طبقهبندی شیءگرای مناطق شهری با تلفیق تصاویر سنتینل ۱ و سنتینل ۲
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 144
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-14-3_007
تاریخ نمایه سازی: 27 مهر 1401
چکیده مقاله:
نقشه های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه های انسانی را توصیف می کنند که به منزله ابزار برنامه ریزی مهمی برای تصمیم گیرندگان عمل می کند؛ بنابراین دقت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای در عدم قطعیت به منظور مدیریت شهری بسیار تاثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه های کاربری زمین شمرده می شوند. هدف اصلی از این تحقیق پیشنهاد کردن روشی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق دادههای سنتینل ۱ و سنتینل ۲ است. به این منظور، ویژگی های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل ۱ و ویژگی های باند آبی، سبز، قرمز، شاخص های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل ۲ استخراج و به منزله مولفه های تاثیرگذار در طبقه بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش ها، از شاخص رطوبت SWI استفاده شد. همچنین داده های ارتفاعی برای تفکیک بهینه کلاس های پیچیده با توپوگرافی متفاوت به کار رفت. استخراج شاخص های تاثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به کارگرفتن ویژگی های استخراج شده از تصاویر راداری و اپتیک به طور هم زمان، در روش طبقه بندی شیء گرا، میتواند ویژگیهای شیء را به طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقهبندی، زمانی که از دادههای اپتیک و راداری به طور هم زمان استفاده شد، دقت کلی طبقه بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده های راداری و اپتیک به میزان ۱۳ و ۵%، به ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنیداری در دقت طبقهبندی، در تمامی سطوح، بین الگوریتم طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می شود. نتایج نشان داد که دقت کلی درمورد روش طبقه بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر ۳/۸۳ و ۸/۷۹% و ضریب کاپا به ترتیب ۷۲/۰ و ۶۸/۰% بوده است.
کلیدواژه ها:
نویسندگان
رضا شاه حسینی
استادیار دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران
کمال عزیزی
کارشناس ارشد دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران
ارسطو زارعی
کارشناس ارشد دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران
فاطمه مرادی
کارشناس ارشد دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :