استفاده از اطلاعات تراكم حاشيه در طبقه بندي مناطق شهري- روستايي با داده هاي سنجش از دور

Using Edge Density Information in Classification of Rural-Urban Region from Remotely-Sensed Data

نحوه عمل در اكثر الگوريتم هاي طبقه بندي متداول در سنجش از دور بر اساس ويژگيها و اطلاعات طيفي پيكسلها مي باشد. اين مسئله ضمن ناديده گرفتن مقدار زيادي از اطلاعات فضايي موجود در تصوير با افزايش قدرت تفكيك فضايي در ماهواره ها، باعث افزايش اطلاعات غير مفيد (نويز) و افزايش تشابه طيفي بين طبقات و در نتيجه افزايش واريانس داخلي مي شود كه در نهايت منجر به اثرات منفي بر روي دقت طبقه بندي مي گردد. به منظور رفع يا كاهش اين مشكلات، استفاده توأم از اطلاعات طيفي و محيطي مي تواند به تفكيك كاربريهايي كه از لحاظ طيفي مشابه هستند كمك موثري نمايد. در اين تحقيق مزاياي حاصل از تركيب اطلاعات تراكم حاشيه استخراج شده از طبقه بندي مبتني بر ويژگيهاي طيفي عناصر تصوير با روشهاي طبقه بندي حداكثر احتمال، حداقل فاصله از ميانگين و ماهالانوبيز مورد بررسي قرار گرفته است. اين روش براي داده هايي با توان تفكيك مكاني بالا كه حاوي اطلاعات جزيي زيادتري مي باشند و همچنين مناطقي با پديده هاي متفاوت و داراي تراكم هاي حاشيه مختلف مي تواند مناسب تر باشد. كارايي استفاده از اطلاات تراكم حاشيه در بهبود دقت طبقه بندي با داده هاي چند طيفي ماهواره اسپات (SPOT) و عكس هوايي مربوط به بخشي از منطقه حاشيه تالاب انزلي در استان گيلان كه داراي پديده هاي متنوع و كاربريهاي مختلف مي باشد، مورد ارزيابي قرار گرفته است. نتايج حاصل نشان دهنده افزايش دقت كلاسهاي اطلاعاتي بويژه با تفكيك پذيري طيفي ضعيف مي باشد. روش طبقه بندي ماهالانوبيز در كلاسهاي اطلاعاتي مراكز شهري- روستايي (60/74 درصد) و رودخانه و كانال (87/66 درصد) به ترتيب با 06/14 و 57/6 درصد افزايش در داده هاي ماهواره‌اي و كلاسهاي مجتمع درختي و باغات (37/74 درصد)، رودخانه اصلي (44/59 درصد)، كشاورزي (38/46 درصد) و مناطق مسكوني (09/68 درصد) به ترتيب 78/11، 61/36، 09/28 و 29/53 درصد نسبت به طبقه بندي مبتني بر اطلاعات طيفي پيكسلها در داده‌هاي عكس هوايي افزايش دقت نشان مي دهند.

Operation manner in most of the conventional classification algorithms in remote sensing is based on pixels spectral information.Classification of these data ignore information obtained from adjacent pixels. In additional to with increasing of spatial resolution in satellites , increase harmful information( noise) and spectral similarity between classes , consequently increase internal variance of classes and finally decrease classification accuracy. To remove or decrease this problems , the proper incorporation and use of spectral and contextual information can efficiently help distinguish land-uses which are similar spectrally. In this study, effectiveness of incorporating structural information with classification procedures have been investigated. The technique is based on the use of edge-density information generated from the classified data. “ Maximum Likelihood ”(ML) , “ Minimum Distance to Means ”(MD) and “ Mahalanobis ” classification procedures have been used to classify data together with the edge-density information as an additional band. The performance of using edge-density data has been evaluated using the data of SPOT-XS and aerial photographs of the Anzali Wetlands ( Anzali Talab ) located in Gilan province north of Iran. This region is very heterogeneous. Results show that use of the structural information leads to increases in accuracy of some classes particularly those with low spectral separabilities. Mahalanobis classifier using spatial and spectral information in rural-urban ( 74.60) and river and channel ( 66.87) classes show 14.06 and 6.57 percent increases respectively in accuracies as compared to the spectral classification of satellite data. Application of this approach also in aerial photographs for patches of trees , river , agricultural and residential classes show 11.78 , 36.61 , 28.09 and 53.29 percent increases in accuracies respectively. Result show that considering the complex environmental conditions of the study site, the proper incorporation and use of spectral and spatial information can result in more efficient discrimination of some spectrally similar classes. The information of edge-density seems to be more promising in high resolution imagery and heterogeneous classes such as urban features.