تهیه نقشه کاربری اراضی با تصاویر ماهواره‌ای در GIS: طبقه‌بندی نظارت‌شده گام‌به‌گام

نقشه کاربری اراضی پایه تقریباً همه مطالعات محیطی است: مدل فرسایش، پهنه‌بندی سیلاب، مکان‌یابی، رشد شهری و ارزیابی تخریب. با این حال، بیشتر صفحات فارسی که برای «طبقه بندی نظارت شده» پیدا می‌کنید یا صفحه فروش فیلم آموزشی‌اند یا مقاله‌ای که فقط می‌گوید «با روش حداکثر احتمال طبقه‌بندی شد». در این راهنمای متنی کامل و رایگان، همه تصمیم‌هایی را که روی دقت نقشه اثر دارند، با مثال عددی از یک دشت کشاورزی ایران توضیح می‌دهیم.

کاربری اراضی، پوشش اراضی و طبقه‌بندی نظارت‌شده

پوشش اراضی (Land Cover) چیزی است که ماهواره می‌بیند: گیاه، خاک لخت، آب، سطوح ساخته‌شده. کاربری اراضی (Land Use) نحوه استفاده انسان از زمین است: کشاورزی آبی، دیم، باغ، مسکونی، صنعتی. یک مرتع و یک زمین دیم در آیش ممکن است پوشش مشابهی داشته باشند اما کاربری‌شان متفاوت است. به همین دلیل در عمل به آن «نقشه کاربری/پوشش اراضی» یا LULC می‌گویند و برای تفکیک کاربری‌های مشابه از تصاویر چندزمانه کمک می‌گیرند.

در طبقه‌بندی نظارت‌شده، شما نمونه‌هایی از هر کلاس را به الگوریتم نشان می‌دهید (نمونه تعلیمی) و الگوریتم یاد می‌گیرد پیکسل‌های مشابه را به همان کلاس نسبت دهد. در مقابل، در طبقه‌بندی نظارت‌نشده (مثل K-Means یا ISODATA) الگوریتم خودش خوشه‌ها را می‌سازد و شما بعداً به آن‌ها نام می‌دهید.

گام ۱: انتخاب تصویر برای تهیه نقشه کاربری اراضی

• سنتینل ۲ (۱۰ متر): بهترین انتخاب برای سال ۲۰۱۷ به بعد و قطعات کشاورزی کوچک ایران. از محصول Level-2A استفاده کنید؛ راهنمای دانلود در دانلود تصاویر سنتینل و نکات پردازش در پردازش تصاویر سنتینل ۲.
• لندست ۵، ۷، ۸ و ۹ (۳۰ متر): برای مطالعات تاریخی از دهه ۱۳۶۰ به بعد؛ راهنما در دانلود تصاویر لندست ۸.
• فصل: برای تفکیک کشاورزی از مرتع، تصویر اواسط بهار (فروردین و اردیبهشت) بهترین است؛ برای تفکیک کشاورزی آبی از دیم، یک تصویر تابستانه هم اضافه کنید. دیم‌زارها در تیر خشک‌اند و آبی‌ها سبز.
• ابر: کمتر از ۵ درصد روی منطقه؛ در غیر این صورت ماسک ابر را طبق حذف ابر سنتینل ۲ در GEE اعمال کنید.

باندها و لایه‌های کمکی

برای سنتینل ۲ باندهای B2، B3، B4، B8 (۱۰ متری) و B5، B6، B7، B8A، B11، B12 (۲۰ متری، بازنمونه‌شده به ۱۰ متر) را در یک تصویر چندباندی ترکیب کنید. افزودن چند لایه کمکی معمولاً ۳ تا ۸ درصد به دقت کلی اضافه می‌کند:

• شاخص NDVI برای تفکیک پوشش گیاهی؛
• NDBI = (B11 − B8) / (B11 + B8) برای مناطق ساخته‌شده؛
• شاخص NDWI یا MNDWI برای آب؛
• ارتفاع و شیب از DEM (مثلاً جنگل و باغ در ارتفاعات، کشاورزی در دشت). روش در ایجاد نقشه شیب در GIS.

