آشکارسازی تغییرات کاربری/ پوشش اراضی با استفاده از طبقه‌بندی شئ‌گرای تصاویر ماهواره‌ای (مطالعه موردی: حوزه آبریز قره‌سو، استان اردبیل)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیای طبیعی، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی

2 استادیار گروه جغرافیای طبیعی، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی

3 دانشیار گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

چکیده

دقت نقشه تغییرات کاربری به‌دست‌آمده از داده‌های سنجش‌ازدور به‌دقت نقشه­ های طبقه‌بندی کاربری اراضی در زمان‌های مورد مطالعه بستگی دارد. در این مطالعه از تصاویر سنجنده‌های TM و OLI در سال‌های 1368 و  1397 و روش طبقه‌بندی شئ‌گرا برای بررسی روند تغییرات کاربری/ پوشش اراضی با تأکید بر کاربری کشاورزی در حوزه آبریز قره‌سو استفاده شد. پس از پیش‌پردازش‌های لازم، پردازش شئ‌گرا با اعمال فرایند سگمنت‌سازی چند تفکیک آغاز گردید. جهت دستیابی به‌دقت بیش‌تر طبقه‌بندی کاربری اراضی علاوه بر باندهای طیفی از سایر اطلاعات نظیر شاخص نرمال شده تفاضل پوشش گیاهی NDVI، میانگین باندها، انحراف معیار باندها و ویژگی‌های هندسی استفاده‌شده است. از بین این اطلاعات غیر طیفی استفاده‌شده، تعداد 15 ویژگی توسط روش بهینه سازی فضای  ویژگی­ ها FSO انتخاب و به‌عنوان اطلاعات جانبی در طبقه‌بندی الگوریتم نزدیک‌ترین همسایگی مورداستفاده قرار گرفتند. ضریب کاپای حاصل از ارزیابی صحت طبقه‌ بندی تصاویر سال‌های 1368 و  1397 به ترتیب 85 و 96 درصد محاسبه شد که نشان‌دهنده قابل‌اعتماد بودن نتایج طبقه‌بندی شئ‌گرا است. در مرحله بعد به کمک نقشه‌های طبقه‌بندی‌شده و روش مقایسه پس از طبقه‌بندی، نقشه تغییرات تهیه گردید. طبق نتایج حاصل از آشکارسازی تغییرات، کاربری کشاورزی طی این بازه زمانی حدود 73849 هکتار افزایش سطح را در برداشته است که علت اصلی آن تخریب مراتع و به زیر کشت بردن این کاربری است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Change detection of land use /land cover using object oriented classification of satellite images (Case study: Ghare Sou basin, Ardabil province)

نویسندگان [English]

  • Behrooz Khodabandehlou 1
  • Hassan Khavarian Nehzak 2
  • Ardavan Ghorbani 3
1 MSc. of Remote Sensing and GIS, Department of Physical Geography, Faculty of Literature & Humanities, University of Mohaghegh Ardabili
2 Assist. Prof. Department of Physical Geography, Faculty of Literature & Humanities, University of Mohaghegh Ardabili
3 Assoc. Prof. Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili
چکیده [English]

The accuracy of land use changes map obtained from remote sensing data depends on the accuracy of each of the land use maps during the time period studied. In this study, TM and OLI images in 1989 and 2018 and an object-oriented classification method were used to investigate the land use/ land cover change trends with an emphasis on agricultural land use in the Ghare Sou basin. After the pre-processing, the object-oriented processing using the multiresolution segmentation method was applied. In addition to the spectral bands, some additional information such as a normalized difference vegetation index (NDVI), band means, the standard deviation of bands and geometry characteristics were used to extract land use in order to obtain more accurate results. Of these non-spectral data used, 15 characteristics were selected by Feature space optimization (FSO) method to be used in the nearest neighborhood algorithm. The kappa coefficient of the land use maps for 1989 and 2018 was 85% and 96%, respectively, indicating the reliability of the object-oriented classification results. In the next step, the map of the changes was produced comparing the classified maps. According to the results of the change detection, the agricultural land use during the studied period has an increase of 73849 hectares, mainly due to the destruction of rangelands and its conversion to the agricultural land.

کلیدواژه‌ها [English]

  • Object oriented classification
  • Land use / land cover changes
  • Nearest neighbor algorithm
  • Ghare Sou basin

اسلمی، ف.، الف. قربانی، ب. سبحانی و م. پناهنده. 1394. مقایسه روش­ های شبکه عصبی، ماشین بردار پشتیبان و شئ‌گرا در استخراج کاربری اراضی و پوشش اراضی از تصاویر لندست. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 1-14.

