چکیده
هر پیکسل و زیر پیکسل دو روش طبقه بندی رایج در مطالعات پوشش زمین هستند. ویژگی های یک منظر، به ویژه خود پوشش زمین، می تواند بر دقت هر دو روش تأثیر بگذارد. اهداف این مطالعه عبارت بودند از: (1) مقایسه عملکرد روش های طبقه بندی زیر پیکسل در مقابل هر پیکسل برای یک منطقه ناهمگن گسترده. و (2) تجزیه و تحلیل تاثیر ناهمگونی پوشش زمین (به عنوان مثالتعداد طبقات پوشش زمین در هر پیکسل) در هر دو روش طبقه بندی. نتایج نشان داد که دقت روشهای طبقهبندی هر پیکسل و زیرپیکسل به طور کلی با افزایش ناهمگونی پوشش زمین کاهش مییابد. به عنوان مثال، مناطق شهری کمترین دقت را برای روش هر پیکسل دارند، زیرا بیشترین ناهمگنی را داشتند. در مقابل، مناطق روستایی تحت سلطه زمین های زراعی و علفزار دارای ناهمگنی کم و دقت بالایی بودند. هنگامی که از روش زیر پیکسل استفاده می شد، دقت تولید کننده برای سطوح مصنوعی بیش از 20 درصد افزایش می یافت. برای سایر کلاسهای پوشش زمین، روشهای طبقهبندی زیر پیکسل و هر پیکسل به طور مشابه انجام میشوند. بنابراین، طبقه بندی زیر پیکسل تنها برای مناظر شهری ناهمگن سودمند بود.
کلید واژه ها:
لندست ; طبقه بندی ; ناهمگونی پوشش زمین ; سنجش از دور
1. مقدمه
نقشه های پوشش زمین به دست آمده از تصاویر سنجش از دور به طور گسترده برای بررسی تعاملات انسان و محیط استفاده می شود [ 1 ]. بر این اساس، نگرانی در مورد دقت این نقشه ها افزایش یافته است. اگر دقت به “درجه “صحت” یک نقشه اشاره دارد [ 2 ]، ارزیابی دقت فرآیندی است برای تعیین کمیت میزان مطابقت نقشه به دست آمده با “حقیقت” زمین [ 2 ]. ماتریس سردرگمی ابزاری کلیدی برای ارزیابی دقت است، زیرا نه تنها دقت کلی را کمیت میکند، بلکه خطاهای حذف و کارمزد مرتبط با کلاسهای نقشه را نیز تعیین میکند [ 2 ، 3 ]]. با این حال، ماتریس سردرگمی با وضوح تصویر تنظیم می شود و بنابراین، فرض می شود که هر پیکسل همگن است. در مناطقی با ویژگی های پوشش زمین کوچک (به عنوان مثال، درختان جدا شده) یا ناهمگونی پوشش زمین بالا (به عنوان مثال، مناطق شهری)، ماتریس سردرگمی ممکن است میزان کامل دقت پوشش زمین را مشخص نکند [ 4 ]. از دهه گذشته، فراخوانی برای حرکت فراتر از ماتریس سردرگمی برای گنجاندن الگوی فضایی خطاهای طبقهبندی هنگام مستندسازی دقت نقشههای پوشش زمین وجود داشته است [ 4 ، 5 ، 6 ]. درک تغییرات مکانی این خطاها به دانشمندان کمک می کند تا تشخیص دهند که آیا مناطق مورد نظر دقت کافی دارند [ 4 ]] یا برای مشخص کردن نواحی با دقت پایین برای روشهای افزایش طبقهبندی بیشتر [ 5 ، 7 ]. برای آشکار شدن الگوی فضایی این خطاها، شناخت منابع آنها ضروری است.
علاوه بر خطاهای مرتبط با محدودیتهای حسگر و اثرات جوی، ویژگیهای منظر ( به عنوان مثال ، آرایش فضایی و ویژگیهای پوشش زمین) نیز میتواند منبع خطا باشد [ 8 ]. برای مثال مشخص شده است که ارتفاع باعث افزایش و کاهش دقت طبقه بندی می شود. در مورد اول، مناطق پوشش گیاهی در ارتفاعات بالاتر ممکن است دقت طبقه بندی بالاتری داشته باشند، زیرا فنولوژی در ارتفاعات بالاتر تمایل به همگن بودن دارد [ 9 ]. در مورد دوم، تغییرات شدید ارتفاع می تواند باعث تغییر در مقادیر روشنایی بین یک سطح افقی و یک سطح شیبدار برای همان پوشش زمین شود [ 10 ].
اندازه وصله و ناهمگونی پوشش زمین ( به عنوان مثال ، تعداد انواع پوشش زمین موجود در یک پنجره فضایی تعریف شده، که می تواند یک پیکسل، یک بلوک از پیکسل ها یا یک منطقه مورد مطالعه باشد) نیز می تواند بر دقت طبقه بندی تأثیر بگذارد. به طور معمول، تکههای بزرگتر دقت بالاتری دارند، در حالی که تکههای ناهمگن بیشتر دقت پایینتری دارند [ 11 ، 12 ]. به عنوان مثال، اگر یک پیکسل لندست در یک پچ 56 × 56 پیکسل باشد یا اگر همگن باشد، احتمال طبقه بندی صحیح پیکسل لندست بیشتر از 0.5 خواهد بود [ 13 ].]. بسته به وضوح تصویر و روش طبقه بندی مورد استفاده، تأثیر اندازه وصله و ناهمگنی روی دقت ممکن است متفاوت باشد. ناهمگونی میتواند دقت طبقهبندی هر پیکسل را با افزایش تغییرات درون کلاسی در صورتی که وضوح تصویر خوب است یا با افزایش تعداد پیکسلهای مختلط ( یعنی پیکسلهایی که بیش از یک نوع پوشش زمین را تشکیل میدهند) کاهش دهد، اگر وضوح تصویر درشت باشد [ 14 ]. با این حال، مشکل پیکسلهای مختلط ممکن است با اعمال طبقهبندی پیکسلهای فرعی برای عدم اختلاط پیکسلها با نسبت پوشش زمین حل شود [ 15 ، 16 ، 17 ].
اگرچه طبقهبندی زیرپیکسلها دارای پتانسیل در کاربردهای مختلف است [ 18 ، 19 ، 20 ]، اما دقت آن هنوز تحت تأثیر تغییرات درون طبقهای بالا ناشی از ناهمگونی پوشش زمین است [ 16 ، 21 ]. در حالی که تجزیه و تحلیل های آماری برای بررسی اثر ناهمگونی پوشش زمین بر طبقه بندی هر پیکسل انجام شده است [ 11 ، 13 ، 22]، برای طبقه بندی زیرپیکسل هم همین کار انجام نشده است. بنابراین، اهداف این مطالعه عبارتند از: (1) تجزیه و تحلیل اثرات ناهمگونی پوشش زمین بر طبقه بندی زیر پیکسل. و (2) طبقهبندی زیرپیکسل را با طبقهبندی هر پیکسل در یک منطقه ناهمگن گسترده مقایسه کنید تا ارزیابی کنید که طبقهبندیهای زیر پیکسلی در کدام مناظر ممکن است سودمند باشد.
