ارائه یک مدل نیمه- اتوماتیک مبتنی بر آنالیز شیءگرا به منظور تهیه نقشه پراکنش زمین‌لغزش (مطالعۀ موردی: از حوزۀ آبخیزوازرود)

نخستین گام در مطالعات حساسیت و خطر زمین لغزش، تهیه نقشه پراکنش زمین لغزش ها است. روش معمول در تهیه نقشههای زمین لغزش شامل مطالعات میدانی به همراه تفسیر عکسهای هوایی می باشد. تکنیک های نوین و نوظهور سنجش از دوری، با استفاده از تصاویر ماهواره ای منجربه تسهیل تولید نقشه های زمین لغزش و کاهش زمان مورد نیاز شده است. در تحقیق حاضر به منظور شناسایی زمین لغزش های بخشی از رشته کوه های البرز میانی در حوضه وازورد، مدلی نیمه اتوماتیک مبتنی بر آنالیز شیءگرا (ooa) درمحیط نرم افزار ecognition طراحی شد. با بررسی تحقیقات پیشین، تفسیر عکس های هوایی و همچنین بررسی منطقه با استفاده از تصاویر google earth، تعداد 105 لغزش در منطقه شناسایی شد که از این تعداد، به ترتیب 74 (70درصد) و 31 (30 درصد) برای آموزش و آزمون در نظر گرفته شد. مدل شناسایی بر اساس خصوصیات مکانی، طیفی و شکلیِ زمین لغزش های آموزشی و همچنین نقشه های موضوعی منطقه طراحی شد. نتایج حاصل از کاربرد مدل در منطقه مورد مطالعه نشان داد که مدل ارائه شده در این تحقیق، قادر به شناسایی 74.19 درصد از زمین لغزش های آزمون می باشد؛ همچنین دقت مدل در شناسایی سطح گسترش زمین لغزش ها در منطقه برابر با 41.28 درصد بوده که در صورت استفاده از تصاویر ماهواره ای با قدرت تفکیک بالا بهبود خواهد یافت.

A Semi-Automated Object-Based Model for Producing Landslide Inventory Map (Case Study: Vazroud Watershed)

The first step in the study of landslide susceptibility and hazard is to produce a landslide inventory map. The usual methods of landslide mapping include field investigations, combined with visual interpretation of aerial photographs. Modern and newfangled remote sensing techniques, using satellite images, causes in facilitating of landslide mapping and reduce the required time. In this study a semiautomatic model based on object oriented analysis was developed in eCognition software to identify landslides at the central part of the Albourz Mountains in Vazroud watershed. A total of 105 landslide events were detected within the study area using documentation from previous research, interpretation of aerial photographs and visual inspection of the Google Earth images. 70% (74 points) of detected landslides were randomly selected for training, and the remaining 30% (31 points) cases were used for test. The model was developed based on spatial, spectral and geometry characteristics of training landslides as well as thematic maps of the study area. Results showed the model accuracy of 74.19% in the detection of test landslides. Also the accuracy of 41.28% was achieved in detection of the extent of landslides which in the condition of using highresolution images, would be improved.