تغییر پوشش زمین مبتنی بر Landsat در تراکم شهری پکن-تیانجین-تانگشان در سال های 1990، 2000 و 2010

خلاصه

شهرنشینی سریع به طور چشمگیری محیط محلی را تغییر می دهد. یک روش طبقه‌بندی ترکیبی طراحی شده و برای تصاویر چند زمانی Landsat و داده‌های جانبی برای به دست آوردن مجموعه داده‌های تغییر پوشش زمین اعمال می‌شود. یک طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) برای طبقه‌بندی تصاویر چندزمانی Landsat Enhanced Thematic Mapper Plus (ETM+) که در سال 2000 در سطح پیکسل جمع‌آوری شده‌اند، استفاده می‌شود. این تصاویر نیز با روش میانگین شیفت قطعه بندی شده اند. سطح غیرقابل نفوذ بر اساس ترکیبی از اشیاء تقسیم‌بندی شده و نتایج طبقه‌بندی SVM تصفیه می‌شود. نواحی تغییر یافته در سال‌های 1990 و 2010 با مقایسه تصاویر نقشه‌برداری موضوعی (TM) و ETM+ از طریق روش تبدیل تشخیص تغییر چند متغیره وزن‌دار مجدد تعیین می‌شوند. تصاویر TM که در سال‌های 1990 و 2000 به‌عنوان مناطق تغییر یافته پوشانده شده‌اند، وارد طبقه‌بندی کننده SVM می‌شوند. نقشه های پوشش زمین برای سال های 1990 و 2010 با ترکیب مساحت بدون تغییر در سال 2000 با طبقات جدید مناطق تغییر یافته در سال های 1990 و 2010 تهیه شده است. تغییر پوشش اراضی از سال 1990 به طور مداوم سرعت گرفته است. قابل توجه است که زمین های زراعی کاهش یافته، در حالی که سطح غیر قابل نفوذ به طور قابل توجهی کاهش یافته است. افزایش یافت.

کلید واژه ها:

پوشش زمین ؛ میانگین شیفت ; بخش

1. معرفی

پوشش زمین و کاربری زمین اطلاعاتی را فراهم می کند که درک ما از تعاملات بین انسان و محیط را بهبود می بخشد [ 1 ]. پوشش زمین بر تعادل انرژی و چرخه های کربن و هیدرولوژیکی تأثیر می گذارد و بنابراین، نقش مهمی در تحقیقات تغییرات جهانی ایفا می کند [ 2 ، 3 ، 4 ]. پوشش زمین مستقیماً بر خصوصیات فیزیکی سطح زمین مانند رطوبت خاک، آلبیدو، دما و تعرق تأثیر می گذارد، بنابراین بسیاری از مطالعات علمی به اطلاعاتی در مورد توزیع مکانی و تغییرات دینامیکی پوشش زمین نیاز دارند [5، 6 ، 7 ] .]. پروژه‌های زیادی مانند برنامه بین‌المللی ژئوسفر بیوسفر (IGBP)، مشاهدات جهانی پوشش جنگل و مشاهدات جهانی دینامیک زمین (GOFC-GOLD) و پروژه نقشه‌برداری جهانی جنگل‌های بارانی (GRFM) برای درک پوشش زمین پیشنهاد شده‌اند. و تغییرات پوشش زمین [ 8 ، 9 ، 10 ].

در طول دو دهه گذشته، توسعه اقتصادی چین منجر به گسترش سریع مناطق شهری شده است [ 11 ، 12 ، 13 ]، و برخی از تجمعات شهری به تدریج شکل گرفته اند، مانند پکن-تیانجین-تانگشان (BTT)، ووهان، رودخانه یانگ تسه. تراکم های شهری دلتا و دلتای رودخانه مروارید [ 14 ]. تغییرات چشمگیر پوشش زمین در اطراف تجمعات شهری باعث ایجاد مشکلات مختلفی مانند تغییرات آب و هوای منطقه ای، اثر جزیره گرمایی شهری و افزایش انتشار گازهای گلخانه ای می شود [ 15 ، 16 ، 17 ، 18 ، 19.]. بسیاری از مدل‌های اقلیمی، مانند سیستم مدل‌سازی جوی منطقه‌ای (RAMS)، مدل میان مقیاس دانشگاه ایالتی پن/مرکز ملی تحقیقات جوی (PSU/NCAR) (MM5) و مدل تحقیق و پیش‌بینی آب و هوا (WRF)، به پوشش زمین نیاز دارند. داده های ورودی برای تجزیه و تحلیل اثرات تغییرات پوشش زمین بر اقلیم [ 20 ، 21 ، 22 ، 23 ، 24 ]. BTT بزرگترین تجمع شهری در شمال چین است [ 14 ]. استفاده از مدل‌های اقلیمی برای شبیه‌سازی اثرات تغییرات پوشش زمین بر اقلیم منطقه‌ای در منطقه BTT نیازمند محصولات پوشش زمین بلندمدت است.

در حال حاضر، بسیاری از مجموعه داده‌های پوشش زمین و کاربری زمین که منطقه BTT را پوشش می‌دهند، آزادانه در دسترس هستند. مجموعه‌های داده با وضوح 300 متر تا 1000 متر اساساً بر اساس طیف‌سنج تصویربرداری با وضوح متوسط (MERIS)، رادیومتر با وضوح بسیار بالا (AVHRR)، طیف‌سنج تصویربرداری با وضوح متوسط (MODIS) و ماهواره Pour l’Observation de lare ساخته شده‌اند. پوشش گیاهی [ 25 ، 26 ، 27 ، 28 ]. این مجموعه داده ها ویژگی های سطح زمین را در سال های مختلف نشان می دهند، اما هیچ یک از این مجموعه داده ها از سال 1990 تا 2010 پیوسته نیستند. علاوه بر این، مجموعه داده‌هایی با وضوح درشت دارای دقت طبقه‌بندی پایینی هستند، به ویژه در مناطق شهری [ 21 ، 29 ، 30]]. اطلاعات به دست آمده از محصولات طبقه‌بندی با وضوح فضایی 30 متر جزئی‌تر از محصولات درشت‌تر است، اما تعداد کلاس‌ها در محصولات طبقه‌بندی با وضوح 30 متر به طور کلی کمتر از آنچه در مدل‌های آب و هوایی مورد نیاز است [1، 31 ، 32 ] است . . علاوه بر مجموعه داده های فوق در مقیاس جهانی و ملی، بسیاری از طبقه بندی های پوشش زمین پکن انجام شده است، اما سایر مناطق در تراکم شهری BTT به ندرت مورد توجه قرار گرفته اند [33 ، 34 ، 35 ، 36 ] .

تفاوت بین محصولات پوشش زمین بیشتر مستعد روش های طبقه بندی و سیستم های طبقه بندی است [ 37 ]. پوشش زمین باید معنایی یکسان یا دقت بسیار بالایی برای نظارت بر هرگونه تغییر داشته باشد [ 38 ]. پوشش های اراضی مذکور در طبقات موضوعی، روش های طبقه بندی و داده ها تفاوت های آشکاری دارند. مقایسه نقشه های ناسازگار نتایج غیر قابل اعتمادی را ایجاد می کند [ 38 ]. پوشش های ثابت زمین در سال های 1990، 2000 و 2010 باید برای درک تغییرات پوشش زمین ناشی از گسترش تراکم شهری BTT توسعه یابد.

تصاویر ماهواره های سنجش از دور به عنوان پایه اصلی توسعه پوشش های زمینی [ 26 ، 28 ، 39 ] تبدیل شده اند. طبقه‌بندی‌ها را می‌توان به دسته‌بندی‌های مبتنی بر پیکسل و مبتنی بر شی بر اساس پیکسل‌ها یا خوشه‌های پیکسل تقسیم کرد [ 40 ]. مشکل “نمک و فلفل” اغلب در طبقه بندی های مبتنی بر پیکسل رخ می دهد، بنابراین طبقه بندی های مبتنی بر شی برای کاهش نویز توسعه داده شدند [ 35 ، 41 ، 42 ، 43 ]. تقسیم بندی یک مرحله مهم در طبقه بندی های مبتنی بر شی است. تقسیم‌بندی یک تصویر گروهی از پیکسل‌های طیفی مشابه و فضایی مجاور را به عنوان یک شی ترکیب می‌کند [ 44 ،45 ، 46 ]. به طور کلی، برخی از پارامترها باید برای تقسیم بندی تصویر تنظیم شوند، مانند مقیاس فضایی، پهنای باند و اشکال. با این حال، انتخاب یک پارامتر که برای تمام طبقات پوشش زمین مناسب باشد دشوار است [ 35 ]. در همین حال، یکپارچه‌سازی دانش تخصصی و ویژگی‌های مؤثر اشیایی که باید طبقه‌بندی شوند، زمان‌بر است [ 47 ]. بنابراین، روش هایی برای ترکیب رویکردهای مبتنی بر پیکسل و مبتنی بر شی در برخی طبقه بندی ها استفاده شده است [ 31 ، 48 ، 49 ، 50 ].

تشخیص تغییر یکی از اجزای مهم مطالعات پوشش زمین است. به عنوان یک روش پس از طبقه بندی، مقایسه نتایج طبقه بندی می تواند برای تشخیص تغییرات انجام شود [ 51 ]. علاوه بر این، الگوریتم‌های پیش طبقه‌بندی، مانند تفاوت تصویر، تحلیل برداری تغییر، رگرسیون تصویر و نسبت‌های تصویر، برای تمایز مناطق تغییر یافته بین تصاویری که در تاریخ‌های مختلف به‌دست می‌آیند، استفاده شده‌اند [52 ، 53 ، 54 ] . تشخیص تغییر پس از طبقه‌بندی می‌تواند تأثیر کالیبراسیون رادیومتری و تفاوت‌های حسگر بین تصاویر مختلف را کاهش دهد، اما دقت تشخیص تا حد زیادی به دقت طبقه‌بندی هر پوشش زمین بستگی دارد [ 55 ، 56]]. در مقابل، رویکردهای پیش طبقه‌بندی می‌توانند از خطاهای تجمعی دو نتیجه طبقه‌بندی جلوگیری کنند زیرا فقط ناحیه تغییر یافته به‌روز می‌شود. به طور کلی، رویکردهای پیش طبقه‌بندی به تصاویری نیاز دارند که در تاریخ‌های مشابه به دست می‌آیند، اما الگوریتم تبدیل تشخیص تغییرات چند متغیره با وزن مجدد تکراری (IR-MAD) می‌تواند برای ترکیب تطابقات رادیومتری نسبی و تشخیص تغییر استفاده شود [57 ] . الگوریتم IR-MAD هیچ محدودیت دقیقی برای به دست آوردن تصاویر در همان دوره فنولوژیکی ندارد. در این مطالعه از الگوریتم IR-MAD برای شناسایی مناطق تغییر یافته استفاده شده است.

