صفحه اصلی فهرست مقالات مشخصات مقاله
فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر»
شماره‌های پیشین نشریه
دوره دوره 26 (1396)
دوره دوره 25 (1395)
دوره دوره 24 (1394)
دوره دوره 23 (1393)
دوره دوره 22 (1392)
دوره دوره 21 (1391)
دوره دوره 20 (1390)
فیضی زاده, بختیار, پیرنظر, مجتبی, زندکریمی, آرش, عابدی قشلاقی, حسن. (1394). ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شیءگرا. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24(94), 107-117.
بختیار فیضی زاده; مجتبی پیرنظر; آرش زندکریمی; حسن عابدی قشلاقی. "ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شیءگرا". فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24, 94, 1394, 107-117.
فیضی زاده, بختیار, پیرنظر, مجتبی, زندکریمی, آرش, عابدی قشلاقی, حسن. (1394). 'ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شیءگرا', فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24(94), pp. 107-117.
فیضی زاده, بختیار, پیرنظر, مجتبی, زندکریمی, آرش, عابدی قشلاقی, حسن. ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شیءگرا. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 1394; 24(94): 107-117.

ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شیءگرا

مقاله 8، دوره 24، شماره 94، تابستان 1394، صفحه 107-117  XML اصل مقاله (1598 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
بختیار فیضی زاده1؛ مجتبی پیرنظر2؛ آرش زندکریمی2؛ حسن عابدی قشلاقی2
1استادیار گروه سنجش از دور دانشگاه تبریز
2دانشجوی کارشناسی ارشد سنجش از دور دانشگاه تبریز
چکیده
د‌‌رراستای هدف استخراج سریع نقشه‌‌های کاربری اراضی،تکنولوژی سنجش ازد‌‌وربه عنوان یک فناوری کارآمد‌‌شناخته شد‌‌ه که باارائه تصاویرماهواره‌‌ای امکا ناستخراج نقشه‌‌های کاربری اراضی رافراهم می آورد‌‌. سنجش ازد‌‌ورباارائه تصاویرماهواره‌‌ا ی با قد‌‌رت زمانی متفاوت مد‌‌لسازی وپایش تغییرات محیطی راممکن ساخته که این امر،گامی مهم د‌‌رمد‌‌یریت منابع طبیعی محسوب می‌شود‌‌. روشﻃﺒﻘﻪﺑﻨﺪیﺷﻲءﮔﺮامبتنی برالگوریتم‌‌های د‌‌انش پایه،یکی ازروش‌های کارآمد‌‌د‌‌رطبقه‌‌بند‌‌ ی تصاویرماهواره‌‌ای است که علاوه براستفاد‌‌ه ازاطلاعات طیفی تصاویرماهواره‌‌ای،امکانات لازم برای استفاد‌‌ه ازاطلاعات محیطی وویژگی‌‌های فیزیکی وهند‌‌سی پد‌‌ید‌‌ه‌‌های سطح زمین را فراهم می‌‌آورد‌‌. تحقیق حاضرباهد‌‌ف ارزیابی میزان افزایش د‌‌قت حاصله ازکاربردالگوریتم‌‌های د‌‌انش پایه فازی د‌‌رطبقه‌بند‌‌ی نقشه‌های کاربری/پوشش اراضی انجام شد‌‌ه است. د‌‌راین تحقیق به منظورمقایسه روش‌‌های شیءگرای طبقه‌بند‌‌ی تصاویرماهواره ای بد‌‌ون استفاد‌‌ه ازالگوریتم‌های فازی وروش‌های شیءگرابراساس الگوریتم‌های فازی،ازتصاویرسنجند‌‌ه‌یAVNIR2ماهواره‌‌ای  ALOS استفاد‌‌هگ رد‌‌ید‌‌ه‌ است ونقشهک اربری اراضی شهرستان مراغه باهرد‌‌وروش مذکوراستخراج شد‌‌ه است. نتایج حاصل ازارزیابی د‌‌قت نشان می‌‌د‌‌هد‌‌که نقشه کاربری اراضی تولید‌‌شد‌‌ه توسط روش‌‌های د‌‌انش پایه فازی باد‌‌قت کلی93/28 د‌‌رمقایسه بانقشه کاربری اراضی تولید‌‌شد‌‌ه توسط روش شیء‌گرا بد‌‌ون استفاد‌‌ه ازالگوریتم‌های فازی باد‌‌قت 88/06 د‌‌رصد‌‌ازاعتباربیشتری برخورد‌‌اراست. باتوجه به ماهیت مقایسه‌‌ای این تحقیق نتایج آن برای شناسایی روش‌‌های بهینه د‌‌رتولید‌‌وتهیه نقشه کاربری ا راضی ازاهمیت بالایی برخورد‌‌اربود‌‌ه ونقشه‌‌های تولید‌‌ شد‌‌ه نیزبرای سازمان‌‌های اجرایی (نظیرجهاد‌‌کشاورزی،منابع طبیعی و ...) ازارزش کاربرد‌‌ ی بالایی برخورد‌‌ارهستند‌‌.
