پوشش ابری در هنگام استفاده از سنجش از دور نوری مانند تصاویر لندست، مانع اصلی طبقه‌بندی پوشش زمین در مناطق گرمسیری مرطوب است. ظهور تصاویر رادار دیافراگم مصنوعی باند Sentinel-1 C (SAR) که به‌طور رایگان در دسترس است، فرصت‌های جدیدی را برای طبقه‌بندی پوشش زمین در محیط‌های غالباً پوشیده از ابر ارائه می‌دهد. در این مطالعه، ما کاربرد Sentinel-1 را برای استخراج اطلاعات پوشش زمین (LULC) در نوار کم ارتفاع ساحلی Douala، کامرون در مقایسه با نقشه‌نگار موضوعی پیشرفته Landsat (TM) بررسی کردیم. ما همچنین پتانسیل ادغام Sentinel-1 و Landsat را ارزیابی کردیم. کلاس های اصلی LULC در منطقه شامل آب، سکونت، زمین برهنه، حراهای تیره، حرا سبز، پوشش گیاهی باتلاقی، لاستیک، جنگل های ساحلی و سایر پوشش های گیاهی و نخل بود. متغیرهای بافتی از جمله میانگین، همبستگی، کنتراست و آنتروپی از باند Sentinel-1 C به دست آمد. تکنیک‌های مختلف پردازش تصویر مرسوم و الگوریتم ماشین بردار پشتیبان (SVM) استفاده شد. تنها چهار کلاس پوشش زمین (سکونتگاه، آب، حرا و سایر پوشش های گیاهی و لاستیک) را می توان با استفاده از تصاویر SAR به دلیل لکه ها کالیبره و اعتبارسنجی کرد. تنها طبقه بندی Sentinel-1 دقت طبقه بندی کلی پایین تری را به همراه داشت (67.65٪ در مقایسه با تمام باندهای Landsat (88.7٪). داده‌های Sentinel-1 و Landsat یکپارچه تفاوت معنی‌داری را در ارزیابی دقت کلی نشان ندادند (به ترتیب 88.71% و 88.59%). سه بهترین باند طیفی (5، 6، 7) از تصاویر Landsat بالاترین ارزیابی دقت کلی (91.96٪) را به همراه داشت. در مطالعه این نتایج پتانسیل کمتر Sentinel-1 را برای طبقه بندی پوشش زمین در مصب Douala در مقایسه با تصاویر Landsat بدون ابر نشان می دهد. با این حال، زمانی که فقط طبقات گسترده در نظر گرفته شد، نتایج قابل مقایسه به دست آمد.

کلید واژه ها

SAR ، کاربری زمین/پوشش زمین ، طبقه‌بندی ، نقشه‌بردار موضوعی پیشرفته Landsat

1. مقدمه

اطلاعات مربوط به پوشش زمین کاربری (LULC) یک عنصر حیاتی در شکل‌گیری سیاست‌های مربوط به مسائل اقتصادی، جمعیتی و زیست‌محیطی در مقیاس ملی، منطقه‌ای و جهانی است. منطقه شهری کم ارتفاع ساحلی Douala، مانند سایر مناطق شهری در جهان، دستخوش تغییرات سریع در LULC است. این منطقه به دلیل تبدیل شدن به سکونتگاه های شهری و توسعه صنعتی، جنگل های حرا خود را از دست می دهد. بنابراین تهیه نقشه LULC این نوار ساحلی به موقع و دقیق برای برنامه ریزی شهری، برنامه ریزی کاربری اراضی، حفاظت از تنوع زیستی و مدیریت پایدار منابع زمین از اهمیت فوق العاده ای برخوردار است.

مرجع [ 1 ] این واقعیت را برجسته کرد که تصاویر سنجش از دور ابزاری کارآمد برای به دست آوردن اطلاعات در مورد روندهای زمانی و توزیع فضایی مناطق شهری مورد نیاز برای درک، مدل‌سازی و طرح تغییرات LULC فراهم می‌کنند. بهبود در پردازش تصاویر ماهواره‌ای و سیستم اطلاعات جغرافیایی (GIS)، نشان می‌دهد که تشخیص تغییر می‌تواند به راحتی و به سرعت مانند [ 2 ] [ 3 ] انجام شود.

پوشش زمین و سایر داده های بیوفیزیکی در مطالعات ارزیابی زیست محیطی حیاتی هستند، همانطور که در [ 4 ] – [ 6 ]] . آنها داده های اساسی را در مورد الگوهای صریح فضایی ویژگی های چشم انداز و فرآیندهای مرتبط ارائه می دهند که بر جریان زیستی، آب، انرژی و مواد تأثیر می گذارد. زمانی که این داده‌ها از نظر مکانی و زمانی مرتبط باشند، می‌توانند عناصر اساسی برای مدل‌سازی فرآیندهای محیطی بنیادی در مقیاس‌های مختلف را فراهم کنند. نتایج تغییر چشم‌انداز صریح فضایی هنگامی که با توزیع منابع حساس و فرآیندهای مرتبط تلاقی می‌کند، امکان ارزیابی ریسک احتمالی را فراهم می‌کند. به عنوان مثال، پوشش زمین و سایر داده های بیوفیزیکی و جمعیتی انسانی برای ارزیابی آسیب پذیری و خطرات مربوط به خطرات طبیعی و انسانی مانند افزایش سطح دریا در ترکیه در [ 7 ] و سیل مانند [ 8 ] استفاده شده است.

