ارزیابی کارایی توابع کرنل ماشین بردار پشتیبان و عملگرهای فازی شئ گرا در برآورد سطح پوشش برف با استفاده ازداده های ماهوارهSentinel – 2B - مطالعه موردی: کوه آلمابلاغ

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه جغرافیا (آب و هواشناسی)، دانشگاه پیام نور

2 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه پیام نور

10.22131/sepehr.2021.247893

چکیده

برآورد دقیق سطح پوشش برف به ­عنوان یکی از عملیات محوری و اساسی در زمینه مدیریت منابع آب، به­ ویژه در مناطقی که بارش برف سهم زیادی در نزولات جوی دارد محسوب می­ شود. بنابراین پایش پیوسته سطوح پوشیده از برف، از نظر مطالعات اقلیمی، اکولوژیکی و هیدرولوژیکی اهمیت ویژه ­ای دارد. امروزه در روند مدیریت کارآمد منابع آبی، به­ کارگیری داده­ های سنجش از دور با هدف کسب اطّلاعات دقیق از پوشش برف به ­صورت عملیاتی اجرا می­ شود. پژوهش حاضر با هدف مقایسه عملکرد توابع کرنل ماشین بردار پشتیبان و عملگر­های فازی شئ­ گرا در برآورد میزان سطح پوشش برف در کوه آلمابلاغ با استفاده از تصویر ماهواره Sentinel انجام گرفته است. در این راستا ابتدا عملیات پیش ­پردازش بر روی تصویر ماهواره ­ای اعمال گردید، سپس با استفاده از توابع کرنل ماشین بردار پشتیبان شامل توابع خطی، چند­جمله ­ای، پایه ­شعاعی و سیگموئید، فرآیند طبقه­ بندی پیکسل ­پایه انجام شد. همچنین پس از قطعه ­بندی، با استفاده از عملگر­های فازی شئ­ گرا شامل AND، OR، MGE، MAR، MGWE و ALP فرآیند طبقه ­بندی شئ­ گرا نیز انجام شد و میزان دقّت هر کدام از نقشه­ های تولیدشده محاسبه گردید و در آخر براساس الگوریتمی که دارای بیشترین دقّت بود، میزان سطح پوشش برف منطقه مورد مطالعه برآورد شد. در این تحقیق عملگر فازی AND دارای بیشترین مقدار دقّت در نقشه ­های تولید شده در بین هر دو روش بود. لذا براساس نتایج تحقیق، روش­ های پردازش شئ­ گرای تصاویر ماهواره­ ای در طبقه ­بندی تصاویر رقومی ماهواره ­ای به­ دلیل اینکه علاوه بر اطّلاعات طیفی از اطّلاعات مربوط به بافت، شکل، موقعیت، محتوا و ویژگی­ های هندسی نیز در فرآیند طبقه ­بندی استفاده می­ کنند در مقایسه با توابع کرنل ماشین بردار پشتیبان، دست­­یابی به دقّت بالاتر را امکان ­­پذیر می ­سازند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluate the efficiency of kernel functions of vector support machine and object-oriented fuzzy operators in estimating the level of snow cover using Sentinel-2B satellite data - Case study: Almabolagh Mountain

نویسندگان [English]

  • Mohammad Ghasem Torkashvand 1
  • Mostafa Mousapour 2
1 Assistant Professor, Department of Geography (Climatology), Payame Noor University
2 Master (employee) of Remote Sensing and Geographic Information System, Payame Noor University
چکیده [English]