2. منطقه مطالعه
این مطالعه منطقه ای به مساحت 10000 کیلومتر مربع را در مرکز آرکانزاس (ایالات متحده آمریکا)، با مرکز پایتخت لیتل راک ( شکل 1 ) بررسی می کند. این منطقه به دلیل ناهمگونی در فیزیوگرافی و پوشش زمین انتخاب شد. لیتل راک در تقاطع چهار منطقه بوم گردی سطح سوم Omernik [ 23 ] واقع شده است.]. منطقه بومگردی دره آرکانزاس در شمال لیتل راک با تپههای جنگلی (31 درصد جنگل در سال 2006) مشخص میشود که درههای بزرگ پوشیده از ترکیبی از فعالیتهای کشاورزی (9 درصد زمینهای زراعی) را محدود میکند. دشت آبرفتی می سی سی پی در شرق یک منطقه بوم گردی نسبتا مسطح است که از نظر تاریخی توسط تالاب های جنگلی و چند علفزار بزرگ پوشیده شده است، اما اکنون از نظر کشاورزی (54٪ زمین زراعی) تحت سلطه است. در جنوب لیتل راک، منطقه بوم دشت مرکزی جنوبی قرار دارد که از دشتهای جنگلی (54 درصد جنگل) با تعداد زیادی تکههای کوچک شهری (14 درصد)، کشاورزی (0.4 درصد) و زمینهای بایر (0.3 درصد) تشکیل شده است. منطقه بومگردی کوههای اواچیتا در غرب عمدتاً جنگلی است (68%)، با شیبهای تند در امتداد یالهای متمایل به شرق به غرب. چوببرداری تجاری عمدهترین کاربری زمین در این دو منطقه بومگردی اخیر است. جزئیات بیشتر ترکیب پوشش زمین در این منطقه مورد مطالعه،24 ]. در مجموع، پوشش زمین در دره آرکانزاس ناهمگون ترین است، پس از آن دشت های ساحلی جنوبی، دشت آبرفتی می سی سی پی و در نهایت کوه های اواچیتا قرار دارند.

شکل 1. منطقه مورد مطالعه در لیتل راک، آرکانزاس، ایالات متحده آمریکا. لایه پایه نقشه پوشش زمین (2010؛ وضوح 30 متر) است که توسط طبقه بندی بر پیکسل در این مطالعه ایجاد شده است. چهار منطقه زیست محیطی Omernik سطح III به رنگ سیاه مشخص شده اند.
3. داده ها
تصاویر Landsat (رزولوشن 30 متر) و عکس های هوایی (رزولوشن 1 متر) برای تجزیه و تحلیل تأثیر ناهمگونی پوشش زمین بر روش های طبقه بندی در هر پیکسل و زیر پیکسل استفاده شد. تصاویر نقشهبردار موضوعی لندست 5 (مسیر 24، ردیف 36) در سطح 1T با شش باند (به استثنای باند حرارتی) از سازمان زمینشناسی ایالات متحده (USGS) Earth Explorer دانلود شد. برای کاهش سردرگمی بین زمینهای زراعی و سایر پوششهای زمین (به عنوان مثال، بایر و علفزار/بوته)، این مطالعه از تصاویر چند فصلی بهدستآمده در 12 آوریل 2010، 19 سپتامبر 2010، و 6 نوامبر 2010 استفاده کرد. این تصاویر بدون ابر و نزدیکترین به تاریخ دریافت عکس های برنامه ملی تصویربرداری کشاورزی (NAIP) (ژوئن تا سپتامبر 2010). تجزیه و تحلیل اتمسفری خط دید سریع ابرمکعب های طیفی (FLAASH) [ 25] برای تبدیل تصاویر Landsat از تابش بالای جو به بازتاب سطح استفاده شد. در نهایت، همه تصاویر به صورت لایهای روی هم قرار گرفتند و در منطقه مطالعاتی ۱۰۰×۱۰۰ کیلومتر مربعی از پیش تعریفشده قرار گرفتند.
انواع پوشش زمین با یک طبقه بندی در هر پیکسل با استفاده از طبقه بندی حداکثر احتمال نظارت شده (MLC؛ [ 26 ]) و توسط یک طبقه بندی زیرپیکسلی با استفاده از طبقه بندی حداکثر احتمال فازی نظارت شده (FMLC؛ [ 27 ]) طبقه بندی شدند. دادههای آموزشی و اعتبارسنجی برای این روشهای طبقهبندی بر اساس پایگاه داده پوشش زمین ملی 2006 (NLCD 2006؛ [ 28 ]) و عکسهای هوایی NAIP بهدستآمده از دروازه دادههای جغرافیایی وزارت کشاورزی ایالات متحده (USDA) [ 29 ] ایجاد شد.]. این عکسهای رنگ طبیعی با وضوح ۱ متر در طول فصول رشد کشاورزی به دست آمدند و توسط آژانس خدمات مزرعه USDA از طریق دفتر عکسبرداری هوایی در شهر سالت لیک سیتی مدیریت شدند. عکسهای NAIP بهعنوان عکسهای اصلاحشده با دقت افقی گزارششده 6 متر در دسترس بودند [ 29 ، 30 ].
4. روش شناسی
4.1. طبقه بندی
طبقات پوشش زمین در جدول 1 برای هر دو روش طبقه بندی بر پیکسل و زیر پیکسل استفاده شد. دادههای آموزشی و اعتبارسنجی با استفاده از نمونههای تصادفی طبقهبندی شده تهیه شد. با تجمیع طبقات مشابه NLCD 2006، ما هفت لایه پوشش زمین را شناسایی کردیم: آب (NLCD کلاس 11)، سطح مصنوعی (21، 22، 23، 24)، زمین بایر (31)، جنگل (41، 42، 43)، مرتع / درختچه (52، 71، 81)، زمین زراعی (82) و تالاب (90، 95). ما کلاس تالاب را در طرح طبقه بندی خود وارد نکردیم، به دلیل اشتباه گرفتن آسان آن با سایر طبقات پوشش زمین (به عنوان مثال، محصولات کشاورزی و جنگل های مرتفع) ( جدول 1 ) [ 31]، اما در استراتژی نمونه برداری به منظور در نظر گرفتن تغییرات طیفی پوشش جنگلی در مناطق تالاب و مرتفع در نظر گرفته شد. برای هر نمونه، نسبت پوشش زمین آن با تفسیر بصری عکسهای هوایی NAIP 2010 تعیین شد.
