انتخاب بهترین روش طبقه‌بندی در تهیه نقشه کاربری اراضی با استفاده از داده‌های سنجنده OLI ماهواره لندست 8(مطالعه موردی حوضه آبخیز بهشت گمشده، استان فارس)

اکوسیستم های طبیعی ایران

مقاله 6، دوره 8، شماره 1 - شماره پیاپی 27، خرداد 1396، صفحه 79-97   

نوع مقاله: پژوهشی

نویسندگان

محمد کاظمی^{* 1}؛ احمد نوحه گر²؛ میرداد میردادی³

¹دانشجوی دکترای آبخیزداری، دانشگاه هرمزگان

²استاد دانشکده محیط زیست دانشگاه تهران

³کارشناسی ارشد سنجش از دور و سیستم های اطلاعات جغرافیایی پردیس دانشگاه هرمزگان

چکیده

لازمه اتخاذ اطلاعات دقیق ار فناوری سنجش از دور، طبقه‌بندی اصولی و دقیق تصاویر ماهواره‌ای می‌باشد. نقشة کاربری اراضی یکی از فاکتور های اساسی در مطالعات منابع طبیعی و مدیریت محیط زیست می‌باشد. اغلب تهیة نقشة کاربری اراضی یک منطقه یکی از پرهزینه‌ترین بخش‌های پروژه‌های زیست محیطی و منابع طبیعی است. در سال های اخیر محققان از روش‌های مختلفی نقشه کاربری اراضی را با استفاده از این داده‌ها تهیة کرده‌اند. روش‌های مختلفی جهت طبقه‌بندی تصاویر ماهواره‌ای وجود دارد. هر یک از روش‌ها دارای معایب و مزایایی می باشند. در تحقیق حاضر هدف انتخاب بهترین روش طبقه‌بندی تصویر OLI ماهواره‌ لندست 8 در تهیه نقشه کاربری اراضی بود. بر این اساس از 8 الگوریتم‌ مختلف طبقه‌بندی نظارت‌شده جهت استخراج نقشه کاربری اراضی منطقه بهشت گمشده استفاده شد. نتایج نشان داد که روش‌های حداکثر احتمال و ماشین بردار پشتیبان با صحت کلی 93/98 و 73/98 و ضریب کاپا به ترتیب 41/98 و 09/98 درصد نسبت به روش‌های دیگر دارای دقت بالاتری هستند. اولویت‌بندی دقت روش‌های 8گانه به ترتیب حداکثر احتمال ، ماشین بردار پشتیبان ، فاصله ماهالانوبی ، واگرایی اطلاعات طیفی ، نقشه‌بردار زاویه طیفی ، حداقل فاصله ، کدهای باینری و سطوح موازی بود. روش حداکثر احتمال بیشترین اطمینان طبقه-بندی با میزان 83/98 درصد را در سطح اعتماد 1 درصد به‌خود اختصاص داد. نتایج تحقیق حاضر نشان-دهنده دقت روش‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای جهت کاهش وقت و هزینه می‌باشد.

کلیدواژه‌ها

کاربری اراضی؛ دقت؛ طبقه‌بندی؛ ماشین بردار پشتیبان؛ سنجنده OLI

اصل مقاله

انتخاب بهترین روش طبقه­بندی در تهیه نقشه کاربری اراضی با استفاده از داده­های سنجنده OLI  ماهواره لندست 8(مطالعه موردی حوضه آبخیز بهشت گمشده، استان فارس)

محمد کاظمی^*[1] ، احمد نوحه گر[2]، میرداد میردادی[3]

تاریخ دریافت:  1/8/95  تاریخ پذیرش : 3/3/96

چکیده

لازمه اتخاذ اطلاعات دقیق ار فناوری سنجش از دور، طبقه­بندی اصولی و دقیق تصاویر ماهواره­ای می­باشد. نقشة کاربری اراضی یکی از فاکتور های اساسی در مطالعات منابع طبیعی و مدیریت محیط زیست می­باشد. اغلب تهیة نقشة کاربری اراضی یک منطقه یکی از پرهزینه­ترین بخش­های پروژه­های زیست محیطی و منابع طبیعی است. در سال­های اخیر محققان برای تهیه نقشه­های کاربری اراضی از روش­های مختلف طبقه­بندی نظارت شده تصاویر ماهواره­ای استفاده کرده­اند. هر یک از روش­های طبقه­بندی تصاویر دارای معایب و مزایایی می باشند. در تحقیق حاضر هدف انتخاب بهترین روش طبقه­بندی تصویر OLI ماهواره­ لندست 8 در تهیه نقشه کاربری اراضی بود. بر این اساس از 8 الگوریتم­ مختلف طبقه­بندی نظارت­شده جهت استخراج نقشه کاربری اراضی منطقه بهشت گمشده استفاده شد. نتایج نشان داد که روش­های حداکثر احتمال و ماشین بردار پشتیبان با صحت کلی 93/98 و 73/98 و ضریب کاپا به ترتیب 41/98 و 09/98 درصد نسبت به روش­های دیگر دارای دقت بالاتری هستند. اولویت­بندی دقت روش­های 8گانه به ترتیب حداکثر احتمال[4]، ماشین بردار پشتیبان[5]، فاصله ماهالانوبی[6]، واگرایی اطلاعات طیفی[7]، نقشه­بردار زاویه طیفی[8]، حداقل فاصله[9]، کدهای باینری[10] و سطوح موازی[11] بود. روش حداکثر احتمال بیشترین اطمینان طبقه­بندی با میزان 83/98 درصد را در سطح اعتماد 1 درصد به­خود اختصاص داد و این تکنیک دقیق­ترین، روش طبقه­بندی تصاویر ماهواره­ای بود.

