بخشی از مقاله
چکیده
شناسایی نوع گونه درختی جهت بررسی و ارزیابی نقش آن در تثبیت کربن، تولید زیستتوده و حفاظت آبوخاک از اهمیت زیادی برخوردار است. لازمه مدیریت و برنامهریزی پایدار منابع در اختیار داشتن اطلاعات دقیق و به هنگام از نوع گونه درختی، پراکنش مکانی آنها، میانگین ارتفاع و حجم چوب درخت است. هرچند روشهای سنتی بر پایه جمعآوری دادههای زمینی، دقیقترین روشها برای شناسایی نوع گونه درختان است اما این روشهاغالباً زمانبر و پرهزینه بوده و در مناطقی با توپوگرافی پیچیده با مشکلات فراوانی روبه رو هستند.
با توسعه فنّاوری رایانهای، تکنیکهای پردازش تصاویر بهطور قابلملاحظهای در قلمروهای کاربردی متفاوت استفاده گردید. در این پژوهش قطعهبندی تصاویر رنگی و نقش آن در افزایش دقت شناسایی گونههای تکدرخت موردبررسی قرار گرفت.
هدف از این بررسی روش قطعهبندی چندتصمیمه با صحت سنجی طبقهبندی دو منبع اطلاعات پیکسل و پلی گونهای طبقهبندیشده است. ازآنجا که تصاویر رنگی حاوی اطلاعات طیفی بیشتری نسبت به تصاویر خاکستریاند و با توجه به اینکه هر چه اطلاعات طیفی متنوعتری از عوارض موجود باشد، نتایج با دقت و صحت بیشتری حاصل میشود
در این پژوهش از تصویر رنگی پارک قلمستان در شمال شهر اصفهان استفاده شد. ابتدا تصویر زمین مرجع شد و تصحیحات انجام پذیرفت. سپس تصویر در نرمافزار اکوگنیشن با الگوریتم چند تصمیمه قطعهبندی شد. مرحله بعد برای شناسایی گونههای تکدرخت و طبقهبندی نهایی آن از روش طبقهبندی نزدیکترین همسایه در این نرمافزار استفادهشد. نتایج صحتسنجی تصویر خروجی قطعهبندی و طبقهبندیشده، صحت کلی %89 و ضریب کاپا 0/86 را در مقابل نقشه واقعیت زمینی نشان داد.
مقدمه
لازمه مدیریت و برنامهریزی پایدار منابع در اختیار داشتن اطلاعات دقیق و به هنگام از نوع گونه درختی، پراکنش مکانی آن ها، میانگین ارتفاع و حجم چوب درخت است. هرچند روشهای سنتی بر پایه جمعآوری دادههای زمینی، دقیقترین روش ها برای شناسایی نوع گونه درختان است اما این روشهاغالباً زمانبر و پرهزینه بوده و در مناطقی با توپوگرافی پیچیده با مشکلات فراوانی روبهرو هستند. درنتیجه استفاده از سنجشازدور برای شناسایی گونههای درختی موردتوجه محققین قرارگرفته است. در اغلب مطالعاتی که برای تشخیص گونههای درختان با استفاده از دادههای سنجشازدور انجام گرفته -
این مسئله مطرح است که بازتاب طیفی ثبتشده توسط سنجنده، ترکیبی از بازتابهای خاک و پوشش گیاهی است. در تصاویر باقدرت تفکیک مکانی زیاد علاوه بر تیپ بندی جنگل، نوع گونههای تکدرختان را نیز میتوان شناسایی نمود. با استفاده وسیع از این دادهها در زمینههای مختلف، مشکلاتی برای پدیدههایی بزرگتر از ابعاد پیکسل در استفاده از رویکرد پیکسل پایه کهاساساً برای دادههایی با توان تفکیک مکانی متوسط طراحیشده بودند، بروز کرد که نتایج طبقهبندی غیرقابل قبولی در استخراج پدیدههای موردنظر تولید میکرد. این امر موجب تغییر رویکرد از طبقهبندی پیکسل-پایه به سمت طبقهبندی شی-پایه تصاویر گردید