همه لایه‌ها باید پیکسل به پیکسل هم‌تراز باشند؛ نکات آن را در هم‌ترازی و بازنمونه‌گیری رستر ببینید.

گام ۲: تعریف کلاس‌ها (طرح طبقه‌بندی)

پیش از کشیدن حتی یک نمونه، کلاس‌ها را روی کاغذ تعریف کنید. کلاس باید هم برای هدف پروژه معنی داشته باشد و هم از نظر طیفی قابل تفکیک باشد. یک طرح معمول برای دشت‌های ایران:

گام ۳: نمونه تعلیمی؛ مهم‌ترین عامل دقت

کیفیت نمونه تعلیمی بیش از انتخاب الگوریتم روی دقت اثر دارد. قواعد عملی:

1. تعداد: حداقل ۱۰ تا ۳۰ برابر تعداد باندها پیکسل برای هر کلاس؛ عملاً ۵۰ تا ۱۰۰ پلیگون کوچک (هر کدام ۱۰ تا ۵۰ پیکسل) برای هر کلاس.
2. پراکندگی: نمونه‌ها را در کل منطقه پخش کنید، نه فقط در یک گوشه. باغ پسته شمال منطقه با باغ انگور جنوب طیف متفاوتی دارد و هر دو باید نماینده داشته باشند.
3. خلوص: پلیگون را داخل قطعه و دور از مرزها بکشید تا پیکسل مخلوط وارد نشود.
4. ترکیب رنگ کاذب: برای سنتینل ۲ ترکیب B8-B4-B3 (گیاه قرمز) و B11-B8-B4 (تفکیک خاک و ساخته‌شده) را استفاده کنید و هم‌زمان Google Earth یا Basemap با تفکیک بالا را کنار دستتان باز کنید.
5. جدا کردن نمونه آزمون: از همان ابتدا ۳۰ درصد نمونه‌ها یا یک مجموعه نقاط تصادفی مستقل را برای ارزیابی کنار بگذارید و هرگز در آموزش استفاده نکنید.

بررسی تفکیک‌پذیری نمونه‌ها

قبل از طبقه‌بندی، نمودار طیفی میانگین هر کلاس را رسم کنید (در ArcGIS Pro ابزار Training Samples Manager نمودار Histogram و Scatterplot دارد؛ در SCP نمودار Spectral Signature). اگر دو منحنی تقریباً روی هم افتاده‌اند، مشکل را همین حالا حل کنید. در ENVI و SCP شاخص Jeffries-Matusita هم محاسبه می‌شود؛ مقدار بالای ۱٫۹ تفکیک‌پذیری خوب و کمتر از ۱٫۷ مشکل جدی را نشان می‌دهد.

گام ۴: انتخاب الگوریتم طبقه‌بندی نظارت‌شده

برای بیشتر پروژه‌ها با سنتینل ۲، Random Forest با ۱۰۰ تا ۵۰۰ درخت بهترین نسبت دقت به زحمت را دارد. منطق درخت‌ها را در روش طبقه‌بندی درخت تصمیم‌گیری و مقایسه روش‌های یادگیری ماشین را در یادگیری ماشین در سنجش از دور بخوانید.

گام ۵: طبقه‌بندی در ArcGIS Pro

1. تصویر چندباندی را اضافه کنید و از زبانه Imagery ← Classification Tools ← Classification Wizard را باز کنید.
2. Classification Method را Supervised، Type را Pixel based و Schema را یک طرح جدید با کلاس‌های جدول بالا قرار دهید.
3. در Training Samples Manager برای هر کلاس پلیگون بکشید یا یک Shapefile نمونه آماده را Import کنید.
4. در مرحله Train، Classifier را Random Trees، تعداد درخت را ۱۵۰، Maximum Tree Depth را ۳۰ و Maximum Number of Samples per Class را ۱۰۰۰ تنظیم کنید.
5. Classify را اجرا و در مرحله Merge Classes در صورت نیاز کلاس‌های فرعی (مثلاً باغ پسته و باغ انگور) را ادغام کنید.
6. در مرحله Accuracy Assessment تعداد نقاط تصادفی را ۵۰۰ و روش نمونه‌گیری را Stratified Random قرار دهید.

