil province. European Journal of Experimental Biology. 3(1): 337-347.

12. Ghorbani, A., 2015. Land use mapping and ecological capability evaluation of dry farming lands based on slope for converting to pasture in Zilbar-chay watershed using remote sensing and GIS. Journal of Geographic Space. 48: 129-149.

13. Ghorbani, A., F. Aslami, S. Ahmadabadi, & S. Gaffari, 2015. Land use mapping of Kaftareh Watershed of Ardabil using visual and digital processing of ETM+ image. Iranian Journal of Natural Ecosystems. 6(2): 133-149.

14. Google, Inc. 2007. Press Release: Introducing Google Earth Outreach, Mountain View, California, USA, 26 June, (www.google.copm/press/pressrel/outreach_20070625.html).

15. Green, E.P., P.J. Mumby, A.J. Edwards, & C.D. Clark, 2000. Remote sensing handbook for tropical coastal management. Coastal Management Sourcebooks 3, UNESCO, Paris, France: 328pp.

16. Guralnick, R.P., A.W. Hill, & M. Lane, 2007. Towards a collaborative, global infrastructure for biodiversity assessment. Journal of Ecology letters. 10(8): 663-672.

17. Hu, Q., W. Wu, T. Xia, Q. Yu, P. Yang, Z. Li, & Q. Song, 2013. Exploring the Use of Google Earth Imagery and Object-Based Methods in Land Use/Cover Mapping. Journal of Remote Sensing. 5(11): 6026-6042.

  1. 18.  Jensen, J.R. 1996. Introductory Digital Image Processing, A Remote Sensing Perspective. Second edn. Prentice Hall, Saddle River, NJ, 544p.

19. Karathanassi, V., V. Andronis, & D. Rokos, 2000. Evaluation of topographic normalization methods for a Mediterranean forest area. Journal of International archives of photogrammetry and remote sensing. 33(7): 654-661.

20. Leachtenauer, J.C., K. Daniel., & T. P. Vogl. 1997. Digitizing Corona imagery: Quality vs. cost. In Corona: Between the Sun & the Earth, The first NRO reconnaissance eye in space, R.A. McDonald (ed.), American Society Photogrammetry and Remote Sensing: Washington, D.C., USA: 189-203.

21. Lefsky, M. A. & W.B. Cohen, 2003. Selection of remotely sensed data. M. A. Wulder and S. E. Franklin (eds.), remote sensing of forest environments: concepts and case studies, Kluwer Academic Publishers, Boston, USA: 13-46.

22. Lu, D., G. Li, E. Moran, C.C Freitas, L. Dutra, & S.J.S. Sant'Anna, 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land use/land cover classification in the Brazilian Amazon. Proceedings of the fourth GEOBIA, - Rio de Janeiro – Brazil: 7-9.

23. Macleod, R.S., & R.G. Congalton, 1998. A Quantitative Comparison of Change Detection Algorithms for Monitoring Eelegrass from Remotely Sensed Data. Journal of Photogrammetric and Engineering Remote Sensing. 64(3): 207-216.

24. Petropoulos, G. P., Ch. Kalaitzidis, & K.P. Vadrevu, 2012. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Journal of Computers & Geosciences. 41: 99–107.

25. Rasouli, E., & H. Mohammadzadeh, 2010. Remot sensing basic of Knowledg. Elmiran publition.190pp.

26. Roostaei, S., S.A. Alavi, M.R. Nikjoo, & K.V. Kamran, 2012. Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area. Journal of Geomatics and Geosciences. 2(3): 738-749.

27. Yan, G, 2003, Pixel based and object oriented image analysis for coal fire research. ITC.

Fire research. 93pp.

 

 

 



[1] - دانش‌آموخته کارشناسی ارشد مرتعداری دانشگاه محقق اردبیلی

[2] -  نویسنده مسئول : دانشیار گروه مرتع و آبخیزداری دانشگاه محقق اردبیلی : a_ghorbani@uma.ac.ir Email:

