تجزیه و تحلیل گرانولومتری بر روی تصاویر سنجش از دور: کاربرد در نگاشت تغییرات گذشته نگر در پوشش خاکی ساحلی

خلاصه

این مقاله نشان می‌دهد که چگونه استفاده از مورفولوژی ریاضی می‌تواند ابزار قدرتمندی برای نقشه‌برداری پوشش آذرین در زمین‌های نیمه‌خشک باشد. پوشش آذرین نقش اساسی در مناطق نیمه خشک ساحل دارد زیرا این منبع برای تاب آوری جوامع روستایی حیاتی است و می تواند به عنوان شاخصی برای شرایط اجتماعی-محیطی مورد استفاده قرار گیرد. تصاویر عمودی تون خاکستری از روستاهای ساحلیان در سال‌های 1975 و 2010/2011 برای انجام یک تحلیل دیاکرونیک برای آزمایش روش انتخاب شده‌اند. پروفایل های گرانولومتری برای هر پیکسل محاسبه شده است و سپس یک طبقه بندی بدون نظارت برای به دست آوردن کلاس های k که برای تکه های سنگی با اندازه های مختلف محاسبه می شود، انجام شده است. این روش به ویژه زمانی موفق است که از جدیدترین تصاویر استفاده شود، با توجه به اینکه این تصاویر کنتراست و وضوح بهتری دارند. طبقه‌بندی‌های تودرتو برای انجام نقشه‌برداری خطوط تصاویر از سال 1975 مورد نیاز بود. ارزیابی دقت برای طبقه‌بندی‌های اخیر تصاویر نتایج رضایت‌بخشی را نشان می‌دهد. طبقه بندی پوشش های آذرین بر اساس اندازه های مختلف برای درک بهتر دینامیک آذرین مهم است.

کلید واژه ها:

گرانولومتری ; پوشش آذرین ; طبقه بندی ; تجزیه و تحلیل دیاکرونیک ; نیمه خشک

1. معرفی

این مقاله روشی را برای نگاشت پوشش سنگی با استفاده از مورفولوژی ریاضی ارائه می کند. استفاده ترکیبی از تجزیه و تحلیل گرانولومتری بر روی تصاویر تون خاکستری و طبقه بندی بدون نظارت برای تشخیص لکه های آذرین با اندازه های مختلف در زمین های نیمه خشک پیشنهاد شده است.

برای آزمایش این روش از تصاویر با وضوح بالا بر روی منطقه ساحلی استفاده شده است. در مناطق نیمه خشک، جمعیت های آذرین اغلب به عنوان گونه های دائمی بین سالانه درک می شوند، به طوری که تغییرات در پویایی آنها عمیقاً با شرایط محیطی مرتبط است [ 1 ]. در ساحل، گونه‌های آذرین نقش مهمی در تاب‌آوری جوامع روستایی دارند: حاصلخیزی خاک را افزایش می‌دهند، غذا و علوفه را تأمین می‌کنند، از فرسایش خاک جلوگیری می‌کنند و به تنوع وظایف در جامعه کمک می‌کنند [2] .]. بنابراین، نقشه برداری و درک تغییرات فضایی در توزیع آذرین یک چالش مهم است. تجزیه و تحلیل اندازه و توزیع تکه های سنگی از تصاویر با وضوح بالا راه مناسبی برای درک دینامیک آن است [ 3 ].

روش‌های مختلفی برای تشخیص خودکار تاج‌های درخت از تصاویر سنجش از دور غیرفعال پیشنهاد شده‌اند [ 4 ، 5 ]. این روش‌ها تشخیص و ترسیم تاج‌های درخت را با تکنیک‌های پردازش تصویر کلاسیک مانند دوتایی کردن [ 6 ] یا طبقه‌بندی شی‌گرا [ 7 ، 8 ] پیشنهاد می‌کنند. با این حال، مورفولوژی ریاضی به ندرت برای این کار پیشنهاد شده است [ 9 ، 10 ]، و می تواند نه تنها برای تشخیص پوشش آذرین، بلکه برای طبقه بندی آن بسته به اندازه آن به دنبال یک منطق ریاضی مفید باشد [9 ] .

گرانولومتری یک تکنیک شناخته شده برای ارائه توزیع اندازه اشیاء یک تصویر است [ 11 ، 12 ]. در این مقاله، بسته‌های متوالی با بازسازی به منظور استخراج لکه‌های سیاه از تصاویر تون‌های خاکستری انجام شده است. این تکنیک اجازه می دهد تا ویژگی های فضایی و طیفی ساختارهای تصویر را در نظر بگیریم [ 13 ].

برخی از مطالعات استفاده از پروفایل های گرانولومتری (یا پروفایل های مورفولوژیکی) را برای طبقه بندی تصاویر پیشنهاد کرده اند [ 14 ، 15 ، 16 ، 17 ]. روشی برای نقشه برداری کلان بافت تراکم پوشش گیاهی از گرانولومتری پیشنهاد شده است [ 1 ، 18 ]. با این حال، اکثر مطالعات با استفاده از پروفایل های مورفولوژیکی بر اساس تصاویر شهری بوده اند [ 14 ، 15 ، 16 ، 17 ، 19 ]. یک کاربرد موفقیت آمیز مورفولوژی ریاضی برای تشخیص و خصوصیات تاج درخت در سراسر این مقاله نشان داده خواهد شد.

یک طبقه بندی k-means بدون نظارت [ 20 ] بر روی پروفایل های مورفولوژیکی استخراج شده از تصاویر تون خاکستری انجام شده است. اگرچه می‌توان از طبقه‌بندی پروفایل‌های مورفولوژیکی انتظار داشت برخی از افزونگی‌ها [ 15 ]، اما نشان داده می‌شود که انتخاب پارامترهای کافی می‌تواند به نتایج رضایت‌بخشی منجر شود.

هدف اصلی این کار میدانی یافتن روشی مناسب برای تحلیل تغییرات گذشته‌نگر دینامیک پوشش آذرین در ساحل با استفاده از تصاویر هوایی و ماهواره‌ای بوده است. این روش نتایج رضایت‌بخشی را نشان می‌دهد و مزایای مورفولوژی ریاضی را برای نقشه‌برداری پوشش سنگی برجسته می‌کند.