کلیدواژه ها
سنجش از دور؛ روش های طبقه بندی شیءگرا؛ الگوریتم های فازی؛ تصاویر ALOS؛ نقشه کاربری اراضی؛ شهرستان مراغه
عنوان مقاله [English]
The effect of different classification algorithms knowledge base in the increase the accuracy of the maps of land use
نویسندگان [English]
Bakhtiar Feizizadeh, Mojtaba Pirnazar, Arash Zand karimi, Hassan Abedi Gheshlaghi
چکیده [English]
In order the rapid extraction, land use maps, remote sensing technology has been recognized as an efficient technology to provide satellite images enabling the extraction provides maps land use. Satellite remote sensing images in different temporal power modeling and monitoring changing environmental conditions that made it possible is an important step in the management of natural resources. The basic knowledge object-oriented classification the method based algorithm, an efficient the method for classification of satellite images, in addition of spectral data, satellite images, facilities for the use of environmental information and the physical and geometric characteristics of the land surface phenomena provides The present study aimed to evaluate the increase accuracy of classification utilize algorithms and fuzzy The basic knowledge maps use / land cover done. In this Study To evaluate and compare methods for objectoriented classification of satellite images using fuzzy algorithms and object-oriented methods based on the fuzzy algorithm, Alos Landsat satellite images were used to AVNIR2 sensor and Maragheh city maps and land with both of these methods have been used. The accuracy of the results of the evaluate the show that land use map produced by the the method of fuzzy The basic knowledge With an overall accuracy of 93.28 in comparison with land use map produced by the object-oriented the method using fuzzy algorithm with accuracy 88.06% of the credit is more according to the nature of this study was to compare the results to identify optimal methods are important in the production of land-use mapping And maps produced for performance agencies (such as agriculture, natural resources, etc.) are of high practical value.
کلیدواژه ها [English]
Remote sensing, Object-oriented classification methods, Fuzzy algorithms, ALOS images, Land use map, Maragheh city
مراجع

1- صفیانیان، خد‌‌اکرمی؛ علیرضا، لقمان؛ (1390). ﺗﻬﻴﻪ ﻧﻘﺸﻪ ﮐﺎرﺑﺮی اراﺿﻲ ﺑﺎ اﺳﺘﻔﺎد‌‌‌ه از روش ﻃﺒﻘﻪﺑﻨﺪی ﻓﺎزی (ﻣﻄﺎﻟﻌﻪ ﻣﻮرد‌‌‌ی ﺳﻪ زﻳﺮ ﺣﻮزه آﺑﺨﻴﺰ ﮐﺒﻮد‌‌‌ر آﻫﻨﮓ،رزن- ﻗﻬﺎوﻧﺪ و ﺧﻮﻧﺠﻴﻦ - ﺗﻠﺨﺎب د‌‌ر اﺳﺘﺎن ﻫﻤﺪان).مجله آمایش سرزمین، سال سوم،شماره چهارم.صفحات95-114.

