مقایسه روش های طبقه بندی پیکسل پایه و شیءگرا در تهیه نقشه کاربری اراضی (مطالعه موردی: دشت های اصفهان- برخوار، نجف آباد و چادگان)

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 329

This Paper With 18 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GIRS-9-1_003

تاریخ نمایه سازی: 25 خرداد 1398

Abstract:

الگوریتم های شناسایی تغییرات در تصاویر سنجش ازدور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش مقایسه عملکرد روش های پیکسل پایه و شیءگرا در طبقه بندی کاربری اراضی در دشت های اصفهان- برخوار، نجف آباد و چادگان و بررسی تغییر کاربری اراضی در طول دوره آماری با استفاده از تصاویر لندست  (TM (1985 و (OLI (2015 است. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویری با استفاده از الگوریتم قطعه بندی چندمقیاسه در محیط نرم افزار eCognition انجام شد. سپس این قطعات انتخاب شده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی شدند. طبقه بندی پیکسل پایه نظارت شده شامل انتخاب نمونه های تعلیمی با استفاده از الگوریتم حداکثر احتمال انجام شد. ارزیابی صحت در هر دو روش انجام شد. نتایج نشان داد که طبقه-بندی شیءگرا با صحت کلی بالای 90 درصد نسبت به طبقه بندی پیکسل پایه از دقت بالاتری برخوردار است. نقشه های کاربری اراضی نشان داد به ترتیب در دشت های اصفهان- برخوار، نجف آباد و چادگان مساحت کاربری مسکونی برابر با 2.09، 9.66، 3.74 درصد افزایش و کاربری مرتعی برابر با 7.48، 10.94 و 17.73 درصد کاهش در طول دوره موردمطالعه داشته اند. همچنین در دشت چادگان سطح اراضی زراعی و تحت آیش به ترتیب به میزان 8.31 و 5.64 درصد افزایش داشته اند.

Keywords:

پیکسل پایه , شیءگرا , طبقه بندی حداکثر احتمال , طبقه بندی نزدیک ترین همسایه , کاربری اراضی

Authors

صدیقه غفاری

دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه تربیت مدرس

حمید رضا مرادی

دانشیار دانشکده منابع طبیعی، دانشگاه تربیت مدرس

مدرس رضا

استادیار دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1394. ...
  • حاجیان، ن. و پ. حاجیان. 1392. پایگاه داده های زاینده ...
  • سلاجقه، ع.، س. رضوی زاده، ن. خراسانی، م. حمیدی فر ...
  • شریفی، ل.، ع. ا. رسولی، م. ا. حجازی و ه. ...
  • فاطمی، ب. و ی. رضایی. 1391. مبانی سنجش از دور. ...
  • فتحی­ زاد، ح.، م. تازه و س. کلانتری. 1394. مقایسه ...
  • فیضی ­زاده، ب. و ح. هلالی. 1389. مقایسه روش­های پیکسل­پایه، ...
  • قربانی، ا.، ف. اسلمی، س. احمدآبادی و س. غفاری. 1394. ...
  • کریمی، ک. و چ. ب. کمکی. 1394. پایش، ارزیابی و ...
  • لطفی، ص.، ح. محمودزاده، م. عبدالهی و ر. سالک فرخی. ...
  • مرادی، ع.، م. جعفری، ح. ارزانی و م. ابراهیمی. 1395. ...
  • Abdul-Qadir A, Benni TJ. 2010. Monitoring and evaluation of soil ...
  • Adam HF, Csaplovics E, Elhaja ME. 2016. A comparision of ...
  • Besag J. 1986. On the statistical analysis of dirty pictures. ...
  • Chen M, Su W, Li L, Zhang C, Yue A, ...
  • Jensen JR. 2015. Introductory Digital Image Processing: A Remote Sensing ...
  • Matinfar H, Sarmadian F, Alavi Panah S, Heck R. 2007. ...
  • Moosavi V, Shamsi SRF, Moradi H, Shirmohammadi B. 2014. Application ...
  • Platt RV, Schoennagel T. 2009. An object-oriented approach to assessing ...
  • Yuqi T. 2013. Object-oriented change detection with multi-feature in urban ...
  • Zhao Y. 2003. Principles and methods for remote sensing application ...
  • Zhenjian Z. 2014. Change detection of remote sensing images based ...
  • نمایش کامل مراجع