نمونههای آموزشی توصیه میشود که همگن باشند ( یعنی فقط از یک نوع پوشش زمین تشکیل شدهاند) تا اطمینان حاصل شود که هیستوگرام تابشی یک کلاس برای تسهیل محاسبه معیارهای آماری (مثلاً ماتریس میانگین و کوواریانس) یکوجهی است [ 32 ]. با این حال، در یک چشمانداز ناهمگن، انتخاب نمونههای همگن میتواند مشکلساز باشد، زیرا وجود نمونههای همگن کافی در تمام نقاط منطقه مورد مطالعه دشوار است. علاوه بر این، از آنجایی که چشمانداز با پیکسلهای مختلط ناهمگنتر میشود، دادههای درخشندگی استخراجشده از نمونهها ممکن است نماینده پیکسلهای مخلوط دیگر برای همان کلاس نباشد. یعنی تابش پیکسل تابعی از تابش تمام طبقات داخل پیکسل و پیکسل های مجاور آن است [ 27 ]]. بر این اساس، نمونه های ما (نمونه های آموزشی “نرم”) از یک تا هفت نوع پوشش زمین تشکیل شده است. در مجموع، ما از 1575 نمونه (225 نمونه آموزشی “نرم” در هر کلاس پوشش زمین) استفاده کردیم. اندازه نمونههای آموزشی «نرم» یک پیکسل لندست (30×30 متر) بود. نسبت پوشش زمین برای هر نمونه آموزشی با تفسیر بصری عکس های NAIP در مقیاس 1:2000 برآورد شد. این نمونههای آموزشی «نرم» در طبقهبندی زیرپیکسلی استفاده شد. با این حال، برای طبقه بندی در هر پیکسل، از نمونه های آموزشی “سخت” استفاده شد. این نمونههای آموزشی «سخت» با اعمال قانون غالب در نمونههای آموزشی «نرم» ایجاد شدند. ما از الگوریتم طبقهبندی حداکثر احتمال (در هر پیکسل) برای تولید یک نقشه طبقهبندی با شش کلاس ( یعنیکلاسهای تالاب به کلاس جنگل) و الگوریتم طبقهبندی حداکثر احتمال فازی (زیر پیکسل) برای تولید یک نقشه کسری ساخته شده با همپوشانی شش تصویر متناسب، که هر کدام یک نوع پوشش زمین را نشان میدهند، تبدیل شدند. مجموع تمام نسبتهای پوشش زمین در پیکسلهای نقشه کسری یک بود، زیرا این فرض FMLC [ 27 ] بود.

جدول 1. طبقات پوشش زمین اقتباس شده از پایگاه ملی پوشش زمین 2006 (NLCD 2006).
4.2. اعتبار سنجی
در این مطالعه، ما از ماتریس جدول بندی متقابل [ 33 ] پیشنهاد شده به عنوان سفارشی سازی ماتریس سردرگمی مرسوم [ 34 ] برای اعتبارسنجی عملکرد دو روش طبقه بندی استفاده کردیم. هدف ماتریس جدول بندی متقابل ارزیابی دقت طبقه بندی در مقیاس زیر پیکسل است. بنابراین، بر خلاف ماتریس سردرگمی مرسوم که توافق/اختلاف بین یک نقشه طبقهبندی ناشی از طبقهبندی هر پیکسل و مجموعهای از نمونههای اعتبارسنجی «سخت» را که هر کدام دقیقاً از یک کلاس تشکیل شدهاند، اندازهگیری میکند، ماتریس جدولبندی متقاطع توافق/ اختلاف بین یک نقشه کسری ناشی از طبقهبندی زیر پیکسل و مجموعهای از نمونههای اعتبارسنجی «نرم»، که هر کدام از بیش از یک کلاس تشکیل شده است [ 33 ]]. برای یک منطقه مورد مطالعه، در حالی که دقیقا یک ماتریس سردرگمی معمولی وجود دارد، ممکن است چندین ماتریس جدول بندی متقاطع وجود داشته باشد که هر یک از آنها برای هر نمونه اعتبارسنجی “نرم” ایجاد می شود. در یک ماتریس جدولبندی متقابل، ورودیهای مورب، توافقهایی را نشان میدهند که به عنوان نسبتهای کلاس همپوشانی بین یک نمونه اعتبارسنجی «نرم» و یک پیکسل مربوطه (یا بلوک پیکسلها) در نقشه کسری محاسبه میشوند. به طور مشابه، ورودی های خارج از مورب نشان دهنده اختلافات محاسبه شده بر اساس نسبت های کلاس غیر همپوشانی است. علاوه بر ماتریسهای جداول متقابل ایجاد شده برای نمونههای اعتبارسنجی «نرم»، میتوان یک ماتریس جدولبندی متقابل کلی برای یک نمونه اعتبارسنجی متوسط ایجاد کرد تا دقت طبقهبندی در سطح منطقه مورد مطالعه را مشخص کند. میانگین نمونه اعتبارسنجی شامل تمام کلاسهای موجود در تمام نمونههای اعتبارسنجی «نرم» است. نسبتی از هر کلاس در نمونه اعتبارسنجی متوسط به عنوان میانگین نسبت های همان کلاس در تمام نمونه های اعتبارسنجی “نرم” محاسبه می شود. هر دو ماتریس جدول بندی متقابل جداگانه و کلی را می توان برای طبقه بندی زیر پیکسل یا هر پیکسل استفاده کرد. در مورد طبقهبندی هر پیکسل، نمونههای اعتبارسنجی «نرم» را میتوان برای اعتبارسنجی یک نقشه طبقهبندی با این فرض که نسبت کلاس پیکسلها در نقشه طبقهای برابر با 100 درصد است، استفاده کرد. هر دو ماتریس جدول بندی متقابل جداگانه و کلی را می توان برای طبقه بندی زیر پیکسل یا هر پیکسل استفاده کرد. در مورد طبقهبندی هر پیکسل، نمونههای اعتبارسنجی «نرم» را میتوان برای اعتبارسنجی یک نقشه طبقهبندی با این فرض که نسبت کلاس پیکسلها در نقشه طبقهای برابر با 100 درصد است، استفاده کرد. هر دو ماتریس جدول بندی متقابل جداگانه و کلی را می توان برای طبقه بندی زیر پیکسل یا هر پیکسل استفاده کرد. در مورد طبقهبندی هر پیکسل، نمونههای اعتبارسنجی «نرم» را میتوان برای اعتبارسنجی یک نقشه طبقهبندی با این فرض که نسبت کلاس پیکسلها در نقشه طبقهای برابر با 100 درصد است، استفاده کرد.