Extended Abstract
 Introduction
The snow cover is one of the quickest changing phenomena on the earth that considerably affects the climate, amount of radiation, the balance of energy between atmosphere and earth, hydrology cycle and biogeochemical as well as human activities. Precise estimate of snow cover is regarded as one of the fundamental operations in precipitation. Thus, monitoring the snow-covered surfaces has special importance for the perspective of climatic, ecologic and hydrologic studies. The researchers believe that remote sensing data can lead to better assess from the snow-covered areas than traditional topography methods. Therefore, nowadays, in efficient management of water resources, remote sensing data aims to achieve exact information on snow-covered areasis applying operationally. Satellites are suitable tools to measure the mentioned areas since high snow reflection creates a good contrast with other natural surfaces except clouds. This research is conducted to compare the performance of Cornell functions of support vector and object-oriented Fuzzy operators in estimating the desired areas in Almabolaq Mountain, Asadabad.
Material & Methods
The data used in this research are the bands with 10 m spatial segregation of 2B Sentinel satellite including bands 2, 3, 4 and 8 on 6th March 2020. To classify Cornell functions of support vector machine and compute their accuracy, ENVI software was implemented. The eCognation software was used to partition and categorize those with the same object-oriented Fuzzy operators. Separating similar spectral sets and classifying those with the same spectral behaviour are regarded as satellite information classification. In other words, categorizing the photo pixels, and allocating one pixel to one class or phenomenon are the mentioned classification. Support vector machine that is one of the most common classifiers in learning machine, which divides data using an optimum separation super plate. One of the important advantages of support vector machine is the ability to deal with high dimensional data using almost less training samples for remote sensing applications. Objective analysis is an advanced technique of image processing which is used to assess the digital images and typical conflicts of basic pixel classification based on different methods. Traditionally, pixel-based analysis can be done by available data of each pixel whereas object-based analysis considers a set of similar pixels called objects or image objects. It regards adjacent pixels with the same information value as one distinct unit called piece or segment. In fact, pieces are the areas produced by one or few homogeneous criteria in one or few dimensions of a specific space, so that the pieces have extra spectral information in each band, mean, maximum and minimum amounts, variance, etc. as compared to single pixels. Combining the object-oriented and Fuzzy methods provides the classification of image pieces with a specific membership degree. In this process, image pieces with different membership degrees are classified in more than one class, so according to the membership degree, image piece classification is done leading to the increased final precision.
Results & Discussion
In this research, after preparing satellite images in SNAP software using Sen2Cor, radiometric correction was conducted on the images. To prepare the classification map of Cornell functions of support vector machine, TIFF satellite images were called by ENVI software. Using the shape file of the case study, the area cutting operation was done. Afterwards, two classes of snow and non-snow regions were created to pick up the training points, so based on imagery processing, training points were specified for each class. To classify support vector machine algorithm, linear, polynomial, radial and sigmoid Cornell functions were applied, so classification maps were separately produced. To draw the classification map of object-oriented Fuzzy operators, satellite images pre-processed in previous stages were called by eCognation software, then they were defined as a project. Afterwards, two mentioned classes were defined to do the classification process, for each class, the desired Fuzzy operator was determined. For suitable classification, it was done in various scales and weight coefficients of shape and compactness. Scale 75, shape 6.0 and compactness 8.0 presented suitable classification. The training samples, parameters of lighting, mean and standard deviations were chosen as distinct features of classes for object-oriented classification. Using the nearest adjacent neighbor algorithm, object-oriented classification was done for each of the Fuzzy operators. After drawing the snow-covered areas through Cornell functions of support vector machine and object-oriented fuzzy operators, the accuracy of classification was computed.
Conclusion
The results indicate that AND algorithm showing the logic share and minimum return value out of Fuzzy values is the highest accuracy (98%) and to classify digital images, the object-oriented processing methods of satellite imagery enable more precision due to the data related to texture, shape, position, content and geometrical features as compared to Cornell functions of support vector machine.
 

کلیدواژه‌ها [English]