معادل ابزاری این مراحل Train Random Trees Classifier و Classify Raster است که می‌توانید در ModelBuilder زنجیر کنید تا برای چند سال تکرار شود. اگر کار با ArcGIS Pro برایتان جدید است از دوره ArcGIS Pro مقدماتی شروع کنید.

طبقه‌بندی در QGIS با افزونه SCP

1. افزونه Semi-Automatic Classification Plugin را نصب کنید و در Band set باندها را تعریف کنید.
2. در Training input یک فایل جدید بسازید و برای هر کلاس ROI بکشید (MC ID برای کلاس اصلی و C ID برای زیرکلاس).
3. از Band processing ← Classification الگوریتم Maximum Likelihood یا Random Forest را انتخاب و اجرا کنید.
4. از Postprocessing ← Accuracy با لایه نمونه آزمون ماتریس خطا و کاپا بگیرید و با Classification sieve لکه‌های کوچک را حذف کنید.

آموزش پایه محیط QGIS را در آموزش کاربردی QGIS ببینید.

طبقه‌بندی در گوگل ارث انجین (Random Forest)

var img = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(aoi).filterDate('2024-04-01','2024-05-15')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',10)).median()
  .select(['B2','B3','B4','B5','B6','B7','B8','B11','B12']);
img = img.addBands(img.normalizedDifference(['B8','B4']).rename('NDVI'));
var samples = img.sampleRegions({collection: trainPolys, properties:['class'], scale:10});
var split = samples.randomColumn('r');
var train = split.filter(ee.Filter.lt('r',0.7)), test = split.filter(ee.Filter.gte('r',0.7));
var rf = ee.Classifier.smileRandomForest(200).train(train, 'class', img.bandNames());
var lulc = img.classify(rf).clip(aoi);
var cm = test.classify(rf).errorMatrix('class','classification');
print('OA', cm.accuracy(), 'Kappa', cm.kappa());

اینجا تقسیم ۷۰/۳۰ در سطح پیکسل انجام شده که همان خطای «همسایگی» بالا را دارد؛ برای ارزیابی واقعی، ستون تصادفی را روی پلیگون‌ها بسازید نه پیکسل‌ها. مقدمات GEE در آشنایی با گوگل ارث انجین آمده است و مستندات Supervised Classification در Earth Engine مرجع رسمی است.

گام ۶: ارزیابی دقت نقشه کاربری اراضی

نقشه‌ای که ارزیابی دقت ندارد، در هیچ داوری پذیرفته نمی‌شود. حداقل ۵۰ نقطه برای هر کلاس (در مجموع ۳۵۰ تا ۵۰۰ نقطه برای ۷ کلاس) به روش تصادفی طبقه‌بندی‌شده بگیرید، کلاس واقعی هر نقطه را از بازدید میدانی یا تصویر با تفکیک بالا تعیین کنید و ماتریس خطا بسازید. خروجی‌ها شامل صحت کلی، صحت کاربر، صحت تولیدکننده و ضریب کاپاست. محاسبه دستی و تفسیر کامل را در پست ضریب کاپا در سنجش از دور با مثال عددی آورده‌ایم.

مثال عددی: دشت کشاورزی در استان همدان

در یک پروژه نمونه با تصویر سنتینل ۲ اردیبهشت و ۷ کلاس، نتایج دو الگوریتم با ۴۲۰ نقطه آزمون مستقل:

بزرگ‌ترین جهش دقت از افزودن تصویر تابستانه آمد که دیم و مرتع را از کشاورزی آبی جدا کرد؛ یعنی داده درست از الگوریتم پیچیده‌تر مهم‌تر بود.