کلمات کلیدی: کاربری اراضی، دقت، طبقه­بندی، ماشین بردار پشتیبان، سنجنده OLI، بهشت گمشده

 

 

مقدّمه

داده­های ماهواره­ای یکی از سریع­ترین و کم­هزینه­ترین روش­های در اختیار محققان جهت تهیة نقشه کاربری اراضی می باشد (پال و می­تر[12]، 2005).  تجزیه و تحلیل این داده­ها می­تواند بینش­های صحیح جهت تعامل انسان با محیط طبیعی فراهم کند.  به­خصوص استفاده از تجزیه و تحلیل تصاویر چند طیفی می­تواند به انسان جهت شناسایی پوشش زمین کمک کند (برایان و میکائیل[13]،2011). استفاده از قسمت­های مختلف طیف انرژی مغناطیسی برای ثبت خصوصیّات پدیده­ها (ریچارد و جیا[14]، 2006) و امکان به­کارگیری سخت افزارها و نرم افزارها باعث شده که استفاده از تصاویر ماهواره­ای با استقبال خاصی روبه­رو شود (زاهدی­فرد، 1381). به طور کلّی می­توان روش­های طبقه­بندی را به دو روش نظارت شده و نظارت نشده تقسیم­بندی نمود (امن[15]،2008)، که می­توان در روش نظارت­شده به روش­های حداکثراحتمال، شبکه­عصبی و ماشین بردار پشتیبان[16] اشاره نمود. در حقیقت فرآیند طبقه­بندی، تبدیل داده­ها به اطلاعات قابل درک هست (مونت­راکیس[17]، 2011). روش حداکثر  احتمال شباهت یکی از کارآترین روش­های طبقه بندی تصاویر می­باشد (جنسن[18]، 2005).  در اکثر تحقیقات و مطالعات این روش به عنوان دقیق­ترین روش طبقه بندی معرفی شده است (ریاحی­بختیاری، 1379؛ ساروئی، 1378؛ هوآنگ و تونشند[19]، 2002؛ ریچاردس[20]، 1999). در این روش کاربر باید دقت کند که کلاس­بندی از توزیع نرمال گوسی پیروی کند و این روش برای کلاس­های چند طیفی مناسب­تر است . در این روش با استفاده از عامل شدت احتمال، هر یک از پیکسل­های تصویر پس از آزمون آماری و محاسبه احتمال تعلق آن­ها به گروه­های طیفی نمونه، به گروه مربوطه تعلق می­گیرد (احمدپور، 1389). ماشین بردار پشتیبان یکی از روش­های جدیدی است که جهت طبقه­بندی تصاویر ماهواره­ای به منظور استخراج نقشه کاربری اراضی استفاده می­شود.  تحقیقات در مورد پیدا کردن روش­های طبقه­بندی تصاویر ماهواره­ای همچنان ادامه دارد. ماشین­بردار پشتیبان از روش­های است که اخیراً معرفی شده است (جنسن[21]، 2005).

یکی از مزایای این روش یک در مقابل یک است، به­عبارتی دسته­ها به­وسیله خط یا ابرصفحه­هایی از هم جدا می­شوند و این خطوط بیان می­کند که پیکسل مورد نظر جزء این دسته هست یا جزء دسته دیگر و به­وسیله این ابرصفحه­ها تفکیک می­گردد و حال نزدیک­ترین داده­های آمورشی به ابرصفحه­های جداکننده ماشین بردار پشتیبان نامیده می­شود. همچنین این روش با نمونه­های تعلیمی کوچک نیز می­تواند دقّت تصویر کلاس بندی شده خوبی ارائه دهد و این مزیّت سبب کاهش هزینه­ها و افزایش سرعت کار می­شود (گوآلتری و کرامپ[22]، 1998).

روش طبقه­بندی حداقل فاصله از میانگین روشی است که پس از تعیین مقادیر میانگین طیفی در هر باند، با مشخص شدن پیکسلی که میانگین ارزش طیفی نمونه­های تعلیمی هر طبقه را به خود اختصاص داده، فاصله هر پیکسل طبقه بندی نشده با پیکسل­های میانگین مقایسه شده و سپس پیکسل مورد نظر به کلاسی اختصاص می­یابد که کمترین فاصله با میانگین را دارد. روش طبقه­بندی سطوح موازی یکی از روش­های رایج طبقه­بندی تصاویر است. در این روش بر اساس نمونه­های تعلیمی تعریف شده برای طبقه­بندی در هر کلاس حداکثر و حداقل ارزش پیکسل تعیین می­شود و بر این اساس طبقه­بندی تصاویر انجام می­پذیرد. مهمترین دلیل عدم استفاده زیاد از این روش، عدم طبقه­بندی بعضی از پیکسل­های تصویر می­باشد. روش طبقه­بندی فاصله ماهالانوبی[23] از دیگر روش­های طبقه­بندی می­باشد. این روش بسیار شبیه به روش حداقل فاصله از میانگین می­باشد با این تفاوت که در این روش از ماتریس کواریانس نیز استفاده می گردد و در این روش فرض می­شود که هیستوگرام باندها به صورت نرمال می­باشد(لو و ونگ[24]، 2007). روش طبقه­بندی نقشه­بردار زاویه طیفی[25] یکی از روش­های طبقه­بندی تصاویر ماهواره­ای است که پایه آن بر اساس طبقه­بندی طیفی است. در این روش از یک زاویه بدون بعد برای نسبت دادن پیکسل­های مورد نظر به طیف باندی استفاده می­شود (کروز[26]و همکاران، 1993). جهت انجام بارزسازی رادیومتری از الگوریتم متعادل­سازی هیستوگرام و جهت انجام تصحیح رادیومتری از روش نسبی در نرم­فزار ENVI4.8 استفاده می­شود. روش طبقه­بندی واگرایی اطلاعات طیفی[27]یک روش طبقه­بندی طیفی است که از اندازه واگرایی برای تطابق پیکسل­ها به طیف مورد نظر استفاده می­کند. در این روش هرچه واگرایی کمتر باشد احتمال شباهت پیکسل ها بیشتر است. همچنین پیکسل­های با واگرایی بیشتر از حداکثر آستانه تعیین شده طبقه­بندی نمی شوند (دو [28]و همکاران، 2004). روش طبقه­بندی کدهای باینری یک روش طبقه­بندی ساده تصاویر ماهواره­ای هست که این روش داده­ها و طیف­ها را بر اساس اینکه یک باند بالاتر و پایین­تر از میانگین طیفی باشد به­ترتیب بین صفر و یک کددهی می­کند(می­زر [29]و همکاران،1988).

