داده رادار و اپتیک

سابقه و هدف: در دهه های گذشته، داده های سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح گوناگون، از مقیاس محلی تا جهانی، به کار رفته است. پایش دقیق و منظم این تغییرات در برنامه ریزی شهری، کشاورزی دقیق و مدیریت پایدار منابع زمین ضرورت دارد. فراهمی داده های سنجش از دور با ارائه سطوح بی سابقه ای از جزئیات مکانی و همچنین توسعه الگوریتم های طبقه بندی تصاویر ماهواره ای، باعث شده است که رویکردهای شیء گرا، در مقایسه با رویکردهای معمول، در طبقه بندی کاربری و پوشش زمین کاربرد بیشتری پیدا کنند. بدین منظور، در این مطالعه، رویکردی شیء گرا با ترکیب الگوریتم های GLCM، SNIC و یادگیری ماشین مطرح شده که هدف از آن طبقه بندی کاربری و پوشش زمین بخشی از اراضی شمال مهاباد در آذربایجان غربی، با استفاده از تصاویر ماهواره ای سنتینل 2 در سال 2019 در سامانه گوگل ارث انجین بوده است. مواد و روش ها: روش انجام شدن این پژوهش به گونه ای است که ابتدا مجموعه داده اولیه، شامل باندهای هدف تصاویر سنتینل 1 و سنتینل 2، مدل رقومی سطح زمین ALOS و شاخص های NDVI، BSI، SAVI و توان بازپراکنش کل (TSP) آماده سازی شد. در مرحله دوم، با اتخاذ دو رویکرد پیکسل پایه و شیء گرا و الگوریتم جنگل تصادفی، کاربری و پوشش زمین طبقه بندی شد و نتایج حاصل از آنها، برای تبیین بهترین رویکرد ازنظر دقت کلاس های گوناگون، مقایسه شد. در رویکرد شیء گرا، معیارهای بافتی با اعمال ماتریس وقوع توأم گام های خاکستری (GLCM) روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها روش تحلیل مؤلفه های اصلی (PCA)، برای کاهش ابعاد تصویر، به کار رفت. در گام آخر، با ترکیب لایه PC1 و لایه قطعه بندی حاصل از الگوریتم خوشه بندی ساده غیرتکراری (SNIC)، الگوریتم جنگل تصادفی به منظور تهیه نقشه های کاربری و پوشش زمین محدوده مطالعاتی در نظر گرفته شد. نتایج و بحث: تحلیل معیارهای ارزیابی صحت نشان داد که رویکرد شیء گرا با صحت کلی و ضریب کاپای معادل 86/40% و 0/8307، در مقایسه با رویکرد پیکسل پایه با صحت کلی و ضریب کاپای 82/73% و 0/8028، نتایج بهتری را در طبقه بندی کاربری های متفاوت اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان داد صحت تولیدکننده اغلب کلاس های کاربری، به جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی، در رویکرد شیء گرا بیشتر از روش پیکسل پایه است و دقت طبقه بندی آنها بالاتر از 90% بوده است. علاوه براین، کاربری های/ پوشش های پهنه آبی، ساخته شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه کاربری و پوشش زمین شیء گرا به خود اختصاص داده اند. نتیجه گیری: یافته های تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشه بندی SNIC و به کارگیری معیارهای بافتی GLCM به طور مؤثری عملکرد رویکرد پیشنهادی را در طبقه بندی کاربری و پوشش زمین، بهبود می بخشد.