اکبری، م.، ح. کریم‌زاده، ر. مدرس و ب. چکشی. 1386. ارزیابی و طبقه‌بندی بیابان‌زایی با فناوری سنجش‌ازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: منطقه خشک شمال اصفهان). تحقیقات مرتع و بیابان ایران، 14(27): 124-142.

امینی بازیانی، س.، م. اکبری، ح. زارع ابیانه. 1392. برآورد سطح و تراکم کشت با استفاده از سنجش‌ازدور در دشت همدان- بهار. نشریه آبیاری و زهکشی ایران، 7(1): 36-48.

پاشازاده، غ. ح. 1388. مقایسه روش‌های پیکسل‌پایه و شئ‌گرا در طبقه‌بندی کاربری اراضی شهری با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: ارومیه). پایان‌نامه کارشناسی ارشد رشته سنجش‌ازدور و GIS، دانشگاه شهید بهشتی، تهران. 138 صفحه.

حاج عباسی، م.، ع.، ا. جلالیان، ج. خواجه الدین و ح.،ر. کریم‌زاده. ۱۳۸۱. مطالعه موردی تأثیر تبدیل مراتع به اراضی کشاورزی بر برخی ویژگی‌های فیزیکی، حاصلخیزی و شاخص گشت پذیری خاک در بروجن. علوم و فنون کشاورزی و منابع طبیعی، 6(1): ۱۴۹-160.

خیر‌خواه زرکش، م. و ف. حسین‌زاده آزاد.  1395. آشکارسازی تغییرات کاربری اراضی شهراردبیل با استفاده از تکنولوژی RS و GIS. پایداری، توسعه و محیط‌زیست، 2(1): 47-55.

روستایی، ش.، م. احدنژاد روشنی و م. فرخی‌صومعه. 1393. سنجش فضایی گستردگی شهری با تأکید بر تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای چندزمانه (مطالعه موردی: ارومیه). جغرافیا و برنامه‌ریزی، 18(50): 153-165.

علی‌زاده، پ.، ب. کامکار، ش. شتایی و ح. کاظمی. 1397. برآورد تغییرات سطح زیر کشت گندم و سویا با استفاده از طبقه‌بندی تصاویر ماهواره‌ای در غرب استان گلستان. نشریه پژوهش‌های کاربردی زراعی، 31(3): 41-64.

فیضی‌زاده، ب. 1398. ارزیابی تطبیقی تکنیک‌های پردازش پیکسل‌پایه و شئ‌گرا در طبقه‌بندی تصاویر ماهواره‌ای  Asterبرای استخراج نقشه‌های اراضی کشاورزی و باغی در حاشیه شرقی دریاچه ارومیه. فصلنامه علمی - پژوهشی اطلاعات جغرافیایی (سپهر)، 28(109): 167-183.

فیضی‌زاده، ب.، ع. خدمت‌زاده و م. ر. نیکجو. 1397. ریز طبقه‌بندی اراضی باغی و زراعی با استفاده از تکنیک‌های پردازش شیء پایه و الگوریتم‌های فازی با هدف تخمین سطح زیر کشت. نشریه تحقیقات کاربردی علوم جغرافیایی، 18(48): 201-217.

کاکه‌ممی، آ.، ا. قربانی، ف. کیوان بهجو و الف. میرزایی موسی‌وند. 1395. مقایسه روش‌های تفسیر چشمی و رقومی در تهیه نقشه کاربری و پوشش اراضی استان اردبیل. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی،  8(3): 121-134.

محمدزاده، ک و ب. فیضی‌زاده. 1396. مدل‌سازی اثرات خشکی دریاچه ارومیه بر روند گسترش شوری در اراضی شرقی دریاچه با استفاده از تکنیک فازی شئ‌گرا. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی،  8(3): 56-72.

مسیبی، م و م. ملکی. 1393. پایش تغییرات کاربری اراضی با استفاده از داده‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی(مطالعه موردی: شهرستان اردبیل). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(1): 75-86.

نیازی، ی.، م. ر. اختصاصی، ح. ملکی‌نژاد، ز. ع. حسینی و ج. مرشـدی. 1389. مقایسه دو روش حداکثر احتمال و شبکه عصـبی مصـنوعی در استخراج نقشه کاربری اراضی(مطالعـه موردی: حوزه سد ایلام). مجله جغرافیا و توسعه، 8(20): 119-132.

