نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

روش‌های تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی چند مقیاسی/چند سطحی (MS-GEOBIA) به طور گسترده در سنجش از دور مورد استفاده قرار می‌گیرند، زیرا روش‌های تک مقیاسی/تک سطحی (SS-GEOBIA) اغلب قادر به دستیابی به یک تقسیم‌بندی دقیق نیستند و طبقه بندی انواع کاربری/پوشش زمین (LULC) در یک تصویر. با این حال، مقایسه‌های کمی بین رویکردهای SS-GEOBIA و MS-GEOBIA به منظور ترسیم یک نوع LULC خاص وجود داشته است، بنابراین به خوبی درک نشده است که کدام یک برای این کار مناسب‌تر است. علاوه بر این، روش های کمی برای خودکارسازی انتخاب پارامترهای تقسیم بندی برای MS-GEOBIA وجود دارد، در حالی که انتخاب دستی (به عنوان مثال، رویکرد آزمون و خطا) پارامترها می تواند کاملاً چالش برانگیز و زمان بر باشد. در این مطالعه، ما رویکردهای SS-GEOBIA و MS-GEOBIA را برای استخراج مناطق مسکونی در تصاویر Landsat 8 بررسی کردیم و روش‌های تقسیم‌بندی ساده و بهینه‌شده با پارامتر را برای ارزیابی اینکه آیا بهینه‌سازی پارامتر تقسیم‌بندی بدون نظارت (USPO) می‌تواند استخراج مناطق مسکونی را بهبود بخشد، مقایسه کردیم. یافته‌های اصلی ما این بود: (1) رویکردهای MS-GEOBIA به دقت طبقه‌بندی بالاتری نسبت به رویکرد SS-GEOBIA دست یافتند، و (2) USPO منجر به نتایج دقیق‌تر طبقه‌بندی MS-GEOBIA شد در حالی که تعداد سطوح تقسیم‌بندی و متغیرهای طبقه‌بندی را به میزان قابل توجهی کاهش داد.
کلید واژه ها: 

جوبیا _ تجزیه و تحلیل تصویر مبتنی بر شی ; لندست 8 ; من موران جنگل تصادفی

 

1. معرفی

داده های جمعیت در مقیاس دقیق برای ارزیابی آسیب پذیری در برابر خطرات طبیعی مختلف، به عنوان مثال، برای تخمین تعداد افرادی که در یک منطقه مستعد سیل زندگی می کنند، مورد نیاز است [ 1 ]. برای به دست آوردن این داده‌های با مقیاس دقیق، تکنیک‌های «نقشه‌سنجی داسیمتری» اغلب برای کاهش مقیاس تعداد جمعیت و/یا سایر داده‌های جمعیتی از واحدهای سرشماری (به عنوان مثال، گروه بلوک، محله، شهر) به مقیاس مجموعه داده‌های جانبی استفاده می‌شوند [2] . ]. یک نقشه شبکه‌ای از مناطق مسکونی ( یعنی پرجمعیت) و غیرمسکونی ( به عنوان مثال ، بدون جمعیت) منبع داده کمکی برای متداول‌ترین روش نگاشت داسیمتری، روش باینری شبکه‌ای است [ 3] .]، که شامل توزیع یکنواخت جمعیت (یا سایر آمارهای جمعیتی) یک واحد سرشماری در مناطق مسکونی در واحد سرشماری است. بنابراین، نقشه‌های دقیق و به‌روز مناطق مسکونی/غیر مسکونی برای حمایت از ارزیابی‌های آسیب‌پذیری مهم هستند.
مناطق مسکونی را می توان از تصاویر سنجش از دور استخراج کرد، اما از آنجایی که آنها تمایل به ناهمگونی طیفی دارند، شامل ترکیبی از زمین های ساخته شده (که خود از مواد سطحی مختلف تشکیل شده است) و زمین های گیاهی، تهیه نقشه دقیق آنها با استفاده از سنتی دشوار است. روش های طبقه بندی مبتنی بر پیکسل که فقط ویژگی های طیفی پیکسل های مجزا را در نظر می گیرند [ 4 ]. روش‌های تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) [ 5 ]، از سوی دیگر، می‌توانند اطلاعات بافتی و زمینه‌ای را علاوه بر اطلاعات طیفی برای طبقه‌بندی کاربری/پوشش زمین (LULC) [ 6 ] ترکیب کنند، و آنها را به خوبی برای طبقه‌بندی مناسب می‌سازد. نقشه برداری از مناطق مسکونی [ 7]. اولین مرحله در GEOBIA قطعه بندی تصویر است، فرآیندی که یک تصویر را به مناطق نسبتاً همگن تقسیم می کند ( به عنوان مثال ، بخش های تصویر). طبقه‌بندی LULC سپس با بخش‌هایی به عنوان واحدهای پردازش پایه به جای پیکسل‌های منفرد انجام می‌شود. رویکردهای GEOBIA چند مقیاسی/چند سطحی (MS-GEOBIA)، که بخش‌بندی‌های چندگانه یک تصویر را در سطوح مختلف «مقیاس» برای طبقه‌بندی LULC (به عنوان مثال، اندازه‌های متوسط ​​قطعه متفاوت) ترکیب می‌کنند، اغلب از GEOBIA تک مقیاس/تک سطح بهتر عمل می‌کنند. (SS-GEOBIA) هنگامی که ویژگی‌های مورد علاقه LULC در اندازه و/یا بافت متفاوت است [ 8 ، 9 ، 10 ، 11، رویکرد می‌کند.]، زیرا حتی یک تقسیم‌بندی تک سطحی بسیار دقیق، احتمالاً برخی از ویژگی‌های LULC را به چند بخش تقسیم می‌کند ( به عنوان مثال ، oversegment) و/یا آنها را با سایر ویژگی‌های LULC همسایه در یک بخش واحد ( به عنوان مثال ، زیربخش) گروه‌بندی می‌کند. بسیاری از مطالعات MS-GEOBIA شامل طبقه بندی انواع مختلف LULC در هر سطح تقسیم بندی است [ 8 ، 12 ، 13 ، 14 ، 15 ]، در حالی که تعداد کمی از روش های SS-GEOBIA و MS-GEOBIA را برای طبقه بندی یک نوع LULC مورد علاقه مقایسه کرده اند [ 16] .]. مناطق مسکونی هم از نظر اندازه (منطقه توسعه مسکونی) و هم از نظر بافت (مثلاً اندازه ساختمان و تراکم ساختمان که بر اساس توسعه متفاوت است) متفاوت است، بنابراین رویکرد MS-GEOBIA ممکن است برای نقشه‌برداری آنها مناسب‌تر از SS-GEOBIA باشد.
انتخاب پارامترها برای تقسیم بندی تصویر ( به عنوان مثال ، پارامترهایی که اندازه و/یا شکل متوسط ​​بخش ها را تعیین می کنند) می تواند زمان بر و ذهنی با استفاده از تجزیه و تحلیل بصری به تنهایی باشد [ 17]]، به‌ویژه برای MS-GEOBIA، زیرا تعداد ترکیب‌های احتمالی تقسیم‌بندی برای طبقه‌بندی می‌تواند بسیار زیاد شود. به این دلایل، روش‌های بهینه‌سازی پارامتر تقسیم‌بندی خودکار (SPO) می‌تواند به ویژه برای MS-GEOBIA مفید باشد. الگوریتم‌های SPO بدون نظارت (USPO) در حال تبدیل شدن به یک نوع محبوب روش SPO در سنجش از دور هستند و پارامترهای بخش‌بندی را بر اساس ویژگی‌های طیفی و بافتی بخش‌های تصویر بهینه می‌کنند. با این حال، تاثیر USPO بر طبقه بندی MS-GEOBIA به طور دقیق ارزیابی نشده است و اکثر روش های USPO فقط برای SS-GEOBIA قابل استفاده هستند.
در این مطالعه، ما بررسی کردیم که آیا رویکرد MS-GEOBIA و USPO می‌تواند به نقشه‌برداری دقیق‌تر مناطق مسکونی در تصاویر Landsat 8 منجر شود یا خیر. طبق دانش ما، این (1) اولین مطالعه برای مقایسه عملکرد SS-GEOBIA و MS-GEOBIA برای نقشه برداری مناطق مسکونی، و (2) اولین مطالعه برای ارزیابی تاثیر USPO بر دقت طبقه بندی MS-GEOBIA با مقایسه است. نتایج طبقه بندی ساده و بهینه از نظر پارامتر در حمایت از (2)، ما یک روش USPO را به طور خاص برای MS-GEOBIA پیشنهاد کردیم.

