استخراج نقشه کاربری اراضی با استفاده از مقایسه الگوریتم های مختلف طبقه بندی پیکسل پایه و شئ گرا؛ مطالعه موردی: شهر زنجان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه محقق اردبیلی، اردبیل، ایران

3 دانشجوی کارشناسی ارشد ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

4 مربی دانشگاه محقق اردبیلی، اردبیل، ایران

10.22131/sepehr.2019.36623

چکیده

این پژوهش با هدف استخراج نقشه کاربری اراضی شهری، با استفاده از مقایسه الگوریتمهای مختلف طبقهبندی پیکسلپایه و شئگرا میباشد. در این راستا الگوریتمهای طبقهبندی پیکسلپایه ماشین بردار پشتیبان، حداکثر احتمال، شبکه عصبی مصنوعی، حداقل فاصله از میانگین، سطوح موازی و فاصله ماهالانوی مورد استفاده قرار گرفتند. در ادامه به مقایسه روشهای مذکور با طبقهبندی شئگرا جهت تهیه نقشه کاربری اراضی شهر زنجان با استفاده از تصویرماهوارهایSentinel-2 با قدرت تفکیک مکانی  10 متر پرداخته شد. به منظور انجام پردازش تصویر مورد استفاده از نرمافزارهای ENVI 5.3، SNAP،eCognition و ArcGISاستفاده شده است. برای مقایسه عملی نتایج، در هر دو روش از دادههای آموزشی یکسان برای طبقهبندی استفاده گردید؛ سپس مهمترین روشهای ارزیابی صحت شامل دقتکلیو ضریب کاپای طبقهبندی استخراج شد. نتایج بدست آمده، نشان میدهد که از بین روشهای طبقهبندی پیکسلپایه مورد استفاده در این مطالعه، روشهای طبقهبندی حداکثر احتمال و روش حداقل فاصله تا میانگین با ضریب کاپای به ترتیب 95/0درصد و 85/0 درصد از دقت قابل قبولی برخوردار هستند. همچنین مقایسه نتایج حاصل از طبقهبندی پیکسلپایه و شئگرا  نشان داد که روش شئگرا با اعمال پارامترهای مؤثر در طبقهبندی و توسعه قوانین جهت اطلاح طبقهبندی اولیه شئگرا با ضریب کاپای 95/0 درصد از نظر دقت در استخراج  نقشه کاربری اراضی از روشهای پیکسلپایه از اولویت برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Extracting Land Use Map based on a comparison between Pixel-Based and Object-Oriented Classification Methods Case Study: Zanjan City

نویسندگان [English]

  • Sayyad asghari Saraskanrood 1
  • behrooz khodabandelo 2
  • Ahmad Naseri 3
  • Ali moradi 4
1 Associate professor of Geomorghology, University of Mohaghegh Ardabili, Ardabil, Iran
2 MSc. Student of Remote Sensing and GIS, , University of Mohaghegh Ardabili, Ardabil, Iran
3 MSc Student of Geomorghology, University of Mohaghegh Ardabili, Ardabil, Iran
4 University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