حسگرهای چندطیفی فضایی مانند Landsat به طور گسترده برای ترسیم تغییرات LULC مانند [ 9 ] [ 10 ] استفاده می‌شوند. با این حال، استفاده از Landsat در مناطق گرمسیری به دلیل پوشش مکرر ابر محدود است. Landsat یک حسگر غیرفعال است که انرژی منعکس شده توسط جسم (به عنوان مثال پوشش گیاهی) از خورشید (منبع طبیعی) و تحت تأثیر ابرها را تشخیص می دهد و بنابراین فقط می تواند در طول روز استفاده شود. از سوی دیگر، حسگرهای فعال مانند تشخیص و محدوده رادیویی (RADAR) منبع روشنایی خود (انرژی مایکروویو) را فراهم می‌کنند و انرژی پس پراکنده را اندازه‌گیری می‌کنند. بنابراین این مزیت را دارند که در طول موج‌های طولانی‌تر کار می‌کنند که پوشش ابر یا کمبود نور مانع از آن نمی‌شود و می‌توانند داده‌ها را در طول روز یا شب در یک سایت تحت هر شرایط آب و هوایی به دست آورند.11 ] – [ 13 ] . با این حال، استفاده از رادار برای نقشه برداری LULC در مناطق استوایی به دلیل عدم وجود تصاویر آزادانه در دسترس نیست، همانطور که در مورد حسگرهای غیرفعال وجود دارد. ظهور Sentinel-1 که رادار دیافراگم مصنوعی باند C (SAR) را اجرا می کند، می تواند استفاده از سنجش از راه دور رادار را برای نقشه برداری LULC در مناطق گرمسیری که اغلب توسط ابرها پوشانده شده است، افزایش دهد. کاربرد آن برای نقشه برداری انواع پوشش زمین از جمله انواع پوشش گیاهی، بدنه های آبی و انواع مختلف مناطق ساخته شده هنوز به طور کامل ایجاد نشده است.

بنابراین، هدف از این مطالعه بررسی کاربرد Sentinel-1 برای استخراج اطلاعات پوشش زمین (LULC) در منطقه کم ارتفاع ساحلی دوآلا، کامرون در مقایسه با نقشه‌نگار موضوعی پیشرفته لندست (TM) و اینکه آیا Sentinel-1/Landsat یکپارچه طبقه بندی بهبود یافته ای از انواع LULC ارائه می دهد.

2. روش طبقه بندی کاربری اراضی پوشش اراضی

2.1. منطقه مطالعه

این مطالعه محدود به منطقه کم ارتفاع ساحلی دوآلا، کامرون ( شکل 1 ) بین عرض جغرافیایی 3.794 تا 4.050 شمالی و طول جغرافیایی 9.458 تا 9.822 شرقی است. ویژگی های ژئومورفولوژیکی

2.2. اکتساب تصویر و پیش پردازش

تصاویر Landsat 8 بدون ابر از صفحات وب Global Visualization Viewer ( www.glovis.usgs.gov ) و EarthExplorer ( www.earthexplorer.usgs.gov ) دانلود شدند.

ناحیه مورد نظر با زیرتنظیم تصویر اصلی با استفاده از ناحیه مورد علاقه (ROI) در ENVI (محیط برای تصویرسازی تصاویر) 4.8 به دست آمد. این برای محدود کردن زمان پردازش تصاویر مختلف ضروری بود، زیرا پردازش صحنه‌های بزرگ طول می‌کشد. تصحیح اتمسفر با استفاده از نرم افزار AtCOR 2/3 انجام شد. شرایط مشخص شده برای تصویر منطقه مورد مطالعه در AtCOR شرایط “شهری گرمسیری” به دلیل ماهیت منطقه مورد مطالعه بود.

باندهای طیفی مختلف تصویر نام باندها و طول موجهای مناسبی را اختصاص داده و در کنار هم چیده شدند. داده‌های آموزشی و اعتبارسنجی برای طبقه‌بندی از نقشه Google Earth با وضوح بالا به‌دست آمد. اینها به ArcGIS 10.3 وارد شدند. با کمک جعبه ابزار Arc، در محیط GIS، داده های KMZ به فایل های شکل تبدیل و به نرم افزار ENVI (Environment for Visualization Images) 4.8 صادر شدند و در آنجا به فایل های برداری ENVI تبدیل شدند. لایه های برداری بر روی تصویر منطقه مورد مطالعه قرار گرفتند تا چند ضلعی های آموزشی و اعتبار سنجی با استفاده از ابزار ROI ایجاد شوند.

