ارائه يك مدل نيمه - اتوماتيك مبتني بر آناليز شيءگرا به منظور تهيه نقشه پراكنش زمين‌لغزش (مطالعۀ موردي: از حوزۀ آبخيزوازرود)

A Semi-Automated Object-Based Model for Producing Landslide Inventory Map (Case Study: Vazroud Watershed)

نخستين گام در مطالعات حساسيت و خطر زمين‌لغزش، تهيه نقشه پراكنش زمين‌لغزش‌ها است. روش‌ معمول در تهيه نقشه-هاي زمين‌لغزش شامل مطالعات ميداني به همراه تفسير عكس-هاي هوايي مي‌باشد. تكنيك‌هاي نوين و نوظهور سنجش از دوري، با استفاده از تصاوير ماهواره‌اي منجربه تسهيل توليد نقشه‌هاي زمين‌لغزش و كاهش زمان مورد نياز شده‌است. در تحقيق حاضر به منظور شناسايي زمين‌لغزش‌هاي بخشي از رشته كوه‌هاي البرز مياني در حوضه وازورد، مدلي نيمه اتوماتيك مبتني بر آناليز شيءگرا (OOA) درمحيط نرم‌افزار eCognition طراحي شد. با بررسي تحقيقات پيشين، تفسير عكس‌هاي هوايي و همچنين بررسي منطقه با استفاده از تصاوير Google Earth، تعداد 105 لغزش در منطقه شناسايي شد كه از اين تعداد، به ترتيب 74 (70درصد) و 31 (30 درصد) براي آموزش و آزمون در نظر گرفته شد. مدل شناسايي بر اساس خصوصيات مكاني، طيفي و شكليِ زمين‌لغزش‌هاي آموزشي و همچنين نقشه‌هاي موضوعي منطقه طراحي شد. نتايج حاصل از كاربرد مدل در منطقه مورد مطالعه نشان داد كه مدل ارائه شده در اين تحقيق، قادر به شناسايي 19/74 درصد از زمين‌لغزش‌هاي آزمون مي‌باشد؛ همچنين دقت مدل در شناسايي سطح گسترش زمين‌لغزش‌ها در منطقه برابر با 28/41 درصد بوده كه در صورت استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا بهبود خواهد يافت.

The first step in the study of landslide susceptibility and hazard is to produce a landslide inventory map. The usual methods of landslide mapping include field investigations, combined with visual interpretation of aerial photographs. Modern and newfangled remote sensing techniques, using satellite images, causes in facilitating of landslide mapping and reduce the required time. In this study a semi-automatic model based on object oriented analysis was developed in eCognition software to identify landslides at the central part of the Albourz Mountains in Vazroud watershed. A total of 105 landslide events were detected within the study area using documentation from previous research, interpretation of aerial photographs and visual inspection of the Google Earth images. 70% (74 points) of detected landslides were randomly selected for training, and the remaining 30% (31 points) cases were used for test. The model was developed based on spatial, spectral and geometry characteristics of training landslides as well as thematic maps of the study area. Results showed the model accuracy of 74.19% in the detection of test landslides. Also the accuracy of 41.28% was achieved in detection of the extent of landslides which in the condition of using high-resolution images, would be improved.