بررسی مقایسه‌ای روش‌های چندگانة طبقه‌بندی جهت تهیّة نقشة کاربری سرزمین (مطالعة موردی: حوضة آبخیز رودخانه‌های کن و کرج)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد محیط‌زیست، دانشگاه کاشان، کاشان، ایران

2 استادیار محیط‌ز‌یست، دانشگاه کاشان،، کاشان، ایران

3 استادیار مدعو محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران

چکیده

مدیریت سرزمین در راستای توسعة پایدار، نیازمند داده‌های قابل اعتماد و به روز کاربری سرزمین و پهنه‌بندی تغییرات آن در مقیاس‌های مختلف مکانی و زمانی است. در این راستا، مدیریت منابع آب با هدف حفظ کیفیّت آن برای مصارف گوناگون نیز مستلزم بررسی کاربری سرزمین و تغییرات آن در سطح حوضة آبخیز است. بر این اساس، هدف اوّلیّة پژوهش حاضر، ارزیابی کارایی روش‌های مختلف سنجش از دور در طبقه‌بندی داده‌های طیفی سنجنده OLI جهت تهیّة نقشة کاربری سرزمین در حوضة آبخیز رودخانه‌های کن و کرج است. با استفاده از نُه روش طبقه‌بندی شامل حداقل فاصله از میانگین، سطوح موازی، فاصلة ماهالانویی، زاویة طیفی، واگرایی اطّلاعات طیفی، کدهای باینری، بیشینة احتمال، شبکة‌ عصبی مصنوعی و ماشین بردار پشتیبان نقشة کاربری سرزمین حوضة مورد نظر در سطوح یک و دو اندرسون به ترتیب در پنج و نُه طبقة کاربری تهیّه شد. بر اساس صحّت‌سنجی طبقه‌بندی با استفاده از تصاویر گوگل ارث و نقاط دقیق کنترل زمینی، روش بیشینة احتمال به ترتیب با ضریب کاپا 77/0 و 76/0 و همچنین صحّت کلّی 94/84% و 70/80% به عنوان بهترین روش طبقه‌بندی نظارت‌شده جهت تهیّة نقشة کاربری سرزمین در حوضة آبخیز مورد نظر در سطح محلّی و منطقه‌ای مشخّص شد؛ همچنین پس از روش مذکور، روش‌های شبکة عصبی مصنوعی، ماشین بردار پشتیبان و فاصلة ماهالانویی نیز در طبقه‌بندی تصاویر صحّت قابل قبولی را ارائه دادند؛ چنین نتیجه‌ای بیانگر این مطلب است که همانند انتخاب روش، دقّت در اجرای روش‌های طبقه‌بندی نقشة کاربری سرزمین و ارزیابی صحّت می‌تواند بسیار مهم باشد و نتایج را تحت تأثیر قرار دهد.

کلیدواژه‌ها


آرخی، صالح (1393) تهیّة نقشة کاربری اراضی دشت عباس ایلام با استفاده از روش‌های شبکة عصبی مصنوعی، ماشین بردار پشتیبان و بیشینة احتمال، مرتعداری، 1 (2)، صص. 43-30.

احمدی ندوشن، مژگان؛ سفیانیان، علیرضا؛ خواجه‌الدّین، سیّد جمال‌الدّین (1388) تهیّة نقشة پوشش اراضی شهر اراک با استفاده از روش‌های طبقه‌بندی شبکة عصبی مصنوعی و حداکثر احتمال، پژوهش‌های جغرافیایی طبیعی، 41 (69)، صص. 98-83.

اکبری، الهه؛ ابراهیمی، مجید؛ امیراحمدی، ابوالقاسم (1392) تهیّة نقشة کاربری اراضی شهر سبزوار با استفاده از روش‌های حداکثر احتمال و شبکة عصبی مصنوعی پرسپترون چند لایه، آمایش محیط، 6 (23)، صص. 148-127.

تراهی، علی اصغر؛ عدلی عتیق، رسول؛ حسنی مقدم، حسن (1394) ارزیابی قابلیت الگوریتم‌های طبقه‌بندی نظارت شده در تهیّة نقشة کاربری اراضی (مطالعة موردی: شهرستان اردبیل)، اوّلین کنفرانس ملّی فنّاوری اطّلاعات مکانی، صص. 9-1.

سبزقبایی، غلامرضا؛ دشتی، سیده سولماز؛ بزم‌آرا بلشتی، مژگان؛ جعفرزاده، کاوه (1394) آشکارسازی روند تغییرپذیری منطقة حفاظت‌شده حرای خورخوران، زیست‌شناسی دریا، 7 (26)، صص. 12-1.

سفیانیان، علیرضا؛ خداکرمی، لقمان (1390) تهیّه نقشة کاربری اراضی با استفاده از روش طبقه‌بندی فازی (مطالعة موردی سه زیرحوزه آبخیز کبودر آهنگ، رزن - قهاوند و خونجین - تلخاب در استان همدان)، آمایش سرزمین، 3 (4)، صص. 114-95.

