مقايسۀ روش‌هاي بصري و خودكارِ مبتني‌بر شيء در شناسايي لندفرم‌هاي حوضة يزدـ اردكان

Comparison of Visual and Object-Based Automatic Methods to Identify Landforms in Yazd-Ardakan Basin

شناسايي لندفرم‌هاي غالب مناظر طبيعي در انواع برنامه‌ريزي‌هاي شهري، آمايش، گردشگري و ... كاربرد و اهميت فراوان دارد. در اين پژوهش، لندفرم‌هاي حوضة يزدـ اردكان، به دو روش بصري و خودكار، شناسايي و سپس مقايسه شدند. در روش شناسايي خودكار لندفرم‌ها، از قطعه‌بندي تصوير با دو الگوريتم قدرت تفكيك چندگانه و تباين پيكسلي، در قالب مفاهيم شيء‌پايه، استفاده شد. نتايج نشان داد قطعه‌بندي به‌روش قدرت تفكيك چندگانه، به‌دليل لحاظ‌كردن معيار شكل در تشخيص ساختار و مرز طبيعي لندفرم‌ها مانند مخروط‌افكنه،‌ مناسب به‌نظر مي‌رسد ولي قطعه‌بندي به‌روش تباين پيكسلي، در شناسايي ميكرولندفرم‌ مانند كانال‌هاي گيسويي در سطح مخروط‌افكنه، مناسب است. نتايج حاصل از مقايسۀ شناسايي بصري و خودكار لندفرم‌ها نشان داد، در روش بصري، فقط امكان شناسايي لندفرم‌هاي بزرگ همچون توده‌هاي كوهستاني، انواع دشت‌سرها، كفة اردكان و به‌سختي تلماسه‌ها وجود داشت. ولي در روش خودكار مبتني‌بر شيء، نه تنها لندفرم‌هاي مذكور بلكه لندفرم‌هاي كوچك‌تر مثل تپه‌هاي عرضي، مخروط‌افكنه‌ها، هزاردره‌ها، كوه‌هاي منفرد نيز شناسايي شدند. براي ارزيابي دقت مدل‌هاي شناسايي خودكار لندفرم‌ها، از دو روش كيفي و كمّي استفاده شد؛ در ارزيابي كيفي، از تكنيك‌ هم‌پوشاني به‌منظور بررسيِ چشمي ميزان تطابق و رويِ هم قرارگيري نقشۀ حاصل از مدل با تصاوير گوگل ارث و در ارزيابي كمّي، از ماتريس درهمي استفاده شد. نتايج ارزيابي‌ها نشان دادند كه الگوريتم قدرت تفكيك چندگانه در شناسايي و قطعه‌بندي لندفرم‌ها داراي صحت كلي و ضريب كاپاي است. همچنين، خطاهاي كُميسيون و اُميسيون نشان دادند كه كمترين خطاهاي شناسايي مربوط به لندفرم‌هايي با بافت نرم، مانند دشت،‌ است ولي بيشترين خطاهاي شناسايي به لندفرم‌هايي با بافت خشن، مثل كوهستان، بازمي‌گردد.

Identification of dominant landforms is important in a landscape because they applicable in various types of urban planning, tourism planning, spatial planning, etc. In this study, the landforms of Yazd-Ardakan basin were identified by two visual and automatic methods and then were compared. In automatic method, were used by Multiresolution and Contrast Split image segmentation in the object based concepts for identification of geomorphological landforms. The results showed using “Multiresolution Segmentation” due to consider the shape parameter is appropriate in the recognition of the landforms structure and their natural boundary such as alluvial fan but using the “contrast split image segmentation” is appropriate for micro-landform recognition such as braided river at the surface alluvial fans. The results of the comparison of visual and automated landforms maps showed that the visual approach was only useful for macro-landforms such as mountain masses, types of pediments, Ardakan playa and were barely detectable dunes, But the object based automatic approach not only mentioned landforms but also smaller landforms were identified such as the transverse dunes, alluvial fans, badlands, inselbergs. To evaluate the accuracy of automatic landforms identification models were used both qualitative and quantitative methods; in the qualitative evaluation were used the overlay technique to the visual investigation of matching the map of the model with Google Earth images. The quantitative evaluation was used the confusion matrix. The results of the evaluations showed that Overall Accuracy and Kappa coefficient for the multiresolution algorithm in landforms recognition are 97.46% and 96.53% respectively. Also, Commission and Omission errors showed that the minimum identification errors are related to soft surfaces such as Plain, but the maximum of the identification errors are related to rough surfaces like mountainous.