این مقاله در بخش هایی تنظیم شده است. در بخش اول، مروری کوتاه بر داده‌ها، عملگرهای مورفولوژیکی و طبقه‌بندی بدون نظارت مورد استفاده شرح داده می‌شود. در بخش بعدی، نتایج این روش به کار گرفته شده در دو روستای ساحلی مختلف ارائه شده است. در بخش آخر بحث مختصری در مورد موضوع پیشنهاد شده است.

2. مواد و روشها

2.1. داده ها و پیشینه

تصاویر عمودی با وضوح بالا ارائه شده توسط ماموریت های هوایی و ماهواره ها منبع اطلاعاتی ضروری برای درک دینامیک پوشش آذرین هستند. تصاویر ارائه شده در این مقاله، تصاویر هوایی اسکن شده از یک ماموریت IGN (40/600) در طول مارس 1975 (مقیاس 1:62500) و عکسبرداری از صفحه نمایش از Google Earth Pro هستند (این گزینه مستقیماً از منوی Google Earth Pro در دسترس است). برای اجازه دادن به مقایسه بین هر دو تصویر، ضبط صفحه از Google Earth Pro (رزولوشن زیر متر) به وضوح فضایی تصویر 1975 نمونه‌برداری شده است. وضوح فضایی نهایی تصاویر در حدود 1.3 متر است. این تحقیق بخشی از نتایج یک مأموریت در جنوب غربی نیجر است که در نوامبر 2009 برگزار شد [ 21]]، که قصد داشت سرنخ هایی در مورد فضایی سازی منابع علوفه بدهد. جمعیت‌های ذغالی قطعه‌ای اساسی از تاب‌آوری اجتماعی-اکولوژیکی در این منطقه هستند.

2.2. تجزیه و تحلیل مورفولوژیکی

تکنیک ارائه شده در این بخش پروفایل های گرانولومتری را برای هر پیکسل تصویر ایجاد می کند. پروفایل های گرانولومتری ویژگی های فضایی و طیفی ساختارهای تصویر را در نظر می گیرند.

عملگرهای مورفولوژیکی کلاسیک، فرسایش و اتساع ، با استفاده از مجموعه‌ای از شکل و اندازه شناخته شده به نام عنصر ساختاری (SE) روی یک تصویر اعمال می‌شوند. اندازه SE با توجه به اندازه ساختارهایی که از تصویر استخراج می شوند انتخاب می شود. بسته شدن یک عملگر مورفولوژیکی است که قصد دارد اندازه ساختارهای تصویر را پس از اتساع بازیابی کند. این کار با فرسایش تصویر گشاد شده انجام می شود. بسته شدن با بازسازی یک عملگر مورفولوژیکی ویژه است که اشکال تصاویر ورودی را حفظ می کند [ 22]. این امر با اتساع تصویر با SE با اندازه λ و سپس فرسایش با SE با اندازه 1 حاصل می شود. سپس فرسایش اندازه 1 بر روی حداکثر تصویر اولیه و تصویر فرسایش یافته تکرار می شود تا زمانی که ناتوانی به آن برسد. در تصاویر تون خاکستری با وضوح بالا، پوشش آذرین در زمین های نیمه خشک با بافت نقطه ای عجیب و غریب مشخص می شود. بسته شدن با بازسازی با SE که دیسکی با اندازه λ است باید نقاط تیره کوچکتر از λ را در طول اتساع پاک کند و در بازسازی بعدی آنها را بازیابی نکند. بنابراین، بسته شدن پی در پی توسط بازسازی می تواند برای بازیابی ساختارهای تصویر با اندازه های مختلف استفاده شود. چگالی گرانولومتری (معادله (1)) توصیف کارآمدی از اندازه ساختارهای تصویر را ارائه می دهد [ 1 ].

تجزیه و تحلیل گرانولومتری با بسته شدن متوالی با بازسازی با SE با اندازه افزایش یافته با معادله (1) انجام می شود:

نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت

(1)

جایی که ${Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font} Unknown node type: font Unknown node type: font Unknown node type: font$ بسته شدن با بازسازی یک تصویر I با یک عنصر ساختاری برابر با یک دیسک با شعاع λ (که λ یک عدد صحیح است). عملیات در این معادله به صورت پیکسلی انجام می شود. نتیجه در 100 ضرب می شود تا به درصد کار کند. مشخصات گرانولومتری یک پیکسل p را می توان به صورت زیر نوشت:

G(p) = [gc ₁ (p)، gc ₂ (p)، …، gc _n (p)]

(2)

اندازه بردار G با تعداد سطوح گرانولومتری (n) تعیین می شود، این پارامتر بسته به اندازه ساختارهای تصویر انتخاب می شود.

مرحله بعدی روش پیشنهادی شامل طبقه بندی پیکسل ها با روش k-means است. تصویر حاصل یک تصویر کلاس k است، که در آن هر کلاس مربوط به مجموعه‌ای از پیکسل‌هایی است که مشخصات دانه‌سنجی مشابهی دارند ( شکل 1 ).

2.3. k-طبقه بندی معنی

k-means یک الگوریتم خوشه بندی است که هدف آن تقسیم یک مجموعه داده به مجموعه ای از زیرمجموعه های معنادار است. الگوریتم k-means مجموعه ای از k مرکز را ثابت می کند که فاصله مجذور هر پیکسل تا نزدیکترین مرکز آن را به حداقل می رساند.

