مقایسۀ روش های تفسیر چشمی و رقومی در تهیۀ نقشه کاربری و پوشش اراضی استان اردبیل

تهیۀ نقشه کاربری/ پوشش اراضی یکی از پرکاربردترین موارد استفاده از داده‌های سنجش از دور است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام، رقومی، پوشش تکراری، کم‌هزینه بودن، امکان پردازش و پتانسیل بالا برای تهیۀ نقشه‌های کاربری و پوشش اراضی در منابع طبیعی، از اهمیت بالایی برخوردار است. در این تحقیق نقشه کاربری و پوشش اراضی با استفاده از تصاویر گوگل ارث و تصویر سنجنده oli ماهواره landsat 8 و روش‌های تفسیر چشمی (تصاویر ge)، طبقه‌بندی نظارت‌شده، شبکه عصبی مصنوعی و طبقه‌بندی شیءپایه، (تصویر لندست 8)، تهیه و با یکدیگر مقایسه شدند. برای ارزیابی صحت طبقه‌بندی از شاخص‌های صحت کل، ضریب کاپا، صحت تولیدکننده و صحت کاربر استفاده شد. نتایج نشان داد روش تفسیر چشمی با صحت کلی 99.4 و ضریب کاپای 0.99، نسبت به روش‌های شیءپایه، نظارت‌شده و شبکه عصبی مصنوعی (به ترتیب با صحت کلی 94، 82 و 60.8 و ضریب کاپای 0.92، 0.77 و 0.5) از صحت بیشتری برخوردار است. بر اساس نقشه تفسیر چشمی مراتع با مساحت 946687 هکتار و پهنه‌های آبی با مساحت 2177.4 هکتار به ترتیب بیشترین و کمترین کاربری را به خود اختصاص دادند. در مجموع از نظر صحت، روش تفسیر چشمی با استفاده از تصاویر گوگل ارث از صحت بالایی برخوردار است اما روشی زمان‌بر و پر‌هزینه است، در مقابل روش طبقه‌بندی شیءپایه با صحت قابل‌قبول و ‌هزینه و زمان کمتر، مناسب‌ترین روش برای تهیه نقشه کاربری/ پوشش اراضی است.

Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province

Land use/cover mapping is one of the most common applications of remote sensing data. Remote sensing data by providing updated digital information, repetitive coverage, reduce costs and the possibility of processing and high potential for the preparation of land use/cover maps in natural resources, is of paramount importance. In this study, the land use and cover map prepared using Google Earth and the Operational Land Imager image sensor (OLI) of Landsat 8 satellite and methods of visual interpretation (GE images), supervised classification, neural networks and objectbased classification methods (Landsat 8 images), and compared with each other. In order to evaluate the accuracy of the classification, the overall accuracy, Kappa coefficient, producer’s accuracy and user’s accuracy were used. The results showed that the visual interpretation method with overall accuracy and Kappa coefficient of 99.4 and 0.99, in comparison to the objectbased, supervised and artificial neural networks (with an overall accuracy of 94, 82 and 60.8, and a Kappa coefficient of 0.92, 0.77 and 0.50) are more reliable. According to the map of visual interpretation, the rangelands with an area of 946687 ha and water bodies in the area of 217.42 ha were the largest and smallest land use/covers, respectively. In terms of accuracy, the visual interpretation method using Google Earth images had the highest accuracy, but it is timeconsuming and costeffective. In contrast, objectbased method with acceptable accuracy and with low cost and time is the best method for land use/cover mapping.