نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی دانشگاه شهید چمران اهواز

2 دانشجوی کارشناسی ارشد جغرافیا و برنامه ریزی روستایی دانشگاه شهید چمران اهواز

3 کارشناس ارشد جغرافیا و برنامه ریزی شهری دانشگاه شهید چمران اهواز

چکیده

امروزه داده‌‌های سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربری‌‌های اراضی می‌‌باشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشه‌‌های کاربری از اهمیت بالایی برخوردارند. مشخص کردن پوشش اراضی کمک شایانی به مدیران مناطق جهت تصمیم‌گیری می‌‌کند. در این راستا هدف از انجام این پژوهش مقایسه کارآیی روش‌های پارامتریک (کمترین فاصله و جعبه‌‌ای) و ناپارامتریک (ماشین بردار پشتیبان) در طبقه‌‌بندی پوشش اراضی با استفاده از تصاویر ماهواره‌‌ای لندست 8 در بخشی از شهرستان دزفول می‌‌باشد. ماهیت این پژوهش توسعه‌‌ای-کاربردی و روش انجام آن توصیفی-تحلیلی بوده است. بدینمنظور داده‌‌های ماهواره‌‌ای شامل تصاویر ماهواره‌ای لندست 8 (13/8/2013) تهیه گردید، و با استفاده از نرم افزار ENVI آماده‌‌سازی و مورد تجزیه و تحلیل قرار گرفته است. میزان کارآیی هر روش طبقه‌بندی با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید.نتایج مقایسه روش‌‌های مورد استفاده در پژوهش نشان داد الگوریتم SVM به ویژه سه کرنل خطی، شعاعی و چند جمله‌ای نسبت به روش‌های پارامتریک به ترتیب با 15/97% ، 89/95%و 63/95% از دقت مطلوب‌تری برخوردار هستند.این مطالعه کارآیی و قابلیت مطلوب‌تر الگوریتم‌های SVM را در طبقه‌بندی تصاویر سنجش از دور در مقایسه با روش‌های پارامتریک تأیید می‌‌نماید.
 

کلیدواژه‌ها

عنوان مقاله [English]

Comparing the Performance of Parametric and NonparametricMethods in Land Cover Classification using Landsat-8 Satellite Images (Case study: A part of Dezful city)

نویسندگان [English]

  • Ali Shojaeeian 1
  • Sadegh Mokhtari Chelche 2
  • Leila Keshtkar 3
  • Esmaeil Soleymani rad 3

1 Assistant professor of Shahid Chamran University

2 Student of Master in geography, rural planning, Shahid Chamran University

3 Student of Master in Geography, Urban planning, Shahid Chamran University

چکیده [English]

Nowadays, remote sensing data is able to provide the latest information for the study of land cover and land uses. These images are of high importancedue to the presentation of timely information, diversity of forms, being digital and the possibility of processing in the preparation of user maps.Determining the land cover will be of great help to the area managers to make decisions. In this regard, the purpose of this researchis to compare the efficiency of parametric (least distant and box) and nonparametric (supporting vector machine) methods in land cover classification by using Landsat 8 satellite images in part of Dezful city. The nature of this research has been developmental-practical and its method has been descriptive-analytical. For this purpose, satellite data including Landsat 8 satellite images (13/8/2013) were prepared and analyzed using ENVI software. The efficiency of each classification method was investigated by calculating the two general accuracy and kappa coefficient. The results of the comparison of the methods used in the research showed that the SVM algorithm, especially the three linear, radial and polynomial kernels, had a better and more desirable accuracy than the parametric methods with 97.15%, 95.89% and 95.63% respectively. This study confirms the efficiency and more desirable capability of SVM algorithms in the classification of remote sensing images compared with parametric methods.

کلیدواژه‌ها [English]