قطعهبندی رنگی تصاویر بهعنوان یکی از جدیدترین و پیشرفتهترین فنون قطعهبندی تصاویر مطرحشده است. قطعهبندی تصویر، تقسیم کردن تصویر به نواحی یکنواخت است. ناحیهها درواقع اشیاء متفاوت موجود در تصویرند که ازنظر بافت یا رنگ یکنواخت هستند با استفاده از قطعهبندی رنگی میتوان دو پدیده مجاور هم نظیر دو گونه درختی متفاوت را با استفاده از مشخصات طیفی با دقت زیادی از یکدیگر تفکیک نمود. ازآنجاکه تصاویر رنگی حاوی اطلاعات طیفی بیشتری نسبت به تصاویر خاکستری هستند، در صورت توسعه روشهای قطعهبندی رنگی میتوان به نتایج بهتری دست یافت
با در اختیار قرار گرفتن تصاویر ماهوارهای باقدرت تفکیک مکانی زیاد در چندین باند طیفی، ایده قطعهبندی رنگی جهت استخراج اطلاعات مفید از این تصاویر موردتوجه محققین قرار گرفت. Tao و همکاران - 2007 - در تحقیق خود الگوریتم جدید برای قطعهبندی که شامل مزیتهای قطعهبندی MS و Ncut است پیشنهاد دادند. روش MS اجازه میدهد که اطلاعات قطعهبندی خصوصیات ناپیوسته تصویر را حفظ کند و همچنین روش Ncut در مقایسه با روشهای مستقیم که بروی پیکسلهای تصویر اعمال میشود، نتیجه بهتری از قطعهبندی تصاویر را ارائه داده است.
برای بهینهسازی گروه ذرات از روش جدیدی از قطعهبندی تصاویر رنگی با استفاده از روش فازی استفاده نمودند؛ و در این تحقیق برای دستهبندی از روش فازی که یک روش یادگیری با نظارت است استفادهشده است. در ادامه ایشان نتایج بررسیهای خود را با روش ANFIS مورد مقایسه قراردادند.
Gauch و - 2015 - Hsia در تحقیق خود از سه روش متداول قطعهبندی استفاده و سپس به ارزیابی نقاط قوت این سه روش بروی ماتریس رنگهای مختلف با چهار رنگ معین پرداختند، ایشان همچنین به ارزیابی اختلاف تصاویر رنگی ترکیبی با رنگی واقعی در این روش پرداختند.
هدف از این تحقیق استفاده از رویکرد قطعهبندی رنگی برای شناسایی و تفکیک گونه تکدرختان با استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی زیاد و استفاده از الگوریتم قطعهبندی چند تصمیمه برای شناسایی و تشخیص گونههای تکدرخت در منطقه موردمطالعه است.
مواد و روشها
پارک قلمستان در شمال شهر اصفهان در موقعیت جغرافیایی 32/6816 درجه شمالی و 51/6396 درجه شرقی قرارگرفته. این پارک زیستگاه درختان بیشماری ازجمله نارون، زبانگنجشک، چنار، کاج و زالزالک است - شکل. - 1
شکل :1 تصویر منطقه موردمطالعه از ارشیو داده های google Earth
در این تحقیق از الگوریتم قطعهبندی چندتصمیمه1 که بهطور متوالی به ادغام پیکسلها و یا اشیاء موجود در تصویر میپردازد، استفاده شد. در اصل روش کار آن تشخیص و شناخت اندازه اشیاء تصویر در یک پیکسل و ادغام آن در همسایگانش بر اساس عامل همگنی نسبی است. عامل همگنی ترکیبی از معیار طیفی و شکل است. میتوان محاسبات را از طریق بهبود عامل مقیاس2 بهینه کرد. هر چه مقدار عامل مقیاس بیشتر شود اشیاء تصویر بزرگتر و هرچه مقدار کوچکتر اشیاء کوچکتری نتیجه میدهد. اشیاء تصویر با هر میانگین اندازهای نتیجه خوب و شکلدهی را در هر ناحیه مورد درخواست به دنبال دارد. الگوریتم قطعهبندی چندتصمیمه میانگین همگنی اشیاء تصویر را در محل برای تفکیک معینی کمینه میکند. این روش را می توان بر روی لایه شیء تصویر و یا سطوح پیکسل برای ایجاد اشیاء جدید در تصویر بکار برد. این الگوریتم میانگین همگنی را کمینه و همگنی نسبی را بیشینه میکند.