2.3. پردازش تصویر SAR

داده های SAR، باند C Sentinel-1 از وب سایت آژانس فضایی اروپا (ESA) دانلود شد

https://scihub.esa.int/dhus/ . جعبه ابزار Sentinel-1 از ESA برای پردازش تصاویر استفاده شد. تصاویر برای به دست آوردن منطقه مورد نظر مورد نظر زیر مجموعه قرار گرفتند. کالیبراسیون تصویر برای تصاویر SAR با استفاده از Sentinel-1 اعمال شد

شکل 1 . منطقه مطالعاتی اقتباس شده از Google Earth، 2010.

کیت جعبه ابزار کالیبراسیون به منظور تصحیح رادیومتری تصویر SAR انجام شد تا مقادیر پیکسل واقعاً نشان دهنده پراکندگی عقب راداری از سطح بازتابنده باشد. تصاویر SAR در معرض نویز ذاتی دانه ای به نام speckle قرار می گیرند که معمولاً کیفیت تصویر را کاهش می دهد و تفسیر و طبقه بندی را دشوار می کند. تصاویر با استفاده از فیلتر گاما در کیت جعبه ابزار SNAP فیلتر شدند تا نویز در تصویر SAR صاف شود.

2.4. انتخاب معیارهای بافتی برای تصویر SAR

مرجع [ 14 ] – [ 16 ] نشان می‌دهد که تصاویر SAR پردازش‌نشده را نمی‌توان به دلیل نویز ذاتی لکه‌ای ناشی از تداخل سازنده و ساختارشکن سیگنال‌های منعکس‌شده استفاده کرد. در نتیجه، در طبقه‌بندی تصاویر SAR در نرم‌افزار ENVI از روش‌های پردازش سیگنال اضافی مانند فیلتر لکه‌ای و استخراج بافت استفاده شد که می‌تواند به تفسیر تصاویر رادار کمک کند. مطالعات نشان داده اند که بافت مهمترین منبع اطلاعات در تصاویر رادار با وضوح بالا است همانطور که در [ 10 ] [ 17 ]] . مقیاس‌های بافتی مبتنی بر ماتریس هم‌روی سطح خاکستری (GLCM) به طور گسترده برای بهبود نقشه‌برداری پوشش زمین استفاده شده است و مشخص شده است که آنها از سایر روش‌های بافت مانند [ 18 ] بهتر عمل می‌کنند. این به این دلیل است که وجود نویز لکه می تواند منجر به درجه بالایی از طبقه بندی نادرست مانند [ 9 ] [ 19 ] [ 20 ] شود.

ترکیب بافت های مختلف برای این مطالعه مورد بررسی قرار گرفت و مشخص شد که کنتراست، میانگین، همبستگی و آنتروپی با اندازه پنجره 9×9 و 11×11 نشست را به خوبی به عنوان یک کلاس نشان می دهد. پوشش گیاهی همه به عنوان حرا طبقه بندی شد. پنجره‌های بزرگ‌تر منجر به ویژگی‌های بافت پایدارتر می‌شوند، اما لبه‌ها را محو می‌کنند، در حالی که اندازه‌های پنجره کوچک‌تر منجر به ترسیم مرز اشتباه می‌شود و خود مرز را به‌عنوان یک کلاس به اشتباه طبقه‌بندی می‌کند، همانطور که به طور مشابه توسط چندین نویسنده گزارش شده است، همانطور که در [ 16 ] – [18] [16] – [ 18 ] [ 21 ] . پنجره های مختلف مورد بررسی قرار گرفت و بهترین پنجره پنجره 9×9 بود.

مرجع [ 22 ] نشان داد که فیلترهای مختلفی برای حذف نویز، شارپ کردن و صاف کردن تصاویر استفاده شده است زیرا استخراج اطلاعات حیاتی برای پردازش تصویر را بهبود می بخشد. به عنوان مثال، 10٪ دقت طبقه بندی بهبود یافته برای یک سایت مطالعه در داداد، کنیا زمانی که بافت واریانس اعمال شد، به دست آمد. متأسفانه، هیچ ترکیبی از فیلترها و بافت ها به خوبی برای بهبود استخراج اطلاعات از تصاویر قبل از پردازش مانند [ 9 ] مشخص نشده است. در نتیجه، ترکیبات مختلف فیلترها مورد ارزیابی قرار گرفت و ترکیب گاما، کوان و فیلتر لی تقویت‌شده به این ترتیب مشاهده شد تا آب، حرا و لاستیک و سایر پوشش‌های گیاهی را به عنوان یک کلاس با اندازه فیلتر 3×3 پنجره بیرون آورد.

