ارزیابی تطبیقی تکنیک های پردازش پیکسل پایه و شیءگرا در طبقه بندی تصاویر ماهواره ایAster برای استخراج نقشه های اراضی کشاورزی و باغی در حاشیه شرقی دریاچه ارومیه

نوع مقاله: مقاله پژوهشی

نویسنده

دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز

10.22131/sepehr.2019.35645

چکیده

تحقیق حاضر نمونهای از کاربرد تکنولوژی سنجش از دور در مدیریت منابع کشاورزی است. در این تحقیق با پردازش رقومی تصاویر ماهوارهای Aster خرداد ماه سال2016   نقشههای کاربری اراضی حاشیه شرقی دریاچه ارومیه استخراج شده است. در این ارتباط در مرحله پیشپردازش، تصحیحات هندسی شامل زمین مرجع کردن، تصحیحات ارتفاعی و تصحیحات اتمسفری برروی تصاویر اعمال شد. در مرحله پردازش، پس از اعمال توابع آشکارسازی، متناسب با اهداف پژوهش طبقهبندی براساس الگوریتمهای شیءگرا و پیکسل پایه برروی تصاویر انجام شد. برای این منظور از الگوریتمهای حداکثر احتمال، متوازی السطوح و حداقل فاصله از میانگین تصاویر طبقهبندی استفاده شد. سپس، پردازش شیءگرای تصاویر ماهوارهای برروی تصاویر اعمال گردید. در این راستا، در ابتدا فرایند سگمنتسازی برروی تصاویر انجام شد و تصاویر متناسب با معیارهای همگنی، ضریب شکل و فشردگی مورد سگمنتسازی قرار گرفتند. طبقهبندی از نوع شیءگرا با استفاده از الگوریتمهای طیفی و مکانی و روش نزدیکترین همسایگی در محیط نرم افزارeCognition  طی مراحل مختلف پیاده شد.به منظور ارزیابی و مقایسه نتایج، ضرایب دقت کلی و کاپای طبقهبندی برای هر کدام از الگوریتمها استخراج و مشخص شد که در میان روشهای پیکسل پایه، الگوریتم طبقهبندی حداکثر احتمال با ضریب کاپای86/0و دقت کلی 67/88 درصد در مقایسه با سایر روشها، از دقت بالاتری برخوردار است. اما خود این الگوریتم نیز در مقایسه با روش شیءگرا از دقت کمتری برخوردار است، چرا که ضریب کاپای طبقهبندی حاصله معادل 93/0 و دقت کلی نیز معادل 20/94درصد برآورد گردید. 

کلیدواژه‌ها


عنوان مقاله [English]

A comparative evaluation of Pixel-Based and Object-Oriented processing techniques, used for the classification of Aster Satellite imageries and extracting agricultural and orchard maps in the Eastern Margin of Urmia Lake

نویسنده [English]

  • Bakhtiar Faizizafeh
Associated Professor, department of remote sensing and GIS, University of Tabriz
چکیده [English]

Introduction
Nowadays, detailed land cover and land use information is considered to be an important research topic in geosciences, environmental changes and natural resources.  In this regard, monitoring agricultural land-use provides essential information for land use planners and decision makers. Multiple methods are used for monitoring agricultural land use from remotely sensed images. Object-oriented techniques used for processing satellite images makes high accuracy recognition of various land use patterns possible. Compared to traditional pixel-based approaches, these techniques reach a higher accuracy in extracting land-use information from satellite imageries using geometric information and features of different phenomena. In fact, object oriented methods relay on processing unit or image objects made by the integration of homogenized pixels in the segmentation process. Once segments are formed, various indices and spatial information like texture, pattern, form, content, and etc. are applied on processing units. In this way, identifying appropriate land use classes based on geometric features becomes possible. As compared to traditional pixel-based methods, these methods are more flexible and thus can apply a combination of spectral and spatial information. The main goal of the present article is to develop land-use maps and to evaluate agricultural activities in eastern basin of Urmia Lake using object-oriented processing techniques.
 
Study area and martial
The study area was chosen based on a mixture of agricultural land use, human settlements, and salt marshes in Urmia lake eastern margins. The main goal of the present study was to produce accurate maps of agricultural systems in Urmia lake eastern margins. Thus, various agricultural land uses were extracted from satellite imageries with an emphasis on orchard land use classes. Training data were collected through field operation using GPS. Moreover, 1:25000 scale topographic maps were used for geometric correction and rectifying of the satellite images.
 