ابتدا، k مرکز اولیه (k تعداد نهایی کلاس‌ها یا خوشه‌های انتخاب شده است) در فضای چند بعدی (در این مطالعه تعداد ابعاد برابر با تعداد سطوح گرانولومتری استفاده‌شده یا اندازه برداری G است). این برنامه از بذرکاری بهبودیافته کارآمدتر از کاشت تصادفی معمولی (مستندات متلب) استفاده می‌کند، مرکز اول به صورت تصادفی انتخاب می‌شود، سپس مرکزهای بعدی به طور تکراری با احتمالی متناسب با فاصله آنها از مرکزهای انتخاب شده انتخاب می‌شوند [23] .]. ثانیاً، تمام فواصل هر پیکسل تا هر مرکز محاسبه می شود و هر پیکسل به نزدیکترین مرکز اختصاص داده می شود. در نهایت، میانگین پیکسل های هر خوشه برای به دست آوردن یک مکان مرکزی جدید محاسبه می شود. سپس مراحل دوم و سوم تکرار می‌شوند تا زمانی که دیگر تغییری از پیکسل‌ها به یک مرکز متفاوت وجود نداشته باشد، و تضمین می‌کند که طبقه‌بندی تقریباً مساوی از همان ورودی در هر آزمایش وجود داشته باشد. یک طبقه‌بندی k-means تودرتو زمانی اعمال می‌شود که همپوشانی کلاس‌ها پس از طبقه‌بندی اول آشکار باشد.

اگرچه چندین روش برای انتخاب یک عدد مناسب از k پیشنهاد شده است [ 24 ]، اما انجام این کار بدون دخالت انسان دشوار به نظر می رسد، زیرا تعداد کلاس ها به ساختارهای تصویر بستگی دارد و تفسیر تصویر انسانی را نمی توان به راحتی جایگزین کرد. همانطور که مشاهده خواهد شد ویژگی های تصویر مانند کنتراست یا وضوح در انتخاب k تاثیر دارند.

3. نتایج

3.1. گیلینی

گیلینی روستایی است (380 نفر در سال 1380) در 60 کیلومتری شرق نیامی واقع شده است. در پایین ترین قسمت یک دره فسیلی قرار دارد. بزرگترین درختان Faedherbia albida هستند که در اطراف روستا یافت می شوند، این درختان برای جمعیت مهم هستند زیرا عملکرد را بهبود می بخشند. درختان و درختچه های کوچکتر در سراسر چشم انداز پراکنده شده اند ( شکل 2 ). منطقه اطراف روستا را محصولات زراعی و آیش اشغال کرده است.

جدیدترین تصویر از منطقه Guileyni که در این آزمایش استفاده شده است (ژانویه 2011) یک تصویر از یک تصویر با وضوح بسیار بالا است که توسط Digital Globe ارائه شده است. برای مطابقت با وضوح فضایی تصویر 1975، نمونه‌برداری مجدد شده است ( شکل 3 ). تصویر مورد استفاده برای انجام تجزیه و تحلیل دیاکرونیک یک عکس هوایی است که در ماموریت موسسه جغرافیایی ملی (IGN) در مارس 1975 گرفته شده است. تصویر با سرعت 1200 نقطه در اینچ (dpi) اسکن شده است و وضوح فضایی تصویر حاصل حدود 1.3 متر از آنجایی که این دو تصویر مربوط به فصل خشک هستند، تفاوت فنولوژیکی قابل توجهی وجود ندارد.

تصویر 2011 کنتراست قابل توجهی بالاتری (0.6357، محاسبه شده به سادگی به عنوان تفاوت نرمال شده بین 1٪ روشن ترین پیکسل ها و 1٪ تاریک ترین پیکسل ها) و وضوح (14.0493، محاسبه شده به عنوان مجموع همه هنجارهای گرادیان تقسیم بر تعداد پیکسل ها) نسبت به تصویر 1975 (به ترتیب 0.2663 و 2.0253). کنتراست و وضوح بالاتر منجر به تبعیض آسان تر کلاس ها می شود. افزایش کنتراست و تطبیق هیستوگرام تصویر 1975 به خوبی کار نمی کند، زیرا تمایز طبقات را پیچیده تر می کند. علاوه بر این، هر دو تصویر مشکلات روشنایی را نشان می‌دهند: مشخص است که سایه‌ها می‌توانند به طور مصنوعی اندازه درختان را افزایش دهند و در طبقه‌بندی k-means به‌عنوان نقاط پرت رفتار کنند. بنابراین، تصاویر در مقادیر بسیار پایین تصحیح شده اند تا از موارد پرت جلوگیری شود. حداقل مقدار پیکسل به طور تجربی برای همه تصاویر ارائه شده در این کار روی 50 تنظیم شد. با در نظر گرفتن سایه ها، نمی توان سطح دقیق درختان را تخمین زد، اما تأثیر آن بر تخمین تعداد درختان و تنوع اندازه درختان بسیار کمتر است.

برای انجام طبقه بندی تصویر 2011 از 12 سطح گرانولومتری استفاده شده است. این انتخاب با وضوح تصویر و اندازه عناصر مورد نظر تعیین شده است. اینها درختان بزرگتر در اطراف روستا و درختان و درختچه های کوچکتر هستند. بزرگترین تاج برخی از درختان گروه بندی شده می تواند به قطری بالاتر از 30 متر (بیش از 20 پیکسل) برسد، بنابراین 12 سطح گرانولومتری انتخاب خوبی برای تشخیص آنها بدون افزودن اطلاعات بی فایده است.

برای انجام یک طبقه بندی k-means در 3 کلاس، از 12 سطح گرانولومتری استفاده شده است. نتیجه نشان داده شده در شکل 4، تشخیص پوشش آذرین مناسب و تمایز خالص بین درختان کوچکتر و بزرگتر را نشان می دهد. طبقه سوم مربوط به خاک یا زمینه برای تسهیل تجسم شفاف شده است. این روش به تمایز درختان از خاک‌های تیره‌تر (آیش) اجازه می‌دهد، که به سختی می‌توان با استفاده از تکنیک آستانه‌سازی به دست آورد. حوض کوچکی در شمال روستا به رنگ آبی طبقه بندی نشده است زیرا پاسخ طیفی آن کمی با درختان متفاوت است.