در این مطالعه، ماتریسهای جدولبندی متقابل منفرد و ماتریسهای جدولبندی متقابل کلی برای هر دو روش طبقهبندی هر پیکسل و زیرپیکسل بر اساس 700 نمونه اعتبارسنجی «نرم» (100 نمونه در هر کلاس نمونهگیری) ایجاد شدند. اندازه نمونههای اعتبارسنجی “نرم” یک بلوک 3 × 3 پیکسل بود تا اثر ثبت اشتباه بین عکسهای NAIP ارجاعشده و دادههای Landsat را کاهش دهد [ 35 ، 36]. برای هر نمونه اعتبارسنجی، ما نسبت پوشش اراضی مرجع را با تفسیر بصری عکسهای NAIP در مقیاس 1:2000، که معادل رویه اعمال شده برای نمونههای آموزشی بود، تخمین زدیم. علاوه بر این، برای هر روش طبقهبندی، با استفاده از ماتریسهای جداول متقابل فردی، ما توانستیم دقت تولیدکننده و کاربر را برای نمونههای اعتبارسنجی «نرم» تعیین کنیم تا تحلیل آماری تأثیر ناهمگنی بر دقت طبقهبندی را تسهیل کنیم. علاوه بر این، ماتریس جدولبندی متقابل کلی درک کلی در مورد طبقهبندی اشتباه بین کلاسها برای هر روش طبقهبندی ارائه کرد.
4.3. تحلیل های آماری
در این تحلیل های آماری، ناهمگونی پوشش زمین برای هر نمونه اعتبارسنجی به عنوان تعداد انواع پوشش زمین موجود در نمونه محاسبه شد. به عنوان مثال، یک نمونه اشغال شده توسط دو نوع پوشش زمین دارای ناهمگونی پوشش زمین از دو طبقه است. نمونه هایی که ناهمگنی یکسانی داشتند در شش گروه از یک تا شش گروه بندی شدند. از آنجایی که تعداد بسیار کمی (<5) نمونه در گروه شش وجود داشت، این گروه از تجزیه و تحلیل های آماری بعدی حذف شدند.
به منظور آزمایش تأثیر ناهمگنی بر دقت طبقهبندی، دو آزمون آماری بر اساس نمونههای اعتبارسنجی «نرم» انجام شد. ابتدا، آزمون رتبهبندی علامتدار Wilcoxon برای آزمایش اینکه آیا تفاوتها در دقت تولیدکننده و کاربر بین دو روش طبقهبندی معنیدار است یا خیر، انجام شد. دوم، آزمون Steel-Dwass برای بررسی اینکه آیا تغییر در تعداد طبقات پوشش زمین ( به عنوان مثال ، ناهمگنی) منجر به تغییر قابل توجهی در دقت تولیدکننده، کاربر و کلی هر دو روش طبقهبندی میشود، انجام شد. این دو آزمون ناپارامتریک به این دلیل انجام شد که دقت سازنده و کاربر در دو روش طبقهبندی به طور معمول توزیع نشده بود.
5. نتایج و بحث
5.1. نقشه پوشش زمین و دقت
نقشه پوشش زمین طبقه بندی شده در هر پیکسل ( شکل 1 ) و نقشه های کسری زیرپیکسل پوشش زمین ( شکل 2 ) دو منظر متفاوت از یک چشم انداز مشابه را با دقت مشابه ارائه می دهند. طبقه بندی هر پیکسل دارای دقت کلی 81.9٪ و طبقه بندی زیر پیکسل دارای دقت کلی 82.3٪ بود ( جدول 2 ). اگرچه این دقتهای کلی کمی کمتر از آستانه معمول 85% [ 37 ] بود، اما قابل قبول بودند، زیرا: (1) آنها در محدودهای از دقتهای منتشر شده در دهه گذشته بودند [ 38 ]. (2) آنها از سطح 75٪ پیشنهاد شده توسط Goodchild و همکاران فراتر رفتند. [ 39]؛ و (3) آنها بالاتر از دقت منطقه ای NLCD 2001، سطح I بودند (79٪ برای منطقه 7؛ [ 40 ]). در واقع، این منطقه جنوب مرکزی ایالات متحده کمترین دقت کلی را برای NLCD دارد، که احتمالاً به دلیل ناهمگونی چشمانداز بالا و مناطق وسیعی از تالابهای زودگذر است [ 40 ].

شکل 2. درصد پوشش زمین (2010؛ وضوح 30 متر) تولید شده توسط طبقه بندی زیر پیکسل.

جدول 2. ماتریس کلی جدول بندی متقابل برای دو روش طبقه بندی: هر پیکسل (متن معمولی) و زیر پیکسل (متن مورب پررنگ).
در بین تمام طبقات، زمین زراعی بالاترین دقت تولیدکننده و کاربر را داشت ( شکل 3 ). استفاده از دادههای چند فصلی Landsat برای شناسایی زمینهای زراعی قطعاً این دقتها را بهبود میبخشد، اما ما در بخش بعدی استدلال میکنیم که بیشتر مربوط به زمینهای زراعی با ناهمگنی پایین است. با این وجود، طبقه بندی نادرست برای زمین های زراعی، به ویژه بین زمین های زراعی آیش و زمین های بایر ( جدول 2) رخ داد.). سطوح بایر و مصنوعی نیز اشتباه گرفته شده بودند. در طبقهبندی هر پیکسل، 27% (2.33/8.48) از سطوح مصنوعی به اشتباه به عنوان سطوح بیثبات و 9% (0.78/8.32) از سطوح بیحاصل به عنوان سطوح مصنوعی طبقهبندی شدند. در طبقهبندی زیرپیکسلی، 21 درصد (1.8/8.48) از سطح مصنوعی به اشتباه بهعنوان نابارور و 14 درصد (1.15/8.32) از سطح بایر به اشتباه به عنوان سطح مصنوعی طبقهبندی شد.

شکل 3. میانگین دقت تولیدکننده و کاربر روشهای طبقهبندی هر پیکسل و زیرپیکسل همراه با میانگین تعداد کلاسها در تمام نمونههای اعتبارسنجی «نرم» 3×3 پیکسل. میانگین دقت تولیدکننده و کاربر بهعنوان میانگین تمام دقتهای تولیدکننده و کاربر که از ماتریسهای جدولبندی متقابل منفرد برای همه نمونههای اعتبارسنجی «نرم» تهیه شده است، محاسبه شد. نوارهای خطا نشان دهنده یک خطای استاندارد هستند. ستاره ها نشان دهنده * p < 0.05، ** p < 0.01 و *** p < 0.001 از آزمون رتبه بندی علامت دار Wilcoxon است.