2. بهینه سازی پارامتر برای SS-GEOBIA و MS-GEOBIA

برای هر دو SS-GEOBIA و MS-GEOBIA، پارامترهای تقسیم بندی باید قبل از تقسیم بندی تصویر تنظیم شوند، و انتخاب این پارامترها می تواند تأثیر قابل توجهی بر دقت طبقه بندی تصویر داشته باشد [ 18 ]. روش های SPO را می توان به طور کلی به روش های نظارت شده SPO (SSPO) و USPO تقسیم کرد. روش‌های SPO نیازمند دیجیتالی شدن چند ضلعی‌های حقیقت زمینی از اشیاء نمونه هستند، که می‌تواند از نظر انتخاب نمونه نمونه زمان‌بر و تا حدودی ذهنی باشد (مثلاً برای MS-GEOBIA، انتخاب نمونه‌های نمونه برای بهینه‌سازی هر سطح تقسیم‌بندی) و تعیین مرز از سوی دیگر، روش‌های USPO صرفاً بر اساس آمار تصویری هستند و نیازی به چند ضلعی حقیقت زمینی ندارند، بنابراین مزایای اصلی آنها سطوح بالاتر عینیت و اتوماسیون آنها است [17] .]. در اینجا، ما فقط بر روی روش های USPO تمرکز می کنیم.
بیشتر روش‌های USPO در سنجش از دور، هدفشان شناسایی قطعه‌بندی است که همگنی درون بخش و ناهمگنی بین بخش را به حداکثر می‌رساند [ 19 ، 20 ، 21 ، 22 ، 23 ]. هر دوی این ویژگی‌ها مطلوب هستند، زیرا همگنی درون‌بخشی بالا نشان می‌دهد که زیربخش‌بندی رایج نیست، در حالی که ناهمگونی بالای بین بخش‌ها نشان می‌دهد که تقسیم‌بندی بیش از حد رایج نیست (به عنوان مثال، بخش‌ها از نظر طیفی از همسایگان خود مجزا هستند). روش‌های بدون نظارت قبلی که هر دوی این ویژگی‌ها را در نظر می‌گرفتند، برای SS-GEOBIA (برای شناسایی یک بخش‌بندی بهینه) طراحی شده‌اند و نمی‌توان آن‌ها را در اشکال فعلی‌شان برای MS-GEOBIA اعمال کرد.
برای کمک به حل این مشکل، ما برخی اصلاحات را در روش USPO چند باندی موجود پیشنهاد می‌کنیم [ 20 ] تا اجازه اجرای MS-GEOBIA را بدهد. روش موجود همگنی درون بخش را با واریانس وزنی سطح ( WV ) همه بخش ها در سطح تقسیم بندی [ 19 ] و ناهمگنی بین بخش با استفاده از Global Moran’s I ( MI ) [ 24 ] اندازه گیری می کند، یک متریک خودهمبستگی فضایی که محاسبه می کند. شباهت طیفی بین قطعات و همسایگان آنها و سپس جمع آوری نتایج. مقادیر WV پایین تر نشان دهنده سطوح تقسیم بندی با همگنی درون بخش بالاتر ( به عنوان مثال ، زیربخشی کمتر)، در حالی که MI پایین تر است.مقادیر نشان‌دهنده سطوح تقسیم‌بندی با شباهت طیفی کمتر بین بخش‌های همسایه است ( به عنوان مثال ، بیش‌بخش‌بندی کمتر). در اینجا، مقادیر WV و MI هر دو به یک محدوده 0-1 نرمال می شوند:

دبلیو����متر= ایکسمترآایکس–ایکسایکسمترآایکس–ایکسمترمن�
ممن���متر=ایکسمترآایکس–ایکسایکسمترآایکس–ایکسمترمن�

جایی که دبلیو����مترمقدار WV نرمال شده است ، ممن���مترمقدار MI نرمال شده است ، ایکسمقدار WV (یا MI ) تقسیم بندی فعلی است وایکسمترآایکسو ایکسمترمن�مقادیر حداکثر و حداقل WV (یا MI ) همه بخش‌های تولید شده هستند. بالاتر دبلیو����مترو ممن���مترمقادیر به ترتیب نشان‌دهنده کم‌بخشی بالاتر و «خوبی» بیش‌بخش‌بندی هستند. دبلیو����مترو ممن���مترمقادیر برای هر باند طیفی محاسبه می شود و سپس میانگین می شود.