2-  ﻓﯿﻀﯽ‌زاد‌‌ه، ﺑﺨﺘﯿﺎر (1386)، ﻣﻘﺎﯾﺴﻪ روش‌های ﭘﯿﮑﺴﻞ ﭘﺎﯾﻪ و ﺷﯽء ﮔﺮا د‌‌ر ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﻫﺎی ﮐﺎرﺑﺮی اراﺿﯽ،ﭘﺎﯾﺎن‌ﻧﺎﻣﻪ ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ، ﻣﺮﮐﺰ GIS د‌‌اﻧﺸﮕﺎه ﺗﺒﺮﯾﺰ.

3-  فیضی‌زاد‌‌ه، حاجی میررحیمی؛ بختیار، محمود؛‌‌ (1387). آﺷﮑﺎرﺳﺎزی ﺗﻐﻴﻴﺮات ﮐﺎرﺑﺮی اراﺿﻲ ﺑﺎ اﺳﺘﻔﺎد‌‌‌ه از روش ﻃﺒﻘﻪ‌ﺑﻨﺪی ﺷﻲﮔﺮا (ﻣﻄﺎﻟﻌﻪ ﻣﻮرد‌‌‌ی: ﺷﻬﺮک اﻧﺪﻳﺸﻪ). مجموعه مقالات همایش ژئوماتیک تهران.

4-  فیضی زاد‌‌ه، هلالی؛ بختیار، حسین؛ (1388). مقایسه روشﻫﺎی ﭘﻴﻜﺴﻞ ﭘﺎﻳﻪ، ﺷﻲءﮔﺮا و ﭘﺎراﻣﺘﺮﻫﺎی تأثیرگذار د‌‌ر طبقه‌بند‌‌ی پوشش/ ﻛﺎرﺑﺮی اراﺿﻲ اﺳﺘﺎن آذرﺑﺎﻳﺠﺎن ﻏﺮﺑﻲ.مجله پژوهش‌های جغرافیای طبیعی،شماره71.صفحات73-84.

5-  لطفی، محمود‌‌زاد‌‌ه،  عبد‌‌اللهی، سالک فرخی؛ صدیقه، حسن، مهدی، رقیه؛ (1389) ﮐﺎرﺑﺮد‌‌ تصاویر ﻣﺎﻫﻮاره‌ای اﺳﭙﺎت ﺑﺮای ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﮐﺎرﺑﺮی اراﺿﯽ ﺷﻬﺮﺳﺘﺎن ﻣﺮﻧﺪ ﺑﺎ روﯾﮑﺮد‌‌ ﺷﯽء ﮔﺮا. ﻣﺠﻠﻪﮐﺎرﺑﺮد‌‌ ﺳﻨﺠﺶ ازد‌‌ور و ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ د‌‌رﺑﺮﻧﺎﻣﻪ‌رﯾﺰی ﻓﺼﻠﻨﺎﻣﻪ،ﺳﺎل اول،ﺷﻤﺎره 2،زﻣﺴﺘﺎن 1389. صفحات 47-56.

6-  Baatz, M., & Schpe, A, 2000,  Multiresolution segmentation—an optimization approach for high quality multi-scale image segmenta-tion. In Strobl J., Angewandte Geographische Informationsverarbeitung XII. Beitra ¨ge zum AGIT- Symposium Salzburg, vol. 200. Karlsruhe7 Herbert Wichmann Verlag. pp. 12-23.

7- Blaschke, T., 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65, 2-16.

8- Blaschke, T., Lang, S., 2006. Object based image analysis for automated information extraction A synthesis. In: Measuring the Earth II ASPRS Fall Conference 6-10. November 2006, San Antonio, Texas, on CD-ROM.

