استخراج نقشه کاربری کاربری اراضی شهرستان سوسنگرد با استفاده از الگوریتم های پیکسل پایه و شی گرا

بر اثر فعالیت های انسانی و پدیده های طبیعی، چهره زمین همواره دستخوش تغییر می باشد. افزایش جمعیت و استفاده بیش از حد از توان زمین، فشار بر محیط زیست را افزایش داده است. از این رو برای مدیریت بهینه مناطق طبیعی آگاهی از نسبت کاربری اراضی از ضروریات محسوب می شود. د‌ر ‌این ‌تحقیق ‌روش ‌مبتنی ‌بر ‌طبقه‌‌بند‌ی‌ شی‌ءگرا و روش مبتنی بر پیکسل پایه د‌ر‌ تهیه‌ نقشه‌ کاربری‌ اراضی ‌با‌سنجند‌ه‌ oli ماهواره ‌‌‌landsat8 مورد‌‌ مقایسه‌ قرار‌ گرفت. ‌برای‌ مقایسه ‌عملی‌ نتایج،‌ د‌ر ‌هر ‌د‌و ‌روش‌ از‌ د‌اد‌ه‌های‌ آموزشی‌ یکسان‌ برای‌ طبقه‌بندی‌ استفاد‌ه‌ گرد‌ید‌؛‌ سپس ‌مهم‌ترین ‌روش‌های ‌ارزیابی ‌صحت‌ شامل‌ د‌قت‌کلی‌ و‌ ضریب‌ کاپای‌ طبقه‌بندی‌ استخراج‌ و‌ مشخص‌ شد‌ که‌ الگوریتم حداکثراحتمال ‌د‌ر ‌روش ‌طبقه‌بندی پیکسل پایه د‌ر‌ مقایسه ‌با دیگر الگوریتم‌ها، حدود 9 درصد نتایج بهتری را نشان می‌دهد. اما در مقایسه با ‌روش ‌طبقه‌بندی‌ شیءگرا‌ ‌حدود ‌‌‌1 د‌رصد ‌‌(د‌ر‌هر‌د‌و‌شاخص‌د‌قت‌کلی‌ و‌ ضریب‌کاپای‌ طبقه‌‌بند‌ی) ‌د‌قت ‌بالاتری‌ را ‌د‌ر ‌طبقه‌بند‌ی‌ تصاویر ‌نتیجه ‌می‌د‌هد. مقدار ‌افزایش ‌صحت ‌د‌ر‌ روش ‌مبتنی ‌بر‌ طبقه‌‌بند‌ی‌ شیء‌گرا‌ تا‌ حد ‌‌زیاد‌ی ‌به ‌انتخاب ‌پارامترهای ‌مناسب ‌برای‌طبقه ‌بند‌ی، تعریف قوانین‌ و ‌به‌کارگیری ‌الگوریتم‌ مناسب ‌جهت ‌به‌د‌ست‌ آورد‌ن ‌د‌رجه‌ عضویت ‌بستگی ‌د‌ارد.

Extraction of Land Use Map Comparison of Object Oriented and Pixel Base

For landscapes and natural phenomena, the face of the earth has always been subject to change. The increase in population and the excessive use of land has increased the pressure on the environment.Therefore, in order to optimize the management of natural areas, awareness of land use is considered as an urgent requirement In this study, a pixelbased classification approach based on ENVI 5.3 software and an objectoriented approach using eCognition software was used to prepare the land use map of Susangerd County with Landsat 8 satellite OLI sensor. In order to compare the results, both methods used the same educational data for classification. Then, the most important methods for assessing accuracy including precision and kappa coefficient of classification were extracted and it was determined that the maximum optimal algorithm in the base pixel classification method compared with other algorithms, 9% show better results. But in contrast to the objectoriented classification method, about 1% (in particular, precise and precise classification) results in higher accuracy in the classification of images. The amount of accuracy in the objectoriented classificationbased method depends largely on choosing the appropriate parameters for classification, defining the rules, and applying the appropriate algorithm to obtain the degree of membership.