حل و فصل به عنوان یک کلاس از طبقه بندی با استفاده از سه فیلتر ترکیبی ضعیف نشان داده شد. در نتیجه، بافت GLCM میانگین، همبستگی، کنتراست و آنتروپی پنجره‌های سایز 9 با فیلترهای گاما، کوان و لی بهبودیافته اندازه 3 انباشته شدند.

2.5. ادغام تصاویر SAR و Landsat 8 ETM

تصاویر باند Sentinel-1 C و تصاویر Landsat به همان طرح نقشه جهانی عرضی مرکاتور (UTM) اصلاح شدند. آنها در قالب یک تصویر مشترک با هم ادغام شدند و تصاویر SAR به عنوان نوارهای اضافی درج شدند. این کار با نمونه‌برداری مجدد تصویر SAR به اندازه پیکسل 30 متری با استفاده از روش نزدیک‌ترین همسایه و ثبت پیکسل به پیکسل با تصاویر Landsat اندازه پیکسل 30 متر انجام شد. این مرحله داده های چند حسگر یکپارچه را برای طبقه بندی آماده می کند. یکپارچه سازی برای بررسی کارایی آن در بهبود نقشه برداری LULC در یک منطقه شهری انجام می شود.

2.6. طبقه بندی پوشش زمین

برای طبقه بندی تصاویر از نرم افزارهای مختلفی استفاده می شود. این مطالعه از ENVI 4.8 استفاده کرد. طبقه بندی با استفاده از گردش کار نشان داده شده در شکل 2 انجام شد.

برای طبقه‌بندی از ماشین بردار پشتیبان (SVM)، یک الگوریتم طبقه‌بندی‌کننده نظارت‌شده که یک الگوریتم ناپارامتریک است، استفاده شد.

برای داده های با ابعاد بالا قوی و مفید است و طبقات را بر اساس یک تابع تصمیم گیری مانند [ 23 ] – [ 25 ] متمایز می کنند. این تابع در نتیجه استفاده از تعداد ابعاد (صفحه یا خطوط) است. این نتیجه از حداکثر تفکیک پذیری کلاس های تحت بررسی به نام هایپر صفحه است که در آن پیکسل هایی که چنین صفحات فوق العاده ای را تعریف می کنند، بردارهای پشتیبانی نامیده می شوند. مطالعات دیگر استحکام الگوریتم SVM را نسبت به سایر طبقه بندی کننده ها در طبقه بندی LULC مانند [ 26 ] – [ 29 ] برجسته کرده اند. مرجع [ 26 ] نشان داد که SVM دقت کلی بالاتری نسبت به طبقه‌بندی کننده حداکثر احتمال در نقشه‌برداری کاربری اراضی در کرج، ایران دارد.

شکل 2 . نمودار جریان طبقه بندی تصویر باند نوری و Sentinel-1 C.

2.7. ارزیابی دقت طبقه بندی

هنگامی که ROI به عنوان ورودی در طبقه بندی های نظارت شده استفاده می شود، تجسم کننده nD برای بررسی تفکیک پذیری طبقات زمین مفید است. برای نتایج طبقه بندی خوب با استفاده از این ROI ها، گروه های پیکسل برای ROI های مختلف باید از یکدیگر جدا باشند و نباید همپوشانی داشته باشند.

علاوه بر این، معیارهای تفکیک پذیری Jeffries-Matusita و Transformed Divergence برای محاسبه تفکیک پذیری ROI استفاده شد. این مقادیر از 0 تا 2.0 متغیر است و نشان می دهد که جفت های ROI انتخاب شده چقدر از نظر آماری جدا هستند. مقادیر بیشتر از 1.9 نشان می دهد که جفت های ROI قابلیت تفکیک خوبی دارند.

3. نتایج و بحث

3.1. تحلیل توصیفی طبقات کاربری اراضی پوشش زمین

هدف تهیه نقشه LULC دوآلا-کامرون بود. در نتیجه، نقشه های LULC فقط برای 1) Landsat 8 تهیه شد. 2) Landsat و SAR یکپارچه. 3) فقط تصاویر SAR ( شکل 3 ، شکل 4 و شکل 5 ) برای منطقه ساحلی کم ارتفاع Douala. از یک طرف، با استفاده از Landsat 8 و طبقه‌بندی تلفیقی Landsat و SAR، 9 نوع یا کلاس پوشش زمین قابل تشخیص هستند که عبارتند از: آب، سکونتگاه، زمین برهنه، حراهای تیره، حرا سبز، پوشش گیاهی باتلاقی، پوشش گیاهی جنگلی / سایرین، و نخل.

