ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان)

فرسایش خاک بر اثر آب، یکی از مهمترین عوامل ویرانی زمین به شمار رفته و امروزه به عنوان یک خطر زیست محیطی جدی در سراسر جهان تلقی می گردد. امروزه به کارگیری سنجش از دور در پروژه های حفاظت و فرسایش خاک مرسوم است که در بیشتر آنها از عکسهای هوایی استفاده می شود که با وجود مزایای فراوان، دارای محدودیت هایی نیز هستند. در پژوهش حاضر، با استفاده از داده های ماهواره ای با قدرت تفکیک بالا مربوط به ماهواره سنتینل2 و تلفیق آن با عکسهای هوایی و نقشه های پایه، و اجرای روش های مختلف طبقه بندی اعم از پیکسل پایه و شیءگرا، با هدف آشکارسازی و پهنه بندی سطوح فرسایشی خاک، مورد بررسی و ارزیابی قرار گرفته است. پس از انجام عملیات ستادی، تصحیح های اتمسفری و هندسی، انجام پیش پردازش و پردازش های اولیه روی تصاویر سنتینل2، در نهایت اقدام به آشکارسازی و پهنه بندی سطوح فرسایش در حوزه آبخیز لیقوان گردید. به منظور ارزیابی صحت و دقت هرکدام از روش های به کار رفته در این تحقیق، معیارهای ارزیابی دقت تولید کننده و کاربر، صحت کلی و ضریب کاپا بررسی و مقایسه شدند. بر اساس نتایج حاصله، روش طبه بندی نظارت شده با به کارگیری الگوریتم نقشه زاویه طیفی و فاصله ماهالانویی، به ترتیب با دقت تولید کننده 77.78 و 33.33 دارای بیشترین و کمترین دقت برای طبقه بندی برخوردار هستند. همچنین، به طور کلی معیار صحت کلی و ضریب کاپا نیز به ترتیب با مقادیر حداکثر 72 و 62 درصد، بیانگر دقت و صحت متوسط نقشه های تولیدی الگوریتم های پیکسل پایه می باشند. در حالیکه نتایج حاصله از پردازش شیءگرا نشان می دهد که بر اساس هر دو معیار دقت تولید کننده و دقت کاربر، روش های شیءگرا باعث افزایش 12 درصدی دقت نسبت به روش های پیکسل پایه شده است. نتایج طبقه بندی با الگوریتم های شیءگرا و بر اساس صحت کلی برابر 88 و 84 درصد به ترتیب برای الگوریتم های ضریب روشنایی و تلفیق ضریب روشنایی و شیب و بر اساس معیار ضریب کاپا نیز برای این دو الگوریتم به ترتیب 0.86 و 0.79 بدست آمد که نشان دهنده افزایش قابل قبول صحت طبقه بندی در استفاده از الگوریتم های شیءگرا در مقایسه با الگوریتم های پیکسل پایه است.

Evaluation of Pixel and ObjectOriented Classification Techniques for Detection and Zoning of Erosion Lands Using Sentinel2 Remote Sensing Data (Case Study: Lighvan Watershed)

Water erosion is one of the most important causes of soil destruction, and it is considered a serious environmental hazard all over the world. Recently, remote sensing is customarily used in conservation and erosion projects that most of them use air photography which, despite the many benefits, bot have limitations. The present study was aimed to detect and zoning soil erosion levels using high resolution of Sentinel2 satellite image, its integration with aerial photographs, base maps, and implementation of various classification methods, including pixelbased and objectoriented techniques. After the staff operations, atmospheric and geometric corrections, preprocessing, and processing done on images of Sentinel2 for detecting the area of erosion in the Lighvan watershed. In order to evaluate the correctness and accuracy of each method in this study, the criterions of user and producer accuracy, accuracy and kappa coefficient were compared. Based on the results, the supervised tuning method with user accuracy equal 77.78 and 33.33, has the highest and lowest accuracy for classification using spectral angle map algorithm and Mahalanubis distance, respectively. The maximum of overall accuracy and kappa coefficients, 72 and 62 percent, respectively, indicate the medium accuracy of the produced maps with pixel based algorithms. The results of objectoriented processing show that based on user and producer accuracy, objectoriented methods have increased accuracy (12 %) compared to pixelbased methods. Classification results with objectoriented algorithms and based on overall accuracy, 88 and 84 percent, respectively, for the brightness and the combination of brightness and slope, and the kappa coefficient for these two algorithms was 0.86 and 0.79, respectively. This result represents an acceptable increase in classification accuracy in the use of objectoriented algorithms compared to pixel base algorithms.