مقايسه روش هاي پيكسل‌ مبنا و شئ‌گرا در طبقه‌بندي كاربري اراضي (مطالعه موردي: حوضه سملقان)

Comparison of the accuracy of pixel-based and object-oriented methods in land use classification (case study: Samalghan Watershed)

برنامه‌ريزي و استفاده بهينه از منابع و كنترل و مهار تغييرات غير اصولي در آينده، نيازمند مطالعه ميزان تغييرات و تخريب منابع مي‌باشد. در واقع برنامه‌ريزان براي تصميم‌گيري‌هاي اصولي، بايستي شناخت كاملي از كاربري اراضي، آشكارسازي، پيش‌بيني تغييرات كاربري اراضي و پوشش زمين به منظور مديريت بهتر منابع طبيعي در بلندمدت داشته باشند. اين مطالعه با هدف ارزيابي صحت الگوريتم‌هاي مختلف طبقه‌بندي نظارت شده پيكسل‌مبنا و شئ‌گرا در استخراج كاربري اراضي حوضه سملقان در سه مقطع زماني 1987، 2002 و 2019 انجام شد. نتايج نشان داد كه الگوريتم‌هاي ماشين بردار پشتيبان براي تصاوير سال‌هاي 1987 و 2019 و شبكه عصب براي تصوير سال 2002 در روش طبقه‌بندي پيكسل مبنا از بيشترين مقدار صحت كلي و ضريب كاپا برخوردار مي‌باشد. همچنين، واضح‌ترين تغييري كه با مقايسه نقشه‌هاي كاربري تهيه شده مشاهده مي‌شود، تغيير سطح كاربري‌ها با رشد مناطق مسكوني، ديم و جنگل است و اين گسترش به صورت مستمري با كاهش كاربري مرتعي همراه بوده است. بدينصورت كه از سال 1987 تا سال 2019 مساحت كاربري مسكوني بيش از 197/9 كيلومتر مربع و اراضي ديم در طي اين سال‌ها به ميزان 89/130 كيلومتر مربع و جنگل 92/118 كيلومتر مربع افزايش، اراضي كشاورزي آبي نيز 45/44 كيلومتر مربع افزايش و كاربري مرتع نيز به ميزان 3/272 كيلومتر مربع كاهش يافته است. نتايج ارزيابي نشان داد كه الگوريتم هاي ماشين بردار پشتيبان و شبكه عصبي نسبت به روشهاي ديگر از دقت بيشتري برخوردار است. به دليل ماهيت مقايسهاي اين پژوهش، نتايج آن براي شناسايي روش هاي بهينه در توليد و تهيه نقشه كاربري اراضي از اهميت بالايي برخوردار مي باشد

Planning and optimal use of resources and controlling and unprincipled changes in the future, requires studying the extent of change and destruction of resources. In fact, planners for principled decisions must have a full knowledge of land use, detection, prediction of land use change and land cover in order to better manage natural resources in the long time. The aim of this study was to evaluate the accuracy of different supervised classification algorithms of basic and object-oriented pixels in land use extraction in Samalghan watershed in three periods of time 1987, 2002 and 2019. The results showed that the support vector machine algorithms for the images of 1987 and 2019 and the neural network for the 2002 image in the pixel-based classification method have the highest overall accuracy and kappa coefficient. Also, the most obvious change that can be seen by comparing the prepared user maps is the change in the level of land uses with the growth of residential areas, thus this expansion has been continuously associated with a decrease in rangeland land use. Thus, from the years of 1987 to 2019, the residential land use area increased by more than 9.197 km2 and dryland lands during these years increased by 130.89 km2, irrigated agricultural lands also increased from 44.45 km2 and Rangeland use has also decreased by 272.3 km2.