روش‌های مختلفی را می‌توان برای ترکیب معیارهای نیکویی کم‌تقسیم‌بندی و تقسیم‌بندی بیش از حد برای محاسبه «خوبی کلی» ( OG ) هر سطح تقسیم‌بندی استفاده کرد، و چندین مثال در Zhang و همکاران ارائه شده است. [ 17 ]. در اینجا، ما پیشنهاد می کنیم آنها را با استفاده از F-Measure ( F ) [ 25 ] ترکیب کنیم زیرا یک مطالعه اخیر در مورد SSPO توسط Zhang و همکارانش. [ 26 ] دریافتند که F نسبت به سایر روش‌های ترکیبی رایج از جمله جمع و فاصله اقلیدسی حساسیت بیشتری نسبت به کم‌بخشی/تقسیم‌بندی بیش از حد دارد. افاغلب برای ارزیابی دقت یک کلاس خاص استفاده می‌شود و برای محاسبه یک مقدار دقت کلاس خاص، موارد مثبت کاذب (با استفاده از متریک دقیق) و همچنین منفی‌های کاذب (با استفاده از متریک «یادآوری») را در نظر می‌گیرد. در [ 26 ]، به جای آن برای ترکیب معیارهای دقیق و مبتنی بر یادآوری که به ترتیب نشان‌دهنده حسن تقسیم‌بندی و زیربخش‌بندی هستند، برای محاسبه مقدار OG برای هر بخش‌بندی استفاده شد. بر اساس این منطق، در مطالعه ما، OG محاسبه شده توسط F ( OG f )، را می توان به صورت زیر به دست آورد:

�جی�=(1+آ2)ممن���متر × دبلیو����مترآ2 × ممن���متر+دبلیو����متر

که در آن a وزنی است که وزن های نسبی را کنترل می کند دبلیو����مترو ممن���متر. به عنوان مثال، a = 1 نشان دهنده وزن برابر برای دبلیو����مترو ممن���متر، در حالی که a = 0.5 نشان دهنده نیم وزن برای دبلیو����متر، و a = 2 نشان دهنده وزن دو برابری برای دبلیو����متر. �جی�مقادیر از 0 تا 1 متغیر است و مقادیر بالاتر نشان دهنده کیفیت بخش بندی بالاتر است.

مطالعات قبلی USPO از یک رویکرد وزنی برابر برای ترکیب معیارهای نیکویی کم‌بخشی و تقسیم‌بندی بیش از حد برای شناسایی یک تقسیم‌بندی بهینه استفاده کرده‌اند [ 19 ، 20 ، 21 ، 23 ، 27 ، 28 ]، اما ما پیشنهاد می‌کنیم که این روش‌های USPO را می‌توان برای MS نیز به کار برد. -ژئوبیا با تنظیم وزن های اختصاص داده شده به معیارهای نیکویی زیربخشی و تقسیم بندی بیش از حد (مثلاً با تغییر مقدار a در معادله (3)). به عنوان مثال، مقادیر a> 1 در معادله (3) ممکن است برای انتخاب پارامترها برای سطوح تقسیم‌بندی دقیق‌تر مناسب باشد (برای اطمینان از اینکه اشیاء کوچک‌تر مورد علاقه یا اشیایی که از نظر طیفی مشابه با محیط اطرافشان هستند، در این سطوح کمتر تقسیم نمی‌شوند)، در حالی که مقادیر a <1 ممکن است برای انتخاب پارامترها برای سطوح تقسیم‌بندی درشت‌تر مناسب‌تر است (برای اطمینان از اینکه اشیاء بزرگتر/ناهمگن‌تر مورد علاقه بیش از حد در این سطوح تقسیم نمی‌شوند). به عنوان یک مثال ساده، برای یک رویکرد GEOBIA دو سطحی، زیربخش بندی خوبی ( دبلیو����متر) را می توان وزن دهی دوگانه ( a = 2) در سطح تقسیم بندی 1 و نیم وزن ( a = 0.5) در سطح مقیاس 2 داد.

3. روش ها

3.1. منطقه و داده های مطالعه

حوزه آبخیز Silang-Santa Rosa فیلیپین به عنوان محل مطالعه انتخاب شد، زیرا در سال‌های اخیر در معرض شهرنشینی سریع بوده است و واحدهای دولتی محلی برای انجام تجزیه و تحلیل آسیب‌پذیری سیل به نقشه‌ای با مقیاس دقیق از مناطق مسکونی نیاز داشتند. تصاویر لندست 8 از منطقه، که در 7 فوریه 2014 به دست آمد، از [ 29 ] به دست آمد. مناطق مسکونی در منطقه مورد مطالعه عمدتاً از خانه‌های تک‌خانواره‌ای مجزا تشکیل شده‌اند که اندازه‌های ساختمان، اندازه‌های زمین و مصالح ساختمان/پشت بام در توسعه‌های مختلف به طور قابل‌توجهی متفاوت است. سایر انواع اصلی LULC در حوضه شامل کشاورزی، زراعت جنگلداری (مزرعه نارگیل)، جنگل پهن برگ، علفزار بیکار، صنعت سبک و امکانات تجاری بزرگ (مثلاً مراکز خرید) می باشد. شکل 1یک نمای کلی از منطقه مورد مطالعه ارائه می دهد.
Ijgi 04 02292 g001 1024
شکل 1. نمای کلی منطقه مورد مطالعه و تصاویر ماهواره ای لندست 8 (کامپوزیت رنگ طبیعی).

3.2. تیز کردن تصویر

از آنجایی که مناطق مسکونی دارای امضای طیفی منحصربه‌فردی نیستند و اطلاعات بافت با وضوح بالا می‌تواند برای نقشه‌برداری از آنها مفید باشد [ 7 ]، ما وضوح فضایی باندهای تصویر چندطیفی اصلی Landsat 8 (باندهای 2-7) را از 30 متر به 15 متر با تیز کردن آنها با استفاده از نوار پانکروماتیک 15 متری (باند 8) و الگوریتم بیزی داده فیوژن (BDF) [ 30 ] موجود در نرم افزار منبع باز Monteverdi، نسخه 2.0.6. تصاویر پانشارپن شده BDF می توانند به کیفیت فضایی بالایی دست یابند که هم برای تقسیم بندی تصویر [ 31 ] و هم برای استخراج اطلاعات بافت [ 7 ] مفید است.

