بررسی کارایی روش‌های طبقه‌بندی تصاویر ماهواره‌ای در ارزیابی تغییرات کاربری اراضی شهری با استفاده از بهینه‌سازی مقیاس در پردازش شی‌ءگرا (مورد: شهر اردبیل)

یکی از راه های تهیه نقشه های پوشش گیاهی و کاربری اراضی، استفاده از داده های ماهواره ای و فرآیند طبقه بندی تصاویر است. با استفاده از تصاویرماهواره ای بررسی، شناخت و ارزیابی پدیده های مختلف و استخراج اطلاعات لازم برای برنامه ریزی منابع زمینی یا سایر مقاصد به سهولت انجام می گیرد. هدف پژوهش مقایسه میزان کارایی هفت روش رایج طبقه بندی نظارت شده داده های ماهواره ای در ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر سنجنده tm و oliماهواره لندست و irs و اسپات5 و کوئیک برد و ترکیب های رنگی متفاوتی از این تصاویر جهت استخراج کاربری های اراضی زراعی، مناطق مسکونی و مناطق آبی با استفاده از پردازش شی گرا می باشد. ابتدا نمونه های آموزشی در پنج کلاس کاربری به وسیله نرم افزار ایکاگنیشن با استفاده از بهینه سازی مقیاس سگمنت سازی با استفاده از ترکیب های رنگی متفاوت و ضرایب شکل و فشردگی استخراج شد. مقیاس مناسب جهت سگمنت سازی برای اراضی زراعی، مقیاس 50 ، برای عوارض انسانی 8 و در نهایت برای مناطق آبی 10 به دست آمد. سپس هر تصویر به طور جداگانه با استفاده از هفت روش طبقه بندی (مانند روش شبکه عصبی) و نمونه های مستخرج، طبقه بندی شده و میزان کارایی هر روش با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید. نتایج به دست آمده نشان دهنده میزان دقت هر یک از روش های طبقه بندی بوده که شبکه عصبی با دقت کلی 475/94 و ضریب کاپای 095/92 به عنوان دقیق ترین روش طبقه بندی انتخاب شد. این نتایج نشان می دهد که برداشت نمونه های تعلیمی با دقت مناسب از طبقات موجود در تصاویر و همچنین بررسی میزان احتمال تعلق هر یک از پیکسل های تصاویر ماهواره ای به این طبقات، به خوبی می تواند در طبقه بندی گروه های موجود در منطقه مفید واقع شود.

Classification of Satellite Images in the Evaluation of Urban Land Use Change Using Scale Optimization in Objected Oriented Processing (Case Study: Ardabil City)

The purpose of the study was to compare the efficiency of the seven commonly used methods of satellitecontrolled monitoring of land use changes in the evaluation of land use changes using TM and OLS Landsat, and IRS, and Spot 5 and Quick Birds bands, and different color combinations of this Images are intended for exploitation of agricultural land, residential areas and aquatic areas using objectoriented processing. Digital processing of satellite images was carried out in 1998 and 2016 using advanced methods. Educational examples in five user classes by eCognition software using segmentation scale optimization using different color combinations and coefficients of shape and compression, an appropriate scale for segmentation for arable land, scale 50, for human complications 8 and finally for aquatic areas 10 as appropriate scales. Then each image was classified separately using seven methods and extracted samples and the efficiency of each classification method was calculated by calculating the two general health and Kappa coefficients. The results indicate the accuracy of each classification method, which method of classification of the neural network with a total accuracy of 475/94 and Kappa coefficient 925/92 as the most accurate method among class methods Fetch selected. These results show that the sampling of educational samples with the proper precision of the classes in the images and the probability of belonging to each of the pixels of satellite images to these classes can well be classified in the group Available in the helpful area.