از جمله مطالعات انجام شده بر روی روش­های طبقه­بندی می­توان به مطالعات زیر اشاره داشت، راهداری و همکاران (1388) در استان اصفهان به مقایسه روش­های مختلف پرداختند. نتایج مطالعه آن­ها روی طبقه­بندی تصاویر ماهواره IRS  نشان داد که روش طبقه بندی حداکثر احتمال با ضریب کاپا 90/0 دارای بیشترین دقت می­باشد . ریاحی بختیاری (1379) در مطالعه­ای در دشت ارژن فارس به مقایسه روش های مختلف تهیة نقشه کاربری اراضی با استفاده از تصاویر سنجنده TM پرداخت. نتایج ایشان نشان داد که روش هیبرید نسبت به روش های بصری و حداکثر احتمال دارای دقت بالاتری (ضریب کاپا51/0)  می­باشد.  از دیگر مطالعات انجام شده در این زمینه می­توان به زاهدی فرد (1381)، فتاحی و همکاران (1386) و سفیانیان و همکاران (1390) اشاره نمود . الاحمدی و هامس (2009) در مطالعه­ای در مناطق خشک عربستان سعودی به مقایسه چهار روش طبقه بندی نظارت نشده و نظارت شده (حداکثر احتمال، حداقل فاصله از میانگین و فاصله ماهالانویی) با استفاده ازتصاویر سنجنده ETM+پرداختند.  نتایج آن­ها نشان داد که  روش حداکثر احتمال با ضریب کاپابا ضریب 68/0 دارای بیشترین دقت می­باشد. سو [30]و همکاران (2009) با استفاده از داده­های ماهواره MISR نشان دادند که با استفاده از روش­های ماشین بردار پشتیبان و حداکثر احتمال حتی می­توان با دو سوم داده­ها به دقتی رسید که با کل داده­ها قابل دستیابی هست.  دمورت (1998) در مطالعه ای در هند با استفاده از تصاویر سنجنده TM به تهیة نقشه کاربری اراضی در مناطق استخراج زغال سنگ پرداخت. نتایج ایشان نشان داد که روش حداکثر احتمال با ضریب صحت 8/0 دارای بیشترین دقت می باشد. الیزابت و همکاران (2006) در مطالعه­ای در قسمتی از ایالت آریزونا در آمریکا به بررسی مقایسه چند روش تهیة نقشه کاربری اراضی با استفاده از تصاویر TM پرداختند. نتایج  آن ها نشان داد که استفاده از تصاویر ماهوارهای و روش حداکثر احتمال جهت تهیة نقشة کاربری اراضی دارای دقت بسیار بالاتری می­باشد.  از  دیگر مطالعات انجام شده می­توان به پرومال و باسکاران  (2010)، راجش و یوجی (2009)  اشاره نمود. جمع­بندی سوابق تحقیق نشان داد در اکثر تحقیقات تنها چند روش طبقه­بندی بکار رفته و در تحقیق حاضر با تعدد روش­های مختلف طبقه­بندی نظارت­شده سعی بر یافتن بهترین روش با بالاترین دقت و صحت بروی تصاویر ماهواره لندست 8 سنجنده OLI بود.

مواد و روش­ها

منطقه مورد مطالعه

حوضة آبخیز بهشت گمشده با مساحت²km 73/81، در حدود 80 کیلومتری شمال غرب شهرستان شیراز و در موقعیت جغرافیایی"43  َ03 ْ52 تا  ً36  َ13  ْ52  شرقی و  ًَ33  َ16  ْ30  تا  ً18  َ25  ْ30  زون شمالی واقع شده است(شکل1).

 

شکل1. موقعیّت محدوده مورد مطالعه در ایران و استان فارس(منطقه بهشت گمشده استان فارس)

مواد

ماهواره لندست 8 که در تاریخ 4 فوریه 2013 از کالیفرنیا به فضا پرتاب شد، اخذ مستمر داده و در دسترس بودن داده­های لندست را با استفاده از دو سنجنده، یکی سنجنده تصویر بردار عملیاتی زمین (OLI) و دیگری سنجنده مادون قرمز حرارتی (TIRS) برعهده دارد. قابلیت­ها و مزایای سنجنده OLI نسبت به سنجنده ETM+ لندست ۷ موارد ذیل می باشند: قدرت تفکیک طیفی بهتر با محدوده­های باندی باریک­تر و ۲ باند طیفی بیشتر(اخذ اطلاعات در ۹ باند طیفی). افزایش چهار برابری دقت ثبت ژئودتیک مطلق تصاویر. تغییر هندسه تصویر برداری از Whisk broom به Push Broom و در نتیجه اخذ ۱۵۰ صحنه اطلاعاتی بیشتر در روز (400 تصویر در روز). بهبود قدرت تفکیک رادیومتریک از ۸ بیت به ۱۲ بیت و امکان توصیف بهتر پوشش زمین. افزایش نسبت سیگنال به نویز (SNR)( Beiranvand Pour and Hashim، 2015). تصویر مورد استفاده در این تحقیق مربوط به تیرماه سال 2015 می­باشد که از سایت USGS دریافت شد. همچنین جهت تدقیق و بالانس کردن ژئورفرنس تصویر و تصحیح خطای هندسی از لایه وکتوری آبراهه­ها و جاده­ها و همچنین جهت تصحیح خطای رادیومتری از روش نسبی استفاده شد. برای افزایش قدرت تفکیک مکانی تصویر با استفاده از روش HVS به ادغام باند پانکروماتیک (باند 8) با باندهای مرئی دیگر شد. در قسمت ساختن لایراستکینگ (یک دسته کردن همه باندها) نیز عملیات ریسمپل برای تغییر سایز پیکسل­ها انجام گرفت.

