ارزیابی طبقه‌بندی نظارت‌شده شیءگرا و پیکسل پایه در استخراج کاربری اراضی بر مبنای دو شاخص اختلاف کمی و مکانی در حوزه آبخیز گرگان رود

حاجی بیگلو, محبوبه; شیخ, واحدبردی; معماریان, هادی; کمکی, چوقی بایرام

ارزیابی طبقه‌بندی نظارت‌شده شیءگرا و پیکسل پایه در استخراج کاربری اراضی بر مبنای دو شاخص اختلاف کمی و مکانی در حوزه آبخیز گرگان رود

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکتری گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

² دانشیار گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

³ دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، ایران

⁴ استادیار گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

چکیده

پوشش زمین و کاربری اراضی یک متغیر مهم در فرآیندهای طبیعی زمین است. استخراج تغییرات کاربری اراضی در حفاظت از اکوسیستم‌های طبیعی، برنامه‌های حفاظت محیط‌زیست و مدیریت منابع طبیعی نقش مهمی در جلوگیری از تشدید بحران‌های طبیعی از قبیل وقوع سیل دارد. در حوزه آبخیز گرگان‏رود واقع در استان گلستان تغییرات عمده کاربری اراضی بسیار چشمگیر است. در این تحقیق به‌منظور بررسی وضعیت کاربری اراضی حوزه از تصاویر OLI ماهواره لندست 8 مربوط به تاریخ 4 تیرماه 1396 استفاده شد. هدف این تحقیق ارزیابی صحت الگوریتم‌های مختلف طبقه‌بندی نظارت‌شده شی‌ءگرا و پیکسل پایه در استخراج کاربری اراضی برمبنای شاخص های اختلاف مکانی و اختلاف مکانی است. نتایج ارزیابی صحت بر اساس دو شاخص اختلاف مکانی با 2.03 درصد و اختلاف مکانی با 4.58 درصد بیانگر برتری الگوریتم ماشین بردار پشتیبان در روش طبقه‌بندی شی‌ءگرا با مقیاس سگمنت ‏سازی 50 واحد نسبت به سایر الگوریتم‌ها است. در الگوریتم منتخب طبقه‌بندی، میزان دقت کلی و ضریب کاپا به ترتیب 92.65 درصد و 0.91 به دست آمد. بر اساس این الگوریتم، کمترین خطای حذف و اضافه به ترتیب با 0.58 درصد مربوط به کلاس جنگل و 1.59 درصد مربوط به کلاس مناطق مسکونی و صنعتی است. بیشترین صحت تولیدکننده و کاربر به ترتیب با 99.44 درصد مربوط به کلاس جنگل و با 99.41 درصد مربوط به کلاس منابع آبی است. بیشترین مساحت کاربری در حوزه آبخیز گرگان‏رود مربوط به کلاس اراضی بایر/ مرتع/ زراعت با مساحت 314110 هکتار است. الگوریتم ماشین بردار در روش طبقه‌بندی شی‌ءگرا به‌عنوان الگوریتم مناسب در طبقه‌بندی کاربری اراضی حوزه به‌منظور مدیریت عرصه‌های منابع طبیعی در استان گلستان پیشنهاد می‌گردد.

کلیدواژه‌ها

عنوان مقاله [English]

Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin

نویسندگان [English]

Mahboobeh Hajibigloo ¹
Vahed Berdi Sheikh ²
Hadi Memarian ³
Chooghi Bairam Komaki ⁴

¹ PhD Student of Watershed Management Department, Faculty of Rangeland & Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Iran

² Assoc. Prof. Department of Watershed Management, Faculty of Rangeland & Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Iran

³ Assoc. Prof. Department of Rangeland & Watershed Management, Faculty of Natural Resources and Environment, University of Birjand, Iran

⁴ Assist. Prof. Department of Arid Zone Management, Faculty of Range Land and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Iran

چکیده [English]

Land cover and land use are an important variable in natural land processes. Land use change in environmental protection programs and natural resource management plays an important role in the intensification of natural crises such as floods. The Gorganrood River basin in the Golestan province has historically experienced land use conversion. In this research was selected for land use classification using Landsat 8 OLI satellite images of the 25 June 2017. The goal of this study is to assess the accuracy of two approaches, pixel-based supervised classification and the object-oriented one base on quantity and allocation disagreement indexes. The accuracy assessment results indicated verified that for land use mapping the SVM algorithm using a 50 pixel segmentation in the object-based classification having a quantity disagreement of 2.03, an allocation disagreement of 4.58, and an overall accuracy of 92.65% and a kappa coefficient of 0.91 was more accurate than other algorithms in the object-based classification and other algorithms in the pixel-based classification. Based on this algorithm, the lowest of omission and commission error showed in forest lands and residential and industrial areas of 0.58% and 1.59% respectively. The highest of producer and user accuracy showed in forest lands and the water body of 99.44% and 99.41% respectively. The largest area of land use in the Gorganrood River basin is related to the Barren/Rangeland/Cropland class of 314110 ha. Finally, the SVM-SL50 algorithm in the object-based classification is suggested as an optimal classifier with a high accuracy for classification of land use classification maps in order to manage natural resources in Golestan province.

کلیدواژه‌ها [English]