علیپور، فریده؛ آق خانی، محمدحسین؛ عباسپورفرد، محمدحسین؛ سپهر، عادل (1393) تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره‌ایETM+  (مطالعة موردی: مزرعة نمونة آستان قدس رضوی)، ماشین‌های کشاورزی، 4 (2)، صص. 254-244.

فتحی‌زاد، حسن؛ فلاح شمسی، رشید؛ مهدوی، علی؛ آرخی، صالح (1394) مقایسة دو روش طبقه‌بندی حداکثر احتمال و شبکة عصبی مصنوعی آرتمپ فازی در استخراج نقشة پوشش مرتعی (مطالعة موردی: مرتع حوزة دویرج دهلران)، تحقیقات مرتع و بیابان ایران، 22 (1)، صص. 72-59.

گودرزی‌مهر، سعید؛ علی‌عباسپور، رحیم؛ احدنژاد، وحید؛ خاکباز، باهره (1391) مقایسة روش ماشین بردار پشتیبان با روش‌های حداکثر احتمال و شبکة عصبی برای تفکیک واحدهای سنگ‌شناسی، زمین‌شناسی ایران، 6 (22)، صص. 92-75.

محمدی، صدیقه (1395) تعیین بهترین الگوریتم طبقه بندی نظارت شده جهت تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: شهرستان بافت)، علوم مراتع، 6 (4)، صص. 308-297.

مختاری، محمد حسین؛ نجفی، احمد (1394) مقایسة روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکة عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM، علوم و فنون کشاورزی و منابع طبیعی (علوم آب و خاک)، 19 (72)، صص. 44-35.

نیازی، یعقوب؛ اختصاصی، محمدرضا؛ ملکی‌نژاد، حسین؛ حسینی، سیّد زین‌العابدین؛ مرشدی، جعفر (1389) مقایسة دو روش طبقه‌بندی حداکثر احتمال و شبکة عصبی مصنوعی در استخراج نقشة کاربری اراضی (مطالعة موردی: حوزة سدّ ایلام)، جغرافیا و توسعه، 8 (20)، صص. 132-119.

یوسفی، صالح؛ تازه، مهدی؛ میرزایی، سمیه؛ مرادی، حمیدرضا؛ توانگر، شهلا (1393، الف) مقایسة الگویتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیّة نقشة کاربری اراضی (مطالعة موردی: شهرستان نور)، سنجش از دور و سامانة اطّلاعات جغرافیاییدر منابع طبیعی، 5 (3)، صص. 76-67.

Al-Ahmadi, F. S., Hames, A. S. (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 Sci, 20 (1), pp. 167-191.

Dixon, B., Candade, N. (2008) Multispectral Land Use Classification Using Neural Networks and Support Vector Machines: One or the Other, or Both?, International Journal of Remote Sensing, 29 (4), pp. 1185-1206.

Foody, G. M. (2001) Thematic Mapping from Remotely Sensed Data with Neural Networks: MLP, RBF and PNN Based Approaches, Geographical Systems, 3 (3), pp. 217–232.

Li, C., Wang, J., Wang, L., Hu, L., Gong, P. (2014) Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper Imagery, Remote Sens, 6 (2), pp. 964-983.

Liu, X. H., Skidmore, A. K., Oosten, H. V. (2002) Integration of Classification Methods for Improvement of Land-Cover Map Accuracy, ISPRS Journal of Photogrammetry and Remote Sensing, 56 (4), pp. 257-268.

Otukei, J. R., Blaschke, T. (2010) Land Cover Change Assessment Using Decision Trees, Support Vector Machines and Maximum Likelihood Classification Algorithms, International Journal of Applied Earth Observation and Geoinformation, 12 (1), pp. S27-S31.

Perumal, K., Bhaskaran, R. (2010) Supervised Classification Performance of Multispectral Images, Computing, 2 (2), pp. 124-129.

Sanhouse-García, A. J., Rangel-Peraza, J. G., Bustos-Terrones, Y., García-Ferrer, A., Mesas-Carrascosa, F. J. (2016) Land Use Mapping from CBERS-2 Images with Open Source Tools by Applying Different Classification Algorithms, Physics and Chemistry of the Earth, Parts A/B/C,91, pp. 27-37.

Shao, Y., Lunetta, R. S. (2012) Comparison of Support Vector Machine, Neural Network, and CART Algorithms for the Land-Cover Classification Using Limited Training Data Points, ISPRS Journal of Photogrammetry and Remote Sensing, 70, pp. 78–87.

Sunar Erbek, F., Özkan C., Taberner, M. (2004) Comparison of Maximum Likelihood Classification Method with Supervised Artificial Neural Network Algorithms for Land Use Activities, International Journal of Remote Sensing,25 (9), pp. 1733–1748.

Yousefi, S.; Mirzaee, S., Tazeh, T., Pourghasemi, H.; Karimi, H. (2015) Comparison of Different Algorithms for Land Use Mapping in Dry Climate Using Satellite Images: A Case Study of the Central Regions of Iran, Desert, 20 (1), pp. 1-10.