گرافیک در شکل 5مکان های مرکز 3 کلاس را بسته به اندازه SE نشان می دهد. تبعیض خوبی بین طبقات مشاهده شده است، زیرا حداقل همپوشانی طبقات وجود دارد. کلاس آبی یک مقدار پیک را برای یک SE با اندازه 5 نشان می دهد که مربوط به اندازه متوسط درختان شناسایی شده توسط این کلاس است. کلاس سبز حداکثر را برای SE با اندازه 1 و 2 ارائه می دهد که کوچکترین درختان را در بر می گیرد. این حداکثر نسبت به کلاس آبی پایین‌تر است، زیرا پاسخ طیفی کوچک‌ترین درخت‌ها را می‌توان به راحتی با پس‌زمینه ادغام کرد، بنابراین مقدار میانگین این پیکسل‌ها افزایش می‌یابد (و تفاوت بین تصویر اصلی و تصویر بازسازی‌شده کاهش می‌یابد). . کلاس قرمز (مرتبط با پس زمینه خاک در تصویر) به طور منطقی پاسخی نزدیک به صفر را برای هر اندازه ای از SE نشان می دهد.

طبقه بندی در 7 کلاس با استفاده از 20 سطح گرانولومتری یک همپوشانی طبقه آشکار را همانطور که در شکل 6 نشان داده شده است نشان می دهد . کلاس‌های آبی و سبز یا کلاس‌های فیروزه‌ای و قرمز اجسامی با اندازه یکسان اما پاسخ طیفی متفاوت را به حساب می‌آورند. کلاس قرمز حداکثر برای یک SE با اندازه 5 را نشان می دهد. اشیاء شناسایی شده توسط این کلاس از بزرگترین درختان مشاهده شده توسط کلاس فیروزه ای روشن تر هستند که عمدتاً مربوط به خاک های تیره (آیش) است. همانطور که در شکل 6 مشاهده می شود ، اطلاعات کمی با استفاده از سطوح گرانولومتری برتر از 12 اضافه می شود.

طبقه بندی تصویر 1975 با استفاده از 4 کلاس و 12 سطح گرانولومتری انجام شده است. از آنجایی که این تصویر کنتراست و وضوح کمتری نسبت به تصویر سال 2011 دارد، K بالاتری برای تشخیص بهتر طبقات مورد نیاز بود. تعداد k به صورت تجربی انتخاب شد: ak پایین تر از 4 منجر به سردرگمی مهم درون طبقاتی می شد در حالی که ak برتر از 4 منجر به همپوشانی بین طبقاتی قابل توجه می شد. یک k برابر با 4 به عنوان یک سازش خوب برای تبعیض طبقات یافت شد، حتی اگر برخی از مشکلات باقی بود.

در حالی که تعداد سطوح گرانولومتری (اندازه SE) به راحتی با توجه به اندازه ساختار تصاویر انتخاب می شود، مشکل انتخاب سیستماتیک یک k مناسب باقی می ماند. k صحیح به ساختار تصاویر و تفسیر انسانی از آنها متکی است. روش آرنج [ 25 ] برای تعیین k در طول این مطالعه استفاده شده است اما بی نتیجه بود.

شکل 7 طبقه بندی سال 1975 را در 4 کلاس نشان می دهد. کنتراست و وضوح کم منجر به حداکثر مقادیر برای اندازه های SE بزرگتر می شود. همپوشانی بین کلاس های سرخابی و سبز و بین کلاس های سرخابی و آبی وجود دارد ( شکل 8 ). کلاس‌های آبی و سرخابی بزرگ‌ترین درختان را به تصویر می‌کشند، در حالی که رنگ سبز اساساً مربوط به درختان کوچک‌تر و نقاط تیره مرتبط با شرایط خاک است که ارزش خاکستری روشن‌تری نسبت به درختان دارند.

برای بهبود طبقه بندی، طبقه بندی k-means در 3 کلاس بر روی کلاس سبز انجام شد. این طبقه بندی تودرتو اجازه می دهد تا درختان کوچکتر کلاس سبز را از طبقه بندی اول تشخیص دهیم. همانطور که در شکل 9 نشان داده شده است، طبقه بندی تودرتو برای کلاس سبز یک ماکزیمم را برای SE با اندازه 5 نشان می دهد، که یک مقدار مرکز بالاتر را نشان می دهد، حتی اگر اندازه SE مربوطه کوچکتر از اندازه دو کلاس دیگر باشد. طبقات قهوه ای و سیاه از طبقه بندی تو در تو حذف شده است زیرا مربوط به لکه های تیره است که به پوشش زغالی مرتبط نیستند. طبقه بندی نهایی در شکل 10 نشان داده شده است. تعداد کل کوچکترین درختان و درختچه ها در این طبقه بندی در مقایسه با طبقه بندی سال 2011 بسیار دست کم گرفته شده است، زیرا مستقیماً با ویژگی های تصویر (کنتراست و وضوح کم) مرتبط است. طبقه بندی اکثراً رضایت بخش است که منجر به 3 کلاس کاملاً متمایز می شود.

مقایسه بین دو طبقه بندی نهایی (1975 و 2011) تغییراتی را در طول دهه های گذشته نشان می دهد. تعداد بالاتری از طبقات نهایی می تواند نشان دهنده تنوع زغالی بالاتر در سال 1975 باشد. تنوع کمتر به معنای پوشش کمتر آذرین نیست: در واقع تجزیه و تحلیل حضور بیشتر درختان بزرگ و کوچک را در سال 2011 نشان می دهد. این را می توان با مدیریت پایدار جمعیت محلی و ادغام بهتر پوشش آذرین و کشاورزی توضیح داد. انتخاب گونه های بهبود یافته توسط دهقانان و خشکسالی های دهه 80 می تواند تنوع رو به کاهش را توضیح دهد.

