پوشش اراضی آبخیز/ نقشه برداری کاربری اراضی با استفاده از سنجش از دور و داده کاوی در گرگانرود، ایران

خلاصه

حوضه آبخیز گرگانرود (GW) تغییرات زیست محیطی قابل توجهی را در قالب مخاطرات طبیعی و فرسایش و همچنین جنگل زدایی، زراعت و فعالیت های توسعه ای تجربه می کند. در نتیجه، انواع مختلف تغییر پوشش زمین/کاربری زمین (LCLU) در سطح شدیدی در منطقه در حال وقوع است. این مطالعه تحقیقاتی با استفاده از تصاویر Landsat MSS، TM، ETM+ و OLI/TIRS به بررسی شرایط LCLU در بالادست این حوضه برای سال‌های 1972، 1986، 2000 و 2014 می‌پردازد. نقشه های LCLU برای سال های 1972، 1986 و 2000 با استفاده از روش های طبقه بندی مبتنی بر پیکسل تولید شدند. برای نقشه LCLU 2014، تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) در ترکیب با قابلیت های داده کاوی الگوریتم های یادگیری ماشینی جینی و J48 استفاده شد. دقت نقشه ها با استفاده از دقت کلی ارزیابی شد، شاخص های اختلاف کمیت و اختلاف تخصیص. دقت کلی از 89% تا 95%، اختلاف کمی از 2.1% تا 6.6% و اختلاف تخصیص از 2.1% برای سال 2014 تا 2.7% برای سال 2000 متغیر بود. نتایج این مطالعه نشان می‌دهد که مقدار قابل توجهی تغییر در منطقه، و این در نتیجه خدمات اکوسیستم و فعالیت های انسانی را تحت تاثیر قرار داده است. این آگاهی از وضعیت LCLU در منطقه به مدیران و تصمیم گیرندگان کمک می کند تا طرح ها و برنامه هایی را با هدف مدیریت موثر حوضه در آینده توسعه دهند. نتایج این مطالعه حاکی از آن است که تغییرات قابل توجهی در منطقه رخ داده است و در نتیجه خدمات اکوسیستم و فعالیت های انسانی را تحت تأثیر قرار داده است. این آگاهی از وضعیت LCLU در منطقه به مدیران و تصمیم گیرندگان کمک می کند تا طرح ها و برنامه هایی را با هدف مدیریت موثر حوضه در آینده توسعه دهند. نتایج این مطالعه حاکی از آن است که تغییرات قابل توجهی در منطقه رخ داده است و در نتیجه خدمات اکوسیستم و فعالیت های انسانی را تحت تأثیر قرار داده است. این آگاهی از وضعیت LCLU در منطقه به مدیران و تصمیم گیرندگان کمک می کند تا طرح ها و برنامه هایی را با هدف مدیریت موثر حوضه در آینده توسعه دهند.

کلید واژه ها:

جوبیا _ داده کاوی ; یادگیری ماشینی ؛ لندست

1. معرفی

مطالعات تغییر پوشش زمین/کاربری زمین (LCLU) به بخشی اساسی از برنامه های فعلی برای برخورد با مدیریت منابع طبیعی و محیطی در سراسر جهان، هم توسط سازمان های ملی و هم محلی تبدیل شده است [1 ] . در نتیجه رشد جمعیت، گسترش کشاورزی و شهری، و کاهش پوشش جنگلی و مراتع، انواع مختلف تغییرات LCLU در سطح فشرده در کشورهای در حال توسعه در حال وقوع است [ 2 ، 3 ]. هر دو [ 4 ] و [ 5] تاثیر قابل توجه تغییر LCLU بر روی سیاره را تایید کرده اند. تغییر LCLU یک فرآیند پیشرونده، گسترده و شتاب‌دهنده است که عمدتاً توسط اختلالات انسانی و پدیده‌های طبیعی هدایت می‌شود و به نوبه خود باعث ایجاد تغییراتی می‌شود که بر انسان‌ها تأثیر می‌گذارد [ 6 ]. انسان ها به عنوان نیروهای تغییر در محیط، نقش عمده ای را ایفا می کنند و تغییرات را در همه سطوح، از جهانی تا محلی، تحمیل می کنند [ 6 ]. در حوزه آبخیز گرگانرود (GW) شرایط مشابه سایر نقاط جهان است. در سال 2006 و بر اساس آمار سرشماری، حدود 600000 نفر در شش شهر و بیش از 500 روستا در سراسر منطقه GW زندگی می کردند [ 7]]. بنابراین، برای درک بهتر تغییرات محیطی و شناسایی تأثیر تغییرات LCLU بر رویدادهای مرتبط (به عنوان مثال، خطرات طبیعی مانند سیل، لغزش زمین)، استفاده از نقشه‌های LCLU را می‌توان به عنوان اولین گام ضروری در فرآیند مشاهده کرد [8 ] .

تحت این شرایط، تغییر LCLU در حال حاضر جزء اصلی تغییرات محیطی جهانی و در نتیجه یک زمینه مهم تحقیقاتی در نظر گرفته می شود [ 9 ]. در نتیجه، تلاشی کلی برای توسعه روش‌های قابل اعتماد برای شناسایی و نظارت بر تغییرات LCLU انجام شده است [ 10 ]. در حال حاضر، به طور گسترده پذیرفته شده است که تغییر LCLU را می توان در مقیاس های مختلف با استفاده از تصاویر ماهواره ای سنجش از دور (RS) پایش کرد [ 10 ]، که از آن زمان به رایج ترین منبع داده برای تشخیص، کمی سازی و نقشه برداری الگوها و تغییرات LCLU تبدیل شده است. به جمع آوری داده های تکراری، فرمت دیجیتال مناسب برای پردازش کامپیوتری و روش های ارجاع جغرافیایی دقیق [ 11]. نظارت و تشخیص تغییر با استفاده از سنجش از دور مستلزم استفاده از چندین تصویر چند تاریخه (گاهی اوقات چند حسگر) برای ارزیابی تغییرات رخ داده در LCLU به دلیل شرایط محیطی و اعمال انسان است، یعنی تغییراتی که بین تاریخ‌های دریافت تصاویر رخ می‌دهد [ 11 ] . .

از دهه 1970، تصاویر سنجش از دور چند طیفی گرفته شده از زمین از سیستم های ماهواره ای در دسترس بوده و به طور گسترده در مطالعات جغرافیایی شامل نقشه برداری LCLU و تشخیص تغییر استفاده شده است [ 8 ]. درک کافی از پدیده‌های چشم‌انداز، ویژگی‌های تصویربرداری و روش‌های مورد استفاده برای استخراج اطلاعات مورد استفاده در تجزیه و تحلیل، کلید استفاده موفق از سنجش از دور ماهواره‌ای در حمایت از مطالعات LCLU است [ 11 ، 12 ]. با توجه به این ملاحظات و بر اساس اهمیت منطقه مورد مطالعه از نظر محصولات کشاورزی، ساکنان، فعالیت های توسعه شهری و خطرات زمین (مثلاً سیل) که در آنجا وجود دارد، تعدادی از مطالعات قبلاً نقشه های LCLU منطقه را تهیه کرده اند. . به عنوان مثال، در [ 13نویسنده از شبکه‌های عصبی مصنوعی برای تهیه نقشه‌های LCLU و شناسایی تغییرات پوشش درختان در استان گلستان ایران با استفاده از تصاویر TM و ETM+ در سال‌های 1987 و 2001 برای شناسایی تغییرات پوشش جنگلی استفاده کرد. علاوه بر این، [ 14 ] روشی را برای ایجاد نقشه های دقیق LCLU با استفاده از داده های جانبی معرفی کرد، در حالی که [ 15 ] یک نقشه LULC در سال 1998 برای حوضه آبخیز دوغ (یک زیرحوضه کوچک بالادست GW)، برای استفاده در تجزیه و تحلیل سیل ارائه کرد. با این حال، علیرغم علاقه جهانی به تغییر LCLU، تعداد کمی از محققان شرایط LCLU را در منطقه گرگانرود مطالعه کرده اند و تنها [ 13]] تغییرات LCLU را بررسی کرد، هرچند منحصراً از نظر پوشش درخت. علاوه بر این، هیچ یک از این مطالعات تحقیقاتی کل منطقه مورد مطالعه را پوشش نداده است. علاوه بر این، آنها نقشه هایی را که دوره های زمانی طولانی را پوشش می دهد، تولید نکرده اند. برخی یک نقشه پوشش زمین ارائه کرده اند یا تغییراتی را که تنها در دو نقطه زمانی رخ می دهد، تجزیه و تحلیل کرده اند.

