بخشی از مقاله
چکیده
تهیهی نقشهی پوشش و کاربری اراضی با دقت بالا برای بسیاری از فعالیتهای برنامه ریزی و مدیریت شهری دارای اهمیت زیادی است. دادههای سنجش از دور یکی از بهترین منابع در تولید و به روز رسانی نقشهی کاربری و پوشش اراضی به حساب می آیند. درتحقیق حاضر، به منظور تهیهی نقشهی پوشش اراضی شهرستان روانسر واقع در استان کرمانشاه، تصاویر ماهوارهای سنجده OLI لندست 8 استفاده گردید. برای طبقهبندی تصویر، روش طبقهبندی نظارت شده به روش شبکهی عصبی پرسپترون چند لایه - MLP - با الگوریتم پس انتشار خطا به کارگرفته شد. درنهایت، نقشهی پوشش اراضی منطقه به 4 طبقهی مناطق شهری، اراضی کشاورزی، مراتع و زمین های بایر طبقه بندی گردید. آماره کاپا و صحت کلی طبقه بندی به ترتیب 0/94و 97/5 برآورد شد. نتایج نشان داد که روش طبقه بندی شبکهی عصبی، قابلیت خوبی برای تهیهی نقشهی پوشش اراضی با صحت بالا دارد.
واژه های کلیدی :پوشش اراضی، تصاویرOLI، روش پرسپترون چند لایه، روانسر
مقدمه
تهیهی نقشه کاربری اراضی و پوشش سرزمین اطلاعات مفیدی را در اختیارتصمیم گیران و پژوهشگران در تمام سطوح قرار داده و برای بسیاری از فعالیتهای برنامهریزی و مدیریت شهری دارای اهمیت می باشد. برای تهیهی نقشه کاربری اراضی روشهای مختلفی وجود دارد. ازجمله روش های سنتی تحقیق و مشاهدات صحرایی، تفسیر عکسهای هوایی بزرگ مقیاس و.. اما این روشها به دلیل وقت گیر و هزینه بر بودن کمتر مورد استفاده قرار می گیرند. یکی از جدیدترین و بهترین روشها برای تهیهی نقشه کاربری اراضی به ویژه در مناطق جغرافیایی وسیع استفاده از تصاویر ماهوارهای می باشد.[1]
استفاده از این تصاویر و پردازش رقومی آنها با الگوریتمهای مناسب سبب کاهش خطای انسانی ناشی محدویت تفسیر چشمی می گردد. روشها و الگوریتم های متعددی برای طبقهبندی تصاویر ماهوارهای وجود دارد که از میان آنها می توان به روشه ای طبقه بندی نظارت شده مانند حداکثر احتمال، حداقل فاصله تا میانگین و روش جعبه ایی و همچنین روش های طبقه بندی نظارت نشده مانند کلاستر و ایزوکلاستر اشاره نمود. امروزه روش های جدید طبقه بندی از جمله شبکههای عصبی مصنوعی در پردازش داده های سنجش از دور توجهات زیادی را به خود جلب کرده اند. شبکههای عصبی مصنوعی به دلیل بهرهگیری از الگوها و توانایی تعمیم آنها و همچنین به دلیل ویژگی غیرپارامتریک، سادگی وانعطاف پذیر بودن کاربرد زیادی در طبقهبندی نظارت شده پیدا کرده اند.[2]
در رابطه با تهیهی نقشهی پوشش و کاربری اراضی با استفاده از دادههای سنجش از دور و به کار گیری روش چند لایه پرسپترون مطالعات گستردهای وجود دارد که در میان آنها می توان به موارد زیر اشاره کرد:امیری و همکاران - 2007 - با استفاده از طبقه بندی به روش شبکهی عصبی ، کمترین فاصله تا میانگین و روش فازی به پردازش تصاویر ماهوارهای Quickbird پرداختند و به این نتیجه دست یافتند که دقت و صحت در طبقه بندی به روش شبکه عصبی بهتر از دو روش مورد استفاده دیگر بوده است.[3]مس و همکاران - - 2003 در جنوب شرقی مکزیک و منطقهی تالابی ترمینوس برای طبقهبندی پوشش و کاربری اراضی ، شبکه عصبی پرسپترون چندلایهای - - MLP را مورد استفاده قرار دادند.