بررسی این خطاهای طبقهبندی نشان داد که طبقهبندی اشتباه بین سطح مصنوعی و سطح بایر به دلیل شباهتهای طیفی بین سطوح مصنوعی با آلبدو بالا (به عنوان مثال ، پشت بامها) و بیثمر ( به عنوان مثال ، ماسه و خاک خشک) و همچنین بین سطوح پایین رخ داده است. سطوح مصنوعی albedo ( به عنوان مثال ، آسفالت و جاده ها) و سطوح بایر ( به عنوان مثال ، شن) [ 41 ، 42 ، 43 ، 44]. سطوح مصنوعی همچنین با علفزار/درخچه (تقریباً 8٪ برای هر پیکسل و 3٪ برای زیر پیکسل)، و همچنین جنگل (7٪ برای هر پیکسل و 6٪ برای زیر پیکسل) اشتباه گرفته شد. محتمل ترین دلیل شباهت طیفی در باند مادون قرمز نزدیک بین سطح مصنوعی و پوشش گیاهی بود [ 42 ]. سطوح بایر با زمینهای زراعی، علفزار/بوتهها و جنگل اشتباه گرفته میشدند، بهویژه در امتداد مرزهای طبقاتی، مانند مسیرهای باریک و/یا خطی مزرعه، مسیرهای جنگلی و شانههای خاکی در امتداد جادههای پر درخت. این طبقه بندی های غلط نشان داد که هر دو روش طبقه بندی در هر پیکسل و زیر پیکسل در شناسایی ویژگی های باریک/خطی مشکل دارند [ 12]. این مشکل در شناسایی ویژگیهای باریک/خطی ممکن است برخی از طبقهبندیهای اشتباه بین جنگل و علفزار/بوتهها را که معمولاً در مناطق مسکونی با شدت کم و جنگلهای باز یافت میشوند، توضیح دهد. سردرگمی طیفی نیز مقصر احتمالی برخی از این طبقه بندی های اشتباه بود [ 45 ].
تستهای رتبهبندی علامتدار Wilcoxon برای آزمایش تفاوتهای بین دقت سازنده روشهای طبقهبندی هر پیکسل در مقابل زیرپیکسل و تفاوت بین دقت کاربر از روشهای طبقهبندی هر پیکسل در مقابل پیکسل فرعی برای هر طبقه پوشش زمین انجام شد. شکل 3 ). دقت کاربر برای همه طبقات پوشش زمین مشابه بود، به جز سطوح بایر ( 0.05 < p ) و سطوح علفزار/بوته ( p <0.001)، که به طور قابل توجهی برای طبقه بندی زیر پیکسل بالاتر بود، و سطح مصنوعی، که به طور قابل توجهی بالاتر بود ( p< 0.05) برای طبقه بندی در هر پیکسل. دقت تولیدکننده در طبقهبندی زیرپیکسلها به طور قابلتوجهی بالاتر از طبقهبندی هر پیکسل برای کلاسهای سطح مصنوعی ( 001/ 0p <) و کلاسهای جنگل ( 001 /0p<) بود ( شکل 3 ). مهمتر از همه، در حالی که تفاوت بین دقت تولیدکننده طبقهبندی زیرپیکسل در مقایسه با طبقهبندی هر پیکسل برای اکثر کلاسها کوچک بود (<5%)، طبقهبندی زیرپیکسلها برای سطوح مصنوعی با دقت تولیدکننده که 20 درصد بیشتر بود، بسیار بهتر عمل کرد. نسبت به طبقه بندی در هر پیکسل. این یافته توسط ادعاهایی پشتیبانی میشود که طبقهبندی زیر پیکسلها سودمندتر از طبقهبندی در هر پیکسل است، زیرا این فرض را که پیکسلها همگن هستند راحت میکند [ 46 ,47 ]. بسیاری از مطالعات، به ویژه مطالعات شهری که سطوح مصنوعی با دادههای سنجش از دور را مشخص میکنند، در استفاده از طبقهبندی زیرپیکسلی برای توسعه نقشههای کسری انواع پوشش زمین موفق بودهاند [ 19 ، 48 ، 49 ]. برای سایر کلاسها، ترجیح طبقهبندی زیرپیکسل در مقابل هر پیکسل یک بحث باقی میماند، زیرا دقت تولیدکننده و کاربر برای یک طبقهبندی بر طبقهبندی دیگر به طور مداوم بالاتر نبوده است ( شکل 3).). با این حال، طبقهبندیکنندههای غیر از FMLC (بهعنوان مثال، تجزیه و تحلیل مخلوط طیفی، میانگین c فازی، شبکه عصبی) میتوانستند نتیجه متفاوتی ارائه دهند که در آن طبقهبندی زیرپیکسل بهتر از طبقهبندی هر پیکسل برای کلاسهایی غیر از سطوح مصنوعی بود. یک نکته احتیاطی این است که دادههای Landsat با وضوح 30 متر، احتمالاً پیکسلهای ترکیبی زیادی تولید نمیکنند، که ممکن است تفاوتهای بین روشهای طبقهبندی هر پیکسل و زیر پیکسل را در مطالعه ما پنهان کرده باشد. برای دادههای با وضوح درشتتر، مانند MODIS، ممکن است به طبقهبندیهای زیر پیکسلی برای توصیف مناسب پوشش/استفاده از زمین در مناظر ناهمگن نیاز باشد.
5.2. ناهمگونی و تأثیر آن بر دقت طبقه بندی
هر دو نقشه پوشش زمین در هر پیکسل ( شکل 1 ) و زیر پیکسل ( شکل 2 ) سطوح مختلفی از ناهمگنی را در سراسر منطقه مورد مطالعه نشان می دهند. مناطق غالب زمین های زراعی کمترین ناهمگنی را دارند، در حالی که مناطق شهری بیشترین ناهمگنی را دارند. در میان شش کلاس، نمونههای اعتبارسنجی بایر ناهمگن بودند، با میانگین ناهمگنی 3.0 کلاس ( به عنوان مثال ، هر نمونه اعتبارسنجی «نرم» حاوی زمینهای بایر معمولاً سه کلاس داشت)، سپس سطوح مصنوعی در 2.9 ( شکل 3)). در مقابل، نمونههای اعتبارسنجی زمینهای زراعی کمترین ناهمگنی را داشتند، با میانگین ناهمگنی 2.1 کلاس. با توجه به اینکه سطح بایر و مصنوعی بیشتر در مناطق شهری یافت میشود، در حالی که علفزار/بوتهها و زمینهای زراعی در مناطق روستایی یافت میشوند، روند کاهش ناهمگونی از بایر به زمین زراعی نشان میدهد که منظر شهری ناهمگونتر از منظر روستایی است.