طبقه بندی تصویر 2011 برای ارزیابی دقت با سایت های حقیقت زمین مقایسه شد. سایت های حقیقت زمینی به صورت دستی با تفسیر بصری تصویر 2011 با استفاده از تصویر اصلی Google Earth برای تأیید دیجیتالی شدند ( شکل 11 ). فقط درختان و درختچه‌های کوچکی که در تصویر نمونه‌برداری مجدد در سال 2011 قابل تشخیص بودند (پس از تأیید) دیجیتالی شدند. سه مکان معرف زمین های زراعی هستند، پایین دره و روستا برای ارزیابی دقت انتخاب شدند ( شکل 12 ). متأسفانه با طبقه بندی 1975 نمی توان همین ارزیابی را انجام داد. به طور کلی، طبقه‌بندی سطح پایین‌تر خطای کمیسیون را در تشخیص درخت نشان می‌دهد در حالی که سطح خطای حذف بالاتر است ( جدول 1).). این به ویژه برای زمین های زراعی و پایین سایت های دره صادق است. در این سایت‌ها، خطای حذف برای کلاسی که درختان کوچک را نشان می‌دهد بسیار زیاد است (به ترتیب 0.0783 و 0.0397). برخی از درختان و درختچه های کوچک جدا شده توسط طبقه بندی حذف شدند، به عنوان یک نتیجه از وضوح تصویر استفاده شده برای طبقه بندی (1.3 متر). در بخش کوچکی از تصویر اشغال شده توسط روستا، خطاهای کمیسیون بسیار بیشتر از خطاهای حذف است، این به دلیل سایه ها و خانه های تاریک است که به عنوان درختان کوچک یا بزرگ طبقه بندی می شوند.

همانطور که در [ 26 ] اشاره شد ، درختانی که سطحی نزدیک یا پایین تر از سطح پیکسل را اشغال می کنند (حدود 2 متر مربع ⁾ به سختی قابل تشخیص هستند. این یک اشکال اجتناب ناپذیر از وضوح فضایی استفاده شده است. فرض بر این است که همین مشکل در طبقه بندی 1975 وجود دارد، بنابراین حضور پوشش آذرین جدا شده را دست کم می گیرد.

3.2. کریب کاینا

Kirib Kaina (1068 نفر در سال 2001) در 75 کیلومتری شمال شرقی نیامی واقع شده است. این روستا که در گوشه سمت راست پایین تصویر در شکل 13 قرار دارد، نزدیک به یک دره فسیلی و یک فلات تخریب شده است که در دهه های گذشته برای تامین علوفه بیش از حد مورد بهره برداری قرار گرفته است ( شکل 14 ). در این عکس ها، بوته ببر با مجموعه های نواری از درختان و درختچه ها به دنبال شرایط توپودافیک مشخص می شود. این تصاویر نشان می دهد که بوته ببر بین سال های 1975 تا 2010 تقریباً به طور کامل ناپدید شده و به خاک لخت تبدیل شده است. تغییرات کاربری زمین باعث تخریب سیستم هیدرولوژیکی شده است [ 27]. درختان جدا شده، که به طور تصادفی در سراسر منطقه در سال 1975 پراکنده شدند، به طور کلی یافت می شود که به صورت خطی و به دنبال سیستمی از خندق ها در سال 2010 سازماندهی شده اند. به نظر می رسد تخریب هیدرولوژیکی به نفع افزایش ناهمگونی فضایی و تکه تکه شدن چشم انداز است.

همان روشی که برای روستای گیلینی انجام شده است. جدیدترین تصویری که از Kirib Kaina در این آزمایش استفاده شده است (ژانویه 2010) یک عکس از صفحه نمایش تصویری با وضوح بسیار بالا است که توسط Digital Globe ارائه شده است. این تصویر با وضوح یک عکس هوایی اسکن شده از یک ماموریت IGN در مارس 1975 نمونه برداری شد. وضوح فضایی حاصل حدود 1.3 متر است.

همانطور که در مورد Guileyni، جدیدترین تصویر کنتراست (0.6088) و وضوح (7.5778) بالاتر از تصویر 1975 (به ترتیب 0.3172 و 2.557) ارائه می دهد. کنتراست و وضوح بالا ظرفیت تشخیص روش k-means را افزایش می دهد. افزایش کنتراست در تصویر سال 1975 اعمال نشده است زیرا باعث افزایش سردرگمی بین طبقات، به ویژه بین محدودیت های فلات می شود ( شکل 14) .) یا خاک های مرطوب تر که تیره تر هستند و بوته ببر. تا 25 سطح گرانولومتری برای طبقه بندی هر دو تصویر استفاده شده است. تعداد سطوح با توجه به اندازه عناصر مشخص کننده پوشش آذرین انتخاب شده است. دو دسته متضاد متمایز شده اند: درختان جدا شده و بوته ببر. از آنجایی که بوته ببر در برخی نقاط تا 60 تا 70 متر عرض دارد (بیش از 45 پیکسل)، یک گرانولومتری سطح 25 انتخاب شده است.

طبقه بندی تصویر 2010 با استفاده از 25 سطح حاصل از تجزیه و تحلیل مورفولوژیکی انجام شد ( شکل 15 ب). یک طبقه‌بندی تودرتوی خودکار آزمایش شد، نتیجه نهایی مشابه طبقه‌بندی k-means معادل است. در مرحله اول، یک طبقه بندی k-means از 4 کلاس برای جداسازی خودکار پوشش آذرین از پس زمینه استفاده شد. سپس برنامه کلاس را با میانگین بالاتر در تصویر اصلی که با پس زمینه مطابقت دارد شناسایی کرد. ثانیاً، یک k-means 3 کلاسه به طور خودکار بر روی پیکسل های طبقه بندی شده به عنوان پوشش آذرین برای تمایز بین درختان جدا شده و بوته ببر انجام شد. 3 کلاس نهایی تبعیض خوبی را بدون همپوشانی بین طبقات نشان دادند ( شکل 16). کلاس آبی برای درختچه ها و درختان جدا شده در نظر گرفته می شود در حالی که کلاس قرمز برای درختان بزرگتر با قله SE با اندازه 5. کلاس سبز به عنوان بوته ببر شناخته می شود و مشخصات دانه سنجی آن کاملاً با دو کلاس دیگر متفاوت است. چندین ماکزیمم محلی را برای یک SE با اندازه های 13، 16، 21 و 23 نشان می دهد. ساختارهای مختلف موجود در تصویر به خوبی توسط پروفایل های گرانولومتری متمایز می شوند.