Methods and techniques
Various agricultural and orchard land use were extracted from Aster satellite imageries received in 2016. In pre-processing stage, geometric correction including geo-referencing, orthorectification and atmospheric corrections were performed on imageries. In processing stage, detection functions were applied and images were then classified according to the research goals based on pixel-based and object-oriented algorithms. In this regard, maximum likelihood, parallelepiped, and minimum distance algorithms were used to classify images. Segmentation process was performed based on homogeneity, shape and compactness parameters. Accordingly, the geometric and spectral algorithms were used for modeling each class in object-oriented environment and object-oriented classification was applied based on nearest neighbor algorithm.
 
Results
Using object oriented and pixel based processing techniques, four land use maps were extracted. In order to evaluate and compare final results, overall accuracy and Kappa coefficients were extracted for each algorithm. Results indicate that among pixel-based classification algorithms, maximum likelihood algorithm with overall accuracy of 87.67 percent and kappa coefficient of 0.86 is more accurate than other methods. However, with a Kappa coefficient of about 0.93 and overall accuracy of 94.20 percent, this algorithm has a lower accuracy level as compared to object-oriented methods.
 
Discussion and conclusion
Results indicate that compared to pixel based techniques, object oriented processing techniques possesses a higher potentiality for extracting agricultural land use. The main advantage of object oriented methods is that they employ a combination of spatial information, spectral information and integrate them with GIS and remote sensing datasets. Moreover, using texture and shape algorithms in object based classification leads to improved accuracy of land use maps. Besides, it is possible to improve the accuracy of results using effective techniques in object oriented classification. According to research findings, object oriented techniques provide an effective method for classification of satellite imageries and extraction of land use maps. It is possible to use these techniques in landscape planning, natural resources, regional land-use and land-cover changes, sustainability of land cover, and etc. 

کلیدواژه‌ها [English]

  • Agricultural land use sub-class
  • Pixel-Based and Object-Oriented classification methods
  • Aster images

1- حیدریان، رنگزن، ملکی، تقی‌زاده؛ پیمان،  کاظم، سعید، ایوب، (1392). پایش تغییرات کاربری اراضی با استفاده از روش مقایسه پس از طبقه بندی تصاویر ماهواره  لندست (مطالعه موردی: اراضی شهر تهران)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی،4 (4)،  صفحات-1.

2- رضایی مقدم، رضایی بنفشه؛ فیضی‌زاده؛ نظم‌فر؛ محمدحسین، مجید، بختیار، حسین؛ (1389). طبقه‌بندی پوشش اراضی/کاربری اراضی براساس تکنیک شیءگرا و تصاویر ماهواره‌ای، مطالعه موردی:استان آذربایجان غربی. پژوهش های آبخیزداری، 23(2)، صفحات 19-32.

3- فیضی‌زاده، سلمانی؛ بختیار، سعید، (1395). مدل‌سازی تخریب اراضی کشاورزی بر اثر رشد و توسعه شهری با بکارگیری روش‌های شیءپایه پردازش تصاویر ماهواره‌ای، آمایش سرزمین، (2)8، صفحات 202-177

4- فیضی‌زاده، پیرنظر؛  زند کریمی؛ عابدی؛ بختیار، مجتبی، آرش، حسن؛ (1394). ارزیابی استفاده از الگوریتم‌های فازی در افزایش دقت نقشه‌های کاربری اراضی استخراج شده با روش‌های پردازش شیءگرا، فصلنامه علمی پژوهشی اطلاعات جغرافیایی، 24(94)، صفحات 118-8.

5- فیضی‌زاده، هلالی؛ بختیار، حسین؛ (1388). مقایسه روش‌های پیکسل پایه و شیءگرا و پارامترهای تأثیرگذار در طبقه‌بندی پوشش/کاربری اراضی استان آذربایجان غربی، نشریه پژوهش‌های جغرافیای طبیعی، شماره 71، صفحات 73-84.

6- فیضی‌زاده، جعفری، نظم‌فر؛ بختیار، فیروز، حسین؛ (1387). کاربرد داده‌های سنجش از دور در آشکارسازی تغییرات اراضی شهری، دانشگاه تهران، نشریه هنرهای زیبا، شماره 34،صفحات 24-17.

7- فیضی‌زاده، ولیزاده کامران؛ حیدری؛  بختیار، خلیل،  حسن، (1388). برآورد سطح زیر کشت تاکستان‌های شهرستان ملکان با استفاده از تصاویر ماهواره‌ای SPOT 5، دانشگاه تبریز، نشریه جغرافیا و برنامه‌ریزی، 14، صفحات60-47.