یک روند ناهمگونی روستایی-شهری نیز در دقت تولیدکننده و کاربر در طبقه بندی هر پیکسل مشهود بود، که در آن مناطق شهری معمولاً دقت کمتری داشتند و مناطق روستایی دقت بسیار بالاتری داشتند ( شکل 3 ). به عبارت دیگر، در جایی که پوشش زمین ناهمگن کمتری داشت، دقت طبقهبندی هر پیکسل بالاتر بود. این نتیجه مشابه یافته های سایر محققان برای طبقه بندی هر پیکسل بود [ 11 ، 13 ، 22]. جالب اینجاست که ما متوجه شدیم که این روند عموماً برای طبقهبندی پیکسلهای فرعی نیز وجود دارد. استثنا سطوح مصنوعی بود، به دلیل دقت فوق العاده بالای تولید کننده آنها (به بخش قبل مراجعه کنید). به طور کلی، انتظار می رود که دقت طبقه بندی هر پیکسل با ناهمگن شدن پیکسل ها کاهش یابد [ 11 ، 13 ]. این احتمالاً دلیلی است که اغلب طبقهبندیهای زیرپیکسل در مناظر شهری با سطوح وسیعی از سطوح مصنوعی انجام شده است، به عنوان مثال، [ 50 ، 51 ].
تأثیر ناهمگنی بر دقت طبقهبندی با آزمایش تفاوتها در میانگین رتبه دقت کلی، و همچنین دقت تولیدکننده و کاربر در بین گروههای ناهمگنی با استفاده از آزمون ناپارامتریک Steel-Dwass مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که دقت نمونههای اعتبارسنجی دارای یک کلاس (ناهمگنی = 1 کلاس) بهطور معنیداری و مشخص بالاترین بوده و نمونههای اعتبارسنجی با دو کلاس قرار دارند. اگر یک نمونه اعتبارسنجی دارای سه کلاس یا بیشتر بود، دقت آن به میزان قابل توجهی کاهش مییابد و به طور کلی، بین نمونههای اعتبارسنجی با ناهمگونی سه، چهار یا پنج کلاس تفاوت معنیداری وجود نداشت.
در حالی که تفاوت در دقت بین نمونههای اعتبارسنجی با سه کلاس یا بیشتر معنیدار نبود، چنین تغییراتی میتواند به دلیل عوامل دیگری مانند تفاوت در گستره فضایی کلاسها در نمونههای اعتبارسنجی یا به دلیل ثبت اشتباه بین عکسهای NAIP و دادههای Landsat باشد. در واقع، کلاس هایی که وسعت فضایی کمی دارند، اغلب دقت پایینی در طبقه بندی هر پیکسل دارند [ 11 ، 12 ]. به دلیل استفاده از نمونههای اعتبارسنجی مبتنی بر پنجره (3×3 پیکسل) انتظار میرفت که تأثیر ثبت اشتباه بر دقت طبقهبندی در این مطالعه کم باشد. در واقع، مطالعات دیگر نشان داد که افزایش اندازه پنجره نمونه های اعتبار سنجی می تواند منجر به افزایش دقت شود [ 35]. با این حال، این مطالعه از اندازه پنجره 3×3 پیکسل استفاده کرد، زیرا اگر اندازه پنجره بزرگتر از 3×3 پیکسل بود، به دلیل ناهمگونی زیاد آنها، برآورد بصری نسبتهای همه انواع پوشش زمین در نمونهها دشوار خواهد بود.
6. نتیجه گیری
از مطالعه ما روی یک چشمانداز ناهمگن گسترده، دریافتیم که: (1) دقت طبقهبندی هر پیکسل و زیرپیکسل توسط ناهمگنی پوشش زمین کاهش مییابد. و (2) طبقه بندی زیرپیکسل به طور کلی بهتر از طبقه بندی هر پیکسل برای سطوح مصنوعی عمل می کند. بنابراین، هنگامی که با تصمیم استفاده از طبقهبندی در هر پیکسل یا زیر پیکسل مواجه میشوید، طبقهبندی زیر پیکسل ممکن است تنها برای مناظر شهری ناهمگن سودمند باشد. برای همه انواع دیگر مناظر، زمان اضافی مربوط به تولید یک طبقهبندی زیر پیکسل احتمالاً ارزش زمان صرف شده برای توسعه آموزش «نرم» و نمونههای اعتبارسنجی «نرم» آن را ندارد. تجربه ما نشان داد که زمان مورد نیاز برای تخمین بصری تمام نسبتهای پوشش زمین در 50 نمونه آموزشی برای یک طبقهبندی زیرپیکسلی، 15 برابر بیشتر از زمان مورد نیاز برای شناسایی بصری نوع پوشش زمین غالب در همان 50 نمونه آموزشی برای هر یک بود. طبقه بندی پیکسل صرف نظر از اینکه کدام نوع طبقه بندی استفاده می شود یا برنامه مورد نظر، هم سازندگان و هم کاربران مجموعه داده های پوشش زمین باید از ناهمگونی ذاتی چشم انداز و تأثیر بالقوه آن بر دقت نقشه آگاه باشند.
منابع
- ترنر، BL; لامبین، EF; Reenberg، A. ظهور علم تغییر زمین برای تغییرات محیطی جهانی و پایداری. PNAS 2007 ، 104 ، 20666-20671. [ Google Scholar ] [ CrossRef ]
- Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. 2002 ، 80 ، 185-201. [ Google Scholar ] [ CrossRef ]
- Congalton، RG دقت ارزیابی داده های سنجش از راه دور: نیازها و جهت گیری های آینده. در مجموعه مقالات Pecora 12: اطلاعات زمین از سیستم های مبتنی بر فضا، Sioux Fals، SC، ایالات متحده، 24-26 اوت 1994. صص 383-388.