Extended Abstract
Introduction
Currently, two general methods are used for classification of digital satellite images: pixel-based and object-oriented processing. Unlike pixel-based Methods, object-oriented techniques employ different geometric, spatial, spectral, and form-based algorithms, and selecting the most efficient algorithm in this process requires a lot of experience in image processing. In addition, multiple algorithms usually offer different results and this in many cases makes the selection of efficient algorithms difficult. In general, pixel-based classification includes supervised and unsupervised methods. Examples of these methods include maximum likelihood, neural network and support vector machine. Maximum likelihood method is one of the most effective methods used for image classification. Object-oriented methods take advantage of knowledge-based algorithms, and thus overcome problems pixel-based method faces because of not using geometric and textual information. In order to achieve high classification accuracy, two methods of pixel-based and object-oriented classification are compared in this research. On the one hand, integrated planning and management of urban areas, and on the other hand, collecting reliable information regarding land use makes this kinds of studies indispensable.
Materials&Methods
Present study seeks to extract urban land use map. Thus, necessary data was received from Sentinel-2. Moreover, ENVI 5.3, eCognation 9, SNAP, ArcGIS 10.3, Google Earth, and land-use data were also used to process images and analyze data. In SNAP, atmospheric correction process was performed on images collected from the study area using SEN2COR plug-in. Samples collected from each class of Sentinel-2 satellite image were mapped on the image area. Pixel classification algorithms, support vector machines, maximum likelihood, artificial neural network, Minimum Distance to Mean (MDM), parallelepiped and Mahalanobis distance were used. Finally, land use classes (residential, gardens and green spaces, wastelands and passageways) in the study area were mapped using different classification algorithms. For object-oriented classification using nearest neighbor algorithm, the satellite image was first segmented in eCognation software using the Multiresolution Segmentation Algorithm. Parameters such as scale, shape and compactness were also studied in the image segmentation stage. Through trial and error, an appropriate value was selected for parameters used in segmentation. For practical comparison of the results, the same educational data was used in both object-oriented and pixel-based classification methods. Then, the most important methods for assessing accuracy including overall precision and kappa coefficient were extracted.
Results & Discussion
As one of the most important methods used for extracting information from remotely sensed images, classification allows users to produce various types of information such as coverage maps, and land-use maps. Classification of satellite data includes segregation of similar spectral sets and classification of sets with the same spectral behavior. Regarding the resolution of images used (10 m) in this study, only 4 land-use classes possessed the required resolution capability for pixel-based classification of Sentinel-2 satellite images. These classes include built-up (residential) area, waste land, urban green space and street network. In this regard, support vector machine, maximum likelihood, artificial neural network, Minimum Distance to Mean, parallelepiped and Mahalanobis distance were used for classification. Classification results indicate that compared to other pixel-based methods, maximum likelihood method and Minimum Distance to Mean method show a precision of 85% or higher.
In present study, geometric properties of land use classes (including scale, shape, and compactness) were used for segmentation and this process was performed by multiresolution method. For this purpose, results of image segmentation process were analyzed based on different parameters (with different scales) and spatial resolution of the image. In this way, appropriate values for segmentation were selected based on the specific features of the study area (an urban environment) through trial and error. Then, the proper image segmentation was selected and prepared for the classification stage using the above mentioned parameters. In the next step, 20 effective parameters including statistical indices, mean score of bands, NDVI index, standard deviation of the bands and geometric index were used for classification.
Conclusion
The present study took advantage of six pixel-based methods (Support Vector Machine, Maximum Likelihood, Neural Network, Minimum Distance to Mean, Parallelepiped, and Mahalanobis) along with object-oriented classification method to produce a land-use map for Zanjan city. The accuracy of classification in different methods were compared and statistically analyzed using overall accuracy coefficient, kappa coefficient, user’s accuracy, and producer’s accuracy. The results of statistical analysis of the accuracy coefficients indicated that Minimum Distance to Mean and Maximum Likelihood method -with a Kappa coefficient of 90% and 85% respectively- are acceptable methods for land use mapping. Moreover, comparing pixel-based and object-oriented methods, it is possible to conclude that object-oriented approach with a Kappa coefficient of 0.95% and overall accuracy of 97.9% shows a higher potentiality. Nearest Neighbor algorithm is one of the most important reasons for achieving this high accuracy in object-oriented classification. In addition to the spectral information, this method uses information collected about issues like texture, form, position, and content for the classification process.
Methods used in this study prove the accuracy of objective-oriented technique by employing effective parameters and developing rules to modify the initial classification of object-oriented technique. Another advantage of object-oriented method (as compared to pixel-based methods) is that apart from spectral information and statistical data, it is possible to apply several other indicators such as shape, texture, color, dimensions and altitude of the phenomena in the final land use map produced by this method. Finally, it should be noted that object-oriented classification has been developed for high resolution spatial data.

کلیدواژه‌ها [English]

  • Land use
  • Maximum Likelihood
  • Object-Oriented
  • Classification parameters
  • Zanjan City

1 - آرخی، ادیب‌نژاد؛ صالح، مصطفی؛ 1390، ارزیابی کارایی الگوریتم‌های ماشین بردار پشتیبان جهت طبقه‌بندی کاربری اراضی با استفاده از داده‌های ماهواره‌ای ETM لندست (مطالعه موردی: حوضه سد ایلام)، فصلنامة علمی-پژوهشی تحقیقات مرتع و بیابان ایران، دوره 18، شماره 3، صفحات 420-440.