از سوی دیگر، تنها چهار کلاس را می توان با استفاده از تصاویر SAR به طور دقیق طبقه بندی کرد ( شکل 5 ). استفاده از بافت (میانگین، کنتراست، آنتروپی، همبستگی) در تصویر SAR، نشست را به عنوان یک طبقه نشان داد و تمام پوشش گیاهی به عنوان حرا با تصویر بلوک طبقه‌بندی شد. آب به عنوان یک طبقه قابل تشخیص نیست. استفاده از فیلترهای سایز 3 (گاما، کوان و لی تقویت شده) از سوی دیگر نتوانست استقرار را به عنوان یک کلاس نشان دهد، اما مزارع لاستیک، آب و حرا و سایر پوشش های گیاهی را به وضوح نشان داد. در نتیجه، ادغام باندهای SAR فیلتر شده و باندهای SAR بافت دار، چهار کلاس مهم آموزش دیده (آب، نشست، لاستیک و حرا و سایر پوشش گیاهی) را برجسته کرد. احتمالاً به این دلیل که پراکندگی پس از میدان‌های لاستیکی متمایز بود و این کلاس را قادر به طبقه‌بندی دقیق می‌کرد.

شکل 3 . تصویر طبقه بندی شده لندست 8 فقط از نوار ساحلی دوآلا-تیکو.

شکل 4 . تصاویر اپتیکی و راداری طبقه بندی شده یکپارچه از نوار ساحلی Douala-Tiko.

شکل 5 . تصویر طبقه بندی شده از Douala فقط با استفاده از تصویر SAR.

3.2. ارزیابی دقت با استفاده از ماتریس سردرگمی

از شکل 6 ، تصویرساز nD و گزارش تفکیک پذیری پتانسیل تمایز بالایی را برای طیف یکپارچه و SAR، همه باندهای طیفی Landsat و سه بهترین باند Landsat نشان دادند (5، 6، 7). با این حال، تصویرساز nD و گزارش تفکیک پذیری آن برای طبقه بندی تصویر SAR خوب نبود، اما برای تجزیه و تحلیل بیشتر قابل قبول بود.

لندست و SAR یکپارچه، همه باندهای طیفی لندست، سه باند بهترین لندست و تنها تصویر SAR دقت نقشه کلی را برای هر نه کلاس به ترتیب 88.59، 88.71، 91.96 درصد و 67.65 درصد به دست دادند ( جدول 1 ).

ارزیابی دقت کلی در مقایسه با تصاویر یکپارچه Landsat و SAR با سه بهترین باند داده‌های Landsat 3.7٪ بهبود یافت. ادغام تصویر Landsat و SAR نتایج ارزیابی دقت کلی طبقه‌بندی را در مقایسه با همه باندهای طیفی Landsat بهبود نمی‌بخشد. مرجع [ 32 ] همچنین هیچ بهبودی در طبقه بندی کلی تصاویر یکپارچه SAR و Landsat نشان نداد. حرا سبز با دقت تولید کمتر (54.55 درصد) نسبت به سایر طبقات طبقه بندی شد. این به دلیل ترکیبی از خطاهای حذف و کارکرد به ویژه اختلاط با پوشش گیاهی باتلاقی و اختلاط با مناطق جنگلی ساحلی است.

مرجع [ 33 ] در سه سایت آزمایشی خود در اروپا با ERS SAR در یک پروژه نقشه‌برداری، طبقه‌بندی چهار طبقه (مناطق شهری، آب، جنگل و پوشش گیاهی کم‌کم) را اتخاذ کرد. مرجع [ 34 ] تنها از دو کلاس (شهری و غیر شهری) با استفاده از تصاویر تداخل سنجی ERS SAR از ولز جنوبی، بریتانیا استفاده کرد. این احتمالاً به دلیل نویز دانه‌ای ذاتی است که در تصاویر SAR و عدم قطعیت اطلاعات مربوط به پراکندگی عکس SAR وجود دارد. با این حال، نقشه های موضوعی با این ماهیت می تواند در سایر زمینه های کاربردی بسیار ارزشمند باشد.

داده های سنجش از دور که به شکل های دیجیتالی گرفته شده اند به راحتی می توانند با انواع دیگر اطلاعات ویژگی های زمین از طریق تکنیک های GIS ترکیب شوند. نقشه LULC به‌دست‌آمده از دوالا را می‌توان برای نقشه‌برداری از منابع آب استفاده کرد و برای شناسایی منابع آبی بالقوه که ممکن است آلوده شوند، استفاده کرد. الگوی کاربری اراضی و پوشش زمین نشان دهنده فشار وارده بر استفاده از آب های زیرزمینی است. در سراسر جهان، فعالیت‌های کشاورزی و به دنبال آن صنعت و مصارف خانگی، مهم‌ترین نوع کاربری اراضی است که به منابع عظیم آب نیاز دارد. کامرون نیست

شکل 6 . خوشه‌بندی سایت‌های آموزشی در تجسم nD که نشان‌دهنده جدایی‌پذیری کلاس‌های مختلف LULC است.