3.3. بهینه سازی پارامتر تقسیم بندی تصویر

تصویر pansharpened در eCognition Developer 8.7 با استفاده از الگوریتم تقسیم‌بندی چند تفکیک‌پذیری، یک تکنیک ادغام منطقه با سه پارامتر، بخش‌بندی شد. یک «پارامتر مقیاس» (SP) که حداکثر ناهمگونی بخش‌های تصویر را کنترل می‌کند، یک پارامتر «رنگ/شکل» که تأثیر نسبی اطلاعات طیفی و اطلاعات شکل را کنترل می‌کند، و یک پارامتر «صافی/فشردگی» که شکل تصویر را کنترل می‌کند. بخش [ 14 ، 32 ]. در اینجا، مانند بسیاری دیگر از مطالعات GEOBIA [ 8 ، 9 ، 18 ، 33 ، 34]، SP را تغییر دادیم و سایر پارامترها را در مقادیر پیش فرض خود رها کردیم. تقسیم بندی برای SP های بین 20 و 200 با استفاده از اندازه گام SP 20 انجام شد. همانطور که در شکل 2 نشان داده شده است، مناطق مسکونی به وضوح در SP 20 بیش از حد تقسیم بندی شده اند و در SP 200 کم تقسیم شده اند، بنابراین هیچ SP <20 یا >200 وجود ندارد. تست شده
Ijgi 04 02292 g002 1024
شکل 2. ( الف ) زیر مجموعه تصویر منطقه مورد مطالعه. ( ب ) تقسیم بندی با بیش از حد تقسیم بندی (خطوط خاکستری) و زیربخشی بیش از حد (خطوط سیاه) مناطق مسکونی. جعبه های زرد چند نمونه از مناطق مسکونی با ویژگی های طیفی مختلف را نشان می دهد. جعبه قرمز (منطقه صنعتی) و جعبه آبی (مناطق خاک برهنه) انواع کاربری/پوشش زمین را با شباهت طیفی بالا به مناطق مسکونی نشان می دهد.
USPO برای تقسیم بندی های یک، دو، سه و چهار سطحی انجام شد تا امکان مقایسه دقیق بین رویکردهای SS-GEOBIA و MS-GEOBIA فراهم شود. OG f با استفاده از وزن های زیر برای a محاسبه شد :

  • a = 1 برای SS-GEOBIA؛
  • a = 2 و a = 0.50 برای سطوح تقسیم بندی 1-2، به ترتیب، برای GEOBIA دو سطحی.
  • a = 3، a = 1، و a = 0.33 برای سطوح تقسیم بندی 1-3 برای GEOBIA سه سطحی. و
  • a = 4، a = 2، a = 0.50، و a = 0.25 برای سطوح تقسیم بندی 1-4 برای GEOBIA چهار سطح.
این وزن‌ها برای اطمینان از اینکه سطوح تقسیم‌بندی انتخاب‌شده از نظر ناهمگونی درون/بین‌بخشی بخش‌های تصویر با یکدیگر متفاوت هستند، انتخاب شدند، و در نظر گرفته شده‌اند که وابسته به صحنه نباشند (یعنی بر اساس تصویر خاص بهینه نشده باشند . استفاده شده). برای به حداقل رساندن زمان محاسبه برای USPO، آن را برای یک زیر مجموعه (524 × 307 پیکسل) از منطقه مورد مطالعه انجام شد، و پارامترهای بهینه سپس برای بخش بندی کل تصویر منطقه مورد مطالعه (1550 × 1500 پیکسل) اعمال شد. این زیر مجموعه شامل انواع LULC مورد علاقه در منطقه مورد مطالعه بزرگتر ( به عنوان مثال ، انواع LULC مسکونی و غیرمسکونی مختلف) بود.

3.4. طبقه بندی تصویر

ما 70 چند ضلعی «منطقه مورد علاقه» (ROI) از ویژگی‌های LULC «مسکونی» و «غیر مسکونی» (به عنوان مثال، سایر زمین‌های غیرقابل نفوذ، کشاورزی، جنگلی و چمن‌زار) را با استفاده از تصاویر Astrium Pléiades با وضوح 50 سانتی‌متری از 8 ژانویه، دیجیتالی و برچسب‌گذاری کردیم. 2014 (در Google Earth موجود است). بخش های تصویری که این چند ضلعی های ROI را قطع می کردند به عنوان بخش های آموزشی برای طبقه بندی استفاده می شدند. میانگین بازتاب بالای جو (باندهای 2-7) و انحراف استاندارد (باندهای 2-7) مقادیر بخش‌های تصویر به ترتیب به عنوان متغیرهای طبقه‌بندی طیفی و بافتی استفاده شد. دویست و بیست نقطه تصادفی، ایجاد شده با استفاده از روش نمونه گیری تصادفی طبقه ای [ 35]، برای ارزیابی دقت مورد استفاده قرار گرفتند و نقاطی که در چند ضلعی های ROI آموزشی قرار می گرفتند دوباره تولید شدند تا از آموزش مستقل و مجموعه داده های اعتبار سنجی اطمینان حاصل شود. تصاویر Pléiades با وضوح بالا نیز برای شناسایی LULC مرجع در هر نقطه اعتبار سنجی استفاده شد. برای ارزیابی دقت طبقه‌بندی، دقت تولیدکننده (PA) [ 35 ]، دقت کاربر (UA) [ 35 ]، و مقدار F برای کلاس «مسکونی» ( کلاس F ) محاسبه شد. کلاس F به طور مشابه محاسبه می شود �جی�در معادله (3)، با جایگزینی PA و UA دبلیو����مترو ممن���مترو با استفاده از مقدار 1.0 (وزن مساوی PA و UA، که معمولی است). F اغلب برای ارزیابی دقت زمانی که تمرکز روی یک کلاس خاص است استفاده می شود زیرا به تفاوت در تعداد نمونه های اعتبار سنجی در هر کلاس حساس نیست (برخلاف دقت کلی که بیشتر تحت تأثیر کلاس اکثریت قرار می گیرد) [36 ] .
تمام طبقه‌بندی‌های تصویر با استفاده از الگوریتم جنگل تصادفی (RF)، یک الگوریتم طبقه‌بندی مجموعه‌ای که طبقه‌بندی‌های درخت تصمیم‌گیری چندگانه را با استفاده از زیرمجموعه‌های تصادفی متغیرهای طبقه‌بندی و داده‌های آموزشی انجام می‌دهد، و تخصیص کلاس نهایی را با رأی‌گیری بدون وزن انجام می‌دهد [37 ] . RF دارای دو پارامتر طبقه بندی است. تعداد متغیرهایی که برای تولید هر درخت تصمیم استفاده می شود (# v ) و تعداد درخت های تصمیم برای گنجاندن در مجموعه (# t ). بر اساس Breiman [ 37 ]، # v روی int (log 2 M + 1) تنظیم شد ، که در آن M تعداد کل متغیرهای طبقه‌بندی و # t است.بر اساس یافته های لارنس و همکاران به 500 تنظیم شد. [ 38 ]. در این مطالعه، تمامی طبقه بندی ها در بسته نرم افزاری داده کاوی منبع باز Weka 3.7.9 [ 39 ] انجام شد.
برای طبقه‌بندی‌های MS-GEOBIA، اتصالات فضایی برای تخصیص ویژگی‌های طیفی و بافتی بخش‌ها در سطوح تقسیم‌بندی درشت‌تر به بخش‌هایی که در بهترین سطح تقسیم‌بندی وجود دارند، انجام شد (ممکن است از آنجایی که قطعات در سطوح ظریف‌تر در داخل قطعات درشت‌تر تودرتو هستند. سطوح)، و این ویژگی‌های «زمینه فضایی چندسطحی» [ 40 ] سپس به عنوان متغیرهای طبقه‌بندی اضافی برای بخش‌های با بهترین مقیاس گنجانده شدند. به عنوان مثال، برای طبقه بندی سه سطحی، مقادیر بازتاب و انحراف استاندارد بخش های سطح 2-3 به بخش های سطح 1 به عنوان متغیرهای طبقه بندی اضافی اختصاص داده می شود. برای ارزیابی عملکرد USPO برای اهداف طبقه بندی، چندین طبقه بندی ساده ( به عنوان مثال، بدون USPO) نیز برای مقایسه انجام شد. برای SS-GEOBIA، تمام بخش‌بندی‌های تک سطحی غیربهینه طبقه‌بندی شدند، و برای MS-GEOBIA، یک طبقه‌بندی با استفاده از متغیرهای طبقه‌بندی از تمام سطوح تقسیم‌بندی (یعنی با ویژگی‌های زمینه فضایی چندسطحی از SP40 انجام شد . -سطوح تقسیم بندی SP200 به بخش های SP20 اختصاص داده شده است.