 

خصوصیات باندهای طیفی سنجنده OLI و TIRS لندست ۸

نام سنجنده	باند طیفی	طول موج	قدرت تفکیک	عرض تصویربرداری
OLI	باند ۱- باند  Coastal/Aerosol	453/0- 433/0 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۲- آبی	515/0 – 450/0 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۳- سبز	600/0 – 525/0 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۴- قرمز	680/0 – 630/0 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۵- مادون قرمز نزدیک	885/0 – 845/0 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۶- مادون قرمز طول موج کوتاه	66/1 – 56/1    میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۷- مادون قرمز طول موج کوتاه	3/2 – 1/2      میکرومتر	۳۰ متر	۱۸۵ کیلومتر
	باند ۸ - Panchromatic	68/0 – 5/0   میکرومتر	۱۵ متر	۱۸۵ کیلومتر
	باند ۹–Cirrus	39/1 – 36/1 میکرومتر	۳۰ متر	۱۸۵ کیلومتر
TIRS	باند ۱۰- مادون قرمز حرارتی	3/11 – 3/10 میکرومتر	۱۰۰ متر	۱۸۵ کیلومتر
	باند ۱۱- مادون قرمز حرارتی	5/12 – 5/11 میکرومتر	۱۰۰ متر	۱۸۵ کیلومتر

روش کار

 

جهت تهیة نقشه کاربری اراضی، از روش­های طبقه­بندی نظارت شده ماشین بردار پشتیبان، حداکثر احتمال،  حداقل فاصله از میانگین، سطوح موازی، فاصله ماهالانویی، نقشه­بردار زاویه طیفی، واگرایی اطلاعات طیفی و کدهای باینری استفاده گردید. به این ترتیب که برای کاربری­های موجود در منطقه با استفاده از بازدیدهای میدانی و دستگاه موقعیت­یاب جهانی نمونه­های تعلیمی(برای هر نمونه پلی گون برداشت شد) برای هر کاربری در منطقه تهیه گردید.  نمونه­های تعلیمی به دو دسته تقسیم­بندی گردید،که یک دسته جهت استفاده در طبقه­بندی و دسته دوم جهت بررسی صحت طبقه­بندی استفاده شد. 100 نمونه تعلیمی از منطقه برداشت شد که 70 نمونه جهت طبقه­بندی و 30 نمونه جهت تست دقت استفاده شد. قابل ذکر است که پلی­گون­های نمونه­های تعلیمی با استفاده از نرم­افزار Map Source از دستگاه موقعیت­یاب جهانی تخلیه و بشکل فایل­های شیب(Shape file) به سیستم اطلاعات جغرافیایی وارد گشت. تصحیح هندسی تصویر با 17 نقطه زمینی انجام گرفت. شکل 2 قرارگیری آبراهه­ها را در بستر پس از تصحیح هندسی نشان می­دهد.

 

 

 

شکل2. بالانس شدن آبراهه­ها در بستر بعد از انجام تصحیح هندسی(جنوب غربی منطقه بهشت گمشده)

 

صحّت طبقه­بندی

لازمه استفاده از هر نوع اطلاعات موضوعی، آگاهی از درستی و صحت آن است.  بعد از طبقه­بندی تصاویر ماهواره­ای با استفاده از نمونه­های تعلیمی که در روند طبقه­بندی دخالت داده نشد­ه­اند، اقدام به ارزیابی صحّت تصویر طبقه­بندی شده می­گردد. در تحقیق حاضر از ضرایب صحّت کلّی[31]، ضریب کاپا[32]، صحّت تولیدکننده، صحّت کاربر، خطای لحاظ شده[33] و خطای حذف شده[34] استفاده شد. همچنین حداقل اطمینان طبقه­بندی برای هر الگوریتم بر اساس روش جنسن[35] محاسبه شد.

دقت کلّی از جمع عناصر قطر اصلی ماتریس خطا تقسیم بر تعداد کل پیکسل­ها طبق رابطه زیر بدست می­آید:

رابطه(1):

 

در این رابطه  دقّت کلّی، N تعداد پیکسل­های آزمایشی،  جمع عناصر قطر اصلی ماتریس خطا. به دلیل ایرادات وارده به دقّت کلّی در محاسبات اجرایی  که مقایسه دقت طبقه­بندی مورد توجه هست، از شاخص کاپا استفاده می­شود، چون ضریب کاپا پیکسل­های نادرست طبقه­بندی شده را مد نظر قرار می­دهد. ضریب کاپا از رابطه 2 محاسبه می­شود.

رابطه(2):

 

که در رابطه بالا  پیکسل­های درست طبقه­بندی شده مشاهداتی و  توافق مورد انتظار در مورد پیکسل­ها می­باشد. دقت تولیدکننده احتمال این­که یک پیکسل در تصویر کلاسه­بندی در همان کلاس در روی زمین قرار بگیرد و دقت کاربر، احتمال اینکه یک کلاس مشخص در روی زمین در همان کلاس بر روی تصویر طبقه­بندی شده قرار بگیرد می­باشد که از روابط زیر محاسبه می گردند:

رابطه(3):

 

رابطه(4):

 

 

در این روابط  درصد دقت کلاس a برای دقت تولیدکننده،  تعداد پیکسل­های صحیح طبقه­بندی شده  به­عنوان کلاس a،  تعداد پیکسل­های کلاس a در واقعیت زمینی،  درصد دقت کلاس a برای دقت کاربر،  تعداد پیکسل­های کلاس a در نتیجه طبقه­بندی می­باشند.  همچنین خطای گماشته شده و خطای حذف شده از روابط زیر محاسبه می­شوند:

رابطه(5):

 

رابطه(6):

 

خطای گماشته شده (Ce ) که بر اساس دقت کاربر محاسبه می­گردد، معادل آن درصد از پیکسل­هایی است که در واقع متعلق به کلاس مورد نظر نبوده ولی طبقه­بندی­کننده آن­ها را جزء آن کلاس خاص در نظر گرفته است . خطای حذف شده (Oe) مربوط به آن درصد از پیکسل­هایی است که در واقعیت زمینی مربوط به کلاس مورد نظر است ولی جزء کلاس­های دیگر طبقه­بندی شده­اند.