آنها از باندهای 7،5،4،3،2 سنجنده ETM+ ماهواره لندست به عنوان ورودی های شبکه عصبی استفاده کردند و در نهایت 6 طبقه پوشش اراضی در این منطقه تولید نمودند.[4]دلفریت و همکاران - - 2005 برای طبقه بندی مناطق شهری و آشکار سازی تغییرات آنها روش شبکهی عصبی مصنوعی را به کار بردند و با استفاده از تصاویر ماهواره Quickbird شهر رم ایتالیا ، این منطقه
شهری را به چهار طبقهی جادهها، ساختمانها، پوشش گیاهی و زمین های بایر طبقه بندی کردند.[5]جیانجون و همکاران - 2005 - ، از الگوریتم پس انتشار خطا و روش شبکه عصبی برای طبقه بندی پوشش و کاربری اراضی شهر ژیان کشور چین استفاده کردند. آنان 6 باند طیفی تصاویرTM/ETM+ را به عنوان ورودی شبکهی عصبی مصنوعی معرفی کردند و سپس منطقه را به 6 طبقه پوشش و کاربری اراضی طبقه بندی کردند.[6]
احمدی ندوشن و همکاران - - 1388، با استفاده از تصویر سنجنده LISS III ماهواره IRS-P6 و با به کارگیری دو روش حداکثر احتمال و شبکهی عصبی پرسپترون سه لایه و مقایسهی کارایی این دو روش به تهیهی نقشهی پوشش اراضی شهر اراک پرداختند و کارایی مدل شبکه عصبی را بیشتر از روش حداکثر احتمال معرفی نمودند.[7] آرخی و همکاران - - 1393، با استفاده از تصاویر ماهوارهی ETM+ و به کارگیری چهار روش از شبکه عصبی و مقایسه کارایی این روشها به طبقه بندی پوشش اراضی سه منطقه از شهر ایلام پرداختند.[8]تحقیق حاضر با هدف، تهیهی نقشه پوشش اراضی شهرستان روانسر با استفاده از تصاویر OLI ماهواره لندست 8 و به کارگیری روش MLP با الگوریتم پس انتشار خطا انجام پذیرفت. با توجه به تنوع پوشش اراضی و اکوسیستم های موجود در منطقه نقشه مذکور در چهار طبقه زمین های کشاورزی، مناطق شهری، مراتع و زمین های بایر تهیه شد.
مواد و روشها منطقهی مورد مطالعه
شهرستان روانسر از شهرهای غربی ایران بوده که در شمال استان کرمانشاه و در محدوده ای با طول جغرافیایی 46 درجه و 21 دقیقه تا 46 درجه و48 دقیقه طول شرقی و عر ض جغرافیایی 34 درجه و31 دقیقه تا 34 درجه و 59 دقیقه عرض شمالی قرار گرفته است - شکل . - 1 بر اساس تقسیمات کشوری مساحت این شهرستان 1115 کیلومتر مربع، دارای6 دهستان، 2 شهر و 2 بخش می باشد .[ 9 ] بر اساس اطلاعات ایستگاه هواشناسی واقع در استان کرمانشاه میانگین بارندگی سالیانه شهرستان روانسر 482 میلیمتر، میانگین دمای سالیانه ی 14/5 درجه ی سانتی گراد است. این شهرستان در ارتفاع 1380متری از سطح دریا واقع شده و دارای اقلیم زمستان سرد و تابستان خنک می باشد. در دهه های اخیر، جمعیت این شهرستان تا حدود 2 برابر افزایش یافته که به موجب این امر باعث افزایش تقاضا برای کاربری های مختلف صنعتی ، مسکونی ، حمل و نقل، تجاری، فرهنگی ، آموزشی و بهداشتی و تفریحی شده است . قابل ذکر است که مطابق با آخرین سرشماری سال 1390 جمعیت این شهرستان 21250 نفر می باشد.[9]
دادههای مورد استفاده
در این تحقیق از تصاویر ماهوارهای سنجنده - OLI - لندست 8 تاریخ 94/2/16، به قدرت تفکیک مکانی 30 متر ، به شماره گذر 167، شماره ردیف 36 استفاده شد. سنجنده - OLI - اطلاعات مربوط به بخش مرئی، مادون قرمز نزدیک و - SWIR - مادون قرمز نزدیک را دریافت می کند این سنجنده دارای 11 باند طیفی می باشد که محدودهی طیفی آن از 0/43 تا 12/51 میکرومتر خواهد بود. در طول این تحقیق همچنین از نرم افزار Terrset و نرم افزار سیستم های اطلاعات جغرافیاییArc GIS ورژن 10 استفاده گردید.
پردازش تصاویر ماهوارهای
تصویر رنگی کاذب برای تفسیر چشمی و تشخیص بصری بهتر پدیده ها در منطقه مورد مطالعه ایجاد شد - شکل. - 2 روش شبکه عصبیپرسپترون چندلایه نیز برای طبقه بندی تصویر منطقه مورد مطالعه به کار گرفته شد که در بخش بعدی به شرح آن پرداخته می شود.
