طبقه‌بندي و تحليل كاربري اراضي حوضه طارم با استفاده از روش‌هاي مبتني بر پيكسل

Pixel Based Classificatrion Analyisis of Land Use Land Cover in Tarom Basin

مديريت جامع يك حوضه آبخيز، نيازمند اطلاعات پايه مانند نوع پوشش اراضي مي‌باشد. هدف از انجام تحقيق حاضر، بررسي دقت تفكيك انواع كاربري اراضي در منطقه طارم و با‌ استفاده از تصوير ماهواره لندست 8 براي تاريخ 17 مرداد سال 1396 (8 اوت 2017) بود. باندهاي RGB و NIR براي اجراي الگوريتم‌هاي طبقه‌بندي و مقايسه نتايج با نمونه‌هاي زميني استفاده شد. پس از اجراي پيش‌پردازش‌ها و بررسي زمين‌مرجع بودن تصاوير، تصحيحات اتمسفري با الگوريتم فلاش (FLAASH) انجام شد. در ادامه، از سه روش طبقه‌بندي نظارت شده (مبتني بر پيكسل) حداكثر احتمال (MLC)، ماشين پشتيبان‌بردار (SVM) و شبكه عصبي مصنوعي (ANN)، براي تفكيك و توليد نقشه كاربري اراضي استفاده شد. صحت نتايج توليد شده بر اساس آماره‌هاي ضريب كاپا و دقت كلي سنجيده شد و روش حداكثر احتمال، به‌ترتيب با 88/0 و 55/91 درصد، به‌عنوان روش برتر انتخاب گرديد. نتايج به‌دست آمده نشان داد كه تصوير سنجنده OLI لندست 8، مي‌تواند براي تفكيك كلاس‌هاي پهنه آبي، برون‌زدگي سنگي و كوهستاني، پوشش خاكي و اراضي باير، زراعت و محدوده‌هاي باغي، در مناطق كوهستاني مانند طارم (كه تغييرات ارتفاعي در آن بين 280 تا 3000 متر است)و پوشش گياهي بسيار متنوع، نتايج مطلوبي داشته باشد. قابل ذكر است كه در بين اين سه الگوريتم طبقه‌بندي، روش MLC، داراي سرعت بالاتر و پيچيدگي كم‌تري در مراحل اجرا، نسبت به دو روش ديگر براي اجراي الگوريتم و دست‌يابي به نقشه‌هاي مورد نياز است.

The comprehensive management of a watershed requires basic information such as land use and land cover. The aim of this study is to conduct accuracy analyses of LULC classifications derived from Landsat-8 data, and to reveal that which kind of land use and land cover can be estimated more accurately. Tarom Basin and its near surrounding was selected as study area for this case study. Landsat-8 the data, acquired on 8 August 2017, were utilized as satellite imagery in the study. The RGB and NIR bands were used for classification. Required pre-processing and control of georeferenced of images were performed. After performing the required atmospheric corrections, using the FLAASH algorithm, classification maps were generated. LULC images were generated using 3 pixel-based supervised classification method method, Maximum Likelihood (MLC), Support Vector Machine (SVM) and Artificial Neural Network (ANN). As a result of the accuracy assessment, kappa statistics and overall accuracy for MLC method were 0.88 and 91.55 respectively. The obtained results showed that Landsat-8 OLI data, presents satisfying LULC images in water body, mountain and rock, bare land, Vegetation and forest classes. In addition, according to the obtained results, it can be stated that all three methods of classification in a region with heterogeneous (in terms of elevation elevation between 280 and 3000 m and land use and variety of vegetation) Such Tarom, can have good results. Among these methods, Classification with MLC method, had higher speed and lower complexity for execution, than two other methods in achieving the required maps.