9- Blaschke.T , 2009, Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, journal homepage: www.elsevier.com/locate/isprsjprs.pp.10-21.

10- Chaudhuri, B., & Sarkar, N. 1995. Texture segmentation using fractal dimension. IEEE Transactions on Pattern Analysis and Machine Intelligence,pp. 17, 72– 77.

11- Collingwood.A, Steven.E.F, Guo.X and Stenhouse.G,2009,  Amedium-resolution remote sensing classification of agriculture areas in Alberta grizzly bear habit, Can.J.Remote sensing, Vol.35, No.1.,2009, PP.23-36.

12- Dehvari. A, Heck R. J, 2009, Comparison of object-based and pixel based infrared airborne image classification methods using DEM thematic layer, Journal of Geography and Regional Planning Vol. 2(4), , April, 2009,Available online at http://www.academicjournals.org/JGRP ISSN 2070-1845 © 2009 Academic Journals, pp. 086-096

13- Dragut, L., Blaschke, T. (2006).  Automated classification of land form elements using objectbased image analysis.  Geomorphology 81, 330-344.

14- Draguţ, L., Eisank,C. (2012). Automated object-based  classification of topography from SRTM data, Geomorphology 141-142, 21-33.

15- Dubuisson-Jolly, M.-P. & A. Gupta, 2000. Color and texture fusion: application to aerial image segmentation and GIS updating. In: Image and Vision Computing (18): 823-832.

16- Feizizadeh.B, Blaschke.T. (2013) A SEMI AUTOMATED OBJECT BASED IMAGE ANALYSIS APPROACH FOR LANDSLIDE DELINEATION. The 2013 European Space Agency Living Planet SymposiumEdinburgh, United Kingdom from 9 to 13 September 2013. Available online at  (http://www.livingplanet2013.org/index.asp).

17- Jain, A. & F. Farrokhnia, 1991. Unsupervised texture segmentation using Gabor filters. In: Pattern Recognition vol. 24, no. 12, 1167-1186.

18- Hofmann, T., Puzicha, J., & Buhmann, J. 1998.  Unsupervised texture segmentation in a deterministic annealing framework. IEEE Transactions on Pattern Analysis and Machine Intelligence, NO20, pp.803-818

19- Martha, T.R., Kerle, N., Jetten, J., van Westen, C.J, Vinod Kumar, K. (2010). Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods, Geomorphology 116, 24-36.

20- Mao, J. & A. Jain, 1992.  Texture classification and segmentation using multiresolution simultaneous autoregressive models. In: Pattern Recognition, Vol. 25. 173-188.

21- Pal, R. & K. Pal, 1993. A  review on image segmentation techniques. Pattern Recognition 26, pp. 1277-1294.

22- Panjwani, D. & G. Healey, 1995. Markov random field models for unsupervised segmentation of  textured colour images. In: IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 17 (10), 939-954

23- Oruc, M., Marangoz, A. M., Buyuksalih, G., 2004. Comparison of pixel-based and objectoriented classification approaches using Landsat-7 ETM spectral bands. ZKU, Engineering Faculty,  67100 Zonguldak, Turkey.

24-  Ranjbar, H. and M. Honarmand,(2004). “Integration and analysis of airborne geophysical and ETM+ data for exploration  of porphyry type deposits in the Central Iranian Volcanic Bel”t , using classification, InternationalJournal of Remote Sensing, V.25, pp.4729-4741.

25- Walter, V., 2004. Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry and Remote Sensing 58

26- Yan, G., 2003. Pixel based and object oriented image analysis for coal fire research. Master Thesis, ITC, Netherlands.

27- Zhou. W., A. Troy and M. Grove,  2005,  Measuring urban parcel Lawn Greenness by using an objectoriented classification approach, Rubenstein School of  Environment and Natural Resources, University of Vermont, George D. Aiken Center, 81.

آمار
تعداد مشاهده مقاله: 9,664
تعداد دریافت فایل اصل مقاله: 1,861