یک استثنا به عنوان درصد مصرف آب به ترتیب 73.8٪، 18.2٪ و 8٪ برای کشاورزی، مصارف خانگی و فعالیت های صنعتی برای کل برداشت مطابق [ 35 ] است. و بنابراین، اگر یک منطقه ساحلی به طور عمده برای کشاورزی و فعالیت های صنعتی مورد استفاده قرار گیرد، آنگاه منطقه به دلیل بهره برداری بیش از حد از منابع آبی که نیروی محرکه برای بودجه رسوب و نمک هستند، در برابر اثرات SLR آسیب پذیر خواهد بود. نفوذ آب

4. نتیجه گیری

نتایج به‌دست‌آمده با استفاده از برنامه‌های GIS و RS، انواع مختلف LULC (آب، سکونتگاه، پوشش گیاهی باتلاقی، نخل، زمین خالی، حرا تیره، حرا سبز، لاستیک، جنگل ساحلی و سایر پوشش‌های گیاهی) منطقه مورد مطالعه را با استفاده از همه مشخص کرده است. باندهای طیفی لندست، سه باند برتر لندست، تصاویر یکپارچه لندست و SAR. چهار کلاس (لاستیک، آب، آبادی و حرا و سایر پوشش گیاهی) تنها از طبقه بندی تصاویر SAR به دست آمد.

نتایج طبقه‌بندی با استفاده از تمام باندهای طیفی لندست، سه باند برتر (5، 6، 7) لندست، ادغام لندست و SAR، و تصاویر SAR با طبقه‌بندی‌کننده SVM ارزیابی دقت کلی 71/88 درصد، 96/91 درصد، 59/88 درصد را نشان داد. و به ترتیب 67.65 درصد. بهترین روش طبقه بندی LULC با استفاده از سه باند (5، 6، 7) از تصاویر لندست به دست آمد. ارزیابی دقت کلی LULC با استفاده از سه باند بهترین تصاویر Landsat در مقایسه با ارزیابی دقت تصاویر Landsat و SAR یکپارچه، 3.7٪ بهبود یافت. این نشان می دهد که ادغام تصاویر SAR و Landsat در مقایسه با استفاده از تصاویر Landsat به تنهایی، نتیجه دقت را به شدت بهبود نمی بخشد. نتایج همچنین نشان داد که برای شناسایی کلاس های LULC،

الگوی کاربری اراضی یکی از پارامترهای اصلی تحت تأثیر انسان است که برای ترویج نفوذ آب شور به منابع آب زیرزمینی، رودخانه‌ها و مصب‌ها در نتیجه افزایش سطح دریاها به عنوان [ 7 ] [ 36 ] [ 37 ] نشان داده شده است.] . علاوه بر این، شهرنشینی بر آسیب پذیری نواحی ساحلی تأثیر می گذارد و فشار انسان بر سیستم های طبیعی را افزایش می دهد. از این رو، مناطق ساحلی مورد استفاده برای مقاصد کشاورزی، سکونتگاه ها یا تالاب ها جنبه جدایی ناپذیر ارزیابی ریسک خطرات SLR بر منابع آب شیرین هستند. این مطالعه استفاده از RS و GIS را به عنوان فناوری‌های مهم برای استخراج LULC نشان می‌دهد که می‌تواند با استفاده از تکنیک‌های نقشه‌برداری مرسوم بسیار چالش برانگیز باشد. ارزیابی ریسک خطرات زیست محیطی توسط این فناوری ها در زمان کمتر، با هزینه کم و با دقت بهتر امکان پذیر می شود.