در نهایت حدود اطمینان کلاس های طبقه بندی شده براساس روش جنسن  در سطوح آماری 1  درصد بر اساس رابطه  برآورد گردید.

رابطه(7):

    S=P–(Z(PQ/N)^0.5+(50/N)                                                                                   

که:r = درصد سطوح آماری، P = درصد نمونه های درست طبقه بندی شده، Q = درصد نمونه های غلط طبقه بندی شده که از رابطه Q=(100-P) برآورد گردید. N = تعداد نمونه، Z= مقادیر تبدیل شده r بر اساس جدول z که از رابطه Z =(100-r)/100برآورد گردید. S = درصد حداقل اطمینان. بعد از انجام عملیات طبقه­بندی با استفاده از مرز حوضه آبخیز تصویر برش داده شد.

نتایج و بحث

نقشة کاربری اراضی منطقة مورد مطالعه شامل کاربری­های جنگل، مراتع، باغات و کشاورزی تهیه شده از روش­های طبقه­بندی نظارت شده ماشین بردار پشتیبان، حداکثر احتمال، حداقل فاصله از میانگین، سطوح موازی، فاصله ماهالانویی، نقشه زاویه طیفی، واگرایی اطلاعات طیفی و کدهای باینری در شکل­های 3 تا 10 آورده شده است.

 

 

 

 

شکل3. نقشه کاربری اراضی با الگوریتم فاصله ماهالانوبیس

 

شکل4. نقشه کاربری اراضی با الگوریتم کدهای باینری

 

شکل5. نقشه کاربری اراضی با الگوریتم حداقل فاصله

 

شکل6. نقشه کاربری اراضی با الگوریتم سطوح موازی

 

شکل7. نقشه کاربری اراضی با الگوریتم ماشین بردار پشتیبان

 

شکل8. نقشه کاربری اراضی با الگوریتم نقشه­بردار زاویه طیفی

 

شکل9. نقشه کاربری اراضی با الگوریتم واگرایی طیفی

 

شکل10. نقشه کاربری اراضی با الگوریتم حداکثر احتمال

 

در جدول 2 نیز نتایج ضرائب صحت کلی، ضریب کاپا، صحت تولید کننده، صحت کاربر، خطای لحاظ شده و خطای حذف­شده، نشان داده شده­است. نتایج حاصل از آنالیزهای آماری ضرائب صحت نشان داد که روش حداکثر احتمال با ضریب کاپای 41/98 درصد و صحت کلی 93/98 درصد دارای بیشترین دقت می­باشد.  بعد از روش حداکثر احتمال، روش ماشین بردار پشتیبان با ضریب کاپای 09/98 درصد و صحت کلی 73/98 بیشترین دقت را دارند. تحقیقات نشان داده­است که روش ماشین بردار پشتیبان یکی از روش­های بسیار دقیق می­باشد(هاپکینز[36]، 1988). یکی از مزایای روش ماشین بردار پشتیبان این است که می­تواند مشکلات موجود در اختلاف غیرمتعادل میان نمونه­های تعلیمی را حل کند(جنسن، 2005). نتایج نشان داد کمترین دقت را الگوریتم­های سطوح موازی و کدهای باینری دارند. در این روش­ها مناطق وسیعی از محدوده مطالعاتی طبقه­بندی نشدند.  در بیشتر تحقیقاتی که در زمینه مقایسه الگوریتم­های طبقه­بندی تصاویر می­باشند روش­های بیشترین احتمال و ماشین بردار پشتیبان را بعنوان روش­هایی قوی معرفی نموده­اند. از آن­جمله تحقیق برایان و همکاران(2011) در مطالعه­ای در تایلند به مقایسه سه روش ماشین بردار پشتیبان، حداکثر احتمال و شبکه عصبی  در تهیه نقشه کاربری اراضی پرداختند. نتایج تحقیق نامبردگان نشان داد روش ماشین بردار پشتیبان با 15/94 ضریب کاپا دقیق­ترین روش بوده و روش حداکثر احتمال در رده بعدی قرار داشته­است. همچنین نتایج تحقیق هوآنگ و همکاران(2002) نیز روش ماشین بردار پشتیبان را به­عنوان بهترین روش گزینش کردند. از مزایای روش ماشین بردار پشتیبان می­توان به قابلیت تهیة نقشه کلاس­بندی با دقت بالاتر با استفاده از نمونه های تعلیمی کوچک نسبت به روش­های دیگر طبقه­بندی اشاره کرد. از نتایج تحقیق حاضر می­توان جهت تهیة نقشه کاربری اراضی با دقت بالاتر با استفاده از روش­های حداکثر احتمال و ماشین بردار پشتیبان در کارهای ارزیابی زیست محیطی و منابع طبیعی در مناطق با شرایط مشابه استفاده نمود .نتایج تحقیق حاضر نشان داد روش رایج حداکثر احتمال روش مناسبی جهت طبقه­بندی کاربری­ها و روش رایج حداقل فاصله مناسب نیست و بهتر است از روش­های یاد شده استفاده گردد. همان­گونه که در جدول 2 مشاهده می­شود روش حداکثر احتمال دارای کمرین میزان خطای حذف شده و گماشته شده روی طبقات مختلف و نیز بالاترین دقّت کاربر می­باشد.

