مقايسه روش هاي تفسير چشمي و رقومي در تهيه نقشه كاربري و پوشش اراضي استان اردبيل

Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province

تهيه نقشه كاربري/ پوشش اراضي يكي از پركاربردترين موارد استفاده از داده‌هاي سنجش از دور است. داده‌هاي سنجش از دور به جهت ارائه‌ي اطلاعات به هنگام، رقومي، پوشش تكراري، كم‌هزينه بودن، امكان پردازش و پتانسيل بالا براي تهيۀ نقشه‌هاي كاربري و پوشش اراضي در منابع طبيعي، از اهميت بالايي برخوردار است. در اين تحقيق نقشه كاربري و پوشش اراضي با استفاده از تصاوير گوگل ارث و تصوير سنجنده OLI ماهواره Landsat 8 و روش‌هاي تفسير چشمي (تصاوير GE)، طبقه‌بندي نظارت‌شده، شبكه عصبي مصنوعي و طبقه‌بندي شيءپايه، (تصوير لندست 8)، تهيه و با يكديگر مقايسه شدند. براي ارزيابي صحت طبقه‌بندي از شاخص‌هاي صحت كل، ضريب كاپا، صحت توليدكننده و صحت كاربر استفاده شد. نتايج نشان داد روش تفسير چشمي با صحت كلي 99/4 و ضريب كاپاي 0/99، نسبت به روش‌هاي شيءپايه، نظارت‌شده و شبكه عصبي مصنوعي (به ترتيب با صحت كلي 94، 82 و 60/8 و ضريب كاپاي 0/92، 0/77 و 0/5) از صحت بيشتري برخوردار است. بر اساس نقشه تفسير چشمي مراتع با مساحت 946687 هكتار و پهنه‌هاي آبي با مساحت 2177/4 هكتار به ترتيب بيشترين و كمترين كاربري را به خود اختصاص دادند. در مجموع از نظر صحت، روش تفسير چشمي با استفاده از تصاوير گوگل ارث از صحت بالايي برخوردار است اما روشي زمان‌بر و پر‌هزينه است، در مقابل روش طبقه‌بندي شيءپايه با صحت قابل‌قبول و ‌هزينه و زمان كمتر، مناسب‌ترين روش براي تهيه نقشه كاربري/ پوشش اراضي است.

Land use/cover mapping is one of the most common applications of remote sensing data. Remote sensing data by providing updated digital information, repetitive coverage, reduce costs and the possibility of processing and high potential for the preparation of land use/cover maps in natural resources, is of paramount importance. In this study, the land use and cover map prepared using Google Earth and the Operational Land Imager image sensor (OLI) of Landsat 8 satellite and methods of visual interpretation (GE images), supervised classification, neural networks and object-based classification methods (Landsat 8 images), and compared with each other. In order to evaluate the accuracy of the classification, the overall accuracy, Kappa coefficient, producer’s accuracy and user’s accuracy were used. The results showed that the visual interpretation method with overall accuracy and Kappa coefficient of 99.4 and 0.99, in comparison to the object-based, supervised and artificial neural networks (with an overall accuracy of 94, 82 and 60.8, and a Kappa coefficient of 0.92, 0.77 and 0.50) are more reliable. According to the map of visual interpretation, the rangelands with an area of 946687 ha and water bodies in the area of 217.42 ha were the largest and smallest land use/covers, respectively. In terms of accuracy, the visual interpretation method using Google Earth images had the highest accuracy, but it is time-consuming and cost-effective. In contrast, object-based method with acceptable accuracy and with low cost and time is the best method for land use/cover mapping.