بخشی از مقاله
چکیده
آگاهی از الگوهای پوشش زمین و کاربری اراضی در مناطق حفاظتشده از نیازهای اساسی برای حفظ و مدیریت این سرمایه ملی است، ازاینرو استخراج نقشههای کاربری اراضی اینگونه مناطق از مهمترین هدفها در مدیریت پایگاه منابع طبیعی میتواند مورد توجه قرار گیرد. یکی از راههای تهیه نقشههای کاربری اراضی و پوشش زمین، استفاده از فنآوری سنجشازدور مانند دادههای ماهوارهای و فرآیند طبقهبندی اینگونه تصاویر است.
امروزه به دلیل افزایش قدرت طیفی و مکانی ماهوارهها، طبقهبندی به روش شیءگرا توانسته است، صحت و دقت بالاتری را نسبت به طبقهبندیهای کلاسیک در بیشتر موارد نشان دهد. ازاینرو در این تحقیق روش طبقهبندی شیءگرا باهدف پایش تغییرات منطقه حفاظتشده تیاب و میناب در شمال تنگه هرمز در استان هرمزگان انتخاب شد؛ بنابراین با پردازش رقومی تصاویر سنجنده ETM+ و OLI ماهواره لندست 7 و 8 نقشههای کاربری اراضی منطقه موردمطالعه طی دوره زمانی 16 ساله - 2000- 2016 - استخراج شد. در مرحله پیش- پردازش، تصحیحات هندسی و تصحیحات اتمسفری بر روی تصاویر اعمال گردید.
در مرحله پردازش بعد از آشکارسازی، تصاویر به روش طبقهبندی شیء-گرا با استفاده از الگوریتم نزدیکترین همسایگی در محیط نرمافزار دانشپایه eCognition طبقهبندی شد. دقت نقشههای استخراجشده برای سال 2000 با صحت کلی 92/28 درصد و در سال 2016 صحت کلی 95/76 درصد برآورد گردید که حاکی از دقت بالا این نوع طبقهبندی است. با توجه به نتایج بهدستآمده از این تحقیق پیشنهاد میشود که روش طبقهبندی شیءگرا در تهیه نقشههای پوشش-کاربری اراضی مورداستفاده قرار گیرد.
مقدمه
مناطق حفاظتشده، اراضینسبتاً وسیع، باارزش حفاظتی بالا که باهدف حفظ و احیای رویشگاههای گیاهی و زیستگاههای جانوری انتخاب میشوند. اینگونه مناطق محیطهای مناسبی برای اجرای برنامههای آموزشی و پژوهشهای زیستمحیطی، فعالیتهای گردشگری - اکو توریسم - و بهرهبرداری مصرفی و اقتصادی مجاز هستند.[1]
تهیهی نقشهی کاربری اراضی مناطق حفاظتشده از طریق روشهای میدانی و تفسیر عکسهای هوایی با صرف زمان به دلیل وسعت زیاد اغلب یکی از پرهزینهترین بخشهای پروژههای محیط زیستی است این در حالی است که فناوری سنجشازدور یکی از سریعترین و کمهزینهترین روشها را در اختیار محققان جهت تهیهی نقشهی کاربری اراضی قرار میدهد.
دادههای ماهوارهای به دلیل ویژگیهای خاص خود ازجمله سطح پوشش وسیع، قابلیت تکرار و به هنگام شدن مداوم میتوانند در تهیه نقشههای پوشش و کاربری اراضی و مدیریت چنین مناطقی مورداستفاده قرار گیرند.[2] امروزه با افزایش روزافزون قدرت تفکیک مکانی در تصاویر ماهوارهای و بهویژه ظهور و گسترش سنجندههای رقومی هوایی از یکسو و توسعه نرمافزار[3] eCognitionاز سوی دیگر، موجب کاربرد گستردهتر روش طبقهبندی شیءگرا1 از اوایل قرن بیستویک شده است.[4]
روش پیشرفته و دانشپایه شیءگرا مزایایی برای طبقهبندی پوشش اراضی با دادههای سنجشازدور چند طیفی فراهم میکنند.[5] بررسی مبانی نظری و پیشینه موضوع تحقیق درزمینه بهکارگیری طبقهبندی شیءگرا باهدف استخراج نقشههای کاربری اراضی دیدگاههای ارزشمندی را ارائه میدهد که به چند مورد از آنها اشاره میگردد؛ Borri و همکاران - 2005 - با استفاده از تصاویر ماهوارهای آیکنوس تغییرات پوشش اراضی پارک ملی آلتا میورگا واقع در ایتالیا را مطالعه نمودند. این محققین بر اساس اختلاف در توزیع مکانی و الگوهای شکل کاربری اراضی، تبدیلات کاربری اراضی را در محدوده موردنظر مطالعه نمودند.
