كليدواژه :
طبقه بندي حداكثر راي گيري , كاربري اراضي , الگوريتم هاي طبقه بندي , سنجش از دور , لندست 8
چكيده فارسي :
تهيه نقشه‌هاي پوشش اراضي با دقت بالا، همواره يكي از اهداف مهم محققان در زمينه مديريت اراضي بوده است. هدف از‌اين پژوهش، ارائه روش نويني جهت تهيه نقشه‌هاي كاربري اراضي با استفاده از پردازش تصاوير ماهواره‌اي بوده است. به همين منظور، از تصاوير ماهواره لندست 8، به عنوان تصوير پايه و نقشه مدل رقومي ارتفاعي (DEM)، داده‌هاي حاصل از تجزيه به عنوان مولفه‌هاي اصلي و شاخص‌هاي طيفي جهت استخراج نقشه پوشش اراضي در منطقه مطالعاتي استفاده شد. پس از پيش‌پردازش‌ها و آماده‌سازي داده‌هاي مورد نياز، اقدام به تهيه نمونه‌هاي آموزشي شد. در‌اين پژوهش، نمونه‌هاي آموزشي در دو بخش به كار گرفته شدند؛ در بخش اول از آنها به عنوان ورودي، جهت طبقه‌بندي تصوير با الگوريتم‌هاي نظارت شده، حداكثر احتمال و ماشين بردار پشتيبان استفاده شد. در بخش دوم، به‌منظور طبقه‌بندي با روش درخت تصميم گيري، از اين نمونه‌ها براي تعيين محدوده بازتاب طيفي هر پوشش در طيف امواج الكترومغناطيس (باندهاي تصوير، PCA، شاخص‌هاي طيفي و DEM) استفاده شد. سپس با استفاده از اين داده‌ها و شروط دودويي درخت تصميم‌گيري، هر پوشش مشخص و نقشه پوشش آن استخراج شد. پس از تهيه نقشه‌هاي ذكر شده، به منظور تلفيق نتايج طبقه‌بندي و حصول دقت بالاتر، از روش حداكثر راي‌گيري به منظور تهيه نقشه تلفيقي جديد پوشش اراضي منطقه استفاده شد. همچنين به منظور ارزيابي دقت نقشه‌هاي توليدي، از پارامترهاي آماري منتج از ماتريس ابهام شامل دقت كلي، ضريب كاپا، دقت كاربر و دقت توليدكننده استفاده شد. بر اساس نتايج حاصله، روش تلفيقي با دقت كلي 93/37 درصد و ضريب كاپا 0/91 داراي بيشترين دقت بوده است. دقت كلي نقشه پوشش روش درخت تصميم‌گيري، ماشين بردار پشتيبان و حداكثر احتمال نيز به ترتيب 89/61، 88/01 و 87/6 درصد بوده‌اند. با توجه به‌اينكه در طبيعت پوشش خالص، به ندرت مشاهده مي‌شود و بيشتر پوشش‌ها به صورت تركيبي وجود دارند، لذا بهتر است از روش‌هاي نويني كه همه ابعاد پديده‌ها را پوشش مي‌دهند استفاده شود. در‌اين پژوهش، اطلاعات حاصل از طبقه‌بندي نظارت شده و همچنين اطلاعات حاصل از روش منطقي درخت تصميم‌گيري با يكديگر تلفيق شده و نتايج حاصله به خوبي، بيانگر بهبود دقت نهايي طبقه‌بندي بودند.
چكيده لاتين :
Preparation of proper land use maps has always been one of the important goals of researchers and policymakers. The aim of this study was to provide a new method for preparing land use maps using remotely sensed data and satellite data imagery. For this Purpose, we used Landsat 8 data, Digital Elevation Model (DEM), Principal Component Analysis (PCA), and Spectral Indices to extract land use map in the study area. After all required preprocessing, the training samples were provided. In this study, the training samples were utilized in two parts; in the first part they were used as inputs for image classification using supervised algorithms of maximum likelihood Classification (MLC) and support vector machine (SVM). In the second part, in order to applying Decision Tree Classification (DTC), these training samples were used to determine the spectral reflection of each end-member in the spectrum of electromagnetic waves (image bands, PCA, spectral indices, and DEM).Then, using these binary data and DTC, each end-member was identified and the Landuse/Landcover (LULC) map was extracted. In order to combine the classification results and achieve higher accuracy, the Majority Vote Classification (MVC) method was applied to prepare a new compilation of land use in the area. In order to evaluate the accuracy of produced maps, the statistical parameters extracted from the confusion matrix including overall accuracy, kappa coefficient, user and producer’s accuracy were utilized. According to the results, the combined method (MVC) with a total accuracy of 93.37% and kappa coefficient of 0.91 had the highest accuracy. The overall accuracy of the DTC, SVM, and MLC were 89.61, 88.01 and 87.6%, respectively. Due to the fact that in the nature most of the landuse are mixed and complicated, it would be better to use new methods that cover all aspects of the phenomena. In this research, the data extracted from the supervised classifications as well as the data derived from the DTC were combined and the results clearly illustrate the improvement of the final accuracy of the classification.