4. نتایج و بحث

4.1. تاثیر بهینه سازی پارامتر بر دقت طبقه بندی

جدول 1 تقسیم بندی های انتخاب شده توسط USPO برای SS-GEOBIA و MS-GEOBIA را نشان می دهد و جدول 2 نتایج طبقه بندی را برای همه بخش بندی ها نشان می دهد. همانطور که در جدول 2 مشاهده می شود ، USPO برای MS-GEOBIA موثر بود، زیرا بخش بندی های MS-GEOBIA بهینه شده با پارامتر دارای مقادیر کلاس F برابر با (طبقه بندی دو سطحی) یا بیشتر از (طبقه بندی های سه و چهار سطح) بودند که از طبقه بندی فراگیر MS-GEOBIA، در حالی که سطوح تقسیم بندی و متغیرهای طبقه بندی کمتری نیز دارد. به عنوان نمونه ای از سطوح تقسیم بندی چندگانه انتخاب شده توسط USPO، شکل 3بخش بندی های بهینه انتخاب شده برای رویکرد GEOBIA سه سطحی را نشان می دهد. از نظر تقسیم‌بندی مناطق مسکونی، تقسیم‌بندی SP120 برای بخش‌بندی مناطق مسکونی بزرگ/ناهمگن از نظر طیفی نسبتاً خوب عمل کرد، اما برخی از مناطق مسکونی کوچکتر/همگن طیفی کمتر تقسیم‌بندی شدند. تقسیم‌بندی SP80 باعث کاهش کم‌تقسیم‌بندی بیشتر مناطق مسکونی شد، اما باعث تقسیم‌بندی بیش از حد مناطق مسکونی بزرگ‌تر/ناهمگن‌تر شد. در نهایت، تقسیم‌بندی SP40 باعث تقسیم‌بندی بیش از حد اکثر مناطق مسکونی شد، اما در شناسایی تکه‌های کوچک پوشش گیاهی (مثلاً پارک‌ها) واقع در مناطق مسکونی مؤثر بود.
جدول
جدول 1. پارامترهای مقیاس بهینه (SP) برای تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی تک مقیاس/تک سطح (SS-GEOBIA) (یک سطح) و چند مقیاس/چند سطح (MS)-GEOBIA (دو- رویکردهای سه و چهار سطحی.
جدول
جدول 2. دقت کلی (OA)، دقت تولیدکننده (PA)، دقت کاربر (UA)، و اندازه گیری F ( کلاس F ) رویکردهای SS-GEOBIA و MS-GEOBIA. مقادیر پررنگ دقیق ترین نتایج را برای هر متریک نشان می دهد. چندین SP مورد استفاده برای رویکردهای MS-GEOBIA با علامت “+” از هم جدا می شوند.
USPO همچنین برای SS-GEOBIA نسبتاً مؤثر بود، زیرا بخش‌بندی SP80 انتخاب شده توسط USPO ( کلاس F = 0.797) بیش از نیمی از بخش‌بندی‌های ساده عملکرد بهتری داشت. برای مقایسه، بالاترین کلاس Fمقدار 0.817 بود. محدودیت اصلی رویکرد بهینه‌سازی پارامتر SS-GEOBIA برای نقشه‌برداری منطقه مسکونی ممکن است وزن مساوی معیارهای خوب تقسیم‌بندی و بیش‌بخش‌بندی آن باشد، زیرا مناطق مسکونی نسبتاً بزرگ‌تر و از نظر طیفی ناهمگن‌تر از سایر انواع LULC در منطقه مورد مطالعه بودند. . به همین دلیل، در مطالعات آتی، اگر هدف فقط استخراج مناطق مسکونی باشد، به طور بالقوه می‌توان وزن بیشتری را به معیار نیکویی بیش از حد تقسیم کرد. عملکرد بهتر بهینه‌سازی پارامتر برای MS-GEOBIA احتمالاً به دلیل وزن‌های بالاتر تخصیص داده شده به متریک حسن تقسیم‌بندی در سطوح تقسیم‌بندی درشت‌تر بود، که تضمین می‌کرد که مناطق مسکونی در حداقل یکی از سطوح تقسیم‌بندی چندگانه مورد استفاده قرار نگرفته باشند. طبقه بندی. که می شود گفت، این امکان وجود دارد که سایر ترکیب‌های سطوح تقسیم‌بندی می‌تواند به دقت طبقه‌بندی MS-GEOBIA حتی بالاتری منجر شود، زیرا تعداد ترکیب‌های ممکن بسیار زیاد است (120 ترکیب ممکن برای GEOBIA سه سطحی در مطالعه ما). بعید است و احتمالا غیر واقعی است که انتظار داشته باشیم که یک رویکرد USPO بتواند همیشه بهترین بخش بندی (های) را برای استفاده در طبقه بندی LULC شناسایی کند، بنابراین USPO باید بیشتر به عنوان راهی برای تولید نتایج به طور کلی تقسیم بندی و طبقه بندی رضایت بخش برای SS- در نظر گرفته شود. GEOBIA/MS-GEOBIA در حالی که به زمان کمتر/ دانش تخصصی کمتری نسبت به انتخاب دستی دنباله و خطا پارامترهای تقسیم بندی نیاز دارد. برای مرجع، زیرا تعداد ترکیب های ممکن بسیار زیاد است (120 ترکیب ممکن برای GEOBIA سه سطحی در مطالعه ما). بعید است و احتمالا غیر واقعی است که انتظار داشته باشیم که یک رویکرد USPO بتواند همیشه بهترین بخش بندی (های) را برای استفاده در طبقه بندی LULC شناسایی کند، بنابراین USPO باید بیشتر به عنوان راهی برای تولید نتایج به طور کلی تقسیم بندی و طبقه بندی رضایت بخش برای SS- در نظر گرفته شود. GEOBIA/MS-GEOBIA در حالی که به زمان کمتر/ دانش تخصصی کمتری نسبت به انتخاب دستی دنباله و خطا پارامترهای تقسیم بندی نیاز دارد. برای مرجع، زیرا تعداد ترکیب های ممکن بسیار زیاد است (120 ترکیب ممکن برای GEOBIA سه سطحی در مطالعه ما). بعید است و احتمالا غیر واقعی است که انتظار داشته باشیم که یک رویکرد USPO بتواند همیشه بهترین بخش بندی (های) را برای استفاده در طبقه بندی LULC شناسایی کند، بنابراین USPO باید بیشتر به عنوان راهی برای تولید نتایج به طور کلی تقسیم بندی و طبقه بندی رضایت بخش برای SS- در نظر گرفته شود. GEOBIA/MS-GEOBIA در حالی که به زمان کمتر/ دانش تخصصی کمتری نسبت به انتخاب دستی دنباله و خطا پارامترهای تقسیم بندی نیاز دارد. برای مرجع، بنابراین USPO باید بیشتر به عنوان راهی برای تولید نتایج به‌طور کلی رضایت‌بخش تقسیم‌بندی و طبقه‌بندی برای SS-GEOBIA/MS-GEOBIA در نظر گرفته شود در حالی که به زمان کمتر/دانش متخصص کمتری نسبت به انتخاب دستی دنباله و خطا پارامترهای تقسیم‌بندی نیاز دارد. برای مرجع، بنابراین USPO باید بیشتر به عنوان راهی برای تولید نتایج به‌طور کلی رضایت‌بخش تقسیم‌بندی و طبقه‌بندی برای SS-GEOBIA/MS-GEOBIA در نظر گرفته شود در حالی که به زمان کمتر/دانش متخصص کمتری نسبت به انتخاب دستی دنباله و خطا پارامترهای تقسیم‌بندی نیاز دارد. برای مرجع،مقادیر OG f تمام سطوح تقسیم بندی و با استفاده از تمام مقادیر a در جدول 3 گزارش شده است .
Ijgi 04 02292 g003 1024
شکل 3. ( الف ) زیر مجموعه تصویر منطقه مورد مطالعه. تقسیم بندی بهینه برای رویکرد GEOBIA سه سطحی: ( ب ) تقسیم بندی SP120. ( ج ) تقسیم بندی SP80; ( د ) تقسیم بندی SP40.
جدول
جدول 3. مقادیر OG f برای هر سطح تقسیم بندی. مقادیر پررنگ، سطح تقسیم‌بندی را با بالاترین خوبی برای هر مقدار نشان می‌دهند ( یعنی مقادیر گزارش‌شده در جدول 1 ).

