بخشی از مقاله
چکیده
طبقهبندی تصاویر جهت تهیه نقشه کاربری اراضی یکی از فنون مهم در تفسیر تصاویر ماهوارهای است. تعدادی از روش-های طبقهبندی در دهههای گذشته توسعه پیدا کردهاند که از جمله آنها میتوان به روش شبکه عصب مصنوعی اشاره کرد. در این پژوهش از تصاویر سنجنده OLI ماهواره لندست 8، جهت استخراج نقشه کاربری اراضی با استفاده از روش طبقهبندی ناپارامتریک شبکه عصب مصنوعی و روشهای طبقهبندی پارامتریک حداقل فاصله از میانگین و حداکثر احتمال استفاده گردید. این تحقیق در منطقه بسطام، شهرستان سلسه استان لرستان انجام شد. بهمنظور مقایسه نتایج روشهای طبقهبندی، از دادههای آموزش و آزمون یکسان استفاده شد.
%70 از دادهها جهت آموزش و %30 از آنها به منظور آزمون نتایج به کار گرفته شد. میزان دقت نتایج هر روش طبقهبندی با محاسبه دو شاخص صحت کلی و ضریب کاپا مورد بررسی قرار گرفت. نتایج نشان داد که، صحت کلی و ضریب کاپا در روش شبکه عصب مصنوعی به ترتیب %85 و 0/81، در روش حداکثر احتمال %82 و 0/79 و در روش حداقل فاصله از میانگین %74 و 0/68 است. نتایج این مطالعه نشان داد که روش ناپارامتریک شبکه عصب مصنوعی نسبت به دو روش دیگر از دقت بیشتری برخوردار است.
واژههای کلیدی: طبقهبندی، کاربری اراضی، لندست 8، شبکه عصب مصنوعی
- مقدمه :
استفاده از اطلاعات دقیق مربوط به کاربری اراضی بهمنظور مدیریت پایدار مناطق مختلف ضروری است - رضاییمقدم و همکاران، . - 1393 روشهای مختلفی جهت تهیه نقشه پوشش اراضی وجود دارد که هرکدام مزایا و محدودیتهایی دارند - آرخی، . - 1393 یکی از روشهای پرکاربرد استخراج اطلاعات از تصاویر سنجش از دور، طبقهبندی است - شجاعیان و همکاران،. - 1393 روشهای مختلفی جهت طبقهبندی تصاویر ماهوارهای وجود دارد که از جمله آنها میتوان به روشهای شبکه عصب مصنوعی، حداکثر احتمال و حداقل فاصله از میانگین اشاره کرد - مختاری و نجفی، . - 1393 شبکههای عصبی در بسیاری از زمینههای مطالعاتی مانند کامپیوتر، روانشناسی، زیستشناسی و ... به کار گرفته میشوند - وارنر و همکاران، 2005؛ رضایی-مقدم و همکاران، . - 1393
طراحی شبکههای عصبی الهام گرفته از سیستم عصبی بدن انسان است؛ در واقع این شبکهها مانند شبکه عصبی بدن از چندین نرون تشکیل شدهاند که هرکدام از این نرونها با نرونهای دیگر در ارتباط میباشد - شعبانی و علوی، . - 1393 شبکههای عصبی به دلیل ماهیت غیرپارامتریک و قابلیت آنها برای بهرهگیری از مثالها و توانایی تعمیم آنها، در طبقهبندی نظارتشده مناسب قلمداد میشوند - آرخی، . - 1393 علاوهبر این، در بسیاری از مطالعات مقایسهای، شبکههای عصبی، پوشش اراضی را دقیقتر از روشهای متداول موجود طبقهبندی کردهاند - فودی1، 2000؛ گودرزیمهر و همکاران، . - 1391 از آنجا که شبکه عصبی یک روش طبقهبندی ناپارامتریک است بنابراین نیاز به نرمال بودن توزیع فضایی دادهها نیست و در این روش جداسازی کلاسها به صورت خطی صورت نمیگیرد - لو2 و وینگ3، 2007؛ رضاییمقدم و همکاران، . - 1393
روش طبقهبندی حداکثر احتمال هنوز هم یکی از رایجترین روشهای طبقهبندی تصویر است - گودرزیمهر و همکاران، . - 1391 روش طبقهبندی حداکثر احتمال یک روش مبتنیبر پیکسل است که اغلب برای کشف تغییرات کاربری اراضی مورد استفاده قرار میگیرد - دیتریچ4 و همکاران، . - 2010 در روش مذکور فرض بر این است که همه مناطق آموزشی دارای پراکنش نرمال هستند - احمدیندوشن و همکاران، . - 1388 در این روش، با استفاده از عامل شدت احتمال، هریک از پیکسلهای تصویر پس از آزمون آماری و محاسبه احتمال تعلق آنها به گروههای طیفی نمونه، به گروه مربوطه تعلق میگیرد - زبیری و مجد، . - 1379
مزیت اصلی این روش این است که تغییرات موجود در هر کلاس را با استفاده از ماتریس کوواریانس برای کلاسبندی پیکسل مورد نظر، لحاظ میکند - مورایی، 1999؛ گودرزیمهر و همکاران، . - 1391 روش حداقل فاصله از میانگین روشی است که پس از تعیین مقادیر میانگین طیفی در هر باند، فاصله هر پیکسل طبقهبندی نشده با پیکسلهای میانگین مقایسه میشود و سپس پیکسل مورد نظر به کلاسی اختصاص مییابد که کمترین فاصله را با میانگین دارد - قرهچلو، . - 1389 به همین ترتیب تمام پیکسلهای هر تصویر به طبقات مربوط تعلق میگیرند و طبقات مختلف تصویر از هم جدا میشوند - احمدپور و همکاران، . - 1390 در زمینه مقایسه کارآیی روشهای مختلف طبقهبندی تصاویر ماهوارهای، پژوهشهای بسیاری در داخل و خارج از کشور انجام شده است.