آنها برای طبقهبندی تصویر از روش طبقهبندی شیءگرا استفاده نموده و نتیجه میگیرند که روش طبقهبندی شیءگرا در مقایسه با روشهای سنتی نتایج بهتری را به دست میدهد.[6] Schoennagel و - 2009 - Pltt با استفاده از دادههای چند زمانه سنجشازدور و تحلیل شیءگرای تصاویر، تغییرات پوشش گیاهی منطقه حفاظتشده کلرادو را در فواصل سالهای 1983 - 1999 موردمطالعه قراردادند این محققین در ارزیابی روند تغییرات نقشههای کاربری اراضی هر دوره را با استفاده روش طبقهبندی شیءگرا تهیه نمودند و با مقایسه دورهای نقشههای تهیهشده نتیجه میگیرند که پوشش درختی منطقه بهطور متوسط چهار درصد افزایشیافته است.
آنها درنهایت بر کارآمدی روش طبقهبندی شیءگرا تأکید میکنند.[7] خلاقی و رسولی - 1385 - با استفاده از تصاویر لندست TM و ETM+و بهرهگیری از روشهای طبقهبندی شیءگرا و پیکسل پایه نقشه آشکارسازی تغییرات ساحل دریای خزر را تهیه نمود. آنها با استفاده از روشهای طبقهبندی پیکسل پایه و شیءگرا تغییرات ساحلی دریای خزر را در فواصل سالهای 2002-1972 در محیطهای نرمافزاری مختلف نظیر ERDAS و eCognition موردمطالعه قراردادند. به این نتیجه رسیدند که بهمنظور تشخیص و تفکیک کاربری اراضی با دقت بالا، بهویژه اگر هدف بررسی تغییرات به ازای زمان بوده باشد، بهکارگیری فنآوری سنجشازدور ضرورتی اجتنابناپذیر است.[8]
لطفی و همکاران - 1389 - با پردازش رقومی تصاویر سنجنده ماهواره اسپات 5 نقشههای کاربری اراضی شهر مرند با استفاده از طبقهبندی شیءگرا استخراج کردند. در نتایج تحقیق صحت طبقهبندی در حدود 95 درصد با ضریب کاپای 0/95 برآورد گردید.[9] امیدی پور و همکاران - 1392 - با مقایسه دو روش طبقهبندی پیکسلپایه و شیءگرا در تهیه نقشه کاربری اراضی با استفاده از تصاویر ETM+ در شهرستان ملکشاهی در استان ایلام نتایج بهدستآمده نشان داد که وضوح تصویر روش طبقهبندی شیءگرا بالاتر از روش طبقهبندی پیکسل پایه است. نتایج برآورد دقت نشان میدهد که روش شیءگرا در هر دو شاخص صحت کل و ضریب کاپا با مقادیر به ترتیب 93 درصد و 0/96 درصد، دقیقتر از روش پیکسل پایه است .[10]
محمد زاده و همکاران - - 1394 روند تغییرات تالاب قره قشلاق طی سالهای 2000-2008 با استفاده از تصاویر لندست و IRS بررسی کردند. نتایج نشان داد که طبقهبندی شیءگرا دارای دقت بالایی است. نقشه کاربری اراضی TM2000 با دقت کلی 97 درصد و ضریب کاپای 0/96 درصد و نقشه کاربری اراضی IRS2008 با دقت کلی 96 درصد و ضریب کاپای 0/95 درصد تولید گردید.[10]
جمعبندی حاصله از مبانی نظری و پیشینه تحقیق نشان میدهد که طبقهبندی شیءگرا از قابلیتهای بالایی درروند تهیه نقشههای کاربری و پوشش زمین برخوردارند و میتوان به آن استناد کرد. با توجه به هدف این تحقیق، سعی بر آن است تا با استفاده از تکنیک طبقهبندی شیءگرا به بررسی روند تغییرات منطقه حفاظتشده میناب تیاب و پدیدههای مختلف مرتبط با آن در طی یک دوره زمانی 16 ساله پرداخته شود.
مواد و روش
منطقه حفاظتشده تیاب و میناب مابین دو شهر بندرعباس و میناب در سواحل خلیجفارس - شمال تنگه هرمز - به طول 55 کیلومتر قرار دارد. طول جغرافیایی آن 56 23 تا 56 59 شرقی و عرض جغرافیایی 26 52 تا 27 11 است . در شکل 1 موقعیت جغرافیایی منطقه موردمطالعه نشان دادهشده است. برای انجام این تحقیق از تصاویر ماهوارهای سال 2000 سنجنده ETM+ و 2016 سنجنده OLI به ترتیب از سری لندست 7 و 8 و دادههای بهدستآمده از GPS در طی عملیات میدانی استفادهشده است. نرمافزارهای مورداستفاده در این پژوهش eCognition Developer 9،ArcGIS10.2 ،ENVI 5.1 میباشند.
