طبقه بندی شیء گرا

شناخت نوع ابر و طبقه بندی ابرها از ابتدایی ترین اصول در اکثر روش های پیش بینی بارش است که در بیشتر مواقع به صورت بصری و با مقایسه تصاویر باندهای مادون قرمز و باندهای مرئی انجام می شود. در این گونه مطالعات تنها از دمای روشنایی ابر و آلبدوی آن برای طبقه بندی ابر استفاده می شود، در صورتی که بافت و شکل ابرها نیز از عوامل تأثیرگذار در تشخیص انواع آنهاست. روش طبقه بندی شیء گرا به علت استفاده از پارامترهای بافت و شکل و نیز دمای روشنایی و آلبدوی ابر، روش مناسبی برای طبقه بندی ابرها به شمار می آید؛ لیکن این روش طبقه بندی، بسیار وابسته به دقت قطعه بندی نیز هست. با توجه به اینکه یکی از فاکتورهای مؤثر بر دقت طبقه بندی همانا مقیاس قطعه بندی است، لذا تعیین مقیاس مناسب قطعه بندی در افزایش دقت طبقه بندی شیء گرا اهمیت فراوان دارد. هدف از ارائه این مقاله نیز تعیین مقیاس مناسب قطعه بندی در طبقه بندی شیء گرای ابر است. در این تحقیق دو تصویر NOAA/AVHRR مورد استفاده قرار گرفتند. به منظور انجام تحقیق، ابتدا اطلاعات اضافی شامل دمای روشنایی ابر در باند 3 و 4 و ارتفاع ابر از داده های سنجش از دور به منظور استفاده در قطعه بندی تصویر استخراج گردید و از روش دو باندی (مادون قرمز و مرئی) برای انتخاب نواحی آموزشی استفاده شد. سپس تأثیرات منفی خطاهای قطعه بندی بر دقت طبقه بندی شیء گرای ابر از طریق بسط روش محاسباتی تعیین گردید و دقت قطعه بندی کمّی سازی شد. در این مرحله ارزیابی به وسیله کمّی سازی تأثیرات کلی خطاها، با توجه به معیارها و واحدها در 25 مقیاس قطعه بندی صورت پذیرفت تا مقیاس مناسب برای قطعه بندی ابر به دست آید. نتایج نشان داد که نخست، دقت قطعه بندی ابر با افزایش مقیاس قطعه بندی کاهش می یابد؛ و دوّم، تأثیرات منفی خطاهای قطعه بندی کمتر از حد مناسب در قطعه بندی ابر در مقیاس های بزرگ، به صورت کاملاً محسوس بزرگ می شوند. همچنین دقت های قطعه بندی بالا لزوماً منجر به دقت های بالای طبقه بندی شیء گرا در طبقه بندی ابر نمی شوند، اما دقت های پایین قطعه بندی منجر به دقت های پایین طبقه بندی می شوند. با توجه به این مورد، بهترین مقیاس برای قطعه بندی ابر، مقیاس 50 تعیین گردید که منجر به دقت کلی 5/90 درصد در طبقه بندی شیء گرای ابر شد.

مدیریت بهینة منابع طبیعی نیازمند در اختیار داشتن اطلاعات بهنگام و صحیح است. نقشة کاربری اراضی یکی از مهم ترین منابع اطلاعاتی در مدیریت منابع طبیعی قلمداد می شود. هدف از انجام پژوهش حاضر، مقایسه دو روش طبقه بندی پیکسل پایه و شیء گرا در تهیه نقشه کاربری اراضی با استفاده از تصاویر ETM+ در شهرستان ملکشاهی در استان ایلام است. در این پژوهش پس از تهیة تصویر ذی ربط و اعمال تصحیحات هندسی و رادیومتریک روی تصویر با استفاده از دو روش مذکور، نقشة کاربری اراضی استخراج گردید. برای ارزیابی دقت طبقه بندی از شاخص های دقت کل، ضریب کاپا، دقت تولیدکننده و دقت استفاده کننده بهره گرفته شد. نتایج به دست آمده نشان داد که وضوح تصویر روش طبقه بندی شیء گرا بالاتر از روش طبقه بندی پیکسل پایه است. نتایج برآورد دقت نشان می دهد که روش شیء گرا در هر دو شاخص صحت کل و ضریب کاپا با مقادیر به ترتیب 93 درصد و 96 درصد، دقیق تر از روش پیکسل پایه است. براساس نتایج به دست آمده کاربری های جنگل و مرتع حدود 98 درصد از سطح این شهرستان را می پوشاند. در این تحقیق پیشنهاد می شود که از روش طبقه بندی شیء گرا در تهیة نقشه های کاربری اراضی استفاده شود.