تصویر قطعهبندی شده با معیارهای انتخابی همچون میانگین شدت روشنایی و انحراف از معیار و شکل مورد ارزیابی قرار گرفته و بر این اساس طبقهبندی به روش نزدیک ترین همسایه انجام می شود. با انتخاب نمونه تعلیمی در کل تصویر از هر طبقه تعدادی شیء بهعنوان نمونه انتخاب میشود و برای طبقهبندی اطلاعات استفاده میگردد. نهایتا برای صحت سنجی، تصویر طبقهبندی شده در مقابل نقشه واقعیت زمینی که به صورت میدانی و آماربرداری صددرصد 193 اصله درخت در منطقه مورد مطالعه تهیه شده بود قرار گرفت و بر اساس ماتریس خطا از صحت کلی، ضریب کاپا، صحت تهیهکننده و صحت کاربر به عنوان معیار های بررسی صحت استفاده شد.
نتایج و بحث
آمادهسازی تصویر اولیه و قطعهبندی چندتصمیمه ابتدا کار به جداسازی پوشش گیاهی از پسزمینه پرداخته شد. ازآنجا که هدف از این پژوهش شناسایی گونههای درختی در پارک قلمستان است و با بررسی چشمی تصویر پارک قلمستان شامل کاربریهای مختلف ازجمله ساختمان، سایه و چمن بود، ابتدا بایستی به جداسازی کاربریهای مختلف از گونه درختی پرداخته میشد. برای این منظور گونههای درختی منطقه موردمطالعه و کاربریهای غیر از گونههای درختی بهعنوان سهطبقه پسزمینه، چمن و سایه مشخص شد و سپس قطعهبندی بروی طبقه اولیه پارک اعمال شد. بدینصورت که ابتدا دو تصویر از پارک قلمستان را وارد نرمافزار کرده و منطقه موردمطالعه مشخص شد. دو تصویر منطقه شامل:
-1تصویر با سه باند که به قرمز، سبز و آبی نامگذاری شد.
-2 تصویر ارتفاعی از منطقه که لایه ارتفاعی یا dem نامگذاری شد. سپس با روش قطعهبندی چندتصمیمه و با مقیاس 40، شکل 0/4 و فشردگی 0/7 تصویر قطعهبندی اولیه شد و برای بهبود قطعهبندی از روش تبدیل حوضه آبخیز با فاکتور طول 15 استفادهشده و تصویر به اشیاء موردنظر تبدیل شد. پس از قطعهبندی میبایست ابتدا طبقه پس زمینه را از پوشش گیاهی جدا کنیم. معیار جداسازی پوشش گیاهی از پسزمینه روشنایی و رنگ تصویر است. پوشش گیاهی اکثراً بارنگ سبز و شدت روشنایی کمتر از 100 در تصویر مشخص بود. سپس از روش طبقهبندی نزدیکترین همسایه و با خصوصیات میانگین، انحراف از معیار، نسبت لایهها و کنتراست لبه پیکسلهای همسایه در لایه سبز و ژئومتری شامل مساحت و فشردگی، تراکم و معیار شکل استفادهشده و اقدام به انتخاب تعدادی نمونه آموزشی برای دو طبقه پارک و پس زمینه شد و طبقهبندی بر اساس معیارهای انتخابی انجام شد. برای بالا بردن سرعت پردازش در نرمافزار اشیاء طبقه پسزمینه ادغام گردید