  • Support Vector Machine
  • Fuzzy
  • Object-Oriented
  • Remote Sensing
  • Almabolagh
1- آستانی، پری پور، عزیزیان سروش؛ سجاد، محمود، امید(1391)، ارزیابی و امکان سنجی توانمندی های گردشگری منطقه حفاظت شده آلمابلاغ با استفاده از مدل SWOT، ششمین همایش ملی مهندسی محیط زیست، تهران، دانشگاه تهران.
2- ابراهیمی، غیبی، ملکوتی؛ هادی، ابوالحسن، حسین (1391)، روند تغییرات پوشش برف در مناطق برف خیز ایران با استفاده از داده های سنجنده مودیس، دو فصلنامه علمی و فنی نیوار، شماره 78 و 79، پاییز و زمستان 1391، صفحات 12-3.
3- پیشنمازاحمدی، محمدزاده؛ مجید، کیوان (1396)، ارزیابی الگوی تغییرات پوشش جنگلی با استفاده از تکنیک های فازی شئ گرا (مطالعه موردی: شهرستان کلیبر)، نشریه جغرافیا و پایداری محیط، سال هفتم، شماره 25، صفحات 111 - 95.
4- خسروی، طاوسی، رئیس پور، امیدی قلعه محمدی؛ محمود، تقی، کوهزاد، محبوبه (1396)، بررسی تغییرات سطوح پوشش برف در ارتفاعات زردکوه بختیاری با استفاده از سنجش از دور، نشریه هیدروژئومورفولوژی، شماره 12، پاییز1396، صفحات 44-25.
5- داداشی، مختاری، طیبا، زرنگ، حسن آبادی؛ مریم، محمدحسین، علیرضا، نسیم، علی (1393)، محاسبه سطح برف با استفاده از تصاویر سنجنده مودیس (مطالعه موردی: استان تهران)، نخستین همایش ملی کاربرد مدل های پیشرفته تحلیل فضایی در آمایش سرزمین، دانشگاه آزاد اسلامی واحد یزد.
6- دانشی، وفاخواه، پناهی؛ علیرضا، مهدی، مصطفی (1395)، مقایسه کارایی الگوریتم های ماشین بردار پشتیبان و حداکثر احتمال در آشکارسازی تغییرات کاربری اراضی (مطالعه موردی : حوضه آبخیز سیمینه رود)، نشریه سنجش از دور و GIS ایران، سال هشتم، شماره 2، صفحات 86 - 73.
7- رایگانی، خواجه الدین، سلطانی کوپانی، براتی؛ بهزاد، سید جمال الدین، سعید، سوسن (1387)، محاسبه تغییرات نقشه های پوشش برفی تهیه شده از تصاویر ماهواره ای مودیس در دوره های فاقد تصویر، نشریه علوم و فنون کشاورزی و منابع طبیعی، سال دوازدهم، شماره 44، تابستان 1387، صفحات 331-315.
8- رحیم پور، مرید، کریمی، آیدین؛ مرتضی، سعید، نعمت الله، هارون (1398)، ارزیابی روش های پیکسل مبنا و شئ گرا جهت تعیین تغییرات کاربری اراضی حوضه آبریز دریاچه وان و مقایسه آن با حوضه دریاچه ارومیه، نشریه تحقیقات منابع آب ایران، سال 15، شماره 1، صفحات 13 - 1.
9- رضایی مقدم، ولیزاده کامران، اندریانی، الماس پور؛  محمدحسین، خلیل، صغری، فرهاد (1394)، مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای)، نشریه جغرافیا و برنامه ریزی، سال 19، شماره 52، صفحات 183 - 163.
10 - صدیقی، وفاخواه، جوادی؛ فاطمه، مهدی، محمد رضا، (1394)، کاربرد شبکه عصبی مصنوعی در پیش بینی رواناب ناشی از ذوب برف (مطالعه موردی : حوضه آبخیز سد لتیان)، پژوهشنامه مدیریت حوضه آبخیز، سال ششم، شماره 12، پاییز و زمستان 1394. صفحات 54-43.
11- صمدزادگان، فردوسی؛ فرهاد، الهه (1392)، بررسی عملکرد الگوریتم های فرا ابتکاری جمعیت مبنا به منظور بهینه سازی پارامترهای ماشین های بردار پشتیبان در طبقه بندی تصاویر پلاریمتریک راداری، نشریه علوم و فنون نقشه برداری، دوره 3، شماره 3، صفحات 73 - 65.
12- طالبی اسفندارانی، علوی پناه، علی محمدی سراب،  روستا؛ سمیه، سیدکاظم، عباس، حسن، (1390)، جداسازی ابر از برف در تصاویر مودیس با استفاده از الگوریتم Snow Map و الگوریتم ماسک ابر، نشریه سنجش از دور و GIS ایران، سال سوم، شماره اول، بهار 1390، صفحات 90-71.
13- علیزاده ربیعی، حسن، (1391)، سنجش از دور (اصول و کاربرد)، انتشارات سمت، تهران.
14-  فاطمی، رضائی؛ سیدباقر، یوسف، (1393)، مبانی سنجش از دور، انتشارات آزاده، تهران.
15- فیضی زاده، پیرنظر، زندکریمی، عابدی قشلاقی؛ بختیار، مجتبی، آرش، حسن (1394)، ارزیابی استفاده از الگوریتم های فازی در افزایش دقت نقشه های کاربری اراضی استخراج شده با روش های پردازش شئ گرا، نشریه اطلاعات جغرافیایی(سپهر)، دوره 24، شماره 94، صفحات 117 - 107.
16- محجل، ایزدی کیان؛ محمد، لیلی (1386)، چین خوردگی های چندمرحله ای و سازوکار تشکیل آن ها در تکتونیک های موجود در ساختار گنبدی منطقه آلمابلاغ (باختر همدان)، نشریه علوم زمین، شماره 66، سال 17، صفحات 133-116.
