مقايسه روش هاي طبقه بندي پيكسل پايه و شيءگرا در تهيۀ نقشه كاربري اراضي (مطالعه موردي: دشت هاي اصفهان- برخوار، نجف آباد و چادگان)

Comparison of object-oriented and pixel-based classification methods for land use mapping Case study: Isfahan-Borkhar, Najafabad and Chadegan plains

الگوريتم هاي شناسايي تغييرات در تصاوير سنجش‌ از دور به دو دسته پيكسل پايه و شيءگرا بر پايه حداقل واحد پردازش تقسيم مي شوند. هدف از اين پژوهش مقايسه عملكرد روش هاي پيكسل پايه و شيءگرا در طبقه بندي كاربري اراضي در دشت هاي اصفهان- برخوار، نجف آباد و چادگان و بررسي تغيير كاربري اراضي در طول دوره آماري با استفاده از تصاوير لندست (TM (1985 و (OLI (2015 است. طبقه بندي كاربري اراضي شامل قطعه بندي داده هاي تصويري با استفاده از الگوريتم قطعه بندي چندمقياسه در محيط نرم‌افزار eCognition انجام شد. سپس اين قطعات انتخاب‌شده و با استفاده از الگوريتم نزديك ترين همسايه شيءگرا طبقه بندي شدند. طبقه بندي پيكسل پايه نظارت شده شامل انتخاب نمونه هاي تعليمي با استفاده از الگوريتم حداكثر احتمال انجام شد. ارزيابي صحت در هر دو روش انجام شد. نتايج نشان داد كه طبقه-بندي شيءگرا با صحت كلي بالاي 90 درصد نسبت به طبقه بندي پيكسل پايه از دقت بالاتري برخوردار است. نقشه هاي كاربري اراضي نشان داد به ترتيب در دشت هاي اصفهان- برخوار، نجف آباد و چادگان مساحت كاربري مسكوني برابر با 2.09، 9.66، 3.74 درصد افزايش و كاربري مرتعي برابر با 7.48، 10.94 و 17.73 درصد كاهش در طول دوره موردمطالعه داشته اند. همچنين در دشت چادگان سطح اراضي زراعي و تحت آيش به ترتيب به ميزان 8.31 و 5.64 درصد افزايش داشته اند.

Change detection algorithms of remote sensing image can be divided into two categories: pixel-based and object-oriented, according to the minimum processing unit. This paper deals with the comparison between application of pixel-based and objectoriented approaches in land use classification in Isfahan-Borkhar, Najafabad and Chadegan plains and evaluation of land use changes with Landsat TM (1985) and OLI (2015) data during the study period. The object-oriented approach involved the segmentation of image data into objects with multi-resolution segmentation algorithm by eCognition software. Then objects were assigned and classified with the nearest neighbour algorithm in object-oriented classification The supervised pixel-based classification involved the selection of training areas and a classification using a maximum likelihood algorithm. Accuracy assessments of both classifications were undertaken. The results show better overall accuracy (higher 90%) of the object-oriented classification over the pixel-based classification. The land use maps indicate that residential area is increased 2.09, 9.66 and 3.74% and rangeland area are decreased 7.48, 10.94 and 17.73% in Isfahan-Borkhar, Najafabad and Chadegan plains in the study period, respectively. In Chadegan plain the increase in agriculture and fallow land use has been equal to 8.31 and 5.64%, respectively.