- McGwire، KC; فیشر، ص. دقت موضوعی متغیر مکانی: فراتر از ماتریس سردرگمی. در عدم قطعیت فضایی در اکولوژی: مفاهیم برای سنجش از راه دور و کاربردهای GIS . Hunsaker، CT، Goodchild، MF، Friedl، MA، Case، TJ، Eds. Springer-Verlag: نیویورک، نیویورک، ایالات متحده آمریکا، 2001; صص 308-329. [ Google Scholar ]
- توصیف محلی صحت طبقه بندی موضوعی از طریق ماتریس های سردرگمی محدود فضایی. بین المللی J. Remote Sens. 2005 ، 26 ، 1217-1228. [ Google Scholar ] [ CrossRef ]
- کامبر، ا. فیشر، پی. براندون، سی. Khmag، A. تجزیه و تحلیل فضایی دقت طبقه بندی تصاویر سنجش از دور. سنسور از راه دور محیط. 2012 ، 127 ، 237-246. [ Google Scholar ] [ CrossRef ]
- هوبرت-موی، ال. کوتونک، آ. لو دو، ال. شاردن، آ. Perez, P. مقایسه روش های طبقه بندی پارامتری داده های سنجش از دور اعمال شده بر روی واحدهای مختلف چشم انداز. سنسور از راه دور محیط. 2001 ، 75 ، 174-187. [ Google Scholar ] [ CrossRef ]
- استراهلر، ق. Woodcock، CE; اسمیت، JA در مورد ماهیت مدل ها در سنجش از دور. سنسور از راه دور محیط. 1986 ، 20 ، 121-139. [ Google Scholar ] [ CrossRef ]
- یو، کیو. گونگ، پی. تیان، YQ; پو، آر. یانگ، جی. عوامل مؤثر بر تنوع فضایی عدم قطعیت طبقهبندی در نقشهبرداری پوشش گیاهی مبتنی بر شی تصویر. فتوگرام مهندس سنجش از دور 2008 ، 74 ، 1007-1018. [ Google Scholar ] [ CrossRef ]
- فهسی، ع. Tsegaye، T. تادسه، دبلیو. کلمن، تی. ترکیب مدل های رقومی ارتفاع با داده های landsat-tm برای بهبود دقت طبقه بندی پوشش زمین. جنگل بوم. مدیریت کنید. 2000 ، 128 ، 57-64. [ Google Scholar ] [ CrossRef ]
- اسمیت، جی اچ. Stehman، SV; ویکهام، جی دی. یانگ، LM اثرات ویژگی های چشم انداز بر دقت طبقه پوشش زمین. سنسور از راه دور محیط. 2003 ، 84 ، 342-349. [ Google Scholar ] [ CrossRef ]
- Lechner, AM; استین، ا. جونز، SD; Ferwerda، JG سنجش از دور ویژگی های کوچک و خطی: کمی کردن اثرات اندازه و طول پچ، موقعیت شبکه و قابلیت تشخیص بر روی نقشه برداری پوشش زمین. سنسور از راه دور محیط. 2009 ، 113 ، 2194-2204. [ Google Scholar ] [ CrossRef ]
- اسمیت، جی اچ. ویکهام، جی دی. Stehman، SV; یانگ، ال. تأثیر اندازه وصله و ناهمگونی پوشش زمین بر دقت طبقه بندی تصویر موضوعی. فتوگرام مهندس سنجش از دور 2002 ، 68 ، 65-70. [ Google Scholar ]
- Aplin, P. پویایی مقیاس ها در مشاهده محیط. بین المللی J. Remote Sens. 2006 ، 27 ، 2123-2140. [ Google Scholar ] [ CrossRef ]
- ونگ، کیو. لو، دی. بین المللی J. Remote Sens. 2009 ، 30 ، 2547-2577. [ Google Scholar ] [ CrossRef ]
- فودی، جنرال موتورز; Doan، تنوع HTX در پیشبینی طبقهبندی نرم و پیامدهای آن برای تشخیص تغییر مقیاس زیر پیکسل و نقشهبرداری با وضوح فوقالعاده. فتوگرام مهندس سنجش از دور 2007 ، 73 ، 923-933. [ Google Scholar ] [ CrossRef ]
- Lo, CP; Choi, J. یک رویکرد ترکیبی برای نقشه برداری کاربری زمین شهری/پوشش با استفاده از تصاویر لندست 7 پیشرفته تماتیک Mapper Plus (ETM+). بین المللی J. Remote Sens. 2004 ، 25 ، 2687-2700. [ Google Scholar ] [ CrossRef ]
- کراس، AM; حل و فصل، JJ. دریک، NA; Paivinen، RTM Subpixel اندازهگیری پوشش جنگلهای استوایی با استفاده از دادههای AVHRR. بین المللی J. Remote Sens. 1991 , 12 , 1119-1129. [ Google Scholar ] [ CrossRef ]
- شائو، ی. Lunetta، نقشهبرداری زیرپیکسلی RS از تاج درخت، سطوح غیرقابل نفوذ، و زمینهای زراعی در حوضه دریاچههای بزرگ Laurentian با استفاده از دادههای سری زمانی MODIS. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2011 ، 4 ، 336-347. [ Google Scholar ] [ CrossRef ]
- ونگ، کیو. راجاسکار، U. Hu, X. مدلسازی جزایر گرمایی شهری و رابطه آنها با سطح غیرقابل نفوذ و فراوانی پوشش گیاهی با استفاده از تصاویر ASTER. IEEE Trans. Geosci. Remote Sens. 2011 , 49 , 4080–4089. [ Google Scholar ] [ CrossRef ]
- Ngigi، TG; تطیشی، ر. Gachari، M. مقادیر میانگین جهانی در عدم اختلاط طیفی خطی: مغالطه مضاعف! بین المللی J. Remote Sens. 2009 ، 30 ، 1109-1125. [ Google Scholar ] [ CrossRef ]
- ون اورت، PAJ; برگت، آ.ک. دی بروین، اس. de Wit، AJW; استین، الف. تنوع فضایی در دقت طبقه بندی محصولات کشاورزی در پایگاه داده ملی پوشش زمین هلند. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 611-626. [ Google Scholar ] [ CrossRef ]
- Omernik، J. بوم مناطق ایالات متحده همسایه. ان دانشیار صبح. Geogr. 1987 ، 77 ، 118-125. [ Google Scholar ] [ CrossRef ]
- جوارنه، ر.ن. جولیان، JP توسعه جدول زمانی پوشش زمین با وضوح دقیق: لیتل راک، آرکانزاس، ایالات متحده (1857-2006). Appl. Geogr. 2012 ، 35 ، 104-113. [ Google Scholar ] [ CrossRef ]
- ریچاردز، جی. Jia, X. تحلیل تصویر دیجیتال سنجش از دور: مقدمه ; Springer-Verlag: برلین، آلمان، 1999. [ Google Scholar ]
- وانگ، F. فازی طبقه بندی نظارت شده از تصاویر سنجش از دور. IEEE Trans. Geosci. Remote Sens. 1990 , 28 , 194-201. [ Google Scholar ] [ CrossRef ]
- فرای، جی. شیان، جی. جین، اس. دیویتز، جی. هومر، سی. یانگ، ال. بارنز، سی. هرولد، ن. Wickham, J. تکمیل پایگاه داده ملی پوشش زمین در سال 2006 برای ایالات متحده. فتوگرام مهندس سنجش از دور 2011 ، 77 ، 858-864. [ Google Scholar ]
- برگه اطلاعات برنامه ملی تصویربرداری کشاورزی وزارت کشاورزی ایالات متحده (NAIP). در دسترس آنلاین: http://www.fsa.usda.gov/Internet/FSA_File/naip_2010_infosheet.pdf (دسترسی در 10 نوامبر 2013).
