شماره ركورد :
1305896
عنوان مقاله :
طبقه‏بندي شيءگراي مناطق شهري با تلفيق تصاوير سنتينل‌ـ 1 و سنتينل‌ـ 2
پديد آورندگان :
شاه حسيني ، رضا دانشگاه تهران، دانشكدگان فني - دانشكده مهندسي نقشه‌برداري و اطلاعات مكاني , عزيزي ، كمال دانشگاه تهران، دانشكدگان فني - دانشكده مهندسي نقشه‌برداري و اطلاعات مكاني , زارعي ، ارسطو دانشگاه تهران، دانشكدگان فني - دانشكده مهندسي نقشه‌برداري و اطلاعات مكاني , مرادي ، فاطمه دانشگاه تهران، دانشكدگان فني - دانشكده مهندسي نقشه‌برداري و اطلاعات مكاني
از صفحه :
105
تا صفحه :
121
كليدواژه :
سنجش از دور , سنتينل‌ـ 1 , سنتينل‌ـ 2 , طبقه‏بندي مبتني بر شيء , ماشين‏ بردار‏ پشتيبان , جنگل تصادفي
چكيده فارسي :
نقشه‌هاي كاربري زمين، توزيع فضايي منابع طبيعي، مناظر فرهنگي و سكونتگاه‌هاي انساني را توصيف مي‌كنند كه به‌منزله ابزار برنامه‌ريزي مهمي براي تصميم‌گيرندگان عمل مي‌كند؛ بنابراين دقت نقشه‏هاي حاصل از طبقه‏بندي تصاوير ماهواره‏اي در عدم قطعيت به‌منظور ‏مديريت شهري بسيار تأثيرگذار است. با توجه به كيفيت يكنواخت تصاوير در مناطق بزرگ در مراحل زماني منظم، تصاوير سنجش از دور ورودي ضروري در توليد نقشه‌هاي كاربري زمين شمرده مي‌شوند. هدف اصلي از اين تحقيق پيشنهاد‌كردن روشي به‌منظور ايجاد نقشه پوشش اراضي دقيق در مناطق شهري، با استفاده از تلفيق داده‏هاي سنتينل‌ـ 1 و سنتينل‌ـ 2 است. به اين منظور، ويژگي‌هاي ضريب بازپراكنش راداري VV و دو پارامتر حاصل از روش تجزيه Hα (آنتروپي، آلفا) از تصاوير راداري سنتينل‌ـ 1 و ويژگي‌هاي باند آبي، سبز، قرمز، شاخص‌هاي NDVI، NDWI، MNDWI و SWI از تصاوير اپتيك سنتينل‌ـ 2 استخراج و به منزله مؤلفه‌هاي تأثيرگذار در طبقه‌بندي منطقه شهري استفاده شد. در اين مطالعه، با هدف جداسازي مناطق كشاورزي از ساير پوشش‌ها، از شاخص رطوبت SWI استفاده شد. همچنين داده‌هاي ارتفاعي براي تفكيك بهينه كلاس‌هاي پيچيده با توپوگرافي متفاوت به‌كار رفت. استخراج شاخص‌هاي تأثيرگذار از اين دو مجموعه داده، در رويكردي شيءگرا مبتني بر الگوريتم‌ هاي ماشين بردار پشتيبان و جنگل تصادفي، براي طبقه‌بندي كاربري زمين ارزيابي شد. نتايج نشان داد كه به‌كارگرفتن ويژگي‌هاي استخراج‌شده از تصاوير راداري و اپتيك به‌طور هم‌زمان، در روش‌ طبقه‌بندي شيء‌گرا، مي‏تواند ويژگي‏هاي شيء را به‌طور كامل در ناحيه مورد مطالعه استخراج كند. در مورد هر دو الگوريتم طبقه‏بندي، زماني كه از داده‏هاي اپتيك و راداري به‌طور هم‌زمان استفاده شد، دقت كلي طبقه‌بندي افزايش داشت. در مورد روش جنگل تصادفي كه بيشترين دقت‌ها را دربر داشت، دقت كلي براي رويكرد تركيب داده‌هاي راداري و اپتيك به‌ميزان 13 و 5%، به‌ترتيب به نسبت رويكرد تنها ويژگي راداري و تنها رويكرد ويژگي اپتيك، افزايش پيدا كرده است. همچنين اختلاف معني‏داري در دقت طبقه‏بندي، در تمامي سطوح، بين الگوريتم طبقه‌بندي ماشين بردار پشتيبان و جنگل تصادفي ديده مي‌شود. نتايج نشان داد كه دقت كلي درمورد روش طبقه‌بندي جنگل تصادفي و ماشين بردار پشتيبان به‌ترتيب برابر 3/83 و 79/8% و ضريب كاپا به‌ترتيب 0/72 و 0/68% بوده است.
عنوان نشريه :
سنجش از دور و GIS ايران
عنوان نشريه :
سنجش از دور و GIS ايران
لينک به اين مدرک :
بازگشت