بطور مثال پائولا5 و رابرت - 1995 - ، طی تحقیقی به مقایسه دو روش طبقهبندی شبکه عصب مصنوعی و حداکثر احتمال، جهت طبقهبندی کاربری اراضی مناطق شهری با استفاده از تصاویر سنجندهی TM ماهواره لندست پرداختند. نتایج تحقیق ایشان نشان داد که شبکه عصب مصنوعی نسبت به روش حداکثر احتمال دارای دقت بیشتری است. آرخی - 1393 - ، در تحقیقی از روشهای طبقهبندی شبکهی عصب مصنوعی، ماشینبردار پشتیبان و حداکثر احتمال جهت طبقهبندی نقشه کاربری اراضی دشت عباس ایلام استفاده نمودند. نتایج نشان داد که روش شبکه عصبی مصنوعی با صحت کلی 98/37 درصد و ضریب کاپای 0/97 نسبت به روش ماشینبردار پشتیبان با صحت کلی 92/36 درصد و ضریب کاپای 0/87 و حداکثر احتمال با صحت کلی 81/42 درصد و ضریب کاپای 0/73 عملکرد بهتری در تهیه نقشه کاربری اراضی داشته است.
سفیانیان و همکاران - 1390 - ، پژوهشی به منظور تهیه نقشه کاربری اراضی در استان همدان انجام دادند.در این تحقیق از روش شبکه عصبی برای طبقهبندی تصاویر استفاده شد. ضریب کاپا و صحت کلی طبقهبندی به ترتیب 0/86 و 88 درصد محاسبه گردید. این مطالعه نشان داد که روش شبکه عصبی قابلیت تهیه نقشهی پوشش اراضی و الگوی کشت با دقت بالا را دارا میباشد. احمدپور و همکاران - 1390 - ، برای طبقهبندی تصاویر ماهوارهای از سه روش رایج در طبقهبندی نظارتشده - روش حداقل فاصله از میانگین، روش متوازیالسطوح و روش حداکثر احتمال - در منطقه حفاظتشده گلول و سرانی خراسان شمالی انجام دادند و نتیجه گرفتند که روش حداکثر احتمال بیشترین میزان دقت و در مقابل روش متوازی-السطوح کمترین میزان دقت را در طبقهبندی داشته است.
شتایی و عبدی - 1386 - ، تهیه نقشه کاربری اراضی در مناطق کوهستانی زاگرس را با اعمال الگوریتمهای حداکثر احتمال، متوازیالسطوح و حداقل فاصله از میانگین انجام دادند. آنها از دادههای سنجنده ETM+ استفاده کردند. نتایج نشان داد که روش حداکثر احتمال نسبت به دو روش دیگر عملکرد بهتری دارد. بندیکتسون و همکاران - 1990 - ، در مطالعهای مبنی بر مقایسه روش حداکثر احتمال و حداقل فاصله از میانگین نشان دادند که صحت روش حداکثر احتمال بیشتر است.هدف از این تحقیق، مقایسه دو روش طبقهبندی پارامتریک - حداکثر احتمال و حداقل فاصله از میانگین - با روش ناپارامتریک - شبکه عصبی مصنوعی - در تهیه پوشش اراضی منطقه بسطام در شهرستان سلسله، بر روی دادههای تصاویر ماهوارهای لندست - OLI - 8 است.
-مواد و روشها:
-منطقه مورد مطالعه:
منطقه بسطام در 25 کیلومتری شمال شهرستان خرمآباد و 17 کیلومتری جنوب غرب شهرستان سلسله در محدوده ً54َ33 39ً01َ47تا 33 عرض شمالی ً44وَ48 01 تاً 16َ48 13 طول شرقی واقع گردیده است. این منطقه از نظر تقسیماتسیاسی جزء بخش مرکزی شهرستان سلسله محسوب میشود.
- دادههای مورد استفاده:
در این تحقیق از تصویر سنجنده OLI ماهواره لندست 8 با قدرت تفکیک مکانی 30 متر استفاده شد. همچنین در این تحقیق نرمافزارهای Google earth، Arc GIS و ENVI نیز به کار گرفته شد.گرفته شد.
-روش تحقیق:
-پیشپردازش تصاویر:
در مرحله پیشپردازش، تصاویر ماهوارهای از نظر هندسی، رادیومتریک و اتمسفریک مورد بررسی و تصحیح قرار گرفت. با توجه به بررسیهای صورت گرفته تصویر فاقد هر گونه خطای هندسی بود. تصویر با استفاده از الگوریتم - /$$6+، مورد تصحیحات اتمسفریک قرار گرفت.
- تهیه نمونههای تعلیمی:
انتخاب نمونههای تعلیمی مورد نیاز برای طبقهبندی طبقههای مختلف در منطقه از طریق بازدیدهای میدانی، استفاده از Google earth و تصاویر رنگی کاذب صورت گرفت. جهت نمونهبرداری در منطقه برای کاربری جنگل، 150 نمونهی تعلیمی - پلیگون - و برای سایر کاربریها - کشاورزی، مناطق مسکونی، مراتع و زمینهای بایر - نیز 100 پلیگون - نمونهی آموزشی - در