تصویر 1975 کنتراست و وضوح کمتری دارد و بنابراین احتمال بروز سردرگمی بین کلاس‌ها بیشتر است. تعداد k و تعداد طبقه‌بندی‌های تودرتو باید بیشتر باشد زیرا تمایز طبقات پیچیده‌تر است. یک سردرگمی احتمالی بین بوته ببر و خاک‌های تیره‌تر (آیش یا ساوانای طبیعی) و بین بوته ببر و دامنه‌های اتصال فلات لاتریت و دره (خاک‌های سنگی و تیره) وجود دارد. بوته ببر و درختان جدا شده به طور جداگانه شناسایی می شوند. یک طبقه بندی k-means با استفاده از 25 سطح گرانولومتری انجام شده است. نمایه گرانولومتری یک همپوشانی مهم بین طبقات را نشان می دهد ( شکل 17): به عنوان مثال، کلاس سرخابی، نارنجی و سبز همگی به بوته ببر و در عین حال به دامنه های فلات مرتبط هستند. طبقه بندی های تو در تو متوالی برای به دست آوردن نتیجه نشان داده شده در شکل 15 a استفاده شد. هنوز سردرگمی وجود دارد به خصوص بین برخی از خاک های تیره و بوته ببر. مقایسه بین دو مجموعه داده، تغییرات مهم اکولوژیکی را که در دهه‌های گذشته رخ داده است، نشان می‌دهد. بوته ببر تقریباً به طور کامل ناپدید شده است و توزیع درختان جدا شده اصلاح شده است.

برای انجام ارزیابی دقت، دو سایت حقیقت زمینی با تفسیر بصری تصویر 2010 دیجیتالی شدند، همانطور که برای Guileyni از تصویر اصلی Google Earth برای تأیید استفاده شد ( شکل 18 ). این دو سایت در مهمترین واحدهای منظر موجود در تصویر قرار دارند: فلات و شبکه زهکشی مرتبط با فلات ( شکل 19 ). خطاهای حذف به ویژه برای درختان کوچک زیاد است ( جدول 2) که مستقیماً با وضوح فضایی تصویر مرتبط است. مقداری سردرگمی بین طبقات نیز قابل توجه است، عمدتاً سردرگمی بین درختان کوچک و بوته ببر برای سایت اول (بوته ببر به عنوان درختان کوچک طبقه بندی می شود) و بین درختان کوچک و درختان بزرگ برای سایت دوم.

4. بحث و نتیجه گیری

نتایج نشان می دهد که مورفولوژی ریاضی برای شناسایی و طبقه بندی پوشش آذرین در اراضی نیمه خشک مناسب است. مورفولوژی ریاضی قبلاً به ندرت در تشخیص پوشش سنگی استفاده شده است. روش ارائه شده در این مقاله امکان شناسایی پوشش آذرین را فراهم می کند و در عین حال لکه های گیاهی را بر اساس اندازه آنها طبق یک منطق ریاضی مرتبط با غنا و تنوع پوشش آذرین طبقه بندی می کند. این ویژگی آخر برای درک و کمیت سازمان و پویایی پوشش سنگ آهن مهم است.

وقتی از تصاویر اخیری که کنتراست و وضوح بهتری دارند، نتایج رضایت بخش هستند. برای اینها، تعداد k کلاس های طبقه بندی نهایی را می توان به طور مستقیم از تعداد انواع ساختارهای درک شده در تصویر انتخاب کرد. معمولاً نیازی به طبقه بندی تودرتو نیست و روش کارآمدتر و دقیق تر است. تصاویر حاصل از عکس های هوایی سال 1975 کنتراست و وضوح کمتری برای وضوح فضایی یکسان دارند. در این تصاویر، همپوشانی بین کلاس‌های مختلف اغلب مشهود است و طبقه‌بندی‌های تودرتو مورد نیاز است. سپس k انتخاب شده باید مصالحه ای بین یک سردرگمی درون طبقاتی بالا (k پایین تر) و یک سردرگمی بین طبقاتی بالا (k بالاتر) جستجو کند. اگر بتوان تعداد مناسب سطوح گرانولومتری را به راحتی از اندازه ساختار تصاویر استنباط کرد، انتخاب تعداد k کلاس پیچیده تر است. این امر به ویژه زمانی صادق است که کیفیت تصویر جهانی ضعیف باشد. سپس انتخاب ak به تفسیر انسانی متکی است و به ندرت می توان آن را خودکار کرد.

ارزیابی دقت طبقه‌بندی از مقایسه با تصویر حقیقت زمینی، سطح پایین‌تری از خطاهای اشتباه را نشان می‌دهد در حالی که سطح خطاهای حذف برجسته‌تر است. خطاهای حذف (عمدتا درختان و درختچه های کوچک که شناسایی نشده باقی می مانند) به وضوح فضایی تصویر مرتبط است و اجتناب ناپذیر است. حتی اگر بین طبقات سردرگمی وجود داشته باشد، طبقه بندی تصاویر اخیر رضایت بخش است. این روش به دلیل تأثیر ساختمان ها و سایه های آنها بر طبقه بندی، برای مناطق شهری مناسب نیست. دقت طبقه‌بندی‌های سال 1975 را نمی‌توان اندازه‌گیری کرد، زیرا تصاویری با وضوح بالاتر و داده‌های میدانی وجود ندارد. با این حال، می توان فرض کرد که خطاهای حذف برای سازه های کوچک برای طبقه بندی 1975 بیشتر است.

تحلیل دیاکرونیک بین سال‌های 1975 و سال‌های اخیر تغییرات مهمی را نشان می‌دهد که در دهه‌های گذشته رخ داده است. پوشش آزمايشي بهترين شاهد اين تغييرات است زيرا ارتباط عميقي با شرايط اجتماعي-محيطي دارد. نگاشت پوشش آذرین در کلاس های k برای اندازه های مختلف تکه ها برای درک بهتر دینامیک مشاهده شده مهم است.