[3] Thematic Mapper

[4] Advanced Spaceborne Thermal Emission and Reflection Radiometer

[5] Universal Transverse Mercator

[6] World Geodetic System

[7] Sky view

[8] Shadow

[9] Azimuth

[10] Zenith

[11] Bidirectional reflectance distribution function

[12] Digital elevation model

منابع

  1. Ahani, H., A.Ghorbani, M. Rastgar Moghadam, S. Falah Shamsi, & M, Baghernejad, 2009. Land use change detection using satellite imagery Tangeh-Sorkh watershed of Shiraz. Iranian Journal of Natural Resources and Agricultural.16:242-252.
  2. Arzani, H., K.h. Mirakhorlou, & S.Z. Hosseini, 2009. Land use mapping using Landsat7 ETM data (Case study in middle catchment’s of Taleghan). Iranian Journal of Range and Desert Research. 16(2):150-160.
  3. Aslami, F., A. Ghorbani, B. Sobhani, & M. Panahandeh, 2015. Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover maps using Landsat-8 images. Journal of Remote Sensing & GIS Techniques in Natural Resources. 6(3): 1-14.
  4. Blaschke, T. 2009. Object based image analysis for remote sensing. Journal of Photogrammetry and Remote Sensing, 65(1): 10-21.
  5. Butler, D., 2006. Nature Publication: England. The web-wide world. 439: 776-779.
  6. Dellepiane, S.G., & P.C. Smith. 1999. Quality assessment of image classification algorithms for land cover mapping: A review and a proposal for a cost based approach. Journal of Remote Sensing. 20: 1461-1486.
  7. ERDAS Field Guide, 2014.
  8. Foody, G.M., 1992. On the compensation for chance agreement in image classification accuracy assessment. Journal of Photogrammetric Engineering and Remote Sensing. 58: 1459-1460.
  9. Garson, G. D., 1998. Neural networks: An introductory guide for social scientists. London: Sage Publications, 208pp.

10. Ghorbani, A., & M. Pakravan, 2013. Land use mapping using visual vs. digital image interpretation of TM and Google earth derived imagery in Shrivan-Darasi watershed (Northwest of Iran). European Journal of Experimental Biology. 3(1): 576-582.

11. Ghorbani, A., & A. KakehMami, 2013. Spatial database construction for natural resources and watershed management at the provincial level in Iran: A case study in Ardabil province. European Journal of Experimental Biology. 3(1): 337-347.

12. Ghorbani, A., 2015. Land use mapping and ecological capability evaluation of dry farming lands based on slope for converting to pasture in Zilbar-chay watershed using remote sensing and GIS. Journal of Geographic Space. 48: 129-149.

13. Ghorbani, A., F. Aslami, S. Ahmadabadi, & S. Gaffari, 2015. Land use mapping of Kaftareh Watershed of Ardabil using visual and digital processing of ETM+ image. Iranian Journal of Natural Ecosystems. 6(2): 133-149.

14. Google, Inc. 2007. Press Release: Introducing Google Earth Outreach, Mountain View, California, USA, 26 June, (www.google.copm/press/pressrel/outreach_20070625.html).

15. Green, E.P., P.J. Mumby, A.J. Edwards, & C.D. Clark, 2000. Remote sensing handbook for tropical coastal management. Coastal Management Sourcebooks 3, UNESCO, Paris, France: 328pp.

16. Guralnick, R.P., A.W. Hill, & M. Lane, 2007. Towards a collaborative, global infrastructure for biodiversity assessment. Journal of Ecology letters. 10(8): 663-672.

17. Hu, Q., W. Wu, T. Xia, Q. Yu, P. Yang, Z. Li, & Q. Song, 2013. Exploring the Use of Google Earth Imagery and Object-Based Methods in Land Use/Cover Mapping. Journal of Remote Sensing. 5(11): 6026-6042.

  1. 18.  Jensen, J.R. 1996. Introductory Digital Image Processing, A Remote Sensing Perspective. Second edn. Prentice Hall, Saddle River, NJ, 544p.

19. Karathanassi, V., V. Andronis, & D. Rokos, 2000. Evaluation of topographic normalization methods for a Mediterranean forest area. Journal of International archives of photogrammetry and remote sensing. 33(7): 654-661.

20. Leachtenauer, J.C., K. Daniel., & T. P. Vogl. 1997. Digitizing Corona imagery: Quality vs. cost. In Corona: Between the Sun & the Earth, The first NRO reconnaissance eye in space, R.A. McDonald (ed.), American Society Photogrammetry and Remote Sensing: Washington, D.C., USA: 189-203.

21. Lefsky, M. A. & W.B. Cohen, 2003. Selection of remotely sensed data. M. A. Wulder and S. E. Franklin (eds.), remote sensing of forest environments: concepts and case studies, Kluwer Academic Publishers, Boston, USA: 13-46.

22. Lu, D., G. Li, E. Moran, C.C Freitas, L. Dutra, & S.J.S. Sant'Anna, 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land use/land cover classification in the Brazilian Amazon. Proceedings of the fourth GEOBIA, - Rio de Janeiro – Brazil: 7-9.

23. Macleod, R.S., & R.G. Congalton, 1998. A Quantitative Comparison of Change Detection Algorithms for Monitoring Eelegrass from Remotely Sensed Data. Journal of Photogrammetric and Engineering Remote Sensing. 64(3): 207-216.

24. Petropoulos, G. P., Ch. Kalaitzidis, & K.P. Vadrevu, 2012. Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery. Journal of Computers & Geosciences. 41: 99–107.

25. Rasouli, E., & H. Mohammadzadeh, 2010. Remot sensing basic of Knowledg. Elmiran publition.190pp.

26. Roostaei, S., S.A. Alavi, M.R. Nikjoo, & K.V. Kamran, 2012. Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area. Journal of Geomatics and Geosciences. 2(3): 738-749.

27. Yan, G, 2003, Pixel based and object oriented image analysis for coal fire research. ITC.Fire research. 93pp.