 

جدول2 . ضرائب صحت روش­های 8 گانه طیقه­بندی نظارت­شده در منطقه بهشت گمشده

روش طبقه­بندی	نوع کاربری اراضی	صحت کاربر	صحت تولیدکننده	خطای لحاظ شده	خطای حذف شده	ضریب کاپا	صحت کلی
حداکثر احتمال	کشاورزی	75/99	82/98	25/0	18/1	41/98	93/98
	جنگل	74/98	01/99	26/1	99/0
	مراتع	29/99	92/98	71/0	08/1
	باغات	33/88	25/99	67/11	75/0
ماشین بردار پشتیبان	کشاورزی	69/99	99/98	31/0	01/1	09/98	73/98
	جنگل	48/98	57/98	52/1	43/1
	مراتع	79/98	9/98	21/1	1/1
	باغات	71/91	32/95	29/8	68/4
فاصله ماهالانوبی	کشاورزی	100	93/94	0	07/5	98/93	98/95
	جنگل	25/96	25/95	75/3	75/4
	مراتع	47/96	43/97	53/3	57/2
	باغات	9/59	32/92	1/40	68/7
واگرایی اطلاعات طیفی	کشاورزی	09/88	43/44	91/11	57/55	37/53	49/67
	جنگل	76/98	32/66	24/1	68/33
	مراتع	67	68/80	33	32/19
	باغات	25/11	01/90	75/88	99/8
زاویه طیفی	کشاورزی	56/98	76/18	44/1	24/81	69/51	49/66
	جنگل	47/77	1/84	53/22	9/15
	مراتع	45/76	62/77	55/23	38/22
	باغات	67/20	9/83	33/79	1/16
حداقل فاصله	کشاورزی	74/97	62/16	26/2	38/83	56/32	35/52
	جنگل	54/66	89/55	46/33	11/44
	مراتع	22/61	36/68	78/38	64/31
	باغات	79/7	4/82	21/92	6/17
کدهای باینری	کشاورزی	06/62	71/23	94/37	29/76	43/36	83/52
	جنگل	75/80	29/63	25/19	71/36
	مراتع	96/68	84/58	04/31	16/41
	باغات	85/5	87/82	15/94	13/17
سطوح موازی	کشاورزی	24/89	46/22	76/10	54/77	72/17	47/25
	جنگل	97/92	97/27	03/7	03/72
	مراتع	38/92	61/25	62/7	39/74
	باغات	87/93	33/14	13/6	67/85

 

 

احمدپور و همکاران(1390) با استفاده از تصاویر سنجنده­های Landsat ETM  و IRS LISS III  به مقایسه سه روش رایج حداکثر احتمال، حداقل فاصله از میانگین و سطوح موازی پرداختند. نتایج تحقیق نامبردگان نشان داد روش حداکثر احتمال با ضریب کاپای 35/90 و 8/87 درصد در هر دو تصویر نسبت به دو روش دیگر دقت بیشتری دارد.  نتایج تحقیق حاضر نیز این مهم را تأیید می­کند، همچنین نتایج نشان داد که  برداشت نمونه­های کافی از طبقات مختلف طبیعت و کاربری اراضی احتمال  تعلق هر یک از پیکسل­های تصویر به این طبقات را افزایش می­دهد و حصول نتایج خوب و بهتر از روش حداکثر احتمال در گرو نمونه­های تعلیمی کافی و مناسب می­باشد. داده­های ماهواره لندست 8 اخیرا از جمله پرکاربردترین منابع اطلاعاتی در مطالعات پوشش زمین است. قدرت تفکیک مکانی و طیفی نسبتا خوب این داده­ها می­تواند اطّلاعات خوبی را در اختیار محقّقان رشته­های مختلف قرار دهد. میرزایی­زاده و همکاران(1393) در مقایسه دو روش طبقه­بندی حداکثر احتمال و فاصله ماهالانویی اعلام کردند که روش حداکثر احتمال با صحت کلی 08/84 دقت بیشتری نسبت به روش فاصله ماهالانوبی با ضریب کلّی 29/83 دارد. نتایج تحقیق حاضر نیز نشان داد که روش فاصله ماهالانوبی در رده سوم و بعد از روش­های حداکثر احتمال و ماشین بردار پشتیبان قرار دارد. در اکثر مطالعات طبقه­بندی تصاویر ماهواره­ای روش حداکثر احتمال بعنوان دقیق­ترین روش طبقه­بندی معرفی شده­است(کیوآ [37]و همکاران، 2004).

 

جدول3. حدود اطمینان طبقه­بندی الگوریتم­های 8گانه در سطح اطمینان 1 درصد

نام روش طبقه­بندی	حدود اطمینان در سطح 1 درصد
کدهای باینری	37/52
فاصله ماهالانوبی	8/95
حداقل فاصله	89/51
حداکثر احتمال	83/98
سطوح موازی	07/25
نقشه­بردارزاویه طیفی	06/66
واگرایی طیفی	06/67
ماشین بردار پشتیبان	62/98

 

همان­گونه که در جدول 3 مشاهده می­شود روش حداکثر احتمال در سطح احتمال 1 درصد با مقدار 83/98 بیشترین سطح اطمینان طبقه­بندی را به­خود اختصاص داده­است و روش سطوح موازی با 07/25 کمترین سطح اطمینان طبقه­بندی را دارد.

نتیجه­گیری

روش حداکثر احتمال که از سایر روش­ها برای طبقه­بندی تصویر دقیق­تر هست، میزان کمی واریانس و همبستگی ارزش­های طیفی باندهای مختلف برای مناطق نمونه را محاسبه کرده و از همین خاصیت برای ارتباط یک پیکسل طبقه­بندی نشده به یکی از گروه­ها یا نمونه­های طیفی نیز استفاده می­شود. بر این اساس در خروجی­های این روش مناطق طبقه­بندی نشده و یا مناطق خالی و گپ(GAP) کمتر دیده می­شود. چنانکه این مناطق گپ در روش­های نقشه­بردار زاویه طیفی و یا کدهای باینری بیشتر از سایر روش ها دیده می­شوند. در روش حداکثر احتمال برای بررسی نحوه توزیع ارزش­های طیفی و احتمال آماری ارتباط یک پیکسل با یکی از گروه­های نمونه از ماتریس واریانس و بردار میانگین که خود واریانس و همبستگی ارزش­های طیفی را تعریف می­کنند، استفاده می­شود. بر ایس اساس برای افزایش دقت این روش و بازدهی مناسب آن نسبت به سایر روش­های طبقه­بندی از جمله ماشین بردار پشتیبان تعداد مناسب و بیشتر نمونه­های تعلیمی الزامی می­باشد. در صورت محقق نشدن تعداد مناسب نمونه­های آموزشی و کم بودن تعداد آنها روش ماشین بردار پشتیبان جایگزین روش حداکثر احتمال شده و نتایج با دقت­تری ارائه می­کند. چنانچه در مطالعه حاضر نیز این روش با فاصله کمی از روش حداکثر احتمال قرار گرفت. همچنین در تفکیک و طبقه­بندی پوشش­های مختلف سطح زمین  نوع الگوریتم از اهمیت خاصی برخورداراست، بطوریکه علاوه بر داده­های در دسترس، میزان و نوع نمونه­برداری­های صحرایی  و نیز ویژگی­های اکوسیستم منطقه روش خاصی را طلب می­کند. اما در کل با توجه به موارد یادشده روش­های حداکثر احتمال و ماشین بردار پشتیبان قوی­تر از سایر الگوریتم­های طبقه­بندی و با خطای کمتری عملیات تفکیک پوشش سطح زمین را انجام می­دهند.