بنابراین، با توجه به اهمیت منظر و تغییرات LCLU [ 16 ] در حال وقوع در منطقه مورد مطالعه، به علاوه عدم درک شرایط و الگوهای LCLU در 40 سال گذشته، هدف ما در این مطالعه تحلیل و کمی سازی LCLU بود. تغییرات در حال وقوع در GW. به عنوان بخشی از این، هدف بعدی انجام تحقیقات نقشه برداری جامع LCLU بود، به عنوان مثال ، تولید نقشه های LCLU برای کل دوره با استفاده از رویکردهای مختلف علوم اطلاعات جغرافیایی (GIS) و همچنین چندین مجموعه داده تاریخی و اخیر. در این مقاله، ابتدا تصاویر سنجش از دور به‌دست‌آمده را طبقه‌بندی می‌کنیم، سپس تغییرات LCLU را که بین سال‌های 1972 و 2014 رخ داده است، توصیف می‌کنیم و سپس تغییرات و تبدیل‌های عمده‌ای را که رخ داده است، توصیف می‌کنیم.

2. مواد و روشها

مطالعات تشخیص تغییر از داده‌های سنجش از دور به عنوان منبع اطلاعاتی حیاتی استفاده می‌کنند [ 17 ]، و طبقه‌بندی تصاویر به‌دست‌آمده یک گام کلیدی در اکثر تحلیل‌های LCLU است. در این راستا، همانطور که در شکل 1 نشان داده شده است، از چندین روش مختلف برای طبقه بندی تصاویر ماهواره ای به دست آمده برای این مطالعه استفاده کردیم .

2.1. منطقه مطالعه

منطقه مورد مطالعه در شمال شرقی ایران واقع شده و مساحتی معادل 5500 کیلومتر مربع را در بر می گیرد ( شکل 2 ). بین عرض‌های جغرافیایی 36 درجه و 57 دقیقه شمالی و 37 درجه و 47 دقیقه شمالی، و طول‌های جغرافیایی 55 درجه و 08 دقیقه و 56 درجه و 25 دقیقه شرقی واقع شده است و شامل بخش‌های بالادست GW است. ارتفاعات این منطقه بین 15 تا 2541 متر از سطح دریا متغیر است. این منطقه به دلایل متعددی از جمله فعالیت های تولید کشاورزی و خاک حاصلخیز بسیار مهم است و جمعیتی در حدود 600000 نفر دارد [ 7 ]. همچنین شامل پارک ملی گلستان، یک سایت میراث یونسکو شامل جنگل‌های باستانی، و طیف وسیعی از گونه‌های گیاهی و جانوری است که برخی از آنها در معرض خطر انقراض هستند و ممکن است به دلیل هرگونه تغییر LCLU در آنجا آسیب ببینند. گونه های گیاهی اصلی منطقه شامل پهن برگ استFagus orientalis ، بلوط برگ شاه بلوط، Carpinus betulus ، Acer cappadocicum و elm zelkova و غیره [ 18 ]. علاوه بر این، این منطقه از محصولات کشاورزی مانند گندم، پنبه، دانه های روغنی، غلات و … برخوردار است . علاوه بر این، منطقه مورد مطالعه از نظر جغرافیایی پیچیده است و تنوع آب و هوایی زیادی را نشان می دهد. دشت ها در شرق و مرکز واقع شده اند. در جنوب، این منطقه توسط جنگل های انبوه و ارتفاعات خشک پوشیده شده است، در حالی که شمال عمدتا شامل تپه ها و نیمه خشک است [ 19]]. برای این مطالعه، منطقه انتخاب شده با استفاده از فاصله 1.5 کیلومتری بافر شد و تمامی تصاویر زیرمجموعه ای از این مرز بافر بودند. این بافر کل منطقه مورد مطالعه را برای دستیابی به طبقه بندی دقیق تری پوشش می دهد.

2.2. مجموعه داده ها

هنگام انتخاب مناسب ترین تصاویر سنجش از دور برای استفاده، تعدادی از عوامل مانند پیچیدگی منطقه، پوشش، اهداف مطالعه، نیازهای کاربر و در دسترس بودن داده ها باید در نظر گرفته شوند [20 ] . در نظر گرفتن این عوامل منجر به استفاده از چهار تصویر L1T Landsat MSS، TM، ETM+ و OLI/TIRS بدون ابر چند زمانی شد (مسیر/ردیف 162/34) که دوره 1972 تا 2014 را پوشش می‌دهد و در نهایت توسط Land Processes Distributed توزیع شد. مرکز بایگانی فعال (LP DAAC) به عنوان داده های طبقه بندی LCLU هسته. علاوه بر این، برای پشتیبانی از طبقه بندی، برخی از داده های کمکی در کنار داده های Landsat، همانطور که در جدول 1 نشان داده شده است، استفاده شد.. تصاویر ماهواره‌ای گوگل ارث، یاهو و بینگ از نظر طبقه‌بندی مزایایی دارند، البته لازم به ذکر است که در مناطق مختلف GW، هر یک از این منابع داده، تصاویر متمایزی را بسته به زمان و وضوح مکانی تصاویر موجود ارائه می‌دهند. در نتیجه ما از همه این منابع به طور همزمان برای افزایش دقت استفاده کردیم. علاوه بر این، یک سفر میدانی در می 2013 برای جمع آوری GCP و درک بهتر منطقه مورد مطالعه روی زمین انجام شد.

2.3. پیش پردازش تصویر و پان شارپنینگ

چهار تصویر L1T Landsat با استفاده از معادلات (1) و (2) به درخشندگی و سپس بازتاب تبدیل شدند. جزئیات بیشتر در مورد معادلات مورد استفاده را می توان در انتشارات [ 21 ، 22 ، 23 ] یافت.

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)

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

(2)

که در آن: L _λ تابش بر حسب واحد وات/(متر مربع * استر * میکرومتر) است. d فاصله زمین و خورشید بر حسب واحدهای نجومی است. ESUN _λ تابش خورشیدی بر حسب واحد وات/(متر مربع * میکرومتر) و θ ارتفاع خورشید بر حسب درجه است.

ما همچنین یک مدل تفریق جسم تاریک [ 24 ] را با استفاده از روشی که معمولاً برای کاهش اثرات جوی اعمال می‌شود، روی تصاویر اعمال کردیم .

تکنیک‌های پان شارپنینگ برای بهبود فرآیند و نتایج پردازش تصویر مفید هستند و به درک بهتر سطح زمین مشاهده‌شده کمک می‌کنند [ 14 ، 25 ]. روش‌های متعددی برای تیز کردن در تصاویر ماهواره‌ای وجود دارد: فیلتر بالا گذر (HPF)، شدت-رنگ-اشباع اصلاح شده (M-IHS)، اهلرز و گرم اشمیت (GS) [25 ، 26 ، 27 ، 28 ] . روش پان-شارپنینگ GS به یکی از رایج ترین رویکردها برای استفاده در تصاویر چندطیفی با وضوح پایین تبدیل شده است [ 27 ]. بنابراین، تصاویر سال‌های 2000 و 2014 که دارای نوارهای پان در این مطالعه بودند، با الگوریتم پان‌شارپنینگ GS تیز شدند.

