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

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه سنجش از دور دانشگاه تبریز

2 دانشجوی 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 ن استخراج 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 استفاد‌‌ه گرد‌‌ید‌‌ه‌ است ونقشه کاربری 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.

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the Use of fuzzyAlgorithms in increasing the Accuracy of Land Use Maps by object-oriented Processing Methods

نویسندگان [English]

  • Bakhtiar Feizizadeh 1
  • Mojtaba Pirnazar 2
  • Arash Zand karimi 2
  • Hassan Abedi Gheshlaghi 2
1 Assistant Professor, Department of Remote Sensing, University of Tabriz
2 Master Student of Remote Sensing, University of Tabriz
چکیده [English]

In line with the goal of rapid extraction of land use maps, remote sensing technology has been recognized as an efficient technology which provides the possibility for extraction of land use maps by presenting satellite imagery.By providing different satellite images with various temporal power, remote sensing has made the modeling and monitoring of the environmental changes possible, which is an important step in the management of natural resources.The object-oriented classification method based on knowledge-based algorithms is one of the effective methods for classification of satellite imagery which, in addition to the use of satellite imageryspectral information, provides the necessary facilities for using environmental information and physical and geometric properties of the land surface phenomena.The present researchwas conducted with the aim of evaluating the increase rate in the accuracy resulted from the application of knowledge-basedfuzzyalgorithms in the classification of land use / land cover maps.In this research, the AVNIR2 sensor images of the ALOS satellite have been used to compare the object-oriented methods of satellite imagery classification without using fuzzy algorithms and object-oriented methods based on fuzzy algorithms and the land use map for the city of Maragheh has been extracted by both of the aforementioned methods. The results of the accuracy assessment show that the land use map produced by knowledge-based fuzzy methods with a general accuracy of 93.38 is more reliable compared with the land use map produced by the object-oriented method without using fuzzy algorithms with an accuracy of 88.66%. Given the comparative nature of this research, its results have been of great importance in identifying the optimal methods for production and preparation of land use maps, and the produced maps have also a high applied value for the executive organizations (such as agricultural Jihad, natural resources, etc.).

کلیدواژه‌ها [English]

  • Remote Sensing
  • Object-oriented classification methods
  • Fuzzy algorithms
  • ALOS images
  • Land use map
  • Maragheh city

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.