4.2. مقایسه رویکردهای طبقه بندی SS-GEOBIA و MS-GEOBIA

با مقایسه رویکردهای SS-GEOBIA و MS-GEOBIA، طبقه‌بندی‌های MS-GEOBIA از همه طبقه‌بندی‌های SS-GEOBIA از نظر کلاس F بهتر عمل کردند ، که نشان می‌دهد اطلاعات چند مقیاسی/چند سطحی می‌تواند استخراج مناطق مسکونی را بهبود بخشد. برخی از سطوح تقسیم‌بندی دقیق‌تر (مثلا SP40) هنگامی که به تنهایی برای طبقه‌بندی SS-GEOBIA استفاده می‌شوند، دقت طبقه‌بندی نسبتاً کمی داشتند، اما اطلاعات مفیدی برای طبقه‌بندی‌های MS-GEOBIA ارائه کردند. این یافته ها نشان می دهد که یک رویکرد طبقه بندی MS-GEOBIA می تواند حتی برای نقشه برداری یک نوع LULC منفرد مفید باشد.
Ijgi 04 02292 g004 1024
شکل 4. تصویر منطقه مطالعه و نتیجه طبقه بندی سه سطحی MS-GEOBIA.
طبقه بندی سه سطحی بهینه شده با پارامتر، بالاترین مقدار کلاس F را در این مطالعه به دست آورد، و سایر مطالعات نیز یک رویکرد سلسله مراتبی سه سطحی را برای تحلیل منظر پیشنهاد کرده اند [ 41 ، 42 ]، بنابراین بر اساس این پیشنهادات و نتایج این مطالعه ، یک رویکرد سه سطحی برای بسیاری از برنامه ها انتخاب معقولی به نظر می رسد. رویکرد سه سطحی نیز سریعتر از یک رویکرد فراگیر است، زیرا به زمان محاسباتی کمتری برای تقسیم بندی و پیوستن فضایی (از آنجایی که سطوح تقسیم بندی کمتری وجود دارد) و همچنین برای طبقه بندی (از آنجایی که متغیرهای طبقه بندی کمتری وجود دارد) نیاز دارد. روش پیشنهادی ما و الفبنابراین وزن‌ها برای GEOBIA سه سطحی می‌توانند برای مطالعات GEOBIA در انواع دیگر محیط‌ها نیز مفید باشند. نتیجه طبقه بندی GEOBIA سه سطحی برای کل حوضه در شکل 4 نشان داده شده است .

5. نتیجه گیری ها

در این مطالعه، ما عملکرد رویکردهای تجزیه و تحلیل تصویر مبتنی بر شیء جغرافیایی تک مقیاس/تک سطح (SS) و چند مقیاسی/چند سطحی (MS) را برای نقشه‌برداری یک کاربری زمین/پوشش زمین مورد ارزیابی قرار دادیم. LULC) نوع؛ مناطق مسکونی. از آنجایی که انتخاب دستی آزمون و خطا پارامترهای تقسیم‌بندی برای GEOBIA یک کار چالش برانگیز و اغلب وقت‌گیر است، ما همچنین اثرات بهینه‌سازی پارامتر تقسیم‌بندی بدون نظارت (USPO) را بر دقت طبقه‌بندی ارزیابی کردیم و به عنوان بخشی از این تلاش، یک روش جدید پیشنهاد کردیم. روش USPO برای MS-GEOBIA که با استفاده از اندازه گیری F و یک پارامتر وزن قابل تنظیم (بر اساس تعداد سطوح تقسیم بندی موجود برای MS-GEOBIA تنظیم شده است) معیارهای «خوبی» کم‌بخش‌بندی و بیش‌بخش‌بندی را ترکیب می‌کند .
ما دریافتیم که رویکردهای طبقه‌بندی MS-GEOBIA (هر دو رویکرد ساده و بهینه‌شده با پارامتر) می‌توانند مناطق مسکونی را با دقت بیشتری نسبت به رویکرد SS-GEOBIA استخراج کنند. ما همچنین دریافتیم که USPO می‌تواند به دقت طبقه‌بندی بالاتری برای MS-GEOBIA نسبت به رویکرد طبقه‌بندی ساده (شامل همه سطوح تقسیم‌بندی) منجر شود، زیرا طبقه‌بندی‌های سه سطحی و چهار سطحی بهینه‌شده با پارامترهای ما دقیق‌تر از طبقه‌بندی 10 سطحی ساده بودند. برای نقشه برداری از نوع LULC “مسکونی” (در حالی که دقت طبقه بندی دو سطحی با طبقه بندی 10 سطح مطابقت دارد). طبقه بندی سه سطحی بالاترین دقت طبقه بندی را در مطالعه ما به دست آورد، و یک رویکرد سه سطحی نیز توسط محققان دیگر برای تحلیل منظر توصیه شده است [ 41 ,42 ]، بنابراین رویکرد USPO پیشنهادی ما می‌تواند به ویژه برای انتخاب سطوح تقسیم‌بندی برای GEOBIA سه سطحی مفید باشد.
در تحقیقات آتی، ارزیابی عملکرد سایر رویکردهای USPO برای MS-GEOBIA، که در حال حاضر محدود به در نظر گرفتن خوب بودن کم‌تقسیم‌بندی [42] یا فقط خوب بودن بیش‌بخش‌بندی [ 43 ]، برای نقشه‌برداری مناطق مسکونی است، می‌تواند مفید باشد. همچنین لازم است عملکرد روش بهینه‌سازی پارامتر تقسیم‌بندی MS-GEOBIA برای طبقه‌بندی چند کلاسه LULC در سایر محیط‌های شهری و غیر شهری آزمایش شود.