هدف از این مطالعه شناسایی پوشش‌های زمین ثابت در سال‌های 1990، 2000 و 2010 در توده شهری BTT با استفاده از تصاویر لندست است. سیستم طبقه بندی و دقت پوشش های زمین باید الزامات مدل آب و هوایی RAMS را برآورده کند. برای دستیابی به این هدف، ما یک رویکرد طبقه‌بندی ترکیبی را اتخاذ کردیم که مزایای هر دو رویکرد مبتنی بر پیکسل و مبتنی بر شی را برای طبقه‌بندی تصاویر چندزمانی Landsat در سال 2000 ادغام کرد. پوشش‌های زمین در سال‌های 1990 و 2010 بر اساس پوشش زمین در 2000 با استفاده از روش تشخیص تغییر پیش طبقه بندی. ویژگی های شهرنشینی در منطقه BTT بر اساس این سه پوشش زمین مورد تجزیه و تحلیل قرار گرفت.

2. مواد

2.1. منطقه مطالعه

تجمع شهری BTT (38°28′–41°3′ شمالی، 115°23′-119°48′ شرقی) شامل 5 شهر است: پکن، لانگ فانگ، تیانجین، تانگشان و چینگ دائو. پکن به عنوان پایتخت چین، توسعه اقتصادی مناطق اطراف خود را ترویج می کند. به طور مشابه، به عنوان یک شهرداری، تیانجین مرکز اقتصادی منطقه خلیج پوهای است. نفوذ پکن و تیانجین به تسریع توسعه اقتصادی شهرهای مجاور کمک کرده است. موقعیت منطقه مورد مطالعه در شکل 1 نشان داده شده است. منطقه مورد مطالعه توسط کوه های Taihang در غرب، کوه های Yanshan در شمال و دریای Pohai در شرق احاطه شده است. بخش اصلی منطقه مورد مطالعه را زمین های زراعی تشکیل می دهد و در ناحیه شمال شرقی دشت شمال چین واقع شده است. گندم و ذرت به طور گسترده در مناطق جلگه ای کاشته می شوند، در حالی که جنگل ها و درختچه ها طبقات اصلی پوشش گیاهی در مناطق کوهستانی هستند.

2.2. داده ها و پیش پردازش

سری ماهواره لندست از سال 1972 به طور مستمر زمین را رصد کرده است و تعداد زیادی از تصاویر سری زمانی را جمع آوری کرده است [ 38 ]. تصاویر Landsat به دلیل کیفیت تصویربرداری پایدار به طور گسترده در طبقه بندی پوشش زمین مورد استفاده قرار گرفته اند [ 1 ، 31 ، 32 ، 58 ، 59 ، 60.]. در این مطالعه، تصاویر Landsat تصحیح شده سطح 1 (L1T) به عنوان منبع داده اولیه برای طبقه‌بندی پوشش زمین انتخاب شدند. پوشش ابر در تصاویر منتخب لندست کمتر از 5 درصد بود. تصاویر Landsat با استفاده از سیستم پردازش تطبیقی اختلال اکوسیستم Landsat (LEDAPS) برای ایجاد بازتاب سطحی تصحیح شدند. LEDAPS از کد انتقال تابشی 6SV (شبیه سازی دوم سیگنال ماهواره ای در کد برداری طیف خورشیدی) استفاده می کند. مشخصات آئروسل به طور مستقل از هر اکتساب Landsat مشتق شده است، یک نوع آئروسل قاره ای ثابت را فرض می کند و از بخار آب کمکی استفاده می کند [ 61 ، 62 ، 63]. تصاویر L1T Landsat با اعمال LEDAPS به محصولات بازتاب سطحی پردازش شدند. تأثیر تفاوت در هندسه روشنایی در تصاویر نقشه‌برداری موضوعی (TM)/ETM+ بطور قابل ملاحظه‌ای حذف شد.

پوشش کل منطقه مطالعه به تصاویر TM/ETM+ از شش صحنه نیاز داشت. تصاویری که در این مطالعه استفاده شد در جدول 1 آمده است . تصاویری که در سال 1990 و 2010 به دست آمد، تصاویر Landsat 5 TM و آنهایی که در سال 2000 به دست آمد، تصاویر Landsat 7 ETM+ بودند. کیفیت داده تصاویر Landsat 7 ETM+ نسبت به تصاویر Landsat 5 TM برتر است، بنابراین سه تصویر Landsat 7 ETM+ برای هر صحنه در سال 2000 استفاده شد [ 60 ، 64]]. تصاویر چند زمانی ETM+ در طبقه بندی سال 2000 برای کاهش سردرگمی طیفی استفاده شد. انتخاب صحنه بر اساس پویایی پوشش گیاهی انواع پوشش زمین هدف در طول یک فصل رشد بود. محصولات در منطقه مورد مطالعه را می توان دو بار در یک سال برداشت کرد. این در حالی است که برخی از زمین های زراعی تنها یک بار در سال زیر کشت می رفتند. تصاویر چند زمانی می توانند خطاهای طبقه بندی زمین های زراعی از برداشت یا عدم کاشت را جبران کنند و تغییرات کشاورزی را در طول عمر محصول ثبت کنند [ 65 ]. تصاویر چند زمانی نیز از تفاوت های فنولوژیکی در طبقات مختلف استفاده کامل می کنند. سه تاریخ اکتساب تصاویر ETM+ فصول رشد اولیه، اوج و اواخر فصل رشد را پوشش می دهد [ 66]. انتخاب تاریخ های خرید مناسب به حداکثر رساندن تفاوت بین انواع تسهیل می کند. پوشش گیاهی سبز عمده در منطقه BTT محصول کشاورزی بود. با توجه به فنولوژی محصولات و حداکثر تفکیک پذیری در بین زمین های کشاورزی دیم، شالیزاری و جنگلی، سه خرمای اکتسابی در اسفند، مرداد و مهر بود. ما در انتخاب سه تصویر موقت در یک سال به دلیل تأثیر ابرها و باران با مشکل مواجه شدیم. بنابراین، تصاویر با کیفیتی که در سال قبل یا بعد به دست آمده بودند انتخاب شدند. یک تصویر Landsat 5 TM برای هر صحنه در سال‌های 1990 و 2010 انتخاب شد. یک تصویر TM اضافی برای صحنه 121/33 در سال 1990 اضافه شد تا تأثیر پوشش ابر را جبران کند.

علاوه بر تصاویر Landsat، که منبع داده اولیه را تشکیل می‌دهند، داده‌های مدل ارتفاعی دیجیتال (DEM) ماموریت توپوگرافی رادار شاتل (SRTM) در طبقه‌بندی گنجانده شد [ 67 ]. به دلیل شباهت طیفی در تصاویر Landsat، جنگل، درختچه و علف به راحتی با محصولات کشاورزی در منطقه مورد مطالعه اشتباه گرفته شد. با این حال، این جنگل ها، درختچه ها و علف ها عمدتاً در مناطق کوهستانی و محصولات کشاورزی عمدتاً در دشت های منطقه مورد مطالعه توزیع شده اند. تفاوت زیادی در شیب بین دو زمین مشاهده شد. علاوه بر این، برنامه تبدیل زمین زراعی به جنگل (CCFP) توسط دولت چین از سال 1999 اجرا شده است [ 68]]. در CCFP، زمین های زیر کشت در امتداد دامنه های شیب دار به جنگل، درختچه و علف تبدیل می شود [ 69 ]. بنابراین، هر گونه جنگل، درختچه و علف در کوه ها تفاوت شیب آشکاری را بین زمین های زیر کشت نشان می دهد. داده‌های خام DEM با رزولوشن سه قوس ثانیه موزاییک شده و به همان تصویر TM/ETM+ نمایش داده شدند و سپس به اندازه هر صحنه برش داده شدند. DEM با استفاده از روش نمونه گیری مجدد نزدیکترین همسایه به وضوح افقی 30 متر نمونه برداری شد. تصاویر Landsat و شیب های DEM به عنوان داده های ورودی برای طبقه بندی کننده SVM استفاده شد. تنها تصاویر Landsat هنگام استفاده از SVM برای آموزش نمونه ها مورد استفاده قرار گرفتند و دقت اعتبارسنجی متقاطع 5 برابر 87.98٪ بود. هنگامی که داده های شیب اضافه شد، دقت به 92.63٪ رسید.

3. روش ها

منطقه مورد مطالعه شامل بسیاری از سکونتگاه های روستایی بود که به طبقه سطحی نفوذناپذیر تعلق داشتند. در طول فصل رشد، این سکونتگاه های روستایی به طور گسترده توسط درختانی که در خیابان ها یا حیاط ها کاشته می شدند، محافظت می شدند. در طول فصل خواب، ویژگی‌های طیفی سکونتگاه‌های روستایی شبیه به زمین‌های زراعی خالی بود. این محیط پیچیده دقت طبقه‌بندی سکونتگاه‌های روستایی را هنگام استفاده از روش‌های طبقه‌بندی مبتنی بر پیکسل کاهش داد و سکونتگاه‌های روستایی معمولاً در معرض خطاهای حذف قرار داشتند. شی قطعه مجموعه ای از پیکسل های کلاس های مختلف بود. ویژگی هایی که یک پیکسل منفرد را توصیف می کنند برای شی مناسب نیستند. استفاده از SVM برای طبقه بندی اشیاء بخش به ویژگی های بیشتری نیاز دارد.31 ، 70 ].

نمودار جریان فرآیند طبقه بندی در شکل 2 نشان داده شده است . در طول طبقه‌بندی، تصاویر ETM+ چند زمانی از سال 2000 و داده‌های شیب ابتدا صحنه به صحنه توسط طبقه‌بندی کننده SVM طبقه‌بندی شدند. رویکردهای مبتنی بر پیکسل و مبتنی بر شی برای بهبود دقت سطح غیرقابل نفوذ ادغام شدند. بنابراین، از الگوریتم تغییر میانگین برای تقسیم‌بندی سه تصویر چند زمانی Landsat ETM+ برای تولید اشیا استفاده شد. اشیاء تقسیم‌بندی شده با نتیجه طبقه‌بندی SVM ترکیب شدند تا کلاس سطح غیرقابل نفوذ را اصلاح کنند. روش تشخیص تغییر قبل از طبقه بندی برای یافتن ناحیه تغییر یافته استفاده شد. بنابراین، یکی از سه تصویر مربوط به سال 2000 برای مقایسه با تصاویر 1990 و 2010 با استفاده از رویکرد IR-MAD انتخاب شد [ 52 ،57 ]. فقط نواحی روی تصاویر Landsat مربوط به سال‌های 1990 و 2010 که با ناحیه تغییریافته پوشانده شده بودند، با طبقه‌بندی کننده SVM طبقه‌بندی شدند. پوشش زمین برای سال 2000 با نتایج طبقه بندی منطقه تغییر یافته برای توسعه پوشش زمین برای سال های 1990 و 2010 به روز شد.

