كليدواژه :
اراضي شور , فازي شيءگرا , نزديك ترين همسايگي , ESP , شرق درياچه اروميه
چكيده فارسي :
سابقه و هدف: شوري خاك يكي از مشكلات مهـم زيسـت محيطـي بـوده كـه نواحي گسترده‌اي را در بسياري از كشورها تحت تأثير قـرار مـي‌دهـد و اين مسأله قابليت توليد و باروري خاك را براي توليد مقرون بصرفه كاهش مـي دهـد شناسـايي و پايش مناطق شور براي كنترل رفتار تخريب زمـين و مـديريت پايـدار آن به ويژه در نواحي نيمه خشك ضروري مي باشد. گسترش روند شور شدن خاك از چالش هاي مهم زيست محيطي حاشيه شرق درياچه اروميه مي‌باشد. نتايج پژوهش پژوهشگران بيانگر آن است كه در زمينه ي شوري با استفاده از روش هاي شيءگرا كمتر كار شده و همچنين در ميان انواع طبقه‌بندي كننده‌هاي موجود در محيط نرم افزار eCognition، به مقايسه بين الگوريتم‌هاي طبقه‌بندي كننده در زمينه شوري كمتر توجه شده است بنابراين ضروري است كه الگوريتم هاي طبقه‌بندي كننده تصاوير مقايسه شده و الگوريتم‌هايي كه دقت خوبي در استخراج عوارض تصوير دارند، مشخص گردند به همين منظور مطالعه حاضر سعي بر آن دارد علاوه بر اينكه شوري خاك در حاشيه شرق درياچه اروميه را از روي تصاوير لندست استخراج نمايد، الگوريتم‌هاي طبقه‌بندي كننده را نيز از لحاظ دقت نتايج بدست آمده ارزيابي و مقايسه نمايد.
مواد و روش‌ها: منطقه مورد مطالعه بخشي از مناطق شرق حوضـه آبريــز درياچه اروميه است كه شامل دشت هاي تبريز، شبستر، اسكو، آذرشهر، ، عجبشير و بناب، ملكان وقسمتي از مراغه مي باشد. و در محــدوده 37درجه و9دقيقه تا 38درجه و 11دقيقه عرض شمالي و 45درجه و 41دقيقه تا 46درجه و 17دقيقه طول شرقي در شمال غرب ايران واقع گرديده است. مساحت محدوده مورد مطالعه 3847/6012 كيلومتر مربع مي‌باشد. در اين تحقيق، از دو نوع داده شامل تصاوير ماهواره‌اي لندست و داده-هاي بدست آمده از GPS در طي عمليات ميداني استفاده گرديد. ابتدا مراحل پيش پردازش تصوير از جمله تصحيح راديومتريك جهت محاسبه شاخص‌هاي طيفي، برش منطقه، استك كردن باندهاي تصوير در محيط نرم افزاري ENVI 5.1 صورت گرفت و پس از اين اعمال، تصاوير و لايه‌هاي اطلاعاتي GIS شامل (اطلاعات توپوگرافي حاصل از DEM 30 متري منطقه، كلاس‌بندي خاك، شاخص پوشش گياهي(NDVI) و ساير لايه‌هاي اطلاعاتي) به منظور طبقه بندي دانش پايه و اعمال الگوريتم‌هاي مختلف وارد محيط نرم افزار eCognation شد. در اين مطالعه كارايي تكنيك فازي شيءگرا و روش نزديك‌ترين همسايگي در استخراج نواحي شور حاشيه شرق درياچه اروميه بررسي شده است.