آیا محصولات آماده جهانی کافی‌اند؟

محصولات رایگانی مثل ESA WorldCover (۱۰ متر، ۲۰۲۰ و ۲۰۲۱)، Dynamic World گوگل (۱۰ متر، تقریباً لحظه‌ای) و Esri Land Cover (۱۰ متر، سالانه) وجود دارند. برای نگاه اول و مناطق وسیع عالی‌اند، اما در ایران چند ضعف شناخته‌شده دارند:

• کلاس «کشاورزی» آبی و دیم را جدا نمی‌کند و باغ‌ها معمولاً در کلاس درخت یا کشاورزی قاطی می‌شوند.
• روستاهای خشتی و گلی کم‌ارتفاع اغلب به عنوان خاک لخت طبقه‌بندی می‌شوند.
• در یک بررسی نمونه روی دشت ورامین، صحت کلاس ساخته‌شده WorldCover در مقایسه با نقاط کنترل حدود ۶۸ درصد بود، در حالی که طبقه‌بندی محلی با RF به ۸۶ درصد رسید.

توصیه عملی: از این محصولات به عنوان منبع نمونه تعلیمی اولیه یا لایه مقایسه استفاده کنید، اما برای پایان‌نامه و پروژه کارفرمایی، نقشه خودتان را با کلاس‌های متناسب با هدف بسازید و دقتش را گزارش دهید. داوران معمولاً می‌پرسند «چرا از محصول آماده استفاده نکردید؟» و این مقایسه بهترین پاسخ است.

گام ۷: پس‌پردازش و تهیه خروجی نهایی

• فیلتر اکثریت: با Majority Filter (پنجره ۳×۳) یا Boundary Clean در ArcGIS Pro، یا Sieve در QGIS، پیکسل‌های تک و پراکنده (اثر نمک و فلفل) را حذف کنید. حداقل واحد نقشه را مثلاً ۰٫۵ هکتار (۵۰ پیکسل ۱۰ متری) در نظر بگیرید.
• اصلاح دستی: خطاهای سیستماتیک (مثلاً بستر خشک رودخانه که ساخته‌شده طبقه‌بندی شده) را با ماسک یا ویرایش اصلاح کنید و در گزارش ذکر کنید.
• مساحت کلاس‌ها: جدول ویژگی رستر طبقه‌بندی‌شده تعداد پیکسل‌ها را دارد؛ با Field Calculator مساحت را به هکتار حساب کنید (پیکسل ۱۰ متری = ۰٫۰۱ هکتار).
• تبدیل به برداری: برای ویرایش و تحویل، با Raster to Polygon نقشه را برداری کنید؛ نکات آن در تبدیل بین برداری و رستری.
• صفحه‌آرایی: راهنما، مقیاس، شمال‌نما، منبع داده و جدول مساحت را طبق آموزش طراحی لی‌اوت نقشه اضافه کنید و برای رنگ‌ها از قراردادهای رایج (شهری قرمز، آب آبی، کشاورزی زرد یا سبز روشن) پیروی کنید.

خطاهای رایج در تهیه نقشه کاربری اراضی و راه حل

از یک نقشه به دو نقشه: آشکارسازی تغییرات

وقتی نقشه کاربری اراضی دو یا چند سال را با روش و کلاس‌های یکسان ساختید، می‌توانید ماتریس انتقال بسازید و بفهمید چند هکتار باغ به شهر یا چند هکتار مرتع به دیم تبدیل شده است. این گام بعدی را در آشکارسازی تغییرات کاربری اراضی و ماتریس انتقال دنبال کنید. نقشه کاربری همچنین ورودی فاکتور C در مدل RUSLE و یکی از معیارهای پهنه‌بندی سیلاب است.

چک‌لیست تحویل پایان‌نامه یا پروژه

• مشخصات تصویر: سنجنده، تاریخ، سطح پردازش، درصد ابر.
• تعریف عملیاتی هر کلاس و تعداد نمونه آموزش و آزمون هر کلاس.
• الگوریتم و پارامترها (مثلاً RF با ۲۰۰ درخت).
• ماتریس خطای کامل، صحت کلی، کاپا، صحت کاربر و تولیدکننده.
• جدول مساحت هر کلاس به هکتار و درصد.
• نقشه نهایی با لی‌اوت استاندارد و فایل رستر و برداری در سیستم UTM.

پرسش‌های متداول درباره تهیه نقشه کاربری اراضی

مطالب مرتبط