3.1. سیستم طبقه بندی و نمونه های آموزشی

با توجه به وضوح فضایی تصاویر TM/ETM+ و الزامات برخی از مدل‌های اقلیمی، سیستم طبقه‌بندی شامل 9 کلاس بود که به برخی سیستم‌های طبقه‌بندی موجود اشاره می‌کرد: جنگل، درختچه، چمن، زمین کشاورزی خشک، شالیزار، زمین برهنه، سطح غیرقابل نفوذ، آبزیان. پوشش گیاهی و بدنه های آبی

نمونه‌های آموزشی عمدتاً با تفسیر بصری تصاویر ETM+ از سال 2000 با ارجاع به Google Earth جمع‌آوری شدند. بقیه از مشاهدات میدانی در سال 2000 جمع آوری شد. نقاط نمونه که با تفسیر بصری جمع آوری شد ابتدا به طور تصادفی در شش صحنه توزیع شد. سپس، یک چند ضلعی که شامل پیکسل‌هایی با کلاس یکسان بود، به صورت دستی در یک نقطه واحد رسم شد. اگر نمونه تصادفی در یک خوشه پیکسل خالص نبود، یک چند ضلعی نزدیک با همان کلاس نقاط تصادفی انتخاب کردیم. برخی از طبقات پوشش زمین، مانند بدنه های آبی، زمین های بایر و شالیزارها، نسبت مساحت کمتری در منطقه مورد مطالعه داشتند. اگر فقط از نمونه‌های تصادفی استفاده می‌شد، تعداد نمونه‌های این کلاس‌ها به‌طور معنی‌داری کمتر از نمونه‌های دیگر کلاس‌ها بود. نمونه‌های بیشتری با انتخاب مصنوعی برای طبقات با نسبت‌های سطح پایین‌تر اضافه شد تا تأثیر این تعداد نمونه نامتعادل کاهش یابد. در نهایت، 327 چند ضلعی (26893 پیکسل) شناسایی شد.

نمونه ها با تفسیر بصری و ترسیم چند ضلعی ها شناسایی شدند، بنابراین کلاس های نمونه ممکن است شامل اشتباهاتی باشند. همه نمونه ها به طبقه بندی کننده SVM وارد شدند که با همان نمونه ها برای بررسی اشتباهات آموزش داده شده بود. اگر کلاس پیش بینی شده با آن ورودی یکسان نبود، کلاس نمونه تحت بررسی های اضافی قرار می گرفت. اگر کلاس نمونه با توجه به تصاویر Google Earth درست بود، کلاس حفظ می شد، حتی اگر طبقه بندی کننده SVM کلاس دیگری را خروجی دهد. اگر کلاس نمونه نادرست بود، کلاس تجدید نظر می شد. این روند تا زمانی که ما مطمئن شدیم که نمونه ها فاقد اشتباه هستند، تکرار شد.

3.2. طبقه بندی SVM

اخیراً طبقه‌بندی‌کننده SVM به طور گسترده در طبقه‌بندی سنجش از راه دور با نتایج خوبی استفاده شده است [ 71 ، 72 ، 73 ]. SVM از تابع هسته برای ترسیم فضای ویژگی های طیفی به فضای با ابعاد بالا استفاده می کند و محصول داخلی را در این فضای با ابعاد بالا محاسبه می کند. SVM با استفاده از یک ابر صفحه بهینه، که بر اساس نمونه های پشتیبانی محدود تعیین می شود، طبقه بندی را انجام می دهد [ 74 ]. SVM می تواند با تعداد نسبتاً کمی از نمونه های آموزشی به دقت طبقه بندی بالایی دست یابد [ 73 ]. در این مطالعه از بسته نرم افزاری Libsvm (نسخه 3.18) استفاده شد [ 75]. این بسته نرم افزاری می تواند داده های ورودی را نرمال کرده و پارامترهای بهینه را جستجو کند. باندهای 1-5 و 7 تصاویر Landsat به عنوان داده های ورودی اصلی برای طبقه بندی کننده SVM تنظیم شدند. داده های شیب از DEM نیز در طبقه بندی گنجانده شد. بنابراین داده های ورودی سال 2000 دارای 19 لایه شامل یک لایه شیب و 18 باند (هر صحنه مطابق با 6 باند) از تصاویر لندست از سه صحنه بود. هر صحنه به صورت جداگانه طبقه بندی شد و نتایج شش صحنه با هم موزاییک شد.

در طول طبقه بندی، 19 لایه با استفاده از تابع مقیاس نرمال سازی شدند و تابع پایه شعاعی (RBF) به عنوان تابع هسته تنظیم شد. بسته نرم افزاری Libsvm تست های طبقه بندی متعددی را برای جستجوی پارامترهای بهینه با تنظیم طول مرحله جستجوی پارامترها انجام داد. به طور خاص، نمونه های هر صحنه ابتدا در محدوده [-1، +1] مقیاس بندی شدند. سپس، svm_type به عنوان c_svc تنظیم شد. اعتبار متقابل 10 برابری انجام شد. و طول گام پارامتر جریمه و پارامتر گاما در RBF بر روی 1 تنظیم شد. آستانه پایان تکرار 0.001 بود. طبقه بندی SVM پس از تعیین پارامترهای مدل بهینه انجام شد.

3.3. تقسیم بندی تصویر

الگوریتم تغییر میانگین به طور گسترده در بخش بندی تصویر و ردیابی شناسایی استفاده شده است [ 76 ، 77 ]. به عنوان یک روش تخمین چگالی هسته، جابجایی میانگین نیازی به دانش قبلی از تعداد بخش‌بندی‌ها ندارد و هیچ محدودیتی برای شکل قطعه‌بندی شده تعیین نمی‌کند [ 78 ]. در این تحقیق از نرم افزار EDISON V1.1 استفاده شد. 18 باند بازتابی از سه صحنه تصاویر Landsat بر اساس تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش تکرارهای محاسباتی تغییر میانگین تبدیل شدند. سه مؤلفه اصلی اول به عنوان لایه های تقسیم شده انتخاب شدند. تابع گاوسی به عنوان تابع هسته در نظر گرفته شد و پهنای باند فضای هندسی و فضای رنگی به ترتیب 15 و 9.5 تنظیم شد.

در این مطالعه، شی قطعه بندی شده به عنوان داده ورودی برای طبقه بندی کننده SVM تنظیم نشده است. مجموعه‌ای از آستانه‌های مناسب با توجه به درصد مساحت کلاس‌های درون یک شی برای تعیین اینکه آیا شی متعلق به کلاس سطح غیرقابل نفوذ است یا خیر، استفاده شد. جنگل و زمین های زراعی خشک از عوامل اصلی بودند زیرا عوامل تداخلی به سکونتگاه های روستایی عمدتاً شامل درختان و زمین های کشاورزی خشک اطراف یا داخل سکونتگاه های روستایی بود. اجسام تقسیم‌بندی شده با طبقه‌بندی SVM پوشانده شدند تا سطح غیرقابل نفوذ را اصلاح کنند. به طور کلی، اگر کسری مساحت سطح نفوذناپذیر (A _i )، جنگل (A _f ) و زمین کشاورزی خشک ( _Ad) در یک جسم که شرایط قضاوت را برآورده می کرد، چند ضلعی به عنوان یک سطح غیرقابل نفوذ تعیین شد. این آستانه ها بر اساس آزمون های متعدد انتخاب شدند. قوانین زیر از طریق استخراج طبقه ای از سطح نفوذناپذیر طراحی شده است:

اگر A _i ≥ 50% باشد، کلاس = سطح غیرقابل نفوذ،

(1)

اگر 40٪ ≤ A _i < 50٪ و 40٪ ≤ A _f < 50٪، کلاس = سطح غیر قابل نفوذ،

(2)

اگر 30 % ≤ A _i < 40 % و 30 % ≤ A _f < 40 % و 10 % ≤ A _d < 30 % ، کلاس = سطح نفوذناپذیر

(3)

که در آن A _i ، A _f و Ad به ترتیب کسرهای مساحت سطح غیرقابل نفوذ، جنگل و زمین کشاورزی خشک هستند.

سکونتگاه‌های روستایی عمدتاً در معرض خطاهای حذف قرار می‌گیرند، بنابراین اشیاء به عنوان سطوح غیرقابل نفوذ طبقه‌بندی می‌شوند که پیکسل‌های Ai بیشتر از 50 درصد در یک شی قطعه‌بندی شده باشد. اگر یک شی بیش از 40 درصد پیکسل های سطحی غیرقابل نفوذ و پیکسل های جنگلی داشته باشد، کل پیکسل های این دو کلاس بیش از 80 درصد است. اساساً سکونتگاه های روستایی با این وضعیت مطابقت داشت. اکثر اجسام سطحی غیرقابل نفوذ از طریق این دو معادله شناسایی شدند. معادله پیشنهادی (3) در نظر گرفت که نسبت سکونتگاه‌های روستایی، درختان و زمین‌های زراعی همگی نسبتاً کم است.

علاوه بر این، اگر یک تکه سطح غیرقابل نفوذ کوچک در یک جسم بزرگ قرار داشته باشد، درصد مساحت لکه سطحی کوچک غیرقابل نفوذ ممکن است کمتر از 30٪ باشد. بنابراین، وصله سطح غیرقابل نفوذ حذف می شود، حتی اگر وصله سطح غیرقابل نفوذ به درستی طبقه بندی شده باشد. یک قانون اضافی برای جلوگیری از این وضعیت تنظیم شد: اگر یک وصله سطح غیرقابل نفوذ بیش از 10 پیکسل مجاور را تشکیل می داد، وصله سطح غیرقابل نفوذ بدون توجه به درصد کلاس ها در یک شی ذخیره می شود. اگر یک وصله سطح غیرقابل نفوذ حذف شود، کلاس مجاور با بیشترین مساحت به مکان حذف شده اختصاص داده می شود.

3.4. تغییر پوشش زمین

برای تشخیص ناحیه تغییر یافته از الگوریتم IR-MAD استفاده شد و سپس تصاویر TM ناحیه تغییر یافته توسط طبقه بندی کننده SVM طبقه بندی شدند. IR-MAD پیکسل های بدون تغییر را با محاسبه تکراری توزیع کای دو تفاوت در تصاویر دو زمانی قضاوت کرد [ 52 ، 57 ]. IR-MAD به صورت خطی تصاویر اصلی را تغییر داد $R$ و $T$ به تصاویر جدید $U$ و $V$ بر اساس تحلیل همبستگی متعارف (CCA) در رابطه (4):

U = آ تی R ، V = ب تی تی ،

(4)

جایی که $U$ و $V$ تصاویر همبستگی متعارف هستند، $a^{T}$ و $b^{T}$ ماتریس های تبدیل و R و T تصاویر دو زمانی هستند.

باندهای تصاویر همبستگی متعارف به عنوان متغیرهای متعارف نامیده شدند. متغیرهای متعارف بر اساس همبستگی ها مرتب شدند. اگر همبستگی نسبتاً کم بود، این جفت متغیر متعارف اطلاعات تغییر بیشتری داشتند. تفاوت در هر جفت از متغیرهای متعارف متقابل بی همبستگی بود.

با توجه به قضیه حد مرکزی، تفاوت در متغیرهای متعارف تقریباً با یک توزیع گاوسی مطابقت دارد، و مجموع مجذورات تفاوت در متغیرهای متعارف با یک توزیع کای دو مطابقت دارد [52 ، 57 ] . تفاوت در متغیرهای متعارف و وزن پیکسل های بدون تغییر با استفاده از معادلات (5) – (7) محاسبه شد:

م من = U ن - i + 1 - V ن - i + 1, i = 1, 2, \dots, N ،

(5)

ز = \sum i = 1 ن (م من σ م من) 2 ،

(6)

Pr (n o c h a n g e) = 1 - پ χ 2; ن (Z) ،

(7)

جایی که $i$ نوار تصویر است، $M_{i}$ تفاوت در تغییرات است، $σ_{M_{i}}$ انحراف معیار است $M_{i}$ ، $N$ تعداد کل باندها است، $P_{χ^{2}; N} (Z)$ هست $χ^{2}$ توزیع شده با $N$ درجات آزادی و $\Pr (n o c h a n g e)$ وزن است.

