مقایسه تکنیک‌های شیءگرا در شناسایی اراضی شور حاشیه شرق دریاچه ارومیه با استفاده از تصاویر ماهواره لندست8 سنجنده oli

سابقه و هدف: شوری خاک یکی از مشکلات مهم زیست محیطی بوده که نواحی گسترده‌ای را در بسیاری از کشورها تحت تاثیر قرار می‌دهد و این مساله قابلیت تولید و باروری خاک را برای تولید مقرون بصرفه کاهش می دهد شناسایی و پایش مناطق شور برای کنترل رفتار تخریب زمین و مدیریت پایدار آن به ویژه در نواحی نیمه خشک ضروری می باشد. گسترش روند شور شدن خاک از چالش های مهم زیست محیطی حاشیه شرق دریاچه ارومیه می‌باشد. نتایج پژوهش پژوهشگران بیانگر آن است که در زمینه ی شوری با استفاده از روش های شیءگرا کمتر کار شده و همچنین در میان انواع طبقه‌بندی کننده‌های موجود در محیط نرم افزار ecognition، به مقایسه بین الگوریتم‌های طبقه‌بندی کننده در زمینه شوری کمتر توجه شده است بنابراین ضروری است که الگوریتم های طبقه‌بندی کننده تصاویر مقایسه شده و الگوریتم‌هایی که دقت خوبی در استخراج عوارض تصویر دارند، مشخص گردند به همین منظور مطالعه حاضر سعی بر آن دارد علاوه‌ بر اینکه شوری خاک در حاشیه شرق دریاچه ارومیه را از روی تصاویر لندست استخراج نماید، الگوریتم‌های طبقه‌بندی کننده را نیز از لحاظ دقت نتایج بدست آمده ارزیابی و مقایسه نماید.مواد و روش‌ها: منطقه مورد مطالعه بخشی از مناطق شرق حوضه آبریز دریاچه ارومیه است که شامل دشت های تبریز، شبستر، اسکو، آذرشهر، ، عجبشیر و بناب، ملکان وقسمتی از مراغه می باشد. و در محدوده 37درجه و9دقیقه تا 38درجه و 11دقیقه عرض شمالی و 45درجه و 41دقیقه تا 46درجه و 17دقیقه طول شرقی در شمال غرب ایران واقع گردیده است. مساحت محدوده مورد مطالعه 3847.6012 کیلومتر مربع می‌باشد. در این تحقیق، از دو نوع داده شامل تصاویر ماهواره‌ای لندست و دادههای بدست آمده از gps در طی عملیات میدانی استفاده گردید. ابتدا مراحل پیش پردازش تصویر از جمله تصحیح رادیومتریک جهت محاسبه شاخص‌های طیفی، برش منطقه، استک کردن باندهای تصویر در محیط نرم افزاری envi 5.1 صورت گرفت و پس از این اعمال، تصاویر و لایه‌های اطلاعاتی gis شامل (اطلاعات توپوگرافی حاصل از dem 30 متری منطقه، کلاس‌بندی خاک، شاخص پوشش گیاهی(ndvi) و سایر لایه‌های اطلاعاتی) به منظور طبقه بندی دانش پایه و اعمال الگوریتم‌های مختلف وارد محیط نرم افزار ecognation شد. در این مطالعه کارایی تکنیک فازی شیءگرا و روش نزدیک‌ترین همسایگی در استخراج نواحی شور حاشیه شرق دریاچه ارومیه بررسی شده است.یافته‌ها: جهت دستیابی به نتایج با دقت بالا، با استفاده از الگوریتم esp اقدام به بهینه‌سازی مقیاس سگمنت‌سازی گردید و مقیاس 170 با ضریب شکل 0.3 و ضریب فشردگی 0.5 به عنوان مقیاس مناسب انتخاب گردید. در مرحله بعد تصویر مورد نظر با استفاده از دو الگوریتم نزدیک‌ترین همسایگی و فازی شیءگرا مورد پردازش قرار گرفت. در این پژوهش جهت انجام طبقه بندی نزدیک‌ترین همسایگی، ابتدا فواصل بین نمونه‌های تعلیمی با استفاده از الگوریتم fso بهینه گردید. و برای تصویر مورد مطالعه هجدهمین بعد با فاصله تفکیکپذیری 2.52 به‌عنوان بهترین بعد جهت جداسازی کلاس‌های موردنظر مشخص گردید. بررسی نتایج به دست آمده نشان می‌دهد که هر دو روش با کمی تفاوت نتایج نسبتاً مشابهی را به دست می‌دهند. روش نزدیک‌ترین همسایگی اراضی غیر شور را بیشتر از روش فازی شیءگرا برآورد نموده است و این می‌تواند به دلیل وجود پیکسل‌های آمیخته باشد.نتبجه‌گیری: بررسی نتایج به دست آمده نشان داد که روش فازی شیءگرا به دلیل استفاده از توابع درجه عضویت دارای دقت کلی 0.94 و ضریب کاپای 0.91 بوده و در استخراج شوره‌زارهای حاشیه شرق دریاچه نسبت به الگوریتم نزدیک‌ترین همسایگی برتری دارد. همچنین مشخص گردید که شاخص روشنایی به عنوان موثرترین شاخص در شناسایی و تفکیک اراضی شور از نواحی غیر شور می‌باشد.