منابع

کمموش، ا. مرینگ، سی. سنسال، بی. Dewolf، Y. نقشه برداری کلان بافت از تصاویر ماهواره ای توسط گرانولومتری های مورفولوژیکی: کاربرد در نقشه برداری تراکم پوشش گیاهی در مناطق خشک و نیمه خشک. بین المللی J. Remote Sens. 2004 , 25 , 5319-5336. [ Google Scholar ]
لاروانو، م. سعدو، م. نقش مداخلات انسانی در پویایی درختان و احیای محیطی در منطقه ساحل نیجر. J. محیط خشک. 2011 ، 75 ، 194-200. [ Google Scholar ] [ CrossRef ]
مرینگ، سی. شوپن، اف. نقشه های گرانولومتری از تصاویر ماهواره ای با وضوح بالا. تصویر مقعدی استریول. 2002 ، 21 ، 19-24. [ Google Scholar ]
که، ی. Quackenbush، LJ مروری بر روش‌های تشخیص خودکار تاج درخت و تعیین خط از سنجش از راه دور غیرفعال. بین المللی J. Remote Sens. 2011 , 32 , 4725-4747. [ Google Scholar ] [ CrossRef ]
ژن، ز. Quackenbush، LJ; Zhang, L. روند در تشخیص و ترسیم خودکار تاج درختان – تکامل داده های LiDAR. Remote Sens. 2016 , 8 , 333. [ Google Scholar ]
Pitkanen, J. تشخیص درخت فردی در تصاویر هوایی دیجیتال با ترکیب روش‌های دوتایی تطبیقی محلی و حداکثر محلی. می توان. جی. برای. Res. 2001 ، 31 ، 832-844. [ Google Scholar ] [ CrossRef ]
Chepkochei، LC طبقه بندی تصویر شی گرا از درختان منفرد با استفاده از Erdas تصور هدف: مطالعه موردی منطقه Wanjohi، حوضه دریاچه Naivasha. در مجموعه مقالات کنفرانس زمین گرمایی کنیا، نایروبی، کنیا، 21-23 نوامبر 2011.
اسپیکرمن، آر. برانت، ام. ثمینی، سی. تغییرات پوشش گیاهی چوبی و پوشش زمین در ساحل مالی (1967-2011). بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 34 ، 113-121. [ Google Scholar ] [ CrossRef ]
سن امتریو، جی ال. Mering، C. تأثیرات اقلیمی و انسانی بر پوشش آذرین در ساحل از تحلیل عکس‌های هوایی قبل و بعد از دوره‌های خشکسالی دهه‌های 70 و 80. ژئوفیز. Res. Abstr. 2012 ، 14 ، EGU2012-3052. [ Google Scholar ]
Kalapala, M. برآورد تعداد درخت از تصاویر ماهواره ای از طریق ریخت شناسی ریاضی. بین المللی J. Adv. Res. محاسبه کنید. علمی نرم افزار مهندس 2014 ، 1 ، 490-495. [ Google Scholar ]
Serra, J. تجزیه و تحلیل تصویر و مورفولوژی ریاضی . انتشارات آکادمیک: لندن، بریتانیا، 1982. [ Google Scholar ]
Soille, P. Moorphological Image Analysis: Principles and Applications , 2nd ed.; Springer: برلین، آلمان، 2003. [ Google Scholar ]
برنابه، اس. پلازا، آ. Marpu، PR; Benediktsson، JA یک ابزار موازی جدید برای طبقه بندی تصاویر سنجش از دور. محاسبه کنید. Geosci. 2012 ، 46 ، 208-218. [ Google Scholar ] [ CrossRef ]
پسری، م. Benediktsson، JA یک رویکرد جدید برای تقسیم بندی مورفولوژیکی تصاویر با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2001 , 39 , 309-320. [ Google Scholar ] [ CrossRef ]
بندیکتسون، جی. پسری، م. Arnason، K. طبقه بندی و استخراج ویژگی برای تصاویر سنجش از دور از مناطق شهری بر اساس تحولات مورفولوژیکی. IEEE Trans. Geosci. Remote Sens. 2003 ، 41 ، 1940-1949. [ Google Scholar ] [ CrossRef ]
فاوول، م. بندیکتسون، جی. چانوسوت، جی. Sveinson, J. طبقه بندی طیفی و فضایی داده های ابرطیفی با استفاده از SVMS و پروفایل های ریخت شناسی. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 3804–3814. [ Google Scholar ] [ CrossRef ]
مورا، دکتر بندیکتسون، جی. Waske، B. پروفایل های ویژگی مورفولوژیکی برای تجزیه و تحلیل تصاویر با وضوح بسیار بالا. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 3747–3762. [ Google Scholar ] [ CrossRef ]
کمموش، ا. مرینگ، سی. Sansal، B. Cartographie de la densité du couvert ligneux dans les zones arides et semi-arides à l’aide de l’imagerie satellitaire. Sécheresse 2008 ، 19 ، 129-135. [ Google Scholar ]
مرینگ، سی. بارو، جی. Upegui, E. بازیابی تصاویر مناطق شهری در Google Earth: کاربرد در شهرهای غرب آفریقا. بین المللی J. Remote Sens. 2012 ، 31 ، 5867-5877. [ Google Scholar ] [ CrossRef ]
هارتیگان، جی. وانگ، الگوریتم MA به عنوان 136: یک الگوریتم خوشه‌بندی k-means. JR Stat. Soc. 1979 ، 28 ، 100-108. [ Google Scholar ] [ CrossRef ]
سن امتریو، جی ال. الکساندر، اف. آندریو، جی. جنین، ا. Mering، C. Changements socio-environnementaux et dynamiques des paysages ruraux le long du gradient bioclimatique Nord-sud dans le sud-ouest du Niger (مناطق تیلابری و دوسو). در دسترس آنلاین: http://www.vertigo.revues.org/14456 (در 9 ژوئیه 2014 قابل دسترسی است).
وینست، ال. بازسازی مورفولوژیکی خاکستری در تجزیه و تحلیل تصویر: کاربردها و الگوریتم های کارآمد. IEEE Trans. فرآیند تصویر 1993 ، 2 ، 176-201. [ Google Scholar ] [ CrossRef ] [ PubMed ]
دیوید، ا. Vassilvitskii, S. K-means++: مزایای کاشت دقیق. در مجموعه مقالات هجدهمین سمپوزیوم سالانه ACM-SIAM در مورد الگوریتم های گسسته، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 7-9 ژانویه 2007.
چیانگ، MM انتخاب هوشمند تعداد خوشه‌ها در خوشه‌بندی k-means: یک مطالعه تجربی با گسترش خوشه‌های مختلف. J. Classif. 2009 ، 27 ، 3-40. [ Google Scholar ] [ CrossRef ]
Bholowalia، P. Kumar, A. EBK-means: یک تکنیک خوشه بندی بر اساس روش آرنج و k-means در WSN. بین المللی جی. کامپیوتر. Appl. 2014 ، 105 ، 17-24. [ Google Scholar ]
Andersen, GL چگونه درختان صحرا را با استفاده از تصاویر CORONA تشخیص دهیم. کشف داده های اکولوژیکی تاریخی J. محیط خشک. 2006 ، 65 ، 491-511. [ Google Scholar ] [ CrossRef ]
Leblanc، MJ; فاورو، جی. ماسوئل، اس. توید، ST; لوراو، ام. Cappelaere، B. پاکسازی زمین و تغییرات هیدرولوژیکی در ساحل: جنوب غربی نیجر. گلوب. سیاره. چانگ. 2008 ، 61 ، 135-150. [ Google Scholar ] [ CrossRef ]