\Pr (n o c h a n g e)

برای وزن کردن هر پیکسل استفاده شد. سپس معادلات (4) – (7) تا زمانی که هیچ تغییر معنی‌داری در همبستگی‌های متعارف مشاهده نشد، تکرار شد. اگر احتمال توزیع کای اسکوئر کمتر از 0.9 باشد، این پیکسل ها می توانند به عنوان پیکسل های بدون تغییر تعیین شوند [ 52 ].

در این مطالعه، تصاویر مجذور کای مربوط به سال‌های 2010 و 1990 را بر اساس تصاویر سال 2000 محاسبه کردیم. آستانه کمی کمتر از 0.95 بود که توسط توسعه‌دهنده تعیین شده بود، بنابراین برخی از پیکسل‌های بدون تغییر در ناحیه شناسایی‌شده انتخاب شدند. اگرچه برخی از پیکسل‌های بدون تغییر اضافی انتخاب شدند، اغلب پیکسل‌های تغییر یافته انتخاب شدند، بنابراین خطای حذف کاهش یافت.

نمونه ها از ناحیه بدون تغییر برای طبقه بندی پیکسل های تغییر یافته با طبقه بندی SVM جمع آوری شدند. پوشش های زمین از سال 1990 و 2010 با به روز رسانی پوشش زمین از سال 2000 با طبقه بندی مناطق تغییر یافته برای سال های 1990 و 2010 تولید شدند. شکل 3 این روند را نشان می دهد.

4. نتایج

4.1. ارزیابی دقت

نمونه های ارزیابی از طریق نمونه گیری تصادفی طبقه ای انتخاب شدند. زمین های لخت و پوشش گیاهی آبزی کمترین نسبت مساحت را داشتند، بنابراین نکاتی را به این دو طبقه تکمیل کردیم. کلاس نمونه ارزیابی با تفسیر بصری مشخص شد. در مجموع 526 امتیاز از این نه کلاس برای ارزیابی دقت طبقه بندی جمع آوری شد. نقاط ارزیابی خام و ماتریس های خطا در مواد تکمیلی نشان داده شد . ماتریس خطا برای محاسبه دقت کلی، ضریب کاپا، دقت کاربر و دقت تولید کننده برای سه دوره استفاده شد [ 79]. دقت کلی نسبت مساحتی است که به درستی نقشه برداری شده است. دقت کاربر نسبت پیکسل‌های طبقه‌بندی‌شده درست با توجه به تمام پیکسل‌هایی است که در تصویر طبقه‌بندی‌شده به عنوان این کلاس طبقه‌بندی می‌شوند. دقت تولید کننده نسبت پیکسل های طبقه بندی شده صحیح با توجه به تمام پیکسل های آن کلاس حقیقت زمینی است [ 80 ]. دقت کلی، دقت کاربر و صحت تولید کننده بر حسب برآوردگر بی طرفانه نسبت مساحت تعدیل شد [ 80 ]. فرآیند محاسبه خاص در معادلات (8) – (11) [ 81 ] نشان داده شده است. نتایج ارزیابی دقت در جدول 2 نشان داده شده است .

پ^من ج = (ن من _ ن) (n من ج n من _)

(8)

جایی که $N_{i .}$ تعداد پیکسل های کلاس i در کل نقشه است، $N$ تعداد پیکسل ها در کل نقشه است، $n_{i .}$ تعداد پیکسل های نمونه ای از کلاس i و است $n_{i j}$ تعداد نمونه در ردیف i (رده نقشه) و ستون j (رده مرجع) در ماتریس خطای تعداد نمونه است.

پ^PA = پ ^ من ج پ . j

(9)

پ^U آ = پ ^ من ج پ من _

(10)

پ^O A = \sum پ^k k

(11)

جایی که ${\hat{p}}_{PA}$ دقت تولید کننده تصحیح شده است، ${\hat{p}}_{UA}$ دقت کاربر تصحیح شده است و ${\hat{p}}_{OA}$ دقت کلی تصحیح شده است. $p_{. j}$ مجموع است ${\hat{p}}_{ij}$ در ستون j ماتریس خطای تخمینی. $p_{i .}$ مجموع است ${\hat{p}}_{ij}$ در ردیف i از ماتریس خطای تخمینی. ${\hat{p}}_{kk}$ مقدار مورب ماتریس خطای تخمینی است.

پوشش زمین در سال 2000 دارای بالاترین دقت کلی و ضریب کاپا بود که به ترتیب 13/89 درصد و 87/0 بود. دقت کلی و ضرایب کاپا برای سال های 1990 و 2010 به ترتیب 87.94% و 87.76% و 0.85 و 0.85 بود. به طور کلی، دقت برای سال 2000 بیشتر از آن برای سال 1990 بود، و دقت برای سال 1990 بیشتر از آن برای سال 2010 بود. با این حال، تفاوت جزئی بود. ما بیشتر نگران زمین های کشاورزی خشک، جنگل و سطح غیرقابل نفوذ در 9 طبقه بودیم. در واقع، این سه طبقه تقریباً 70 درصد از منطقه مورد مطالعه را تشکیل می‌دادند و بیشتر تحت تأثیر شهرنشینی قرار گرفتند. دقت کاربر و دقت تولید کننده این سه کلاس همگی از 80% فراتر رفته است.

یک منطقه فرعی برای مقایسه پوشش زمین در سال 2000 با مجموعه داده های کاربری/پوشش زمین (CLUDs) چین برای سال 2000 انتخاب شد [ 32 ]. این منطقه فرعی شامل کوه ها و دشت های مسیر لندست/ردیف 123/032 می باشد. پوشش های زمینی که در این مطالعه طبقه بندی شدند و CLUD ها در شکل 4 نشان داده شده است . شکل 4 a-c تصاویر Landsat را در سال های 1990، 2000 و 2010 نشان می دهد. شکل 4 d-f پوشش های زمینی را نشان می دهد که در این مطالعه برای شکل 4 a-c طبقه بندی شده اند. شکل 4 g CLUD برای سال 2000 است. این CLUD با تفسیر بصری [ 32] استخراج شده است.]. هنگام مقایسه پوشش زمین در سال 2000 با CLUD برای سال 2000، تفاوت های اصلی توزیع چمن و درختچه بود. مرزهای تفسیر شده از چمن و درختچه در این CLUD نقشه های مصنوعی بود. این چند ضلعی‌ها که توسط انسان ترسیم شده‌اند، نمی‌توانند به‌اندازه کافی درهم‌آمیزی و انتقال بین پوشش گیاهی را نشان دهند. با این حال، اگر آب در بستر رودخانه وجود نداشت، این منطقه به عنوان زمین برهنه یا علف در پوشش زمین برای سال 2000 طبقه بندی می شد. در CLUD برای سال 2000، این بستر رودخانه به عنوان رودخانه تفسیر شد. این تفاوت نشان دهنده انعطاف پذیری در تفسیر بصری است.

4.2. اصلاح سطح غیرقابل نفوذ

کلاس سطح غیرقابل نفوذ از SVM شامل بسیاری از لکه های نادرست نادرست است زیرا این کلاس تحت تأثیر پیچیدگی محیط است. با این حال، ادغام با اشیاء تقسیم شده به طور موثر این لکه های نادرست نادرست را کاهش داد.

سطح غیرقابل نفوذ یک تصویر فرعی به صورت بصری با اشاره به تصاویر با وضوح بالا برای ارزیابی اثر پالایش سطح غیرقابل نفوذ تفسیر شد. اطلاعات دقیق در جدول 3 نشان داده شده است. در این جدول، “بدون تغییر” به این معنی است که هیچ تغییری رخ نداده است. “add correct” نشان می دهد که سطح غیر قابل نفوذ به درستی به طبقه بندی SVM اضافه شده است. “خطای اضافه کردن” نشان می دهد که سطح نفوذ ناپذیر به اشتباه اضافه شده است. و “حذف صحیح” و “حذف خطا” به ترتیب به سطح غیرقابل نفوذ به درستی یا نادرست حذف شده اشاره دارد. درصد بر اساس مساحت زمین غیر قابل نفوذ که توسط SVM شناسایی شده بود محاسبه شد. به طور کلی، درصد پالایش صحیح بسیار بیشتر از درصد پالایش نادرست است. در این زیر ناحیه، درصد پیکسل های سطح غیرقابل نفوذی که به درستی اضافه و حذف شده اند به ترتیب 18.99 درصد و 13.48 درصد بوده است. درصد مربوط به اضافه و حذف نادرست به ترتیب 2.89% و 1.99% بود. از این رو،

شکل 5 سطح غیرقابل نفوذ محلی را نشان می دهد که توسط SVM طبقه بندی شده است، اجسامی که با روش تغییر میانگین تقسیم شده اند و سطح غیرقابل نفوذ تصفیه شده پس از سنتز SVM و نتایج تغییر میانگین تقسیم بندی شده اند. شکل 5 الف یک تصویر لندست با رنگ کاذب است. شکل 5 ب، مرز برداری اشیاء قطعه بندی شده را هنگامی که روی تصویر فرعی در شکل 5 الف قرار می گیرد، نشان می دهد. خطوط کلی سطح غیر قابل نفوذ به وضوح مشخص شده است. در شکل 5 ج، سطح غیر قابل نفوذ از SVM حاوی لکه های بی اهمیت بسیاری است. شکل 5 d سطح غیر قابل نفوذ تصفیه شده را نشان می دهد. اطلاعات دقیق در مورد ادغام در شکل 5 ارائه شده است .

4.3. ماسک را تغییر دهید

آستانه 0.9 به صورت دستی برای تصویر chi-square بر اساس الگوریتم IR-MAD برای استخراج ناحیه تغییر یافته انتخاب شد. شکل 6 تصاویر فرعی را نشان می دهد که شامل تغییرات پیچیده در کلاس های مختلف است. شکل 6 a,b تصویر فرعی Landsat با رنگ کاذب است که به ترتیب در 2 اوت 1999 و 22 سپتامبر 2009 به دست آمد. طبقات اصلی در تصاویر فرعی فرودگاه، شهرها، سکونتگاه های روستایی، زمین های کشاورزی خشک و رودخانه ها بودند. سایت فرودگاه در مرکز از سال 1999 تا 2009 تقریباً دو برابر شد. مناطق فیروزه ای روشن مربوط به ساختمان ها و جاده ها است. جنگل ها با رنگ قرمز تیره در گوشه بالایی در امتداد رودخانه نشان داده شده اند. مقدار قابل توجهی از زمین های کشاورزی خشک (قرمز روشن یا فیروزه ای روشن) به سطح غیر قابل نفوذ تبدیل شد. شکل 6c تصویر خی مربع است. مقادیر مقیاس خاکستری شدت تغییرات را منعکس می کند. تصویر مربع کای پاسخ واضحی به این تغییرات کلاس نشان داد. شکل 6 d ماسک ناحیه تغییر یافته به رنگ زرد است و پس زمینه تصویر فرعی در شکل 6 a است. واضح است که تغییرات چشمگیری در اطراف فرودگاه رخ داده است.