2.4. طبقه بندی

سنجش از دور به یک منبع اساسی داده در مطالعات جغرافیایی تبدیل شده است (مثلاً مطالعات تحقیقاتی تغییر LCLU)، و روش های طبقه بندی مختلفی برای استخراج اطلاعات از تصاویر توسعه داده شده است. این روش ها را می توان به دو نوع اصلی تقسیم کرد: روش های مبتنی بر پیکسل و مبتنی بر شی. روش‌های مبتنی بر پیکسل می‌توانند بدون نظارت (بر اساس تحلیل خوشه‌ای) یا تحت نظارت باشند. گروه دوم از الگوریتم‌های آماری (مثلاً حداکثر احتمال) و غیرآماری (مثلاً شبکه‌های عصبی و ماشین‌های بردار پشتیبان) استفاده می‌کنند [ 20]] و هر کدام مزایا و معایب خاص خود را دارند. ما هر دوی آنها را روی تصاویر استفاده شده در این مطالعه اعمال کردیم و آنهایی را انتخاب کردیم که بهترین خروجی را داشتند. در همین حال، طبقه‌بندی مبتنی بر شی یک روش طبقه‌بندی اخیراً معرفی شده است و بر برخی از مشکلات خاصی که با طبقه‌بندی مبتنی بر پیکسل با آن مواجه می‌شود، مانند اثر نمک و فلفل، غلبه می‌کند [29 ] . ما از روش طبقه بندی مبتنی بر پیکسل برای تصاویر 1972 تا 2000 و از روش طبقه بندی مبتنی بر شی برای تصویر 2014 استفاده کردیم.

2.4.1. طبقه بندی مبتنی بر پیکسل

هنگام شناسایی و ترسیم تغییرات LCLU، مشخصاً تعیین تعداد کلاس‌های LCLU و سپس استفاده از بهترین روش برای شناسایی آنها بسیار مهم است [ 10 ]. با در نظر گرفتن این موضوع، بر اساس شرایط منطقه مورد مطالعه و سایر مطالعاتی که از تصاویر لندست استفاده شده است، مانند [ 30 ] و [ 31 ]، تصمیم گرفتیم از شش طبقه استفاده کنیم که شامل: مناطق ساخته شده، زمین های کشاورزی، زمین های بایر، اراضی مرتعی، جنگل ها و بدنه های آبی. این شش کلاس متعاقباً با هر دو روش طبقه‌بندی مبتنی بر پیکسل و شیء مورد استفاده قرار گرفتند.

در مجموع 396 وصله جمع آوری شد که 240 نمونه برای آموزش و 156 نمونه برای اعتبار سنجی بود. برای هر یک از این کلاس‌ها، مناطق آموزشی در ترکیب‌های رنگی ترکیبی باندهای مختلف هر تصویر با استفاده از منابع مختلف از جمله GCPهای میدانی، CORONA، QuickBird، تصاویر Aster، عکس‌های هوایی و نقشه‌های توپوگرافی، با نقشه‌های ماهواره‌ای Google Earth، Yahoo و Bing با دقت انتخاب شدند. به عنوان مرجع استفاده می شود. پس از آن، نمونه های آموزشی انتخاب شده برای تفکیک پذیری مورد آزمایش قرار گرفتند تا میزان تفکیک آنها مشخص شود. نتایج جدایی بین 0 و 2 برای مقایسه هر زوج، با جدایی بسیار خوب که با مقدار 1.9 تا 2 مشخص می‌شود، و جدایی بسیار کم که با مقدار کمتر از 1 نشان داده می‌شود، به دست آمد .

طبقه‌بندی‌های نظارت شده با استفاده از حداکثر احتمال، شبکه عصبی، ماشین بردار پشتیبان و سایر طبقه‌بندی‌کننده‌ها، به محض اینکه طبقه‌بندی و گروه‌بندی نمونه آموزشی نهایی شد، روی تصاویر انجام شد. پس از آن، برای ارزیابی کیفیت تصاویر طبقه بندی شده، صحت نتایج طبقه بندی را بر اساس دقت کلی بررسی کردیم. برای این ارزیابی دقت، نمونه‌های مختلف توزیع شده تصادفی از منابع داده کمکی ذکر شده قبلی جمع‌آوری شد، به علاوه یک ماتریس سردرگمی برای ارائه اندازه‌گیری‌های دقت، قبل از انتخاب بهترین خروجی طبقه‌بندی استفاده شد. جدول 2 الگوریتم های طبقه بندی انتخاب شده برای هر تصویر را نشان می دهد.

برای پیاده‌سازی طبقه‌بندی‌کننده شبکه عصبی برای تصویر 1972، سهم آستانه آموزش، نرخ، تکانه و برهم‌کنش‌ها را به ترتیب در 0.9، 0.2، 0.9 و 1000 ثابت نگه داشتیم. در مقابل، ما توابع فعال‌سازی مختلف (لجستیک و هذلولی) را امتحان کردیم و تعداد لایه‌های پنهان (یک و دو، طبق [ 10 ]) را تغییر دادیم. در نهایت، ترکیب عناصر ثابت و یک لایه پنهان و تابع لجستیک بهترین نتیجه را ارائه کرد.

2.4.2. تجزیه و تحلیل تصویر مبتنی بر شیء جغرافیایی

در طول دو دهه گذشته، پیشرفت‌ها در حسگرهای رصد زمین، فناوری رایانه و علم GI منجر به توسعه تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) به عنوان جایگزینی برای روش سنتی تجزیه و تحلیل تصویر مبتنی بر پیکسل شده است [32 ، 33 ] . در [ 34 ] آنها گفتند که “GEOBIA یک چارچوب سیستماتیک برای شناسایی شی جغرافیایی است، که پیکسل ها را با اطلاعات معنایی یکسان در یک شی ترکیب می کند و در نتیجه یک شی جغرافیایی یکپارچه ایجاد می کند.” GEOBIA یک منطقه جدید توسعه یافته علوم اطلاعات جغرافیایی و سنجش از دور است که در آن تقسیم بندی خودکار تصاویر به اشیاء با ویژگی های طیفی، زمانی و مکانی مشابه انجام می شود [35] .]. برخلاف تجزیه و تحلیل تصویر سنتی، GEOBIA بیشتر شبیه ترکیب چشم و مغز انسان است [ 33 ]. دومی ویژگی‌های یک شی مانند رنگ، تناسب مربع، بافت، شکل و وقوع را با دیگر اشیاء تصویر، همراه با بسیاری از ویژگی‌های دیگر، برای تفسیر و تحلیل آنچه که چشم انسان می‌بیند، مقایسه می‌کند [33 ، 35 ] .

تقسیم بندی

GEOBIA با تقسیم بندی پیکسل های گروه بندی تصویر به اشیا شروع می شود، سپس از طیف گسترده ای از ویژگی های شی برای طبقه بندی اشیا یا استخراج ویژگی های شی از تصویر استفاده می کند [ 33 ، 36 ، 37 ]. تقسیم بندی با وضوح چندگانه یک روش محبوب تقسیم بندی در زمینه سنجش از دور است [ 36 ]. برای ایجاد اشیاء از پیکسل ها، برخی پارامترها از جمله مقیاس، رنگ و شکل، مانند فشرده بودن و صاف بودن شکل، اهمیت ویژه ای دارند [ 4 ]. در اکثر مطالعات تا به امروز، انتخاب مقادیر پارامترها بر اساس آزمون و خطا انجام شده است [ 4 ]. با این حال، ما از ابزار ESP [ 38] برای محاسبه اندازه ترجیحی پارامترهای مقیاس. مقادیر مختلف با توجه به کلاس‌های شیء جغرافیایی مختلف، با مقادیر بهینه بر اساس مقیاس، شکل و فشردگی به ترتیب 75، 0.5 و 0.9 مورد آزمایش قرار گرفتند. اشیاء ایجاد شده بر اساس این تنظیمات برای تجزیه و تحلیل بیشتر استفاده شد. برای جزئیات بیشتر در مورد پارامترهای تقسیم بندی، ما خوانندگان را به طیف وسیعی از مطالعات، از جمله [ 29 ، 39 ، 40 ، 41 ] ارجاع می دهیم.