منابع

[ 1 ] Elvidge, CD, Sutton, PC and Wagner, TW (2004) شهرسازی. در: Gutman, G., Janetos, A., Justice, C., et al., Eds., Land Change Science: Observing, Monitoring, and Understanding Trajectories of Change on the Earth’s Surface, Kluwer Academic Publishers, Dordrecht, 315- 328.
[ 2 ] Jensen, JR (2004) پردازش تصویر دیجیتال مقدماتی: دیدگاه سنجش از دور. چاپ سوم، پرنتیس هال، شرکت، نیویورک، 316.
[ 3 ] Macleod, RD and Congalton, RG (1998) مقایسه کمی الگوریتم‌های تشخیص تغییر برای پایش علف مارماهی از داده‌های سنجش از راه دور. مهندسی فتوگرامتری و سنجش از دور، 6، 207-216.
[ 4 ] Wickham, JD, Jones, KB, Riitters, KH, O’Neill, RV, Tankersley, RD, Neale, AC, Smith, ER and Chaloud, DJ (1999) مشخص کردن اثرات زیست محیطی تجمعی بر حوضه های آبخیز اقیانوس اطلس. مدیریت محیط زیست، 9، 553-560.
https://dx.doi.org/10.1007/s002679900254
[ 5 ] بردلی، MP و اسمیت، ER (2004) استفاده از علم برای ارزیابی آسیب‌پذیری‌های محیطی. پایش و ارزیابی محیط زیست، 94، 1-7.
https://dx.doi.org/10.1023/B:EMAS.0000016875.89092.e7
[ 6 ] Theobald، DM و Romme، WH (2007) گسترش رابط سرزمین وحشی-شهری ایالات متحده. منظر و برنامه ریزی شهری، در دست چاپ.
https://dx.doi.org/10.1016/j.landurbplan.2007.06.002
[ 7 ] Ozyurt, G. and Ergin, A. (2009) کاربرد مدل ارزیابی آسیب‌پذیری افزایش سطح دریا در مناطق منتخب ساحلی ترکیه. SI 56. مجموعه مقالات دهمین سمپوزیوم بین المللی سواحل، 56، 248-251.
[ 8 ] Sanders, RF, Shaw, H., MacKay, H., Galy and Foote, M. (2006) مدلسازی ملی سیل برای اهداف بیمه: استفاده از IFSAR برای برآورد خطر سیل در اروپا. هیدرولوژی و علوم سیستم زمین، 9، 449-456.
https://dx.doi.org/10.5194/hess-9-449-2005
[ 9 ] Huang, H., Legarsky, J. and Othman, M. (2007) طبقه بندی پوشش زمین با استفاده از تصاویر Radarsat و Landsat برای سنت لوئیس، میسوری. مهندسی فتوگرامتری و سنجش از دور، 73، 37-43.
https://dx.doi.org/10.14358/PERS.73.1.37
[ 10 ] Ulaby, FT, Moore, RK and Fung, AK (1982) سنجش از دور مایکروویو فعال و غیرفعال از تئوری تا کاربردها. جلد III، آرتک هاوس، ماساچوست، 1115-1120.
[ 11 ] هندرسون، FM و Xia، ZG (1997) کاربردهای SAR در تشخیص استقرار انسانی، تخمین جمعیت و تحلیل الگوی کاربری زمین شهری: گزارش وضعیت. IEEE Transactions on Geoscience and Remote Sensing, 35, 79-85.
https://dx.doi.org/10.1109/36.551936
[ 12 ] Dell’Aqua، F. and Gamba، P. (2003) مشخصه‌سازی مبتنی بر بافت محیط‌های شهری در تصاویر ماهواره‌ای SAR. IEEE Transactions on Geoscience and Remote Sensing, 28, 540-552.
[ 13 ] Weydahl، DJ (2002) تغییرات پراکندگی پس‌زمینه ویژگی‌های شهری با استفاده از تصاویر رادارسات زاویه برخورد چندگانه. مجله کانادایی سنجش از دور، 28، 782-793.
https://dx.doi.org/10.5589/m02-072
[ 14 ] Chureesampant، K. و Susaki، J. (2012) طبقه‌بندی پوشش زمین با استفاده از داده‌های Sar Multi-Temporal و همجوشی داده‌های نوری با انتخاب نمونه آموزشی تطبیقی. IEEE Transactions on Geoscience and Remote Sensing, 6, 257-266.
https://dx.doi.org/10.1109/igarss.2012.6352667
[ 15 ] Dobson, M., Ulaby, FT and Pierce, L. (1995) طبقه بندی پوشش زمین و تخمین ویژگی های زمین با استفاده از رادار دیافراگم مصنوعی. سنجش از دور محیط، 51، 199-214.
https://dx.doi.org/10.1016/0034-4257(94)00075-X
[ 16 ] ریچاردز، ج.ای. (1990) مدل‌سازی جنگل‌ها با پراکندگی راداری: مروری بر روندهای فعلی. مجله بین المللی سنجش از دور، 11، 1299-1312.
[ 17 ] Hagg, W. and Sties, M. (1994) Speckle Filtering کارآمد تصاویر SAR. مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور، 4، 2140-2142.
https://dx.doi.org/10.1109/IGARSS.1994.399674
[ 18 ] Weng, Q. (2001) سنجش از دور-GIS ارزیابی گسترش شهری و تأثیر آن بر دمای سطح در دلتای ژوجیانگ، جنوب چین. مجله بین المللی سنجش از دور، 22، 1999-2014.