4.4. پوشش زمین و تغییر

پوشش زمین در منطقه BTT طی دو دهه گذشته به طرز چشمگیری تغییر کرده است. مساحت کل منطقه مورد مطالعه در سالهای 1990، 2000 و 2010 به ترتیب 55508 کیلومتر ^مربع ، 55660 کیلومتر ^مربع و 55855 کیلومتر ^مربع بوده است . بنابراین، این منطقه از سال 1990 تا 2000 و از 2000 تا 2010 به ترتیب 152 کیلومتر ^مربع و 195 کیلومتر ^{مربع افزایش یافت.}مناطق افزایش یافته مربوط به احیای دریا بود و بنابراین در منطقه ساحلی متمرکز شد. افزایش زمین از دریا عمدتاً شامل سطح غیرقابل نفوذ و زمین برهنه بود. نقشه های پوشش زمین برای سه دوره در شکل 7 و جزئیات محلی در شکل 4 نشان داده شده است .

مناطق و نسبت طبقات برای تصحیح خطای تخمینی بر اساس نمونه های ارزیابی تنظیم شد. مناطق و نسبت های تنظیم شده در جدول 4 نشان داده شده است . نسبت هر کلاس برای سه دوره نیز در شکل 8 نشان داده شده است .

مجموع مساحت زمین های کشاورزی خشک، جنگل و سطح غیرقابل نفوذ همواره از 70 درصد کل مساحت مورد مطالعه در طول دو دهه مورد تجزیه و تحلیل فراتر رفته است. قابل توجه ترین تغییرات کاهش زمین های زراعی و افزایش سطح غیرقابل نفوذ بین سال های 1990 تا 2010 بود. زمین های کشاورزی خشک به طور قابل توجهی از سال 1990 تا 2000 تغییر کرد و به میزان 1260 کیلومتر مربع کاهش یافت ^.، با کاهش نسبت آن از کل مساحت از 47.1٪ به 44.7٪. پس از آن، زمین های کشاورزی خشک بیشتر از 2000-2010 به 42.09٪ کاهش یافت. مساحت شالیزارها در سال 1990 تقریباً 5.76 درصد بوده و در سال 2000 و 2010 به ترتیب به 4.92 درصد و 2.95 درصد کاهش یافته است. در مقابل، مساحت سطح نفوذناپذیر در طول دوره مورد مطالعه بیشترین افزایش را داشت. مساحت سطح غیرقابل نفوذ از 8.72٪ تا 11.45٪ از 1990-2000 و سپس به 16.94٪ تا سال 2010 افزایش یافته است که تنها در دو دهه تقریباً دو برابر شده است. افزایش سطح غیرقابل نفوذ بیشتر ناشی از تبدیل زمین های قابل کشت است. در واقع، تقریباً 90 درصد از مساحت افزایش‌یافته سطح غیرقابل نفوذ بین سال‌های 1990 و 2000 در اصل زمین‌های قابل کشت بوده است. از سال 2000 تا 2010، این مقدار تقریبا 80٪ بود.

در مقایسه با تغییرات مشاهده شده در مناطق خشک زراعی و سطح غیرقابل نفوذ، تغییرات در مناطق دیگر طبقات نسبتاً کم بود. مساحت جنگل از سال 1990 تا 2000 کاهش جزئی را نشان داد و به دنبال آن تا سال 2010 0.72 درصد افزایش یافت. مساحت جنگل کاهش یافته عمدتاً از سال 1990 تا 2000 به زمین های کشاورزی خشک و سطح غیرقابل نفوذ تبدیل شد. از آغاز سال 1999، چین شروع به تبدیل زمین های زراعی به جنگل کرد، بنابراین برخی از زمین های کشاورزی خشک با شیب های تند و برخی از زمین های بوته ای به زمین های جنگلی تبدیل شدند. اگرچه توده‌های آبی افزایش‌هایی داشتند (یعنی دریای محصور)، اما کل مساحتی که توسط بدنه‌های آبی پوشانده شده بود به طور مداوم کاهش می‌یابد. واضح است که سطح آب مخازن این منطقه کاهش یافته است.

5. بحث

5.1. ادغام روش‌های طبقه‌بندی مبتنی بر پیکسل و شی‌محور

ترکیب طبقه‌بندی مبتنی بر پیکسل و تقسیم‌بندی تصویر مبتنی بر شی در این مطالعه حیاتی بود. مشخصات سطح زمین منطقه مورد مطالعه بسیار پیچیده است. به عنوان مثال، برخی از زمین های کشاورزی کاشته نشده بودند، بنابراین ویژگی های طیفی آن مشابه زمین های بایر و ساختمان ها بود. بسیاری از گلخانه ها در زمین های کشاورزی قرار داشتند و در تصاویر چند طیفی شبیه به سکونتگاه های روستایی به نظر می رسیدند. علاوه بر این، ساختمان‌ها در برخی از سکونتگاه‌های روستایی توسط درختان محافظت می‌شد. این وضعیت در مناطق شهری چندان رایج نیست زیرا ساختمان ها به طور کلی بلندتر از درختان هستند. در طول طبقه‌بندی، برخی از سکونتگاه‌های روستایی در هنگام استفاده از طبقه‌بندی کننده SVM به عنوان چندین مؤلفه جدا شده طبقه‌بندی شدند. با این حال، ساختمان ها و درختان در این سکونتگاه های روستایی را می توان به عنوان یک شی تقسیم بندی کرد. این اشیاء می‌توانند شامل یک یا چند نوع پیکسل پوشش زمین باشند، بنابراین ویژگی‌های طیفی این اشیاء پیچیده‌تر از پیکسل‌های منفرد بود. بنابراین، طبقه بندی این اشیاء به اطلاعات بیشتری مانند شکل، محیط، مساحت و مکان نسبت به سایر اشیاء نیاز داشت. هنگامی که ما سعی کردیم از برخی ویژگی‌های شی، مانند میانگین، میانه، حداکثر و حداقل، به عنوان داده‌های ورودی طبقه‌بندی‌کننده SVM استفاده کنیم، نتایج طبقه‌بندی نسبت به مواردی که فقط بر اساس پیکسل‌ها بودند، بهبود نیافت. در واقع، مقادیر میانگین، حداکثر و حداقل اشیا به طور گسترده ای متفاوت است، به ویژه برای اشیاء با پیکسل های چند کلاس. بنابراین، شناسایی اشیاء نیاز به دانش بیشتری دارد، مانند رابطه بین اشیاء، الگوی توزیع پیکسل ها در یک شی و شکل جسم.

تقسیم بندی تصویر به طور کلی نیاز به تنظیم پارامترهای تقسیم بندی دارد. با این حال، تفاوت‌های زیادی در مقیاس فضایی بین طبقات پوشش زمین وجود داشت، بنابراین تقسیم‌بندی صحیح تصاویر برای همه طبقات پوشش زمین با یک پارامتر مقیاس فضایی دشوار بود. در این مطالعه، پارامترهای تقسیم‌بندی در مقیاسی تنظیم شدند که برای سکونتگاه‌های روستایی مناسب باشد تا دقت طبقه‌بندی سطح نفوذناپذیر را بهبود بخشد. ما عمدتاً نسبت ساختمان‌ها، درختان و زمین‌های کشاورزی را در یک شی واحد در نظر گرفتیم تا مزایای هر دو رویکرد مبتنی بر پیکسل و مبتنی بر شی را ترکیب کنیم. در این مطالعه، خطای مرتبط با سطح غیرقابل نفوذ بر اساس طبقه‌بندی کننده SVM، عمدتاً خطای حذف بود. از این رو، آستانه ها برای تکمیل سطح غیرقابل نفوذ هنگام ترکیب نتایج طبقه بندی SVM و اشیاء قطعه بندی شده تنظیم شدند. در نهایت، شکاف‌های سطح غیرقابل نفوذ پر شد و تکه‌های کوچک طبقه‌بندی‌شده حذف شدند. قوانین یکپارچه سازی را می توان به راحتی درک کرد، اما قوانین با آزمایش های زیادی ساخته شدند. این قوانین قوانین تجربی بودند و باید برای مناطق مختلف یا انواع مختلف دوباره طراحی شوند. علاوه بر این، انواع با تفاوت‌های مقیاس بزرگ به دلیل محدودیت‌های پارامترهای مقیاس تقسیم‌بندی، به اندازه کافی بخش‌بندی نمی‌شوند. تقسیم بندی خودسازگار می تواند یک راه حل بالقوه باشد. اما قوانین با آزمایش های زیادی ساخته شدند. این قوانین قوانین تجربی بودند و باید برای مناطق مختلف یا انواع مختلف دوباره طراحی شوند. علاوه بر این، انواع با تفاوت‌های مقیاس بزرگ به دلیل محدودیت‌های پارامترهای مقیاس تقسیم‌بندی، به اندازه کافی بخش‌بندی نمی‌شوند. تقسیم بندی خودسازگار می تواند یک راه حل بالقوه باشد. اما قوانین با آزمایش های زیادی ساخته شدند. این قوانین قوانین تجربی بودند و باید برای مناطق مختلف یا انواع مختلف دوباره طراحی شوند. علاوه بر این، انواع با تفاوت‌های مقیاس بزرگ به دلیل محدودیت‌های پارامترهای مقیاس تقسیم‌بندی، به اندازه کافی بخش‌بندی نمی‌شوند. تقسیم بندی خودسازگار می تواند یک راه حل بالقوه باشد.

5.2. تشخیص تغییر

استفاده از یک روش طبقه‌بندی ثابت برای اطمینان از اینکه نتایج طبقه‌بندی برای دوره‌های مختلف قابل مقایسه هستند، حیاتی است. ویژگی های طیفی پوشش های مختلف زمین معمولاً دارای برخی سردرگمی ها یا همپوشانی هستند و همیشه با یک مرز مشخص از هم جدا نمی شوند. انتقال بین برخی از طبقات، مانند بین زمین های بایر و علفزارهای کم و بین تالاب ها و توده های آبی، پیوسته است. خطاهای طبقه بندی اغلب در نزدیکی مرزهای بین این کلاس ها به دلیل شباهت طیفی آنها ظاهر می شود. هر تصویر ماهواره ای دارای هندسه نور خورشید و ویژگی های آب و هوایی منحصر به فرد است. علیرغم استفاده از طبقه‌بندی‌کننده یکسان برای طبقه‌بندی تصاویری که در تاریخ‌های مختلف به‌دست می‌آیند، اطمینان از اینکه مرزهای پوشش زمین بدون تغییر در منطقه انتقال به طور مشابه شناسایی می‌شوند دشوار است. این نوع ناهماهنگی در مناطق مرزی مجاور می تواند منجر به خطا در مقایسه پوشش زمین بین دوره های مختلف شود. به طور کلی، تنها بخشی از پوشش زمین در یک منطقه در یک دوره معین تغییر می کند. خطا در تغییرات پوشش اراضی کمتر است اگر فقط مناطق تغییر یافته به روز شوند و مناطق بدون تغییر حفظ شوند. با این حال، به روز رسانی منطقه تغییر یافته به ویژه بر توانایی شناسایی دقیق منطقه تغییر یافته متکی است. اگر ناحیه تغییر یافته شناسایی شده به طور قابل ملاحظه ای بیشتر از ناحیه تغییر یافته واقعی باشد، اثر به روز رسانی مانند طبقه بندی کل تصویر است. در مقابل، خطای حذف در صورتی افزایش می یابد که ناحیه تغییر یافته شناسایی شده کمتر از ناحیه تغییر یافته واقعی باشد. با این حال، اگر منطقه تغییر یافته به درستی قابل شناسایی باشد،

در این مطالعه، آستانه پیکسل‌های تغییر یافته کمی کمتر از آستانه توصیه‌شده توسط توسعه‌دهنده نرم‌افزار تعیین شد، بنابراین ناحیه تغییر یافته شناسایی‌شده کمی بیشتر از منطقه تغییر یافته واقعی بود. این انتخاب برای کاهش خطای حذف انجام شده است. به طور کلی، روش به روز رسانی منطقه تغییر یافته، محاسبات مورد نیاز برای طبقه بندی را کاهش داد و ثبات پوشش زمین را بین دوره های مختلف بهبود بخشید.