داده کاوی

به طور کلی، مراحلی که در طول تمرین داده کاوی دنبال می شود شامل تقسیم بندی تصویر، نمونه برداری از اشیا آموزشی، داده کاوی نمونه ها، ارزیابی خروجی فعالیت های داده کاوی، طبقه بندی تصویر و سپس ارزیابی دقت طبقه بندی می باشد. کل فرآیند به صورت گرافیکی در شکل 3 ارائه شده است .

برای ارائه ورودی برای داده کاوی مورد استفاده در این مطالعه، بخش بندی بخش به مجموعه داده ها اعمال شد. پس از آن، داده ها بر اساس الزامات طبقه بندی LCLU پارامترسازی شدند. برای شناسایی کلاس‌های مختلف در تصویر و تهیه معیارهای خوب برای فرآیند داده‌کاوی، Brightness، شاخص Max.diff را محاسبه کردیم (“تفاوت مطلق بین میانگین حداقل شیء و حداکثر میانگین شی تقسیم بر میانگین روشنایی شی” [ 36])، و شاخص های مختلف مانند NDVI، NDGRVI، NDBI، GNDVI، LWM، NDMI و SLAVI از تصویر 2014، به علاوه تجزیه و تحلیل مؤلفه های اصلی (PCA) انجام شده است. شیب و جنبه ها از مدل رقومی ارتفاع (DEM) به دست آمد. همانطور که در جدول 3 نشان داده شده است، ویژگی های مختلف فضایی، بافتی و طیفی اشیاء مورد استفاده به عنوان بخشی از فرآیند داده کاوی (115 ویژگی) توسعه یافته است .

پس از آن، 4495 نمونه به طبقات مختلف زمین تقسیم شدند که عبارتند از: زمین بایر، منطقه ساخته شده، زمین کشاورزی، زمین جنگلی، اراضی مرتعی و آب. این کلاس ها برای ارائه مجموعه قوانین طبقه بندی برای داده کاوی ها انتخاب شدند.

مجموعه‌های قوانین نقش مهمی در طبقه‌بندی داده‌های سنجش از راه دور مورد استفاده در GEOBIA دارند. بخش داده کاوی تجزیه و تحلیل شامل انتخاب و استفاده از تکنیک های هوشمند به منظور شناسایی و استخراج الگوهای مورد علاقه استفاده در تولید موثر دانش است [42]، که در آن دانش به معنای الگوهای رفتاری شناسایی شده برای هر طبقه درک می شود. مورد علاقه. ما از دو بسته داده کاوی استفاده کردیم: WEKA (محیط Waikato برای تجزیه و تحلیل دانش) [ 43 ] و CART (درخت طبقه بندی و رگرسیون) [ 44 ، 45 ، 46 ] برای استخراج داده ها و ایجاد یک مجموعه قوانین برای این تحقیق.

CART یک روش ناپارامتریک است که از یک روش سیستماتیک برای یافتن قوانین ریپینگ استفاده می کند [ 47 ]. این شامل هفت معیار تقسیم تک متغیری است: Gini، Sym-Gini، Twoing، Ordered Twoing، احتمال کلاس برای درختان طبقه بندی، حداقل مربعات و کمترین انحراف مطلق برای درختان رگرسیون، و همچنین یک معیار تقسیم چند متغیره – روش ترکیبات خطی. 46 ]. معیار تقسیم جینی روش پیش فرض است. Twoing; در همین حال، بخشی منحصر به فرد از روش CART است که معمولاً برای مدل‌سازی رایانه‌ای استفاده می‌شود و برای استفاده در مسائل طبقه‌بندی که در آن کلاس‌های زیادی وجود دارد، مناسب است [ 46 ، 47 ]. جزئیات بیشتر CART را می توان در مطالعات [ 44 ،45 ، 46 ، 47 ، 48 ].

الگوریتم درخت تصمیم J48 در اینجا با استفاده از محیط Waikato برای تجزیه و تحلیل دانش (WEKA) استفاده شد که از مجموعه ای از الگوریتم های یادگیری ماشینی برای رویه های داده کاوی خود استفاده می کند [42 ، 43 ، 49 ، 50 ] . الگوریتم J48 پیاده سازی C4.5 را نشان می دهد که یک ویژگی را برای تقسیم داده ها به دو گروه فرعی بر اساس بالاترین سود اطلاعات نرمال شده (تفاوت در مفهوم آنتروپی اطلاعات) انتخاب می کند. سپس تکرار رویه برای هر زیرمجموعه اعمال می شود تا زمانی که همه موارد در هر زیر مجموعه به همان کلاس برسند. در نتیجه، این روش یک گره برگ در درخت تصمیم ایجاد می کند [ 42 ، 51]. جزئیات جامع تر برنامه های WEKA و J48 را می توان در [ 42 ، 43 ، 49 ، 50 ، 52 ] یافت.

برای ایجاد بهترین مدل دانش، نتایج داده کاوی را با استفاده از یک ابزار آمار استاندارد برای انجام اعتبارسنجی متقابل ارزیابی کردیم. اعتبار سنجی متقاطع k-fold مستلزم جداسازی یک مجموعه داده به k زیر مجموعه های تکمیلی تصادفی است [ 42 ]. ما از یک فرآیند اعتبار سنجی متقاطع 10 برابری در بین نمونه‌های آموزشی استفاده کردیم که 10 درصد از داده‌ها برای آزمایش و 90 درصد برای آموزش استفاده شد. پس از آن، قانون تنظیم شده توسط الگوریتم های یادگیری ماشینی بر روی تصاویر اعمال شد. به عنوان بخشی از ارزیابی کیفیت، صحت نتایج طبقه‌بندی بر اساس صحت کلی، اختلاف کمیت و شاخص‌های عدم توافق تخصیص بررسی شد [ 53 ].

اگرچه در پایان فرآیند طبقه‌بندی و ارزیابی دقت، نقشه‌های LCLU ایجاد شده قابل قبول بود، اما با استفاده از داده‌های کمکی سعی کردیم کیفیت طبقه‌بندی را تا حد امکان از طریق پس پردازش افزایش دهیم.

