بررسي مقايسه اي روش هاي چندگانه طبقه بندي جهت تهيه نقشه كاربري سرزمين (مطالعه موردي: حوضه آبخيز رودخانه هاي كن و كرج)

Comparative Study of Multiple Supervised Classification Methods to Map Land Use in Local and Regional Scales (Case Study:Kan and Karaj Rivers Basin)

مديريت سرزمين در راستاي توسعه پايدار، نيازمند داده هاي قابل اعتماد و به روز كاربري سرزمين و پهنه بندي تغييرات آن در مقياس هاي مختلف مكاني و زماني است. در اين راستا، مديريت منابع آب با هدف حفظ كيفيت آن براي مصارف گوناگون نيز مستلزم بررسي كاربري سرزمين و تغييرات آن در سطح حوضه آبخيز است. بر اين اساس، هدف اوليه پژوهش حاضر، ارزيابي كارايي روش هاي مختلف سنجش از دور در طبقه بندي داده هاي طيفي سنجنده OLI جهت تهيه نقشه كاربري سرزمين در حوضه آبخيز رودخانه هاي كن و كرج است. با استفاده از نُه روش طبقه بندي شامل حداقل فاصله از ميانگين، سطوح موازي، فاصله ماهالانويي، زاويه طيفي، واگرايي اطلاعات طيفي، كدهاي باينري، بيشينه احتمال، شبكه عصبي مصنوعي و ماشين بردار پشتيبان نقشه كاربري سرزمين حوضه مورد نظر در سطوح يك و دو اندرسون به ترتيب در پنج و نُه طبقه كاربري تهيه شد. بر اساس صحت سنجي طبقه بندي با استفاده از تصاوير گوگل ارث و نقاط دقيق كنترل زميني، روش بيشينه احتمال به ترتيب با ضريب كاپا 77٪ و 76٪ و همچنين صحت كلي84/94٪ و 80/70٪ به عنوان بهترين روش طبقه بندي نظارت شده جهت تهيه نقشه كاربري سرزمين در حوضه آبخيز مورد نظر در سطح محلي و منطقه اي مشخص شد؛ همچنين پس از روش مذكور، روش هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و فاصله ماهالانويي نيز در طبقه بندي تصاوير صحت قابل قبولي را ارائه دادند؛ چنين نتيجه اي بيانگر اين مطلب است كه همانند انتخاب روش، دقت در اجراي روش هاي طبقه بندي نقشه كاربري سرزمين و ارزيابي صحت مي تواند بسيار مهم باشد و نتايج را تحت تاثير قرار دهد.

Land management leading to sustainable development requires reliable and update data on land cover/use and mapping its changes at various spatial and temporal scales. In this aspect, water resources management also needs to assess land use and its changes across the basin to maintain water quality for a variety of uses. Thus, the primary goal of this study is to evaluate the effectiveness of various spectral-based supervised classification methods of Operational Land Imager (OLI) data for mapping land use across the Kan and Karaj Rivers basin. At the Anderson Level 1 and 2, the basin’s land use was mapped in five and nine classes, respectively using a broad range of different supervised classification methods, including Parallelepiped, Minimum Distance, Mahalanobis Distance, Maximum Likelihood, Spectral Angle, Binary Encoding, Spectral Information Divergence, Neural Net and Support Vector Machine. All classification methods were verified using the Google Earth images and accurate ground control points, in which the Maximum Likelihood method of both levels with Kappa coefficient of 0.77 and 0.76 and overall accuracy of 84.94 and 80.70 percent, identified as the optimum method to map the land use at the local and regional scales respectively. In addition, following the named method, the Neural Net, Support Vector Machine and the Mahalanobis Distance methods also showed acceptable accuracy indicating that like the choice of classification method, precision in procedures and accuracy assessment of land use classification map is very important and could affect the results.