17- مؤمنی، خسروی، مستأجران؛ مهدی، ایمان، بهنوش (1392)، شئ گرایی در پردازش تصاویر سنجش از دور، انتشارات دانشگاه اصفهان، اصفهان.
18- میریعقوب زاده، قنبرپور؛ میرحسن، محمدرضا، (1389)، بررسی کاربرد نقشه های پوشش برفی حاصل از تصاویر ماهواره ای مودیس در مدل سازی رواناب ذوب برف (مطالعه موردی: حوضه آبخیز سد کرج)، نشریه علوم زمین، تابستان 1389، سال نوزدهم، شماره 76، صفحات 141-148.
19- میرموسوی، صبور؛ سید حسین، لیلا، (1393)، پایش تغییرات پوشش برف با استفاده از تصاویر سنجنده مودیس در منطقه شمال غرب ایران، نشریه جغرافیا و توسعه، شماره 35، تابستان 1393، صفحات 181-200.
20-Blaschke, T. (2010), Object based image analysis for remote sensing, Journal of Photogrammetry and Remote Sensing, vol. 65, 2010. PP. 2-16.https://doi.org/10.1016/j.isprsjprs.2009.06.004
21- Feizizadeh, B. Blaschke, T. Tiede, D. and Rezaei Moghaddam, M, H. (2017).Evaluation Fuzzy Operators of an Object Based Image Analysis for Detecting Landslides and their Changes.Journal of Geomorphology. 293, Part A, PP.240-254https://doi.org/10.1016/j.geomorph.2017.06.002
22- Horne, F.E. & Kawas, M.L., (1997). Physics of the spatially averaged snowmelt process, Journal of Hydrology, No 191, P 179-207.
https://doi.org/10.1016/S0022-1694(96)03063-6
23- Hou, J. Huang, Ch. Zhang, Y. Guo, J. and Gu, J. (2019), Gap Filling of MODIS Fractional Snow Cover Products via Non-Local Spatio-Temporal Filtering Based on Machine learning Techniques, Journal of Remote Sensing, Vol 11(1).
https://doi.org/10.3390/rs11010090
24- Jozdani, Sh, E. Johanson, B.A. and Chen, D. (2019),Comparing Deep Neural Network Ensemble Classifiers and Support Vector Machine Algorithms for Object Based Urban Land Use/Land Cover Classification, Journal of Remote Sensing, Vol 11(14).https://doi.org/10.3390/rs11141713
25- Liu, C. Huang, Xi. Li, Xu. And Liang, T. (2020), MODIS Fractional Snow Cover Mapping Using Machine Learning Technology in a Mountainous Area, Journal of Remote Sensing, Vol 12(6), https://doi.org/10.3390/rs12060962
26 - Lopez, p. Sirguey, p. Arnaud, Y. Pouyaud, B. and Chevallier, P. (2008). Snow Cover monitoring in the Northern Patagonia Ice field using MODIS satellite images (2000-2006). Global and Planetary Change. Vol 61.
27- Molg, N. Rastner, P. Irsara, L. Notarnicola, C. Steurer, C. and Zebisch, M. (2010). Multi temporal MODIS snow cover monitoring over the alpine regions for civil protection applications in 30th EARSel symposium, 31st May, 3rd June.
28-Nanda, S. Yogesh palanivel, V. and Annadurai, R. (2016), SVM and OBIA based Comparative Analysis on LANDSAT Multi Temporal Data for Wetland Mapping, Indian Journal of Science and Technology, Vol 9(48).
29- Pepe, M. Boschetti, L. Brivio, P, A. and Rampini, A. (2010), Comparing the performance of fuzzy and crisp classifiers on remotely sensed images: a case of snow classification, International Journal of Remote Sensing, Vol. 31, No.23, PP. 6189-6203.https://doi.org/10.1080/01431160903401395
30-Priyadharshini, S. Rama Subramoniam, S. Ganesha Raj, K and Anandhi, V. (2019).Coconut Inventory and Mapping Using Object Oriented Classification.International journal of Current Microbiology and Applied Sciences, Vol.08, NO.08, PP, 58-65.
31- Rango, Albert, Salomonson, V.V. and Foster, J.L. (1977), Seasonal stream flow estimation in the Himalayan region employing meteorological satellite snow cover observation, Water Resources Research, 13, PP.109-112.
32- Sreekesh, S. Kaur, N and Sreerama Naik, S.R (2020), An OBIA and Rule Algorithm for Coastline Extraction from High and Medium Resolution Multispectral Remote Sensing Images, Journal of Remote Sensing in Earth Systems Sciences. https://doi.org/10.1007/s41976-020-00032-z