2.5. ارزیابی دقت

همانطور که قبلاً اشاره شد، نقشه‌های LCLU تولید شده از طبقه‌بندی‌های مبتنی بر پیکسل و شی از نظر دقت ارزیابی شدند. برای انجام این کار، علاوه بر دقت کلی آنها که بر اساس [ 53 ] اختلاف کمیت و شاخص‌های اختلاف تخصیص ارزیابی شد، آزمون‌های آماری مناسب‌تر دیگری هم برای نقشه‌ها و هم برای نمونه‌های مرجع [ 54 ] انتخاب و اجرا شدند. این شاخص‌ها مناسب‌تر دیده می‌شوند، زیرا می‌توانند وابستگی بین مناسب بودن نمونه‌های آزمایشی، و همچنین دسته‌ها و حوزه آنها را در نظر بگیرند [ 54 ]. طبق [ 53]، اختلاف کمیت، مقدار تغییر بین نمونه های مرجع و یک نقشه ایجاد شده است، به دلیل تطابق کمتر از حد مطلوب در نسبت های طبقات. با این حال، اختلاف تخصیص، مقدار انحراف فضایی است که در بین پیکسل‌های کلاس طبقه‌بندی شده از نمونه‌های اعتبارسنجی [ 53 ، 55] مشاهده می‌شود.]. در این مطالعه برای طبقه بندی مبتنی بر پیکسل، 156 نمونه برای هر تصویر انتخاب شد. برای طبقه‌بندی مبتنی بر شی، بیش از 150 نمونه تصادفی با توزیع خوب انتخاب شدند که نمونه‌ها از اطلاعات جمع‌آوری‌شده در طول بازدیدهای میدانی و از سایر داده‌های کمکی قبلاً ذکر شده به‌دست آمده بودند. به عنوان مثال، استفاده از تفسیر عکس، تصاویر ماهواره ای CORONA، عکس های هوایی تاریخی و همچنین نقشه های توپوگرافی قدیمی برای نمونه های آزمایشی 1972 و 1986 مفید بود. در همین حال، برای سال‌های 2000 و 2014، تصاویر ماهواره‌ای QuickBird و Aster به همراه تصاویر ماهواره‌ای تاریخی و به‌روز گرفته‌شده از Google Earth، Yahoo و Bing، اطلاعات مفیدی را در طول فرآیند انتخاب نمونه ارائه کردند.

3. نتایج و بحث

3.1. طبقه بندی مبتنی بر پیکسل

156 نمونه تصادفی به خوبی توزیع شده به عنوان داده های زمینی برای اندازه گیری دقت طبقه بندی استفاده شد. شکل 4 نتایج فرآیندهای طبقه بندی تصویر در سال های 1972، 1986 و 2000 را نشان می دهد. نتایج فرآیند ارزیابی دقت برای طبقه‌بندی‌ها، از جمله اختلافات کمیت و تخصیص و سطوح دقت کلی، در جدول 4 ارائه شده است.. همانطور که از جدول مشاهده می شود، دقت کلی نقشه ها از 89.8٪ برای سال 1986 تا 95.9٪ برای سال 1972 متغیر بود. اختلاف کمی برای سال 1972 – یعنی تفاوت بین تعداد پیکسل ها در نقشه مرجع و در مقایسه. نقشه – 2.4٪ بود، در حالی که برای سال 1986 و 2000، حدود 6٪ بود. در همین حال، اختلاف تخصیص مربوط به تفاوت طبقه بندی فضایی بین دسته ها از 2.2٪ تا 2.7٪ بود. نتایج نشان داده شده در جدول 4 نشان می دهد که دقت طبقه بندی مکانی بیش از دقت کمی بوده است. با این وجود، تفسیر بصری در نتایج طبقه‌بندی در محیط GIS ادغام شد تا کیفیت نقشه‌های نهایی را افزایش دهد.

3.2. طبقه بندی GEOBIA

ابزارهای داده کاوی داده ها را پردازش کرده و آن ویژگی هایی را که برای ساخت درخت های تصمیم مهم تلقی می شوند شناسایی کردند. ویژگی های شناسایی شده در جدول 5 فهرست شده است .

استفاده از الگوریتم‌های جینی و J48 برای داده‌های مجموعه آموزشی ارائه‌شده در جدول 3 و استفاده از ابزارهای یادگیری ماشینی CART و WEKA به نویسندگان این امکان را می‌دهد تا درخت‌های تصمیم را بر اساس ویژگی‌های فهرست‌شده در جدول 5 توسعه دهند . در همین حال، شکل 5 درخت تصمیم تولید شده توسط CART و WEKA را نشان می دهد. برای تولید درخت های تصمیم گیری دقیق، اعتبارسنجی متقابل در طول فرآیند داده کاوی اعمال شد. دقت کلی داده های CART و WEKA به ترتیب 96.21% و 96.92% بود. همانطور که مشخص است، چنین سطوحی از دقت قابل قبول بودند، بنابراین نتایج پس از اعمال درخت تصمیم در تصویر 2014 مورد ارزیابی قرار گرفت.

صحت نتایج با ایجاد یک ماتریس سردرگمی ارزیابی شد که برای آن از 150 نمونه توزیع تصادفی و جداگانه استفاده شد. نتایج این فرآیند در جدول 6 ارائه شده است . از داده‌های جدول 6 می‌توان دریافت که دقت کلی نقشه‌ها مشابه بود، زیرا هر دو به دقت 94% رسیدند. اختلاف مقدار نشان داده شده برای WEKA 2.1٪ بود، در حالی که هنگام استفاده از CART 3.5٪ بود. در همین حال، اختلاف تخصیص برای WEKA 2.1٪ و برای CART 2.5٪ بود. همانطور که در جدول 6 نشان داده شده است، هر دو روش سطح یکسانی از دقت کلی را نشان دادند و بنابراین می توان آن را قابل قبول در نظر گرفت. در پایان، خروجی WEKA – به دلیل تخصیص بهتر و دقت کمی – انتخاب شد و اصلاحات پس از پردازش اعمال شد تا نقشه نهایی LCLU دقیق تری برای سال 2014 ارائه شود ( شکل 6 ).

هر دو روش مبتنی بر پیکسل و مبتنی بر شی دارای مزایا و معایبی هستند. «مسئله نمک و کاغذ» نقش مهمی در روش طبقه‌بندی مبتنی بر پیکسل ایفا می‌کند، در حالی که اجرای فرآیند ساخت قانون در تحلیل GEOBIA اغلب دشوار است. با این حال، برای روش مبتنی بر شی، توانایی‌های یادگیری ماشینی و داده‌کاوی آن، ایجاد قانون و متعاقباً طبقه‌بندی تصویر را تسهیل می‌کند. مقایسه دو روش طبقه‌بندی نشان می‌دهد که دامنه تغییرات دقت کلی در دو طبقه‌بندی مبتنی بر شی کمتر از سه طبقه‌بندی مبتنی بر پیکسل است. علاوه بر این، اختلاف کمیت برای روش طبقه‌بندی مبتنی بر پیکسل بیشتر از زمانی است که از رویکرد مبتنی بر شی استفاده می‌شود. با این وجود، سطوح اختلاف تخصیص برای هر دو روش تقریباً در یک محدوده است.

نتایج فرآیند طبقه‌بندی برای هر سال یک برآورد کلی از توزیع LCLU در منطقه مورد مطالعه را ارائه کرد. همانطور که در شکل 4 و شکل 6 نشان داده شده است، و همانطور که در جدول 7 به وضوح مشاهده می شود ، طبقات مختلف مناطق مختلفی را در طول سال های درگیر پوشش داده اند. از جداول و ارقام مشخص می شود که در سال های 1972، 1986 و 2000، مرتع به ترتیب 60%، 50% و 45% از مساحت را پوشش می داد. زمین‌های کشاورزی و جنگل‌ها بیشترین گسترش را طی دوره 1972 تا 2000، به دنبال محدوده LC داشتند. از جدول 7تفاوت معنی داری بین سال 1393 و سال های قبل مشاهده می شود، زیرا مرتع به عنوان غالب ترین پوشش اراضی با جایگزینی زمین های کشاورزی (40 درصد) از بین رفته است. در سال 2014، اراضی زراعی، مرتعی و پس از آن جنگل‌ها به ترتیب غالب‌ترین پوشش‌های زمین بودند. در کل دوره، آب و زمین های ساخته شده کوچکترین مناطق را پوشش دادند (به ترتیب حداکثر 1.45٪ و 0.19٪).