- راهنمای کاربر ماژول تصحیح جوی. در دسترس آنلاین: https://www.exelisvis.com/portals/0/pdfs/envi/Flaash_Module.pdf (دسترسی در 10 نوامبر 2013).
- Ozesmi, SL; بائر، ME سنجش از دور تالاب ها از راه دور ماهواره ای. Wetl. Ecol. مدیریت 2002 ، 10 ، 381-402. [ Google Scholar ] [ CrossRef ]
- Adkins, Z. Naip 2008 Absolute Ground Control: From the Ground up ; Naip 2008 Absolute Ground Control: From the Ground Up: Washington, DC, USA, 2009. [ Google Scholar ]
- کمپبل، جی بی. Wynne, RH Introduction to Remote Sensing , 5th ed.; گیلفورد پرس: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; پ. 667. [ Google Scholar ]
- پاول، آر. رابرتز، دی. دنیسون، PE; هس، LL نقشه برداری زیر پیکسلی پوشش زمین شهری با استفاده از تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی: مانائوس، برزیل. سنسور از راه دور محیط. 2007 ، 106 ، 253-267. [ Google Scholar ] [ CrossRef ]
- آهنگ، C. تجزیه و تحلیل مخلوط طیفی برای بخش های پوشش گیاهی زیرپیکسلی در محیط شهری: چگونه می توان تنوع اعضای انتهایی را ترکیب کرد؟ سنسور از راه دور محیط. 2005 ، 95 ، 248-263. [ Google Scholar ] [ CrossRef ]
- پونتیوس، آر.جی. Cheuk، ML یک ماتریس متقابل جدولبندی تعمیمیافته برای مقایسه نقشههای طبقهبندیشده نرم در وضوحهای چندگانه. بین المللی جی. جئوگر. Inf. علمی 2006 ، 20 ، 1-30. [ Google Scholar ] [ CrossRef ]
- Congalton، RG مروری بر ارزیابی دقت طبقهبندی دادههای سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
- تاملینسون، جی آر. Bolstad، PV; کوهن، WB روشهای هماهنگی برای مقیاسبندی طبقهبندیهای پوشش زمین از سایت خاص به جهانی: گامهایی به سوی اعتبارسنجی محصولات نقشه جهانی. سنسور از راه دور محیط. 1999 ، 70 ، 16-28. [ Google Scholar ] [ CrossRef ]
- Wilkinson، GG نتایج و پیامدهای مطالعه پانزده سال آزمایش طبقه بندی تصاویر ماهواره ای. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 433-440. [ Google Scholar ] [ CrossRef ]
- Goodchild، MF; Biging، GS; Congalton، RG; لنگلی، پی جی; کریسمن، NR; دیویس، گزارش نهایی FW از گروه ویژه ارزیابی دقت ؛ مرکز ملی اطلاعات و تحلیل جغرافیایی (NCGIA): سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 1994. [ Google Scholar ]
- ویکهام، جی دی. Stehman، SV; فرای، جی. اسمیت، جی اچ. هومر، CG دقت موضوعی پوشش زمین NLCD 2001 برای ایالات متحده محدود. سنسور از راه دور محیط. 2010 ، 114 ، 1286-1296. [ Google Scholar ] [ CrossRef ]
- ونگ، کیو. هو، ایکس. لیو، اچ. برآورد سطوح غیرقابل نفوذ با استفاده از تجزیه و تحلیل مخلوط طیفی خطی با تصاویر ASTER چند زمانی. بین المللی J. Remote Sens. 2009 ، 30 ، 4807-4830. [ Google Scholar ] [ CrossRef ]
- وو، سی. موری، AT تخمین توزیع سطح غیرقابل نفوذ با تجزیه و تحلیل مخلوط طیفی. سنسور از راه دور محیط. 2003 ، 84 ، 493-505. [ Google Scholar ] [ CrossRef ]
- هو، ایکس. Weng، Q. برآورد سطوح غیرقابل نفوذ از تصاویر با وضوح فضایی متوسط: مقایسه بین طبقه بندی فازی و LSMA. بین المللی J. Remote Sens. 2011 , 32 , 5645–5663. [ Google Scholar ] [ CrossRef ]
- استفانوف، WL; رمزی، ام اس; کریستنسن، روابط عمومی نظارت بر تغییر پوشش زمین شهری: یک رویکرد سیستم خبره برای طبقهبندی پوشش اراضی مراکز شهری نیمهخشک تا خشک. سنسور از راه دور محیط. 2001 ، 77 ، 173-185. [ Google Scholar ] [ CrossRef ]
- لو، دی. Weng، Q. تجزیه و تحلیل مخلوط طیفی از منظر شهری در ایندیاناپولیس با تصاویر Landsat ETM +. فتوگرام مهندس Remote Sens. 2004 , 70 , 1053-1062. [ Google Scholar ] [ CrossRef ]
- فودی، جنرال موتورز; کاکس، تخمین ترکیب پوشش زمین زیر پیکسل DP با استفاده از مدل مخلوط خطی و توابع عضویت فازی. بین المللی J. Remote Sens. 1994 , 15 , 619-631. [ Google Scholar ] [ CrossRef ]
- روشهای Foody، GM Sub-pixel در سنجش از دور. در تحلیل تصویر سنجش از دور: از جمله دامنه فضایی . Jong, SMD, Meer, FDVD, Eds. Springer: Dordrecht، هلند، 2006; جلد 5، ص 37–49. [ Google Scholar ]
- Weng، Q. سنجش از دور سطوح غیرقابل نفوذ در مناطق شهری: الزامات، روشها و روندها. سنسور از راه دور محیط. 2012 ، 117 ، 34-49. [ Google Scholar ] [ CrossRef ]
- نیکول، جی. وونگ، ام اس؛ کورلت، آر. Nochol، DW ارزیابی تکه تکه شدن زیستگاه پرندگان در مناطق شهری هنگ کنگ (Kowloon) با وضوح فضایی بالا با استفاده از عدم اختلاط طیفی. طرح شهری منظر. 2010 ، 95 ، 54-60. [ Google Scholar ] [ CrossRef ]
- Small, C. برآورد فراوانی پوشش گیاهی شهری با تجزیه و تحلیل مخلوط طیفی. بین المللی J. Remote Sens. 2001 ، 22 ، 1305-1334. [ Google Scholar ] [ CrossRef ]
- برزوفسکی، تی. چورمانسکی، جی. باتلان، او. کانترز، اف. ون دو وورد، تی. تأثیر نسبتهای پوشش زمین سنجش از دور بر پیشبینی رواناب شهری. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 16 ، 54-65. [ Google Scholar ] [ CrossRef ]
© 2014 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/3.0/) توزیع شده است.


بدون نظر