دانشگاه ارومیه

 آمار

تعداد نشریات13
تعداد شماره‌ها155
تعداد مقالات1,549
تعداد مشاهده مقاله2,418,616
تعداد دریافت فایل اصل مقاله2,026,187
محمدی, پناه, احمدی, عباس, فیضی زاده, بختیار, جعفرزاده, علی اصغر, رحمتی, مهدی. (1399). ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان). پژوهش های میوه کاری, 9(1), 28-40.
پناه محمدی; عباس احمدی; بختیار فیضی زاده; علی اصغر جعفرزاده; مهدی رحمتی. "ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان)". پژوهش های میوه کاری, 9, 1, 1399, 28-40.
محمدی, پناه, احمدی, عباس, فیضی زاده, بختیار, جعفرزاده, علی اصغر, رحمتی, مهدی. (1399). 'ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان)', پژوهش های میوه کاری, 9(1), pp. 28-40.
محمدی, پناه, احمدی, عباس, فیضی زاده, بختیار, جعفرزاده, علی اصغر, رحمتی, مهدی. ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان). پژوهش های میوه کاری, 1399; 9(1): 28-40.

ارزیابی روش‌های طبقه‌بندی پیکسل‌پایه و شیء گرا در آشکارسازی و پهنه‌بندی اراضی فرسایشی با استفاده از داده‌های سنجش از دور سنتینل 2 (مطالعه موردی: حوضه آبخیز لیقوان)

تحقیقات کاربردی خاک
دوره 9، شماره 1، خرداد 1400، صفحه 28-40    اصل مقاله (993.87 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
پناه محمدی* 1؛ عباس احمدی2؛ بختیار فیضی زاده3؛ علی اصغر جعفرزاده4؛ مهدی رحمتی5
1دانشگاه تبریز - دانشکده کشاورزی - گروه مهندسی فیزیک و حفاظت خاک
2عضو هیئت علمی دانشگاه تبریز
3عضو هیئت علمی گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز
4گروه خاکشناسی دانشگاه تبریز- تبریز- ایران
5عضو هیات علمی
چکیده
فرسایش خاک بر اثر آب، یکی از مهمترین عوامل ویرانی زمین به شمار رفته و امروزه به عنوان یک خطر زیست محیطی جدی در سراسر جهان تلقی می­گردد. امروزه به­کارگیری سنجش از دور در پروژه­های حفاظت و فرسایش خاک مرسوم است که در بیشتر آنها از عکسهای هوایی استفاده می­شود که با وجود مزایای فراوان، دارای محدودیت­هایی نیز هستند. در پژوهش حاضر، با استفاده از داده­های ماهواره­ای با قدرت تفکیک بالا مربوط به ماهواره سنتینل-2 و تلفیق آن با عکسهای هوایی و نقشه­های پایه، و اجرای روش­های مختلف طبقه­بندی اعم از پیکسل­پایه و شیءگرا، با هدف آشکارسازی و پهنه­بندی سطوح فرسایشی خاک، مورد بررسی و ارزیابی قرار گرفته است. پس از انجام عملیات ستادی، تصحیح­های اتمسفری و هندسی، انجام پیش­پردازش­ و پردازش­های اولیه روی تصاویر سنتینل-2، در نهایت اقدام به آشکارسازی و پهنه­بندی سطوح فرسایش در حوزه آبخیز لیقوان گردید. به­منظور ارزیابی صحت و دقت هرکدام از روش­های به­کار رفته در این تحقیق، معیارهای ارزیابی دقت تولید کننده و کاربر، صحت کلی و ضریب کاپا بررسی و مقایسه شدند. بر اساس نتایج حاصله، روش طبه­بندی نظارت شده با به کارگیری الگوریتم نقشه زاویه طیفی و فاصله ماهالانویی، به ترتیب با دقت تولید­کننده 78/77 و 33/33 دارای بیشترین و کمترین دقت برای طبقه­بندی برخوردار هستند. همچنین، به طور کلی معیار صحت کلی و ضریب کاپا نیز به ترتیب با مقادیر حداکثر 72 و 62 درصد، بیانگر دقت و صحت متوسط نقشه­های تولیدی الگوریتم­های پیکسل­پایه می­باشند. در حالیکه نتایج حاصله از پردازش شیءگرا نشان می­دهد که بر­اساس هر دو معیار دقت تولید ­کننده و دقت کاربر، روش­های شیءگرا باعث افزایش 12 درصدی دقت نسبت به روش­های پیکسل­پایه شده است. نتایج طبقه­بندی با الگوریتم­های شیءگرا و بر اساس صحت کلی برابر 88 و 84 درصد به ترتیب برای الگوریتم­های ضریب روشنایی و تلفیق ضریب روشنایی و شیب و بر اساس معیار ضریب کاپا نیز برای این دو الگوریتم به ترتیب 86/0 و 79/0 بدست آمد که نشان­دهنده افزایش قابل قبول صحت طبقه­بندی در استفاده از الگوریتم­های شیءگرا در مقایسه با الگوریتم­های پیکسل­ پایه است.
کلیدواژه‌ها
الگوریتم‌های شیءگرا؛ پردازش تصاویر ماهواره‌ای؛ فرسایش خاک؛ قطعه‌بندی تصاویر
مراجع
Alimohamadi A., Metkan A.A., Ziyaiian P., and Tabatabayi H. 2009. comparison of pixel basic, object base and decision tree classification methods in forest types mapping using remote sensing data (case study: Astara forest). Journal of Applied Researches in Geographical Sciences, 10(13): 7-26.

