آشکارسازی اراضی شالیزاری شهرستان رشت با استفاده از تصاویر چندزمانه لندست‌ 8

در بسیاری از کشورها به‌ویژه ایران، برنج به یکی از اقلام اساسی به‌لحاظ امنیت غذایی تبدیل شده است. در این تحقیق، به‌منظور تهیه نقشه سطوح شالیزاری، با توجه به ویژگی‌های فنولوژیکی گیاه برنج و به‌کمک داده‌های سالیانه دمای سطح زمین سنجنده مادیس، ابتدا برنامه زمانی برای انتخاب تصاویر سری زمانی ماهواره لندست‌ 8 تنظیم شد. پس از دریافت داده‌های ماهواره‌ای، به‌روش شیء‌مبنا و با بهره‌گیری از توابع فازی، به طبقه‌بندی تصاویر و در نهایت، استخراج اراضی شالیزاری در حوزه شهرستان رشت پرداخته شد. به‌منظور بهبود و ارتقای نتایج، در این تحقیق طی فرایند طبقه‌بندی تصاویر ماهواره‌ای، از داده‌های متنوعی مانند مدل رقومی زمین، داده‌های دمای سطح زمین و شاخص‌های طیفی همچون ndvi، evi، ndbi و lswi در کنار اطلاعاتی درباره ویژگی‌های خاص عوارض و اشیای داخل تصویر، استفاده شد. با توجه به خصوصیات ویژه اراضی شالیزاری، از مدل رقومی ارتفاعی 12.5متری برای تشخیص بهتر اراضی شالیزاری از دیگر پوشش‌های گیاهی، بهره گرفته شد. همچنین بین نتایج حاصل از طبقه‌بندی به‌روش شیء‌مبنا و پیکسل‌مبنا، مقایسه‌ای صورت گرفت؛ در نهایت، مشخص شد که روش طبقه‌بندی شیء‌مبنا می‌تواند، با ملاحظات خاصی، نتایجی بهتر از روش پیکسل‌مبنا دربر داشته باشد. نتیجه طبقه‌بندی با روش پیکسل‌مبنا، پس از اعتبارسنجی، دقت کلی 92% را نشان داد و ضریب کاپا در این روش 0/89 برآورد شد. طبق روش طبقه‌بندی شی‌ء‌مبنا، نتایجی با دقت کلی 94% به‌دست آمد و ضریب کاپا نیز 0/92 حاصل شد.

Detection of Rice Fields in Rasht Township Using Multi-Temporal Landsat-8 Images

Land use maps describe the spatial distribution of natural resources, cultural landscapes, and humansettlements that are essential for decision-makers. Therefore, the accuracy of maps obtained from theclassification of satellite images is very effective in uncertainty for urban management. Due to theuniform quality of images in large areas at regular intervals, remote sensing images are essential forland use maps. The primary purpose of this study is to present a proposed method to create anaccurate land cover map in urban areas using a combination of Sentinel-1 and Sentinel-2 data. For thispurpose, the features of the backscattering coefficient VV and the two parameters obtained from theH-α decomposition method (entropy, alpha) of Sentinel-1 radar images and the features of the blue,green, red band, NDVI, NDWI, MNDWI, and SWI were extracted from Sentinel-2 Multispectralimages and used as influential components to classify the urban area. To separate agricultural areasfrom other coatings, the SWI index was used. Elevation data have also been used to optimallydistinguish complex classes with different topographies. We evaluated the extraction of effectiveindicators from these two datasets in an object-oriented approach based on support vector machinealgorithms and random forest for land use classification. The results showed that using propertiesextracted from radar and Multispectral images simultaneously in the object-oriented classificationmethod could altogether determinate the object's properties in the study area. When optical and radardata were used simultaneously for both classification algorithms, the overall accuracy classificationincreased. For the stochastic forest method, which provided the highest accuracy, the overall accuracyfor the radar and optics data combination approach increased by 13% and 5%, respectively, comparedto the radar feature approach and the optics feature approach alone. There was also a significantdifference in classification accuracy at all levels between the support vector machine classificationalgorithm and the random forest. The results showed that the random forest classification method'soverall accuracy and support vector machines were 83.3 and 79.8%, respectively, and the kappacoefficient was 0.72 and 0.68%, respectively.