بررسی سطح زیر کشت و برآورد میزان تولید محصولات کشاورزی، ازجمله برنج، تا حد زیادی می تواند باعث تأمین امنیت غذایی، تحلیل وضعیت محصولات کشاورزی و درنتیجه توسعه پایدار کشورهای درحال توسعه شود. در این پژوهش، با استفاده از تصاویر ماهواره سنتینل-2،  به برآورد سطح زیرکشت و عملکرد برنج در استان کندز، کشور افغانستان در سال زراعی 2020 پرداخته شد. با به کارگیری سری زمانی شاخص NDVI، مراحل فنولوژی گیاه برنج به دست آمد و پارامترهای فنولوژی (SoS و EoS) با استفاده از روش حداکثر تفکیک استخراج شد. سپس برای شناسایی و تعیین سطح زیرکشت مزارع برنج از روش طبقه بندی شیءگرای مبتنی بر فنولوژی استفاده شد. در این روش از سه نوع داده میزان بازتابش باندهای انعکاسی، شاخص پوشش گیاهی NDVI و پارامترهای فنولوژی به عنوان داده های کمکی استفاده شد. برآورد عملکرد با استفاده از روش تجربی تحلیل رگرسیون بین شاخص های گیاهی سنجش ازدوری (مانند: NDVI و LAI)  و داده های حاصل از برداشت زمینی انجام گرفت. برای ارزیابی صحت طبقه بندی و میزان عملکرد برآوردشده، از داده های مرجع، مانند نقاط برداشت میدانی و نقشه های پوشش اراضی سال های قبل استفاده شد. نتایج این تحقیق نشان داد که روش طبقه بندی شیءگرای مبتنی بر فنولوژی با دقت کلی 5/91 درصد و ضریب کاپا 87/0، روش دقیقی برای شناسایی مزارع برنج به شمار می رود. همچنان روش تجربی مبتنی بر تحلیل رگرسیون داده های زمینی و سنجش ازدوری با ضریب تعیین 86/0 و ضریب همبستگی پیرسون برابر با 92/0 دقت بالای آن را در برآورد عملکرد مزارع برنج نشان داد. صحت عملکرد برآوردشده در این پژوهش با مقایسه عملکرد واقعی (داده های برداشت میدانی) در 27 نقطه کنترلی ارزیابی شد. برای این کار از آزمون همبستگی پیرسون استفاده شد. این آزمون نشان داد بین عملکرد واقعی و عملکرد برآوردشده رابطه مثبت و بسیار قوی وجود دارد (000/0=P، 27=N و 929/0=R2).

سابقه و هدف: در دهه های گذشته، داده های سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح گوناگون، از مقیاس محلی تا جهانی، به کار رفته است. پایش دقیق و منظم این تغییرات در برنامه ریزی شهری، کشاورزی دقیق و مدیریت پایدار منابع زمین ضرورت دارد. فراهمی داده های سنجش از دور با ارائه سطوح بی سابقه ای از جزئیات مکانی و همچنین توسعه الگوریتم های طبقه بندی تصاویر ماهواره ای، باعث شده است که رویکردهای شیء گرا، در مقایسه با رویکردهای معمول، در طبقه بندی کاربری و پوشش زمین کاربرد بیشتری پیدا کنند. بدین منظور، در این مطالعه، رویکردی شیء گرا با ترکیب الگوریتم های GLCM، SNIC و یادگیری ماشین مطرح شده که هدف از آن طبقه بندی کاربری و پوشش زمین بخشی از اراضی شمال مهاباد در آذربایجان غربی، با استفاده از تصاویر ماهواره ای سنتینل 2 در سال 2019 در سامانه گوگل ارث انجین بوده است. مواد و روش ها: روش انجام شدن این پژوهش به گونه ای است که ابتدا مجموعه داده اولیه، شامل باندهای هدف تصاویر سنتینل 1 و سنتینل 2، مدل رقومی سطح زمین ALOS و شاخص های NDVI، BSI، SAVI و توان بازپراکنش کل (TSP) آماده سازی شد. در مرحله دوم، با اتخاذ دو رویکرد پیکسل پایه و شیء گرا و الگوریتم جنگل تصادفی، کاربری و پوشش زمین طبقه بندی شد و نتایج حاصل از آنها، برای تبیین بهترین رویکرد ازنظر دقت کلاس های گوناگون، مقایسه شد. در رویکرد شیء گرا، معیارهای بافتی با اعمال ماتریس وقوع توأم گام های خاکستری (GLCM) روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها روش تحلیل مؤلفه های اصلی (PCA)، برای کاهش ابعاد تصویر، به کار رفت. در گام آخر، با ترکیب لایه PC1 و لایه قطعه بندی حاصل از الگوریتم خوشه بندی ساده غیرتکراری (SNIC)، الگوریتم جنگل تصادفی به منظور تهیه نقشه های کاربری و پوشش زمین محدوده مطالعاتی در نظر گرفته شد. نتایج و بحث: تحلیل معیارهای ارزیابی صحت نشان داد که رویکرد شیء گرا با صحت کلی و ضریب کاپای معادل 86/40% و 0/8307، در مقایسه با رویکرد پیکسل پایه با صحت کلی و ضریب کاپای 82/73% و 0/8028، نتایج بهتری را در طبقه بندی کاربری های متفاوت اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان داد صحت تولیدکننده اغلب کلاس های کاربری، به جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی، در رویکرد شیء گرا بیشتر از روش پیکسل پایه است و دقت طبقه بندی آنها بالاتر از 90% بوده است. علاوه براین، کاربری های/ پوشش های پهنه آبی، ساخته شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه کاربری و پوشش زمین شیء گرا به خود اختصاص داده اند. نتیجه گیری: یافته های تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشه بندی SNIC و به کارگیری معیارهای بافتی GLCM به طور مؤثری عملکرد رویکرد پیشنهادی را در طبقه بندی کاربری و پوشش زمین، بهبود می بخشد.