Abd El-Kawy O, Rod J, Ismail H, Suliman A. 2011. Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geography, 31(2): 483-494.

Adam H, Csaplovics E, Elhaja M. 2016. A comparison of pixel-based and object-based approaches for land use land cover classification in semi-arid areas, Sudan. In: IOP Conference Series: Earth and Environmental Science, vol 1. IOP Publishing, p 012061.

Blaschke T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2-16.

Chen X, Vierling L, Deering D. 2005. A simple and effective radiometric correction method to improve landscape change detection across sensors and across time. Remote Sensing of Environment, 98(1): 63-79.

Clarke KC, Parks BO, Crane MP. 2002. Geographic information systems and environmental modeling. Pearson College Division.

De Oliveira Silveira EM, de Menezes MD, Júnior FWA, Terra MCNS, de Mello JM. 2017. Assessment of geostatistical features for object-based image classification of contrasted landscape vegetation cover. Journal of Applied Remote Sensing, 11(3): 036004.

Deng J, Wang K, Deng Y, Qi G. 2008. PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing, 29(16): 4823-4838.

Dingle Robertson L, King DJ. 2011. Comparison of pixel-and object-based classification in land cover change mapping. International Journal of Remote Sensing, 32(6): 1505-1529.

Drăguţ L, Blaschke T. 2006. Automated classification of landform elements using object-based image analysis. Geomorphology, 81(3-4): 330-344.

Drǎguţ L, Tiede D, Levick SR. 2010. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data. International Journal of Geographical Information Science, 24(6): 859-871.

Hoffmann A, Van der Vegt J. 2001. New sensor systems and new classification methods: laserand digital camera-data meet object-oriented strategies. GeoBIT/GIS, 6: 18-23.

Huo L-Z, Boschetti L, Sparks AM. 2019. Object-Based Classification of Forest Disturbance Types in the Conterminous United States. Remote Sensing, 11(5): 477.

Im J, Jensen J, Tullis J. 2008. Object‐based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing, 29(2): 399-423.

Kaplan G, Avdan U. 2017. Object-based water body extraction model using Sentinel-2 satellite imagery. European Journal of Remote Sensing, 50(1): 137-143.

Kenneth M, Menz G. 2012. Monitoring land-use change in Nakuru (Kenya) using multi-sensor satellite data. Advances in Remote Sensing, 3(1): 74-84.

Ma L, Fu T, Blaschke T, Li M, Tiede D, Zhou Z, Ma X, Chen D. 2017. Evaluation of feature selection methods for object-based land cover mapping of unmanned aerial vehicle imagery using random forest and support vector machine classifiers. ISPRS International Journal of Geo-Information, 6(2): 51.

Matthew MW, Adler-Golden SM, Berk A, Felde G, Anderson GP, Gorodetzky D, Paswaters S, Shippert M. 2002. Atmospheric correction of spectral imagery: evaluation of the FLAASH algorithm with AVIRIS data. In: Applied Imagery Pattern Recognition Workshop, 2002. Proceedings. IEEE, pp 157-163.

Oruc M, Marangoz A, Buyuksalih G. 2004. Comparison of pixel-based and object-oriented classification approaches using Landsat-7 ETM spectral bands. In: Proceedings of XX ISPRS Congress. p 5.

Rawat J, Biswas V, Kumar M. 2013. Changes in land use/cover using geospatial techniques: A case study of Ramnagar town area, district Nainital, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 16(1): 111-117.

Szuster BW, Chen Q, Borger M. 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31(2): 525-532.

Townshend JR, Justice CO, Gurney C, McManus J. 1992. The impact of misregistration on change detection. IEEE Transactions on Geoscience and remote sensing, 30(5): 1054-1060.

Yan G, Mas JF, Maathuis B, Xiangmin Z, Van Dijk P. 2006. Comparison of pixel-based and object-oriented image classification approaches-a case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, 27(18): 4039-4055.

Yuan F, Sawaya KE, Loeffelholz BC, Bauer ME. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote sensing of Environment, 98(2-3): 317-328.

Zhang Y, Maxwell T, Tong H, Dey V. 2010. Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition. In: Wagner W., Székely, B. (eds.): ISPRS TC VII Symposium – 100 Years ISPRS, Vienna, Austria, July 5–7, 2010, IAPRS, Vol. XXXVIII, Part 7B, 690-696.

Ziaeian-Firoozabadi P, Sayad-Bydhndy L, Eskandari-Nodeh M. 2009. Mapping and estimating the area under rice cultivation in Sari city using satellite images Radarst. Geography Research Natural, 68: 45-58.