فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: در دهه‌های گذشته، داده‌های 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 برنامه‌ریزی شهری، کشاورزی دقیق و مدیریت پایدار منابع زمین ضرورت دارد. فراهمی داده‌های سنجش از دور با ارائۀ سطوح بی‌سابقه‌ای از جزئیات مکانی و همچنین توسعۀ الگوریتم‌های طبقه‌بندی تصاویر ماهواره‌ای، باعث شده است که رویکردهای شیء‌گرا، در مقایسه با رویکردهای معمول، در طبقه‌بندی کاربری و پوشش زمین کاربرد بیشتری پیدا کنند. بدین‌منظور، در این مطالعه، رویکردی شیء‌گرا با ترکیب الگوریتم‌های GLCM، SNIC و یادگیری ماشین مطرح شده که هدف از آن طبقه‌بندی کاربری و پوشش زمین بخشی از اراضی شمال مهاباد در آذربایجان‌غربی، با استفاده از تصاویر ماهواره‌ای سنتینل‌ـ 2 در سال 2019 در سامانۀ گوگل ارث انجین بوده است. مواد و روش‌ها: روش انجام شدن این پژوهش به‌گونه‌ای است که ابتدا مجموعه دادۀ اولیه، شامل باندهای هدف تصاویر سنتینل‌ـ 1 و سنتینل‌ـ 2، مدل رقومی سطح زمین ALOS و شاخص‌های NDVI، BSI، SAVI و توان بازپراکنش کل (TSP) آماده‌سازی شد. در مرحلۀ دوم، با اتخاذ دو رویکرد پیکسل‌پایه و شیء‌گرا و الگوریتم جنگل تصادفی، کاربری و پوشش زمین طبقه‌بندی شد و نتایج حاصل از آنها، برای تبیین بهترین رویکرد ازنظر دقت کلاس‌های گوناگون، مقایسه شد. در رویکرد شیء‌گرا، معیارهای بافتی با اعمال ماتریس وقوع توأم گام‌های خاکستری (GLCM) روی مجموعه دادۀ اولیه استخراج شد و با توجه به افزایش تعداد باندها روش تحلیل مؤلفه‌های‌ اصلی (PCA)، برای کاهش ابعاد تصویر، به کار رفت. در گام آخر، با ترکیب لایۀ PC1 و لایۀ قطعه‌بندی حاصل از الگوریتم خوشه‌بندی سادۀ غیرتکراری (SNIC)، الگوریتم جنگل تصادفی به‌منظور تهیۀ نقشه‌های کاربری و پوشش زمین محدودۀ مطالعاتی در نظر گرفته شد. نتایج و بحث: تحلیل معیارهای ارزیابی صحت نشان داد که رویکرد شیء‌گرا با صحت ‌کلی و ضریب کاپای معادل 86/40% و 0/8307، در مقایسه با رویکرد پیکسل‌پایه با صحت ‌کلی و ضریب کاپای 82/73% و 0/8028، نتایج بهتری را در طبقه‌بندی کاربری‌های متفاوت اراضی منطقۀ مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان داد صحت تولیدکنندۀ اغلب کلاس‌های کاربری، به‌جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی، در رویکرد شیء‌گرا بیشتر از روش پیکسل‌پایه است و دقت طبقه‌بندی آنها بالاتر از 90% بوده است. علاوه‌براین، کاربری‌های/ پوشش‌های پهنۀ‌ آبی، ساخته‌شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشۀ کاربری و پوشش زمین شیء‌گرا به خود اختصاص داده‌اند. نتیجه‌گیری: یافته‌های تحقیق نشان دادند که تعیین مناسب اندازۀ سوپرپیکسل الگوریتم خوشه‌بندی SNIC و به‌کارگیری معیارهای بافتی GLCM به‌طور مؤثری عملکرد رویکرد پیشنهادی را در طبقه‌بندی کاربری و پوشش زمین، بهبود می‌بخشد.