[ 19 ] Marceau, DJ, Howarth, PJ, Dubois, JM and Gratton, DJ (1990) ارزیابی روش ماتریس همزمانی سطح خاکستری برای طبقه بندی پوشش زمین با استفاده از تصاویر SPOT. IEEE Transactions on Geoscience and Remote Sensing, 28, 513-519.
https://dx.doi.org/10.1109/TGRS.1990.572937
[ 20 ] Lu, D., Batistella, M., Moran, E. and de Miranda, EE (2008) مطالعه مقایسه ای تصاویر Landsat TM و SPOT HRG برای طبقه بندی پوشش گیاهی در آمازون برزیل. مهندسی فتوگرامتری و سنجش از دور، 70، 311-321.
https://dx.doi.org/10.14358/PERS.74.3.311
[ 21 ] Wen, C., Zhang, Y. and Deng, K. (2011) طبقه بندی مناطق شهری در sar وضوح بالا بر اساس ویژگی های بافت.
[ 22 ] Ban، Y. (2003) هم افزایی داده های چند زمانی ERS-1 SAR و Landsat TM برای طبقه بندی محصولات کشاورزی. مجله کانادایی سنجش از دور، 29، 518-526.
https://dx.doi.org/10.5589/m03-014
[ 23 ] Pal, M. and Mather, PM (2003) دسته‌بندی‌کننده‌های برداری پشتیبانی برای طبقه‌بندی پوشش زمین. مجموعه مقالات کنفرانس نقشه هند 2003، دهلی نو، 28-31 ژانویه 2003.
[ 24 ] Amari, S. and Wu, S. (1999) بهبود دسته‌بندی‌کننده‌های ماشین بردار پشتیبان با اصلاح توابع هسته. شبکه های عصبی، 12، 783-789.
https://dx.doi.org/10.1016/S0893-6080(99)00032-5
[ 25 ] Cristianini، N. و Shawe-Taylor، J. (2000) مقدمه ای بر پشتیبانی از ماشین های برداری. انتشارات دانشگاه کمبریج، کمبریج، 204 ص.
[ 26 ] طاعتی، ع.، سرمدیان، ف.، موسوی، ع.، پور، CTH and Shahir، AHE (2015) طبقه‌بندی کاربری اراضی با استفاده از ماشین بردار پشتیبان و الگوریتم‌های حداکثر احتمال توسط تصاویر Landsat 5 TM. مجله علم و فناوری ولیلک، 12، 681-687.
[ 27 ] Foody, GM and Mathur, A. (2004) ارزیابی نسبی طبقه‌بندی تصویر چند کلاسه توسط ماشین‌های بردار پشتیبان. IEEE Transactions on Geoscience and Remote Sensing, 42, 1335-1343.
https://dx.doi.org/10.1109/TGRS.2004.827257
[ 28 ] Candade, N. and Dixon, B. (2004) طبقه بندی چندطیفی تصاویر Landsat: مقایسه ای از طبقه بندی کننده های ماشین بردار پشتیبان و شبکه عصبی. مجموعه مقالات نشست سالانه ASPRS، دنور، 28 مه 2004.
[ 29 ] دیلمی، ب.، احمد، ب. و ذبیحی، ح. (2014) مقایسه دو روش طبقه بندی (MLC و SVM) برای استخراج کاربری و پوشش زمین در جوهور مالزی. سری کنفرانس های IOP: علوم زمین و محیط زیست، 20، شناسه مقاله: 012052.
[ 30 ] Manisha، BP، Chitra، G. و Umrikar، N. (2012) ابزار طبقه بندی تصویر برای تحلیل کاربری زمین/پوشش زمین: مطالعه مقایسه ای روش حداکثر احتمال و حداقل فاصله. مجله بین المللی زمین شناسی، زمین و علوم محیطی، 6، 189-196.
[ 31 ] Congalton, RG (1991) مروری بر ارزیابی دقت طبقه بندی داده های سنجش از دور. سنجش از دور محیط، 37، 35-46.
https://dx.doi.org/10.1016/0034-4257(91)90048-B
[ 32 ] Furtado، LFA، Silva، TSF، Fernandes، PJF و Novo، ELM (2015) طبقه‌بندی پوشش زمین دشت سیلابی Lago Grande de Curuai (آمازون، برزیل) با استفاده از تکنیک‌های چند سنسور و فیوژن تصویر. Acta Amazonica، 45، 195-202.
https://dx.doi.org/10.1590/1809-4392201401439
[ 33 ] Strozzi, TM and Kiffer, RW (2000) سنجش از دور و تفسیر تصویر. نسخه چهارم، جان وایلی و پسران، نیویورک، 230 ص.
[ 34 ] Grey, W. and Luckman, A. (2003) نقشه برداری وسعت شهری با استفاده از تداخل سنجی رادار ماهواره ای. مهندسی فتوگرامتری و سنجش از دور، شماره 9، 957-962.
https://dx.doi.org/10.14358/PERS.69.9.957
[ 35 ] UNEP (2008) کیفیت آب برای اکوسیستم و سلامت انسان، برنامه محیط زیست سازمان ملل متحد سیستم جهانی نظارت بر محیط زیست (GEMS)/برنامه آب. چاپ دوم، 130 ص.
[ 36 ] IPCC (2007) پایه علوم فیزیکی (خلاصه برای سیاستگذاران). مشارکت گروه کاری اول در گزارش ارزیابی چهارم هیئت بین دولتی تغییرات آب و هوایی. IPCC، ژنو
https://www.ipcc.ch/SPM2feb07.pdf
[ 37 ] IPCC (2014) تغییرات آب و هوایی 2014: تأثیرات، سازگاری و آسیب پذیری. IPCC WGII ​​AR5، خلاصه ای برای سیاستگذاران، WGII.

بدون دیدگاه

دیدگاهتان را بنویسید