ازآنجاییکه در زمان دریافت تصویر، هیچگونه پردازشی روی آنها صورت نگرفته بود، پس لازم بود که تصحیحات هندسی و اتمسفری بر روی تصاویر اعمال شود. بهمنظور انجام تصحیح هندسی تصاویر، با استفاده از روش تصویر به تصویر و خطای کمتر از 0/5 این تصحیح انجام گرفت که دارای دقت قابل قبولی است. با استفاده از روش فلش2 نسبت به انجام تصحیحات اتمسفری اقدام شد. بعد از انجام کلیه تصحیحات اقدام به موزاییک کردن تصاویر و جداسازی محدوده موردمطالعه انجام گرفت.
کنترل زمینی با پراکنش مناسب از سطح منطقه انجام شد. و دادههای تمرینی با پیکسلهای معلوم که حاصل از بازدیدهای میدانی که برای 8 طبقه، بهطور جداگانه تعریف گردید. مشخصات آماری کلاسها و تفسیر منحنیهای انعکاس طیفی کلاسها ترکیب باندی 1،4 و 5 سنجنده ETM+ و همچنین ترکیب باندهای 5،6 و 2 مربوط به سنجنده OLI را بهعنوان بهترین ترکیب باندی برای طبقهبندی انتخاب شد. سپس با استفاده از الگوریتم نزدیکترین همسایگی در طبقهبندی شیءگرا اجرا شد.
طبقهبندی شیءگرا
طبقهبندی شیءگرا فرآیندی است که در آن کلاسهای پوشش اراضی به اشیاء تصویری3 ارتباط میدهد[11] نه بهصورت پیکسل. در این نوع طبقهبندی از تابع عضویت برای ارزیابی اشیاء در کلاسها استفاده میگردد که ارزش عضویت در آنمعمولاً مابین صفر و یک در تغییر است .[12] ارزش صفر بیانگر عدم احتمال وابستگی مطلق است و یک بیانگر نسبت عضویت کامل هر پیکسل در کلاسی خاص است.
این تکنیک بهصورت یک فرایند تکرارپذیر در نرمافزار eCognation انجام میگردد تا بالاترین درجه عضویت برای هرکدام از شیءهای تصویری حاصل آید. که درنهایت پس از فرایند طبقهبندی، هر یک از اشیاء تصویری به یکی - یا هیچکدام - از کلاسها اختصاص مییابند. مهمترین و اساسیترین مرحله طبقهبندی شیءگرا مبتنی بر قطعهبندی یا سگمنت سازی است.
بدین ترتیب است که برای انجام روش شیءگرا، سگمنتسازی چند تفکیکی4 در نرمافزار eCognition ایجاد میشود. در نرمافزار eCognition تصویر بر اساس تعیین سه پارامتر رنگ / شکل، فشردگی / همواری و شاخص مقیاس به قطعات همگن تقسیم میشود و بهترین میزان این فاکتورها با آزمون و خطا به دست میآید. هرچقدر این فرایند با دقت بیشتری انجام گیرد، مستقماًی در کیفیت طبقهبندی شیءگرا تأثیر خواهد داشت.[13] پارامترهای شکل، فشردگی و مقیاس با سعی و خطا همانطور که در شکل 2 نشان دادهشده است، برآورد شد.
در مرحله بعد برمبنای تصویر قطعهبندی شده و بر اساس نمونه تعلیمی انتخابشده از میان آنها، تصویر با الگوریتم نزدیکترین همسایگی طبقهبندی گردید. نمونههای آموزشی با شیءهای تصویری نمونه مشخص میشود . در ادامه نمونههای آموزشی موردنیاز برای بهکارگیری طبقهبندی در محیط نرمافزار eCognation بر سطح تصویر پیاده شده و شیءهای تصویری متناظر آنها بهعنوان نمونه آموزشی برای کلاسهای طبقهبندی انتخابشده است. در برداشت نمونهها در این روش سعی شد تا از پراکنش مناسب در سطح تصویر برخوردار باشند.
به علت مقیاس کوچک سعی گردید تا تعداد نمونهها با توجه بهاندازه مقیاس انجام گیرد - زمان پردازش طولانی - . بدین ترتیب اشیای تصویری برای هر کلاس موردنظر با استفاده الگوریتم نزدیکترین همسایه با تکنیک شیءگرا طبقهبندی شد. این فرایند طبقهبندی تکرارپذیر است تا حصول بالاترین درجه عضویت برای هریک از کلاس ادامه مییابد. پس از طبقهبندی تصویر مذکور با استفاده از روشهای شیءگرا نتایج بهصورت نقشه تهیه گردید؛ که نتایج حاصله از آن در شکل 3 و 4 در بخش نتایج نشان دادهشده است.