يافته‌ها: جهت دستيابي به نتايج با دقت بالا، با استفاده از الگوريتم ESP اقدام به بهينه‌سازي مقياس سگمنت‌سازي گرديد و مقياس 170 با ضريب شكل 0/3 و ضريب فشردگي 0/5 به عنوان مقياس مناسب انتخاب گرديد. در مرحله بعد تصوير مورد نظر با استفاده از دو الگوريتم نزديك‌ترين همسايگي و فازي شيءگرا مورد پردازش قرار گرفت. در اين پژوهش جهت انجام طبقه بندي نزديك‌ترين همسايگي، ابتدا فواصل بين نمونه‌هاي تعليمي با استفاده از الگوريتم FSO بهينه گرديد. و براي تصوير مورد مطالعه هجدهمين بعد با فاصله تفكيك-پذيري 2/52 به‌عنوان بهترين بعد جهت جداسازي كلاس‌هاي موردنظر مشخص گرديد. بررسي نتايج به دست آمده نشان مي‌دهد كه هر دو روش با كمي تفاوت نتايج نسبتاً مشابهي را به دست مي‌دهند. روش نزديك‌ترين همسايگي اراضي غير شور را بيشتر از روش فازي شيءگرا برآورد نموده است و اين مي‌تواند به دليل وجود پيكسل‌هاي آميخته باشد.
نتبجه‌گيري: بررسي نتايج به دست آمده نشان داد كه روش فازي شيءگرا به دليل استفاده از توابع درجه عضويت داراي دقت كلي 0/94 و ضريب كاپاي 0/91 بوده و در استخراج شوره‌زارهاي حاشيه شرق درياچه نسبت به الگوريتم نزديك‌ترين همسايگي برتري دارد. همچنين مشخص گرديد كه شاخص روشنايي به عنوان مؤثرترين شاخص در شناسايي و تفكيك اراضي شور از نواحي غير شور مي‌باشد.
چكيده لاتين :
Background and Objectives:
Soil salinity is one of the major environmental problems affecting vast areas in many countries and this problem reduces the ability to produce and fertilize the soil for cost-effective production. Identification and monitoring of saline areas is necessary for controlling land degradation behavior and its sustainable management, especially in semi-arid areas. Expansion of the process of soil salinization is one of the important environmental challenges of the eastern margin of Urmia Lake. The research results of the researcher indicate that less work has been done in this salinity field by means of object-oriented methods. As well as among the various types of classifiers in the eCognition software environment, comparisons between salient classification algorithms are less significant. Therefore, it is necessary to compare the images classification algorithms and algorithms that have a good accuracy in extracting image complications are identified.
Materials and Methods:
The study area is part of the eastern catchment of Urmia Lake which includes the plains of Tabriz, Shabestar, Oskuo, Azarshahr, Ajbashir and Bonab, Malekan and part of Maragheh. and it is located in the range of 37 degrees, 9 minutes to 38 degrees, 11 minutes north latitude and 45 degrees, 41 minutes to 46 degrees and 17 minutes east longitude in the northwest of Iran. The study area is 3847 square kilometers. For this purpose, two types of data including satellite images and GPS data obtained from field operation were employed. First, the stages of image preprocessing, including radiometric correction, to calculate the spectral indices, subset, and image bands stack in the ENVI 5.1 software were performed. After performing the preprocessing stages, the images and GIS data include (Topographic data from DEM 30m of area, soil classification, vegetation index (NDVI) and other information layers) were imported to the eCognition software for object based image processing and to classify knowledge based classification based on different algorithms. In this study, the effectiveness of the object based fuzzy technique and the nearest neighbor approach in the extraction of saline areas in the eastern of Urmia Lake were also investigated as part of methodology.
Results:
In order to achieve high accuracy results, using the ESP algorithm, the segmentation scale was optimized. By predicting the appropriate scale for creating image units using the ESP algorithm, the scale 170 with coefficients of shape 0.2 and compression 0.5 was selected as the appropriate scale for extraction of image symptoms. Accordingly, to classify the nearest neighbor classification, at the first, the intervals between educational samples were optimized using FSO algorithm. and for the image of the study, the eighteenth dimension with a separation distance 2.52 was identified as the best dimension for the separation of the desired classes. The results indicate that both methods with small difference have relatively similar results. However, the nearest neighbor approach has been estimated non-saline lands more than the object based fuzzy method. Based on our statement it could be due to the presence of mixed pixels
Conclusion:
The results showed that the fuzzy object-oriented method, due to the use of membership degree functions, has overall accuracy of 0.94 and a kappa coefficient of 0.91, and it is superior to the nearest neighboring algorithm in extraction of eastern lake margins. It was also found that the brightness index is the most effective indicator in identifying and distinguishing salty lands from non-saline areas.