از سال 1972 تا 2014، مرتع، رایج ترین طبقه، تا حد زیادی به زمین کشاورزی (بیش از 26 میلیون هکتار) و جنگل (2 میلیون هکتار) تبدیل شد. تبدیل اخیر را می توان با ایجاد پارک ملی گلستان و تامین منابع انرژی مختلف برای جمعیت محلی و همچنین به احیای جنگل و فعالیت های جنگل کاری مرتبط دانست. همچنین در این سالها حدود 5 میلیون هکتار از سطح جنگلی که اکثراً در نزدیکی زمین های ساخته شده و مسطح قرار داشت نیز به زمین کشاورزی تبدیل شد. سطوح زمین های کشاورزی عمدتاً به مناطق مسکونی (تقریباً 1.3 میلیون هکتار) و بدنه های آبی (بیش از 200000 هکتار) تبدیل شدند. چنین تغییراتی در بخش هایی از منطقه تحت پوشش دشت متمرکز بود. با این حال، گسترش مناطق ساخته شده تنها به ضرر زمین های کشاورزی نبود.جدول 8 ). به طور مشابه، [ 13 ] که تغییرات پوشش درختان را در طول 1987-2001 در بخشی از منطقه مورد مطالعه مطالعه کردند، متوجه شدند که مناطق جنگلی کاهش یافته است.

4. نتیجه گیری

این مطالعه با هدف تعیین وضعیت پوشش/کاربری اراضی (LCLU) در بازه زمانی 1972 تا 2014 (یک دوره 42 ساله) برای حوزه آبخیز گرگانرود در شمال شرق ایران انجام شد. بر اساس سنجش از دور مبتنی بر پیکسل و طبقه‌بندی‌های نظارت شده، و شامل استفاده از شبکه‌های عصبی و روش‌های حداکثر احتمال، نویسندگان نقشه‌های کاربری زمین را برای دوره 1972 تا 2000 ایجاد کردند. پس از آن، ترکیبی از سنجش از دور GEOBIA و داده‌ها روش‌های استخراج، چارچوب مورد نیاز برای انجام فرآیند نقشه‌برداری LCLU را فراهم کردند، و سپس این مورد برای تصویر سال 2014 نیز اعمال شد. هر دو روش طبقه بندی مبتنی بر پیکسل و مبتنی بر شی دارای مزایا و معایب هستند. به عنوان مثال، طبقه‌بندی‌های مبتنی بر پیکسل از مشکل نمک و کاغذ رنج می‌برند، در حالی که انجام فعالیت‌های ساخت قوانین با استفاده از تحلیل GEOBIA اغلب دشوار است.

با نقشه‌های LCLU به‌دست‌آمده، نویسندگان توانستند وضعیت LCLU را در طول دوره مطالعه روشن کنند، که نشان می‌دهد در سال‌های 1972، 1986 و 2000، مرتع نوع پوشش زمین غالب بود. در همین حال، زمین‌های کشاورزی و جنگل‌ها بیشترین گسترش را در طول دوره داشته‌اند، به دنبال محدوده LC. تفاوت معنی‌داری بین سال 2014 و تاریخ‌های آزمایش‌شده قبلی مشاهده شد، زیرا در این زمان مرتع دیگر نوع پوشش زمین غالب نبود و با زمین‌های زراعی و به دنبال آن مرتع و سپس جنگل‌ها جایگزین شده بود. در کل دوره، آب و زمین های ساخته شده کوچکترین مناطق را پوشش می دادند.

نتایج این مطالعه نشان می دهد که تغییرات قابل توجهی در حوزه آبخیز از سال 1972 به بعد رخ داده است و این امر بر اکوسیستم منطقه و معیشت انسان تأثیر گذاشته است. در حوضه آبخیز گرگانرود، رانش زمین و فرونشست زمین از مخاطرات طبیعی غالب بوده و بر اساس تأثیرات مختلف LCLU بر این فرآیندها، افزایش اراضی کشاورزی و مناطق مسکونی، علاوه بر کاهش اراضی جنگلی و مرتعی، ممکن است باعث افزایش تعداد و نوع مخاطرات طبیعی به ویژه سیلاب ها با توجه به غالب بودن سیل در منطقه. دولت های محلی و ملی و تصمیم گیرندگان می توانند از نتایج مطالعه برای درک ماهیت و مکان تغییرات LCLU که رخ داده است استفاده کنند و این تغییرات را هنگام توسعه طرح ها و پروژه های آینده برای کاهش خطرات طبیعی در نظر بگیرند. با استفاده از دانش بهبودیافته از وضعیت های LCLU در منطقه ایجاد شده توسط این مطالعه، توصیه می شود تحقیقات بیشتری به منظور درک پویایی و روابط بین طبقات LCLU انجام شود تا در آینده بتوان حوزه آبخیز را به طور موثرتری مدیریت کرد. همچنین، مطالعات بیشتری در مورد تأثیر تغییرات LCLU بر آینده حوزه آبخیز باید در نظر گرفته شود تا به بهبود دانش ما در این زمینه کمک کند و به مدیریت کارآمدتر آینده کمک کند.

