تهيه نقشه كاربري اراضي كشاورزي با استفاده از داده هاي سنجش از دور و طبقه بندي پيكسل پايه (مطالعه موردي : حوضه آبخيز قره سو استان اردبيل)

يكي از مهم ترين روش هاي استخراج اطلاعات از تصاوير سنجش از دور، طبقه بندي است كه به كاربران امكان توليد انواع اطلاعات مختلف از قبيل نقشه هاي پوششي، نقشه هاي كاربري و نقشه تغييرات را مي دهد. هدف از اين مطالعه مقايسه دقت روش هاي طبقه بندي پيكسل پايه حداكثر احتمال و حداقل فاصله در استخراج نقشه هاي كاربري اراضي با تاكيد بر كاربري كشاورزي حوضه آبخيز قره سو در استان اردبيل مي باشد، به اين منظور از تصاوير ماهوارهاي لندست 8 سنجنده OLI و نرم افزارهاي ArcGIS ENVI5. 3 استفاده شده است. در اين راستا، پردازش تصاوير ماهواره اي در سه مرحله كلي پيش پردازش (تصيحات هندسي - اتمسفري - موزائيك تصاوير و ...)، مرحله پردازش شامل پياده سازي نمونه هاي تعليمي بر روي تصوير و طبقه بندي تصاوير با استفاده از الگوريتم هاي مذكور به منظور استخراج نقشه هاي موضوعي كاربري اراضي كشاورزي و در مرحله پس پردازش فرآينده هاي اعتبارسنجي نقشه ها و همچنين عمليات هاي كارتوگرافي بر رو نقشه هاي تهيه شده اعمال گرديد. نتايج تحقيق نشان مي دهد كه روش طبقه بندي حداكثر احتمال با در نظر گرفتن قوانين احتمال، توزيع نرمال و همچنين ماتريس واريانس - كواريانس دقت طبقه بندي بالايي نسبت به روش طبقه بندي حداقل فاصله در استخراج نقشه كاربري اراضي كشاورزي دارد. براساس ماتريس خطاي حاصل از طبقه بندي، ضريب كاپا و صحت كلي روش حداكثر احتمال به ترتيب 0/85. درصد، 87/55 درصد و روش حداقل فاصله به ترتيب 0/81 درصد و 87/55 درصد برآورد گرديد.

One of the most important methods for extracting information from remote sensing images is a classification that allows users to produce various types of information such as land cover, land use, and map changes. The purpose of this study was to compare the accuracy of the maximum likelihood and minimum distance methods for extracting land use maps with an emphasis on the use of agricultural land use in Gharesou watershed in Ardebil province. For this purpose, Landsat 8 OLI satellite imagery and ArcGIS software ENVI5.3 have been used. In this regard, the processing of satellite images in three stages of its preprocessing (geometric, atmospheric, mosaic, etc.), the processing stage involves the implementation of teaching examples on the image and the classification of images using the above algorithms to extract thematic maps of land use At the post-processing stage, the validation processes of maps as well as cartographic operations were applied to the prepared maps. The results of the study show that the maximum probability classification method with considering probability rules, normal distribution as well as variancecovariance matrix has high classification accuracy in relation to the minimum distance classification method in extracting the land use map of agriculture. Based on the classification error matrix, the Kappa coefficient and the general accuracy of the maximum likelihood method are 0.85. Percent, 87.55% and the minimum distance was 0.81% and 87.55%, respectively.