8- فیضی‌زاده، عزیزی؛ ولیزاده کامران؛ بختیار، حسین، خلیل؛ (1386). استخراج کاربری‌های اراضی شهرستان ملکان با استفاده از تصایر ماهواره‌ای ETM+ لندست 7، مجله آمایش، 3، صفحات 24-1.

9- میرزایی‌زاده، نیک‌نژاد؛ جعفر اولادی قایداکلی؛ وحید، مریم، جعفر؛ (1394). ارزیابی الگوریتم‌های طبقه‌بندی نظارت شده غیر پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصایر لندست 8، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6 (3)، صفحات 44-29.

10- Aksoy, B; M, Ercanoglu, (2012). Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey),” Computer and Geoscince, 38, pp. 87– 98.

11- Blaschke, T; B, Feizizadeh; D, Holbling, (2014). Object-Based Image Analysis and Digital Terrain Analysis for Locating Landslides in the Urmia Lake Basin, Iran, IEEE  Journal of Slected Topics in Applide Earth Observerion and Remote Sensing, DOI: .19/JSTARS.2014.2350036

12- Blaschke, T, (20). Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65, pp. 2–16.

13- Chavez, P.S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multi-spectral data, Remote Sensing of Environment, 24 (3),1988.pp.459-479.

14- Chankon, K; S, Iabchoon; S, Wongsai. (2015). Urban landuse mapping on object based image analysis using world world view 3 image satllie imagery, Asian, Associan on Remote sensing,pp. 1-9.

15- Chen, M; W, Su; L, Li; Z, Chao; A, Yue; H, Li H. (2009). of Pixel-based and Object-oriented Knowledge- based Classification Methods Using SPOT5 Imagery, Wseas Transactions on Information Science and Applications, ISSN: 1790-0832, pp, 477-489

16- Dehvari, A; A.J, Heck. (2009). Comparison of object-based and pixel based infrared airborne image classification methods using DEM thematic layer, Journal of Geography and Regional Planning, 2(4), pp. 086-096,

17-  Goodin, D.G; K.L, Anibas; M, Bezymennyi. (2015). Mapping land cover and land use from object-based classification: an example from a complex agricultural landscape, International Journal of Remote Sensing, 35(18), pp. 4702-4723.

18- Grebby, S; E, Field; K, Tansey. (2016). Evaluating the Use of an Object-Based Approach to Lithological Mapping in Vegetated Terrai, Remote Sensing. 8, 843; doi:.3390/rs80843.

19- Hay, G. J; T, Blaschke. (20).Foreword special issue: Geographic objectbased image analysis (GEOBIA), Photogramm. Enginiring Remote Sensing, 76(2), pp. 121–122.

20- Huili, Y; M, Ronghua; J, Luo. ( 2015). Mappin orchards on plain terrains using multi-temporal medium-resolution satellite imagery, Applide Engineering in Agriculture.

21- Lillesand, T. M; R.W, Kiefer. (200. Remote sensing and image interpretation, John Weily& Sons Inc., New York, p 749.

22- Lindquist, E; R, Dannunzio R. (2016). Assessing global forest land-use change by object-based image analysis, Remote Sensing, 8, 678; doi: .3390/rs8080678.

Li. X; G, Shao. (2014). Object-based land-cover mapping with high resolution aerial photography at a county scale in midwestern USA, Remote Sensing, 6, pp.11372-11390.

23- Li, X.; S.W, Myint; Y, Zhang; C, Galletti; X, Zhang; B, Turner; L, II. (2014). Object-based land-cover classification for metropolitan Phoenix, Arizona, using aerial photography. Interantional Journal of Earth Observartion and Geoinformatics, 33, pp. 321-330.

24-  Platt, R. V; T, Schoennagel. (2009). An object-oriented approach to assessing changes in tree cover in the colorado front range 1938-1999, Forest Ecology and Management, 258, pp. 1342–1349.

25- Tabib Mahmoudi. F; F, Samadzadegan; P, Reinartz. (2015). Context aware modification on the object based image analysis, Society of Remote Sensing, doi: .07/s12524-015.

26- Tabib Mahmoudi. F; F, Samadzadegan; P, Reinartz. (2013). Object oriented image analysis based on multi-agent recognition system, Computers & Geosciences, 54, pp.219-230.

27- Turner, B.L; A.C, Janetos; P.H, Verburg; A.T, Murray. (2013) Land system architecture: Using land systems to adapt and mitigate global environmental change. Glob. Environ. Change, 23, pp.  395-397.