6. نتیجه گیری

روند شهرنشینی چین به طور مداوم پیشرفت کرده است و برخی از تجمعات شهری شکل گرفته است. این شهرنشینی منجر به تغییرات مکرر و شدید پوشش زمین شده است و در نتیجه بر اقلیم محلی تأثیر می گذارد. تصاویر چند زمانی Landsat و داده های جانبی برای استخراج اطلاعات LCLUC برای تجمع شهری BTT طبقه بندی شدند.

در این مطالعه، طبقه‌بندی‌کننده SVM برای طبقه‌بندی تصاویر لندست چند زمانی که در سال 2000 به‌دست آمدند، استفاده شد. روش تشخیص تغییر IR-MAD برای به روز رسانی پوشش زمین در سال های 1990 و 2010 بر اساس پوشش زمین در سال 2000 استفاده شد. در نهایت، پوشش های زمین ثابت برای سال های 1990، 2000 و 2010 توسعه یافتند. قابل توجه، مساحت زمین های قابل کشت در BTT است. تراکم شهری در دو دهه گذشته کاهش یافته است، در حالی که سطح غیر قابل نفوذ افزایش یافته است. مساحت سطح غیرقابل نفوذ از سال 1990 تا 2010 تقریباً دو برابر افزایش یافته است. در همین حال، کاهش سطح زمین های قابل کشت شامل زمین های کشاورزی خشک و شالیزارها، کمی کمتر از مساحت افزایش یافته سطح غیرقابل نفوذ بود. روشی که در این مطالعه مورد استفاده قرار گرفت، پس از تایید نتایج طبقه‌بندی، کارآمدی خود را اثبات کرد. بنابراین، این روش می تواند برای کاربردهای مشابه استفاده شود.

