مقایسۀ دقت طبقه‌بندی سری زمانی تصاویر لندست در پایش تغییرات کاربری اراضی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد سنجش از دور و GIS، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران

2 دانشیار دانشکده کشاورزی و منابع طبیعی، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

3 استادیار دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد

چکیده

در این تحقیق، سه روش طبقه‌بندی شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله جهت تحلیل تغییرات کاربری اراضی، طی سال‌های 1989 تا 2015 در سه سنجنده ماهواره‏ لندست در منطقه ساری مورد ارزیابی و مقایسه قرار گرفت. پس از تصحیحات هندسی و اتمسفری، تصاویر سال 1989، 2002 و 2015، تحت سه الگوریتم‌  شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله در پنج کلاس کاربری طبقه‌بندی شدند. پس از ارزیابی صحت روش‌ها، مقدار کاپای حداکثر احتمال، شبکه عصبی مصنوعی و حداقل فاصله برای سال 1989 به ترتیب 92%،87% و 65% و سال 2002 به ترتیب 89%، 87% و 60% و سال 2015 به ترتیب 91%، 90% و 73% برآورد شد. که نشان‌دهنده برتری روش حداکثر احتمال در مقایسه با دو روش دیگر در سال 1989 بود. همچنین نتایج حاصل از بررسی تغییرات کاربری اراضی در کل دوره موردبررسی (سال‌های 1989 تا 2015)، نشان داد که مناطق انسان‌ساخت و زراعت آبی به ترتیب 3615 و 575 هکتار افزایش داشته‌اند ولی مناطق بایر، باغ و جنگل به ترتیب 1791، 1127 و 1272 هکتار روند رو به کاهشی را داشته‌اند با توجه به نتایج گرفته‌شده، دو روش حداکثر احتمال و شبکه عصبی برای طبقه‌بندی کاربری اراضی مناسب بود، اما روش حداکثر احتمال با اختلاف 5 درصد در سال 1989 و 2 درصد در سال 2002 و 1 درصد در سال 2015 در ضریب کاپا نسبت به روش شبکه عصبی بهتر بود.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the accuracy of time series classification of Landsat images in monitoring land use change

نویسندگان [English]

  • Ahmad Azimi Najarkolaei 1
  • Ali Akbar Jamali 2
  • Zeynolabedin Hosseini 3
1 MSc. Graduated of Remote Sensing & GIS, Yazd Branch, Islamic Azad University, Yazd, Iran
2 Assoc. Prof. College of Agriculture & Natural Resources, Meybod Branch, Islamic Azad University, Meybod, Iran
3 Assis. Prof. College of Natural Resources & Desert Studies, Yazd University
چکیده [English]

In this research, artificial neural network, maximum likelihood and minimum distance classification methods for analysis of land use changes, during 1989 to 2015, were evaluated and compared images from three Landsat satellite sensors in Sari. After geometric and atmospheric corrections, images of 1989, 2002, and 2015 were categorized under three artificial neural network algorithms, maximum likelihood and minimum distance in five land use classes. After assessing the accuracy of the methods, the Kappa coefficients were calculated for maximum likelihood, artificial neural network and minimum distance of 1989 were 92%, 87% and 65% in 2002, were 89%, 87% and 60%, and in 2015 were 91% %, 90% and 73%, respectively. These coefficients indicate the superiority of the maximum likelihood method in comparison with the other two methods in 1989. Also, the results of land use change over the whole period of the survey (from 1989 to 2015), showed that the areas of residential and irrigated lands were increased by 3615 and 575 hectares, but bare lands, gardens and forests were decreased to 1791, 1127 and 1272 hectares, respectively. According to the results, the two methods of maximum likelihood and neural network were more suitable for land use classification. The maximum likelihood method was better than the neural network method with a difference of 5% in 1989 and 2% in 2002 and 1% in 2015 in the Kappa coefficient.

کلیدواژه‌ها [English]

  • Remote Sensing
  • Land Use Change
  • Neural network
  • Minimum distance
  • Maximum likelihood
  • Sari
1. احمدپور، ا.، ک.، سلیمانی، م. شکری و ج. قربانی. 1390. مقایسة میزان کارآیی سه روش رایج طبقه­بندی نظارت شده داده­های ماهواره­ای در مطالعة پوشش گیاهی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3): 77-89.

2. احمدی ندوشن، م.، ع. ر. سفیانیان و س. ج. خواجه­الدین. 1388. تهیه نقشه پوشش اراضی شهر اراک با استفاده از روش­های طبقه­بندی شبکه عصبی مصنوعی و حداکثر احتمال. پژوهش‌های جغرافیای طبیعی، 41(69): 83-98.

3. اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1394. مقایسة روش­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 1-14.

4. آرخی، ص. 1393. پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM در محیط GIS (مطالعة موردی: منطقه سرابله). تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران، 12(1): 1-19.

5. آرخی، ص. 1393. تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال. نشریه مرتعداری، 1(2): 30-43.

6. بلوچی، ب.، م. دهقانی و م. ر. نیکو. 1395. بررسی تغییر کاربری اراضی و اثرات احداث سد کرخه با استفاده از تصاویر ماهواره‌ای و روش طبقه‌بندی بیشترین شباهت. مهندسی منابع آب، 9(28): 19-32.