Brockhaus J.A., Khorram S., Bruck R.I., and Campbell M. V. 1992. a comparsion of landsat TM and spot HRV data for use in the development of forest defoliation models. International journal of remote sensing, 13: 3235- 3240.

Chen G., Hay G.J., Carvalho L.M., and Wulder M.A. 2012. Object-based change detection. International Journal of Remote Sensing, 33(14): 4434-4457.

Fazizadeh B., and Helali H. 2010. Comparison of pixel-based and object-oriented and parameters affecting the on land use/cover West Azerbaijan province. Geography Studies, 71:73-84. (In Persian)

Feizizadeh B., and Blaschke T. 2013. Land suitability analysis for Tabriz County, Iran: a multi-criteria evaluation approach using GIS. J. Environ. Plan. Manag, 56: 1–23.

Hussaina M., Chen D., Cheng A., Wei H., and Stenle D. 2013. Change detection from remotely sensed images: From pixel-based to object based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, International Conference on Object based Image Analysis (OBIA 2006), university of Salzburg, pp. 91–106.

Karami A., Khorani A. A., Falahshamsi S. R., Mosavi V., and Khosravi GH. 2012. Object-oriented application of remote sensing to map gully erosion. 20th Conference of Geomatics of Iran, 8p. (In Persian)

Khosraviaqdam K., Momtaz H.R, and Asadzadeh A. 2019. Estimation of soil erodibility factor of USLE model and its relation to landscape features in some parts of Nazlou-chai basin, Iran.Applied Soil Research, 7(1): 31 -43.

Martha T.R., Kerle N., Jetten J., van Westen C.J., and Vinod K.K. 2010. Characterising spectral, spatial and morphometric properties of landslides for semi automatic detection using object oriented methods. Geomorphology, 116: 24–36.

Matinfar H.R., Sarmadian F., Alavi panah S.K., Rechard Heck. 2007. Characterizing land use/land cover types by Landsat7 data based upon object oriented approach in Kashan region. Iranian Journal of Range and Desert Research, 12(4): 589-602.

Oruc M., Marangoz A.M., and Buyuksalih G. 2004. Comparison of pixel-based and object oriented classifiation approaches using Landsat-7 ETM spectral bands. ZKU, Engineering Faculty, 67100 Zonguldak, Turkey.

Paola J., and Showengerdt R. 1995. A detailed comparison of back-propagation neural network and maximum likelihood classifiers for urban land use classification. IEEE Transactions on Geoscience and Remote Sensing, 33: 981-996.

Petropoulos G. P., Kalaitzidis C., and Vadrevu K. P. 2012. Support vector machines and object-based classification for obtaining land use/cover cartography from Hyperion hyperspectral imagery. Computers and Geosciences, 41: 99–107.

Puissant A., Rougier S., and Stumpf A. 2014. Object-oriented mapping of urban trees using Random Forest classifiers. International Journal of Applied Earth Observation and Geoinformation, 26: 235–245.

Rafieyan O., Darvishsefat A. A., Babaii S., and Mataji A. 2011. Evaluation of pixel-based and object-based classification methods for tree identification using aerial images (Case study: a forestation in Chamestan-Nur). Iranian Journal of Forest, 3 (1): 35-47. (In Persian)

Singh P., Gupta A., and Singh M. 2014. Hydrological inferences from watershed analysis for water resource management using remote sensing and GIS techniques. The Egyptian Journal of Remote Sensing and Space Science, 17(2): 111-121.

Tso B., and Mather P.M. 2001. Classification methods for remotely sensed data. Taylor and Francis Inc. ISBN: 0-415-25909-6.

آمار
تعداد مشاهده مقاله: 1,732
تعداد دریافت فایل اصل مقاله: 1,245