 

 

References

 

1. Rahdari ,Vahid; Maleki Najfabdai ,Saeideh; Khajeddin, Seyed Jamaleddin; Rahnama,M (2009) Comparison of Satellite Image Sorting (Supervised and Unmanaged) Methods for Land Use Mapping and Land Covering in Arid and Semi-arid Regions (Case Study: Muteh Wildlife Refuge). National conference of geomatic.tehran iran(in persian).

2. Riahi bakhtiari ,H (2000). Determining the most suitable method for mapping natural resources coverage on a scale of 1/25000 using satellite data in the Arjan plain area. A thesis submitted for master of forestry, natural resources faculty, University of Tehran. (in Persian)

3. Zahedifard,N.(2002)Preparation of land use map using satellite data in Baft watershed. A thesis submitted for master of geology. Faculty of Agriculture. Isfahan University of technology. (in Persian)

4. M , M. Fattahi; A.A.Noroozi ; A.A.Abkar; A.Khalkhali (1997). Comparison of methods for classification and creating landuse map in arid region by using satellite images. Pajouhesh & Sazandegi No: 76 pp: 122-135. (in Persian)

5. Sarooei, S (1999). Investigating the possibility of forest classification in terms of density in Zagros forests using satellite data. Master thesis, University of Tehran. (in Persian)

6. R. Soffianian , E. Mohamadi Towfigh  , L. Khodakarami, F. Amiri (2011) .Land use mapping using artificial neural network (Case study: Kaboudarahang, Razan and Khonjin- Talkhab catchment in Hamedan province). Journal of Applied RS & GIS Techniques in Natural Resource Science; Vol.2.Issue1. Spring 2011. (in Persian)

7. Mirzaeizadeh­,V; Niknezhad­,M; Mahdavi,A ,(2014). Comparison of Maximal Probability and Mahalanobi Distance Classification Methods in Forest Planning (Case Study:  Bioreh Region, Ilam Province). Fourth International Conference on Ecological Challenges and Tree Histology, Caspian Ecosystem Research Institute, May, 2014, Sari, Iran.(in Persian)

8. Al-Ahmadi, F. S. and A. S. Hames. 2009. Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia. JKAU, Earth Science, 20 (1): 167-191.

9. Brian, W. S., C. Qi and B. Michael. 2011.A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31: 525-532.

10. Elizabeth, A. W., L. William, C. G. Stefanov and H. Diane. 2006. Land use and land cover mapping from diverse data sources for an arid urban environments. Computers, Environment and Urban Systems 30 (3): 320–346.

11. Gualtieri, J. A and R. F. Cromp. 1998. Support vector machines for hyperspectral remote sensing classification. In:Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October. SPIE, Washington, DC, pp. 221–232.

12. Hopkins, P. F., A. L. Maclean and T. M. Lillesand. 1988. Assessment of thematic mapper imagery for forestry application under lake states conditions, Photogrameteric Engineering and Remote Sensing, 54 (1): 61-68.

13. Huang, C., L. S. Davis and J. R. G. Townshend. 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23 (4): 725–749.

14. Jensen, J. 2005. Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, NJ: Prentice Hall. 526 pp.

15. Kruse, F. A., A. B. Lefkoff, J. B. Boardman, K. B. Heidebrecht, A. T. Shapiro, P. J. Barloon and A. F. H. Goetz.1993. The spectral image processing system (SIPS) - interactive visualization and analysis of imaging spectrometer data.Remote Sensing of the Environment, 44:145 - 163.

16. Lu, D. and Q. Weng. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28 (5): 823-870.

17. Mazer, A. S., M. Martin, M. Lee and J. E. Solomon. 1988. Image processing software for imaging spectrometry analysis, Remote Sensing of the Environment, 24 (1): 201-210.

18. Mountrakis, G., Im., J. and Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 13, 247–259.

19. Ommen, T., 2008. An objective analysis of Support Vector Machine based classificat ion for remote sensing. Mathematical Geosciences, 40, 409–424.

20. Pal, M. and P. M. Mather. 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 26 (5): 1007-1011.

21. Perumal, K. and R. Bhaskaran. 2010. Supervised classification performance of multispectral images. Journal of Computing, 2 (2): 124-129.

22. Qiu, F. and J. R. Jensen. 2004. Opening the black box of neural networks for remote sensing image classification. International Journal of Remote Sensing, 25(9): 1749-1768.

23. Rajesh, B. T. and M. Yuji. 2009. Urban mapping, accuracy, & image classification: A comparison of multiple approaches in Tsukuba City, Japan.Applied Geography 29, 135-144.

24. Richards J. A., Jia X., 2006, Remote Sensing Digital Image Analysis an Introduction, 4th Edition, Chapter 1, Springer, Germany, Berlin, Heide lberg.

25. Richards, J. A. 1999. Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin,. 240 pp.

26. Su, L., Huang, Y., Chopping, M.J., Rango, A. and Martonchik, J.V., 2009. An empirical study on the utility of BRDF model parameters and topographic parameters for mapping vegetation in a semi -arid region with MISR imagery. International Journal of Remote Sensing, 30, 3463–3483.