شکل 1. مراحل انجام شده برای نقشه برداری از پوشش آذرین با استفاده از طبقه بندی بدون نظارت پروفیل های مورفولوژیکی. ( الف ) تصویر اصلی رنگ خاکستری؛ ( ب ) چگالی گرانولومتری برای SE با اندازه 1. ( ج ) چگالی گرانولومتری برای SE با اندازه 5. ( د ) چگالی گرانولومتری برای SE با اندازه 10. ( ه ) طبقه بندی k-means در 4 کلاس از پروفایل های گرانولومتری. ( f ) پروفایل های گرانولومتری برای هر کلاس.

شکل 2. اطراف گیلینی. درختچه ها ( Guiera senegalensis ) در پیش زمینه، درختان ( Faedherbia qlbida ) در پس زمینه. عکس: JL San Emeterio (نوامبر 2009).

شکل 3. تصاویر اصلی از Guileyni برای آزمایش روش استفاده شده است. ( a ) Image IGN، مارس 1975; ( ب ) Image Digital Globe، ژانویه 2011.

شکل 4. طبقه بندی در 3 کلاس از 12 سطح گرانولومتری. در اینجا، 82258 نقطه کوچک (کلاس سبز) و 1737 نقطه بزرگ (کلاس آبی) شناسایی شد (برای شمارش و جلوگیری از سردرگمی بین طبقات، پیکسل‌های مجاور یک کلاس با اندازه بالاتر به عنوان کلاس بالاتر کدگذاری شدند). گیلینی، 2011.

شکل 5. پروفایل های گرانولومتری 3 کلاس از 12 سطح گرانولومتری. گیلینی، 2011.

شکل 6. پروفایل های گرانولومتری 7 کلاس از 20 سطح گرانولومتری. گیلینی، 2011.

شکل 7. طبقه بندی در 4 کلاس از 12 سطح گرانولومتری. گیلینی، 1975.

شکل 8. پروفایل های گرانولومتری 4 کلاس از 12 سطح گرانولومتری. گیلینی، 1975.

شکل 9. مشخصات گرانولومتری طبقه بندی تو در تو در 3 کلاس از کلاس سبز شکل 8 . گیلینی، 1975.

شکل 10. طبقه بندی نهایی در 4 کلاس (پس از طبقه بندی تو در تو) از 12 سطح گرانولومتری. 6076 لکه کوچک (سبز)، 791 لکه با اندازه متوسط (سرخابی) و 237 لکه بزرگتر (کلاس آبی). گیلینی، 1975.

شکل 11. طبقه بندی در 3 کلاس که بر روی تصویر اصلی Digital Globe قرار گرفته است. گیلینی، 2011.

شکل 12. سایت های حقیقت زمین. 1 . زمین های زراعی؛ 2 . پایین دره؛ 3 . دهکده. گیلینی، 2011.

شکل 13. تصاویر اصلی Kirib Kaina برای آزمایش روش استفاده شده است. ( a ) Image IGN, 3/1975; ( ب ) Image Digital Globe، ژانویه 2010.

شکل 14. Kirib Kaina از فلات دیده می شود. دامنه های اتصال فلات و دره به خصوص تاریک است. عکس: Frédéric Alexandre (نوامبر 2009).

شکل 15. ( الف ) طبقه بندی در 3 کلاس پس از طبقه بندی های تو در تو. سیصد و پنج تکه بوته ببر (طبقه سبز) و 1885 لکه کوچک (کلاس قرمز). کریب کاینا، 1975; ( ب ) طبقه بندی در 4 کلاس. چهل تکه بوته ببر (کلاس سبز)، 1402 لکه بزرگ (کلاس قرمز) و 9978 لکه کوچک (طبقه آبی). Kirib Kaina، 2011.

شکل 16. پروفایل های گرانولومتری 3 کلاس از 12 سطح گرانولومتری. Kirib Kaina، 2010.

شکل 17. پروفایل های گرانولومتری 6 کلاس از 12 سطح گرانولومتری. کریب کاینا، 1975.

شکل 18. نمونه ای از تصویر اصلی Digital Globe و طبقه بندی حاصل روی هم قرار گرفته است. بوته ببر به رنگ سفید؛ درختان جدا شده به رنگ قرمز

شکل 19. سایت های حقیقت زمین. 1. فلات 2. شبکه زهکشی. Kirib Kaina، 2010.

جدول 1. تجزیه و تحلیل ماتریس خطا برای سه سایت (بر اساس پیکسل). حقیقت پایه در ستون، طبقه بندی در ردیف. گیلینی.

جدول 2. تجزیه و تحلیل ماتریس خطا برای دو سایت (بر اساس پیکسل). حقیقت پایه در ستون، طبقه بندی در ردیف. کریب کاینا.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب