تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

ریز طبقه بندی اراضی باغی و زراعی با استفاده از تکنیکهای پردازش شی پایه والگوریتم های فازی با هدف تخمین سطح زیر کشت

نویسندگان
بختیار فیضی زاده
علی خدمت زاده
محمدرضا نیکجو
دانشگاه تبریز
10.29252/jgs.18.48.201
چکیده
تکنولوژی سنجش از دور یکی از فناوری­های کارآمد و نوین در استخراج کاربری های اراضی ، به روز رسانی نقشه ها و کشف تغییرات کاربرها می­باشد. سنجش از دور با ارائه تصاویر ماهواره ای با قدرت زمانی و مکانی متفاوت امکان مدیریت بهنگام کاربری ها را فراهم ­آورده که باعث صرفه جویی در وقت و هزینه شده و این امر قدرت تصمیم گیری، بهره برداری بهینه و برنامه ریزی دقیق تر برای منابع طبیعی را افزایش می­دهد. استفاده از تکنیک های پردازش شی گرا (دانش پایه) تصاویر ماهواره ای از روشهای جدید در پردازش تصاویر می­باشد، که علاوه بر استفاده از قدرت تفکیک طیفی تصاویر از ویژگی های فیزیکی و هندسی(بافت ،شکل)تصاویر نیز استفاده می­کند. تحقیق حاضر با هدف استخراج نقشه کاربری های باغی و زراعی در دشت میاندوآب با استفاده از الگوریتم­ها و شاخص­های مناسب در پردازش شی گرای تصاویر ماهواره ای در محیط نرم افزار eCognition انجام شده است. در این تحقیق نقشه پراکنش محصولات کشاورزی در 9 طبقه تهیه شد و سپس برای پردازش شیء پایه تصاویر ماهواره ای، تصویر با مقیاس10 ،ضریب شکل0.7 و فشردگی0.3سگمنت سازی شد و بر اساس الگوریتم فازی اشتراک(AND)،کاربری های مورد نظر با استفاده ازشاخصهای بافت(Texture)، هندسی(Geometry)، پوشش گیاهی(NDVI)، ترکیب سطوح خاکستری پیکسل(GLCM) ، درجات روشنایی، طبقه بندی شده­اند که از الگوریتم طبقه بندی Assign Class استفاده شده است،که در نهایت دقت کلی 93.6/0 و ضریب کاپا 92.5/0 برای کاربری های استخراج شده به دست آمد. مساحت سطح زیر کشت برای کاربری های گندم و جو، آلو و آلوچه، سیب، تاکستان و یونجه به ترتیب شامل 42/2622، 4505 ، 55/4354 ، 85/4457، 58/14110 هکتار می باشد.
کلیدواژه‌ها
روش های طبقه بندی شیءگرا
الگوریتم‌های فازی
الگوریتم Assign Class
نقشه کاربری اراضی
دشت میاندوآب

عنوان مقاله English

Micro-classification of orchards and agricultural croplands by applying object based image analysis and fuzzy algorithms for estimating the area under cultivation

نویسندگان English

Bakhtiar Feizizadeh
Ali KHedmat Zadeh
Mohammad Reza Nikjoo,
Assistant Professor of Remote Sensing, Tabriz University .
چکیده English

Remote sensing technology is one of the most efficient and innovative technologies for agricultural land use/cover mapping. In this regard, the object-based Image Analysis (OBIA) is known as a new method of satellite image processing which integrates spatial and spectral information for satellite image process. This approach make use of spectral, environmental, physical and geometrical characteristics (e.g. texture, shape) together images contexts for modeling of land use/cover classes. The main objective of this study is to classify micro land use/cover of Meyandoab County by applying appropriate and effective algorithms and parameters in the object based approach. For this goal, Quick Bird and Aster satellite images were used within the integrated approach for processing and land use modeling. Accordingly, the land use map was classified in 9 class based on spectral and spatial characteristics. In order to perform OBIA, the segmentation was applied in the scale of 10, shape parameter of 0.7 as well as the compactness of 0.3. In terms of the classification task, fuzzy based algorithm and operators (AND, OR) was applied to detriment the membership functionality of segments for each class as well as classifying the related objects. We also applied textures, geometric, NDVI, GLCM, brightness algorithms based on fuzzy operators and assign class algorithm. In order to applying the validation of results, the accuracy assessment step was performed and the finally overall accuracy of 93.6 was obtained for the derived map. The Kappa coefficient was also detriment to be 0.92. The area under cultivation included respectively for lands of wheat and barley, prunes and plums, apples, vineyards and alfalfa hay2622.42, 4505, 4354.55, 4457.85, 14110.58 hectares.

کلیدواژه‌ها English

object-based classification methods
Aster and Quick Bird satellite images
agricultural land use map
Meyandoab County
- Anderson, J. R.; Hady; E. Roach, E.J. Wetter T. and Richard. E.(1976) Lands cover classification system for use with remote sensor data. United States Government Printing Office, Washington.Pages 80– 85.
- Arafat, S.M, (2003). The utilization of geoinformation technology for agricultural development and management in Egypt. 7th International Specialized Conference on Diffuse Pollution and Basin Management 17-22 August 2003, Dublin, Ireland.
- Blaschke T ,( 2010) Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65, 2-16.
- Chaudhuri, B., & Sarkar, N. (1995). Texture segmentation using fractal dimension. IEEE Transactions on Pattern Analysis and Machine Intelligence,pp. 17, 72– 77.
- Chen, M, Su.W, Li.L, Chao.Z,Yue.A and Li.H., (2009) of Pixel-based and Object-oriented Knowledge- based Classification Methods Using SPOT5 Imagery, WSEAS TRANSACTIONS on INFORMATION SCIENCE and APPLICATIONS, ISSN: 1790-0832, pages 477-489.
- Dubuisson-Jolly, M. P., & Gupta, A. (2000). Color and texture fusion: application to aerial image segmentation and GIS updating. Image and Vision computing, 18(10), 823-832.
- Hofmann, T., Puzicha, J., & Buhmann, J. (1998). Unsupervised texture segmentation in a deterministic annealing framework. IEEE Transactions on Pattern Analysis and Machine Intelligence, NO20, pp.803-818.
- Huang, .L and Ni.L. (2008) Object-oriented classification of high resolution satellite image for better accuracy, Proceedings of the 8th International Symposium on Spatial Accuracy Assessment in Natural Resources and Envir onmental Sciences, Shanghai, P. R.China, June 25-27, 2008, pp. 211-218.
- Jain, A & F .Farrokhnia,( 1991) Unsupervised texture segmentation using Gabor filters. In: Pattern Recognition vol. 24.no .12 ,1167-1168.
- Mao, J., & Jain, A. K. (1992). Texture classification and segmentation using multiresolution simultaneous autoregressive models. Pattern recognition,25(2), 173-188.
- Martha, T. R., Kerle, N., Jetten, V., van Westen, C. J., & Kumar, K. V. (2010), Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods. Geomorphology,116(1), 24-36.
- Oruc, M., Marangoz, A. M., Buyuksalih, G.( 2004). Comparison of pixel-based and objectoriented classification approaches using Landsat-7 ETM spectral bands. ZKU, Engineering Faculty, 67100 Zonguldak, Turkey.
- Pal, Nikhil R., and Sankar K. Pal(1993). "A review on image segmentation techniques." Pattern recognition 26, no. 9 ,1277-1294.
- Panjwani, D. & G. Healey, (1995). Markov random field models for unsupervised segmentation of textured colour images. In: IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 17 (10), 939-954.
- Wenjuan,Y, Zhou,W, Qian,Y and Jingli Yan(2016). "A new approach for land cover classification and change analysis: Integrating backdating and an object-based method." Remote Sensing of Environment 177 ,37-47.
- Ziaeian-Firoozabadi, P., L. Sayad-Bydhndy, and M. Eskandari-Nodeh.( 2009). Mapping and estimating the area under rice cultivation in Sari city using satellite images Radarst. Geography Research Natural 68: 45-58. (In Farsi).
- Wardlow, D. B., L. E. Eghbert, and j. H. Castens.( 2007). Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U. S. central great plains. Journal of Remote Sensing of Environment 108: 290-310.
- Yousefi, S., M. Tazeh, S. Mirzaee, H. R. Moradi, and S. H. Tavangar. (2011). Comparison of different classification algorithms in satellite imagery to produce landuse maps (Case study: Noor city). Journal of Applied RS and GIS Techniques in Natural Resource Science 2 (2): 15-23. (In Farsi).
- Arekhi, S., and M. Adibnejad. (2011). Efficiency assessment of the support vector machines for land use classification using landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian journal of Range and Desert Reseach 18 (3): 420-440. (In Farsi).
- Jansen L. J.M. and A. Di Gregorio. (2004) Obtaining land-use information from a remotely sensed land cover map: results from a case study in Lebanon, International Journal of Applied Earth Observation and Geoinformation, 5: 141–157