 

 

---

[1] -نویسنده مسئول:  دانشجوی دکترای آبخیزداری، دانشگاه هرمزگان [e-mail],

[2] -استاد دانشکده محیط زیست دانشگاه تهران

[3] - کارشناسی ارشد سنجش از دور و سیستم های اطلاعات جغرافیایی پردیس دانشگاه هرمزگان

[4] ML

[5] SVM

[6] MAH

[7] SID

[8] SAM

[9] MD

[10] BE

[11] PP

[12] Pal and Mather

[13] Brian and Michael

[14] Richard and Jia

[15] Ommen

[16] Support Vector Machine

[17] Mountrakis

[18] Jensen

[19] Huang and Townshend

[20] Richards

[21] Jensen

[22] Gualtieri and Cromp

[23] Mahalanobis Distance

[24] Lu and Weng

[25] Spectral Angle Mapper

[26] Kruse

[27] Spectral Information Divergence

[28] Du

[29] Mazer

[30] Su

[31] Overall accuracy

[32] Kappa coefficient

[33] Commission

[34] Omission

[35] Jensen

[36] Hopkins

[37] Qiu

مراجع

1. Rahdari ,Vahid; Maleki Najfabdai ,Saeideh; Khajeddin, Seyed Jamaleddin; Rahnama,M (2009) Comparison of Satellite Image Sorting (Supervised and Unmanaged) Methods for Land Use Mapping and Land Covering in Arid and Semi-arid Regions (Case Study: Muteh Wildlife Refuge). National conference of geomatic.tehran iran(in persian).

2. Riahi bakhtiari ,H (2000). Determining the most suitable method for mapping natural resources coverage on a scale of 1/25000 using satellite data in the Arjan plain area. A thesis submitted for master of forestry, natural resources faculty, University of Tehran. (in Persian)

3. Zahedifard,N.(2002)Preparation of land use map using satellite data in Baft watershed. A thesis submitted for master of geology. Faculty of Agriculture. Isfahan University of technology. (in Persian)

4. M , M. Fattahi; A.A.Noroozi ; A.A.Abkar; A.Khalkhali (1997). Comparison of methods for classification and creating landuse map in arid region by using satellite images. Pajouhesh & Sazandegi No: 76 pp: 122-135. (in Persian)

5. Sarooei, S (1999). Investigating the possibility of forest classification in terms of density in Zagros forests using satellite data. Master thesis, University of Tehran. (in Persian)

6. R. Soffianian , E. Mohamadi Towfigh  , L. Khodakarami, F. Amiri (2011) .Land use mapping using artificial neural network (Case study: Kaboudarahang, Razan and Khonjin- Talkhab catchment in Hamedan province). Journal of Applied RS & GIS Techniques in Natural Resource Science; Vol.2.Issue1. Spring 2011. (in Persian)

7. Mirzaeizadeh­,V; Niknezhad­,M; Mahdavi,A ,(2014). Comparison of Maximal Probability and Mahalanobi Distance Classification Methods in Forest Planning (Case Study:  Bioreh Region, Ilam Province). Fourth International Conference on Ecological Challenges and Tree Histology, Caspian Ecosystem Research Institute, May, 2014, Sari, Iran.(in Persian)

8. Al-Ahmadi, F. S. and A. S. Hames. 2009. Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia. JKAU, Earth Science, 20 (1): 167-191.

9. Brian, W. S., C. Qi and B. Michael. 2011.A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31: 525-532.

10. Elizabeth, A. W., L. William, C. G. Stefanov and H. Diane. 2006. Land use and land cover mapping from diverse data sources for an arid urban environments. Computers, Environment and Urban Systems 30 (3): 320–346.

11. Gualtieri, J. A and R. F. Cromp. 1998. Support vector machines for hyperspectral remote sensing classification. In:Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October. SPIE, Washington, DC, pp. 221–232.

12. Hopkins, P. F., A. L. Maclean and T. M. Lillesand. 1988. Assessment of thematic mapper imagery for forestry application under lake states conditions, Photogrameteric Engineering and Remote Sensing, 54 (1): 61-68.

13. Huang, C., L. S. Davis and J. R. G. Townshend. 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23 (4): 725–749.

14. Jensen, J. 2005. Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, NJ: Prentice Hall. 526 pp.

15. Kruse, F. A., A. B. Lefkoff, J. B. Boardman, K. B. Heidebrecht, A. T. Shapiro, P. J. Barloon and A. F. H. Goetz.1993. The spectral image processing system (SIPS) - interactive visualization and analysis of imaging spectrometer data.Remote Sensing of the Environment, 44:145 - 163.

16. Lu, D. and Q. Weng. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28 (5): 823-870.

17. Mazer, A. S., M. Martin, M. Lee and J. E. Solomon. 1988. Image processing software for imaging spectrometry analysis, Remote Sensing of the Environment, 24 (1): 201-210.

18. Mountrakis, G., Im., J. and Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 13, 247–259.

19. Ommen, T., 2008. An objective analysis of Support Vector Machine based classificat ion for remote sensing. Mathematical Geosciences, 40, 409–424.

20. Pal, M. and P. M. Mather. 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 26 (5): 1007-1011.

21. Perumal, K. and R. Bhaskaran. 2010. Supervised classification performance of multispectral images. Journal of Computing, 2 (2): 124-129.

22. Qiu, F. and J. R. Jensen. 2004. Opening the black box of neural networks for remote sensing image classification. International Journal of Remote Sensing, 25(9): 1749-1768.

23. Rajesh, B. T. and M. Yuji. 2009. Urban mapping, accuracy, & image classification: A comparison of multiple approaches in Tsukuba City, Japan.Applied Geography 29, 135-144.

24. Richards J. A., Jia X., 2006, Remote Sensing Digital Image Analysis an Introduction, 4th Edition, Chapter 1, Springer, Germany, Berlin, Heide lberg.

25. Richards, J. A. 1999. Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin,. 240 pp.

26. Su, L., Huang, Y., Chopping, M.J., Rango, A. and Martonchik, J.V., 2009. An empirical study on the utility of BRDF model parameters and topographic parameters for mapping vegetation in a semi -arid region with MISR imagery. International Journal of Remote Sensing, 30, 3463–3483.