2 - اسلمی، قربانی، سبحانی، پناهنده؛ فرنوش، اردوان، بهروز،محسن؛ 1394، مقایسه روش‌های شبکه عصبی، ماشین بردار پشتیبان و شئ‌گرا در استخراج کاربری اراضی و پوشش اراضی از تصاویر لندست،  مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، دوره 6، شماره 3، صفحات 1-14.

3 - اکبری، سلیمانی، حبیب‌نژاد، رئیسی؛ مسلم، کریم، محمود، محسن؛ 1390، کاربرد سنجش ‌از دور و GIS در ارزیابی تغییرات کاربری اراضی (مطالعه موردی: حوضه آبخیز نورآباد لرستان)، همایش ژئوماتیک 1388، سازمان نقشه‌برداری کشور.

4 - جوری، سرور، منیری؛ آمنه، رحیم، جاوید؛ 1394، بررسی امکان ایجاد پیاده راه‌های گردشگری در مراکز شهری مورد شناسی مرکز شهر زنجان، جغرافیا و آمایش شهری- منطقه‌ای، سال 5، شماره 15، صفحات 155-176.

5 - حدادی، صاحبی، مختارزاده، فتاحی؛ عطاءالله،محمدرضا، مهدی، هیرش؛ 1388، ارائه روشی ترکیبی از شبکه‌های عصبی نظارت‌شده ونظارت‌ نشده در طبقه‌بندی تصاویر سنجش از دور، سنجش ازدور و GIS ایران، دوره 1، شماره 3، صفحات 33 – 50.

6 - راهداری، ملکی‌نجف آبادی، راهنما؛ وحید، سعیده، محمد؛ 1388، مقایسة روش‌های طبقه‌بندی تصاویر ماهواره (نظارت شده ونظارت نشده) در تهیة نقشه کاربری اراضی و پوشش اراضی مناطق خشک و نیمه خشک (مطالعة موردی: پناهگاه حیات وحش موته)، همایش ملی ژئوماتیک 1388، تهران.

7 - ربیعی‌فر، زیاری، حقیقت‌نایینی؛ ولی‌اله، کرامت‌اله، غلامرضا؛ 1392، ارزیابی توسعه پایدار شهر زنجان از دیدگاه زیست محیطی بر پایه‌ی تکنیک SWOT، مطالعات و پژوهش‌های شهری و منطقه‌ای، دوره 4، شماره 16، صفحات 105-130.

8 - رسولی، علی‌اکبر، 1387، مبانی سنجش از دور کاربردی با تأکید بر پردازش تصاویر ماهواره‌ای، انتشارات دانشگاه تبریز، چاپ اول، تبریز، صفحات 703.

9 - سفیانیان، محمدی توفیـق، خداکرمی، امیری؛ علیرضا، الهه، لقمان، فاضل؛ 1390، تهیة نقشه کاربری اراضی با استفاده از روش شبکه عصبی مصنوعی (مطالعة مـوردی: حوضه آبخیز کبودرآهنگ،رزن و خونجین-تلخاب در استان همدان)، مجلة کاربردسنجش از دور و GIS در علوم منابع طبیعی، دوره 2، شماره 1، صفحات 1-11.

10 - شهرداری زنجان، 1392، آمارنامه شهر زنجان، فصل اول، سرزمین و آب و هوا.

11 - علوی پناه، سیدکاظم، 1392، کاربرد سنجش از دور در علوم زمین (علوم خاک)، انتشارات دانشگاه تهران، چاپ چهارم، تهران، صفحات 478.

12 - فاطمی، رضایی؛ سید باقر، یوسف، 1391، مبانی سنجش از دور، انتشارات آزاده، چاپ سوم، تهران، صفحات 296.