منابع

تیلاگاواتی، ن. سوبرامانی، ت. Suresh، M. تجزیه و تحلیل تشخیص تغییر کاربری/پوشش زمین در تپه‌های گچ سالم، جنوب هند با استفاده از سنجش از دور و GIS. Disaster Adv. 2015 ، 8 ، 44-52. [ Google Scholar ]
ادیکاری، س. ساوتورث، جی. Nagendra، H. درک از دست دادن و بازیابی جنگل: تجزیه و تحلیل فضایی-زمانی تغییر زمین در و اطراف پارک ملی Bannerghatta، هند. J. کاربری زمین علمی. 2014 ، 10 ، 1-23. [ Google Scholar ] [ CrossRef ]
لامبین، EF; ترنر، BL; Geist، HJ; آگبولا، اس بی؛ آنجلسن، آ. بروس، جی دبلیو. Comes, OT; دیرزو، ر. فیشر، جی. فولک، سی. و همکاران علل تغییر کاربری و پوشش زمین: حرکت فراتر از افسانه ها گلوب. محیط زیست چانگ. 2001 ، 11 ، 261-269. [ Google Scholar ] [ CrossRef ]
دینگل رابرتسون، ال. کینگ، دی جی مقایسه طبقه‌بندی مبتنی بر پیکسل و شی در نقشه‌برداری تغییر پوشش زمین. بین المللی J. Remote Sens. 2011 ، 32 ، 1505-1529. [ Google Scholar ] [ CrossRef ]
چاپین سوم، FS; زاوالتا، ES; Eviner، VT; نایلور، RL; Vitousek، PM; رینولدز، اچ ال. هوپر، DU; لاورل، اس. سالا، OE; Hobbie, SE; و همکاران پیامدهای تغییر تنوع زیستی طبیعت 2000 ، 405 ، 234-242. [ Google Scholar ] [ CrossRef ] [ PubMed ]
براخی، RO; اویانا، تی جی؛ Adu-Prah، S. تغییر کاربری و پوشش زمین و پیامدهای آن در حوضه رودخانه Kagera، شرق آفریقا. افر. Geogr. Rev. 2014 , 34 , 1-23. [ Google Scholar ] [ CrossRef ]
مرکز آمار ایران. سرشماری نفوس و مسکن ایران 1385 — نتایج عمومی استان گلستان ; مرکز آمار ایران: تهران، ایران، 1385. [ Google Scholar ]
Qin، Y.; نیو، ز. چن، اف. لی، بی. Ban, Y. تشخیص تغییر پوشش زمین مبتنی بر شی برای تصاویر متقابل حسگر. بین المللی J. Remote Sens. 2013 ، 34 ، 6723-6737. [ Google Scholar ] [ CrossRef ]
یسمین، ر. محی الدین، ASM; Uddin، MJ; Shahid, MA تشخیص تغییر کاربری و پوشش زمین در اتحادیه میرزاپور ناحیه گازی پور بنگلادش با استفاده از فناوری سنجش از دور و GIS. در مجموعه مقالات مجموعه کنفرانس IOP: زمین و علوم محیطی، کوالالامپور، مالزی، 22 تا 23 آوریل 2014.
کولیوس، اس. Stylios، CD شناسایی تغییرات پوشش زمین/کاربری زمین در مساحت بزرگتر شبه جزیره پروه در یونان با استفاده از داده های ماهواره لندست. Appl. Geogr. 2013 ، 40 ، 150-160. [ Google Scholar ] [ CrossRef ]
عبد الکاوی، OR; رود، JK; اسماعیل، ح. سلیمان، AS شناسایی تغییر کاربری و پوشش زمین در دلتای نیل غربی مصر با استفاده از داده های سنجش از دور. Appl. Geogr. 2011 ، 31 ، 483-494. [ Google Scholar ] [ CrossRef ]
یانگ، ایکس. Lo, CP با استفاده از یک سری زمانی از تصاویر ماهواره ای برای شناسایی تغییرات کاربری و پوشش زمین در منطقه شهری آتلانتا، جورجیا. بین المللی J. Remote Sens. 2002 ، 23 ، 1775-1798. [ Google Scholar ] [ CrossRef ]
سلمان ماهینی، ع. فقهی، ج. نادعلی، ع. ریاضی، ب. تشخیص تغییر پوشش درخت از طریق طبقه‌بندی شبکه عصبی مصنوعی با استفاده از تصاویر Landsat TM و ETM+ (مطالعه موردی: استان گلستان، ایران). ایران. جی. برای. صنوبر Res. 2008 ، 16 ، 495-505. [ Google Scholar ]
سعادت، ح. آداموفسکی، جی. بونل، آر. شریفی، ف. نامدار، م. آل ابراهیم، س. طبقه بندی کاربری و پوشش اراضی در گستره وسیعی از ایران بر اساس تحلیل تک تاریخ تصاویر ماهواره ای. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 608-619. [ Google Scholar ] [ CrossRef ]
عباس زاده تهرانی، ن. مخدوم، م.ف. مهدوی، م. بررسی اثرات تغییر کاربری اراضی بر جریان سیلاب با استفاده از تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) – مطالعه موردی در حوزه آبخیز رودخانه دوغ، شمال شرق ایران. محیط زیست Res. 2011 ، 1 ، 1-14. [ Google Scholar ]
مالینس، جی. کوسیاس، ن. Arianoutsou، M. نظارت بر تغییر کاربری/پوشش زمین از سال 1945 تا 2007 در دو منطقه کوهستانی حومه شهری منطقه شهری آتن، یونان. علمی کل محیط. 2014 ، 490 ، 262-278. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لو، دی. ماوزل، پ. بروندزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. 2004 , 25 , 2365-2401. [ Google Scholar ] [ CrossRef ]
محمدی، ج. شطایی، س. بررسی امکان نقشه برداری تنوع درختی با استفاده از داده های Landsat ETM+ در جنگل های هیرکانی ایران. سنسور از راه دور محیط. 2010 ، 114 ، 1504-1512. [ Google Scholar ] [ CrossRef ]
دلبری، م. افراسیاب، پ. جهانی، س. درونیابی فضایی بارندگی ماهانه و سالانه در شمال شرق ایران. هواشناسی اتمس. فیزیک 2013 ، 122 ، 103-113. [ Google Scholar ] [ CrossRef ]
لو، دی اس؛ لی، جی. Kuang، WH; موران، ای. روش‌های استخراج سطوح غیرقابل نفوذ از تصاویر ماهواره‌ای. بین المللی جی دیجیت. زمین 2014 ، 7 ، 93-112. [ Google Scholar ] [ CrossRef ]
USGS. با استفاده از محصول USGS Landsat 8. در دسترس آنلاین: http://landsat.usgs.gov/Landsat8_Using_Product.php (در 10 مارس 2015 قابل دسترسی است).
USGS. درخشندگی چگونه محاسبه می شود؟ در دسترس آنلاین: http://landsat.usgs.gov/how_is_radiance_calculated.php (در 12 مارس 2016 قابل دسترسی است).
Exelis VIS، کالیبراسیون رادیومتری pdc. در دسترس آنلاین: http://www.exelisvis.com/docs/RadiometricCalibration.html (در 12 مارس 2016 قابل دسترسی است).
چاوز، PS کالیبراسیون رادیومتری تصاویر چندطیفی نقشه‌بردار موضوعی لندست. فتوگرام مهندس Remote Sens. 1989 ، 55 ، 1285-1294. [ Google Scholar ]
یوهندرا; علی الدین، من. سومانتیو، JTS; Kuze، H. ارزیابی روش های پان-شارپنینگ اعمال شده برای ترکیب تصویر داده های چند باند سنجش از راه دور. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2012 ، 18 ، 165-175. [ Google Scholar ] [ CrossRef ]
راهنمای ArcGIS. اصول تیز کردن پانکروماتیک در دسترس آنلاین: http://resources.arcgis.com/en/help/main/10.1/index.html#//009t000000mw000000 (در 11 مارس 2015 قابل دسترسی است).
Maurer, T. چگونه تصاویر را با استفاده از روش تیز کردن Gram-Schmidt به روش پان شارپ کنیم – یک دستور العمل. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2013 ، XL-1/W1 ، 239-244. [ Google Scholar ] [ CrossRef ]
لابن، کالیفرنیا؛ Brower، فرآیند BV برای افزایش وضوح فضایی تصاویر چند طیفی با استفاده از Pan-Sharpening. Google Patents US6011875 A, 2000. [ Google Scholar ]
Blaschke, T. تجزیه و تحلیل تصویر مبتنی بر شی برای سنجش از راه دور. ISPRS J. Photogramm. Remote Sens. 2010 , 65 , 2-16. [ Google Scholar ] [ CrossRef ]
نوتینی، اف. بوشتی، ام. Brivio، PA; بوچی، اس. Antoninetti، M. تشخیص تغییر کاربری و پوشش زمین در یک منطقه نیمه خشک نیجر با استفاده از تجزیه و تحلیل چند زمانی تصاویر Landsat. بین المللی J. Remote Sens. 2013 , 34 , 4769-4790. [ Google Scholar ] [ CrossRef ]
وو، جی. گائو، ی. وانگ، ی. وانگ، YY; Xu، D. تغییرات کاربری زمین/پوشش زمین و نیروهای محرک آنها در اطراف تالاب ها در شهرستان شانگری لا، استان یوننان، چین. بین المللی J. Sustain. توسعه دهنده محیط زیست جهانی 2015 ، 22 ، 110-116. [ Google Scholar ] [ CrossRef ]
گائو، ی. Mas, JF مقایسه عملکرد طبقه‌بندی‌های مبتنی بر پیکسل و شیء بر روی تصاویر با وضوح‌های فضایی مختلف. طاق ISPRS. 2008 ، XXXVIII-4/C1 ، 1-6. [ Google Scholar ]
آدینک، EA؛ ون کویلی، FMB؛ de Jong, SM مقدمه ای بر شماره ویژه GEOBIA 2010: از پیکسل ها تا اشیاء جغرافیایی در تحلیل تصویر سنجش از دور. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 15 ، 1-6. [ Google Scholar ] [ CrossRef ]
ما، ال. چنگ، ال. لی، ام. لیو، ی. Ma، X. اندازه، مقیاس و ویژگی‌های مجموعه آموزشی در تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی تصاویر وسایل نقلیه هوایی بدون سرنشین با وضوح بسیار بالا. ISPRS J. Photogramm. Remote Sens. 2015 ، 102 ، 14-27. [ Google Scholar ] [ CrossRef ]
رابعه، ق. Terribile, F. نیمه خودکار طبقه بندی عکس های هوایی در مقیاس خاکستری با استفاده از تکنیک تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA). در مجمع عمومی اتحادیه علوم زمین اروپا – چکیده های تحقیقات ژئوفیزیک ; وین، اتریش، 2013. [ Google Scholar ]
بلاشکه، تی. فیضی زاده، ب. Holbling، D. تجزیه و تحلیل تصویر مبتنی بر شی و تجزیه و تحلیل زمین دیجیتال برای مکان یابی زمین لغزش ها در حوضه دریاچه ارومیه، ایران. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 , 7 , 4806–4817. [ Google Scholar ] [ CrossRef ]
ویتارانا، سی. سیوکو، دی ال. Meyer, TH ارزیابی ترکیب داده ها و تقسیم بندی تصویر در گردش کار نقشه برداری سریع مبتنی بر رصد زمین. ISPRS J. Photogramm. Remote Sens. 2014 ، 87 ، 1-18. [ Google Scholar ] [ CrossRef ]
دراگوت، ال. تاید، دی. Levick، SR ESP: ابزاری برای تخمین پارامتر مقیاس برای تقسیم‌بندی تصویر با وضوح چندگانه داده‌های سنجش از راه دور. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 859-871. [ Google Scholar ] [ CrossRef ]
وانگ، ز. جنسن، جی آر. Im, J. یک الگوریتم تقسیم بندی تصویر مبتنی بر منطقه خودکار برای کاربردهای سنجش از دور. محیط زیست مدل. نرم افزار 2010 ، 25 ، 1149-1165. [ Google Scholar ] [ CrossRef ]
لانگ، اس. تجزیه و تحلیل تصویر مبتنی بر شی برای برنامه‌های سنجش از راه دور: مدل‌سازی واقعیت – مقابله با پیچیدگی. در تجزیه و تحلیل تصویر مبتنی بر شی ; Blaschke, T., Lang, S., Hay, G., Eds.; Springer: برلین، آلمان، 2008; صص 3-27. [ Google Scholar ]
بااتز، ام. Schäpe، M. تقسیم بندی چند وضوح. در Angewandte Geographische Informations-Verarbeitung ; Strobl, J., Blaschke, T., Griesebner, G., Eds. Wichmann Verlag: کارلسروهه، آلمان، 2000; ص 12-23. [ Google Scholar ]
ویرا، MA; Formaggio، AR؛ رنو، سی دی; آتزبرگر، سی. Aguiar، DA; Mello، تجزیه و تحلیل تصویر مبتنی بر شی MP و داده کاوی روی یک سری زمانی Landsat سنجش از دور برای نقشه‌برداری از نیشکر در مناطق بزرگ اعمال شد. سنسور از راه دور محیط. 2012 ، 123 ، 553-562. [ Google Scholar ] [ CrossRef ]
هال، م. فرانک، ای. هلمز، جی. فارینگر، بی. رویتمن، پی. Witten، IH نرم افزار داده کاوی WEKA: به روز رسانی. SIGKDD کاوش. خبرنامه. 2009 ، 11 ، 10-18. [ Google Scholar ] [ CrossRef ]
بریمن، ال. فریدمن، جی. اولشن، ر. Stone, C. طبقه بندی و رگرسیون درختان ; Pacific Grove: Wadsworth، OH، USA، 1984. [ Google Scholar ]
استاینبرگ، دی. Colla, P. Cart-Classification and Regression Tree ; سالفورد سیستمز: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 1997. [ Google Scholar ]
راهنمای کاربر Dan Steinberg، MG CART 6.0 . سالفورد سیستمز: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 2006. [ Google Scholar ]
وحید، ت. Bonnell، RB; Prasher, SO; Paulet، E. اندازه گیری عملکرد در کشاورزی دقیق: سبد خرید – رویکرد درخت تصمیم. کشاورزی مدیریت آب. 2006 ، 84 ، 173-185. [ Google Scholar ] [ CrossRef ]
سیستم سالفورد CART طبقه بندی و رگرسیون درختان ; سالفورد سیستمز: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 2015. [ Google Scholar ]
شارما، آر. قوش، ع. روش درخت تصمیم Joshi، PK برای طبقه بندی داده های ماهواره ای سنجش از دور با استفاده از پشتیبانی منبع باز. J. Earth Syst. علمی 2013 ، 122 ، 1237-1247. [ Google Scholar ] [ CrossRef ]
بیسوال، اس. قوش، ع. شارما، آر. Joshi، PK طبقه بندی داده های ماهواره ای با استفاده از پشتیبانی منبع باز. J. شرکت هندی Remote Sens. 2013 , 41 , 523-530. [ Google Scholar ] [ CrossRef ]
کرامر، S. J48. در دسترس آنلاین: http://www.opentox.org/dev/documentation/components/j48/ (در 12 مارس 2016 قابل دسترسی است).
Waikato، MLG Weka 3: نرم افزار داده کاوی در جاوا. در دسترس آنلاین: http://www.cs.waikato.ac.nz/~ml/weka/ (در 12 مارس 2016 قابل دسترسی است).
پونتیوس، آر جی، جونیور؛ میلونز، ام. مرگ بر کاپا: تولد اختلاف کمیت و اختلاف تخصیص برای ارزیابی دقت. بین المللی J. Remote Sens. 2011 ، 32 ، 4407-4429. [ Google Scholar ] [ CrossRef ]
کوردیرو، CLD؛ Rossetti، DD نقشه برداری پوشش گیاهی در یک لندفرم کواترنری اواخر تالاب های آمازون با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی و طبقه بندی درخت تصمیم. بین المللی J. Remote Sens. 2015 ، 36 ، 3397–3422. [ Google Scholar ] [ CrossRef ]
منصور، ک. موتانگا، او. آدام، ای. عبدالرحمن، سنجش از دور چندطیفی EM برای نقشه‌برداری تخریب مراتع با استفاده از شاخص‌های کلیدی گونه‌های چمن و عوامل ادافیک. Geocarto Int. 2016 , 31 . [ Google Scholar ] [ CrossRef ]