منابع

گونگ، پی. وانگ، جی. یو، ال. ژائو، ی. ژائو، ی. لیانگ، ال. نیو، ز. هوانگ، ایکس. فو، اچ. لیو، اس. و همکاران مشاهده و نظارت با وضوح دقیق تر پوشش زمین جهانی: اولین نتایج نقشه برداری با داده های Landsat TM و ETM+. بین المللی J. Remote Sens. 2013 ، 34 ، 2607-2654. [ Google Scholar ] [ CrossRef ]
دنگ، ایکس. شی، س. ژانگ، کیو. شی، سی. یین، اف. اثرات استفاده از زمین و تغییرات پوشش زمین بر انرژی سطحی و تعادل آب در حوضه رودخانه هیه چین، 2000-2010. فیزیک شیمی. Earth Parts A/B/C 2015 ، 79–82 ، 2–10. [ Google Scholar ] [ CrossRef ]
چن، ی. لی، ایکس. لیو، ایکس. Ai, B. تجزیه و تحلیل تغییر پوشش زمین و اثرات مربوطه بر بودجه کربن در یک منطقه نیمه گرمسیری در حال توسعه سریع با ادغام تصاویر MODIS و Landsat TM/ETM+. Appl. Geogr. 2013 ، 45 ، 10-21. [ Google Scholar ] [ CrossRef ]
یرا، ی. دیککروگر، بی. استیپ، جی. Bossa، AY مدل‌سازی اثرات تغییر کاربری زمین بر منابع آب در حوضه آبریز استوایی غرب آفریقا (دانو، بورکینافاسو). جی هیدرول. 2016 ، 537 ، 187-199. [ Google Scholar ] [ CrossRef ]
Pielke، RA استفاده از زمین و تغییرات آب و هوا. Science 2005 ، 310 ، 1625-1626. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بوکانان، جنرال موتورز; نلسون، ا. مایو، پی. هارتلی، ا. دونالد، PF ارائه یک سیستم مشاهده جهانی، زمینی، تنوع زیستی از طریق سنجش از دور. حفظ کنید. Biol. 2009 ، 23 ، 499-502. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بونتمپس، اس. هرولد، ام. کویسترا، ال. ون گرونشتین، ا. هارتلی، ا. آرینو، او. مورو، آی. Defourny، P. بازبینی مشاهده پوشش زمین برای رفع نیازهای جامعه مدل‌سازی آب و هوا. Biogeosciences 2012 ، 9 ، 2145-2157. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Turner II, BL; اسکول، دی. ساندرسون، اس. فیشر، جی. فرسکو، ال. Leemans, R. تغییر کاربری و پوشش زمین ; طرح علمی/پژوهشی; IGBP: استکهلم، سوئد، 1995; پ. 132. [ Google Scholar ]
عدالت، CO; اسمیت، آر. گیل، AM; Csiszar، I. مروری بر نظارت بر آتش‌های فضایی فعلی در استرالیا و برنامه gofc/gold برای هماهنگی بین‌المللی. بین المللی J. Wildland Fire 2003 ، 12 ، 247-258. [ Google Scholar ] [ CrossRef ]
روزنکویست، ا. شیمادا، م. چپمن، بی. فریمن، ا. دی گراندی، جی. ساعتچی، س. Rauste, Y. پروژه نقشه برداری جنگل های بارانی جهانی – بررسی. بین المللی J. Remote Sens. 2000 ، 21 ، 1375-1387. [ Google Scholar ] [ CrossRef ]
کای، اچ. یانگ، ایکس. شو، X. الگوهای فضایی-زمانی تجاوز شهری به زمین‌های زراعی و اثرات آن بر بهره‌وری بالقوه کشاورزی در چین. Remote Sens. 2013 , 5 , 6443–6460. [ Google Scholar ] [ CrossRef ]
سو، اس. جیانگ، ز. ژانگ، Q. Zhang، Y. تبدیل مناظر کشاورزی تحت شهرنشینی سریع: تهدیدی برای پایداری در منطقه Hang-Jia-Hu، چین. Appl. Geogr. 2011 ، 31 ، 439-449. [ Google Scholar ] [ CrossRef ]
لی، بی. چن، دی. وو، اس. ژو، اس. وانگ، تی. چن، اچ. ارزیابی فضایی و زمانی اثرات شهرنشینی بر خدمات اکوسیستم: مطالعه موردی شهر نانجینگ، چین. شاخص های زیست محیطی 2016 ، 71 ، 416-427. [ Google Scholar ] [ CrossRef ]
ژانگ، Q. سو، S. عوامل تعیین کننده گسترش شهری و اهمیت نسبی آنها: تحلیل مقایسه ای 30 کلانشهر بزرگ در چین. Habitat Int. 2016 ، 58 ، 89-107. [ Google Scholar ] [ CrossRef ]
لی، ایکس. ژو، دبلیو. اویانگ، ز. خو، دبلیو. ژنگ، اچ. الگوی فضایی فضای سبز بر دمای سطح زمین تأثیر می گذارد: شواهد از منطقه شهری پکن، چین. Landsc. Ecol. 2012 ، 27 ، 887-898. [ Google Scholar ] [ CrossRef ]
اودیندی، جو. بانگاموابو، وی. Mutanga، O. ارزیابی ارزش فضاهای سبز شهری در کاهش گرمای چند فصلی شهری با استفاده از دمای سطح زمین MODIS (LST) و داده‌های Landsat 8. بین المللی جی. محیط زیست. Res. 2015 ، 9 ، 9-18. [ Google Scholar ]
چن، XL; ژائو، اچ ام. Li، PX; یین، ZY تحلیل مبتنی بر تصویر سنجش از دور رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین. سنسور از راه دور محیط. 2006 ، 104 ، 133-146. [ Google Scholar ] [ CrossRef ]
دو، اچ. وانگ، دی. وانگ، ی. ژائو، ایکس. کین، اف. جیانگ، اچ. Cai، Y. تأثیر انواع پوشش زمین، شرایط هواشناسی، گرمای انسانی و منطقه شهری در سطح جزیره گرمایی شهری در تراکم شهری دلتای رودخانه یانگ تسه. علمی کل محیط. 2016 ، 571 ، 461-470. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ساتو، ی. هیگوچی، ا. تاکامی، ع. موراکامی، ا. ماسوتومی، ی. تسوچیا، ک. گوتو، دی. ناکاجیما، T. تنوع منطقه ای در تأثیرات استفاده از زمین در آینده بر دمای تابستان در منطقه کانتو، ابرشهر ژاپن. شهری برای. سبز شهری. 2016 ، 20 ، 43-55. [ Google Scholar ] [ CrossRef ]
پنبه، WR; Pielke، RA; Walko، RL; لیستون، جنرال الکتریک؛ ترمبک، سی جی; جیانگ، اچ. McAnelly، RL; هرینگتون، جی. نیکولز، من؛ Carrio، GG; و همکاران RAMS 2001: وضعیت فعلی و مسیرهای آینده. هواشناسی اتمس. فیزیک 2003 ، 82 ، 5-29. [ Google Scholar ] [ CrossRef ]
لاولند، TR; رید، ق.م. براون، ج.اف. Ohlen، DO; زو، ز. یانگ، ال. Merchant، JW توسعه پایگاه داده خصوصیات پوشش زمین جهانی و IGBP از داده های AVHRR 1 کیلومتری کشف می کند. بین المللی J. Remote Sens. 2000 ، 21 ، 1303-1330. [ Google Scholar ] [ CrossRef ]
مک کوئین، جی تی; والیگورا، RA; Stunder، BJB ارزیابی مدل RAMS برای تخمین شارهای آشفته بر فراز خلیج چساپیک. اتمس. محیط زیست 1997 ، 31 ، 3803-3819. [ Google Scholar ] [ CrossRef ]
سانتوس-آلامیلوس، FJ; پوزو-وازکز، دی. رویز-آریاس، ج.ا. Tovar-Pescador، J. تأثیر سوء بیان کاربری زمین بر دقت برآوردهای باد WRF: ارزیابی نقشه‌های GLCC و Corine استفاده از زمین در جنوب اسپانیا. اتمس. Res. 2015 ، 157 ، 17-28. [ Google Scholar ] [ CrossRef ]
محمود، ر. لیپر، آر. Quintanar، هوش مصنوعی حساسیت جو لایه مرزی سیاره ای به تغییرات تاریخی و آینده کاربری زمین/پوشش زمین، کسر پوشش گیاهی و رطوبت خاک در کنتاکی غربی، ایالات متحده. گلوب. سیاره. چانگ. 2011 ، 78 ، 36-53. [ Google Scholar ] [ CrossRef ]
هانسن، ام سی; Defries، RS; تاونشند، جی آر جی؛ Sohlberg، R. طبقه بندی پوشش زمین جهانی در تفکیک مکانی 1 کیلومتر با استفاده از رویکرد درخت طبقه بندی. بین المللی J. Remote Sens. 2000 ، 21 ، 1331-1364. [ Google Scholar ] [ CrossRef ]
فریدل، MA; سولا مناشه، د. تان، بی. اشنایدر، آ. رامانکوتی، ن. سیبلی، ا. Huang, X. MODIS مجموعه 5 پوشش جهانی زمین: اصلاحات الگوریتم و خصوصیات مجموعه داده های جدید. سنسور از راه دور محیط. 2010 ، 114 ، 168-182. [ Google Scholar ] [ CrossRef ]
An، Y. ژائو، دبلیو. ژانگ، ی. ارزیابی‌های دقت مجموعه داده‌های پوشش جهانی با استفاده از موجودی‌های آماری جهانی و داده‌های سایت fluxnet. Acta Ecol. گناه 2012 ، 32 ، 314-320. [ Google Scholar ] [ CrossRef ]
بارتولوم، ای. Belward، AS GLC2000: رویکردی جدید برای نقشه برداری جهانی پوشش زمین از داده های رصد زمین. بین المللی J. Remote Sens. 2005 ، 26 ، 1959-1977. [ Google Scholar ] [ CrossRef ]
سرتل، ای. روبوک، ا. Ormeci، C. اثرات کیفیت داده های پوشش زمین بر شبیه سازی آب و هوای منطقه ای. بین المللی جی.کلیماتول. 2010 ، 30 ، 1942-1953. [ Google Scholar ] [ CrossRef ]
جی، جی. چی، جی. Lofgren، BM; مور، ن. توربیک، ن. اولسون، JM اثرات دقت طبقه‌بندی کاربری/پوشش زمین در شبیه‌سازی آب و هوای منطقه‌ای. جی. ژئوفیس. Res. اتمس. 2007 112 . _ [ Google Scholar ] [ CrossRef ]
چن، جی. چن، جی. لیائو، ا. کائو، ایکس. چن، ال. چن، ایکس. او، سی. آویزان شدن.؛ پنگ، اس. لو، ام. و همکاران نقشه برداری جهانی پوشش زمین با وضوح 30 متر: یک رویکرد عملیاتی مبتنی بر پوک ISPRS J. Photogram. Remote Sens. 2015 ، 103 ، 7-27. [ Google Scholar ] [ CrossRef ]
لیو، جی. کوانگ، دبلیو. ژانگ، ز. خو، X. Qin، Y. نینگ، جی. ژو، دبلیو. ژانگ، اس. لی، آر. یان، سی. و همکاران ویژگی‌های مکانی-زمانی، الگوها و علل تغییرات کاربری زمین در چین از اواخر دهه 1980 جی. جئوگر. علمی 2014 ، 24 ، 195-210. [ Google Scholar ] [ CrossRef ]
تیان، ی. یین، ک. لو، دی. هوآ، ال. ژائو، کیو. Wen, M. بررسی تغییرات فضایی و زمانی پوشش زمین و نیروهای محرکه در پکن از سال 1978 تا 2010. Remote Sens. 2014 , 6 , 10593-10611. [ Google Scholar ] [ CrossRef ]
جیا، ک. لیانگ، اس. وی، ایکس. یائو، ی. سو، ی. جیانگ، بی. Wang, X. طبقه‌بندی پوشش زمین داده‌های Landsat با ویژگی‌های فنولوژیکی استخراج‌شده از داده‌های سری زمانی MODIS NDVI. Remote Sens. 2014 , 6 , 11518–11532. [ Google Scholar ] [ CrossRef ]
یو، دبلیو. ژو، دبلیو. کیان، ی. Yan, J. رویکردی جدید برای طبقه‌بندی پوشش زمین و تجزیه و تحلیل تغییر: یکپارچه‌سازی تاریخ‌گذاری پس‌زمینه و یک روش مبتنی بر شی. سنسور از راه دور محیط. 2016 ، 177 ، 37-47. [ Google Scholar ] [ CrossRef ]
وو، دبلیو. ژائو، اس. زو، سی. جیانگ، جی. مطالعه تطبیقی گسترش شهری در پکن، تیانجین و شیجیاژوانگ در سه دهه گذشته. Landsc. طرح شهری. 2015 ، 134 ، 93-106. [ Google Scholar ] [ CrossRef ]
مک کالوم، آی. اوبرشتاینر، ام. نیلسون، اس. شویدنکو، ای. مقایسه فضایی چهار ماهواره برگرفته از مجموعه داده های پوشش زمینی جهانی 1 کیلومتری. بین المللی J. Appl. زمین Obs. Geoinf. 2006 ، 8 ، 246-255. [ Google Scholar ] [ CrossRef ]
سکستون، جو. شهری، DL; دونوهو، ام جی؛ Song، C. پویایی پوشش طولانی مدت زمین با طبقه بندی چند زمانی در سراسر رکورد Landsat-5. سنسور از راه دور محیط. 2013 ، 128 ، 246-258. [ Google Scholar ] [ CrossRef ]
ژونگ، بی. ما، پ. نی، ا. یانگ، آ. یائو، ی. لو، دبلیو. ژانگ، اچ. لیو، کیو. نقشه برداری پوشش زمین با استفاده از داده های سری زمانی HJ-1/CCD. علمی علوم زمین چین 2014 ، 57 ، 1790-1799. [ Google Scholar ] [ CrossRef ]
لو، دی. Weng, Q. بررسی روش ها و تکنیک های طبقه بندی تصویر برای بهبود عملکرد طبقه بندی. بین المللی J. Remote Sens. 2007 , 28 , 823-870. [ Google Scholar ] [ CrossRef ]
لی، ام. ما، ال. بلاشکه، تی. چنگ، ال. Tiede، D. مقایسه سیستماتیک تکنیک های مختلف طبقه بندی مبتنی بر شی با استفاده از تصاویر با وضوح فضایی بالا در محیط های کشاورزی. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 49 ، 87-98. [ Google Scholar ] [ CrossRef ]
یان، جی. Mas، JF; Maathuis، BHP; Xiangmin، Z. Van Dijk، PM مقایسه رویکردهای طبقه‌بندی تصویر مبتنی بر پیکسل و شی‌گرا – مطالعه موردی در منطقه آتش‌سوزی زغال سنگ، وودا، مغولستان داخلی، چین. بین المللی J. Remote Sens. 2006 ، 27 ، 4039-4055. [ Google Scholar ] [ CrossRef ]
شیریشی، ت. موتوکا، تی. تاپا، RB; واتانابه، م. شیمادا، ام. ارزیابی مقایسه ای طبقه بندی کننده های نظارت شده برای طبقه بندی کاربری زمین-پوشش زمین در یک منطقه گرمسیری با استفاده از داده های موزاییک سری زمانی PalSAR. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 ، 7 ، 1186-1199. [ Google Scholar ] [ CrossRef ]
والتر، وی. طبقه بندی مبتنی بر شی داده های سنجش از دور برای تشخیص تغییر. ISPRS J. Photogram. Remote Sens. 2004 , 58 , 225-238. [ Google Scholar ] [ CrossRef ]
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. Photogram. Remote Sens. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
Blaschke, T. تجزیه و تحلیل تصویر مبتنی بر شی برای سنجش از راه دور. ISPRS J. Photogram. Remote Sens. 2010 , 65 , 2-16. [ Google Scholar ] [ CrossRef ]
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 ]
گیندون، بی. ژانگ، ی. نقشه برداری شهری Dillabaugh، C. Landsat بر اساس روش ترکیبی طیفی- فضایی. سنسور از راه دور محیط. 2004 ، 92 ، 218-232. [ Google Scholar ] [ CrossRef ]
ژنلتی، دی. Gorte، BGH روشی برای طبقه بندی پوشش زمین شی گرا با ترکیب داده های Landsat TM و عکس های هوایی. بین المللی J. Remote Sens. 2003 ، 24 ، 1273-1286. [ Google Scholar ] [ CrossRef ]
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 ]
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 ]
Canty، MJ; روش‌های خطی نیلسن، AA و هسته برای تشخیص تغییرات چند متغیره. محاسبه کنید. Geosci. 2012 ، 38 ، 107-114. [ Google Scholar ]
شیان، جی. هومر، سی. Fry, J. به روز رسانی طبقه بندی پوشش زمین پایگاه داده ملی پوشش زمین در سال 2001 به سال 2006 با استفاده از روش های تشخیص تغییر تصاویر Landsat. سنسور از راه دور محیط. 2009 ، 113 ، 1133-1147. [ Google Scholar ] [ CrossRef ]
لو، دی. ماوزل، پ. بروندزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. 2004 , 25 , 2365-2401. [ Google Scholar ] [ CrossRef ]
چن، ز. Wang, J. شناسایی تغییر کاربری و پوشش زمین با استفاده از تکنیک‌های سنجش از دور ماهواره‌ای در منطقه کوهستانی Three Gorges، چین. بین المللی J. Remote Sens. 2010 ، 31 ، 1519-1542. [ Google Scholar ] [ CrossRef ]
چن، ایکس. چن، جی. شی، ی. Yamaguchi، Y. یک رویکرد خودکار برای به روز رسانی نقشه های پوشش زمین بر اساس روش های تشخیص و طبقه بندی تغییرات یکپارچه. ISPRS J. Photogram. Remote Sens. 2012 ، 71 ، 86-95. [ Google Scholar ] [ CrossRef ]
Canty، MJ; نیلسن، AA عادی سازی رادیومتری خودکار تصاویر ماهواره ای چند زمانی با تبدیل دیوانه وار به طور تکراری. سنسور از راه دور محیط. 2008 ، 112 ، 1025-1036. [ Google Scholar ] [ CrossRef ]
کیم، دی.-اچ. سکستون، جو. نوجی پدی، پ. هوانگ، سی. آناند، ا. چانان، اس. فنگ، ام. Townshend، JR Global، تغییر پوشش جنگلی مبتنی بر Landsat از سال 1990 تا 2000. سنسور از راه دور محیط زیست. 2014 ، 155 ، 178-193. [ Google Scholar ] [ CrossRef ]
هانسن، ام سی; اگوروف، آ. پوتاپوف، PV؛ Stehman، SV; تیوکاوینا، آ. توروبانوا، SA; روی، DP; گوتز، اس جی. لاولند، TR; جو، جی. و همکاران نظارت بر تغییر پوشش زمین محدود ایالات متحده (CONUS) با داده های Landsat (WELD) فعال شده تحت وب. سنسور از راه دور محیط. 2014 ، 140 ، 466-484. [ Google Scholar ] [ CrossRef ]
یانگ، ال. هوانگ، سی. هومر، سی جی; ویلی، بی کی؛ Coan, MJ رویکردی برای نقشه‌برداری از سطوح غیرقابل نفوذ با مساحت بزرگ: استفاده هم افزایی از Landsat-7 ETM+ و تصاویر با وضوح فضایی بالا. می توان. J. Remote Sens. 2003 ، 29 ، 230-240. [ Google Scholar ] [ CrossRef ]
جو، جی. روی، DP; ورموت، ای. ماسک، جی. Kovalskyy, V. اعتبارسنجی مقیاس قاره ای روش های تصحیح جوی مبتنی بر MODIS و LEDAPS Landsat ETM+. سنسور از راه دور محیط. 2012 ، 122 ، 175-184. [ Google Scholar ] [ CrossRef ]
Maiersperger، TK; Scaramuzza، PL; لی، ال. شرستا، س. گالو، KP; جنکرسون، CB; Dwyer، JL محصولات بازتاب سطح LEDAPS را با مقایسه با داده‌های aeronet، طیف‌سنج میدانی و MODIS مشخص می‌کند. سنسور از راه دور محیط. 2013 ، 136 ، 1-13. [ Google Scholar ] [ CrossRef ]
ماسک، جی جی. Vermote، EF; سالئوس، NE; وولف، آر. هال، FG; Huemmrich، KF; گائو، اف. کاتلر، جی. لیم، T.-K. مجموعه داده بازتاب سطح لندست برای آمریکای شمالی، 1990-2000. IEEE Geosci. سنسور از راه دور Lett. 2006 ، 3 ، 68-72. [ Google Scholar ] [ CrossRef ]
تاکر، سی جی; Grant, DM; Dykstra، مجموعه داده‌های Landsat سازمان‌یافته جهانی JD ناسا. فتوگرام. مهندس Remote Sens. 2004 , 70 , 313-322. [ Google Scholar ] [ CrossRef ]
ژنگ، بی. کمپبل، جی بی. de Beurs، KM سنجش از دور پوشش بقایای محصول با استفاده از تصاویر چند زمانی Landsat. سنسور از راه دور محیط. 2012 ، 117 ، 177-183. [ Google Scholar ] [ CrossRef ]
لیمین، ی. هومر، سی. هگه، ک. چنگ کوان، اچ. ویلی، بی. رید، بی. استراتژی انتخاب صحنه لندست 7 برای پایگاه داده ملی پوشش زمین. در مجموعه مقالات IEEE 2001 بین المللی زمین شناسی و سمپوزیوم سنجش از دور (IGARSS 2001)، سیدنی، استرالیا، 9 تا 13 ژوئیه 2001. جلد 1123، ص 1123–1125.
ساج، اف. دنزین، م. پیلکو، آر. تیموک، اف. پینل، اس. مولینا، جی. گارنیر، جی. سیلر، اف. بونت، M.-P. دقت مطلق و نسبی ارتفاع-پیکسل srtm-gl1 بر روی فلات آند آمریکای جنوبی. ISPRS J. Photogramm. Remote Sens. 2016 ، 121 ، 157-166. [ Google Scholar ] [ CrossRef ]
بنت، ام تی برنامه تبدیل زمین شیب دار چین: نوآوری سازمانی یا کسب و کار طبق معمول؟ Ecol. اقتصاد 2008 ، 65 ، 699-711. [ Google Scholar ] [ CrossRef ]
خو، جی. یین، آر. لی، ز. لیو، سی. توانبخشی زیست محیطی چین: تلاش های بی سابقه، اثرات چشمگیر، و سیاست های لازم. Ecol. اقتصاد 2006 ، 57 ، 595-607. [ Google Scholar ] [ CrossRef ]
دسکل، بی. بوگارت، پ. Defourny، P. تشخیص تغییر جنگل با روش آماری مبتنی بر شی. سنسور از راه دور محیط. 2006 ، 102 ، 1-11. [ Google Scholar ] [ CrossRef ]
هوانگ، سی. دیویس، LS; Townshend، JRG ارزیابی ماشین‌های بردار پشتیبان برای طبقه‌بندی پوشش زمین. بین المللی J. Remote Sens. 2002 ، 23 ، 725-749. [ Google Scholar ] [ CrossRef ]
ملگانی، ف. Bruzzone, L. طبقه بندی تصاویر سنجش از دور ابرطیفی با ماشین های بردار پشتیبان. IEEE Trans. Geosci. Remote Sens. 2004 ، 42 ، 1778-1790. [ Google Scholar ] [ CrossRef ]
شائو، ی. Lunetta، RS مقایسه ماشین بردار پشتیبان، شبکه عصبی و الگوریتم‌های گاری برای طبقه‌بندی پوشش زمین با استفاده از نقاط داده آموزشی محدود. ISPRS J. Photogram. Remote Sens. 2012 ، 70 ، 78-87. [ Google Scholar ] [ CrossRef ]
Srivastava، PK؛ هان، دی. ریکو رامیرز، MA; بری، ام. اسلام، ت. انتخاب تکنیک های طبقه بندی برای بررسی تغییر کاربری/پوشش زمین. Adv. Space Res. 2012 ، 50 ، 1250-1265. [ Google Scholar ] [ CrossRef ]
چانگ، سی.-سی. لین، سی.-جی. LIBSVM: کتابخانه ای برای ماشین های بردار پشتیبانی. ACM Trans. هوشمند سیستم تکنولوژی 2011 ، 2 ، 27. [ Google Scholar ] [ CrossRef ]
فوکوناگا، ک. Hostetler، L. تخمین گرادیان تابع چگالی، با کاربردها در تشخیص الگو. IEEE Trans. Inf. نظریه 1975 ، 21 ، 32-40. [ Google Scholar ] [ CrossRef ]
چنگ، ی. تغییر میانگین، جستجوی حالت، و خوشه‌بندی. IEEE Trans. الگوی مقعدی ماخ هوشمند 1995 ، 17 ، 790-799. [ Google Scholar ] [ CrossRef ]
کومانیسیو، دی. Meer, P. Mean Shift: رویکردی قوی به سمت تحلیل فضای ویژگی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2002 ، 24 ، 603-619. [ 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 ]
اولوفسون، پی. فودی، جنرال موتورز; Stehman، SV; Woodcock، CE استفاده بهتر از داده های دقت در مطالعات تغییر زمین: برآورد دقت و مساحت و کمی کردن عدم قطعیت با استفاده از تخمین طبقه بندی شده. سنسور از راه دور محیط. 2013 ، 129 ، 122-131. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. فام، T.-T.-H.; کالاچسکا، م. ترنر، اس. استفاده از سوابق نقشه‌بردار موضوعی لندست برای نقشه‌برداری تغییر پوشش زمین و اثرات برنامه‌های احیای جنگل در مناطق مرزی جنوب شرقی یوننان، چین: 1990-2010. بین المللی J. Appl. زمین Obs. Geoinf. 2014 ، 31 ، 25-36. [ Google Scholar ] [ CrossRef ]

