تصاویر سنتینل 2A

منابع آبی در گذر زمان و با افزایش جمعیت در حال کاهش می باشد، لذا مدیریت این منابع بسیار ضروری است.  در مطالعه حاضر بخشی از رود آجی چای بنا به شرایط خاص منطقه از نظر توپولوژی و محیط پیرامونی انتخاب و به منظور استخراج پهنه های آبی از دو روش نزدیک ترین همسایگی و فازی شئ گرا استفاده شد.  برای بهبود نتایج، نتایج حاصل از اعمال شاخص های استخراج آب به عنوان لایه های کمکی به همراه تصویر ماهواره سنتینل 2A  در نرم افزار eCognition  به کار برده شد.  به منظور انجام پردازش شئ گرا ابتدا واحدهای پردازش ایجاد گردید، سپس در روش نزدیک ترین همسایگی جهت بهبود نتایج، فضای نمونه های برداشتی با استفاده از الگوریتم FSO  بهینه گردید. در روش فازی شئ گرا پس از محاسبه درجه های عضویت پهنه های آبی استخراج شد.  بررسی نتایج نشان داد که روش فازی شیء گرا (دقت کلی 98 درصد) نسبت به روش نزدیک ترین همسایگی ( دقت کلی 95 درصد) نتایج بهتری را در استخراج دقیق پهنه های آبی ارائه می دهد.  روش نزدیک ترین همسایگی کارایی لازم برای تشخیص پهنه های آبی از عوارضی نظیر جاده ها، سایه و ابر را ندارد و این عوارض را به عنوان پهنه های آبی طبقه بندی می کند که باعث کاهش کیفیت و دقت طبقه بندی می شود، ولی در روش فازی شئ گرا به دلیل محاسبه درجه های عضویت این مشکل مرتفع گردیده و باعث افزایش دقت استخراج پهنه های آبی می گردد.

زمین به عنوان یک سطح پیوسته می تواند به واحدهای دارای خصوصیات فیزیکی و مورفولوژیکی مشترک طبقه بندی شود که ممکن است به عنوان یک شرط مرزی برای طیف گسترده ای از حوزه های کاربردی باشد. این مطالعه روشی برای طبقه بندی فرم زمین ارائه می دهد که ژئومورفومتری عمومی چشم انداز را نشان می دهد. در پژوهش حاضر شهرستان ماکو در آذربایجان غربی بنا به شرایط خاص منطقه ازنظر مورفولوژی و محیط پیرامونی انتخاب و برای استخراج لندفرم ها از روش فازی شیءگرا استفاده شد. به منظور انجام پردازش، مشتقات لایه رقومی ارتفاع (شیب، بافت انحنای حداکثر، حداقل، مسطح و انحنای پروفیل) به همراه تصویر ماهواره سنتینل 2A مورد استفاده قرار گرفت. پس از انجام مراحل پیش پردازش، ابتدا مقیاس بهینه سگمنت سازی با استفاده از افزونه ESP پیش بینی گردید و سپس اشیاء تصویر برای انجام پردازش با مقیاس 9 و 17 و 27 ایجاد شد. به منظور استخراج لندفرم ها از تعداد 160 نمونه زمینی استفاده و درجه عضویت الگوریتم های مختلف محاسبه گردید و الگوریتم هایی که بیشترین درجه عضویت را داشتند برای طبقه بندی استفاده شدند. در این تحقیق تعداد 14 نوع لندفرم در منطقه مطالعه شناسایی و استخراج گردید. نتایج تحقیق نشان می دهد که روش فازی شیءگرا توانسته است با دقت کلی 87 درصد و شاخص کاپای 85 درصد لندفرم ها را طبقه بندی کند. مزیت روش های شیءگرا این است که خیلی سریع بوده و نتایج دارای دقت خوب و بالایی هستند.