ارزیابی و تهیه نقشه کاربری اراضی حوضه آبخیز نیرچای با استفاده از روش شیءگرا

طبقه‌بندی جهت استخراج کاربری‌های اراضی همیشه یکی از مهم‌ترین کاربردهای سنجش از دور بوده و به همین دلیل روش‌های متفاوتی ایجاد شده‌اند. با گذشت زمان روش‌های پیشرفته‌تر و با دقت بالاتری به‌وجود آمدند که باعث افزایش دقت شده و در استخراج کلاس‌هایی که از نظر طیفی به‌هم نزدیک‌تر بودند بهتر عمل کرده‌اند. الگوریتم‌های شناسایی تغییرات در تصاویر سنجش از دور به دو دسته پیکسل‌پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می‌شوند. هدف از این پژوهش ارزیابی و تهیه نقشه کاربری اراضی حوضه آبخیز نیرچای در استان اردبیل با استفاده از روش شیءگرا می‌باشد. طبقه‌بندی کاربری اراضی شامل قطعه‌بندی داده‌های تصویر با استفاده از الگوریتم قطعه‌بندی چند مقیاسه در محیط نرم افزار ecognition انجام شد. سپس این قطعات انتخاب‌شده و با استفاده از الگوریتم نزدیک‌ترین همسایه شیءگرا طبقه‌بندی و ارزیابی صحت انجام شد. نتایج نشان داد که طبقه‌بندی شیءگرا با صحت کلی 99 و ضریب کاپای 0.88 درصد که نشان‌دهنده صحت بالای روش شیءگرا در طبقه‌بندی است. همچنین نقشه کاربری اراضی نشان داد که کاربری مناطق آبی و مراتع ضعیف به‌ترتیب کم‌ترین (70 هکتار) و بیش‌ترین (8069 هکتار) مساحت را به خود اختصاص داده‌اند.

evaluation and preparation of land use map of nirchai watershed using object oriented method

land use classification has always been one of the most important applications of remote sensing, and for this reason, different methods have been developed. with the passage of time, more advanced methods with higher accuracy were created, which increased the accuracy and performed better in extracting classes that were spectrally closer to each other. algorithms for detecting changes in remote sensing images are divided into two categories: pixel-based and object-oriented, based on the minimum processing unit. the purpose of this research is to evaluate and prepare a land use map of the nirchai watershed in ardabil province using the object-oriented method. land use classification including segmentation of image data was done using multi-scale segmentation algorithm in ecognition software environment. then these parts were selected and classified and evaluated using the object-oriented nearest neighbor algorithm. the results showed that the object-oriented classification has an overall accuracy of 99 and a kappa coefficient of 0.88%, which indicates the high accuracy of the object-oriented method in classification. also, the land use map showed that the use of water areas and poor pastures occupied the least (70 hectares) and the most (8069 hectares), respectively.