شکل 1. نقشه موقعیت منطقه مورد مطالعه در چین را نشان می دهد. نقشه بزرگ شده یک موزاییک با رنگ کاذب (قرمز-سبز-آبی (RGB): نوارهای 4، 3 و 2، به ترتیب) از تصاویر نقشه‌بردار موضوعی پیشرفته Landsat (ETM) است. شهرهای پکن، لانگ فانگ، تیانجین، تانگشان و کینوانگدائو تجمع شهری را تشکیل می دهند.

شکل 2. نمودار جریان طبقه بندی پوشش زمین و تغییر کاربری زمین (LCLUC). IR-MAD، تشخیص تغییرات چند متغیره با وزن مجدد مکرر.

شکل 3. نمودار جریان طبقه بندی تغییر پوشش زمین.

شکل 4. جزئیات طبقه بندی منطقه فرعی در JJT: ( الف ) تصویر فرعی Landsat 5 TM در Path/Row 123/032 که در 7 سپتامبر 1992 به دست آمد. ( ب ) تصویر فرعی Landsat 7 ETM+ که در 2 اوت 1999 به دست آمد. ( ج ) تصویر فرعی Landsat 5 TM که در 22 سپتامبر 2009 به دست آمد. ( d – f ) نتایج طبقه‌بندی برای (a-c) به ترتیب. و ( g ) مجموعه داده‌های کاربری/پوشش زمین (CLUD) چین در سال 2000.

شکل 5. اشیایی که با روش تغییر میانگین و سطح غیرقابل نفوذ تصفیه شده پس از سنتز شی و نتایج SVM تقسیم شدند: ( الف ) تصویر فرعی ETM+ در مسیر 123/ردیف 032 که در 21 اکتبر 1999 به دست آمد. ( ب ) مرزهای اشیایی که با روش تغییر میانگین تقسیم شده اند (خطوط زرد). ( ج ) سطح غیر قابل نفوذ که توسط طبقه بندی کننده SVM طبقه بندی شده است. ( د ) سطح غیرقابل نفوذ تصفیه شده بر اساس ادغام اجسام تقسیم شده و نتیجه طبقه بندی SVM. و ( ه ) اطلاعات دقیق در مورد ادغام.

شکل 6. ناحیه تغییر یافته که با مقایسه دو تصویر تعیین شد: ( الف ) تصویر فرعی ETM+ در مسیر 123/ردیف 032 که در 2 اوت 1999 به دست آمد. ( ب ) تصویر فرعی Landsat 5 TM که در 22 سپتامبر 2009 به دست آمد. ( ج ) تصویر chi-square از الگوریتم IR-MAD. و ( د ) ماسک ناحیه تغییر یافته که به رنگ زرد در برابر تصویر پس زمینه نشان داده شده است (یعنی شکل 6 a).

شکل 7. طبقه بندی منطقه پکن-تیانجین-تانگشان (BTT) برای سال های 1990، 2000 و 2010: ( الف ) پوشش زمین در سال 1990. ( ب ) پوشش زمین در سال 2000; و ( ج ) پوشش زمین در سال 2010. مساحتی که با مستطیل سیاه نشان داده شده است با جزئیات در شکل 4 نشان داده شده است .

شکل 8. درصد مناطق مختلف پوشش زمین برای سه دوره.

جدول 1. تصاویر TM/ETM+ که در این مطالعه استفاده شد. تاریخ های کسب شامل سال، ماه و روز است. همه تصاویر 2000 تصاویر ETM+ بودند، در حالی که تصاویر مربوط به سال های 1990 و 2010 تصاویر TM بودند. تصاویری که در 27 آگوست 1993 برای 121/33 به دست آمد برای تکمیل مناطقی که تحت تأثیر پوشش ابر قرار داشتند استفاده شد.

جدول 2. ارزیابی دقت تعدیل شده طبقه بندی ها برای سه دوره. “کلی” دقت کلی، “کاپا” ضریب کاپا، “PA” دقت تولید کننده و “UA” دقت کاربر است.

جدول 3. تغییرات سطح نفوذناپذیر پس از ادغام بر اساس تصویر فرعی.

جدول 4. نواحی و تناسب طبقات با خطا برای سه دوره.

© 2017 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