13 - فتاحی، نوروزی، آبکار، خلخالی؛ محمد مهدی، علی‌اکبر، علی‌اکبر، سیدعلی؛ 1386، مقایسه روش‌های طبقه‌بندی و تهیة نقشه استفاده از اراضی مناطق خشک با استفاده از تصاویر ماهواره‌ای، پژوهش سازندگی در منابع طبیعی، دوره 20، شماره 3، صفحات 129-135.

14 -  فیضی‌زاده، پیرنظر، زندکریمی، عابدی قشلاقی؛ بخیار، مجتبی، آرش، حسن؛ 1394، ارزیابی استفاده از الگوریتم‌های فازی در افزایش دقت نقشه‌های کاربری اراضی استخراج شده با روش‌های پردازش شئ‌گرا، فصلنامه علمی - پژوهشی اطلاعات جغرافیایی، دوره 24، شماره 94، صفحات 107-117.

15 - نیاری، اختصاصی، ملکی‌نژاد، حسینی، مرشدی؛ یعقوب، محمدرضا، حسین، سید زین‌الدین، جعفر؛ 1389، مقایسه دو روش طبقه‌بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوضه سد ایلام)، جغرافیا و توسعه، دوره 8، شماره 20، صفحات 119 -132.

16 - یوسفی، تازه، میزایی، مرادی، توانگر؛ صالح، مهدی، سمیه، حمیدرضا، شهلا؛ 1393، مقایسه الگوریتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیه نقشه کاربری اراضی (مطالعة موردی: شهرستان نور)، مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، دوره 5، شماره 3، صفحات 67-76.

17. Al-Ahmadi, F. S., A. S. Hames. (2009). Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia. JKAU, Earth Science, 20 (1): 167- 191.

18. Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing, 65(1), 2-16.

19. Chen, M., Su, W., Li, L., Zhang, C., Yue, A., & Li, H. (2009). Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications, 3(6), 477-489.

20. Dixon, B., & Candade, N. (2008). Multispectral landuse classification using neural networks and support vector machines: one or the other, or both?. International Journal of Remote Sensing, 29(4), 1185-1206.

21. Draguţ, L., c  Eisank,. (2012). Automated objectbased classifcation of topography from SRTM data, Geomorphology 141(20): 21–33.

22. Foody, G. M. (2004). Thematic map comparison. Photogrammetric Engineering & Remote Sensing, 70(5), 627-633.

23. Gao, Y., Mas, J. F., & Navarrete, A. (2009). The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data. International Journal of Digital Earth, 2(3), 219-236.

24. Goodin, D. G., Anibas, K. L., & Bezymennyi, M. (2015). Mapping land cover and land use from object-based classification: an example from a complex agricultural landscape. International Journal of Remote Sensing, 36(18), 4702-4723.

25. Gorte, B. (1998). Probabilistic segmentation of remotely sensed images. ITC.

26. Hoffmann, A., & Van der Vegt, J. W. (2001). New sensor systems and new classification methods: laserand digital camera-data meet object-oriented strategies. GeoBIT/GIS, 6, 18-23.

27. Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification. International Journal of remote sensing, 23(4), 725-749.

28. Jensen, J. (2005). Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, NJ: Prentice Hall. 526.

29. Kavzoglu, T., & Mather, P. M. (2003). The use of backpropagating artificial neural networks in land cover classification. International journal of remote sensing, 24(23), 4907-4938.

30. Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing, 28(5), 823-870.

31. 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.

32. Perumal, K., & Bhaskaran, R. (2010). Supervised classification performance of multispectral images. arXiv preprint arXiv:1002.4046.

33. Richards, J. A. (2013). Supervised classification techniques. In Remote Sensing Digital Image Analysis (pp. 247-318). Springer, Berlin, Heidelberg.

34. Richards, J. A., & Jia, X. (1999). Remote sensing digital image analysis: An introduction Springer-Verlag. Berlin, Germany, 240.

35. Wentz, E. A., Stefanov, W. L., Gries, C., & Hope, D. (2006). Land use and land cover mapping from diverse data sources for an arid urban environments. Computers, Environment and Urban Systems, 30(3), 320-346.

36. WWW.Earthexplorer.usgs.gov

37. Yan, G. (2003). Pixel based and object oriented image analysis for coal fire research. ITC..