مقايسه سه روش تفسير چشمي، طبقه‌بندي شيءگرا و طبقه‌بندي نظارت شده در تهيه نقشه كاربري/پوشش اراضي حوزه آبخيز ملا احمد اردبيل

Comparison of three visual, object-based, and supervised classification methods of land use/cover mapping in Mollah-Ahmad Watershed, Ardabil

با توجه به رشد روزافزون جمعيت و در نتيجه آن، تخريب و تبديل غيراصولي كاربري اراضي، آگاهي از وضع موجود سرزمين، كاربري و پوشش آن ضرورت دارد. هدف اصلي تحقيق حاضر تهيه نقشه كاربري/پوشش اراضي حوزه آبخيز ملا احمد بوده است. در اين تحقيق از دو نوع تصاوير ماهواره QuickBird موجود در سرور گوگل‌ ارث (سال 2013) و سنجنده (Operational Land Imager) OLI ماهواره لندست 8 (سال 2014) در قالب سه روش تفسير چشمي (تصاوير گوگل ‌ارث)، طبقه‌بندي شيءگرا (تصاوير گوگل ارث) و طبقه‌بندي نظارت‌شده (تصوير لندست 8) استفاده شد. به‌منظور ارزيابي نقشه كاربري/پوشش اراضي توليدشده از سه روش ذكر شده، 51 نقطه به‌عنوان نقاط كنترلي جهت ارزيابي صحت انتخاب گرديد. نتايج نشان داد كه صحت كلي نقشه توليد شده از روش تفسير چشمي، طبقه‌بندي شيءگرا و طبقه‌بندي نظارت‌شده، به ترتيب 100، 90 و 72 درصد و ضريب كاپاي آن‌ها نيز به ترتيب 1، 85/0 و 6/0 است، كه صحت بالاي نقشه‌هاي توليد شده از دو روش تفسير چشمي و شيءگرا را نشان داد. روش تفسير چشمي با استفاده از تصاوير با قدرت تفكيك بين 65/0 تا 9/2 متري ماهواره QuickBird (سرور گوگل ارث)، صحيح‌ترين روش مي‌باشد؛ هرچند كه روش طبقه‌بندي شيءگرا با توجه به هزينه پايين آن از نظر زماني در مناطق گسترده‌تر، به نسبت داراي صحت قابل قبولي مي‌باشد.

Due to the growing population and consequently the degradation and uncontrolled use of land, awareness of the state of the land and its use is necessary. In this study, the main purpose was land use /cover mapping of the Mollah Ahmad Watershed. Two types of Google Earth images (Quickbird images, 2013) and Operational Land Imager (OLI) sensor of Landsat 8 image (2014) with three methods of visual interpretation (Google Earth images), object-based classification (Google Earth images), and supervised classification (Landsat 8) were used. In order to evaluate the land use /cover map produced from the methods, 51 points were selected as control points for the accuracy assessment. The results showed that the overall accuracy of the map generated from visual interpretation, object-based classification, and supervised classification were 100, 90, and 72 percent, respectively and their kappa coefficients were 1, 0.85 and 0.6, respectively, which the high accuracy of the maps generated from two methods of visual and object-based interpretation. The method of interpreting the visually using the high-resolution images (Quickbird with 0.65 to 2.9 m resolutions) of Google Earth is the most accurate method; however, the object-based classification method due to its low cost in terms of time in large environment has relatively acceptable accuracy.