منابع

  1. کراول، ام. کولتون، ک. جانسون، سی. وستکات، جی. بلومو، دی. ادلمن، اس. هیرش، ای. تخمینی از جمعیت ایالات متحده که در مناطق 100 ساله در معرض خطر سیل ساحلی زندگی می کنند. جی. ساحل. Res. 2010 ، 26 ، 201-211. [ Google Scholar ]
  2. Eicher، CL; Brewer، CA نقشه برداری داسیمتری و درونیابی منطقه ای: پیاده سازی و ارزیابی. کارتوگر. Geogr. Inf. علمی 2001 ، 28 ، 125-138. [ Google Scholar ] [ CrossRef ]
  3. فیشر، پی اف. Langford، M. حساسیت مدل‌سازی به دقت در تصاویر طبقه‌بندی‌شده: مطالعه درون‌یابی منطقه‌ای با نگاشت داسیمتری. پروفسور Geogr. 1996 ، 48 ، 299-309. [ Google Scholar ] [ CrossRef ]
  4. هرولد، ام. اسکپن، جی. Clarke، KC استفاده از سنجش از دور و معیارهای چشم انداز برای توصیف ساختارها و تغییرات در کاربری های شهری. محیط زیست طرح. A 2002 , 34 , 1443-1458. [ Google Scholar ] [ CrossRef ]
  5. هی، GJ; Castilla, G. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): نام جدیدی برای یک رشته جدید. در تجزیه و تحلیل تصویر مبتنی بر شی ; Blaschke, T., Lang, S., Hay, G., Eds.; Springer: هایدلبرگ، آلمان، 2008; صص 75-89. [ Google Scholar ]
  6. 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 ]
  7. هرولد، ام. لیو، ایکس. Clarke، KC معیارهای فضایی و بافت تصویر برای نقشه برداری کاربری زمین شهری. فتوگرام مهندس Remote Sens. 2003 , 69 , 991-1001. [ Google Scholar ] [ CrossRef ]
  8. کیم، ام. وارنر، TA; مدن، م. Atkinson، DS GEOBIA چند مقیاسی با تصاویر هوایی دیجیتال با وضوح فضایی بسیار بالا: اشیاء مقیاس، بافت و تصویر. بین المللی J. Remote Sens. 2011 ، 32 ، 2825-2850. [ Google Scholar ] [ CrossRef ]
  9. جانسون، کارشناسی; Xie, Z. طبقه بندی یک تصویر با وضوح بالا از یک منطقه شهری با استفاده از اطلاعات فوق اشیاء. ISPRS J. Photogramm. Remote Sens. 2013 ، 83 ، 40-49. [ Google Scholar ] [ CrossRef ]
  10. واسک، بی. ون در لیندن، S. طبقه بندی تصاویر چند سطحی از SAR و حسگرهای نوری با استفاده از همجوشی تصمیم. IEEE Trans. Geosci. Remote Sens. 2008 ، 46 ، 1457-1466. [ Google Scholar ] [ CrossRef ]
  11. جانسون، BA طبقه بندی پوشش زمین شهری با وضوح بالا با استفاده از رویکرد مبتنی بر شی چند مقیاسی رقابتی. سنسور از راه دور Lett. 2013 ، 4 ، 131-140. [ Google Scholar ] [ CrossRef ]
  12. Myint، SW; گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقه‌بندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. 2011 ، 115 ، 1145-1161. [ Google Scholar ] [ CrossRef ]
  13. زی، ز. رابرتز، سی. جانسون، بی. جستجوی هدف مبتنی بر شی با استفاده از داده‌های سنجش از راه دور: مطالعه موردی در تشخیص کاج استرالیایی تهاجمی عجیب و غریب در جنوب فلوریدا. ISPRS J. Photogramm. Remote Sens. 2008 , 63 , 647-660. [ Google Scholar ] [ CrossRef ]
  14. بنز، UC؛ هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. Remote Sens. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
  15. D’OLEIRE-Oltmanns، S. آیسانک، سی. دراگوت، ال. Blaschke, T. یک گردش کار مبتنی بر شی برای استخراج لندفرم ها در مقیاس های متعدد از دو نوع داده مجزا. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 947-951. [ Google Scholar ] [ CrossRef ]
  16. جانسون، کارشناسی; تطیشی، ر. Hoan, NT یک رویکرد تیز کردن ترکیبی و تجزیه و تحلیل تصویر مبتنی بر شی چند مقیاسی برای نقشه برداری درختان کاج و بلوط بیمار. بین المللی J. Remote Sens. 2013 ، 34 ، 6969-6982. [ Google Scholar ] [ CrossRef ]
  17. ژانگ، اچ. فریتز، جی. گلدمن، SA ارزیابی تقسیم‌بندی تصویر: بررسی روش‌های بدون نظارت. محاسبه کنید. Vis. تصویر زیر. 2008 ، 110 ، 260-280. [ Google Scholar ] [ CrossRef ]
  18. لیو، دی. Xia, F. ارزیابی طبقه بندی مبتنی بر شی: مزایا و محدودیت ها. سنسور از راه دور Lett. 2010 ، 1 ، 187-194. [ Google Scholar ] [ CrossRef ]
  19. اسپیندولا، جنرال موتورز; کامارا، جی. ریس، IA; Bins، LS; Monteiro، انتخاب پارامتر AM برای الگوریتم‌های تقسیم‌بندی تصویر در حال رشد با استفاده از همبستگی خودکار فضایی. بین المللی J. Remote Sens. 2006 ، 27 ، 3035-3040. [ Google Scholar ] [ CrossRef ]
  20. جانسون، کارشناسی; Xie, Z. ارزیابی و اصلاح تقسیم‌بندی تصویر بدون نظارت با استفاده از رویکرد چند مقیاسی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 473-483. [ Google Scholar ] [ CrossRef ]
  21. چن، جی. دنگ، م. می، ایکس. چن، تی. شائو، کیو. Hong, L. تقسیم بندی بهینه یک تصویر سنجش از راه دور با وضوح بالا که توسط ناحیه و مرز هدایت می شود. بین المللی J. Remote Sens. 2014 , 35 , 6914–6939. [ Google Scholar ] [ CrossRef ]
  22. یو، آ. یانگ، جی. ژانگ، سی. سو، دبلیو. یون، دبلیو. زو، دی. لیو، اس. Wang, Z. شناسایی مقیاس تقسیم بندی بهینه با استفاده از تصاویر چندطیفی WorldView-2. سنس لت. 2012 ، 10 ، 285-297. [ Google Scholar ] [ CrossRef ]
  23. ژانگ، ایکس. شیائو، پی. Feng, X. یک روش ارزیابی بدون نظارت برای تقسیم بندی تصاویر سنجش از دور. IEEE Geosci. سنسور از راه دور Lett. 2012 ، 9 ، 156-160. [ Google Scholar ] [ CrossRef ]
  24. فاثرینگهام، ای. براندسون، سی. چارلتون، ام. جغرافیای کمی: دیدگاه‌های تحلیل فضایی . انتشارات SAGE Ltd.: لندن، انگلستان، 2000. [ Google Scholar ]
  25. ویتن، آی اچ. فرانک، ای. هال، ام. داده کاوی: ابزارها و تکنیک های یادگیری ماشین عملی ، ویرایش سوم. مورگان کافمن: برلینگتون، MA، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  26. ژانگ، ایکس. فنگ، ایکس. شیائو، پی. او، جی. Zhu, L. ارزیابی کیفیت تقسیم بندی با استفاده از اقدامات دقیق و یادآوری مبتنی بر منطقه برای تصاویر سنجش از دور. ISPRS J. Photogramm. Remote Sens. 2015 ، 102 ، 73-84. [ Google Scholar ] [ CrossRef ]
  27. مارتا، TR; کرل، ن. وستن، سی جی; ون جتن، وی. کومار، بهینه سازی بخش KV و آستانه گذاری مبتنی بر داده برای تشخیص زمین لغزش مبتنی بر دانش با تجزیه و تحلیل تصویر مبتنی بر شی. IEEE Trans. Geosci. Remote Sens. 2011 , 49 , 4928–4943. [ Google Scholar ] [ CrossRef ]
  28. ایکوکو، GB; اسمیت، جی. تکنیکی برای انتخاب بهینه پارامترهای مقیاس تقسیم بندی برای طبقه بندی شی گرا صحنه های شهری. اس افر. جی. ژئومات. 2013 ، 2 ، 358-369. [ Google Scholar ]
  29. USGS EarthExplorer. در دسترس آنلاین: http://earthexplorer.usgs.gov/ (دسترسی در 30 ژوئن 2015).
  30. فاسبندر، دی. رادوکس، جی. Bogaert، P. Bayesian ادغام داده برای شفاف کردن تصویر قابل تطبیق. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 1847-1857. [ Google Scholar ] [ CrossRef ]
  31. جانسون، کارشناسی; تطیشی، ر. Hoan، NT تصویر ماهواره ای با استفاده از روش ترکیبی برای تجزیه و تحلیل تصویر مبتنی بر شی. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 228-241. [ Google Scholar ] [ CrossRef ]
  32. بااتز، ام. Schape، A. بخش‌بندی چند رزولوشن – یک رویکرد بهینه‌سازی برای تقسیم‌بندی تصاویر چند مقیاسی با کیفیت بالا. در دسترس آنلاین: http://www.ecognition.com/sites/default/files/405_baatz_fp_12.pdf (در 15 اکتبر 2015 قابل دسترسی است).
  33. واکر، جی اس. Blaschke، T. طبقه بندی پوشش زمین مبتنی بر شی برای منطقه شهری فونیکس: بهینه سازی در مقابل قابلیت حمل و نقل. بین المللی J. Remote Sens. 2008 ، 29 ، 2021-2040. [ Google Scholar ] [ CrossRef ]
  34. 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 ]
  35. Jensen, JR Introductory Digital Image Processing—A Remote Sensing Perspective , 3rd ed.; Pearson Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  36. سوکولووا، م. یاپکوویچ، ن. Szpakowicz، S. Beyond accuracy، F-Score و ROC: خانواده ای از معیارهای متمایز برای ارزیابی عملکرد. در AI 2006: پیشرفت در هوش مصنوعی ؛ Springer: Berlin, Geramny, 2006; صص 1015-1021. [ Google Scholar ]
  37. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
  38. لارنس، آر. جنگل.؛ Sheley, R. نقشه برداری گیاهان مهاجم با استفاده از تصاویر فراطیفی و طبقه بندی بریمن کاتلر (RandomForest). سنسور از راه دور محیط. 2006 ، 100 ، 356-362. [ Google Scholar ] [ CrossRef ]
  39. هال، م. فرانک، ای. هولمز، جی. فارینگر، بی. رویتمن، پی. Witten، IH نرم افزار داده کاوی WEKA: به روز رسانی. ACM SIGKDD Explor. Newsl. 2009 ، 11 ، 10-18. [ Google Scholar ] [ CrossRef ]
  40. بروزون، ال. Carlin, L. یک سیستم مبتنی بر زمینه چند سطحی برای طبقه بندی تصاویر با وضوح فضایی بسیار بالا. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2587–2600. [ Google Scholar ] [ CrossRef ]
  41. هی، GJ; مارسئو، دی جی؛ بوچارد، الف. مدلسازی ساختار منظر چند مقیاسی در چارچوب مقیاس فضایی سلسله مراتبی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2002 ، 34 ، 532-535. [ Google Scholar ]
  42. دراگوت، ال. سیلیک، او. آیسانک، سی. Tiede، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. Remote Sens. 2014 ، 88 ، 119-127. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. منگ، ی. لین، سی. کوی، دبلیو. Yao, J. انتخاب مقیاس بر اساس Moran’s I برای تقسیم بندی تصاویر با وضوح بالا سنجش از راه دور. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2014 (IGARRS)، کبک، QC، کانادا، 13 تا 18 ژوئیه 2014. صفحات 4895-4898.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370