Identifying and Monitoring Soil Salinization in the Eastern Part of Urmia lake Together With Comparing Capability of Object Based Image Analysis Techniques

Background and Objectives:Soil salinity is one of the major environmental problems affecting vast areas in many countries and this problem reduces the ability to produce and fertilize the soil for costeffective production. Identification and monitoring of saline areas is necessary for controlling land degradation behavior and its sustainable management, especially in semiarid areas. Expansion of the process of soil salinization is one of the important environmental challenges of the eastern margin of Urmia Lake. The research results of the researcher indicate that less work has been done in this salinity field by means of objectoriented methods. As well as among the various types of classifiers in the eCognition software environment, comparisons between salient classification algorithms are less significant. Therefore, it is necessary to compare the images classification algorithms and algorithms that have a good accuracy in extracting image complications are identified.Materials and Methods:The study area is part of the eastern catchment of Urmia Lake which includes the plains of Tabriz, Shabestar, Oskuo, Azarshahr, Ajbashir and Bonab, Malekan and part of Maragheh. And it is located in the range of 37 degrees, 9 minutes to 38 degrees, 11 minutes north latitude and 45 degrees, 41 minutes to 46 degrees and 17 minutes east longitude in the northwest of Iran. The study area is 3847 square kilometers. For this purpose, two types of data including satellite images and GPS data obtained from field operation were employed. First, the stages of image preprocessing, including radiometric correction, to calculate the spectral indices, subset, and image bands stack in the ENVI 5.1 software were performed. After performing the preprocessing stages, the images and GIS data include (Topographic data from DEM 30m of area, soil classification, vegetation index (NDVI) and other information layers) were imported to the eCognition software for object based image processing and to classify knowledge based classification based on different algorithms. In this study, the effectiveness of the object based fuzzy technique and the nearest neighbor approach in the extraction of saline areas in the eastern of Urmia Lake were also investigated as part of methodology. Results:In order to achieve high accuracy results, using the ESP algorithm, the segmentation scale was optimized. By predicting the appropriate scale for creating image units using the ESP algorithm, the scale 170 with coefficients of shape 0.2 and compression 0.5 was selected as the appropriate scale for extraction of image symptoms. Accordingly, to classify the nearest neighbor classification, at the first, the intervals between educational samples were optimized using FSO algorithm. And for the image of the study, the eighteenth dimension with a separation distance 2.52 was identified as the best dimension for the separation of the desired classes. The results indicate that both methods with small difference have relatively similar results. However, the nearest neighbor approach has been estimated nonsaline lands more than the object based fuzzy method. Based on our statement it could be due to the presence of mixed pixelsConclusion: The results showed that the fuzzy objectoriented method, due to the use of membership degree functions, has overall accuracy of 0.94 and a kappa coefficient of 0.91, and it is superior to the nearest neighboring algorithm in extraction of eastern lake margins. It was also found that the brightness index is the most effective indicator in identifying and distinguishing salty lands from nonsaline areas.