  • Classification
  • Land cover
  • Landsat image
  • Support Vector Machine
  • the Minimum distance
  • Dezful
1- آرخی، صالح، ادیب نژاد، (1390) ارزیابی کارایی الگوریتم‌های ماشین بردار جهت طبقه‌بندی کاربری اراضی با استفاده از داده‌های ماهواره‌ای ETM لندست (مطالعه موردی: حوزه سد ایلام)، فصلنامه علمی پژوهشی تحقیقات مرتع و بیابان ایران.
2- آقا بالای، مقصودی؛ امیر، یاسر (1393)، مقایسه روش‌های پارامتریک و غیرپارامتریک در طبقه‌بندی پوشش‌های زمینی از طریق تصاویر پلاریمتریک رادار، بیست و یکمین همایش ملی ژئوماتیک.
3- احمدپور، سلیمانی، شکری، قربانی؛ امیر، کریم، مریم، جمشید (1390)، مقایسه کارآیی سه روش رایج طبقه بندی نظارت شده داده‌های ماهواره‌ای در مطالعه پوشش گیاهی، مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، سال دوم، شماره 2.
4- اکبری، شکاری؛ الهه، علی (1392)، پردازش و استخراج اطلاعات از داده‌های ماهواره‌ای با استفاده از نرم افزار ENVI با نمونه‌های کاربردی در علوم زمین، نقشه برداری، جغرافیا و محیط زیست، انتشارات ماهواره، جلد اول.
5- راهداری، ملکی نجف آبادی، رهنما؛ وحید، سعیده،  محمد؛ (1388) مقایسه روش‌های طبقه‌بندی تصاویر ماهواره‌ای (نظارت شده و نظارت نشده) در تهیه نقشه کاربری و پوشش اراضی مناطق خشک و نیمه خشک (مطالعه موردی پناهگاه حیات وحش موته)، همایش ژئوماتیک.
6- رسولی، محمود زاده؛ علی‌اکبر، حسن؛ (1389)، مبانی سنجش ‌از دور پایه، انتشارات علمیران
7- زاهدی فرد، خواجه‌الدین، جلالیان؛ ندا، جمال‌الدین، احمد؛ (1383)، کاربرد داده‌های رقومی سنجنده TM در تهیه نقشه کاربری نقشه کاربری اراضی حوضه آبخیز رودخانه بازفت، مجله علوم و فنون کشاورزی و منابع طبیعی، سال هشتم، شماره دوم.
8- شجاعیان، علی(1392)، سنجش از دور و کاربرد آن در برنامه‌ریزی شهری، انتشارات نگاره نو.
9- قاسملو، محمدزاده، صاحبی، ولدان زوج؛ نیما، علی، محمودرضا، محمدجواد؛ (1387)، طبقه بندی تصاویر ماهواره‌ای بزرگ مقیاس با استفاده از روش‌های مبتنی بر شبکه عصبی مصنوعی و مقایسه آن با روش حداکثر احتمال و حداقل فاصله از میانگین، همایش ژئوماتیک، سازمان نقشه برداری کشور، تهران.
10- قره چلو، سعید، (1389)، ارزیابی و مقایسه الگوریتم‌های مختلف طبقه‌بندی در تهیه نقشه شوری سطحی خاک، همایش ملی ژئوماتیک، تهران.
11- گودرزی، عباسپور، احدنژاد، خاکباز؛ سعید، رحیم، وحید، باهره؛ (1391)، مقایسه روش بردار پشتیبان با روش‌های حداکثر احتمال و شبکه عصبی برای تفکیک واحدهای سنگ‌شناسی، فصلنامه زمین‌شناسی ایران، سال ششم، شماره بیست و یکم.
12- نصیری، ع.و. (1377)، روش‌های طبقه‌بندی طیفی و فضایی در تهیه نقشه کاربری و پوشش اراضی، وزارت کشاورزی معاونت برنامه‌ریزی و بودجه اداره کل آمار و اطلاعات، شماره 26/77، تهران.
13- Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.
14- Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.
15- Howard, J. A. (1991). Remote sensing of forest resources: theory and application (Vol. 621). London: Chapman & Hall.
16- Lillesand, T. M. Kiefer, R. W., Remote sensing and image interpretation, John Weily& Sons Inc., New York, 749 p, 1994.
17- Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.
18- Otukei, J. R., & Blaschke, T. (2010). Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12, S27-S31.
19- Şatır, O., & Berberoğlu, S. (2012). Land Use/Cover Classification Techniques Using Optical Remotely Sensed Data in Landscape Planning. Landscape Planning, Dr. Murat Ozyavuz (Ed.), ISBN, 978-953.
20- Satir, O., Berberoglu, S., 2012. Land Use/Cover Classification Techniques Using Optical Remotely Sensed Data in Landscape Planning. Landscape Planning, InTech, Turkey Published, 22-54.
21- Van der Linden, S., Rabe, A., Okujeni, A., & Hostert, P. (2009). Image SVM classification. Application Manual: image SVM version, 2.
22- Yuan, F., Sawaya, K. E., Loeffelholz, B. C., & Bauer, M. E. (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote sensing of Environment, 98(2), 317-328.