شکل 1. نمودار جریان نقشه برداری LCLU. NN = شبکه عصبی، ML = حداکثر احتمال، GEOBIA = تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی.

شکل 2. منطقه مورد مطالعه در شمال شرق ایران.

شکل 3. نمودار گردش روش GEOBIA و داده کاوی.

شکل 5. درختان تصمیم شماتیک ایجاد شده با استفاده از ابزارهای داده کاوی ( A ) CART و ( B ) WEKA.

شکل 6. نتایج طبقه بندی LCLU 2014.

جدول 1. داده های مورد استفاده برای فرآیند نقشه برداری LCLU.

جدول 2. طبقه بندی کننده های انتخاب شده برای هر تصویر.

جدول 3. ویژگی های اشیاء و شاخص های مورد استفاده به عنوان بخشی از فرآیند داده کاوی (STDDEV: انحراف استاندارد؛ TC: کلاهک منگوله ای؛ SLAVI: شاخص گیاهی سطح برگ خاص؛ NDVI: شاخص گیاهی تفاوت نرمال شده؛ NDMI: شاخص ماده خشک نرمال شده؛ NDGRVI: شاخص سبز سبز قرمز تفاوت عادی؛ NDBI: شاخص ایجاد تفاوت عادی؛ LWM: ماسک زمین و آب؛ GNDVI: شاخص سبز گیاهی تفاوت عادی شده).

جدول 4. طبقه بندی کننده های انتخاب شده برای هر تصویر و همچنین دقت کلی، کمیت و آمار عدم توافق تخصیص.

جدول 5. ویژگی های شناسایی شده توسط CART و WEKA.

جدول 6. دقت کلی به علاوه کمیت و آمار عدم توافق تخصیص برای طبقه بندی تصویر با استفاده از دو روش داده کاوی.

جدول 7. خلاصه ای از نوع پوشش اراضی در طول سال های مورد مطالعه – در هر هکتار و به عنوان درصدی از کل مساحت.

جدول 8. ماتریس انتقال برای تغییرات LCLU (هکتار) در دوره 1972-2014.

© 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