پديد آورندگان :
جواهري، سامان دانشگاه خوارزمي تهران - دانشكده جغرافيا , تراهي، علي اصغر دانشگاه خوارزمي تهران - دانشكده جغرافيا - گروه سنجش از دور , توكلي صبور، محمد دانشگاه خوارزمي تهران - دانشكده جغرافيا - گروه آموزشي رشته سنجش از دور و سيستم اطلاعات جغرافيايي
كليدواژه :
كاربري اراضي , طبقه بندي نظارت شده , روش هاي طبقه بندي , تصاوير ماهواره اي
چكيده فارسي :
در اختيار داشتن نقشه هاي كاربري اراضي جديد در بسياري از زمينه ها از جمله مديريت منابع طبيعي و برنامه ريزي براي سرزمين از اهميت بسياري برخوردار است. داده هاي سنجش از دور از پتانسيل بالايي براي تهيه نقشه هاي به روز كاربري و پوشش اراضي برخوردارند. هدف از اين تحقيق ارزيابي روش هاي تهيه نقشه كاربري اراضي شهرستان كامياران با استفاده از تصاوير ماهواره اي مي باشد. در اين مطالعه از داده هاي سنجنده OLI ماهواره لندست8 مربوط به ماه ژوئن سال 2018 استفاده شد. در ابتدا پيش پردازش هاي اوليه شامل تصحيحات راديومتري، اتمسفري و هندسي بروي داده خام انجام گرفت. از نقاط كنترل زميني جهت آموزش، اعتبارسنجي و براي تهيه نقشه كاربري اراضي استفاده شد. كلاس كاربري در هر نقطه با پيمايش ميداني و با استفاده از تصاوير گوگل ارث در 9 كلاس كاربري زمين هاي كشاورزي، جنگل، باغ، مراتع غني، مراتع متوسط، مناطق مسكوني،پهنه آبي، زمين هاي باير و رخنمون سنگي مشخص گرديد. در ادامه از روش هاي حداكثر احتمال، حداقل فاصله، ماشين بردار پشتيبان و فاصله ماهالانوبي براي طبقه بندي نظارت شده در نرم افزار ENVI 5.3 استفاده شد. براي ارزيابي دقت روش هاي طبقه بندي از دو معيار صحت كلي و ضريب كاپا به همراه داده هاي كنترل زميني بهره گرفته شد. نتايج تحقيق نشان داد روش ماشين بردار پشتيبان با صحت كلي 91.4 درصد و ضريب كاپا 0.88 درصد از ديگر روش ها دقت بهتري داشته است.
چكيده لاتين :
It is important to have new land use plans in many areas, including natural resource management and land planning. Remote sensing data has a high potential for preparing up-to-date land use maps and land cover. The purpose of this study is to evaluate the methods of preparing land use maps of Kamyaran city using satellite images. In this study, OLI Landsat 8 satellite sensor data for June 2018 were used. Initially, preliminary processing, including radiometric, atmospheric, and geometric corrections, was performed on raw data. ground control points were used for training, accreditation, and land use mapping. The Landuse class was identified at each point by field survey and using Google Earth images in 9 user classes of agricultural lands, forest, garden, rich pastures, medium pastures, residential areas, water area, barren lands and rocky outcrops. In the following, maximum probability, minimum distance, support vector machine and Mahanalubi distance were used for the supervised classification in ENVI 5.3 software. To evaluate the accuracy of classification methods, two criteria of general accuracy and capa coefficient were used with ground control data. The results showed that the support vector machine method was 91.4% more accurate and the Kappa coefficient was 0.88% more accurate than other methods.