شبکهی عصبی پرسپترون چند لایه
ساختار یک شبکه عصبی ساده معمولاً دارای 3 لایه است: لایه ورودی1، لایه پنهان2 و لایه خروجی.3 در لایه ورودی اطلاعات اولیه که همان مقادیر مربوط به متغیرهای مستقل و وابستهی طرح است وارد شبکه میشود. لایه مخفی که بر مبنای پیچیدگی تحلیلها، تعداد آنها نیز افزایش مییابد، وظیفه ایجاد روابط منطقی میان متغیرهای مستقل و وابستهی اولیه و یافتن فرمول بین این متغیرها را بر عهده دارد. در لایه خروجی رابطه یا فرمول بین متغیرهای مستقل و وابسته اولیه ارائه میگردد.[10]شبکه عصبی چند لایه پرسپترون یک نوع شبکه پیش خور4 است که شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است.برای آموزش این شبکه، الگوریتمهای آموزشی متعددی وجود دارد که مورد استفاده قرار میگیرد اما معمولاً از الگوریتم پس انتشار خطا - BP - 5 استفاده میشود.
در طی آموزش شبکهی MLP به کمک الگوریتم یادگیری BP، ابتدا محاسبات از ورودی شبکه به سوی خروجی شبکه انجام میشود و سپس مقادیر خطای محاسبه شده به لایههای قبل انتشار مییابد. در ابتدا، محاسبه خروجی به صورت لایه به لایه انجام میشود و خروجی هر لایه، ورودی لایه بعدی خواهد بود. در حالت پس انتشار، ابتدا لایههای خروجی تعدیل میشود، زیرا برای هر یک از نرونهای لایه خروجی، مقدار مطلوبی وجود دارد و میتوان به کمک آنها و قاعدههای بهنگام سازی، وزنها را تعدیل نمود.[11] طبقهبندی بندی شبکهی عصبی شامل سه مرحله می باشد. - 1 فرایند آموزشی که در آن از دادههای ورودی استفاده می شود. - 2 فاز اعتبار سنجی که با تعیین موفقیت فاز آموزشی و صحت شبکه همراه می باشد. - 3 مرحله سوم شامل طبقه بندی می باشد که نقشهی طبقهبندی شدهرا ایجاد می کند.[12]
ارزیابی صحت تصویر طبقهبندی شده
ارزیابی نتایج طبقهبندی یکی از مراحل مهم پس از طبقهبندی است. ماتریس خطا به صورت جدول بندی متقاطعی از کلاسهای طبقه-بندی شده در برابر دادههای مرجع برای ارزیابی صحت طبقهبندی بیان میشوند.[14] از مراحل مهم طبقه بندی تصاویر ماهواره ایی ارزیابی و بررسی صحت نتایج طبقه بندی است که معرف تعداد پیکسل هایی است که به درستی طبقه بندی شده اند. برای این امر از محاسبه ماتریس خطا و بیان دقت کلی6 و آماره کاپا7 استفادهشد.[15]با استفاده از تصاویر رنگی کاذب و بعد از پردازشهای اولیه و بازید های میدانی و استفاده از تصاویر گوگل ارث ، انواع پوشش-های منطقه به شرح جدول1 شناسایی گردید. به منظور طبقهبندی تصویر، نمونههای آموزشی به عنوان الگوی رفتار طیفی طبقات و بر اساس بازدید میدانی انتخاب شد. برای این منظور در منطقهی مورد مطالعه به فراخور سهم هر طبقه تعداد مناسبی نمونه تعلیمی انتخاب گردید.
نتایج و بحث
پس از تهیهی تصاویر ماهوارهای ، با استفاده از نمونههای تعلیمی جمع آوری شده از هر کاربری، تصویر با استفاده از روش شبکه عصبی - - MLP طبقه بندی گردید و نتایج این طبقه بندی در 4 طبقه پوشش اراضی کشاورزی، مناطق مسکونی، مراتع و زمین های بایر به صورت نقشه تهیه شد - شکل - . 3 اطلاعات مربوط به شبکهه عصبی به کار رفته در جدول 2 آورده شده است. همچنین طبق نتایج ارائه شده حاصل از طبقهبندی در سال 1394 در منطقه مورد مطالعه مساحت کاربری های اراضی مسکونی، کشاورزی، مرتع و زمینهای بایر به ترتیب 373,9، 52466,8، 40568,6، 26327,4 هکتار برآورد شد - شکل - . 4 همچنین بر مینای نتایج حاصل از ماتریس خطا، صحت کل 97,5 و ضریب کاپا 0/94 می باشد - جدول -