7. رضایی مقدم، م. ح.، ص. اندریانی، خ. ولیزاده کامران و ف. الماس­پور. 1395. تعیین بهترین الگوریتم استخراج کاربری - پوشش اراضی و کشف تغییرات از تصاویر ماهواره­ای لندست (مطالعه موردی:حوضه صوفی چای مراغه). فضای جغرافیایی، 16(55): 65-85.

8. رﯾﺎﺣﯽ ﺑﺨﺘﯿﺎری، ح. ر.، ع. ا. درویش­صفت و م. زبیری. 1383. تعیین مناسب­ترین روش تهیه نقشه­های پوشش منابع طبیعی در مقیاس 1:250000 با استفاده از داده­های ماهواره­ای در ناحیه دشت ارژن. مجموعه مقالات همایش ژئوماتیک، تهران، سازمان نقشه­برداری کشور. 1 اردیبهشت ماه.

9. سفیانیان، ع. 1388. بررسی تغییرات کاربری اراضی محدوده شهر اصفهان با استفاده از تکنیک آشکارسازی برداری تغییرات طی سال­های 1366 تا 1377. علوم آب و خاک، 13(49): 153-164.

10. علوی­پناه، ک. 1385. کاربرد سنجش از دور در علوم زمین. انتشارات دانشگاه تهران. 437 صفحه.

11. علی محمدی، ع.، ع. ا. متکان، پ. ضیائیان و ه. طباطبایی. 1388. مقایسه روش­های طبقه­بندی پیکسل پایه، شی­پایه و درخت تصمیم در تهیه نقشه تیپ­های جنگل با استفاده از داده­های سنجش از دور (مطالعه موردی: جنگل آستارا). تحقیقات کاربردی علوم جغرافیایی، 10(13): 7-26.

12. مختاری، م. ح و ا. نجفی. 1394. مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM. نشریه علوم آب و خاک، 19(72): 35-44.

13. مظاهری، م. ر.، م. اسفندیاری، م. ح. مسیح­آبادی و ا. کمالی. 1392. پایش تغییرات زمانی کاربری اراضی با استفاده از تکنیک­های سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: جیرفت، استان کرمان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2): 25-39.

14. معبودی، م. ت. و ه. حکیمی. 1394. تحلیلی بر تغییرات کاربری اراضی و شبیه‌سازی گسترش شهری شهرهای میانه‌اندام (مطالعه موردی: شهر خوی). پژوهش­های جغرافیایی برنامه­ریزی شهری، 3(2): 211-226.

15. مکرونی، س.، غ. ر. سبزقبایی، ش. یوسفی خانقاه و س. سلطانیان. 1395. آشکارسازی روند تغییرات کاربری اراضی تالاب هورالعظیم با استفاده از تکنیک سنجش از دور و سیستم اطلاعات جغرافیایی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(3): 89-99.

16. ممبینی، م.، م. آسیایی و ع. کرمشاهی. 1392. مقایسة روش حداکثر احتمال و فازی در تهیة نقشه کاربری/ پوشش اراضی جنوب خوزستان با استفاده از تصاویر لندست. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2): 69-80.

17. نظری سامانی، ع. ا.، م. قربانی و ح. ر. کوهبانی. 1389. ارزیابی روند تغییرات کاربری اراضی حوزه آبخیز طالقان در دوره 1366 تا 1380. مرتع، 4(3): 442-451.

18. Bayarsaikhan U, Boldgiv B, Kim K-R, Park K-A, Lee D. 2009. Change detection and classification of land cover at Hustai National Park in Mongolia. International Journal of Applied Earth Observation and Geoinformation, 11(4): 273-280.

19. Butt A, Shabbir R, Ahmad SS, Aziz N. 2015. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2): 251-259.

20. Foody GM. 2000. Mapping land cover from remotely sensed data with a softened feedforward neural network classification. Journal of Intelligent & Robotic Systems, 29(4): 433-449.

21. Jensen JR. 2005. Introductory Digital Image Processing: A Remote Sensing Perspective. Englewood Cliffs, NJ: Prentice –Hall. 318 pp.

22. Lu D, Li G, Moran E, Freitas C, Dutra L, Sant’Anna S. 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land-use/cover classification in the Brazilian Amazon. Proceedings of 4th Geographic Object-Based Image Analysis (GEOBIA), Rio de Janeiro, Brazil. May 7-9.

23. Mitsova D, Shuster W, Wang X. 2011. A cellular automata model of land cover change to integrate urban growth with open space conservation. Landscape and Urban Planning, 99(2): 141-153.

24. Roostaei S, Alavi S, Nikjoo M, Kamran KV. 2012. Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area. International Journal of Geomatics and Geosciences, 2(3): 738-749.

25. Saeidi S, Mohammadzadeh M, Salmanmahiny A, Mirkarimi SH. 2017. Performance evaluation of multiple methods for landscape aesthetic suitability mapping: A comparative study between Multi-Criteria Evaluation, Logistic Regression and Multi-Layer Perceptron neural network. Land Use Policy, 67: 1-12.

26. Schulz JJ, Cayuela L, Echeverria C, Salas J, Benayas JMR. 2010. Monitoring land cover change of the dryland forest landscape of Central Chile (1975–2008). Applied Geography, 30(3): 436-447.

27. Srivastava PK, Han D, Rico-Ramirez MA, Bray M, Islam T. 2012. Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, 50(9): 1250-1265.

28. Yang X. 2011. Parameterizing support vector machines for land cover classification. Photogrammetric Engineering & Remote Sensing, 77(1): 27-37.